樂見數據：商業數據可視化思維

好的商業數據可視化：提供足夠的商業價值&幫助讀者快速理解信息。 作者圍繞此給出了一條評價商業數據可視化圖表的原則，那就是GLAD原則，樂見數據原則： G：圖表的靈魂--發現好數據與好洞察 L：降噪--簡潔設計 A：精準表達--提升數據表達的準確度 D：畫龍點睛--突出洞察信息的標識 整本書框架也是如此，第一章介紹了商業數據可視化原則，第二至五章圍繞着GLAD原則來講。 商業數據可視化的目標是幫助決策者快速決策，可視化扮演了兩個重要的角色：探索性數據分析和解釋性數據分析。 而G原則是在探索性數據分析中着重提升圖表的商業價值，LAD原則則是在解釋性數據分析中幫助讀者加快理解信息的速度。 因此，第二章的G原則內容是最多最難的。因爲我們要從海量的數據中去找出好的數據和好的洞察，是非常考驗人的。 什麼是好數據呢？要注意類別和度量的選擇。 什麼是好洞察呢？探索性數據分析主要劃分爲四類：描述（what）、診斷（why）、預測（what）、指導（how），分別解決相應的問題。判斷洞察的好壞，則可以看看它解決了哪個層次的問題。 在這一章的內容學到了很多，比如類別的選擇問題，作者提到了分類錯誤的場景，分類不夠公平，就會導致結論可信度不高、扭曲事實。我覺得分類是一個很難的部分，在目前的工作場景中用的都是已經分類好的類別了，但讓我自己去劃分這個類別，我就會覺得無從下手。還有度量中絕對值和相對值的使用，時間段與時間點指標的使用。最讓我印象深刻的是作者舉的例子，採購量如果使用絕對值來統計，則只能看到採購量變化如何，但無法回答採購工作質量如何，但是採用相對值來展示，則可以回答這個問題。圖表所選擇的維度和指標都很重要。 而在分析的四個層次中，我目前主要在做的就是最基礎的描述性分析，這裏也讓我看到了自己的很多問題，我總是直接把數據展示出來，卻沒給出相應的觀點，而作者通過給出相應的說明，加入自己的觀點和分析結論，改良後的圖確實更具有商業價值。 要發現好的洞察確實挺不容易的，自己要先明確自己要回答的問題是什麼？然後一步步探索，橫向縱向對比，結合業務，最終得出結論。 而第三至第五章的內容是比較簡單的，第三章的L原則降噪，告訴我們要如何剔除多餘的東西，把複雜的事情簡單化。減少不必要的元素（渲染等藝術效果、沒有意義的多種顏色...），讓圖表更專注在明確的信息。使用較少的色系並充分利用漸變，這個還是蠻好用的。 第四章的A原則精準表達，則告訴了我們圖形元素的準確度、數據的密度、顯示效果的準確度等內容。都很實用！其中的條形圖必須從0開始，而折線圖則不用從0開始，感覺很有道理。因爲條形圖通過長度來比較數據，非零起點的條形圖視覺效果會導致實際數據的差異被誇大。而折現圖主要是比較趨勢，非0起點能夠強調突出趨勢的變化。 第五章D原則畫龍點睛，則介紹了利用不同的顏色、形狀、文字標註等區別顯示洞察信息的內容，能夠加快信息的理解速度。 總的來說，讀完這本書收穫挺多的，讓我看到了平時自己常犯的一些錯誤，比如我真的就是在文字部分重複圖表上的數字，然後直接把未經提煉的探索性分析內容直接給領導看。自己以前也會糾結要放哪些內容，讀完後有了更清楚的認識，自己要回答什麼問題？ 後面圍繞着圖表設計的這幾章內容也很實用。 具有商業價值的數據和洞察+簡潔、準確、突出洞察的圖表=成功的商業數據可視化 還是推薦一讀的！

