ThinkingAI Logo
返回博客列表

数据可视化简单案例:图表如何回答问题?

用三组教学示例数据演示比较、趋势和转化三类问题,讲清如何按问题选图、读图,并用标题、坐标轴、标注和结论检查图表有没有回答问题。

2026-11-208分钟
数据可视化简单案例:图表如何回答问题?

图表通过明确问题与统计口径、按比较、趋势或转化任务选择图形,并标出数值、参照和结论来回答问题。

例如,周一例会,运营同事投出一张七根柱子的图,说上周新增涨得不错。会议室里没人接话,因为看不出哪根柱子对应哪个渠道,也不知道该和谁比。这张图没能回答问题,原因出在做图之前:没有先写清要回答什么。

图表只是其中一环,数据可视化的六个步骤还把定义问题、核对口径和上线验证串了起来。下面用三组教学示例数据,走完从提问到结论的过程。示例数据为虚构,只用于演示方法,不代表任何企业的真实经营结果。

一、先有问题,再有图

一张图回答一个问题。执行时,问题常常写得太宽,比如留存怎么样、增长好不好,看完图仍然不知道该做什么。把问题改到能判断,至少要说清四件事。

  • 对象:哪类用户、哪个渠道、哪个页面。
  • 指标:新增用户、7 日留存率、转化率,以及分子和分母怎么算。
  • 时间:统计哪一段时间,按天、周还是月。
  • 比较对象:环比、同比、目标值,还是其他渠道。

例如,把留存怎么样改成 B 渠道 6 月新增用户中,注册后第 7 天仍在使用的人占多少,和 5 月相比是升还是降。问题写到这个程度,数据该取哪些字段、图该画成什么样,基本就确定了。

口径要在做图前对齐。 新增用户按注册去重还是按设备去重,7 日留存从注册当天算还是次日算,统计用哪个时区,这些定义不同,图上的结论可能相反。统一指标口径比换一种图表样式更能减少争议。

二、三个简单案例:从问题到结论

假设某工具类产品在 2026 年 1 月到 6 月投放了三个渠道,各月新增用户如下。数据为教学示例,便于复现计算过程。

月份渠道 A渠道 B渠道 C
1 月260030002400
2 月310034002600
3 月380039002800
4 月350043002700
5 月310049002500
6 月270054002600

1. 比较:哪个渠道 6 月新增用户最多?

问题限定在 6 月单月,比较三个渠道的新增用户规模。用柱状图,三根柱子并排,按数值从高到低排列。

读图可以直接得到答案。渠道 B 以 5400 人居首,渠道 A 和 C 分别为 2700 人和 2600 人。 渠道 B 在规模上领先,是否加投还要结合留存率、获客成本和后续付费表现。

柱状图用柱子的长度表示数值,纵轴应当从 0 开始。把纵轴起点改到 2000,A 和 C 的柱子会被压得很短,B 的优势看起来比实际更大。

2. 趋势:A 渠道的新增是在增长还是回落?

问题换成 A 渠道 1 月到 6 月的变化方向,比较对象从其他渠道变成自己的历史。这时用折线图,横轴按月份连续排列。

折线先升后降。A 渠道 3 月达到 3800 人的高点,之后连续三个月下降,6 月为 2700 人,低于 1 月。 进一步排查可以看投放素材有没有更换、渠道人群是否变化,以及注册后的承接页面是否调整。

折线图用点的位置表示数值,读者关注方向和拐点。纵轴不从 0 开始时,应在图上明确标注起点,让读者知道变化幅度是在什么范围内呈现的。2020 年 CHI 会议收录的一项研究指出,柱状图用长度编码数值,纵轴截断会破坏柱子高度与数值的比例关系,放大读者感知的效果大小;即使提前提示,这种影响也难以完全消除。折线图用位置编码数值,零基线并非总是必需,但截断要有理由,并且让读者看得见。

同一份数据,案例一回答谁多谁少,案例二回答半年怎么变。问题不同,图就不同。

3. 转化:新用户卡在哪一步?

问题再换一次。渠道 B 6 月新增 5400 人,团队想知道这些人从注册到再次使用,主要流失在哪一步。数据如下。

  • 注册 5400 人
  • 完成新手引导 4320 人,为注册人数的 80%
  • 创建首个项目 2160 人,为完成引导人数的 50%
  • 7 日内再次使用 1296 人,为创建项目人数的 60%

用漏斗图按顺序排列四个环节,每一层的宽度对应人数。读图可以看到,注册到完成新手引导保留了 80%,新手引导到创建首个项目只保留 50%,流失 2160 人,是整条链路里流失最多的一步。 下一步该检查引导内容、模板入口和首次任务的设计,继续加投放只会把更多用户送到同一个堵点。

漏斗图适合顺序固定的流程。各层要使用同一时间窗口和同一批用户,否则层与层之间无法比较。

三、图表选型对照:先看要回答什么

微软的 Power BI 文档在介绍视觉对象类型时,把选择依据归为四点:数据类型、目标、受众和可用空间。数据类型决定能画什么,目标决定该画什么。业务图大多落在六类问题上。

