数据可视化怎么做，先从一个问题开始。图表要帮助读者看懂这个问题，并据此做出判断，类型和交互都应当从任务倒推。很多看板做完没人用，原因常出在第一步，问题还没有写清，团队就先打开了图表库。图表选择只是看板设计的一步，指标结构和页面布局需要先定下来。
这篇文章给出一条可操作的顺序，先写问题，再判断数据关系，然后选图、设计交互，最后用检查表排除误读。趋势、比较、构成、分布和关联是最常见的几类任务，下面按这个顺序展开。
先写清问题，再打开图表库
选图之前，先用一句话写清这张图要回答什么。可以套用这个句式，让谁在什么场景下，看出哪个对象的什么关系，并决定采取什么动作。
- 运营负责人周一复盘时，要看出本周新用户次日留存相对上周的变化，决定是否排查渠道。
- 渠道投放人员要比较各渠道的新客成本，决定预算往哪里挪。
- 数据分析师要判断首局时长与次日留存是否存在关联，决定是否设计进一步实验。
这三句话对应趋势、比较和关联三种任务，图表类型从这里开始分叉。
读者也要提前确认。给管理层看的总览，和给一线运营排查问题的明细，信息密度不同。英国皇家统计学会的数据可视化指南建议，在设计前先明确图的用途、要发现什么、读者是谁。这个顺序能避免把展示型大屏和分析型看板做成同一种东西。
数据可视化选图，先判断分析问题
金融时报可视化团队整理的 Visual Vocabulary 按数据关系组织图表，包括偏差、相关、随时间变化、排序、分布、部分与整体、量级、地理和流向。实际工作中，先判断关系，再看类别数量、时间跨度和读者熟悉度，图表就有了起点。
图 1：趋势、比较、构成和关联各有更适合的图形，先判断关系再选图。
| 分析问题 | 首选图表 | 适用条件 | 需要留意 |
|---|---|---|---|
| 时间趋势 | 折线图、柱状图 | 时间间隔相对稳定，关注连续变化 | 多条线控制在读者能分辨的数量内；不同量纲不要硬放在同一纵轴 |
| 类别比较与排序 | 条形图、柱状图 | 比较不同渠道、地区、版本的同一指标 | 类别多或名称长时用横向条形图；柱形图的纵轴要从 0 开始 |
| 部分与整体 | 堆叠条形图、百分比堆叠条形图、饼图 | 关注构成和占比，类别不宜过多 | 饼图适合少量类别的粗略占比，不适合比较相近的扇形 |
| 分布 | 直方图、箱线图 | 关注数值集中在哪、尾部长不长、是否存在异常值 | 说明样本量和分箱方式；样本太少时不要下分布结论 |
| 相关 | 散点图、气泡图 | 两个连续变量是否同向变化，或加入第三个变量 | 相关不等于因果；点太密时考虑抽样、透明度或分面 |
| 偏差 | 发散条形图、子弹图 | 与目标、基线或长期均值比较 | 参考点必须写清；正负方向和颜色要一致 |
| 地理与流向 | 分级统计地图、桑基图 | 位置或流动路径本身就是问题的一部分 | 地图上优先展示比率；面积大小会放大视觉差异 |
这张表只提供起点。类别数量、标签长度、数据范围和读者经验都会改变选择。
比较类任务通常优先条形图。长度和位置比面积、角度更容易判断，类别多或名称长时，横向条形图还能让标签完整显示。饼图可以表达部分与整体，类别多或扇形接近时，读者很难准确比较，改用百分比堆叠条形图更稳。
同一组数据，换一个关系就要换图
以退款率为例。运营手上有渠道、订单数、退款数、客单价和下单时间等字段。问题不同，图也不同。
| 问题 | 图表 | 读者动作 |
|---|---|---|
| 哪个渠道退款率最高 | 排序条形图 | 找出异常渠道 |
| 退款率这三个月怎么变化 | 折线图 | 看趋势和拐点 |
| 退款主要集中在哪些订单金额区间 | 直方图 | 看分布和尾部 |
| 退款率与客单价有没有关系 | 散点图 | 形成假设，等待验证 |
| 各渠道退款订单占全部退款的比例 | 堆叠条形图 | 看构成 |
这张小表说明，字段本身不决定图表。分析问题决定关系，关系决定图表。图表标题也要跟着问题走。只写退款率，读者还要自己找重点。标题可以直接写成结论，副标题再交代范围、样本量和筛选条件。
数据可视化的交互，把下一个问题留在图里
静态图回答第一个问题，交互图承接后面的追问。Shneiderman 提出的视觉信息检索顺序是，先给总览，再缩放和筛选，最后按需查看明细。这个顺序适合大多数分析看板。
先总览，再筛选，然后下钻，最后看明细。 交互可以按这个顺序分成四层。
