品质是一个公司的核心竞争力，我们每一个人都应该尽力维护自己公司的产品品质。现代的品质管理也是依据数据来做出正确的决策，因此数据监控就是一个非常重要的环节。

表哥的世界里：文字表达不如数据表格，数据表格不如图表清晰，先看看下面的品质监控表格。

今天我们要学习的是一种新的数据呈现方式，用折线图展示你的数据：

怎么样，看到这个图表，是不是瞬间有种豁然开朗的感觉？

下面我们来一步一步看看趋势图的生成方法：

1、我们需要准备一组数据，我们可以以年、月、日、天为周期记录/统计数据，这组数据要有一定的关联性，以方便我们做前后对比。现在我们以全检良率数据记录表为例

2、选择我们要转换成图的区域数据，这里我们拖动光标的方法来用来选择以下部分内容：

3、数据选好后，依次从界面最上面工具栏点击插入/折线图，如图所示：

4、此时会出现以下折线图界面，基本的图形已经呈现出来，我们在它的基础上进行完善和美化；

5、修改标题：用光标点击选中图标标题，然后将”图标标题”替换成我们需要更改成的标题内容（小技巧：通常图表和数据表格的标题保持一致）

6、我们可以发现，现在图表中目标良率和全检良率的变化趋势可以从图中很好的展示出来，我们只需要添加一些数据支持，就能更好的实现内容可视化；我们用右键点击趋势线/添加数据标签。

7、右键点击这些数字/设置数字标签格式，调整标签的颜色、位置等特性

8、图表基本的内容已经展现出来，然后点击工具栏/设计选择一种自己喜欢的图表风格

9、我们可以点击工具栏的格式/形状填充对其背景色和图表框线条进行相应调整，以满足我们审美和功能的展示需求：

通过以上步骤，我们将表格中的内容很清晰的转换到图中，我们可以通过趋势图清晰的看到全检良率呈先下降后上升趋势，总体维持在80%以上，略低于目标值，需继续努力。

亲，这样是不是会给您的报告润色呢？如果觉得实用，就举手点个赞,谢谢。小编每天都在努力更新文章，学习新内容，永不停息。希望能够将更多更好的内容与大家分享！

什么是数据可视化？

数据可视化是一个通用术语，描述了通过将数据转化为图形表格方式帮助人们理解数据重要性的任何努力。数据可视化软件可以使基于文本的数据无法检测到的模式，趋势和相关性更易于识别和识别。

当今的数据可视化工具超越了Excel电子表格中使用的标准图表和图表，以更复杂的方式显示数据，例如 信息图表，刻度盘和仪表，地理地图，迷你图，热力图以及详细的条形图， 饼图和折线图表。图像可能包含交互功能，使用户可以操纵它们或钻取数据以进行查询和分析。当数据更新或预定义条件发生时，用于提醒用户的指标也可以包含在内。

数据可视化的重要性

数据可视化已成为现代商业智能（BI）的事实标准。BI领域的两家领先供应商Tableau和Qlik的成功 - 两者都强调可视化 - 已经让其他供应商在其软件中采用了更加直观的方法。几乎所有的BI软件都具有强大的数据可视化功能。

数据可视化工具对于数据和分析的民主化以及为组织内的工作人员提供数据驱动的见解十分重要。它们通常比传统统计分析软件或早期版本的BI软件更容易操作。无需IT部门的支持就可以自行实施数据可视化操作。

数据可视化软件在大数据和高级分析项目中也发挥着重要作用。由于企业在大数据趋势的早期阶段积累了大量数据，因此他们需要一种快速方便地获取数据概览的方法。这与可视化工具是天作之合

同样的，可视化对高级分析至关重要。当数据科学家正在编写高级预测分析或机器学习算法时，将输出可视化以监控结果并确保模型按照预期运行变得非常重要。这是因为复杂算法的可视化通常比数值输出更易于解释

