可视化传达数据和分析见解，创建和理解可视化需要数据可视化素养。

可视化提供有效的工具，以呈现大规模数据集的模式和趋势。通过视觉线索，可视化可帮助用户掌握复杂的概念和关系。为了充分利用你的数据，你需要必要的数据可视化素养（DVL）技能来创建有效的可视化。

DVL是指一套技能，用以理解、评估和创建可视化，以清晰有效地传达数据见解。有些资源将DVL定义为简单地解释可视化的能力，但可视化素养包含更多。可视化素养包含理解和设计，就像语言素养包括阅读和写作一样。

企业应支持和培养全面DVL技能，以改善沟通和更好的决策，从中受益。DVL增强并促进了对信息使用的批判性评估。用户可以依靠更准确、更简洁、更有意义的可视化，这些可视化使用数据来讲述故事。具有强大DVL技能的可视化设计师知道如何有效地整合数据元素来传达这个故事。

DVL有时被错误地视为数据素养。数据素养与数据本身有关，它涉及如何收集、存储和转换数据等因素，同时牢记企业对有效决策的需求。数据素养使理解和处理任何形式的数据成为可能，并在与他人沟通时使用它。

相比之下，DVL的重点是如何有效地呈现数据。它专注于选择图表类型、标签、颜色和其他视觉元素，以帮助讲述故事。虽然DVL需要了解很多与数据素养相同的因素，但它的范围要窄得多，重点是如何将数据转化为可视化图像。

如果你想提高可视化素养，你应该找出你的DVL技能差距。评估你和你的团队如何理解、分析和创建可视化，以有效传达重要信息。并非每个人都需要成为数据科学家才能具备可视化素养，但他们都应该具备必要技能以在工作中利用数据。

评估DVL技能，需要确定这些技能水平。例如，这可能是统计、数据清理或设计布局方面的能力水平。然后，你的企业应该投资于必要的培训和教育，以实现每个角色所需的DVL级别。

如何提高数据可视化素养

不是所有人都是从相同的可视化素养水平开始。有些用户比其他用户更自如地使用数据和图像。其他用户可能更了解受众及其需求。创建最佳数据可视化需要结合技术和沟通技能。你应该考虑以下七条准则来提高你的DVL技能。

1. 为数据素养奠定基础

如果你想提高你的DVL技能，你应该在数据素养方面有坚实的基础。你可以使用数据素养技能来探索数据，获取有意义的信息，并将这些信息传达给其他人。数据素养技能通常被认为是高度技术性的，并且与数据科学家相关联。然而，它们涵盖广泛的技术和非技术技能：

• 分析数据并使用统计方法。
• 解释和创建数据可视化。
• 熟悉数据分析工具和技术。
• 熟悉编程语言。
• 处理和操纵数据。
• 沟通数据和讲故事的能力。
• 将批判性思维应用于数据驱动的信息。
• 了解数据是如何构建、收集和存储。

不是每个人都拥有或需要每项技能。对于特定技能，你不需要拥有与其他人相同的特定技能水平。例如，有些人擅长创建数据可视化，但大多数人应该能够理解其信息。

2. 提高你的可视化技能

DVL需要知道如何创建、解释和评判可视化。可视化技能是数据素养的核心组成部分，进而是可视化素养。构建有效的可视化需要7项技能：

1. 统计数据分析。在统计学、数据分析及其基本数学原理方面拥有坚实的基础。
2. 讲故事。能够使用设计元素来证明为什么数据很重要，以及它揭示了什么见解。
3. 可视化工具。精通数据可视化工具，包括一两个领先的产品，例如Tableau和Microsoft Power BI。
4. 视觉设计。强大的平面设计技能有助于创建直观、信息丰富且具有美学吸引力的可视化。
5. 协作/沟通。能够创建可视化，可传达核心概念，并建立与他人协作。
6. 批判性思维。无论底层数据生态系统如何，都要批判性和有系统地地处理每个可视化项目。
7. 反馈、评估、改进。利用他人的反馈来不断完善和改进可视化。

你应该对可视化基础知识有很好的了解，例如知道如何将颜色和标签融入其设计中，以及在特定情况下使用哪些可视化类型。你还应该研究现有的可视化，以便更好地了解哪些可视化最有效地传达了它们试图传达的基本概念。

3. 识别可视化偏见

在创建可视化时，你可能会引入偏见，影响用户如何解析信息。为了帮助防止这种情况，你应该学会识别其他可视化中的偏见，以便你可以识别和减少偏见。

基于有偏见数据的可视化也是偏见。例如，源数据可能无法代表更大的人口。例如考虑这样的可视化，试图展现一般人群中吃甜点的人数。如果数据来自随机调查从冰淇淋店出来的人时，那么答案可能会向这个方向倾斜。

偏见也可能因为设计选择而发生。例如，折线图可能会提供关于两个不相关事件的统计数据，例如每月流感率和每月平均股价。观看可视化的人可能会假设两者之间存在因果关系，并得出流感率会影响股价的结论，反之亦然。你还可以通过操纵图表的缩放或选择导致不准确的假设的颜色来引入偏见，从而影响受众对数据的解释。

