DataViz数据可视化分析工具中有很多种图表，不同的图表针对不同的业务场景来使用。在我们日常数据分析中折线图是经常使用的图表。DataViz中折线图包括堆积折线图、传统折线图、滚动折线图、堆积面积图、传统面积图、滚动面积图。折线图可以显示随时间而变化的连续数据，因此非常适用于显示在相等时间间隔下数据变化的趋势，今天我们看看DataViz中传统折线图怎么用。

折线图表示数据的变化趋势，所以使用折线图时就重在趋势上，一般使用时间作为维度进行分析，折线图表示的是数值趋势，是趋势变化，在我们进行数据分析时有时并不关心某一个时间点上的具体数值，而是通过折线的方向了解趋势变化，上升还是下降，平稳还是抖动，坡峰还是谷底，可以通过对趋势的分析了解变化过程。

比如想了解网站新增注册人数的变化趋势，这时我们应该如何做呢？首先这种场合就是典型的折线图的使用场景，可以用DataViz的折线图进行分析，制作折线图注意以下特点：

1、横坐标一般是时间维度，时间累积可以形成趋势，可以展现一个时间线的数据变化情况。

2、小、中、大数据集都可以支持，只要是时间序列数据，就可以形成时间线变化趋势。

3、关注的焦点是趋势，主要通过显示时间线方向上的趋势变化，并不关心具体某一点的具体数据。

下面我们看看如何使用DataViz进行分析

我们想要分析新增用户的变化趋势，只需要设置两个维度的数据即可

●数据轴

设置需要分析的数据值，这里我们设置为新增用户数。

●分类轴

设置比较趋势的维度，这里我们设置的是月份。

通过图表可以很清楚的看出新增用户在时间方向上的趋势变化，通过分析我们可以看到不同月份新增用户的变化，可以分析我们哪些工作影响了数据的变化，有针对性的进行优化，以达到我们的目标。

有的时候我们不只是想分析一种数据变化趋势，同时需要分析同一时期其他多种指标的关联性，可以再增加其他数值维度数据

数据分析的目的是为了使用，所以能够提供有效的利用方式也很重要。在DataViz中只要将分析图表的链接分享就可以便利的进行使用，而且支持公开分享和密码分享两种方式。

DataViz数据可视化分析工具中传统折线图主要用于趋势分析，可以通过时间线的数值变化来显示数据的趋势变化，在日常中有广泛应用在强调趋势的业务分析中。

数据分析的多数简单操作，就是把焦点聚焦于多分类维度的数据呈现，以表格、图表的形式将重点突出。

关于FineBI，可能很多小伙伴多多少少了解过这款商务智能工具，这是目前市面上应用最为广泛的自助式BI工具之一，与之同行的还有Tableau、PowerBI等。

你可以把它是做为是可视化工具，因为他里面自带几十种常用图表，以及动态效果；你也可以把它作为报表工具，因为他可视化报表展现，以表格状、以dashboard状；你也可以把它看作是数据分析工具，因为如果你有数据，你想分析，可以借助FineBI做一些探索性的分析，其内置等数据模型、图表。

但严格定义来讲，他其实一款自助式BI。常常被用作大数据前端展现的工具，对接hadoop、Spark等平台；用作业务部门的取数、业务数据分析（IT数据部准备好数据，业务查看分析）。

它的操作就像是Excel中的数据透视表，相信很多小伙伴儿特别是已经在职场已经混迹很多年的小伙伴儿，对Excel中的数据透视表非常熟悉，没错，FineBI的操作类似一个升级版的数据透视表。

它不仅仅可以将原始的一维表数据透视为二维表格，它还可以将原始数据直接透视成多维图表，流程跟用Excel做数据透视表几无二致。

接下来我从几个角度来做个演示, 以案例的形式来展示一下：

前提

再讲之前我觉得有必要明确维度和度量的概念，以及对于可视化的认知。

1、维度和度量的概念

BI里面有一个维度和度量的概念，BI的数据可视化其实就是在呈现一组由不同维度和度量组成的字段。

维度是dimension 是描述类别的，比如城市，来源等。

度量是metric，是描述可以进行运算的数量的，比如收入，新用户数等

一个维度可以对应多个度量，比如城市的收入，该城市的新用户数等等。

无论是一维、二维、三维甚至更高维的情况，所有的可视化形式都是建立在维度与度量等指标之上的。所以在导入数据源之后，就应该有意识的熟悉数据结构，认识到所有的指标的属性（是维度还是度量）以及度量之间的关系（粒度的粗细，层级的高低）。

2、可视化并不拘泥于excel图表

想强调的第二点是，数据可视化是一种表达，他的表现可以不同图表、不同颜色区分、多种图表组合、不同动效…并不仅仅是excel里面自带的十几种图表。可视化形式应该服务于业务分析与关系挖据的需求，或者说我们是按照自己的目的去定制可视化的呈现形式。