数据可视化的例子

数据可视化工具可以以各种方式使用。目前最常见的用途是作为BI报表工具。类似的有Qlik，tableau，powerbi、厦门艾科思移动报表平台等等用户可以设置可视化工具来生成自动仪表板，以跟踪关键绩效指标中的公司绩效并直观地解读结果。

许多业务部门实施数据可视化软件来跟踪他们自己的举措。例如，营销团队可能会实施该软件来监控电子邮件活动的表现，并跟踪开放率，点击率和转化率等指标。

随着数据可视化供应商扩展这些工具的功能，它们越来越多地被用作更复杂的大数据环境的前端。在这种情况下，数据可视化软件可帮助数据工程师和科学家跟踪数据源，并在更详细的高级分析之前或之后对数据集进行基本的探索性分析。

数据可视化如何工作

当今大多数数据可视化工具都带有流行数据源的连接器，包括最常见的关系数据库，Hadoop和各种云存储平台。可视化软件从这些来源获取数据并将数据应用于图形类型。

数据可视化软件允许用户选择呈现数据的最佳方式，但越来越多的软件将这一步骤自动化。某些工具会自动解释数据的形状并检测特定变量之间的相关性，然后将这些发现放入软件确定为最佳的图表类型中。

通常，数据可视化软件具有仪表板组件，该组件允许用户将多个可视化的分析结果拖入单个界面，即拖拉拽生成可视化报表。

大数据是这个时代最热的话题，仿佛一夜春风来。经过几年的表演，仿佛又成为了烂大街的话题。那么对于我们每个人来说，到底何为大数据？它又跟我们每个人有什么关系呢？接下来我会带领大家一起找寻答案。

首先，有请度娘上场，它给出的定义如下：大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

然后是研究机构Gartner。“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。

最后麦肯锡全球研究所给出的定义是：一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。

对比上面三个定义不知道细心的读者是什么感觉，晕？还是抽象？其实从定义中我们不难找出共同的关键字，例如常规、传统、新处理模式、信息资产。

那么我们抽象一下它的定义结构就是：

形容（传统）不能满足+需要（新处理模式）=大数据。

如果觉得还没有描述清晰大数据，我们再加入4v的定义。4v是指Volume(大量)、Velocity(高速)、Variety(多样)、Value(价值)。结构变化如下：

形容（传统）不能满足+需要（新处理模式）=大数据+具有4v特征。

到这里的时候，大家应该对大数据的定义有了一个更加清晰的认识。那么为什么突然就大数据了呢？其是数据一直都在，只不过是记录数据的方式在变化。自古至今我认为可以简单分为四个阶段。

第一个阶段，以前没有IT前我们用书本等记录数据，这个时候受限于采集数据的手段单一、人生产数据的工作效率低以及分享的不便捷性，导致数据单一、量少。这个时候数据的特点是少量、价值密度高。

第二个阶段当有了IT技术后，我们把我们的工作数据和个人数据记录在服务器里面，这也就是信息化。例如银行的业务系统，企业的OA系统等，通过信息化引发的各种工作数据、业务数据开始进入到服务器中。这个时候的数据呈现出业务性特点。

第三个阶段当出现了互联网后，我们的数据开始加大、开始出现分享的文档、图片、视频等数据。这个时候数据开始出现大量、多样性、价值密度低等特点。

第四个阶段也就是我们目前所处的阶段，这其实也是由新技术以及环境的变化引发的现象。物联网的兴起带来了大量的高速的物联数据，例如gps设备、监控心跳和血压等设备。移动互联网导致我们以手机为终端实时产生大量的语音、图片、视频等多样性的数据，例如我们每天用微信聊天沟通，支付等。这个阶段的数据的特点是随时随地产生数据。真正达到了具备4V的特征。

所以说大数据跟我们每个人是息息相关的，你可以回想一下我们每个人每天的场景。我们带的穿戴式设备、用的智能家电、手机等设备，我们每天上下班的乘坐的交通工具，我们进入单位后的打卡数据、工作行为、上网行为、购物行为等。

