字不如表，表不如圖，優秀的數據可視化往往能對復雜的數據起到點石成金的效果，不僅能讓數據更直觀易懂，還能幫助洞察數據內涵、輔助決策。

但就像做菜一樣，將未加工的食材處理成為可口的飯菜需要合適的方法和火候，將原始復雜的數據用圖表的方式精妙呈現也需要正確的工具和技巧，不然一不小心可能就會成為“黑暗料理”，讓受眾不知所云，甚至會誤導判斷。

比如路透社在2014年發布的《21世紀初槍支死亡人數統計圖》就是一個誤導判斷的數據可視化的典型案例。

翻轉的Y軸使得讀者并沒有意識到21世紀初槍支死亡人數的明顯增長推動了《Stand Your Ground》立法的通過，而是錯誤的認為這項法律的通過的時間點剛好是在槍支死亡人數減少的時間段。

雖然我們并不清楚這個圖表中倒置的Y軸是因為想做一個獨特的設計，還是想通過這種方式引導讀者得出錯誤的結論，但不可否認的是，這種具有誤導性的圖表損害了路透社的品牌聲譽，由此可見，正確的數據可視化有多么重要。

要做好數據可視化，其流程相信大家已經十分清楚，無外乎四個步驟：獲取并梳理數據——明確可視化目標——選擇合適的形式——進行可視化布局以及設計。

但這四個步驟說起來容易，真正做起來卻可能發現，處處都可能出現踩坑預警。接下來我們就來給大家分享一下這四個步驟中的“坑”。

01、「數據」踩坑點

巧婦難為無米之炊，要做好數據可視化，獲取準確清晰的數據、并對其進行初步梳理，是做好數據可視化的重要前提。

數據可視化中的數據踩坑點主要有兩個：

一個是數據源方面。數據的有效性依賴于它的來源，保證數據源的清晰可靠是非常重要的，這個涉及到的主要是數據采集等環節，我們這里就不過多展開。
還有一個則是在數據處理方面。數據本身分散且復雜，我們做可視化的目的之一，就是將其梳理得直觀易懂，更方便用戶找到核心問題的答案。如果對數據信息不做篩選處理，而是直接堆在圖表上，這樣會造成用戶的注意力分散，很難獲取到有效信息。

比如下面這個和弦圖就是對于數據的堆積，讓人眼花繚亂，不利于數據的展示。

有時候數據量大、維度復雜，數據的處理本身可能就是一個復雜的工程。我們可以選用合適的工具來簡化這個過程。億信華辰的一站式數據分析工具億信ABI就是一個很好的輔助工具，它配置有ETL工具，通過簡單的拖拽式的流程設計，實現了數據抽取、清洗、轉換、裝載及調度。而且它能實現數據處理和數據分析的一體化，無需多套工具，直接就能實現數據處理和分析完美銜接。

02、「目標」踩坑點

數據可視化應該根據目標選擇圖表形式，而不是預設樣式然后往里導數據，這樣很容易造成圖表樣式的選擇和你想要表達的目標并不匹配。比如，要比較趨勢，折線圖就比柱狀圖更合適，比如，要表達占比，餅圖不一定比堆積柱狀圖好用。

不同數據如何選擇所使用的圖表類型可以參照Andrew Abela整理的圖表類型選擇指南。

?03、「形式」踩坑點

數據可視化=數據+可視化。數據可視化的一個常見誤區就是：過于重視其可視化的形式呈現，而忽略了去關注數據本身的含義。

新穎復雜的圖表確實可能會讓人眼前一亮，但一方面可能會造成用戶解讀困難，注意力被樣式所吸引，很難關注到其有效信息；另一方面，過度的樣式包裝對于信息的傳達并不會有加成效果，相反，如果仔細去看具體數據，就會發現這只是“虛有其表”。

如下圖，其實只需要表現一個度量，但是卻用了3D效果，扇面的高度不僅不能表現額外的信息，相反還會帶來不必要的遮擋和誤解。

04、「設計」踩坑點

設計往往是見仁見智，每個人的審美標準和主觀偏好都可能不太一樣。

但對于數據可視化來說，其設計的目標其實是比較明確的，即設計出可以被讀者輕松理解的數據展示，清晰明了是其第一要義。

我們可以看看上面這張美國發電廠的數據可視化圖，你能迅速地獲取到這張圖表想要表達的信息嗎？五花八門的形式和顏色，讓這個數據模型顯得非常難以讀懂。

在數據可視化的設計過程中，常見的踩坑點主要是兩個：形式過多和顏色過多。形式和顏色本身可以傳遞一定的信息，如果在一份圖表中采用了過多的形式板塊和色塊，容易占用用戶對圖表的分析時間，對于效率提升來說，會起到反作用。

優秀的可視化作品的顏色是具有條理性的，顏色一般不超過五種，結合我們想要表達的重點，有針對性地突出一到兩種顏色即可。
圖片9
05、小結

數據可視化需要以用戶為中心，我們在進行數據可視化的時候，要多站在用戶的角度考慮：用戶能看清楚我想表達的嗎？這個呈現能簡化他們數據接收的過程嗎？怎樣才能更好地滿足用戶的需求?……

把用戶體驗作為數據可視化的基礎，才能避免踩坑、賦能業務、幫助決策，從而更好地實現數據可視化的價值