对比

1、FineBI表格与Excel数据透视表的操作界面，大致相当

FineBI的操作是：选择表格/图表——选择维度和度量指标——附加操作：指标计算（同比环比排名等）、指标筛选过滤操作等，还有一些自定义的条件选项。

Excel的数据透视表和FineBI的表格计算，操作体验和风格大致相当，都提供菜单式操作。

总的来说，FineBI，当数据准备好了之后，新建一个分析，选择需要的图表，然后就会出现左手边的这些字段，依据你想要呈现的结果，将字段分别拖拽到维度和度量框内。分类代表维度，只不过FineBI的筛选器直接放在了字段里，每个字段可做单独筛选，筛选掉不符合条件的数据，比如空值。

2、FineBI表格与Excel数据透视表，FineBI附加更多快速简单的指标计算和样式更改

说了这么久，干巴巴的总要来几个案例练习一下，同样的数据，同样的菜单，同样的字段布局。

针对Excel而言，多维表格数据的展现已经是极限了，因为Excel数据透视表透视的仅仅是表，没法再多给出除了数字之外的信息，这时候就是FineBI大展身手的时候啦。

FineBI可以直接对度量指标设置条件，比如让不同区间的数据变换成不同颜色，以示区分，避免写公式。

可以直接在现有数据基础上，计算排名、同比、环比等指标，简单高效。

3、FineBI-数据透视表=数据透视图

新版的excel里有数据透视图功能，可以图表的形式展现数据。

在finebi里面你可能一键切换图表，或者托转另外一个图表重新制作。

将各个数据图表汇总组合，它还可以制作数据大屏

FineBI我觉得高明之处在于，数据展现方便。通过拖拽数据字段，能立马展现可视化效果，加以联动钻取扥功能以及图标切换功能，动态效果立马显现，自助式BI的精髓表达的淋漓尽致。

据说之后发布的5.0版本，会增加很多数据分析功能，利内置数据分析模型，用维度透析的理念来按需完成可视化探索过程，将BI的功能维度又上升一层次。

今天分享干货——数据驱动运营，该从几个维度分析？

如果你是互联网创业者，想必你会有运营互联网产品的经历。做互联网产品（除技术以外），其中一个很重要的环节非运营莫属了，不知道大家有没有运营的经历，那些年我们运营过的产品。从创业以来我做得最多的莫过于梳理商业模式以及运营产品，今天我就分享一下运营产品的心得（顺便吐槽一下那些让CEO喷血的用户嘿嘿~）。

在我创业的时候，我曾做过用户运营以及产品运营，这让我想起某个投资人的一个段子：作为CEO，一定要亲自接触用户，亲自做客服运营，因为会让你“怀疑人生”。

想起第一次接触运营的时候还是我大一的时候，那时候我做一个高校O2O产品，解决高校配送的痛点，做的正是用户运营，给我的感觉简直就是“毁三观”，这让我相信CEO还是得多磨练，做客服至少可以磨练你的脾气。那时候我每天与用户聊天聊到凌晨一俩点（挖掘需求，接近用户，市场调研啊有木有）。这还好，问题是社会上总有些傻逼呀，我还真见识过一些傻逼用户~心想：“我怎么会服务这些傻逼的用户呀~”“这世界上怎么会有那么傻逼的用户啊~”

运营不只是客服，“数据思维”更为重要|数据驱动运营·强运营的硬道理

对于“运营”特别是用户运营，有很多人误以为就是做客服，其实不然，其实客服只是其中一个环节。但是在运营产品中，有一个环节是尤为重要的却总被人忽略的，就是数据；运营好一个产品，数据不可忽视。我就举个最简单的例子吧，微信公众号，微信公众号门槛极低，相信就算不是互联网人都运营过，你可以把微信公众号视为一个互联网产品，说到微信自媒体，如今微信红利已过，营销起来也不比以前那般简单了，随随便便就引来十来几十万粉丝。说到微信公众号引流，大家想到的可能是靠优质内容，只关注内容。其实这是个误区，靠内容只是营销的环节，却忽略了运营。无论是自媒体还是互联网产品，都有一条服务链条，营销——运营——交互——转化服务。这个链条缺一不可，少了一个因素链条就断了，营销不过是其中一个环节。那么说到运营，我还是以微信公众号为例子吧，很多做微信运营的应该会想到用户运营、内容运营。你是不是就认为所谓运营就是与用户聊天引导用户服务以及内容运营？不尽然~仅仅依靠这样的用户运营是不够的，因为这样你不知道用户需要什么，你的粉丝是否真的是你的目标用户？你提供的服务是否是刚需？这些问题都需要运营者去考虑