在这个信息爆炸的时代我们每个人是一台生产数据的机器，全社会上的人都在源源不断地制造数据。这是个万物互联，数据连接的时代。换言之我们每个人都是大数据的缔造者。那么我们理所当然也应成为大数据的受益者，接下来会为大家娓娓道来。

蒙牛集团项目经理万雁俊

社会的所有行为都可以通过网络数据来表现，在8月9日CIO发展中心联合蒙牛集团举办的走进“智慧”蒙牛会议上，蒙牛项目经理万雁俊就消费者大数据从蒙牛消费者数字化平台架构、面临的问题解决方案总体思路、蒙牛消费者数据结构、营销标签、蒙牛消费者洞察体系、数据采集整体技术方案、消费者洞察可视化七个方面进行了详尽的分享。

本文由CIO发展中心根据蒙牛集团项目经理万雁俊在“走进“智慧”蒙牛”会议上的演讲整理。

一、蒙牛消费者数字化平台架构

应用层：以消费者为中心，服务于消费者，如线上的销售，营销互动，品牌传播，社交媒体、客户服务等；服务层：卓越运营，IT打造的服务中台；数据层：今天重点讲的一层。对外营销，媒体投放，营销互动，第三方数据等，包含业务领域、电商领域、数字营销等，各数据都汇总至此。

二、面临的问题解决方案总体思路

面临的问题：

系统多种多样，数据特别繁多；数据散落在各个应用系统，造成数据孤岛；整体数字化运营体系缺失，各业务单元对数据分析理解参差不齐。

解决方案思路：

数据需集成与处理；对数据进行整合与分析；构建全集团洞察分析体系。

解决方案：

采集“人”：以“人”的视角进行数据采集，构建消费者全域数据中心；识别“人”：跨屏跨域唯一辨识，多ID归因识别；分析“人”：基于用户的标签分析，行为分析与关系分析，洞察框架驱动运营。

三、蒙牛消费者数据结构

蒙牛消费者整体数据结构，包含基本信息、会员信息、特征信息、营销互动、交易数据和消费者行为数据等。前三者为消费者最基本的信息，行为数据非常重要。消费者的购买方式、消费喜好、营销偏好、交易数据、消费者分享、消费轨迹等等，都是基于线上、线下的活动，和消费者在互动过程中积累的数据，从不同的维度形成一个消费者360度整体的一个思路，全面对消费者进行洞察。通过多重数据和标签，就可全面分析其消费特征，结合其消费偏好，打上标签。

四、蒙牛消费者洞察体系

通过采集、分析消费者线上行为轨迹，可以知道“这个人是谁？”，为后期业务进行消费者行为深入研究及进行人群精准化投放，提供重要数据来源。通过业务标签，不断积累更新，标签越来越丰富，这样对于消费者才理解的更清楚。

这些标签总共分为四大类：

自然属性：人的肉体存在及其特征。如：性别、年龄等；社会属性：在实践活动中产生的社会关系的总和。职位、学历、所在城市等；兴趣偏好：对非物化对象的内在心里向往。如兴趣偏好；行为消费偏好：对物化对象的需求与偏好。如对什么品牌感兴趣，对牛奶口味有哪些偏好等。

五、蒙牛消费者洞察总体技术架构

通过数据采集，品牌营销活动、电商平台、三方交易平台、媒体平台及内外部系统，形成统一的消费者全域数据，通过OneID，形成自然人的统一ID识别与连接，并聚合不同业务领域的用户行为，通过关系中心，形成统一ID之间的关系网络，并结合标签中心为业务赋能，如：营销评估、个性化推荐、人群管理、消费者画像等。

