ThinkingAI Logo
返回博客列表

数据可视化有哪些步骤?

数据可视化可分为六步:定义问题与读者、核对指标口径并准备数据、按数据关系选图、设计图表与页面、实现发布与权限、验证并迭代。文章给出每步的产出、检查标准和上线前的误读排查方法。

2026-11-1713分钟
数据可视化有哪些步骤?

数据可视化通常分为六步:定义问题与读者,核对指标口径并准备数据,按数据关系选择图表,设计图表与页面,实现发布并设置权限,验证效果并持续迭代。图表制作只是其中一步;问题不清或口径不一致,画面再精致也很难支撑决策。

这套顺序参考了皇家统计学会数据可视化指南中“先明确用途和读者,再决定图表类型与设计”的原则,也对应企业看板从搭建到上线的实际环节。每一步都给出可检查的产出,团队可以据此判断是否进入下一步。如果只是做一次性的分析报告,可以简化发布和权限环节;如果要建设长期使用的数据可视化看板,六步都需要走完。

一、数据可视化的六个步骤

步骤主要动作完成时的产出
第一步 定义问题明确读者、问题、要支持的动作一句话问题卡和验收标准
第二步 核对口径与准备数据统一指标定义,处理缺失、重复和异常可复现的数据集与口径说明
第三步 选择图表判断数据关系,匹配图形图表清单与初稿
第四步 设计图表与页面处理标题、坐标轴、颜色、布局和交互可供评审的页面
第五步 实现与发布工具落地、权限设置、性能检查和分享上线版本与访问入口
第六步 验证与迭代误读检查、收集反馈、维护版本检查记录与迭代清单
数据可视化六步流程示意图,依次为定义问题、核对口径与数据、选择图表、设计页面、实现发布、验证迭代

图注:六步按顺序推进,验证发现问题时可回到问题定义或口径核对。

六步之间可以回退。验证阶段发现口径问题时,应回到第二步或第三步修正;业务问题发生变化时,回到第一步重写问题卡。把回退路径提前说清楚,比要求团队一次做对更实际。

二、第一步:定义问题和读者

先写清这张图或这个看板要回答什么。皇家统计学会的指南建议,在做出任何设计决定前,先明确可视化的用途、要发现的内容和读者是谁,该指南查阅于2026年11月。用途不清时,团队容易从图表库开始,最后得到一页信息很多、但没人能据此行动的画面。

1. 写清问题、读者和动作

可以用一个句式组织:谁在什么场景下,看哪个对象的什么关系,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,决定预算往哪里调整。
  • 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。

三句话分别指向趋势、比较和关联,图表类型从这里开始分叉。读者不同,信息密度也不同;给管理层看的总览和给一线运营排查问题的明细,不该做成同一张页面。

2. 区分分析型看板与展示型大屏

分析型看板给具体角色追问题,允许筛选、联动和下钻;展示型大屏让多人远距离了解总体情况,重点是稳定、少操作。两类目标混在一起,常见结果是图表很多,但一次完整排查也走不完。先确认读者是坐着逐层追问,还是站着快速浏览,页面密度和交互深度会随之改变。

3. 定下验收标准

问题卡至少写四项:读者、问题、要支持的动作、什么结果算回答清楚。比如“某渠道留存明显低于其他渠道且样本量足够时,进入渠道排查”。问题卡至少写清读者、问题、要支持的动作和判断标准。 验收标准写出来,后面的图表选择和页面布局才有判断依据。

三、第二步:核对指标口径并准备数据

图上的数字能不能被相信,取决于口径和数据质量。口径不一致时,两个部门看同一指标会得到不同结果,讨论会从业务判断转向数字对错。

1. 统一指标定义

每个指标至少确认分子和分母、统计对象、去重方式、时间范围、时区、币种和更新频率。以留存率为例,要说明按安装日期还是活跃日期分组、观察第几日留存、是否剔除异常账号。跨系统取数时,同一指标在不同报表里可能用了不同过滤条件,需要在页面上注明来源和口径。

如果团队已经有指标平台或语义层,优先复用其中的定义;没有时,先把核心指标写成一份可查的口径说明,再开始做图。指标说明应当有负责人和更新记录,避免文档变成孤儿。

2. 检查会影响结论的数据问题

  • 缺失值:缺失比例多高,是否集中在某些渠道或时间段,填补还是排除。
  • 重复记录:同一用户、订单或事件是否被重复统计,去重键是什么。
  • 异常值:极端值来自真实业务还是采集错误,是否需要单独标注。
  • 数据延迟:实时数据是否完整,T+1 数据何时可用,刷新时间是否与业务节奏匹配。
  • 样本量:分组后样本太少时,比例波动容易被误读为趋势。