如果你运营过公众号，想必会有此困惑，为什么我每天很用心地运营我的公众号，每天都生产优质内容，还是会掉粉，却找不出原因，每天都有一定的流失率；这个时候就需要用到数据思维了，这个时候数据变成为很重要的角色，你要做的便是——数据驱动运营

数据思维|如何做到数据驱动运营

我在2年前第一次尝试运营公众号，那时候也是未曾注意到数据这一维度，然而就是好不容易引来的流量第二天就流失了~那么如何做好数据驱动运营呢？

误区：不要仅盯用户量

说到数据驱动，有很多运营狗可能就说了，诶我明明有关注数据啊，我每天都观察用户量的，怎么还是不行？

做互联网产品，对于数据而言，用户量固然重要，但却不是判断产品好坏最重要的数据指标。用户量是基础，但是影响用户量的数据维度却有很多，不仅如此，影响产品的因素也有很多例如：DAU、MAU、增长率、留存率等（之前有过跑投资的经历，这些指标也是投资人及其关注的指标）

增长才是王道

其实关注用户量，这个方向&出发点是没有错的，但是影响用户量的最直接的指标便是用户增长，这才是您应该关注的，做好增长提高用户量不是什么难题。

增长是王道，如果不能增长就会衰退

数据分析，该关注哪几个维度？|如何做好数据驱动运营

首先获取数据源

运营互联网产品，其本质无非就是洞察用户行为以及驱动用户行为，然而数据的产生就离不开用户反馈，所以数据驱动运营，首先要获取的便是用户反馈了。

数据驱动运营，数据分析到底从哪几个维度出发呢？儒商经试错得出：“用户量、用户增长率、流失率、留存率、渠道转化率、MAU（月活跃率）、DAU（日活跃率）、变现转化率、回购率、人群画像分布”这10个维度的数据尤其重要。

好像上文说到的，用户增长，影响用户量其中一个维度就是用户增长；当然了，不仅仅这一个数据维度，每一项维度都有其影响的数据维度，比如说影响用户增长的有可能是你的留存率以及推广渠道的渠道转化率。然而影响留存率的便是流失率

当然分析数据以及利用数据驱动运营除了数据之外，洞察用户特征也很是重要

除了以上说到的几个数据维度之外，还有一项也是尤为重要的便是用户特征分析维度：地区分布、兴趣爱好、用户行为、性格等，按照如此分析，你能分析出他是不是目标用户群体

就是我在文章开头说到，优秀的运营应该尽可能地接近用户了解用户，才知道用户需要什么。举个简单的例子，假如是做女装电商的，那么你的用户群体便是女生，在用户分析你便要从性别来分析，那么你就可以很简单地剔除男性用户了，再进一步分析兴趣爱好、地区、年龄等维度，从而分析出用户行为以及引导用户，这便影响着你的产品的变现率（毕竟在商言商嘛~商业本质在于变现，转化消费才是王道）

用户量是基础，关注精准流量，投放渠道求ROI——渠道转化率

所有数据分析的来源，都是要有数据，数据便从流量从人而来，所以用户量便是基础了，没有用户量没有流量便是0，那么数据分析也无从谈起。

这便说到了营销，营销最直接的方式便是投放媒体或投放推广渠道，从别的渠道挖流量过来。有很多老板总说我投了那么多钱ROI（投资回报率）总是很低呀~那么这个时候你需要关注渠道转化率了，渠道转化影响着用户增长以及用户量。

如何投放，投放广告也是非常有讲究的，随便投放当然是徒劳无功，首先不用说都知道，尽量投与你产品相类似的媒体或平台（精准流量）

其次关注渠道转化率，剔除转化率较低的渠道。例如说，我投放广告，投放了百度、微信以及微博的，那么你需要去分析不同渠道各自的转化率是多少了，例如百度的转化率是最高的，那么你就选择投放百度，剔除微信以及微博的投放，以确保你的推广渠道的转化率

多维事件分析&漏斗分析法|如何做好数据驱动运营？

在运营产品当中，要时刻关注每一个数据指标以及影响其指标的数据维度：

基于用户量、人群画像时间分布、性别分布、用户行为、日均交易额等维度分析流失率、增长率下降等问题

漏斗分析法

在分析数据的时候，如何做好数据驱动运营，我提供一个分析数据的方法——漏斗分析法

我举个例子，还是做电商的例子，电商人都知道，电商的数据尤为重要的数据便是留存率、流失率以及消费转化率。

然而影响流失率的有可能就是用户体验的问题以及交互环节，例如电商的用户行为，最重要的便是支付环节，购买环节。然而有很多电商的平台便是在支付和购买环节上流失率较高，这与用户体验有关系，有可能你的购买的环节太多了；比如，用户看到一样产品他想购买，但是你需要进入选择产品接入支付接口，支付才能购买，这中间经过了四个环节，交互环节较多，用户的时间成本高了，用户就不想买了，用户有可能在中间的某个环节就已经流失了。