读者要回答的问题常用图表使用时的注意点
谁高谁低,差距多大柱状图、条形图类别少用柱状图,类别多或名称长用条形图;纵轴从 0 开始
一段时间内是升是降折线图横轴按时间连续排列,同时比较的线不宜过多
各部分占整体多少饼图、环形图、堆叠柱状图类别少且差异明显时用饼图,类别多改用条形图或堆叠图
数据集中在哪些区间直方图、箱线图适合连续数据,分组区间要在图上写清
两个指标是否一起变化散点图相关不等于因果,异常点要单独核对
流程中哪一步流失最多漏斗图各层口径一致,环节顺序固定

饼图值得单独说。人对面积和角度的判断不如长度敏感,切片一多,或者几个值接近,读者很难看出差别。饼图只在类别少、差距明显、确实要表达占比时使用。计算百分比时,所有切片之和必须为 100%。

类别多、名称长时,条形图通常比柱状图好读,斜着排的文字会增加阅读成本。图表的复杂度应该跟着问题走,一张图里能删掉的元素尽量删掉,颜色只留给需要强调的那一个数据点。

如果还要处理筛选、联动和下钻,按分析问题选择图表与交互有更细的说明。

四、图表有没有回答问题,检查四处

一张图做完,可以用四个位置自查。任何一处含糊,读者都可能在会上问出你答不上来的问题。

  • 标题。标题写新增用户,读者只知道图的主题。标题写 6 月 B 渠道新增用户最多,读者一眼就能拿到结论。用一句判断替代一个指标名,图的用途会清楚很多。
  • 坐标轴和单位。柱状图纵轴从 0 开始,折线图截断要标注;单位写清是人、万元还是百分比。双纵轴能同时展示两个量纲不同的指标,也容易让两条线的交叉点产生虚假含义,非必要不用。
  • 标注和参照。关键数值直接标在图上,比较基准写清楚,是上月、去年同期还是目标值。没有参照的数字,读者无法判断好坏。
  • 结论和下一步。图下方用一句话写因此什么,再写接下来查什么或做什么。只有图没有结论,读者需要自己重新推导一遍。

把四处连起来看,判断标准很朴素:读者能否在十秒内说出这张图在回答什么问题,以及答案是什么。 说不出来,先改标题和结论,再考虑换图。

五、从一张图到一套看板

一张图回答一次问题,看板回答反复出现的问题。 日常看板通常承接三类判断。

  • 今天有没有异常:核心指标的当前值、目标线和近期趋势。
  • 哪个环节掉了:漏斗各层转化率,按渠道、版本或地区拆开。
  • 哪类用户变化最大:分群后的留存、活跃或付费对比。

看板上的图按读者的判断路径排列,先总览,再拆解,最后放明细。图表类型仍然服从问题,不要因为看板空着一块就加一张与判断无关的图。关于看板的构成和可用条件,数据可视化看板是什么讲得更完整。

看板上线前,先把指标定义、时间窗口和去重方式统一。图表只是口径的呈现,口径不一致,图越漂亮,争议越大。

ThinkingAI 的分析能力里有事件分析、漏斗分析、留存分析、用户标签和数据看板,图表建立在同一套分析模型上,运营成员可以自己切换维度和时间粒度,减少反复写 SQL 的环节。世嘉《女神异闻录:夜幕魅影》的公开访谈提到,团队用新用户漏斗并按平台、国家对比,定位问题的速度变快,运营成员也能在会议中直接汇报 KPI;AI 翻译让不同语言的成员查看同一张看板。以上为受访者的表述,完整访谈见 世嘉客户案例。

FAQ

数据可视化简单案例可以用什么数据?

教学示例可以用虚构数据,但要在文中标明。用于业务判断时应当使用真实数据,写清统计区间、指标口径和数据来源,避免把示例结论迁移到自己的业务上。

柱状图和折线图怎么选?

比较不同类别的大小用柱状图,观察同一对象随时间的变化用折线图。横轴是连续时间,折线能表达方向和拐点;横轴是渠道、产品这类分类项,柱状图更直接。

饼图为什么容易误导?

饼图用面积和角度表达占比,人对这两者的判断不如长度敏感。切片多、数值接近,或者需要比较多个饼图时,读者很难看出差别。类别少且差距明显时再用。

一张图能同时回答几个问题?

一张图承担一个主要问题。需要同时看总量和构成时,可以拆成两张图,或者用一张总览图加下钻。把所有问题塞进一张图,读者找不到重点,图也很难维护。

没有专职分析师,运营能自己做图吗?

取决于数据是否已接入、指标是否已定义、工具是否支持按分析模型取数。口径统一、操作门槛低的平台,运营可以完成日常看板的查看和常规调整;复杂的归因分析和实验设计,仍然需要分析师参与。

参考资料

  • 微软 Power BI 文档,可视化效果概述,
  • Michael Correll、Enrico Bertini、Steven Franconeri,Truncating the Y-Axis: Threat or Menace?,CHI 2020,。
  • 海信盘古,数据可视化指南,。
  • ThinkingAI,世嘉《女神异闻录:夜幕魅影》客户访谈,https://www.thinkingai.cn/user-case/2777ff7d53/。

准备好构建你的 Agent 团队了吗

立即体验 Agentic Engine, 让 AI 成为真正的团队成员

ThinkingAI Big Logo
电话咨询