乐见数据：商业数据可视化思维

好的商业数据可视化：提供足够的商业价值&帮助读者快速理解信息。 作者围绕此给出了一条评价商业数据可视化图表的原则，那就是GLAD原则，乐见数据原则： G：图表的灵魂--发现好数据与好洞察 L：降噪--简洁设计 A：精准表达--提升数据表达的准确度 D：画龙点睛--突出洞察信息的标识 整本书框架也是如此，第一章介绍了商业数据可视化原则，第二至五章围绕着GLAD原则来讲。 商业数据可视化的目标是帮助决策者快速决策，可视化扮演了两个重要的角色：探索性数据分析和解释性数据分析。 而G原则是在探索性数据分析中着重提升图表的商业价值，LAD原则则是在解释性数据分析中帮助读者加快理解信息的速度。 因此，第二章的G原则内容是最多最难的。因为我们要从海量的数据中去找出好的数据和好的洞察，是非常考验人的。 什么是好数据呢？要注意类别和度量的选择。 什么是好洞察呢？探索性数据分析主要划分为四类：描述（what）、诊断（why）、预测（what）、指导（how），分别解决相应的问题。判断洞察的好坏，则可以看看它解决了哪个层次的问题。 在这一章的内容学到了很多，比如类别的选择问题，作者提到了分类错误的场景，分类不够公平，就会导致结论可信度不高、扭曲事实。我觉得分类是一个很难的部分，在目前的工作场景中用的都是已经分类好的类别了，但让我自己去划分这个类别，我就会觉得无从下手。还有度量中绝对值和相对值的使用，时间段与时间点指标的使用。最让我印象深刻的是作者举的例子，采购量如果使用绝对值来统计，则只能看到采购量变化如何，但无法回答采购工作质量如何，但是采用相对值来展示，则可以回答这个问题。图表所选择的维度和指标都很重要。 而在分析的四个层次中，我目前主要在做的就是最基础的描述性分析，这里也让我看到了自己的很多问题，我总是直接把数据展示出来，却没给出相应的观点，而作者通过给出相应的说明，加入自己的观点和分析结论，改良后的图确实更具有商业价值。 要发现好的洞察确实挺不容易的，自己要先明确自己要回答的问题是什么？然后一步步探索，横向纵向对比，结合业务，最终得出结论。 而第三至第五章的内容是比较简单的，第三章的L原则降噪，告诉我们要如何剔除多余的东西，把复杂的事情简单化。减少不必要的元素（渲染等艺术效果、没有意义的多种颜色...），让图表更专注在明确的信息。使用较少的色系并充分利用渐变，这个还是蛮好用的。 第四章的A原则精准表达，则告诉了我们图形元素的准确度、数据的密度、显示效果的准确度等内容。都很实用！其中的条形图必须从0开始，而折线图则不用从0开始，感觉很有道理。因为条形图通过长度来比较数据，非零起点的条形图视觉效果会导致实际数据的差异被夸大。而折现图主要是比较趋势，非0起点能够强调突出趋势的变化。 第五章D原则画龙点睛，则介绍了利用不同的颜色、形状、文字标注等区别显示洞察信息的内容，能够加快信息的理解速度。 总的来说，读完这本书收获挺多的，让我看到了平时自己常犯的一些错误，比如我真的就是在文字部分重复图表上的数字，然后直接把未经提炼的探索性分析内容直接给领导看。自己以前也会纠结要放哪些内容，读完后有了更清楚的认识，自己要回答什么问题？ 后面围绕着图表设计的这几章内容也很实用。 具有商业价值的数据和洞察+简洁、准确、突出洞察的图表=成功的商业数据可视化 还是推荐一读的！

