数据可视化可以实现可操作的洞察力和卓越的业务成果。但构建有效的数据可视化可能很困难。如果你想创建数据可视化,你必须同时具备数据分析和图形设计方面技能。
数据可视化提供了强大的工具,可将原始数据转化为简洁易懂的概念。它们使非技术受众能够掌握复杂信息,以便他们能够快速应对意外事件,规划短期和长期业务战略,并更好地了解他们运营的环境。
从事各种职业的人员都可以定期创建可视化,例如数据科学家、数据分析师、数据管家、BI顾问或专门专注于构建可视化的专家。对于任何想要创建数据可视化的人来说,7项基本技能非常重要。数据科学家或图形设计师可能精通某些领域,但构建有效的可视化需要所有这7项技能。
构建数据可视化需要的7个关键技能
在专注于更高级的技能之前,你必须培养基础技能。你专注于哪些技能的优先级取决于你可能已经精通哪些技能,以及你需要提高哪些技能。
1. 统计数据分析
你必须能够使用并理解你用于构建可视化的数据。你需要对统计、数据分析及其基本数学原理有很强的掌握。你必须了解源数据本身,包括数据类型及其关系,以辨别有意义的模式和趋势。你应该知道如何进行探索性数据分析,以便在这个过程的早期就深入了解数据。
你都必须能够访问和处理源数据,无论源数据存储在哪里以及如何存储,这些数据可能来自关系数据库、NoSQL数据库、数据仓库、数据湖,或者可能是一组文本文件或电子表格。你应该知道如何从数据中提取所需的信息,以及清理和准备数据,以确保你的可视化准确无误,并带来更好的结果。
为了支持数据准备工作,你应该知道如何使用Microsoft Excel等分析工具、KNIME等数据挖掘工具、Python、R或SQL等编程语言,以及你的企业用于处理数据的任何其他工具。
2. 讲故事
数据可视化不仅仅是图形和文本的集合。这是一种叙述,可推动可操作的见解和数据驱动决策。每个可视化都应该向你的受众展示为什么数据很重要,以及它揭示了哪些见解,使用设计元素来强调信息。你的受众应该能够以有意义的方式连接数据点,这样他们就可以做出明智决策。若想成为有效的讲故事的人,你必须在数据分析方面有坚实的基础,因为这可以为你的故事提供信息。
为了讲故事,你需要清晰简洁地呈现复杂信息,将数据转化为视觉元素,揭示人们可能错过的模式和趋势。例如,可视化可能包括交叉的折线图,这些折图显示了第一季度企业营销策略的变化如何导致全年余下的销售额下降。
可视化应该以有意义的方式将这两个事件联系起来,为观众提供采取行动所需的见解。你的可视化应该针对目标人群,并包括推进叙事进展所需的元素。
3. 使用可视化工具的能力
要在数据可视化方面表现出色,你必须擅长使用数据可视化工具。如果你是数据可视化的新手,你应该优先考虑这项技能,而不是讲故事和视觉设计,这样你就有基础,以继续掌握其他技能。你应该能够浏览软件的界面,集成可视化所需的数据,并知道如何使用该工具的功能。你还应该了解在不同情况下使用哪些工具。例如,Excel可能很好,但它缺乏其他平台上的高级功能。
你应该成为至少一两个领先产品的专家。Tableau和Microsoft Power BI是两个更受欢迎的工具,还有Excel。其他主要平台包括Klipfolio PowerMetrics、Qlik Cloud Analytics、Domo和Observable D3。此外,你应该熟悉可能需要的工具以及可视化工具,例如Adobe Creative Suite。重要的是要及时了解最新的可视化产品和技术,以及它们如何随着时间的推移而演变和比较。
4. 视觉设计
除了成为数据分析师和故事讲述者外,你还需要具备图形设计技能。在创建有效的可视化方面,设计发挥着不可或缺的作用。良好的设计有助于你构建信息量更大、更直观、更美观的可视化。精心设计的可视化支持你想要讲述的故事。
在创建可视化时,你的受众应该始终是主要关注点。你应该根据受众做出设计选择,以确保可视化有效地传达必要的信息。设计必须清晰易懂,不要使用不必要的或令人困惑的图像和信息。
采用基本的设计原则,例如布局、颜色组合、字体选择、比例以及图像和照片编辑。你还应该知道如何应用品牌,有效地组合组件,并使用视觉元素来强调特定信息的重要性。在不造成杂乱或混乱的情况下传达信息很重要。
你还必须知道如何为特定情况选择最佳视觉效果。可视化提供了多种选项,包括条形图、折线图、气泡图、散点图和直方图。你应该充分了解视觉类型有何不同,以及如何进行选择。根据你的受众定制特定图表类型的选择、添加动画和精心混合颜色。
5. 协作/沟通
数据可视化代表一种沟通形式,在你和受众之间建立协作感。你的可视化越成功,你的沟通就越成功。
你的受众可能包括具有不同背景、技能水平和经验的人。了解可视化的目标受众,以及如何根据他们的专业知识有效地传达数据,决定你的可视化的成败。可视化应该传达最重要的细节,使你的受众能够获得见解,以理解概念和做出关键业务决策,而不会让他们陷入不必要的信息中。
