数据可视化项目案例值得复盘的地方,是项目怎样把一个问题拆成可核对的数据、可理解的界面和可执行的判断。下面选三个公开项目来看:台北城市仪表板、Urban Institute 的向上流动数据仪表板、世嘉《女神异闻录:夜幕魅影》的运营看板。它们分别属于公共治理、政策研究和企业运营,数据条件、用户和交付方式都不同。放在一起看,更容易分清哪些经验可以迁移,哪些只适用于特定条件。
如果团队还在把“做个看板”当作需求,可以先看这份把业务问题转成指标与验收任务的整理:BI项目需求怎么收集?把业务问题转成指标与验收任务。需求阶段多花一点时间,后面的返工会少很多。
一、三个数据可视化项目案例
| 项目 | 主要用户 | 起点与约束 | 关键做法 | 可核对结果 |
|---|---|---|---|---|
| 台北城市仪表板 | 市政决策者、市民 | 第一版混合内部与开放数据,同时处理统计与地理数据 | 2023 年中启动 2.0,转向公共平台并开源代码 | 公开说明未给出使用率或决策效果数据 |
| Urban Institute 向上流动数据仪表板 | 地方领导者、倡导者、研究者 | 24 个指标,单位、时间范围和细分维度不一致 | 一年以上研究迭代,约 9 个月开发;支持比较、下钻、来源与下载 | 2024 年 10 月上线;前六个月超过 1.5 万名用户 |
| 世嘉 P5X 运营看板 | 运营、分析师、多国籍团队 | 取数依赖 SQL,需求集中在分析师,翻译滞后 | 分析模型、AI 翻译、数据留在 Databricks、删除自动化 | 受访者称定位问题变快,运维工作量几乎为零 |
二、案例一:台北城市仪表板如何服务市政与公众
1. 项目起点与约束
台北城市仪表板的第一版用于辅助市政决策,数据来自内部系统和开放数据,同时包含统计数据和地理数据。这个组合决定了它既要回答城市发生了什么,也要回答问题发生在哪里。2023 年中,团队启动 2.0,目标从内部工具扩展为公共平台,并把代码开源,邀请外部参与者一起开发。
项目因此多出两类要求。市政决策者需要快速定位问题,市民需要看得懂数据;内部用户关注权限和效率,外部参与者关注文档、许可证和贡献流程。同一个仪表板要同时承接这些需求,入口、说明和权限就不能只按一种用户设计。
2. 公开代码与协作规则
2.0 的公开说明把目标写得很直接:既辅助政策决定,也让市民了解城市的重要统计;既开放代码,也提供文档、贡献指南和行为准则。开源在这里是一种项目治理方式。代码可见只是起点,别人能否部署、修改和持续参与,取决于文档是否完整、接口是否稳定、许可证是否清楚。
对准备做类似项目的团队,这个案例先提醒一件事:开源降低的是获取代码的门槛,维护、安全和运营责任仍然存在。 如果团队没有明确的维护人和版本节奏,开放代码很快会变成新的负担。
公开说明没有给出使用率、决策影响或维护成本的数据,因此不能把“已开源”当成项目成功。能确认的是,项目完成了从内部工具到公共平台的定位变化,并把协作规则一起交付。
3. 这个案例能复制什么
- 先区分内部决策用户和外部公众用户,再决定入口、说明和权限。
- 把文档、许可证和贡献流程纳入交付物,避免只交一个前端页面。
- 公开数据与内部数据混用时,先处理敏感字段、更新频率和来源说明。
- 项目复盘分开记录交付事实与效果数据,缺少效果数据时如实标注。
三、案例二:Urban Institute 如何让 24 个指标服务 480 多个城市
1. 需求研究
Urban Institute 原本已经有一个网站,用数据表呈现美国每个县和 480 多个人口超过 7.5 万的城市。表格能承载信息,但对地方领导者、倡导者和研究者来说,查找、比较和解释的成本都很高。项目要把这些表格变成可探索的仪表板,覆盖 24 个与向上流动相关的指标。
这些指标的口径并不整齐。有的用金额,有的用百分比,有的用比例;时间范围不同,还能按种族、年龄、性别等维度拆分。项目团队用一年多时间做研究、迭代、用户测试、方案选择和执行,合作方包括负责用户研究的 Greater Good Studio 和负责设计开发的 Graphicacy。