你必须主动消除任何偏见。你应该确保数据是完整和具有代表性的，并公开你如何获取、收集和处理数据。你应该向受众传达对数据的任何担忧，并指出潜在的偏见。你还应该了解设计原则，以便图形、颜色、标签和其他视觉元素不会导致偏见。

4. 了解你的受众

DVL的一个重要组成部分是直观地传达有关基础数据的信息的能力。要有效地做到这一点，你必须充分了解你的受众，以及他们需要哪些信息来清楚地理解基本数据，并得出可操作的见解。

你应该尽可能多地了解你的受众是谁，他们将如何与可视化互动，以及他们将如何使用可用数据。请记住，人们学习和吸收信息的方式不同。在可能的情况下，根据将要使用它们的人定制可视化。例如，数据分析师受众的可视化可能与产品消费者受众的可视化有很大不同。

在领域知识、数据素养水平和理解不同类型的可视化能力方面，受众可能有很大差异。具有强大数据素养能力的人通常可以处理更复杂的可视化。普通用户可能需要更简单的可视化和附带的解释。

在与数据互动的时间方面，受众也会有所不同。例如，有些用户可能想要更深入地钻研基础数据，而另有些用户可能更喜欢提供基本信息快照的基本可视化。

5. 了解业务情况

在创建可视化时，你应该对业务情况有良好的了解，业务情况决定着设计项目。业务背景信息可提供有关组织目标和目的的大局视角，以及组织运营的环境。你可以创建可视化，与组织的优先事项和关注事项保持一致，同时支持利益相关者的倡议和明智的决策。

你的可视化应该反映业务情况，无论是出现在报告、演示文稿、网页、仪表板还是其他地方。它应该为利益相关者和决策者提供他们需要的信息，以便他们能够快速掌握当前的趋势、运营状态和业务战略的有效性。

业务环境与了解受众直接相关；受众决定环境。例如，IT 经理可能会关注绩效异常，而销售经理可能想知道他们的营销活动是否成功。在这两种情况下，经理们都需要特定业务背景下的信息，这样他们就可以对其战略进行必要的调整，并规划未来的战略。

6. 评估你的数据来源

在可视化中，使用的数据的质量决定其可靠性和价值。只有完整、准确和相关的数据才能创建高质量的可视化。你应该知道数据来自哪里以及如何准备数据。你还应该熟悉不同类型的数据，以及哪些类型最适合你的可视化。

及时性、相关性、权威性、准确性和目的（CRAAP）测试是评估数据质量的流行工具之一。这个框架用于确定源数据的价值，基于5个标准：

• 及时性。信息的及时性。
• 相关性。信息对特定需求的重要性。
• 权威性。信息来源。
• 准确性。内容的可靠性、真实性和正确性。
• 目的。信息存在的原因。

你应该知道数据是否完整且具有代表性，并识别潜在的异常值。目标是处理没有重复、不一致或偏见的数据集。

7.  部署反馈回路

提高DVL技能的好方法是向利益相关者、目标受众和其他设计师寻求反馈意见。反馈可以帮助你改进当前的可视化，并创建未来的可视化，以更好地服务于你的目标受众。反馈可以帮助你更好地了解哪些有效，哪些无效，这可以带来更好的故事讲述、更高的清晰度和更有效的设计。

在某些情况下，通过创建利益相关者可以审查的原型，你可以在开发过程的早期征求反馈意见。其中一种方法是使用快速原型制作；创建采用不同设计策略的可视化模型，并收集效果最好的输入。

在可视化生命周期的任何阶段，反馈都很有用，即使可视化处于生产阶段也是如此。你应该将可视化项目视为一个迭代过程，该过程会根据持续的反馈不断改进。

你还可以通过协作寻求反馈，以获得新的想法和观点。你还会立即收到有关你设计的反馈，这可以帮助你学习新技术并提高技能。当与在创建可视化方面具有丰富经验的设计师合作时，协作特别有用。

8. 创建数据可视化风格指南

通过开发数据可视化风格指南，企业可以支持数据可视化素养。风格指南提供一套标准和准则，以在整个企业中创建可视化，例如有多少部门创建编辑风格指南。可视化风格指南可能包括有关标签、颜色使用、字体类型、线条粗细和图表类型的详细信息。

可视化风格指南应与企业的品牌和编辑指南完美契合。它应该能帮助你更有效地创建可视化，并在整个企业中提供视觉一致性。该风格指南应该强制执行通用可视化语言，让企业中的所有人使用。这种一致性可以帮助用户更快地理解复杂的概念。

制定可视化风格指南可能是一项重要的任务。企业可以查看其他组织创建的风格指南，其中很多可以在线获取。你可以在这个网站Urban Institute获取流行的风格指南示例，该研究所发布指南以帮助非营利组织和研究组织以及数据可视化社区。它提供很好的示例，说明企业可能在其自己的风格指南中包含的信息类型。