据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

“不要让听众感觉你在展示一张图表,而要回顾人的行为,描述曲线变化背后的事件。不是‘来看我们的三季度财报’,而是‘来看我们为什么没完成目标’。”

不久前,数据视觉化还只是一项锦上添花的技能。大多数情况下,从中受益的是重视设计和数据并主动进行相关投入的管理者。但现在不同了:视觉化沟通已成为所有管理者的必修课,因为在越来越多情境下,视觉化将成为传达工作内容的惟一途径。

推动这一变化的首先是数据。决策越来越依赖数据,而新数据生成的速度和体量惊人,必须经过简化才能理解——此即视觉化的作用。以波音公司的“鱼鹰”项目为例。为提升“鱼鹰”直升机起飞和降落的效率,管理者要处理传感器记录的大量数据。每次起飞或降落的数据多达1TB,10次起降的数据与美国国会图书馆的数据存储量相当。不运用视觉化工具,要从数据的规律和异常中发现飞机的缺陷,将是不可能完成的任务。

但不仅是统计数据,其他信息也需要视觉传达。例如业务流程、消费者在店铺内活动方式等复杂系统,如果无法清晰展现出来,就难以理解,更谈不上解决其中的问题。

互联网和不断出现的便捷工具,让普通人无须具备数据或设计专长,就可以简单、低成本地将信息视觉化。这当然是积极的变化,但也助长了一种本能倾向,即无目的地进行视觉化。“卓越”很容易被“方便”代替,结果做出的图表差强人意,甚至无效。把电子表格单元机械地转换为图表,只能提供支离破碎的信息,无法传达出完整的理念。

如演讲和沟通专家南希·杜瓦特(Nancy Duarte)所说:

“不要让听众感觉你在展示一张图表,而要回顾人的行为,描述曲线变化背后的事件。不是‘来看我们的三季度财报’,而是‘来看我们为什么没完成目标’。”

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

想做出更好的图表,管理者先要了解基本原则:何时需要柱状图图颜色超过多少种会太花哨图例往哪放Y轴是否从0开始视觉化的“语法”重要且有用,但掌握语法并不能保证做出好图表。视觉化的第一课,是学会在没有战略的情况下去实践——准备开启目的地未知的旅程。

视觉传达不是一个孤立的行为,而是几个连续的事件,分别需要不同的计划、资源和技能。我们需要一种思考方法,来从整体上认识日益重要的视觉传达科学。

两个基本问题:信息性质和传达目的

开始学习视觉化思维,首先要思考视觉传达的性质和目的:

我要传达的信息是概念还是数据

我在陈述某事还是探索某事

如果你能回答这两个问题,就可以安排所需资源和工具,并分析哪类视觉化能最有效地达成目标。

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

第一个问题相对简单,答案一般很明显。你想呈现的要么是定性信息,要么是定量信息:理念或数据,两者必居其一。但要注意,这里问的是信息本身,而不是你最终采取的视觉传达形式。例如,著名的技术成熟度曲线采用了线状图这一传统的数据表达形式,但并不包含实际数据——它传达的是概念。

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

如果第一个问题是关于你掌握哪类信息,第二个问题则确定你要怎么做:或是传达信息,即陈述;或是分析某事,即探索。管理者最常用陈述方法,一般是在正式场合向观众传达信息。如果你想利用手中的大量数据报告每季度销售情况,你的目的就是陈述。

但假设老板想知道为什么最近销售表现不佳。你猜测可能是因为季节性波动,但不能肯定。于是,视觉化的目标变为探索:利用同样的数据,你要用图表来证实或否定你的假设。如果假设被证实,你可以再做陈述型图表,告诉老板,“销售出现问题的原因在这里”。

实际上,以探索为目标的视觉化有两种。其中一种是上面例子中的假设检验。但假如你对销售业绩下滑的原因毫无头绪,提不出任何假设呢你就要仔细分析数据,寻找其中的规律、趋势和异常。例如,对比销售业绩和销售员负责区域面积,你有何发现不同地区的季节性波动有何异同天气对销售造成哪些影响这种开放性探索能带来新发现。开放性视觉探索,将有助于解答宏观的战略问题,如收入为何下降、效率如何提升、客户与公司应如何互动等。

视觉化的四种类型

根据上述两个基本问题的答案,我们可以用一个四象限图来定义视觉传达的四种类型:

概念描述、创意挖掘、视觉探索、日常数据视觉化。

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

1概念描述视觉化的4种类型

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

这一象限可以说是“咨询顾问专区”。咨询顾问免不了和各类图表打交道,而图表可以利用容易理解的符号(树、桥)和形状(圆圈、分层),来传达复杂的概念。组织结构图和决策树就是典型的概念描述型图表,眼前这个概括性的四象限图也是。