Greater Good Studio 的复盘提到一个细节:在方案收敛阶段,团队成员依据原型反馈,把用户需求放在技术实现之前。这个选择让项目多花了时间,也让最终产品更接近使用场景。用户研究直接影响设计取舍,项目因此把资源放在更贴近使用场景的功能上。
2. 设计取舍
仪表板的首页先给背景和引导,再提供搜索和探索两个入口。用户可以同时选择最多 6 个社区做比较,也可以根据人口、住房、地理距离等数据获得相似社区建议。地图和分布图用来看全国差异,点进单个地区后,数据卡展示该社区在 24 个指标上的快照。
数据卡还能展开,查看不同年份、不同图表形式,以及不同种族、年龄和性别群体的差异。用户可以下载图表用于演示,也可以生成链接分享给同事。页面同时提供指标来源、方法说明、地方政策干预示例和使用指南。
这套设计把读者的问题分成三层:我所在的地方表现如何,和谁比,接下来能做什么。第一层靠地图和卡片,第二层靠比较和拆分,第三层靠指南与案例。如果仪表板只回答第一层,用户看完仍然不知道下一步。 数据看板的具体设计顺序,可以参考数据看板怎么设计?先定决策,再画首屏草图。
3. 结果与口径
项目在 2024 年 10 月上线,开发阶段约 9 个月。Greater Good Studio 公布的数据显示,发布活动有 1700 多人参加;上线后前六个月,超过 1.5 万名用户访问了仪表板;项目网站流量相比前六个月增长 125%;过去一年有 1900 多人参加相关研讨会。
这些数字说明项目获得了使用和传播,不能直接证明地方政策因此改变。复盘时把使用指标、业务结果和政策影响分开,才不会把一个上线活动写成因果结论。
4. 这个案例能复制什么
- 指标多、口径杂时,先建立统一的指标说明和比较规则,再做界面。
- 让用户能比较、下钻、看来源、下载和分享,减少看完还要再问人的环节。
- 把政策示例和使用指南放在数据旁边,帮助用户从看到数据走到做出判断。
- 用使用数据评估项目,同时承认它对业务结果的解释有限。
四、案例三:世嘉 P5X 如何减少对 SQL 的依赖
1. 原有流程的瓶颈
《女神异闻录:夜幕魅影》是一款面向手机和 PC 的 RPG,由完美世界与世嘉共同运营,发行覆盖亚洲、日本和全球,项目成员国籍多元。游戏长线运营需要持续看玩家行为,更新后往往要在一周内判断效果。
原来的 BI 流程是先写 SQL 汇总数据,再搭看板。分析师和工程师会写 SQL,运营成员不会。运营想看一个新维度,需求先到分析师;追加下钻时,有时还要重写 SQL。日语看板共享给海外成员前需要翻译,翻译版有时要 3 天甚至 1 周才能看到。需求集中、追问重做、语言滞后,三个问题叠在一起,分析师很难把时间放在深度分析上。
2. 实施路径
世嘉引入 ThinkingAI 的 Agentic Engine,把看板搭建方式从 SQL 查询转向分析模型。日常使用事件分析、漏斗分析、用户标签、用户序列和 AI 翻译。运营可以按平台、国家、用户分群查看数据,分析师继续处理更复杂的调查。
实施没有要求把数据搬到新环境。P5X 的数据留在世嘉原有的 Databricks 平台,Agentic Engine 作为连接环境之一使用。世嘉负责准备服务器,应用搭建和运维由 ThinkingAI 负责,导入周期约 1 到 2 个月。针对用户删除请求,个人关联信息的删除处理实现了自动化。
这套安排同时处理了三个实施问题:数据不重复存储,降低迁移和存储成本;删除流程自动化,减少敏感操作的人工负担;应用由供应商运维,客户侧主要做信息确认和判断。受访者称,目前运维工作量几乎为零。
3. 结果与适用条件
世嘉受访者表示,运营成员可以实时查看数据,并在会议上自己汇报 KPI;通过新用户漏斗和按平台、按国家的对比,定位问题的速度变快;多国籍成员可以用各自的语言查看同一个看板。这些是受访者的项目感受,公开案例没有给出前后对比的量化指标。
适用条件也需要写清楚。复杂分析仍可能需要 SQL;AI 翻译并非每次都完全准确,需要业务上下文补足;数据留在原平台,要求双方把权限、网络和删除流程对接好;看板要真正被使用,运营团队仍需要培训和固定的复盘场景。工具能减少取数摩擦,不能替代指标口径和运营流程。
4. 这个案例能复制什么
