原创 实现大数据可视化的十个出发点

　　实现大数据可视化的十个出发点，需要考虑用户、讲述连贯的故事、迭代设计、个性化一切、从分析目标开始、考虑管理、对观看者的同理心、了解业务、连接可视化、尽可能简化，以便解决手头的假设问题。

　　一、考虑用户

　　管理咨询公司Aspirent视觉分析实践主管Dan Gastineau表示，企业应使用颜色、形状、大小和布局来显示可视化的设计和使用。

　　Aspirent使用颜色来突出希望用户关注的分析方面。而大小可有效说明数量，但过多使用不同大小来传递信息可能会导致混乱。这里应该有选择地使用大小，即在咨询团队成员想要强调的地方。另外，表单可确定呈现分析的形状：例如，是否使用线条或条形图来呈现某些类型的信息。 Gastineau称，对象的放置与对象本身一样重要，有利于有效的沟通。

　　二、讲述连贯的故事

　　与你的受众沟通，保持设计的简单和专注性。颜色到图表数量等细节可帮助确保仪表板讲述连贯的故事。MicroStrategy产品管理高级副总裁Saurabh Abhyankar说：“仪表板就像一本书，它需要考虑读者的设计元素，而不仅仅是强制列出所有可访问的数据。”仪表板的设计将成为推动部署的因素。

　　三、迭代设计

　　应不断从视觉分析用户获得反馈意见。随着时间的推移，数据探索会引发新的想法和问题，而随时间和部署推移提高数据相关性会使用户更智能。

　　从你的受众征求并获取反馈意见可改善体验。谷歌云端数据工作室首席产品经理Nick Mihailovski表示，快速构建概念、快速获取反馈意见并进行迭代可更快获得更好的结果。另外，还可将调查和表格整合到精美的报告中，也可以帮助确保大数据的可视化结果确实有助于目标受众。

　　四、个性化一切

　　应确保仪表板向最终用户显示个性化信息，并确保其相关性。并且，还应确保可视化在设计上反映其所在的设备，并为最终用户提供离线访问，这将让可视化走得更长远。Mihailovski说，通过精心设计的交互式可视化来吸引观众以及传播数据文化，这会使分析具有吸引力和富有乐趣。员工还可直观地访问、可视化和共享包含实时动态数据的报告。

　　五、从分析目标开始

　　应确保数据类型和分析目标可反映所选的可视化类型。Mihailovski称：“人们通常会采用相反的方法，他们先看到整洁或模糊的可视化类型，然后试图使其数据相匹配。”对于大数据项目的可视化，简单的表格或条形图有时可能是最有效的。

　　六、考虑管理

　　这里可能需要花时间和精力，但重要的是最终用户信任数据。从技术、流程和人员角度获取所有需要的帮助，以确保数据经过审查以及准确性。

　　七、对观看者的同理心

　　每种情况都会采用不同的可视化方法。例如，许多数据可视化专家明确禁止使用饼图，因为人眼和头脑可以更容易地测量长度或位置之间的差异，而很难识别角度差异。而将饼图变成条形图后，不同部分的差异性变得不那么明显，识别某些小部分也更难。在这里可考虑双层圆环图，这相当于去除中间区域的饼图，可快速显示75%、20%和5%等模式。

　　八、了解业务

　　花时间与业务用户沟通，了解他们希望从大数据产品的可视化中实现什么，以及他们需要哪些数据来提供所需的见解。如有必要，可购买工具或技术来分析和转换这些数据。技术咨询公司Brillio的数据和分析主管Naresh Agarwal称：“在大数据领域，我们面对的是海量数据，因此，让用户可从这种数据规模中获益非常重要。

　　同时，了解业务趋势非常重要，这可帮助用户采用最新的指标和分析来推动更好的业务决策。在构思不同的仪表板时，应始终考虑最终用户。管理层、分析师、IT和业务用户将从不同类型的可视化分析探索中获取价值。

　　九、 连接可视化

　　确保仪表板的不同可视化已经连接，并可迅速链接以展示完整视图。商业智能软件提供商Kyvos Insights的技术架构师Pratik Jain举例说，如果您正在分析按位置销售摘要报告，你还应该能够进行逐年分析或比较不同产品的销售情况。

　　应确保大数据的可视化可实时更新和查询。供应链软件提供商OpenText的高级分析产品营销经理Zachary Jarvinen表示，静态显示或没有基础数据来源的显示将无法帮助企业分析快速变化的大数据流。

　　十、尽可能简化

　　大多数领先的大数据可视化工具的功能都非常丰富，这通常会导致分析师构建密集且过于复杂的可视化，而这可能使得难以收集可行的见解。 Bajaj说，优秀的分析师应尽可能简化可视化，以便解决手头的假设问题。然后，分析师应尽早与利益相关者沟通，以确保最终产品不是徒有炫酷外表但不能直接满足利益相关者需求的产品。

　　大多数人仍然对大数据持怀疑态度，只有少数公司愿意投入大量资源。由于互联网和智能手机的出现，大量收集用户行为数据成为可能。这使得许多互联网和在线营销公司获得了先发优势。深度学习大数据的出现以及视频和语言识别的广泛应用，极大地推动了大数据技术在金融技术、医疗保健、智慧城市等领域的应用。，数据成为寻求创新的公司和政府的关键资源，但对数据安全和客户隐私的担忧开始浮出水面。

　　数据治理变得至关重要。同时，在这个阶段数据源的复杂性使得人们认识到，为了保持数据的更新和高质量，需要适当的管理系统和对数据中间层技术的大量投资数据技术和人工智能的负面影响成为人们关注的焦点。潜在的失业和不公平竞争是可能需要解决的一些问题。

　　免责条款：文章部分内容来源于互联网仅供参考阅读。