六、数据采集整体技术方案

数据采集整体技术方案中，包括一些APP，网页、H5及小程序等都是通过采集工具实时传输到系统中处理。采集整合是洞察的基础。

七、消费者洞察可视化

1、营销可视化监控：从用户触达到效果评估的全生命周期监控，对营销互动的资源配置就可以快速调整。

2、活动主题分析：从用户、渠道、产品的维度深度分析业务发展情况，支撑业务发展跟踪。此次扫码活动相比较历届扫码活动有所提升吗？对于这类活动未来的风险点在哪里？是否还存在其他机会？

3、标签沉淀：基于标签分类、单个标签等维度分析各标签的用户规模，并构建面向个人的全息画像。

八、CNY活动概述—访客旅程

用户通过扫描二维码，进入网页，互动，抽奖。消费者线上扫码访问到活动平台，在整个活动流程，首先使用营销工具为其打上标签与身份特征，活动数据实时呈现。通过定义参与不同业务过程的价值分值，这样便可以清楚看到不同的媒体渠道带来的渠道价值。另外结合时间维度、每一周、每一天、每小时结合用户行为与渠道分布等交叉组合呈现输出，都可以触发业务人员的场景设计的想象。

通过分析数据。这次活动中，超六成为女性，25-34岁，学历较高，同时大部分有子女，孩子为学龄前儿童；在有子女的人群中，有车人群占到七成，与全网做匹配，发现这部分人群爱网购，京东、淘宝利用率位居榜首；其次喜爱观看偏女性生活视频，大部分人优先选择腾讯、优酷和爱奇艺。它与之投放策略相辅相成 。通过分析，将这部分人群做相应的快速速写，引发业务人员一定的思考，对于后期媒体投放等都将有明确的参考作用。

（本文转载自“CIO发展中心”）

前段时间做了一个关于诺贝尔人才流动的题，包含了可视化视频和信息图，所以用这个选题，来分享一些制作过程以及工具使用，希望能够帮助到题主和其他和对这方面感兴趣的知友。

先丢个链接一分钟看百年诺奖人才流动：哪些国家是最强的人才孵化地？

主题：诺贝尔获奖者的流动

我们想表现的就是诺贝尔获奖者出生地与获奖时的居住地的变化，所以想到流线地图的方式，用地图直观的看到某些时间段内人才流动的变化。

数据：如何收集这个数据？

对于这个案例，毫无疑问的数据来源是诺贝尔奖的官网，上面有最详细的获奖者信息。

对于其他的选题，首选与主题相关的权威官网。

我们用Import.io工具抓了871条关于诺贝尔奖历年来的获奖者信息。

因为最终效果要在地图上呈现，在源数据的基础上，表格里还加入了国家的地理坐标，方便下一步的软件操作。

工具：这是用什么做的？

最终视频=Processing+Ocam+AdobePremiere+Adobeeffect

一个正经的小视频居然还用到这么多工具？！

那我们用这些工具分别干了什么？

①Processing

本次视频的流线地图效果的重要支持软件！！

我们的编辑写了298行代码，去表现诺奖人才流动的变化。

其实Processing也可以直接导出每一帧图片，但为了更好地和AE对接，所以选择了录屏软件，灵活性更大。

下面是编辑有话要说：

1.Processing是具有设计背景的团队，为脑回路完全不一样的设计师们或者代码苦手等麻瓜(喂)人群打造的交互编程语言，上手容易，逻辑就跟使用AI一样，特别顺畅（….至少刚开始是这样啊喂！）。

2.对从没接触过编程的人来说，Processing会是个好开始，不光是学习Processing，你可以通过学习Processing接触何为编程，理解编程的逻辑，进而接触其他编程语言，这也是Processing创始人的初衷之一。

3.气质不一样。恩这点有些玄乎…我把这归结为因为Processing没有封装一些常用的数据可视化形式，导致能发挥的自由度更高，形式更奇葩多样，可以丑到没下限，也可以很美。设计师背景也会让气质不一样，类似同样由设计师背景团队打造的raw，是DesityDesign实验室的产品，你只要打开DensityDesign的主页可能就明白为什么我说气质不一样..大概。