- 用分析模型承接高频追问,把 SQL 留给确实需要复杂加工的场景。
- 数据不迁移也能做可视化,前提是权限、网络和口径对接清楚。
- 把删除请求、审计和敏感字段处理纳入实施计划,避免上线后补漏洞。
- 用从提问到回答的时间评估效果,比统计图表数量更有意义。
五、三个案例的设计与实施共同点
1. 需求:从决策任务倒推指标
三个项目都从使用场景开始。台北先明确市政决策和公众知情两个场景,Urban 先研究地方领导者怎样找数据、做比较,世嘉先处理运营每天要看的 KPI 和追问。需求阶段要写清楚谁在什么场景下看什么,看完做什么。 这句话看起来简单,实际能过滤掉大量“这个图也加上”的要求。
2. 数据:口径与权限先于图表
Urban 的 24 个指标单位不同、时间范围不同,必须先统一说明和比较规则。台北同时处理内部数据和开放数据,必须先分清哪些能公开、哪些需要权限。世嘉把数据留在 Databricks,先解决连接、权限和删除流程。三个案例都在说明同一件事:图表是数据治理的结果,数据口径不稳,界面越漂亮越容易误导。
3. 设计:让非分析师完成一次追问
Urban 用比较、下钻、来源和下载支持不同数据素养的用户;世嘉用分析模型和 AI 翻译降低运营查看数据的门槛;台北用公共平台和文档让外部参与者能理解和使用。共同点是让用户在遇到新问题时,能自己完成下一步,不必每次都找分析师。
设计上可以优先检查四件事:首屏是否回答一个主要问题,是否支持同口径比较,是否能下钻到原因,是否看得到来源和更新时间。具体图表怎么选,可以另看这份数据可视化怎么做?按分析问题选择图表与交互。
4. 技术:先定数据在哪里
台北选择开源,把代码和协作规则一起开放;Urban 用地图、分布图、数据卡和下载功能承接不同任务;世嘉选择数据不迁移、应用由供应商运维。技术方案没有统一答案,判断顺序可以统一:数据在哪里,更新频率多高,谁有权限,敏感数据怎么处理,团队有没有能力维护。
开源不等于低成本,SaaS 也不等于零工作量。把许可、开发、运维、培训和安全投入放在一张表里算,才更容易做出适合当前团队的选择。
5. 交付:上线只是开始
Urban 在 2024 年上线后继续用活动、访问量和研讨会反馈判断使用情况;世嘉把应用搭建和运维交给供应商,客户侧保留判断和确认;台北把代码开放给外部参与者,项目从一次性交付变成持续协作。三个项目都说明,交付物不只是页面,还包括数据说明、权限流程、培训材料和维护责任。
Graphicacy 在 2025 年的另一个项目复盘里提到,Urban Institute 的财务健康仪表板在扩展版本中重建了数据浏览器,前端改用 React,城市覆盖从 100 个扩展到 270 多个,并补上打印视图。项目上线后调整技术栈和范围,是常见工作,不需要把它看成前期失败。
六、最容易被忽略的限制
- 公开案例有成功者偏差。 公开复盘更常呈现完成度较高的项目,失败项目的材料更少。看案例时要区分可核实事实、参与者表述和作者归纳。
- 使用指标不等于业务效果。 访问量、活动人数和用户数说明有人用,不能直接证明决策质量提高或收入增长。
- 跨行业经验不能整段照搬。 市政数据、公共政策数据和企业运营数据的权限、时效、受众都不同。可迁移的是判断顺序,不是具体指标。
- 开源和采购各有隐性成本。 开源需要维护、升级和安全投入;采购需要对接、培训和供应商管理。预算里只算许可费,往往会低估总成本。
- 看板无法替代流程。 如果没有人负责指标口径,没有固定会议使用数据,没有把异常转成动作,看板很容易变成展示页。相关风险可以对照BI项目为什么失败?需求、数据与使用率的风险排查逐项检查。
- AI 能力需要边界。 AI 翻译、自动归因和自然语言问数能减少操作,但仍需要口径、权限和人工复核。把它们写成完全自动,会误导读者。
七、上线前的检查清单
下面这份清单可以直接放进项目评审。每一项都要求一个具体答案,答不上来就说明项目还有缺口。
- 决策任务:谁在什么场景下看哪个指标,看完做什么?
- 指标口径:定义、来源、计算规则、更新频率和负责人是否写清?
- 用户分层:管理层、分析师、运营和外部用户是否需要不同入口?
- 首屏:能否在 10 秒内回答一个主要问题,是否只放了必要图表?
