课程名称： 数据可视化入门到精通-打造前端差异化竞争力

课程章节： 数据可视化应用场景

主讲老师： Sam

课程内容：

今天学习的内容包括：

什么是数据可视化、数据可视化发展历史、数据可视化的应用场景、数据可视化的发展前景

课程收获：

2.1 心得：

什么是数据可视化？
数据可视化是使用图表、图形或地图等可视元素来表示数据的过程。该过程将大量复杂的数值数据转化为更易于处理的可视化表示。数据可视化工具可自动提高视觉交流过程的准确性并提供详细信息。您可以使用可视化表示从原始数据中提取可行的见解。

数据可视化为何如此重要？
现代企业通常会处理各种数据来源的大量数据，例如：

内部和外部网站
智能设备
内部数据收集系统
社交媒体
但是，原始数据可能难以理解和运用。因此，数据科学家会在合适的环境中准备和呈现数据。他们为数据提供了一种可视化方式，以便决策者可以确定数据之间的关系并发现隐藏的模式或趋势。数据可视化带来了诸多促进商业智能并支持数据驱动之决策和战略规划的案例。

数据可视化具有哪些优势？
数据可视化具有以下优势：

战略决策
关键利益相关者和高层管理人员使用数据可视化对数据进行有意义的解析。更快的数据分析速度和更全面的全局可视化能力可帮助他们节省大量时间。例如，他们可以识别模式、发现趋势并获取见解，在竞争中处于领先地位。

改善客户服务
数据可视化通过图形表示突出客户的需求和期望。您可以找出客户服务中的差距，从战略上改进产品或服务，并减少运营效率低下的情况。

提高员工参与度
数据可视化技术有助于向大型团队传输数据分析结果。整个团队可以一起可视化数据，以制定共同目标和计划。他们可以使用可视化分析来衡量目标和进度，并提高团队积极性。比如，销售团队经过一个季度的共同努力，提高了团队销量。

数据可视化包含哪些组件？
数据科学家为数据可视化集成了三个主要组件：

报告
报告代表的是数据可视化背后的意图。数据科学家与多个利益相关者沟通，了解他们希望通过分析数据实现的目标。例如，他们可能希望衡量关键绩效指标或者预测销量。数据科学家和商业用户合作，确定他们希望通过数据得出的报告。

数据
然后，数据分析师会确定合适的数据集，来帮助他们详细了解数据报告。他们会修改现有数据格式、清理数据、删除异常值并执行进一步分析。数据准备就绪后，他们会设计多种视觉探索方法。

视觉
然后，数据科学家选择最适合分享新见解的可视化方法。他们创建图表和图形，突出关键数据点并简化复杂的数据集。他们通过有效的方法系统地呈现商业智能数据。

数据可视化流程有哪些步骤？
有效的数据可视化包含五个步骤。

定义目标
您可以通过确定现有数据集可能回答的问题来定义数据可视化目标。明确的目标有助于确定以下内容的类型：

您使用的数据
您所做的分析
您用来有效传达发现的视觉内容
例如，零售商可能会设法了解哪种类型的产品包装销量最高。

收集数据
数据收集涉及识别内部和外部数据来源。有大量数据集可供在线购买和使用。贵公司可能还拥有可用于分析的现有数据档案。例如，您可以收集历史销量、营销活动和产品包装数据，以找到最佳包装。

清理数据
数据清理包括移除冗余数据、执行数学运算以进行进一步分析，或者筛选和转换数据以满足质询条件。例如，您可以从假日月份和营销活动之后删除销量数据，以确定不同包装类型的平均销售额。

选择数据视觉效果
您可以从几种不同的图表类型中进行选择，以实现高效的视觉发现。数据点与要传达的见解之间的关系将决定最佳的图形表示。例如，您可以使用条形图按颜色表示上个月的包装销售额。但是，饼图可能更适合显示库存中彩色包装的百分比。数据可视化有两种主要类型。

静态可视化
静态可视化仅提供特定数据故事的单一视图。信息图表是静态可视化的一个示例。

交互式可视化
交互式可视化允许用户与图形和图表进行交互。浏览者可以更改可视化参数中的变量，以发现新的见解或获取深度信息。数据可视化软件通常会提供用户与系统进行交互的控制面板。

创建数据视觉效果
您可以使用数据可视化工具创建所需的数据视觉效果。大多数工具会导入您的最终数据集并自动生成所需的报告。有效数据可视化的一些设计原则包括：

使用大小、颜色、字体和图形吸引观众注意重要的细节
使用视觉提示为数据提供上下文
选择正确的颜色组合
使用解释性标题向受众提供关键见解，并帮助他们专注于正确的问题
添加清晰的标签和数字
有哪些不同类型的数据可视化技术？
虽然最常见的类型是图表和图形，但还有其他数据可视化方法。以下列出了五种主要的数据可视化方法：