这个时候作为运营你就需要去分析其中的情况，获取用户行为按照每个阶段分析留存情况，然后再分析流失情况以及原因，再进行优化。

3、留存分析：

分析不同批用户的用户行为特征，分析其留存情况。

4、回访分析：

A、分析用户在一定时间内重复消费的分布。

B、调查用户反馈。

把这些数据都做好，就能做到数据驱动运营，只要做到这点你的产品运营会更加贴近用户，也能调查出你的产品问题出在哪里。

作者：儒商诗人，90后，创业小白，出身互联网。热爱商业 ，专注于TMT领域，倾力于商业知识服务，分享更多创业干货，欢迎关注

指标与维度是数据分析中最常用到的术语，它们非常基础，但很重要，只有掌握理解了，才能更好的开展数据分析工作。

1、指标

指标，用于衡量事物发展程度的单位或方法，它还有个常用的名字，度量。例如：人口数、GDP、收入、用户数、利润率、留存率、覆盖率等。很多公司都有自己的KPI指标体系，就是通过关键指标来衡量公司业务运营情况。

指标需要经过算法实现，并且是需要在一定的前提条件进行汇总计算，如时间、地点、范围，即常说的统计口径与范围。

指标可以分为绝对数指标和相对数指标，绝对数指标反映的是规模大小的指标，如人口数、GDP、收入、用户数，而相对数指标主要用来反映质量好坏的指标，如利润率、留存率、覆盖率等。我们分析一个事物发展程度就可以从数量跟质量两个角度入手分析，以全面衡量事物发展程度。

2、维度

维度：是事物或现象的某种特征，用来衡量程度的好与坏。如性别、地区、时间等都是维度。

其中时间是一种常用、特殊的维度，通过时间前后的对比，就可以知道事物的发展是好了还是坏了，如用户数环比上月增长10%、同比去年同期增长20%，这就是时间上的对比，也称为纵比;

另一个比较就是横比，如不同国家人口数、GDP的比较，不同省份收入、用户数的比较、不同公司、不同部门之间的比较，这些都是同级单位之间的比较，简称横比;

维度可以分为定性维度跟定量维度，也就是根据数据类型来划分，数据类型为字符型数据，就是定性维度，如地区、性别都是定性维度;数据类型 为数值型数据的，就为定量维度，如收入、年龄、消费等，一般我们对定量维度需要做数值分组处理，也就是数值型数据离散化，这样做的目的是为了使规律更加明 显，因为分组越细，规律就越不明显，最后细到成最原始的流水数据，那就无规律可循。

只有通过事物发展的数量、质量两大方面，从横比、纵比角度进行全方位的比较，我们才能够全面的了解事物发展的好坏。

其实在实际数据分析的过程中也参照以上思想。通过大量的数据分析软件工具应用可以发现，主要包括以下内容：

整体情况分析和汇总：全局数据的概况、变化趋势、占比等多维度分析：如果是日志数据，已经存在多个数据项，以某一个数据项作为主关键词汇总分析，同比、环比变化，占总数的变化。如果没有日志数据，则需要想清楚解决这个问题原因是什么?需要采集哪些数据项?重要场景问题分析:根据分析的重要问题、用户关心的问题进行分析软硬件性能管理：告警管理、报表管理、基础参数配置和用户管理等

信息化时代，日常的生产生活都会产生不同量级的数据，但这些蕴含重要意义的数据大多是纷繁复杂的。可视化作为解决此问题的重要手段，以直观、多维的结构关系呈现，通过视觉的方式让数字易于理解，并对其进行更深入的观察和分析。图表，是可视化的基本表现形式。常见的基础图表主要有以下几种类型：

柱状图：显示一段时间内的数据变化或显示各项之间的比较情况，主要使用颜色进行类型区分。

优点：直观展示各组数据差异性，强调个体与个体之间的比较。

缺点：不适合大量的数据集数据。

适用场景：数据集较小的一个维度数据的比较，或者数据单纯展示及排序数据展示。

折线图：折线图常常被用来观察某一维度的数据在一段时间内的规律和趋势。

优点： 直观反映数据变化趋势。

缺点：数据集太小时显示不直观。

适用场景：需要反映变化趋势和关联性的时间序列类数据及关联类数据。

饼图：饼图可展示多组数据，表现各组数据占总比情况。

优点： 直观显示各项占总体的占比，分布情况，强调整体与个体间的比较。

缺点：数据不精细，不适合分类较多的情况。

适用场景：一个维度各项指标（一般不超过5个项目）在总体中的占比及分布情况。

散点图：散点图极少出现在报表中，但它在数据分析中经常被用到。散点图通过坐标轴，表示两个变量之间的关系。绘制散点图的关键是大量数据点的分布，数据体量越大，散点图的分析结果越准确。

