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 |

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
- Royal Statistical Society. Choosing a visualisation type. https://royal-statistical-society.github.io/datavisguide/docs/choosing.html。2026年11月查阅。
- Royal Statistical Society. Principles of data visualisation. https://royal-statistical-society.github.io/datavisguide/docs/principles.html。2026年11月查阅。
- W3C. WCAG 2.2 Understanding SC 1.4.11 Non-text Contrast. https://www.w3.org/WAI/WCAG22/Understanding/non-text-contrast.html。2026年11月查阅。
- 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/。2026年11月查阅。