好書推薦🌟🌟🌟🌟🌟 這是一本討論數據可視化思維的書，在討論數據可視化前，我們不妨先想想：爲什麼需要數據可視化呢？答案就是提高決策者獲取信息的效率，加快其商業決策的速度。 那麼好的數據可視化圖表應該是怎樣的呢？ 書中提到，好的圖表應該符合GLAD原則 G原則主要談論兩點: 1.好的數據是可視化的基礎:從商業數據的角度，可以拆分爲數據指標和數據維度，在可視化過程中我們應該注意使用數據的維度是否遺漏，重複等，數據指標是絕對指標還是相對指標，時間點指標還是時間段指標。 2.好的圖表應該是要提供商業價值： 這裏的商業價值從數據分析角度來說，你的圖表回答的是描述現狀的是什麼，解釋原因的爲什麼，預測未來的會怎樣，提供指導意見的怎麼辦中哪一類的問題？數據洞察層次越深，其商業價值也就越大 G原則提到的好的數據，具有商業價值是一張圖表最基本也是最重要的部分，好的數據是基礎，決定了你圖表的可信度。而是否具有商業價值，決定了這張表應不應該出現在你的報告中，決策者有沒有必要去閱讀。 當我們有了好的基礎數據，以及具有商業價值的數據洞察時，該怎樣讓這些信息更容易讓決策者接收到呢？ 書中提到了LAD原則， L原則：降低你圖表中的噪音，這裏的噪音指的是和你想傳遞的價值，數據信息相關性不高的內容，比如文本，註釋類即使刪除後也不會影響你傳遞的內容。提高你數據圖表的信噪比 A原則：精準表達你想傳遞的信息，文中提到了兩點，一是合適的圖表，各類圖表元素信息對傳遞的數據準確性是有差異的，二是圖表中的數據密度問題，應避免造成信息過載 D原則：畫龍點睛，討論的是可以通過圖表的標題，趨勢線，合理位置的註釋等高效的傳遞我們想傳遞的重點內容 以上就是本書的內容啦，書中以GLAD命名了好的圖表應該遵守的準則，閱讀後，我覺得我更想把準則間的順序位置變換一下，以GALD命名，以好的數據基礎和洞察爲前提，合適的展現方式次之，最後纔是降噪和畫龍點睛。 畢竟有價值的東西，由於錯誤的展現方式，讓接收者會錯了意，是可惜的。

這本書適合你能夠熟練繪製出各種圖表 但在精進可視化途中頗爲迷茫時看 是經歷了無所不能張狂後 猛然發現還有很多不足 陷入了迷茫細節 此時看 有種撥雲見月茅塞頓開的快感！！！ 商業圖表 務必需要滿足【提供足夠的商業價值】和【幫助讀者快速理解信息】兩個基礎功能 在此基礎上再談炫技 如何達成基礎功能 需遵循GLAD數據選擇（這是本書牛逼之處，把精髓凝鍊） Good 高質量的數據：數據需準確，好的分類，好的度量值 Less圖表捨棄一切"噪音"：放棄特效；圖表顏色不要使用太多；惜字如金；刪除不必要的元素 Accurate圖表要準確表達：合適的數據密度(一般情況下不要超過4) 一張圖表的數據密度=類別的數量+度量指標的數量 『可視化領域沒有絕對的答案，數據顯示過於精確會浪費不必要的閱讀精力，過於粗糙又可能回答不了讀者的問題。掌握準確（Accurate）原則就是要做到張弛有度』 Distinct圖表要展示獨特的洞察 題目不要再是平平無奇的“XXX圖”（這一點公衆號網易數讀的圖表頗有借鑑作用）：可以通過繪製神奇的線繪製神奇線（水平線，趨勢線，劃分區間線），在圖裏合適位置添加註解實現 最後 Good Data and Insight 具有商業價值的數據和洞察(目標 提升商業價值) + Chart with Less簡潔 Noise Accurate準確 Expression Distinct洞察 Mark(目標 加快理解信息) ＝ Glad to See Data 20206年度讀完的第8本書

畢業後做了戰略規劃工作，通過這本書也是把數據分析的一些關鍵點和細節點給穿起來了，這本書對初入職場的同學幫助會很大，推薦閱讀此書，隨着工作閱歷的增加會常讀常新。 G：所有的分析都要有數據源的基礎，有良好且完備的數據源才能支撐分析及驗證，在這裏要對數據做探索性分析，全面地從粗到細一層層去分析，找到關鍵的結論點即好的洞見，這一點是體現思維非常重要的點，有些人總是能發現一些關鍵點，底層邏輯就是思維模式 L：在得出結論之後，要做解釋性分析，要用極簡的思維將要表達的觀點及結論表達出來（包含邏輯），在這裏要做到一圖勝千言，要站在“客戶”的角度去思考問題，如何能讓我們的表達更清晰，少即是多，每一個點都要思考下想要說明什麼，如果沒有明確的要說明的觀點或者說明的觀點和想要表達的觀點不強相關就刪掉 A：準確地選擇使用的圖表和文字，瞄準目標把想要表達的意思準確地表達出來 D：畫龍點睛，把想要點的睛差異化（顏色、線條、形狀等）