优点： 直观反映数据集中情况，对离散数据线性回归等曲线预测性的拟合辅助作用，展现两个变量之间的关系。

缺点：只有在数据量足够大时，散点图发挥作用。

适用场景：用于两个维度的数据比较，多在对离散数据进行预测时使用。

气泡图：在散点图的基础上以每个点不同的面积来标注数据值，气泡图赋予散点图比较数值大小的功能。

雷达图：可以在同一坐标系内展示多指标的分析比较情况。它是由一组坐标和多个同心圆组成的图表。雷达图分析法是综合评价中常用的一种方法，尤其适用于对多属性体系结构描述的对象作全局性以及整体性评价。

特点：适用于多维数据，且每个维度的数据是有序的。

适用场景：雷达图适用于四个或四个以上维度的多维数据，但数据维度最多不超过六个，数据点过多，各维度之间的区分就不太明显，辨别起来会有一定难度。劣势：解读雷达图需要一定的相关知识，增加了解读成本。使用过程中应尽量加上说明，以减轻解读负担。

堆积玫瑰图

优点：可在一个图表中集中反映多个维度方面的百分比构成数据，幅面小，信息量大，形式新颖，吸引注意力，够高级，够给力：）

缺点：非常见图表形式，多数人不易看懂。图形存在误导因素，同样的半径长度，越往外面积越大，但实际是以长度代表数值。

适用场合：多适用于商业杂志、财经报刊等媒体展示的信息图表，但在传统工作场合需谨慎使用，因为堆积玫瑰图因为其具备的一定复杂性，可能产生用力过猛和炫技之嫌。

地理图：地理图适用于一切和空间属性有关的数据分析。地理图一定需要用到坐标维度，可以是经纬度、也可以是地域名称。坐标粒度能细到具体的某条街道，也能宽到世界各国范围。

漏斗图：用于表示数据转化类关系，适用于业务流程规范、周期长、环节多的流程分析。通过漏斗各环节业务数据的比较，能够直观地发现和说明问题所在。

词云：词云主要显示词频，可用来做用户画像。

优势：图表外观酷炫、表现直观。劣势：使用场景过于单一。

此外，常见的可视化图表还有面积图、关系图、瀑布图、热力图、矩形数图等等。在这些可视化图表当中，有不少都可以通过Excel制作完成，但今天的数据可视化其作用除了基础的数据展示与分析，与此同时，我们对于可视化的效果呈现也提出了更高的要求。万博思图通过长期的可视化定制项目经验，积累了大量精美的可视化基础图表、3D图表以及满足不同展示需求的特殊图表。数据体量越来越庞大、意义越来越重要，因此，也只有应用场景更广泛、呈现效果更美观的可视化图表方可匹配数据价值。

大家对可视化的使用认知或许来源于下面这张图。虽然结构很清晰，但它更多针对Excel的图表，不够丰富。本文会结合数据分析师的使用场景展示更多的可视化案例。

展示需要相比传统的用表格或文档展现数据的方式，可视化能将数据以更加直观的方式展现出来，使数据更加客观、更具说服力。在各类报表和说明性文件中，用直观的图表展现数据，显得简洁、可靠。在可视化图表工具的表现形式方面，图表类型表现的更加多样化，丰富化。除了传统的饼图、柱状图、折线图等常见图形，还有气泡图、面积图、省份地图、词云、瀑布图、漏斗图等酷炫图表，甚至还有GIS地图。这些种类繁多的图形能满足不同的展示和分析需求。

指标卡：直观展示具体数据和同环比情况；

计量图：直观显示数据完成的进度；

折线图：看数据的变动走势；

柱状图：直观展示对应的数据、可以对比多维度的数值；

双轴图：柱状图+折线图，这种图表大家都很经常用到；

饼图/环图：分析数据所占比例；

漏斗图：路径、数据转化情况；

词云：即标签云，展示词频分布；

矩形树图：分析不同维度数据的占比分布情

怎么样看到这里上面这些表，心里默数看看能做几个，一半以上不会的要学习了。

我们的宗旨是简明扼要

用最简单明了的方式推文

ECharts

，一个纯 Javascript 的图表库，可以流畅的运行在 PC 和移动设备上，兼容当前绝大部分浏览器，底层依赖Canvas 类库 ZRender，提供直观，生动，可交互，可高度个性化定制的