好书推荐🌟🌟🌟🌟🌟 这是一本讨论数据可视化思维的书，在讨论数据可视化前，我们不妨先想想：为什么需要数据可视化呢？答案就是提高决策者获取信息的效率，加快其商业决策的速度。 那么好的数据可视化图表应该是怎样的呢？ 书中提到，好的图表应该符合GLAD原则 G原则主要谈论两点: 1.好的数据是可视化的基础:从商业数据的角度，可以拆分为数据指标和数据维度，在可视化过程中我们应该注意使用数据的维度是否遗漏，重复等，数据指标是绝对指标还是相对指标，时间点指标还是时间段指标。 2.好的图表应该是要提供商业价值： 这里的商业价值从数据分析角度来说，你的图表回答的是描述现状的是什么，解释原因的为什么，预测未来的会怎样，提供指导意见的怎么办中哪一类的问题？数据洞察层次越深，其商业价值也就越大 G原则提到的好的数据，具有商业价值是一张图表最基本也是最重要的部分，好的数据是基础，决定了你图表的可信度。而是否具有商业价值，决定了这张表应不应该出现在你的报告中，决策者有没有必要去阅读。 当我们有了好的基础数据，以及具有商业价值的数据洞察时，该怎样让这些信息更容易让决策者接收到呢？ 书中提到了LAD原则， L原则：降低你图表中的噪音，这里的噪音指的是和你想传递的价值，数据信息相关性不高的内容，比如文本，注释类即使删除后也不会影响你传递的内容。提高你数据图表的信噪比 A原则：精准表达你想传递的信息，文中提到了两点，一是合适的图表，各类图表元素信息对传递的数据准确性是有差异的，二是图表中的数据密度问题，应避免造成信息过载 D原则：画龙点睛，讨论的是可以通过图表的标题，趋势线，合理位置的注释等高效的传递我们想传递的重点内容 以上就是本书的内容啦，书中以GLAD命名了好的图表应该遵守的准则，阅读后，我觉得我更想把准则间的顺序位置变换一下，以GALD命名，以好的数据基础和洞察为前提，合适的展现方式次之，最后才是降噪和画龙点睛。 毕竟有价值的东西，由于错误的展现方式，让接收者会错了意，是可惜的。

这本书适合你能够熟练绘制出各种图表 但在精进可视化途中颇为迷茫时看 是经历了无所不能张狂后 猛然发现还有很多不足 陷入了迷茫细节 此时看 有种拨云见月茅塞顿开的快感！！！ 商业图表 务必需要满足【提供足够的商业价值】和【帮助读者快速理解信息】两个基础功能 在此基础上再谈炫技 如何达成基础功能 需遵循GLAD数据选择（这是本书牛逼之处，把精髓凝炼） Good 高质量的数据：数据需准确，好的分类，好的度量值 Less图表舍弃一切"噪音"：放弃特效；图表颜色不要使用太多；惜字如金；删除不必要的元素 Accurate图表要准确表达：合适的数据密度(一般情况下不要超过4) 一张图表的数据密度=类别的数量+度量指标的数量 『可视化领域没有绝对的答案，数据显示过于精确会浪费不必要的阅读精力，过于粗糙又可能回答不了读者的问题。掌握准确（Accurate）原则就是要做到张弛有度』 Distinct图表要展示独特的洞察 题目不要再是平平无奇的“XXX图”（这一点公众号网易数读的图表颇有借鉴作用）：可以通过绘制神奇的线绘制神奇线（水平线，趋势线，划分区间线），在图里合适位置添加注解实现 最后 Good Data and Insight 具有商业价值的数据和洞察(目标 提升商业价值) + Chart with Less简洁 Noise Accurate准确 Expression Distinct洞察 Mark(目标 加快理解信息) ＝ Glad to See Data 20206年度读完的第8本书

毕业后做了战略规划工作，通过这本书也是把数据分析的一些关键点和细节点给穿起来了，这本书对初入职场的同学帮助会很大，推荐阅读此书，随着工作阅历的增加会常读常新。 G：所有的分析都要有数据源的基础，有良好且完备的数据源才能支撑分析及验证，在这里要对数据做探索性分析，全面地从粗到细一层层去分析，找到关键的结论点即好的洞见，这一点是体现思维非常重要的点，有些人总是能发现一些关键点，底层逻辑就是思维模式 L：在得出结论之后，要做解释性分析，要用极简的思维将要表达的观点及结论表达出来（包含逻辑），在这里要做到一图胜千言，要站在“客户”的角度去思考问题，如何能让我们的表达更清晰，少即是多，每一个点都要思考下想要说明什么，如果没有明确的要说明的观点或者说明的观点和想要表达的观点不强相关就删掉 A：准确地选择使用的图表和文字，瞄准目标把想要表达的意思准确地表达出来 D：画龙点睛，把想要点的睛差异化（颜色、线条、形状等）

