昨天勾妹给大家分享了数据可视化分析的建设目标，今天聊聊如何去实现这个目标——方法体系及操作流程。

数据可视化分析方法论结构图

方法体系

数据可视化分析方法体系图

数据可视化分析的常用工作方法包括专家法、参照法、归纳法和混合法 4 种。

专家法是一种自上而下、整体规划的方法，适合具有行业领域专家的情况。在这种情况下，依赖行业领域专家的经验，我们可以构建起体系化的数据可视化分析体系。

参照法是一种通过参照和对标行业标准，适配自身业务，构建数据可视化分析体系的方法。该方法适合自身没有行业领域专家，但是有行业内最佳实践或者标准规范的团队。

归纳法也是一种自下而上的工作方法，通过归纳和总结自身业务特点，不断抽象和提炼公共模型，逐步建设数据可视化分析体系的过程。该方法适用于既无行业专家，也没有经验丰富的团队的情况，是诸多方法中投入成本最高的，但很多时候，却不得不采取的一种方法。

混合法是数据可视化分析体系建设到一定阶段之后的必然选择。一方面通过归纳法实践，有了可供参考的模式，形成了可供参照的规范；另外一方面，团队成员在实践中逐步了解业务、了解技术、了解数据，从而成为该细分领域的专家。

无论选择哪种工作方法，数据可视化分析的基本原则是不变的，即围绕业务进行分析，服务于业务、解决业务问题，是该工作必须坚持的核心原则。

明确了数据可视化分析的目的，我们就要开始工作了。

操作流程

数据可视化分析的操作流程并没有一个行业标准和规范，不过基于实践经验的总结，同时参考跨领域的行业标准和规范 CRISP-DIM，我们设计出了数据可视化分析的操作流程，共分为 7 个步骤，如下图所示：

数据可视化分析操作流程图

1.业务理解

一个不了解业务的人，无法参与到数据可视化分析的工作中来；拒绝了解业务的人，没有权力参与数据可视化分析的工作。

在业务理解上，你需要做到：

系统地掌握业务流程，包括业务流、数据流和资金流等；

深刻理解业务规则，是解读业务的前提；

识别业务活动，是输出业务指标和分析维度的关键；

2.定义指标

指标是说明总体综合数量特征的概念，一个完整的指标一般由指标名称和指标数值两部分组成，它体现了事物质的规定性、量的规定性两个方面的特点。定义指标的过程是基于业务活动、抽取和提炼可度量因子的过程。

完整的指标定义过程包括：

业务口径，指标的业务逻辑，比如订单已定量 = 订单净已定量 + 订单已退量， 这一过程赋予了业务指标业务含义；

计算逻辑，业务指标的技术口径，对应完整的 SQL 查询语句和对应的聚合逻辑；

审批流程，确保指标全局唯一性的保障机制，通过审核机制一方面可以确保指标的逻辑正确，另外一方面可以避免指标的重复建设；

权限控制，对于指标使用范围的限定和约束，可以有效约束核心指标数据的使用边界，是保障数据安全的一种手段。

完成指标定义的范例如下图所示：

指标定义图

3.定义维度

维度是分析问题和查看指标的不同视角，指标和维度共同构成数据可视化分析的内容框架。

常见的分析维度包括对比维度、分布维度、构成维度和关系维度等，一个完整的关于维度和常用图表的关系如下图所示：

常见维度图

4.设计呈现

设计呈现是基于已定义的指标和维度，设计页面布局、选择可视图表、设计主题样式和数据交互模式，进行数据可视化呈现的过程。

该步骤的核心在于可视化图表的选择，常见的可视化图表包括：折线图、柱状图、散点图等，每个图表适用的场景不同，我会在后面课时中具体讲解。常见图表呈现效果如下图所示：

Echarts 可视化图表

5.程序设计

程序设计的过程是数据可视化分析工作从设计到研发的转换阶段，需要完成数据理解、数据准备、图表设计和数据验证工作。

伴随数据可视化分析平台技术的发展，越来越多的无代码开发平台的功能越来越完善，如 Redash、Metabase、Supperset 等。

这使得没有代码开发基础和开发资源的团队，在该环节，有了新的选择。他们可以选择可视化数据分析平台，进行无代码开发、程序设计的工作，可以替换为图表设计的工作。

可视化分析平台 Redash 的操作界面如下图所示：

数据可视化分析平台图

6.数据发布

数据发布的目的是把程序设计阶段的输出结果，通过工具化和线上化的手段进行共享。

上述 5 个步骤，都是服务于第 6 个步骤的。数据发布面向不同的用户群体，发布不同的数据内容，包括个人客户、部门客户、业务线客户和集团客户。数据发布的最终输出形式，往往以 Web 站点的方式对外进行，包括数据看板、仪表盘和数据大屏等。

典型的数据发布案例如下图所示：

数据发布图

7.分析洞察

前面 6 个步骤，完成的是数据呈现业务的问题。该步骤是建立在数据发布基础之上的，基于构建的数据可视化图表，进行问题发现、问题分析和定位原因的过程。

虽然分析洞察是数据可视化分析工作的最后一个环节，但不是数据分析工作的最后一个步骤，得出的结论，需要应用到运营策略、营销策略中去，才能够产生最后的价值。

以某单一产品的销售情况为例。

某一个时间节点，总销量下降，我们可以在商品销量趋势图中看到明显的转折点，通过商品销量的构成维度、地区分布维度及对比维度，可以发现该商品销量下降的情况是：某个时间节点，某个地区的销量下降导致的总销量异常，发现问题发生的地方。尔后，调整产品运营、营销策略验证具体原因，从而解决相关问题。