数据可视化

图表。

丰富的图表类型

ECharts提供了丰富的图表类型比如常规的折线图、饼图、柱形图等详见下表

并且支持图与图之间的混搭

ECarts图表类型

坐标系丰富

ECharts提供了丰富的坐标系

ECharts坐标系

并且图表可以跨坐标系存在

散点图在地理坐标系

折线图在极坐标系

深度交互

交互是从数据中发掘信息的重要手段。“

总览为先，缩放过滤按需查看细节

”是数据可视化交互的基本需求。

ECharts的深度交互支持在数据的各种坐标轴、维度进行数据过滤、缩放。

深度数据交互

强大的大数据量展现

ECharts 在散点图中能够轻松展现上万甚至上十万的数据。下面的微博签到图中就展现了 100k+ 的签到数据。

大数据量展现

支持多维数据具备丰富视觉编码手段

ECharts 3 开始加强了对多维数据的支持。除了加入了平行坐标等常见的多维数据可视化工具外，对于传统的散点图等，传入的数据也可以是多个维度的。

配合视觉映射组件 visualMap 提供的丰富的视觉编码，能够将不同维度的数据映射到颜色，大小，透明度，明暗度等不同的视觉通道。

视觉编码

数据动态展示

ECharts 由数据驱动，数据的改变驱动图表展现的改变。只需要获取数据，填入数据，ECharts 会找到两组数据之间的差异然后通过合适的动画去表现数据的变化。配合 timeline 组件能够在更高的时间维度上去表现数据的信息。

绚丽的动画特效

ECharts 针对线数据，点数据等地理数据的可视化提供了吸引眼球的特效。

展示特效

ECarts功能总结

今天主要介绍ECarts的功能，以后介绍ECarts操作，喜欢的朋友请关注。

图表对于数据分析师的作用是非常强大的。

图表是展示工作成果的利器，也是分析工作的精华。

字不如表，表不如图。

大概能代表了大部分的情况。

一、工具

新手做图表常用的工具：

百度echart

优点是配色比较好看。

Excel

基本可以完成大部分图表，操作难度这三者里最大。

Power BI

图表利器，配色的话一言难尽，建议自己下载配色方案。Mac用户需要装windows虚拟机。

二、常用图表

散点图的应用貌似并没有柱形图、饼图那么常见，

但散点图往往更能从大量的无规律数据中发现规律。

我们在拿到数据后，第一件事，就是要观察数据。

散点图就可以帮助我们做这件事。

单纯的散点图

这是一张最基础的散点图。由X轴、Y轴组成了单一象限，数据在象限中按坐标轴排列。

加入回归线的散点图

为了更好的看清楚数据规律，往往会在散点图中加入回归线。

回归线可以帮助我们更好的观察数据趋势。

下面介绍集中辅助线，可以根据业务需要添加。

带折线的散点图

带水平辅助线的散点图

带辅助坐标系的散点图

有时，还会增加散点图的维度。

三维散点图

在数据种类需要区分时，需要增加数据的维度。

按男、女分类数据的散点图

散点图与其他图结合使用，可以更直观的说明问题。

散点图+地图热力图

散点图+箱线图

散点图变种：气泡图

散点图应用

举了这么多散点图应用的案例，相信大家已经对散点图的应用有了一定的了解。之后会出如何制作散点图的教程。请多多关注支持哦~

来自：数据观 https://shujuguan

DT时代，我们每天都会收获来自各种渠道的海量数据，它们是对我们上一步行动的反馈，但人脑消化数据的能力却是有限的——如何及时洞察数据中的涵义，就需要数据可视化工具的帮助了。然而，图表的类型非常丰富，如何做出正确的选择，达到“一图胜千言”的效果呢？

［数据的五种关系］

首先，我们需要了解，数据通常包含五种相关关系：构成、比较、趋势、分布及联系。

构成

主要关注每个部分所占整体的百分比，如果你想表达的信息包括：“份额”、“百分比”以及“预计将达到百分之多少”，这时候可以用到饼图。

比较

可以展示事物的排列顺序——是差不多，还是一个比另一个更多或更少呢？“大于”、“小于”或者“大致相当”都是比较相对关系中的关键词，这时候会首选条图。

趋势

是最常见的一种时间序列关系，关心数据如何随着时间变化而变化，每周、每月、每年的变化趋势是增长、减少、上下波动或基本不变，这时候使用线图更好地表现指标随时间呈现的趋势。

分布

是关心各数值范围内各包含了多少项目，典型的信息会包含：“集中”、“频率”与“分布”等，这时候使用柱图；同时，还可以根据地理位置数据，通过地图展示不同分布特征。

联系

主要查看两个变量之间是否表达出我们预期所要证明的模式关系，比如预期销售额可能随着折扣幅度的增长而增长，这时候可以用气泡图来展示，用于表达“与……有关”、“随……而增长”、“随……而不同”变量间的关系。