整体上说也算是一本比较值得阅读的书了，虽然也有一些硬伤， 第一，过于强调GLAD原则了。书里开头讲了，用的就是PPT和word文本，所以减少工具，聚焦数据本身，这是很好的，但是书的内容，并没有强调数据可视化，而是强调了原则和逻辑，所以，内容有些硬！ 第二，我来翻译一下作者的这个原则，Glad原则，就是从数据的搜索，整理，分析，演示的过程。 G，就是你想证明你说的话，你得用什么数据，比如。你想说你吃的多，你就用要用最近3月，每天吃多少的数据，如果增加对比值，就用运动坐标，这样就是好数据，你只讲每天晚上吃几个馒头，所以。昨天晚上吃了几个馒头，是证明不了的。 L，降噪，翻译过来你就是数据筛选，只选对自己有利的，其他的瞎扯的就别用，这里就一个问题，如果你是演讲的内容，那就是精炼最好，但是，如果你是内部论证，那数据是越充分越好。 A，表达清晰，这其实和第一个好数据是有关系的，你到底是说明什么？你想用来做什么，陈述，决策，演讲，论证，目的不一样。表达方式也不一样。 最后就是D. 选择方式，美观，对比，表达效果等等问题。不同的场合，用不同的方式。

本书内容对有统计学基础、数据分析从业者而言整体深度中等，但沉淀了不少可落地复用的实操经验，核心梳理如下： 一、GLAD原则的拓展应用场景 GLAD原则不只用于图表制作，还可迁移至商业报告撰写、工作总结输出两类高频工作： 1. LAD维度：借助降噪、提升数据墨水比、精准措辞、关键标记等方法，强化信息传递效率； 2. G维度：从原始数据里提炼商业洞察，为业务决策提供支撑。 二、基于GLAD原则搭建图表质量评分体系（总分 10 分，逐项对标优化） 1. 数据分析层级（3分） • 描述型分析：1分 • 诊断/预测型分析：2分 • 策略指导型分析：3分 2. 数据有效性：能否解答业务问题（1分） ① 类别指标遵循MECE原则； ② 度量指标用法规范：区分时间点/时间段指标、绝对指标/相对指标。 3. 色彩与字体规范性（1分） 规避特效、多字体混搭、过多配色、艺术时尚字体等影响阅读的设计。 4. 辅助信息洁净度：无冗余噪声（1分） 核查标题、坐标轴标题、脚注、轴标签等配套信息，删减无效干扰内容。 5. 数据密度合理性（1分） 数据密度=类别数量+度量指标数量 • 低密度（1类别+1度量）：饼图、树状图、雷达图、漏斗图，信息承载有限； • 最优密度（2类别+1度量）：条形图（堆积/百分比堆积条形图）、折线图、面积图、热力图，阅读友好； • 高密度（1类别+多度量）：气泡图、组合图、双轴图，读者负担重； 👉优化方案：降维拆分多张小图、坐标轴换算为百分比降低理解成本； 👉通用标准：建议数据密度≤4。 6. 图形元素准确度（1分） • 高精度：依靠长度/高度、坐标轴位置映射数值，如条形图、折线图； • 低精度：依靠角度、面积、颜色深浅映射数值，如饼图、树状图、气泡图、热力图。 7. 数据显示是否存在畸变或失真（1 分） 畸变因子 = 以图形显示的效果大小/实际数据的效果大小 例如：条形图的纵坐标需从 0 开始。 8. 洞察显性化标识（1分） 可添加水平/垂直参考线、趋势线标注变化；用配色做重点对比，搭配文字批注解读核心结论。 补充：只有深度理解业务的前提，才能做好可视化的顶层设计；不然就会落到第四象限，徒有其表，没有内容。 日常多看优秀案例，并在日常工作中应用起来，才能更好地掌握这套方法论💪