处理方式要写下来。比如“缺失渠道标记为未知,不参与渠道排名”,这句话比默默删掉数据更能保护结论。数据问题本身不可怕,没有记录处理方式才让后续判断失去依据。

3. 保留可复现的处理记录

记录数据源、提取时间、过滤条件、清洗规则和聚合方式。下次指标变化时,团队才能判断是业务变化,还是处理逻辑变了。页面上的数据更新时间和口径说明也属于这一步的产出,不要等到发布时再补。

四、第三步:按数据关系选择图表

图表类型由要回答的关系决定。皇家统计学会的指南建议,根据数据类型或关注的数据关系选择图表,再结合读者的图表阅读能力调整。金融时报可视化团队整理的 Visual Vocabulary 按偏差、相关、随时间变化、排序、分布、部分与整体等关系组织图形,适合作为团队讨论的起点。

1. 常见数据关系与图表

分析问题常用图表适用条件需要留意
时间趋势折线图时间间隔稳定,关注连续变化线的数量控制在能分辨的范围;量纲不同不要硬放同一纵轴
类别比较与排序条形图、柱状图比较渠道、地区、版本的同一指标类别多或名称长时用横向条形图;柱状图纵轴从 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饼图适合少量类别;扇形接近时改用条形图
分布直方图、箱线图关注集中区间、尾部和异常值说明样本量和分箱方式
相关散点图、气泡图两个连续变量是否同向变化相关不等于因果;点过密时抽样或分面
偏差发散条形图、子弹图与目标、基线或长期均值比较写清参考点,正负方向与颜色一致
地理与流向分级统计地图、桑基图位置或路径本身是问题的一部分地图优先展示比率,面积会放大差异

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,类别多时横向条形图还能完整显示名称。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。折线连接的是有顺序的数据,类别之间没有顺序时,用线连接会暗示不存在的连续变化。

2. 选图时要避开的几个问题

同一组数据换一个问题就要换图。以退款率为例,找异常渠道用排序条形图,看三个月变化用折线图,看订单金额分布用直方图,判断退款率与客单价的关系用散点图。选择图表时先看问题,再看字段类型和取值范围。

图表类型由数据关系决定,先判断趋势、比较、构成、分布还是关联,再挑图形。 如果团队经常在选图上争论,可以把常见问题、推荐图表和误读风险整理成一页对照表,按分析问题选择图表与交互给出了更细的分类和示例。

五、第四步:设计图表和页面

选对图只完成一半。标题、坐标轴、颜色、排序和布局会改变读者得出的结论,也会影响图表能否被不同角色持续使用。

1. 标题写结论,副标题交代范围

只写“渠道退款率”,读者还要自己找重点。写成“华东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。副标题补充时间范围、样本量、筛选条件和口径。图表标题帮助读者得出结论,正文再解释原因和限制。

2. 坐标轴、排序和颜色

  • 柱状图和条形图的纵轴从 0 开始;折线图可以截断,但要标注并说明原因。
  • 没有自然顺序时按数值排序,异常项更容易被发现。
  • 颜色用来区分类别或表达数值,不用于装饰;有序数值用单色渐变,正负偏差用发散色。
  • 类别颜色不宜过多,并检查色觉障碍读者能否区分。
  • 不只靠颜色传达信息,同时使用标签、线型、形状或直接标注。W3C 的 WCAG 2.2 在非文本对比度条款中要求,理解内容所需的图形对象与相邻颜色的对比度至少达到 3:1。
  • 两个纵轴量纲不同又要放在同一张图时,标清单位和范围,说明为什么放在一起;能拆成两张图时优先拆开。

图表标题先写结论,坐标轴和颜色服务于判断,不要靠视觉装饰制造重点。

3. 布局和交互跟着问题走

一屏先回答一个主问题。常见顺序是先总览,再筛选,再联动,最后下钻看明细。顶部放全局筛选和核心指标,中部放趋势和主要拆分,下方放漏斗、分布或明细。

交互对应真实追问。筛选要显示当前条件并提供清除入口;联动只在共享数据模型时开启;下钻要有清楚层级和返回路径。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、现在在哪一层。展示大屏和分析看板的布局目标不同,大屏强调远距离可读和稳定,分析看板强调追问路径,允许筛选和下钻。

六、第五步:实现、发布与权限

1. 选择能承接流程的工具

工具选择取决于数据源、使用角色和维护能力。Excel 适合一次性分析和小范围分享;图表库适合有前端开发能力、需要嵌入产品的团队;BI 平台适合多角色查看、需要权限和定时刷新的场景;已有数据仓库的团队,可以优先看平台能否直接连接现有数据,避免重复搬迁。

