字不如表，表不如图，优秀的数据可视化往往能对复杂的数据起到点石成金的效果，不仅能让数据更直观易懂，还能帮助洞察数据内涵、辅助决策。
但就像做菜一样，将未加工的食材处理成为可口的饭菜需要合适的方法和火候，将原始复杂的数据用图表的方式精妙呈现也需要正确的工具和技巧，不然一不小心可能就会成为“黑暗料理”，让受众不知所云，甚至会误导判断。
比如路透社在2014年发布的《21世纪初枪支死亡人数统计图》就是一个误导判断的数据可视化的典型案例。
翻转的Y轴使得读者并没有意识到21世纪初枪支死亡人数的明显增长推动了《Stand Your Ground》立法的通过，而是错误的认为这项法律的通过的时间点刚好是在枪支死亡人数减少的时间段。
虽然我们并不清楚这个图表中倒置的Y轴是因为想做一个独特的设计，还是想通过这种方式引导读者得出错误的结论，但不可否认的是，这种具有误导性的图表损害了路透社的品牌声誉，由此可见，正确的数据可视化有多么重要。
要做好数据可视化，其流程相信大家已经十分清楚，无外乎四个步骤：获取并梳理数据——明确可视化目标——选择合适的形式——进行可视化布局以及设计。
但这四个步骤说起来容易，真正做起来却可能发现，处处都可能出现踩坑预警。接下来我们就来给大家分享一下这四个步骤中的“坑”。
— 01 —
「数据」踩坑点
巧妇难为无米之炊，要做好数据可视化，获取准确清晰的数据、并对其进行初步梳理，是做好数据可视化的重要前提。
数据可视化中的数据踩坑点主要有两个：
一个是数据源方面。数据的有效性依赖于它的来源，保证数据源的清晰可靠是非常重要的，这个涉及到的主要是数据采集等环节，我们这里就不过多展开。
还有一个则是在数据处理方面。数据本身分散且复杂，我们做可视化的目的之一，就是将其梳理得直观易懂，更方便用户找到核心问题的答案。如果对数据信息不做筛选处理，而是直接堆在图表上，这样会造成用户的注意力分散，很难获取到有效信息。
比如下面这个和弦图就是对于数据的堆积，让人眼花缭乱，不利于数据的展示。
有时候数据量大、维度复杂，数据的处理本身可能就是一个复杂的工程。我们可以选用合适的工具来简化这个过程。亿信华辰的一站式数据分析工具亿信ABI就是一个很好的辅助工具，它配置有ETL工具，通过简单的拖拽式的流程设计，实现了数据抽取、清洗、转换、装载及调度。而且它能实现数据处理和数据分析的一体化，无需多套工具，直接就能实现数据处理和分析完美衔接。
— 02 —
「目标」踩坑点
数据可视化应该根据目标选择图表形式，而不是预设样式然后往里导数据，这样很容易造成图表样式的选择和你想要表达的目标并不匹配。比如，要比较趋势，折线图就比柱状图更合适，比如，要表达占比，饼图不一定比堆积柱状图好用。
不同数据如何选择所使用的图表类型可以参照Andrew Abela整理的图表类型选择指南。
— 03 —
「形式」踩坑点
数据可视化=数据+可视化。数据可视化的一个常见误区就是：过于重视其可视化的形式呈现，而忽略了去关注数据本身的含义。
新颖复杂的图表确实可能会让人眼前一亮，但一方面可能会造成用户解读困难，注意力被样式所吸引，很难关注到其有效信息；另一方面，过度的样式包装对于信息的传达并不会有加成效果，相反，如果仔细去看具体数据，就会发现这只是“虚有其表”。
如下图，其实只需要表现一个度量，但是却用了3D效果，扇面的高度不仅不能表现额外的信息，相反还会带来不必要的遮挡和误解。
— 04 —
「设计」踩坑点
设计往往是见仁见智，每个人的审美标准和主观偏好都可能不太一样。
但对于数据可视化来说，其设计的目标其实是比较明确的，即设计出可以被读者轻松理解的数据展示，清晰明了是其第一要义。
我们可以看看上面这张美国发电厂的数据可视化图，你能迅速地获取到这张图表想要表达的信息吗？五花八门的形式和颜色，让这个数据模型显得非常难以读懂。
在数据可视化的设计过程中，常见的踩坑点主要是两个：形式过多和颜色过多。形式和颜色本身可以传递一定的信息，如果在一份图表中采用了过多的形式板块和色块，容易占用用户对图表的分析时间，对于效率提升来说，会起到反作用。
优秀的可视化作品的颜色是具有条理性的，颜色一般不超过五种，结合我们想要表达的重点，有针对性地突出一到两种颜色即可。
— 05 —
小结
数据可视化需要以用户为中心，我们在进行数据可视化的时候，要多站在用户的角度考虑：用户能看清楚我想表达的吗？这个呈现能简化他们数据接收的过程吗？怎样才能更好地满足用户的需求?……
把用户体验作为数据可视化的基础，才能避免踩坑、赋能业务、帮助决策，从而更好地实现数据可视化的价值。
联系客服