这本书的价值就如同作者所推崇的一样，简洁、精准，另加上作者精心配置的图例和实例，真是一本好书！ 看完，一定要保存的两张图：GLAD原则、GLAD评分标准 1、GLAD原则： （1）G--Good Data and Insight--图表的灵魂，发现好数据与好洞察 目标：提升商业价值 可视化应用：探索性数据分析 判断性思考问题：数据使用是否恰当？启发、回答、解决了哪个层次的问题？ 评价指标：4个层次--描述、诊断、预测、指导 （2）L--Less Noise--降噪，简洁设计 目标：加快理解信息 可视化应用：解释性数据分析 判断性思考问题：是否有明显的“降噪”空间？ 评价指标：信噪比（数据墨水比） （3）A--Accurate Expression--精准表达，提升数据表达的准确度 目标：加快理解信息 可视化应用：解释性数据分析 判断性思考问题：数据信息表达是否准确？ 评价指标：图形元素精确度、数据密度、显示效果的精确度（畸变因子） （4）D--Distinct Mark--画龙点睛，突出洞察信息的标识 目标：加快理解信息 可视化应用：解释性数据分析 判断性思考问题：是否有突出洞察的标识？ 评价指标：15秒法则 2、GLAD评分标准--满分10分 （1）G 数据是否恰当？--1分 洞察在哪个层次?--描述1分、诊断&预测2分、指导3分 （1）L 特效/颜色/字体是否有明显“噪声”？--1分 辅助信息（文字/标签/图例/标尺等）是否有明显“噪声”？--1分 （1）A 图形元素的精确度是否过低？--1分 数据密度是否合适？--1分 数据显示效果是否准确？--1分 （1）D 是否有突出洞察的标识？--1分

这本书对于基础数据分析经验较少、岗位较为基础的“小朋友”来看，是可以在半天时间内获得提升要点的一本读物；而对于已经从事数年的分析师来说，更多的是浏览性的“温故知新”，甚至说在项目实践中每个顾问都有自己个性化的见解和更好的解决方案。总而言之，本书是一本介绍数据分析相对“浅显方法论”的小小读物，推荐以浏览-停顿的方式来看，阅读时间不超过1天。

2022年第五本书 年前一直在看，算是迄今为止我看到讲可视化最好的书之一，因为他介绍了体系化的可视化方法论，注意不是战术技巧。 战术问题现在很多人很多书写了很多，但是在实际工作中，价值意义不大，也很难上手。 方法论这种东西呢，引导我们按照从体系化的思想中找到方法。可视化这个领域中之前一直缺失，过去的一段时间，也一直使用的是一张指导图来解决问题。但是做出来的东西没有解决阅读者和制作者双重困惑。好在这本书还是系统性的去解决了这些问题。 好不好看在其次，商业分析领域的图表，首先是精准传达内容，快速传达内容。以前我们认为这不需要复杂的训练。但其实是需要的。工具越来越多，形式越来越酷炫，商业分析本源的命题，其实一直不变，也并不需要你用什么先进的工具技术来表达。 关键在于合适的方法，你能否把关键信息和分析呈现给你的用户。

在出差的路上陆陆续续读完本书，在平时的工作中常常需要准备ppt，常会整理各类可视化图表，这本书给出了在准备可视化图表过程中的很多重要原则，是本非常好的工具书。1.目的——实现快速决策：数据分析的目的是帮助决策者做出具有商业价值的决策，商业数据可视化就是通过分布、趋势、关系以及异常点等的展示，帮助决策者实现快速决策。2.常识——MECE原则（Mutually Exclusive Collectively Exhaustive）：不重叠、不遗漏。3.方法——GLAD原则：由四个短语的开头首字母构成：Good Data and Insight, Less Noise, Accurate Expression, Distinct Mark4.Tips：a. 治疗图表选择恐惧症的良方——永远把条形和折线放在首选项上；b. 最好的学习方法是到业务中锻炼，让自己设身处地地站在业务的角度，再结合具体的情况，思考如何提升对数据的敏感度；c. 输出一张好图表的难点在于它需要制作者拥有三种能力：数据洞察能力、图表设计能力、工具使用能力；d. 如果是以演讲的形式，PPT内容可以精简化，更多侧重在降噪原则的应用上，尽可能降低一张图表的数据密度（我们在演讲的过程中有充足的机会对图表做解释并回答读者的疑问，应避免图表占用太多读者的理解时间）；e. 如果是以书面报告的形式，可在一定程度上增加数据密度，而且配合更详细的文字解释和辅助说明以应对读者可能会想到的问题。f.可视化领域没有绝对的答案，数据显示过于精确会浪费不必要的阅读精力，过于粗糙又可能回答不了读者的问题。掌握准确（Accurate）原则就是要做到张弛有度；g.一张图表的数据密度=类别的数量+度量指标的数量，一般情况不要超过4（1个类别3个度量或2个类别2个度量），因为一张4以上数据密度的图表很可能意味着读者既要分辨图形又要分辨颜色。