评估时看四件事:能否连接现有数据源、指标定义能否复用、权限是否细到行列、发布后谁来维护。工具决定实现速度和维护成本,口径和问题定义仍要由业务与数据团队确认。 关于平台能力链路和与 BI 的边界,可以参考数据可视化平台是什么。

2. 发布前处理权限、性能和分享

  • 权限:按角色控制可见范围,敏感字段脱敏,公开链接设置有效期和访问范围。
  • 性能:控制单页图表数量和查询范围,高频看板预聚合,设置合理的刷新频率。
  • 分享:写清数据更新时间、口径说明和负责人,确认移动端的字号、图表密度和操作方式。
  • 变更:指标口径或数据源变化时保留版本记录,避免历史看板被静默改掉。

发布前把权限、刷新频率、口径说明和负责人一起定下来。 这些内容不写清,上线后很难追溯问题由谁处理。

3. 让业务人员能完成下一次追问

看板能否被持续使用,很大程度取决于业务人员能不能自己取数、筛选和追问。分析模型、标签筛选、自然语言问数和自动生成图表可以降低这一步的门槛,前提是指标定义、数据权限和数据质量已经治理好。

ThinkingAI 的分析平台内置事件分析、漏斗分析、留存分析等分析模型,支持分析粒度切换和按标签筛选;数据分析 Agent可以把自然语言问数、归因和图表生成放在一条分析链路里,支持多轮追问。据 ThinkingAI 官网客户访谈,世嘉《女神异闻录:夜幕魅影》把报表和看板改为以分析模型为核心来搭建,减少了对 SQL 的依赖,运营成员可以实时查看数据并在会议上汇报 KPI,分析师在现场补充更深入的调查结果。ThinkingAI 已服务全球超 1500 家企业,接入产品超 8000 款。工具能缩短搭建和追问的时间,不能替代问题定义和口径核对。

七、第六步:验证、复盘和迭代

1. 上线前做一次误读检查

检查项常见问题修正方式
基线柱状图纵轴不从 0 开始从 0 开始;确需截断时明确标注
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定义、范围、分母和时区
双轴两个轴随意缩放,制造同步变化的印象能拆就拆;必须同图时标清两个轴的单位和范围
颜色类别过多或只靠颜色区分控制数量,增加标签或线型,检查对比度
样本量把小样本波动当成趋势显示样本量,样本太小时只做观察
相关与因果把同向变化写成导致用相关、同时出现、待验证等表述
排序与注释类别乱序,异常点没有说明按数值排序,标出上线、活动或口径变更

一个简单的试读方法:找一位不熟悉这份数据的同事,遮住图表只看标题和坐标轴,看能否在十秒内说出重点。说不出来,通常要改标题、排序或单位。更完整的误读与权限检查,可以参考数据可视化有哪些风险。

2. 用使用情况判断是否有效

上线后观察四类信号:谁在访问、常用哪些筛选和下钻、是否在会议或汇报中被引用、是否促成了具体动作。访问量高但没人据此做决定,说明信息没有进入工作流程;访问量低也可能是入口太深或指标与角色无关。

收集问题时按角色记录。管理层关心总体和异常,业务人员关心分群和明细,分析师关心口径和可追溯性。不同角色的反馈指向不同的修改。验证的标准是读者能否据此做出正确判断,访问量只能作为辅助信号。

3. 维护版本并设定回退条件

指标口径变更、数据源替换、业务问题变化时,旧图可能不再成立。为看板保留版本记录和负责人,定期检查数据是否按时更新、筛选是否仍然有效、注释是否还准确。发现口径错误时,先下线或标注,再修正,避免读者继续按旧结论行动。

常见问题

数据可视化一定要做成看板吗?

不一定。一次性分析可以用图表或报告交付;需要持续观察、多人协作、按角色查看时,看板更合适。选择取决于问题是否重复出现、读者是否固定、数据是否按时更新。

没有专职数据分析师,业务人员能自己做吗?

在指标口径清楚、数据权限配置好、工具有分析模型的前提下,业务人员可以完成常见的筛选、对比和初步归因。涉及复杂统计、因果判断或跨系统口径冲突时,仍需要分析师参与。

一个可视化项目通常需要哪些角色?

业务负责人定义问题和验收标准,数据或分析师负责口径与数据处理,设计与开发负责页面和交互,最终使用者在试读和上线后反馈。小团队可以由一人承担多个角色,但问题定义、口径核对和使用反馈三项不能省。

看板上线后多久检查一次?

数据每日更新的看板,至少每周检查一次更新是否正常;指标口径或数据源变更后立即检查。业务节奏快的团队可以把检查放进固定复盘,发现异常时再追加临时检查。

参考资料

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