数据可视化的三类场景与设计思路

提到“数据可视化”，很多设计师朋友首先想到的是丰富的图表类型、或酷炫或多彩的视觉样式，以及总览全局的兴奋体验。然而，实际工作中遇到的数据可视化项目，首要目的往往不是视觉上的美观，而是将有用的信息提炼和传达出来。而为了实现这个目的，第一步要做的就是区分数据可视化的三类场景。

数据可视化的起点

一个完整的数据可视化设计流程是怎样的呢？我在这里试做一个简单的归纳和经验总结：

很多数据可视化相关的资料，都把研究重点放在了“如何选择图表”、“图表应该如何设计”等更细节的问题上。然而所有这些问题实际上都基于第一个环节——场景分析。

数据可视化的起点是弄清我们需要“可视化”什么——数据从哪儿来、给谁看？我们能在多大的程度上掌握需要展示的数据？根据这个问题的回答，“数据可视化”产品主要可以划分成三种场景：

BI自助分析场景
统计信息展示场景
完全定制化场景

这三种场景中，我们对所展示数据的把控力是依次升高的，即我们越来越清楚需要展示的数据是什么内容、给谁看、目的是什么，更能针对具体的场景提供定制化的设计。而在把控力低的场景下，则需要更多地考虑通用性与兼容性。

场景一：BI自助分析场景

BI自助分析产品为用户提供了方便快捷的图表配置工具，用户可以链接自己的数据源、自定义图表并配置自己的仪表盘。这类产品是完全的“通用型工具”，用户制作报表的最终用途、数据类型、数据量级、用户配置图表的能力均是千差万别。

对于这类产品，要着重考虑通用型与兼容性，因为我们完全无法了解用户的数据情况是什么样的。例如，用户配置的饼图，其类目可能有几个至十几个不等，面对这种场景，我们必须同时兼容所有情况。一套有区分度的配色方案会很有帮助，同时，需要考虑到图例过多、需要翻页展示的情况。

BI自助分析产品最后的呈现效果往往不仅仅取决于设计师的努力，也与用户本身的数据处理能力、可视化知识、审美水平相关。而我们不仅要考虑到理想情况和常见情况，也要对“糟糕情况”进行一定的兼容，维持住“可用性”的底线。

场景二：统计信息展示场景

统计信息展示场景是工作中最长遇到的一种数据可视化场景，为具体场景设计的仪表盘、报表、数据大屏都可以归于此类。

与纯工具型的“BI自助分析场景”相比，在这种场景下我们对于展示的信息是什么、给谁看是有一定了解的，并且可以用自己的专业水平进行展示优化。例如，C端产品中常见的“年度盘点”H5页，我们可以深入思考哪些数据对用户是有意义的——如何用累加的数据唤起用户的成就感？如何用细节信息和用户建立私密的情感关系？我们是可以通过选取合适的数据，来提升产品价值的。

与已知所有数据信息的“完全定制化场景”相比，统计信息展示场景仍有许多意料之外的问题，需要特别注意。例如，在用饼图展示分类占比的场景下，视觉设计稿中那种优雅又宽绰有馀的理想情况在实际中反而是并不多见的。

这时候就要从实际场景出发。如果业务场景中，饼图类目个数多、类目之间占比分布不均是常见情况，就要专门针对这种令人头痛的情况做处理了。“网易有钱”作为一款记账类app，为用户提供了收入支出占比统计的功能，支出类目显然是五花八门且分布不均的，那么饼图展示的时候就要对这个场景进行优化了。饼图+列表的组合方式是一种不错的方案：

类似的，bilibili视频网站在向内容提供者展示视频收入来源时，也使用了饼图+列表的形式，来兼容类目占比分布不均的情形。

场景三：完全定制化场景

在完全定制化场景中，我们为已知的数据定制可视化展示，这种情况其实已经属于信息图形化（Infographic）了。此时我们对数据具有完全的把控力，不需要担心兼容极端情况的问题，但对于信息传达与视觉表现力的要求就更高了。

完全定制化图表展示的一个经典案例是南丁格尔玫瑰图。现代护理学奠基人弗罗伦斯·南丁格尔在克里米亚战区护理英军伤员时，发现战区卫生条件恶劣，绝大多数伤亡来自感染而非战争本身。南丁格尔用可视化的形式向英国政府反应这一令人心惊的情况，并成功地说服了英政府改善战地医院的医疗条件，使伤兵的死亡率从42%降低到了2.2%。