整體上說也算是一本比較值得閱讀的書了，雖然也有一些硬傷， 第一，過於強調GLAD原則了。書裏開頭講了，用的就是PPT和word文本，所以減少工具，聚焦數據本身，這是很好的，但是書的內容，並沒有強調數據可視化，而是強調了原則和邏輯，所以，內容有些硬！ 第二，我來翻譯一下作者的這個原則，Glad原則，就是從數據的搜索，整理，分析，演示的過程。 G，就是你想證明你說的話，你得用什麼數據，比如。你想說你喫的多，你就用要用最近3月，每天喫多少的數據，如果增加對比值，就用運動座標，這樣就是好數據，你只講每天晚上喫幾個饅頭，所以。昨天晚上喫了幾個饅頭，是證明不了的。 L，降噪，翻譯過來你就是數據篩選，只選對自己有利的，其他的瞎扯的就別用，這裏就一個問題，如果你是演講的內容，那就是精煉最好，但是，如果你是內部論證，那數據是越充分越好。 A，表達清晰，這其實和第一個好數據是有關係的，你到底是說明什麼？你想用來做什麼，陳述，決策，演講，論證，目的不一樣。表達方式也不一樣。 最後就是D. 選擇方式，美觀，對比，表達效果等等問題。不同的場合，用不同的方式。

本書內容對有統計學基礎、數據分析從業者而言整體深度中等，但沉澱了不少可落地複用的實操經驗，核心梳理如下： 一、GLAD原則的拓展應用場景 GLAD原則不只用於圖表製作，還可遷移至商業報告撰寫、工作總結輸出兩類高頻工作： 1. LAD維度：藉助降噪、提升數據墨水比、精準措辭、關鍵標記等方法，強化信息傳遞效率； 2. G維度：從原始數據裏提煉商業洞察，爲業務決策提供支撐。 二、基於GLAD原則搭建圖表質量評分體系（總分 10 分，逐項對標優化） 1. 數據分析層級（3分） • 描述型分析：1分 • 診斷/預測型分析：2分 • 策略指導型分析：3分 2. 數據有效性：能否解答業務問題（1分） ① 類別指標遵循MECE原則； ② 度量指標用法規範：區分時間點/時間段指標、絕對指標/相對指標。 3. 色彩與字體規範性（1分） 規避特效、多字體混搭、過多配色、藝術時尚字體等影響閱讀的設計。 4. 輔助信息潔淨度：無冗餘噪聲（1分） 覈查標題、座標軸標題、腳註、軸標籤等配套信息，刪減無效干擾內容。 5. 數據密度合理性（1分） 數據密度=類別數量+度量指標數量 • 低密度（1類別+1度量）：餅圖、樹狀圖、雷達圖、漏斗圖，信息承載有限； • 最優密度（2類別+1度量）：條形圖（堆積/百分比堆積條形圖）、折線圖、面積圖、熱力圖，閱讀友好； • 高密度（1類別+多度量）：氣泡圖、組合圖、雙軸圖，讀者負擔重； 👉優化方案：降維拆分多張小圖、座標軸換算爲百分比降低理解成本； 👉通用標準：建議數據密度≤4。 6. 圖形元素準確度（1分） • 高精度：依靠長度/高度、座標軸位置映射數值，如條形圖、折線圖； • 低精度：依靠角度、面積、顏色深淺映射數值，如餅圖、樹狀圖、氣泡圖、熱力圖。 7. 數據顯示是否存在畸變或失真（1 分） 畸變因子 = 以圖形顯示的效果大小/實際數據的效果大小 例如：條形圖的縱座標需從 0 開始。 8. 洞察顯性化標識（1分） 可添加水平/垂直參考線、趨勢線標註變化；用配色做重點對比，搭配文字批註解讀核心結論。 補充：只有深度理解業務的前提，才能做好可視化的頂層設計；不然就會落到第四象限，徒有其表，沒有內容。 日常多看優秀案例，並在日常工作中應用起來，才能更好地掌握這套方法論💪