对信息中包含的5种关系，可以简单归纳如下：

构成：占总体的百分比

比较：项目的排名

趋势：如何随着时间变化

分布：项目的频率情况

联系：变量之间的关系

［图表的具体适用场景］

下面，我们具体来看一下图表特点及适用场景：

以下图表均制作于数据观

条图

条图表达比较关系，按照强调的方式可以排列任何顺序，适用于高亮Top3或Top5数据，如在零售行业中统计畅销品的销售情况就是很好的应用。它是最通用的一种图表，应在所有的图集使用中占到25%。

柱图

柱图用高度反映数据差异，用来展示有多少项目（频率）会落入一个具有一定特征的数据段中，比如分析公司人员构成是否存在老龄化现象，可以通过柱图看到25岁以下的员工有多少，25岁到35岁之间员工有多少等这种年龄的分布情况。同时，柱图还可以用来表示含有较少数据值的趋势变化关系。

分析图形有单指标柱图、多指标柱图以及堆叠柱图类型。

（1）、单指标柱图

（2）、多指标柱图

（3）、堆叠柱图

线图

线图可用来反映随时间变化而变化的关系，尤其是在趋势比单个数据点更重要的场合。

在柱图与线图的选择过程中，可以考虑数据的本质。柱图强调的是数量的级别，它更适合于表现在一小段时间里发生的事件，产量的数据很适合这个领域。线图强调的是角度的运动及图像的变换，因此展示数据的发展趋势时最好使用它，存货量就是一个很好的例子。柱图和线图的使用应占到图集看板的50%左右。

线图类型中可以有单线图，还可以在图中进行多指标趋势性比较。

（1）、单线图

（2）、多指标趋势性比较

饼图

构成比例关系时，最好使用饼图，给人一种整体的形象，可以展示每一部分所占全部的百分比，比如产品A预计销售额占到所有产品销售额的最大份额。

为了使饼图尽量发挥作用，在使用中不宜多于6种成分。人的眼睛比较习惯于按顺时针方向进行观察，所以应该讲最重要的部分放在紧靠12点钟的位置，如果没有哪一个部分比其他部分更加重要，那么就应该考虑让它们从大到小的顺序排列。

数据观除了有标准饼图，还提供中空饼图和环形饼图两种类型。

（1）、标准饼图

（2）、中空饼图

（3）、环形饼图

Attention！不适用饼图的情况

饼图是通过面积呈现数据的变化，当各指标所占比例接近时，无法直观的判断面积的大小，此时选择条图来呈现，规律就更加清晰。饼图是应最少使用的图表，在所有的陈述和报告中其使用率应少于5%。

错误的图表类型：

正确的图表类型：

气泡图

气泡图判断两个变量之间是否存在某种关系，可反映五维数据。每个气泡的不同颜色或标签，以及气泡点大小，都可以反映一个维度。一般使用率为10%。

KPI图

最直接显示结果，适用于高亮关注指标值或者差异，可以通过主要指标和次要指标进行体现。信息量避免过多，越直观越好。

面积图

与折线图较为类似，面积图强调变量随时间而变化的程度，也可用于引起人们对总值趋势的注意。用填充了颜色或图案的面积来显示数据，面积片数不宜超过5片。

漏斗图

漏斗图用来表示逐层分析的过程，从一个总值（最顶端），不断除去不关心的部分，最终得到关心的值的过程。

多用于业务流程比较规范、周期长、环节多的流程分析，通过比较各个环节宽窄大小，能够直观地发现和说明问题所在。常见应用场景：电商网站、营销推广、CRM等。

1）电商网站：通过转化率比较能充分展示用户从进入网站到实现购买的最终转化率。2）营销推广：反映搜索营销的各个环节的转化，从展现、点击、访问、咨询，直到生成订单过程中的客户数量及流失。

