01前言

“Claire，我來公司3個月了，你是第一個給我講清楚這些圖表到底是干什么的人。”

“Claire, where do you learn your presentation skills? You did a great job!”

“Your analysis and presentation is very insightful, Claire. I love the way how you presented the findings.”

以上來自我工作中同事、老板對我presentation的評價。在我近三年的數據分析生涯中，數據可視化和presentation一直是工作中的重要部分，present的對象包括但不限于公司內部技術和非技術人員、高管以及客戶中的高管。正是這些經驗的積累，本文我想針對“用數據說話”這一主題，分享給大家我踩過的坑和有效的用數據溝通的技巧，希望能幫你也在工作中清晰有效的呈現數據。

本文內容受眾不只限于數據分析師，因為事實上，不管是金融分析師、產品經理、項目經理、運營專員、市場營銷專員或是銷售經理，在工作中都或多或少需要向同事、老板、高管、或者客戶用數據來展示自己的業績/項目成果、公司的運行現狀或者客戶的需求滿足。眾所周知，數據讓你的statement（論據）更具說服力，量化結果也更容易讓人留下深刻印象。

但事情沒有那么簡單，現實是沒有良好的溝通表達，對方不一定完全理解你的意思，下面讓我們來看看如何“用數據說話”。

02有效數據化溝通的知識點

（一）上下文的重要性

一次好的數據化溝通要從介紹需求背景/上下文開始，比如本次meeting的目標是什么，誰提出了這個分析的需求，需求方想實現什么效果。再者，不同公司、環境、職級的人對同樣事物的認知和熟悉程度是不同的，比如說某公司第二季度revenue是$1M，很多人可能并沒有概念這個數字的大小、反映的業績好壞，但如果你加上與去年同期的對比、有沒有達到我們的預期（OKR），就會更容易被人理解。

（二）knowing your audience is key（了解你的聽眾）

通常情況下，對不同audience做的dashboard都是不同的，比如面向公司內部市場和銷售團隊使用的dashboard，他們希望分析盡量細節（granular），這樣他們可以選取對不同客戶有效的信息進行pitch（產品推銷）或者回答客戶關于一些細節指標的提問。但如果dashboard是面向客戶企業的非技術人員和C-level的高管來使用，就要更偏向戰略宏觀角度的分析，作圖尤其要注意簡單易懂，不僅一張圖不要放太多內容，也切忌堆砌圖表。

（三）a picture is worth a thousand words（一圖勝千言）

有效的圖表可以讓聽眾更好的記住你的結論，而一個好的圖是不需要使用者思考太多的。下面分享一個技巧和案例：

1. pre-attentive attributes。這是人類大腦對圖表處理的一種潛意識表現，比如顏色的不同、深淺，線的長寬大小、方向，形狀，2-D散點圖等。正是人類的這種信息處理特質，我們應該在數據可視化的時候利用起來，用這些特點來highlight我們想突出的insights。顏色最容易被人們觀察到，但不要使用過多顏色，會分散人們的注意力；盡量不使用傾斜的axis label，因為人們需要更多的時間來process，必要時使用縮寫；去掉圖表的邊框而選擇用空白來劃分邊界，因為邊框會吸引受眾的目光，而我們需要受眾的注意力在圖標的細節里。

2. 同樣的數據，目標不同，選取的圖表也應不同。比如我們有麥當勞不同地區不同月份的銷售額，如下表（fake data）。

當我想知道哪個地區哪個月銷售額最高，一個好的visualization是直接在上表highlight最大值，如下圖：

當我想知道哪些數據達到了每月$100K的銷售目標，用不同顏色的柱狀條形圖+目標水平線來展示。注：這里需要先unpivot上表。

（四）數據的粒度（granularity）

任何人都能給出一個數字化的結果，但是注意你數據的level of details/granularity 是保證你結果正確的重要前提。比如下表

同一個電影可能有多個類別，這里不同的類別被分在了不同行。如果要算每個制片廠制作電影的的平均票房，就不能只按制片廠group by算票房的avg，因為同一電影的票房數有重復計算，種類越多的電影，票房的加權也越重。正確的算法是先去重（de-duplicate），保證每個制片廠的每部電影只有一個票房紀錄，再按制片廠算票房平均值。

另外，這一點在你需要寫SQL進行table join的時候也尤為重要！

（五）actionable next steps

判斷自己數據化溝通的成效之一，是在meeting或者presentation的最后，看audience能否帶著你提供的insights進行一定的決策或者有清晰的下一步規劃，這才保證我們的溝通是有效并能解決實際的問題。

數據分析師在做dashboard時的好習慣

理解你要解決的問題。

先自己想想你需要什么樣的數據支持，再看你要從哪些database或者source table 中獲取數據。

然后寫SQL的時候，對你的結果有一個expectation， run出結果再和自己的expectation比較，起到verify你工作的效果。

數據分析師很重要的一個品質我愿稱之為skepticism （懷疑精神）。

很多時候當你看到一個奇怪的結果時（比如近三個月銷售額一直在下降），與其立馬投入業務分析，不如先去看看這個結果的生成用了哪些數據，進行了哪些數據轉化，可視化的操作對不對等等。

如果是數據源頭的問題（例如數據捕捉不完整），那就需要先把data pipeline的處理修正，再進行分析。

有時候你甚至會發現業務部門讓你做的分析還沒開始就結束了…

拿到數據后別急著畫圖，現實生活中已有的數據很可能不是你直接能用來可視化的數據，你需要進行一定的數據清理和數據轉化。

比如算消費者隨月份的平均訂單花費變化趨勢，你一方面要保證納入計算的數據中銷售量>0，另一方面可以觀察一下消費者平均訂單花費的分布，必要時去掉一些極端值，或者用quantile來表現趨勢而不是單一的平均值（易受極值影響）。

03總結

一個好的可視化報表（dashboard）還有很多細節需要注意，數據可視化作為“用數據說話”的重要工具，下一節我們會講更多的設計細節。