当然无论是Processing还是d3.js,chart.js…或是AI，都只是工具而已，能用到什么程度，还是看使用它的人。数据可视化并不是Processing的核心，Processing可以被叫做创意编程语言，那种感觉就好像它已经从设计师跳脱到艺术家了……很多艺术家都使用processing创造自己的作品。甩个接地气的例子，日本女子组合Perfume有个国际推广的项目perfumeglobalwebsite，她们几场看起来各种酷炫的黑科技演唱会都有Processing的一份功劳哦。

废话一不小心就这么多，重要的是，你还不和我一起跳入processing的大坑啊呸知识的海洋么！

②Ocam

一款录屏软件，用它来录制我们的小视频。

③AdobeEffect和AdobePremiere

用于录制视频的剪辑合成和其他效果的添加。

以环形信息图做案例，我们选择CircularDondrogram。

第三步：选择条件生成效果图

拖拽左边的条件到右边呈现的项目，右边的排序会影响最后生成的结构，生成的效果也会根据你的词条实时更新。

嗯，感觉有了，但作为一名美数课代表。这效果怎么可以直接发送给我可爱的班主任？

所以先丢给AI，丢给神奇的AI。（噢，这里AI泛指AdobeIllustrator，不是ArtificialIntelligence）

第四步：导出svg，AI中修改，发给班主任，交稿，下班。

有什么技巧？

数据可视化的方式和工具有很多：

有人说，“可视化的很多工具都是一个大坑。”

本课代表否认，“这哪是坑，明明是黑洞！！！洞！！”

Anyway，掌握你所需，然后不断的练习，用合适的方式清楚地表达准确的信息。

随时间变化、带有时间属性的数据称为时变数据。处理时变型数据的方法有时候又与顺序型数据有相通之处。时变数据的特点是量大、维数多、变量多，类型丰富，分布范围广泛。

以时间轴排列的时间序列数据，如：个人摄像机采集的视频序列、各种传感器设备获取的监控数据和故事股票交易数据、太阳黑子随时间的变化、奥运会比赛日程。在时间序列数据中，每个数据实例都可以看做某事件，事件的时间可当成一个变量。

不以时间为变量，但具有内在的排序顺序的顺序型数据集，如文本、生物DNA测序和化学质谱等。这类数据的变化顺序可以与映射为时间轴进行处理。

线性时间可视化

二维线图：善于表现数据元素在线性时间域的变化，却难以表达时间的周期性。

基于时间轴的散点图：颜色编码产品类别，圆点大小编码价格

线性时间表达，气候数据可视化

基于时间线的设计

周期时间表达

时间序列沿圆周排列螺旋布局一个回路一个周期

3D耗电量可视化

日历视图和属性视图通过时间属性进行关联

河流图（堆叠语义图）

在阅生活（阅木居）材料力学综合实验室，一块块木头，一片片铜板被送进不同的测试仪器里头。在精准调试的不同温度、湿度、外力强度环境下，它们将以另一种面貌出现，成为一份份测试报告的数据支撑。

初夏六月，知了还没开始为人们高歌伴奏。阅生活总部，一如既往地平静。经过两个月的筹备，阅生活材料力学综合实验室和干燥碳化实验室正式投入使用。在这里，接受测试的每一块木头和铜板，来自一件件仓库里整装待发的阅梨家具。实验室从投入使用的第一天，深耕家具工艺技术长达18年张毅军，深深感觉，肩上的担子更重了。在设计师麦子眼中，在这里，他所有看似天马行空的想法，从此，都能找到更有力的技术支撑。

一把承载时光的椅子

对麦子来说，作为一个设计师，如果过度注重美感，而不考究家具的工艺和材料，都是不负责任的。

麦子有的是自由奔放的想象力，可谈到家具设计时，他始终觉得，这是一门严谨的学科。

“一把椅子到了一个家庭里，它的命运，是我们出厂的时候不可预见的。我们以为椅子上会坐一个清瘦的女孩。若干年后女孩结婚生子，可能成了一个大胖子。那么当初这把椅子，是否能承受主人的变化。