| 交互 | 回答的问题 | 设计要点 |
|---|---|---|
| 总览 | 整体有没有异常 | 首屏只放关键指标、趋势和最重要的一个拆分；让读者先知道范围 |
| 筛选 | 我想只看某个渠道、版本或时间段 | 标明作用范围，显示当前生效条件，提供清除入口；全局筛选和局部筛选不要混用 |
| 联动 | 选中一个异常后，其他图能不能一起缩小范围 | 只在共享同一数据模型和维度时开启；保留选中状态，允许取消 |
| 下钻 | 这个异常由哪一层造成 | 下钻依赖清楚的层级，比如区域到城市、版本到子版本；保留时间、指标和原筛选条件，并提供返回路径 |
Microsoft 的 Power BI 文档把下钻和钻取分开。下钻是在同一张图里沿层级看细节，钻取是跳到另一张页面并带上筛选条件。两种动作都合理，界面上要让读者一眼分清，避免同一个点击在不同图表里变成不同含义。
交互数量要克制。每个交互都会增加理解成本，读者需要知道点了会发生什么、当前在看哪一层、怎么回到上一屏。一个图表如果只需要一种主要动作，直接把按钮写成查看城市分布或查看订单明细，通常比藏一个模式开关更清楚。
操作反馈也要及时。筛选或下钻之后，结果应当立即更新，标题和条件同步变化。否则读者会怀疑选择没有生效，或者不知道自己正在看哪一段数据。
运营场景，留存下降时图表怎么排
下面用一组演示数据说明选图顺序。某 App 新用户次日留存从 32% 降到 27%，团队要判断这是整体波动，还是某个渠道、版本或行为环节出了问题。数据为演示用途，不代表真实业务结果。
| 排查问题 | 图表 | 交互 | 误读风险 |
|---|---|---|---|
| 整体是否真的下降 | 按安装日期绘制的折线图，叠加 7 日移动平均和版本更新时间 | 选择时间范围，查看周内波动 | 只看两天变化，忽略周内差异；把版本上线时间当成唯一原因 |
| 哪些渠道和版本下降更多 | 按偏差排序的条形图或分组条形图 | 点击渠道，联动其他图表 | 只看留存最低的渠道，不看样本量；小样本渠道波动大 |
| 用户卡在哪个行为环节 | 新用户激活漏斗 | 点击漏斗步骤，筛选其他图 | 漏斗步骤定义变化，前后口径不一致；把相关步骤当成因果 |
| 是全局问题还是某个批次问题 | 按安装日期分组的同期群热力图 | 选择批次，查看第 1 日到第 7 日留存 | 颜色深浅受分组数量影响；不同批次样本差异未说明 |
| 哪些行为与留存同时变化 | 首局时长与次日留存的散点图，按渠道着色 | 框选异常点，查看对应分群 | 把相关写成因果；点重叠严重时看不清密度 |
| 具体是哪些用户或订单 | 聚合表格或脱敏明细 | 从图表下钻到名单，保留筛选条件 | 小样本可反推个人；返回后筛选条件丢失 |
这组图的主线是先总览，再拆分，再进入行为与人群，最后形成假设。交互跟着问题走，不跟着页面美观走。其中同期群热力图可以用同期群分析的方法组织批次和观察窗口，避免把不同安装日期的用户混在一起比较。
页面布局可以按这个顺序排。顶部放时间、渠道、版本三个全局筛选和核心指标；中部左侧放趋势，右侧放渠道偏差；下方放漏斗、同期群和散点。点击渠道后，其他图同步过滤；点击漏斗步骤后，同期群只显示该步骤人群；从异常点进入明细时，保留筛选条件和返回入口。
展示大屏和分析看板的目标不同。展示大屏让多人远距离快速了解总体情况，重点是稳定和少操作；分析看板给具体角色追问题，允许筛选、联动和下钻。两者混在一起，容易出现图表很多但没人能完成一次排查的情况。
图表做对了，为什么还是被误读
选图只完成一半。坐标轴、单位、样本和措辞，都会改变读者得出的结论。
| 检查项 | 常见问题 | 修正方式 |
|---|---|---|
| 基线 | 柱形图纵轴不从 0 开始，差距被放大 | 柱形图和条形图从 0 开始；折线图可以截断，但要明确标注并说明原因 |
| 单位与口径 | 百分比、绝对值、日均和累计混用 | 标题和副标题写清指标定义、时间范围、分母和时区 |
| 双轴 | 两条线的坐标轴随意缩放，制造出同步变化的印象 | 能拆成两张图就拆开；必须同图时标清两个轴的单位和范围，并说明为什么放在一起 |
| 颜色 | 用彩虹色表示有序数值，或颜色过多 | 有序数据用单色渐变，正负偏差用发散色，类别颜色控制数量并检查色盲可读性 |