這本書的價值就如同作者所推崇的一樣，簡潔、精準，另加上作者精心配置的圖例和實例，真是一本好書！ 看完，一定要保存的兩張圖：GLAD原則、GLAD評分標準 1、GLAD原則： （1）G--Good Data and Insight--圖表的靈魂，發現好數據與好洞察 目標：提升商業價值 可視化應用：探索性數據分析 判斷性思考問題：數據使用是否恰當？啓發、回答、解決了哪個層次的問題？ 評價指標：4個層次--描述、診斷、預測、指導 （2）L--Less Noise--降噪，簡潔設計 目標：加快理解信息 可視化應用：解釋性數據分析 判斷性思考問題：是否有明顯的“降噪”空間？ 評價指標：信噪比（數據墨水比） （3）A--Accurate Expression--精準表達，提升數據表達的準確度 目標：加快理解信息 可視化應用：解釋性數據分析 判斷性思考問題：數據信息表達是否準確？ 評價指標：圖形元素精確度、數據密度、顯示效果的精確度（畸變因子） （4）D--Distinct Mark--畫龍點睛，突出洞察信息的標識 目標：加快理解信息 可視化應用：解釋性數據分析 判斷性思考問題：是否有突出洞察的標識？ 評價指標：15秒法則 2、GLAD評分標準--滿分10分 （1）G 數據是否恰當？--1分 洞察在哪個層次?--描述1分、診斷&預測2分、指導3分 （1）L 特效/顏色/字體是否有明顯“噪聲”？--1分 輔助信息（文字/標籤/圖例/標尺等）是否有明顯“噪聲”？--1分 （1）A 圖形元素的精確度是否過低？--1分 數據密度是否合適？--1分 數據顯示效果是否準確？--1分 （1）D 是否有突出洞察的標識？--1分

這本書對於基礎數據分析經驗較少、崗位較爲基礎的“小朋友”來看，是可以在半天時間內獲得提升要點的一本讀物；而對於已經從事數年的分析師來說，更多的是瀏覽性的“溫故知新”，甚至說在項目實踐中每個顧問都有自己個性化的見解和更好的解決方案。總而言之，本書是一本介紹數據分析相對“淺顯方法論”的小小讀物，推薦以瀏覽-停頓的方式來看，閱讀時間不超過1天。

2022年第五本書 年前一直在看，算是迄今爲止我看到講可視化最好的書之一，因爲他介紹了體系化的可視化方法論，注意不是戰術技巧。 戰術問題現在很多人很多書寫了很多，但是在實際工作中，價值意義不大，也很難上手。 方法論這種東西呢，引導我們按照從體系化的思想中找到方法。可視化這個領域中之前一直缺失，過去的一段時間，也一直使用的是一張指導圖來解決問題。但是做出來的東西沒有解決閱讀者和製作者雙重困惑。好在這本書還是系統性的去解決了這些問題。 好不好看在其次，商業分析領域的圖表，首先是精準傳達內容，快速傳達內容。以前我們認爲這不需要複雜的訓練。但其實是需要的。工具越來越多，形式越來越酷炫，商業分析本源的命題，其實一直不變，也並不需要你用什麼先進的工具技術來表達。 關鍵在於合適的方法，你能否把關鍵信息和分析呈現給你的用戶。

在出差的路上陸陸續續讀完本書，在平時的工作中常常需要準備ppt，常會整理各類可視化圖表，這本書給出了在準備可視化圖表過程中的很多重要原則，是本非常好的工具書。1.目的——實現快速決策：數據分析的目的是幫助決策者做出具有商業價值的決策，商業數據可視化就是通過分佈、趨勢、關係以及異常點等的展示，幫助決策者實現快速決策。2.常識——MECE原則（Mutually Exclusive Collectively Exhaustive）：不重疊、不遺漏。3.方法——GLAD原則：由四個短語的開頭首字母構成：Good Data and Insight, Less Noise, Accurate Expression, Distinct Mark4.Tips：a. 治療圖表選擇恐懼症的良方——永遠把條形和折線放在首選項上；b. 最好的學習方法是到業務中鍛鍊，讓自己設身處地地站在業務的角度，再結合具體的情況，思考如何提升對數據的敏感度；c. 輸出一張好圖表的難點在於它需要製作者擁有三種能力：數據洞察能力、圖表設計能力、工具使用能力；d. 如果是以演講的形式，PPT內容可以精簡化，更多側重在降噪原則的應用上，儘可能降低一張圖表的數據密度（我們在演講的過程中有充足的機會對圖表做解釋並回答讀者的疑問，應避免圖表佔用太多讀者的理解時間）；e. 如果是以書面報告的形式，可在一定程度上增加數據密度，而且配合更詳細的文字解釋和輔助說明以應對讀者可能會想到的問題。f.可視化領域沒有絕對的答案，數據顯示過於精確會浪費不必要的閱讀精力，過於粗糙又可能回答不了讀者的問題。掌握準確（Accurate）原則就是要做到張弛有度；g.一張圖表的數據密度=類別的數量+度量指標的數量，一般情況不要超過4（1個類別3個度量或2個類別2個度量），因爲一張4以上數據密度的圖表很可能意味着讀者既要分辨圖形又要分辨顏色。