另一个是椅子可能被使用的环境。我们以为它会被放在潮湿通风的地方。结果它可能放在实验室里，也有可能放在有地暖的干燥房间里。那么这把椅子是否还能抵受环境的复杂性，并且保持原有设计的完整性。”

麦子的设计来自于真切的生活体验，他希望实验室的创立，可以预见更多被买回家的家具，在不同的“家”里的可能性。从此，让更多的设计创意，落地有声。

数据呈现设计之美

一个家具的设计，到一个家居品牌的呈现，涵盖了很多不同领域的参与者。实验室测试员反复操作，得出的看似冰冷的数据，是每一个设计从构想初期，到技术实现的重要参考。甚至可以说，实验室测试员参与了家具设计的过程。

每一天，恒温恒湿箱、干燥箱里都进行着周期从一两天，到半个月不等的实验。各种木材，金属等家具部件，在这里经受着外力承重、冷热循环、干湿耐候等一系列的考验。就连粘合使用的胶水和运输打包的纸箱，都一一成为被考验的对象。

在实验室里，即便是再细小的物件，只要对人们的使用体验有所影响的，阅梨人也愿意花费时间和精力去检测。这些检测数据，从技术层面影响着一个设计的落地。

从脑海中的理念，到设计图纸的呈现，再到打样成品。至此，一场家具设计并没有结束。造物、造家，从来没有人可以心甘情愿地将就。一张多长的餐桌，招待着更多的亲人和朋友。一把摇椅，有时候也可以成为想家的理由。

在阅梨，不管是设计师麦子、研发打样师傅，还是实验室测试员，每一个人都挑剔着不够舒服、不够好看的家具。他们以一种探索的姿态前行，于是一个个技术壁垒被不断突破，新的设计不断被创造。

“美”或“好”的答案有无数种，诚如每一个独特的个体。然而在阅梨，每一个人，在各自专注的领域，总能达成对“美”的共识。

麦子希望，在未来，阅梨实验室能成为行业里的标杆。实验室的创立，不仅向每一个生产环节的同事，也向每一个购买阅梨家具的人，传达一种态度：我们是认真的。

阅梨的每一件家具，从设计创意，到研发打样，再到批量生产。每一个环节的操作和把控，每一种材料的选择和应用，都不是感性、经验上的判断而做出的决定。

经过各道工序之后，形态各异的成品家具列阵以待，准备好开始接受市场的检验，也准备接力每一场长久的陪伴。

广州网页设计别样设计表示：这是一个互联网时代，也是一个大数据时代，基于这样的环境下，数据可视化被越来越多人所需要。对熟悉数据的人来说，它不仅仅是一堆枯燥乏味的数据，而是潜在的巨大价值，从数据分析中找出问题，从大数据中获取利益，是目前的一种商业趋势。

数据可视化将数据库中每一个数据项作为单个图元元素表示，大量的数据集构成数据图像，同时将数据的各个属性值以多维数据的形式表示，可以从不同的维度观察数据，从而对数据进行更深入的观察和分析。那如何将这些信息巧妙地与网页设计结合起来呢？下面这些设计师做到了。

团队考虑最新的研究和数字来说明所谓的一代债务，在页面设计上他们想出了一个小但易于理解的方式，通过四代（Swing代、婴儿潮一代、X一代和千禧一代），它演示了今天的经济现实，让你比较和对比情况。这里所有的事实都在你的指尖：跟着找到更多的字符。

作为首要准则——数据与技术所需，需要尝试各种定制化图形，最好要有备选计划，以防设计并不奏效，或者客户喜欢相对保守的方式。设计师用了颜色编码来展表现政党偏好，同时立体突起在视觉上表现人口统计信息。