沟通和设计相辅相成。设计技能传达了必要的信息,但在创建有效的设计之前,你还必须了解要传达的内容。正确的设计可以帮助你满足不同类型的观众的需求,并确保每个人都能获得最佳的用户体验。你可能需要向观众提供有关你使用的数据源的信息,或包含其他解释。传达信息需要与创建视觉元素相同的谨慎和认真。
6. 批判性思维
你必须批判地系统地对待每个数据可视化项目。你经常会面临复杂的业务问题,这些问题没有简单的答案。源数据可能同样复杂,来自不同的系统,并以不同的格式存储。你必须确定可视化项目的范围和目标,确定实现目标需要什么,并回答利益相关者提出的棘手业务问题。
批判性思维与强大的解决问题的能力相结合。问题通常以商业问题的形式出现,例如“为什么我们第四季度的销售额下降,我们可以做些什么来扭转销售额?”要解决这样的问题,你应该将其分解成更小的组件,并分析每个组件。使用讲故事、视觉设计和沟通的组合,将碎片拉回全面的可视化。
7. 反馈、评估、改进
在呈现给利益相关者时,可视化还不完整。来自受众的反馈是你最有价值的改进工具之一。你需要了解利益相关者是否了解这些信息,以及他们是否拥有所需细节以做出数据驱动决策所需。无论他们的背景或经历如何,他们都应该能够以相同的方式解释可视化。如果他们不同意或无法理解信息,你的可视化就有问题。
快速原型是一种反馈策略,你可以在其中创建多个视觉模型,以应用不同设计策略。你可以生成各种替代方案的快速迭代,并根据原型征求反馈。你越擅长原型制作,你的结果就越有效,结果就越好。
在收集完反馈后,请评估这些反馈并进行适当的更改。反馈是列表中的最后一个技能,你应该优先考虑前六项技能。如果你没有制作坚实可视化的技能,反馈不会带来什么好处。
如何培养数据可视化技能
如果你是数据可视化的新手或在创建数据可视化方面没有什么经验,你会希望有办法发展你的基础技能。学习、练习和反馈形成一个核心循环,应该有助于你的可视化技能发展。
学习
你应该研究有关如何从各种资源中创建有效数据可视化的信息,这些资源包括书籍、博客、文章、教程和教学视频等。当你知道如何进行有效的可视化,研究还没有结束。最佳做法是研究有效可视化的例子。试着理解他们试图解决的商业问题和他们试图讲述的故事。及时了解行业内工具和趋势也很重要。你可能会想要注册时事通讯,以获取新进展的自动更新。查看当地图书馆,了解有关你感兴趣的主题的书籍。
在线课程可以成为磨练可视化技能的极其宝贵的资源。他们可以帮助指导你的学习,让你接触到你可能自己找不到的知识。课程还可以帮助你更有效地提高技能。例如,你可以参加关于如何使用可视化工具(例如Tableau)的课程,该课程专注于可视化的特定方面,例如讲故事,或与特定技术领域相关的课程,例如虚拟现实或人工智能。你也可以查看你所在地区可能提供的课程。你可能会从当地图书馆、社区学院、社区中心或其他机构找到负担得起甚至免费的课程。
练习、练习、练习
如果你没有尽可能多地创建数据可视化,就很难改进数据可视化。你练习得越多,你就会越好。实验不同类型的数据来源以及各种视觉类型。构建可视化,回答广泛的业务问题,在传达答案时专注于你的讲故事技能。
你应该尝试各种工具,以及相关工具,例如用于分析和数据挖掘的工具。还要尝试Excel或PowerPoint等应用程序中内置的可视化功能。尝试掌握至少一到两个主要数据可视化工具。
寻求反馈和建设性批评
当你培养可视化技能时,请寻求建设性的反馈,特别是如果你能找到在创建可视化方面有丰富经验的人。你还可以与其他专业人士在可视化项目上合作中,并从中受益。协作会让你接触到新的方法和观点,并立即为你的设计提供反馈。在尝试培养技能时,与其他专业人士建立联系也很有用。
提高数据可视化技能需要结合方法来建立基础。请记住,可视化数据需要多学科技能。不要过于专注于一门学科而牺牲其他学科。你的方法越全面,结果就越好。
我们一直都在努力坚持原创.......请不要一声不吭,就悄悄拿走。
我原创,你原创,我们的内容世界才会更加精彩!
【所有原创内容版权均属TechTarget,欢迎大家转发分享。但未经授权,严禁任何媒体(平面媒体、网络媒体、自媒体等)以及微信公众号复制、转载、摘编或以其他方式进行使用。】
微信公众号
TechTarget
官方微博
TechTarget中国
翻译
相关推荐
-
企业商业智能的10大好处
商业智能(BI)软件的起源可以追溯到20世纪60年代基于大型机的决策支持系统,随后BI技术在不断发展,以应对数 […]
-
生成式AI会取代数据分析师吗
生成式AI不会取代数据分析师的工作。在很多领域,人工智能都无法取代人类,特别是那些需要人类同理心和洞察力的领域 […]
-
了解BI生命周期以构建有效的架构
成功的数据驱动运营遵循商业智能(BI)生命周期,定义BI能力,并部署良好理解的治理架构。 该过程的前提是,你必 […]
-
数据分析中的9种偏见以及如何避免
偏见会通过多种方式出现在分析中,从如何假设和探索问题到如何采样和整理数据。对于任何处理数据的人来说,解决偏见应 […]