3）CRM：销售漏斗图用来展示客户各个阶段转化比较。

金字塔图

金字塔图用于展示类似金字塔的层级结构和数据量。例如某个国家的收入分配，金字塔顶部显示高收入类别，逐渐降低到代表低收入的底部。

雷达图

雷达图可以用来表现一个周期数值的变化，也可以用来表现特定对象主要参数的相对关系。

雷达图多用于在财务分析中，用来分析企业负债能力、运营能力、盈利和发展能力等指标。

地图

地图是信息密度最大的数据可视化方式，人们在日常生活中就使用地图，所以能直观理解地图。

数据观基于不同的视觉化原理提供三种地图：区域地图、散点地图和热力地图。

（1）、区域地图

区域地图是按照国家、省市行政区划分，用来展现地理信息，以及与地理位置有关的信息，指标的多少可以用颜色深浅区分。

（2）、散点地图

散点地图基于高德地图实现，通过定位经纬度，用散点来表示所在位置的信息指标。

（3）、热力地图

热力地图以特殊高亮的形式显示访客所在的地理区域的图示，不同颜色反映不同区域密度的分布。

表格

表格可以通过拖拽所关心的指标，如通过一级、二级分类，了解更加明细的数据，起到数据透视表功能。

综合使用

饼图、柱图、条图、线图、气泡图可以组成可视化报告90%图形，其他视觉化展示可以将图表组合起来综合使用。

以上就是为大家提供的图表基本使用原则，适用于日常工作中大多数的图表制作。

最后，希望大家都可以需要根据自己想要表达的信息选择合适的图表，让数据可视化帮助我们的大脑减负，替我们的数据说话。

1、看数据看维度

在对某一项业务或者业务的某个模块进行分析时，可以从大小两个角度去切入分析。

首先站在广阔的视角去看待一些数据。比如对某个产品（消费品），就要分析在大环境下是一个什么样的数据，如市场排名，市场占有率。还要记录市场整体波动情况，竞品的数据。这些一般可以通过第三方调研机构或者行业报告获得。

FineReport数据报表看板

然后需要分析针对这个产品你内部关心的数据是什么。比如每月每周的销售量，各渠道的销售量，广告、促销活动、线下活动、联合活动等带来的销售的提升和品牌知名度的提升。

当了解完以上的数据，就应该对这个产品方方面面的情况有个宏观的了解，对需要提升哪些数据指标有一个清晰的认识。之后就是细化到某个模块维度进一步分析，比如电商渠道需要关注的多一些，DAU、WAU、客单价、复购、用户流失等等，每个模块都可建立漏斗信息。实际分析时还要关注数据异常，做针对性分析。

2、什么是好的数据指标？

并不是所有的数据字段都可以当做指标。在选择监测的数据指标前可以先问自己几个问题：

一对于这个产品你核心关注的是什么？比如销售增长率、市场占有率？

二这些指标能够反映这个产品的走向趋势么？如果这些指标变好了能否说明公司是在往好的方向上发展？

三这个指标是否可控，能否操作？如果有些指标你目前的技术根本无法统计到，那也是无济于事。

四指标系设立是否严谨不存在漏洞。描述一个产品的一定是有系列指标，这些会标是否能完全的说明情况，在验证你的假设结论时，是否能完全支撑。

再来说说指标的数据和分析。

有时候数据本身也存在欺骗性，比如这个月的销售额是600W，另外两家最大竞品分别是300W和250W，似乎加起来也没有我们大。但是事实上，我们上个月的销售是800W，竞品分别是200W和180W。数据看上去很漂亮，但是按对比和比率来讲我们远下降了。

所以，好的数据最好一定是以比率的形式存在，要有对比性质的相对数据。

单纯一个或几个数据情况是没有意义的，点连成线，线构成面去展示，用图表展示一段时间的整体趋势，才能客观评价产品的健康程度。通常我们用BI或者报表搭建数据看板（dashboard）监测重要的数据指标。

FineReport数据报表看板

数据分析要有目的性，不要被数据迷惑。上面的数据就是只关注了销售额情况，但忽略了整体分析而导致的表面欺骗。

3、发现数据异常，该从哪几个维度去分析？

有时候总量的角度是无法看出问题的，比如销售额、UV下降了，我们需要进一步细化去分析。看销售额总量的时候明显是下降了，先确定大的市场有没有波动，竞争对手有没有动作，需要查看市场总额以及竞争对手每个品类的数据。然后分析自身，每个渠道的销售额情况监测，每个区域的销售额情况，每个时间段的销售情况，把活动时间比如五一的数据扣除拟合，将有问题的标记出来。如果是渠道问题优化渠道，如果是市场波动，需要全局考虑战略和市场对策。

所以如果是销售额的分析，需要从渠道、活动时间点、地域等情况去深入分析。比如，是不是因为十一的活动导致销量有个明显的上升趋势？是不是因为上周搞了促销活动，导致本周一线业务员有个消极缓冲的时段，整体销售额低迷。

另外，数据一场也不是什么坏事，如果再数据分析过程中发现某数据表现极好，比如某渠道的销售增长率很高，是不是可以思考为什么会这样，有什么好的经验借鉴，甚至是不是要考虑调整渠道的投放比率。

4、不同阶段的关键性指标应该是随着业务的变化而变化的

在做数据分析前，我们会确定分析的目标，每个阶段不同。以电商渠道为例，有时候是分析各类活动效果以进一步优化方案或者挑选最合适的方案，留下分析模型以便后续活动对比预测；有时候是研究广告投放，在预算内让营收最大化；有时候是增强用户粘性，提高用户活跃度。

所以不同阶段无论是关键性指标还是KPI都要做相应调整。比如产品投放初期，关注用户数、订单数，后续考虑用户活跃度，回购率，客单价等等。