| 汇总 | 对平均值再求平均，或忽略缺失值 | 回到原始分布和样本量；说明缺失值处理方式 |
| 相关与因果 | 散点图显示同向变化，标题写成导致 | 用相关、同时出现、值得进一步验证等表述；因果需要实验或更强的研究设计 |
| 小样本 | 几个用户的变化被当成整体趋势 | 显示样本量；样本太小时只做观察，不下结论 |
| 排序 | 类别按字母或原始顺序排列，读者难以比较 | 没有自然顺序时按数值排序，突出异常项 |
| 注释 | 图上有异常点，但没有解释 | 标出上线、活动、口径变更等已知事件；未知原因就写未知 |
金融时报的 Visual Vocabulary 特别提醒，展示两个变量的关系时，除非明确说明，很多读者会默认两者存在因果关系。图表标题和注释要主动阻止这种误读。
还有一条容易忽略，图表标题应当帮助读者得出结论。只写渠道退款率，读者还要自己找重点；写成某渠道退款率连续三周高于其他渠道，读者一眼能看到异常，再决定是否下钻。
AI 能自动选图，问题仍要人来定
AI 可以根据字段类型和分析意图推荐图表，也能根据自然语言问题生成图、做归因和继续追问。它适合处理问题多、重复性高的日常分析，比如按渠道拆分留存、找出转化漏斗中降幅最大的步骤、对异常指标做初步归因。
选图仍然需要人的判断。业务目标、读者的图表阅读能力、指标口径是否一致、样本是否足够、结论能不能用于决策，这些信息不在字段里。AI 给出的图也要经过同一套误读检查。
ThinkingAI 的数据分析 Agent把自然语言问数、归因和图表生成放在一条分析链路里，支持多轮追问；复杂任务可以交给多个 Agent 协作。它适合业务人员自己先把问题问出来，再把需要深挖的部分交给分析师。使用前要把指标定义、数据权限和数据质量治理好，否则生成速度越快，口径分歧也会被放大。
如果团队还没有统一指标口径，先补指标定义和语义层，再谈自动出图。图表解决的是表达问题，数据口径解决的是信任问题。
常见问题
数据可视化的第一步是什么？
写清图要回答的问题和读者要做的动作。问题不清，图表越复杂越难达成一致。
饼图还能用吗？
能。它适合少量类别的部分与整体，读者只需要粗略判断占比时。类别多、扇形接近或需要精确比较时，改用条形图或百分比堆叠条形图。
双轴图什么时候可以用？
两个指标单位不同、又必须共享同一时间轴时可以考虑。两个纵轴都要标清单位和范围，并在标题或注释里说明为什么放在一起。只想比较趋势时，拆成两张小图通常更清楚。
看板交互越多越好吗？
交互应当对应真实的追问。总览、筛选、联动、下钻各解决一类问题，超出读者任务范围的交互会增加学习成本。每个交互都要有明确的状态提示和返回路径。
图表选对了，读者还是看不懂怎么办？
先检查标题有没有写出结论，副标题有没有交代范围、单位和样本，再看坐标轴、排序和颜色是否干扰判断。还可以找一位不熟悉数据的同事试读，观察他能否在十秒内说出图表的重点。
AI 自动生成图表可靠吗？
可以作为起点。AI 擅长根据问题生成初稿和继续追问，事实与口径仍要人工核对。涉及因果、排名、效果承诺时，要有可复核的数据和实验设计。
参考资料
- Financial Times Visual Vocabulary，https://github.com/Financial-Times/chart-doctor/blob/main/visual-vocabulary/README.md
- Royal Statistical Society，Choosing a visualisation type，https://royal-statistical-society.github.io/datavisguide/docs/choosing.html
- Ben Shneiderman，The Eyes Have It: Understanding Information Visualization，http://www.codata.info/archives/1997/1997Vis/key5.htm
- Microsoft Learn，Drill mode in a visual in Power BI，https://learn.microsoft.com/en-us/power-bi/explore-reports/end-user-drill