以描述概念为目标的视觉设计必须简洁清晰;但由于必须使用符号,常会出现过度美化的问题。因为概念本身并不包含数据的性质和范围,它们必须单独表示出来。

这类视觉传达的重点是结构和逻辑的清晰度,最重要的技巧与编辑文章所需的要领类似,即抽象概括事物本质。设计技巧也会有用,你可以自己动手或请人来做。

假设一家企业请咨询顾问来帮助研发团队从其他行业寻找灵感。咨询顾问使用“金字塔搜索”方法,即从邻近领域开始,通过接力层层向外拓展,找到不同领域的顶尖专家。

由于解释起来比较繁琐,咨询顾问可以运用视觉化方法。金字塔搜索的原理是什么如下图所示:

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

横纵轴的设置使图表非常容易理解:行业从左到右跨度增大,专业程度从下到上逐渐提高;金字塔形状显示出顶尖专家相对普通从业者的稀缺性;标题中的“攀登”“金字塔”帮助读者迅速理解图表含义;最后,设计者没有做过多修饰——没有真的用三维立体、沙石色的图形。

很多时候,概念描述的视觉化效果没这么好,你会得到下面这样的图表:

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

这张图中的颜色分层、阴影和3D效果反而妨碍我们理解概念;箭头并没有展现金字塔搜索方法;顶尖专家和普通从业者处在同一水平线,未能传达出重要性的差别。

2创意挖掘视觉化的4种类型

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

管理者可能不会想到,视觉化也可以用于创意挖掘;但在头脑风暴中,视觉化方法其实无处不在——白板、牛皮纸,以及传说中的餐巾纸背面。和概念描述一样,创意挖掘也使用符号,但更多是在非正式场合,如外出团建、战略讨论和创新项目早期阶段等。它的目标是从不同视角观察企业运作,解答复杂的管理难题,如架构调整、设计新业务流程、构建决策体系等。

创意挖掘可以一个人进行,但协作的效果更好。可以借鉴设计思维:先尽可能多地征集不同思路和视觉化方法,再择其一进行精细打磨。

乔恩·科尔科(Jon Kolko)是奥斯丁设计学院(Austin Center for Design)创始人兼院长,著有《同理心设计原理》(Well-Designed: How to Use Empathy to Create Products People Love)。他在办公室的白板墙上涂满观念化、探索性的图形。“思考复杂问题时,我们总会回到这个方法,”他说,“通过涂涂画画,我们能够穿越混乱,到达明晰。”擅长领导团队、发起头脑风暴、鼓励创新思考并捕捉创意的管理者,在这个象限中会干得不错。设计技巧和提炼能力在这里不那么重要,甚至可能适得其反:在寻求突破时,最不需要的就是归纳总结,而应尽可能快速发散;精细的设计同样会拖慢速度。

假设一个营销团队正在讨论如何向管理层展示进入高端市场的战略。一小时后,白板上有了几个想法。团队最终认可了其中一个,认为最能传达他们的理念——顾客数量减少,但人均消费大增。白板是这样的:

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

当然,创意挖掘过程中产生的图表,通常经过更严谨的设计,用于在正式场合传达理念。

3视觉探索视觉化的4种类型

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

这个象限可能最为复杂,因为它包含两类视觉化。上文将探索分为两类,一是假设检验,一是从数据中寻找规律、趋势和异常。前者的目标很明确,后者则相对发散。数据体量越大、复杂度越高、未知因素越多,探索工作的开放性就越高。

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

视觉探索1:求证。在这类探索活动中,你要回答下面两个问题中的一个:我设想的情况是否属实如何用不同方式传达这一信息

在进行求证时,数据范围相对可控,所使用图表类型较为常规;当然,若想以新颖方式呈现信息,也可尝试较少见的图表。求证型图表一般不用于正式场合;你要先自己找到正式展示所需的图表。因此,你的时间不应花在设计上,而应快速尝试不同模板,找到最好的数据视觉化方案;电子表格技巧、编程或网站搭建等快速开发原形的知识可能有帮助。

假设一位营销经理认为,在一天中的某些时段,消费者在线购买移动设备多于台式设备,但现有营销策略未能利用这一点。为验证自己的观点,他将一些数据输入到在线软件Datawrapper中。

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

他还无法证实或推翻假设,也没有发现其他规律,但他利用工具寻找不同视觉表达。他无需考虑设计问题,速度很快。如下图所示,他将柱状图变为线状图。

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

现在他发现了一些规律,但使用三个变量还难以把握两类产品销量的关系,于是他将变量减为两个(如下图)。每次尝试,他都会评估初始假设的有效性——在一天中的某些时段,消费者购买移动设备多于台式设备。

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

第四次尝试中,他缩短了时间周期,证实了假设(如下图)。

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

新的软件工具使这类视觉化比以前容易很多,让我们都变成数据分析师。

视觉探索2:开放性探索。更多时候,针对数据的开放性探索是数据科学家和商业智能分析师的领地,不过新出现的工具让一般管理者也可以参与进来。开放性探索很值得尝试,因为它经常带来独一无二的洞见。

