从0到1,掌握数据可视化的基本技巧

简介: 大家好,我是爱学习的小熊妹。做运营的小哥哥小姐姐们,经常要做各种汇报ppt。其中怎么画图表,经常是很纠结的一件事。小熊妹也不是专业科班出身的数据分析师,但还是认真的总结了数据可视化的基本技巧。

Q1:什么是数据可视化?


A1:就是把数据做成图表的形式,更容易让人看。举个简单的例子,比如今日门店营业额10000元。如果单纯写数字,就是10000万,但做成图的话,可以表示成(如下图)


image.png


Q2:看起来似乎很多此一举呀,为什么要做可视化?


A2:如果只看上边的例子,确实没有必要做可视化,因为只有一个数字,看数据会更简单。但是数字多了,做可视化就很有必要。



比如:想用今天的营业额和昨天的做个对比。如果用文字描述,就是:

今日营业额10000元,昨日12000元,今天比昨天少2000



如果画成图,则一眼就看的很清楚:今天比昨天少2000(如下图)


image.png


数字越多,用图展示效果越好。比如要展示30天的营业额,用文字一个个写,估计得密密麻麻写一整页,用图表,则一张图表能看得很清楚。


Q3:做可视化就是为了好看?


A3:当然不全是为了好看。比如上边例子,当把30天营业额摆在一起的时候,能清楚地看到营业额变化是有规律:


● 每周7天有一个周期性波动


● 本月每周都比上一周高,呈现上升态势


● 本月最后一周的业绩冲得特别高


image.png




这些发现,已经能够引发运营很多的思考了。所以数据可视化,本身也是分析方法之一。


甚至,基于可视化图形,延伸出来了很多具体的分析方法,比如分层分析法、趋势分析法、同期群分析法、生命周期分析法、矩阵分析法、关联分析法等等。恰当地运用可视化,能更快速地找到分析思路呢。


Q4:那可视化该怎么做?


A4:分为四个步骤。


第一步:想清楚要讲的问题


第二步:想清楚要用的数据


第三步:想清楚数据之间的关系


第四步:选择合适的数据图表


第五步:打开操作工具,做图


举个简单的例子。数据如下,有一个区域内,所有门店7天的销售业绩,及每天的销售目标


image.png


第一步,想表达:每天销售都没有带包


第二步,找数据:每日实际业绩、目标


第三步,找关系:对比关系(实际VS目标)


第四步,找图表:有7天连续数据,考虑用条形图(连续且小于10的用条形图)


第五步,打开excel,选中数据,点击:插入栏目→条形图,输出图形。


image.png


最后呈现效果如下,搞掂了,就这么简单:


image.png


这个例子很简单,是因为例子本身想表达的事情很简单。本质上,可视化是数据的一种表现形式,数据又是现实问题的表现形式,所以把“怎么描述问题”想清楚了,自然能找到可视化的方法。


Q5:可视化不就是做图吗,为啥还要先想清楚说什么?


A5:不同的说法,需要展示的图形是不一样的。


还是上边的例子,可以有完全不同两种说法:


●屡败屡战:销售业绩持续上升,达标率持续上升,前途光明,希望在即


屡战屡败:销售业绩就没有一天达标的!连续7天了,你们要梦游到啥时候。


说法不同,展示出来的图标样式也不一样,能给人完全不同的感觉:



image.png


Q6:哇,看起来好厉害,那不是可以靠数据可视化,化腐朽为神奇?


A6:额,实际上是不可以的。注意,上边的例子里,虽然讲的内容不同,但展示的数据是完整的,未经修饰的。如果刻意扭曲尺寸,就会引发误读,比如下边的情况。


image.png


两张图的数据其实是一模一样的,仅仅因为坐标轴的标尺的最大值,最小值不同,就导致完全不同的感觉。这种人为制造视觉差异的做法是非常错误的,会导致很多误判。


Q7:那怎么防止被这种错误的客户化忽悠?


A7:做图要符合基本规范,刻度尺、数字、数字单位要三样齐全,就能避免被忽悠


当两张图摆在一起的时候,坐标轴的最大值,最小值要保持一致,最小值从0开始。


image.png


Q8:可是,我在ppt的时候,并不知道要说什么,该咋做可视化?


A8:如果真的是大脑一片空白,可以按照这个简单的原则来说:从大到小,从整体到局部。


比如有个数据表,记录了某区域一周以内,所有商品每日销售情况如下:


image.png


一眼看过去有好多数据,似乎要做很多图表。不要着急下手,先看清楚其中数据的关系:


1、每日总业绩=A、B、C、D、E、F产品总和


2、本周合计=周一、二、三、四、五、六、日总和


所以按照从大到小的顺序,应该是


●本区域本周总业绩(全周整体)


本区域本周A~F产品销量结构(全周整体的构成)


本区域周一到周日,每日销量走势(每日的当日整体)


本区域周一到周日,每日销售产品结构(每日的当日构成)


这样分四张图就能讲清楚了。而且一般销售考核,每周都有目标(每天不一定有,拆得太细)。因此第一张图,应该是本周整体业绩和本周目标对比,先看整体是否达标,再看每日情况。


这四句话,可以这样处理:


1、本区域本周总业绩VS目标,对比两个数字,用柱形图


2、报告一个东西内部结构,用饼图。


3、报告短期的(10个以内的)数据,用柱形图


4、报告连续性结构变化,用堆积图


这样就能简单清晰地呈现情况了。


Q9:哦,懂了,还有没有类似的基本规范?