暂存数据可视化
暂存数据可视化用于表示线性一维对象，如折线图形、折线图表或时间表。例如，您可以使用折线图表来显示给定时间段内连续发生的变化。折线图表中的几条线显示了同一时期内不同因素的变化。

分层数据可视化
分层数据可视化指的是一组具有父项公共链接的项目。可以使用这些数据树来显示信息集群。例如，您可以将库存数据量显示为具有父节点（衣服）和子节点（衬衫、裤子和袜子）的数据树。

网络数据可视化
网络数据可视化适用于表示不同类型的相关数据之间的复杂关系。例如：

在图形中以点表示数据的散点图
向散点图增加第三个数据因素的气泡图
用大小不同的词来表示词频的词云
多维数据可视化
多维数据可视化将两个或多个数据变量表示为一个 2D 或 3D 图像。这类可视化通常使用条形图、饼状图和堆叠条形图来表示。例如，使用条形图比较两个或多个数据因素，并展示一个变量在一段时间内的变化。使用饼状图可视化每个类别的整体占比。

地理空间数据可视化
地理空间数据可视化（例如热图、密度图或统计地图）呈现与现实位置相关的数据。例如，数据可视化显示了访问不同零售店分店的客户数量。

什么是数据可视化最佳实践？
数据可视化最佳实践可为您提高报告的清晰度、完整性和准确性。

设计元素
使用创意设计元素能够让您的数据可视化更具吸引力。您可以使用颜色、阴影和形状为可视化效果添加更多细节。例如，您可以使用水滴图标来表示用水报告中的数值。

全面的证据
在分析中使用大量数据可以提高数据可视化的准确性。证据越多，置信度越高，同时也有助于突显异常值。其中可以始终包含一份数据摘要报告或一份整合的数据表示，以获取更详细可视化的概述。

相关比较
比较可为数据提供背景信息并强化您得出的观点。此外，比较还可令数据更具可行性。例如，将试验某个新想法后的当前数据与试验之前的相关数据进行比较，这可以让读者了解事实现状以及可能会出现的情况。

数据可视化面临哪些挑战？
数据可视化提出了一些挑战，这可能会导致误传信息或夸大某些事实。

过度简化数据
数据科学家必须找到数据理解和传递之间的平衡。过度简化数据会导致关键信息丢失。例如，有一份关于学业成绩的科学数据报告。这份报告中的一个条形图显示，在过去十年间，学生的学业成绩有所下降，而打电子游戏的时间却在增加。因此，这份报告得出结论：打电子游戏对学术产生了不利影响。然而，数据可视化过度简化了这一结论，它既没有进行人口统计，也没有考虑其他几个也会影响学业成绩的因素。

人为偏见
人为偏见会对数据可视化产生不利影响。创建数据报告的团队可能会预先选择适合其个人议程的数据，造成结果偏差。虽然数据可视化工具的准确性较高，但操作这些工具的团队可能会在无意中带有偏见地选择和清除数据，最终导致偏差。因此，在数据可视化工作中引入不同的团队和意见非常重要。

夸大
您可以可视化不相关的数据，来创建根本不存在的相关性。不良行为者可能会使用这类不准确的数据可视化来证明有害行为或糟糕决策的正确性。例如，某个团队为了支持一个有家庭关系的供应商，在制造设备上超支了。然后，他们使用数据可视化报告说明新设备安装后工人安全性的改善情况，从而证明购买的合理性。但是，好几个改善工作安全性的因素与新设备毫无关联。

选择数据可视化软件时应该注意哪些因素？
数据可视化工具有免费的，也有付费的，有多种可供选择，您可以根据自己的要求，选择最适合您的一种。

基础设施支持
您的数据可视化软件应该与您现有的 IT 基础设施和数据库集成。它还应该支持多个第三方数据来源，以便您可以在需要时直接导入外部数据。

交互式报告
交互式报告可改进大数据分析并帮助非技术用户发现模式。绘制数据值时，他们可以在交互式图表中筛选、排序或移动数据变量。每次建议或要求更改时，都无需依赖技术团队。

安全性
数据可视化工具可能会在您的商业智能系统中创建额外漏洞。它们应该具有强大的安全功能，可以限制未经授权的用户和角色的访问。

可扩展性
我们推荐使用可以轻松处理海量数据集的大数据可视化工具。它们还应该具备机器学习（ML）和人工智能（AI）能力，以便大规模自动化数据可视化任务。