- 追问路径:能否筛选、比较、下钻,是否看得到来源和更新时间?
- 权限与合规:敏感数据是否分级,删除、导出和审计是否有流程?
- 性能与成本:数据量和刷新频率是否匹配,预计算、缓存和存储成本是否算过?
- 交付与运营:是否有验收场景、培训、负责人和反馈渠道?
- 效果评估:准备用哪些指标判断使用情况,哪些结果不能由看板直接证明?
- 维护计划:谁负责版本、数据问题和需求变更,下一次复盘在什么时候?
八、从一个具体决策开始
回到开头的问题,数据可视化项目案例提供了几种经过实际项目检验的判断顺序。先确定一个值得回答的决策问题,再处理数据口径、权限、设计和运维;范围可以小,验收条件要具体。这样,看板才有机会从展示页变成工作的一部分。
如果项目需要把数据看板、事件分析、漏斗分析和用户标签放在同一套数据体系里,ThinkingAI 的相关能力可以作为候选。ThinkingAI 已服务全球 1500 家企业,接入产品超过 8000 款,支持私有化部署。是否适合,仍要回到上面的检查清单,用真实数据和决策场景验证。
常见问题
数据可视化项目一般需要多长时间?
范围差别很大。Urban 的公开复盘提到开发阶段约 9 个月,项目整体研究、测试和迭代超过一年;世嘉 P5X 的看板导入约 1 到 2 个月,范围集中在运营分析环境;台北城市仪表板从第一版走到 2.0 公共平台,跨了多个阶段。影响周期的因素包括数据是否就绪、指标是否统一、权限和合规流程、是否需要外部用户测试,以及上线后的培训。用别人的周期做承诺,容易低估前期准备。
项目需要哪些角色?
至少要有业务负责人、数据工程师或分析师、设计人员、开发人员和负责安全合规的人。业务负责人决定问题和验收标准,数据角色保证口径与质量,设计和开发负责界面与交互,安全合规处理权限、敏感数据和删除流程。小团队可以一人兼多职,但决策责任和数据责任要分开,否则出问题时很难定位。
怎样判断一个看板有没有被使用?
看固定周期内的活跃用户、从提问到得到答案的时间、筛选和下钻的使用情况、数据问题反馈量,以及它是否进入例会或复盘流程。页面浏览量只能说明有人打开过,不能说明有人据此做了判断。更直接的办法是观察一段时间内,有多少次讨论引用了看板里的指标,以及异常出现后是否有人跟进。
数据可视化大屏和 BI 看板有什么区别?
大屏更常承担集体观看、监控和汇报,信息组织偏向一屏内快速识别;BI 看板更常承担自助探索,支持筛选、比较和下钻。两者的边界来自使用场景,不来自屏幕尺寸。如果大屏背后的数据和权限与 BI 看板一致,可以共用数据层;如果大屏只用于展示,却要求它承担分析任务,体验往往不好。
小团队没有专职设计师,怎么开始?
先选一个具体决策问题,用现有组件库或模板搭出首屏,再找 5 位真实用户试用。观察他们能否找到关键指标、完成一次比较、说出下一步动作。把时间花在指标口径、信息层级和来源说明上,视觉装饰可以后置。小团队的优势是离业务近,先把一个场景用起来,比一次做完整平台更现实。
参考资料
- Taipei City Dashboard. GitHub. https://github.com/tpe-doit/Taipei-City-Dashboard-FE
- Greater Good Studio. Urban Institute: Equipping local leaders with upward mobility data. https://greatergoodstudio.com/projects/urban-institute-data-dashboard/
- Graphicacy. Raising the Bar: Interactive Dashboard Elevates Upward Mobility Data. https://graphicacy.com/projects/raising-the-bar-interactive-dashboard-elevates-upward-mobility-data/
- Graphicacy. Exploring America’s Financial Health with an Expanded Dashboard. https://graphicacy.com/projects/exploring-americas-financial-health-with-an-expanded-dashboard/
- ThinkingAI. 世嘉《女神异闻录:夜幕魅影》:让分析师的时间从“接需求”回到“深度分析”. https://www.thinkingai.cn/user-case/2777ff7d53/
- ThinkingAI. 世嘉《女神异闻录:夜幕魅影》:自动化数据删除,让分析环境“几乎零运维”. https://www.thinkingai.cn/user-case/d42c4b71f3/
案例结果和评价来自项目方或受访者公开表述,本文未做独立审计。