这个项目包含两个微型网站，第一个显示的数据迁移的新闻，而第二个人口普查显示迁移。很容易地比较和对比人口运动在英格兰和威尔士的所有地区，人口指标作为常规图表和图形巧妙地设置在运动，信息图表不感到无聊，相反它看起来挺现代和复杂的。

现在很多大公司倾向于通过信息图公开承认他们的成就，它已经开始作为一个新的方式来庆祝周年，逐渐变成了一个真正的趋势。70年INRA的情况下，球队已经远远超出了标准和赐福给读者提供一个一流的项目由最新的互动解决方案。因此，用户可以沉浸在一个令人兴奋的视觉体验里。

数据可视化需要将一些复杂的数据以图形化形式展示出来，对于信息图的视觉呈现要求是很高的，如果设计不好，还不如直接看Excel表格来的方便，所以数据可视化网页设计非常考验设计师们的能力。在自己还没有把握能设计好的时候，不妨多看看大神的作品，还能帮助自己进步哦~

由广州UI设计别样设计原创，原文地址：uibieyang，转摘请保留版权，谢谢。

数据存储，数据处理，数据分析，数据呈现-是Excel四大主要功能。今天我们来聊聊“数据呈现”应该遵循什么逻辑。

数据通过处理分析后得到了我们的最终数据结果。最后一步，我们就要通过可视化分方式呈现出来。那么到底我们应该如何合理地使用图表，从而呈现我们的观点/分析结果呢？当中的逻辑和理念又是怎样的呢？一般来讲，我们需要利用逆向思维，也就是根据我们要呈现的效果来决定选择什么图表。

比如：需要呈现不同时间段的数据走势或者趋势预测，折线图比较适合；需要呈现不同类别的份额比例，可能饼图或者环形图更适合；需要呈现某一阶段的某些元素出现的频率，可能散点图更适合；某些时候，还可能需要应用组合图。

总之，在选择图表类型之前，先要明确自己要呈现什么样的效果，要向读者表达什么。这就是图表设计的逻辑。

现在有下面这样一组数据，我们要向读者呈现不同区域，不同城市的数据对比。先停下来，想一想，我们应该选择什么图表？

（一般来讲，我非常不建议在原始数据表格中合并单元格，这里只是为了方便表达数据结构而制的表格。）

不同城市的数据对比，柱形图或者条形图都没有问题。但是同时还有区域数据对比，这里还用柱形图或者条形图的话，就显得类别对比不明显。

（对比效果不好）

那如果我把区域数据图表类型改为折线图呢？折线图往往更倾向于呈现某一段时间内的数据变化趋势，显然跟我们要表达的不同区域数据对比不一致。

这里我更倾向选择堆积条形图和饼图、环形图。

制作步骤也简单，区域数据为序列1，城市数据为序列2，先制作环形图。然后把系列2城市图表类型更改为饼图。这样，城市数据对比和区域数据对比就一目了然啦。

我个人更喜欢堆积条形图。

我认为这样设计的图表对比更直接更强烈。无论是区域数据对比还是城市数据对比。

不过在这里对于原始数据表的设计需要一点小技巧。Excel认为，需要堆积的数据应该在处于同一行或者同一列（即按分类的数据堆积，或按系列数据堆积）。所以，我们需要把原始数据表设计成下图，否则很难生成以上的堆积条形图。（有兴趣的话，这里强烈建议大家制作不同的数据表，然后尝试制作条形堆积图。你会看到各种各样意想不到的效果，有助于理解堆积图生成的原理。）

总而言之，图表制作我们可以采取逆向思维，先根据需求构想最终图表，然后通过选择合理的数据表将图表制作出来。

再多说几句，关于图表美化，实际上Excel的图表工具非常丰富，只要你灵活应用自带的图表工具和各项细节设置，也可以做出美美哒的图表。比如下面这个图表，实际上就是用了一个柱形图，组合四个折线图，然后通过一系列美化设置而成的。聪明如你，看出来了吗？