由于缺少明确目标,开放探索型图表包含的数据范围较广,个别情况下可能会容纳多组数据,或建立自动更新数据的动态系统,也可用于统计建模。

管理者可通过调整参数、引入新数据源、迭代更新图表,进行交互性探索。复杂数据有时也可用于专业性、不常见的图表,如力导向图(用于表示网络结构)和地形图等。

此处,图表的功能重于形式:数据分析、编程、数据管理和商业智能比图表的观赏性更重要。在这一象限,管理者自然最需要请外部专家搭建数据处理系统,并根据分析目标制作图表。

安默尔·加格(Anmol Garg)是特斯拉的一名数据科学家,他利用视觉探索分析特斯拉电动车的海量传感器数据。他设计了一种交互式图表,用于显示在特定时间内的轮胎压力变化情况。加格和团队严格按照探索形式设计出图表,发现其用处很多:了解车辆出厂时轮胎充气情况、用户充气频率、用户对气压不足警报的反应时间;分析轮胎漏气率;建立模型预测轮胎漏气时点。散点图显示出四个轮胎的压力情况,一般人或许不明所以,专家则一目了然。

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

在探索数据的过程中,加格发现一些信息只能用图表传达。“我们时刻都在和海量数据打交道,”他说,“对照电子表格搜索数据库肯定一无所获,必须使用图表。”向管理层演示时,加格将探索型图表转化为较简单的图表(下文将介绍)。“他们最喜欢看图。”他说。

4日常数据视觉化视觉化的4种类型

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

大部分视觉探索工作由数据科学家承担,而管理者最常做的是日常数据视觉化。这一象限主要涉及常用图表,一般可在展示中直接使用。这些简单图表包括 线状图、柱状图、饼状图和 散点图等。

这里的关键词是“简洁”。一幅图表应该用有限几个变量,清晰传达一个信息。目标很明确:为听众确认并介绍背景信息。要做到简洁,设计十分关键。此类图表常用于正式展示,对清晰度和逻辑性要求很高。正式展示通常时间有限,如果图表设计不理想,介绍人就必须停下来解释,而图表中的信息本应一目了然。如果日常数据图表还需要额外说明,那它就是失败的,如同笑点需要解释的笑话。

这并不是说陈述性图表不应引发讨论,但讨论应针对图表传达的理念,而非图表本身。

假设一位人力资源副总裁要向高管层介绍公司的医疗开支情况。她想表达的是,医疗开支增速明显放缓,因此公司有机会投资多种医疗服务。

她在网上读到一篇相关报告,其中引用了一些官方数据,于是,把数据下载下来,用Excel做成线状图,几秒钟就完成了。但由于要做展示,她请公司一位设计师加入一些数据细节,让图表更完整。

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

这幅图表设计得不错,数据翔实,但可能并不合适。高管团队讨论公司福利支出,并不需要20年之久的历史数据。HR副总裁想说的是,近年医疗开支增速放缓,但图表能清晰传达出这一点吗

一般来说,如果图表中的数据几秒钟内看不完,那么最好把这些信息打印出来或发到个人设备上,供需要获得信息但不想听报告的人员查阅。例如,医疗政策制定者参加听证会、讨论医疗支出长期趋势前,可以仔细研究这张图表。

HR副总裁需要一张更干净的图表。一条简单的折线其实就能清晰传达信息:

据说年薪50万以上的人,都不可救药地爱上了“数据可视化”

想达到这种简洁,需要原则和一些勇气。你会本能地想把所有已知信息都放进去。拥挤的图表似乎能告诉别人,你做了很多工作:“看看这些数据,我费了多大劲!”但这不是那位HR副总裁的目标;她要做的是说服同事投资新项目。使用新图表,她不用说一个字,高管团队就能看明白趋势。这样,她就为后面提出具体建议做好了铺垫。

从某些方面看,“数据视觉化”这个词很不到位,它把好图表的创造过程简化为某种机械程序,让人想到用于创造的工具和方法,而不是创造本身,就好像把《白鲸》叫作“词语序列”,把《星空》称为“颜色分布”。

“数据视觉化”这个词还反映出,当下人们过度强调技术过程,却忽视了最终效果。视觉化只是一个过程,而图表的最终任务是传达某种真实,让人们去感知、看到以前看不到的东西——去改变想法,进而采取行动。

通过学习视觉化的基本语法规则,我们能更有效地传达信息。但为达到理想效果,我们对视觉化的理解须更全面,在操作时也要更有全局意识。

来源:微信公众号 哈佛商业评论

斯科特·贝瑞纳托(Scott Berinato)| 文

斯科特·贝瑞纳托是《哈佛商业评论》英文版高级编辑,著有《HBR数据视觉化指南》(Good Charts: The HBR Guide to Making Smarter, More Persuasive Data Visualizations,2016),本文改编自该书。

王晨| 译 刘铮筝| 校 钮键军| 编辑

本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请给「我们」留言处理。

(0)
上一篇 2016-08-25 18:38
下一篇 2016-08-31 11:34

相关文章

关注我们
关注我们
分享本页
返回顶部