A9:有的,比如:


  • 报告长期的(10个以上)数据,用折线图


  • 观察两个指标的关系,用散点图


  • 表达一个指标的变动情况,用瀑布图


  • 表达两个东西的多个指标对比,用雷达图


  • 表达一个流程,逐步向下转化,用漏斗图


这些都是基础做法。后边有机会具体跟大家分享


Q10,嗯,明白了,但这样看不够炫酷,看着不厉害啊,有没有超厉害的那种?


A10:额,不管说什么内容,一味追求炫酷,是可视化的最常见问题哈。做数据汇报,得让运营妹纸或者产品小哥,尽快的发现问题。做的图标跟闪光灯一样blingbling,但是观众看得云里雾里的,可不是什么好的可视化哦,画的辛辛苦苦,然后被打回来加班重写,也是常事。


以上就是从0到1做可视化的基本方法,如果有专业的数据分析哥哥姐姐,觉得小熊妹还有改进的地方,欢迎来拍砖哦。以小熊妹观察,大部分做可视化的问题,还是:根本不清楚自己做的数据是啥关系,稀里糊涂搞些数字就开始做图了。


下一篇,小熊妹会整理一下:运营的常见数据指标,帮大家看清楚。喜欢的话请点个赞,点个在看,谢谢啦~~


相关文章
|
网络协议 Linux
SNAT和DNAT原理及应用
SNAT和DNAT原理及应用
2215 0
SNAT和DNAT原理及应用
|
数据采集 数据处理 开发者
Python爬虫技术在数据收集与分析中的应用
随着互联网信息的爆炸式增长,数据收集与分析变得愈发重要。本文将介绍Python爬虫技术在实际项目中的应用,探讨其在数据收集、清洗和分析过程中的作用,以及如何利用Python相关库提高爬虫效率。
|
存储 缓存 自然语言处理
Elasticesearch内存详解
Elasticesearch内存详解总结文章
5075 0
Elasticesearch内存详解
|
数据可视化
利用数据可视化工具处理数据异常的具体流程是什么?
利用数据可视化工具处理数据异常的具体流程是什么?
748 157
|
数据采集 机器学习/深度学习 前端开发
Java爬虫中的数据清洗:去除无效信息的技巧
Java爬虫中的数据清洗:去除无效信息的技巧
|
安全 API 开发工具
开发api数据接口的工作步骤
本文概述了使用Python的Flask框架开发简单API数据接口的基本步骤。首先,需明确API提供的数据及其来源,确保数据的真实可靠。其次,选择合适的开发工具和技术栈,如Python结合Flask,并安装所需环境。编写代码时,应导入必要模块、创建应用实例、定义数据、设计路由及处理函数,并考虑错误处理和日志记录。测试阶段,在本地启动服务器并使用工具验证功能和性能。最后,选择合适平台部署API,并确保其稳定性和安全性。在整个过程中,需注重数据安全、代码质量及系统性能优化。
|
数据采集 机器学习/深度学习 算法
利用Python实现高效的数据清洗与预处理流程
在数据驱动的时代,数据清洗和预处理是数据分析与机器学习项目中至关重要的步骤。本文将介绍如何利用Python的pandas和numpy库,结合正则表达式、数据标准化和缺失值填充等技术,构建一个高效且灵活的数据清洗与预处理流程。文章不仅关注技术细节,还将探讨如何通过流程自动化和模块化来提升数据清洗的效率和准确性。
|
存储 SQL JSON
Hologres技术揭秘,JSON半结构化数据的极致分析性能
本文将会揭秘Hologres JSONB半结构化数据的技术原理,实现JSON半结构数据的极致分析性能。
3404 59
Hologres技术揭秘,JSON半结构化数据的极致分析性能
|
Kubernetes 容器 Perl
技巧 | 使用Filebeat收集K8S应用日志
Logstash收集Kubernetes的应用日志, 发现logstash十分消耗内存(大约500M), 而改用filebeat(大约消耗10多M内存)。 在进行日志收集的过程中,我们首先想到的是使用Logstash,因为它是ELK stack中的重要成员,但是在测试过程中发现,Logsta.
6938 0
|
数据可视化 数据挖掘 UED
Seaborn进阶:探索数据可视化的高级功能
【4月更文挑战第17天】本文介绍了Seaborn的高级数据可视化功能:1) 使用条件化颜色映射展示数据差异;2) 通过`facetgrid`创建复杂图表布局以对比不同子集;3) 应用预设样式和自定义主题美化图表;4) 结合`plotly`生成交互式图表增强用户体验;5) 制作箱形图、小提琴图等高级统计图表揭示数据分布和关系。掌握这些技巧能帮助你创建更具洞察力和专业性的数据可视化作品。

热门文章

最新文章