本文引自 Meriem Benhabiles 的文章《Rethinking Data Visualisation: A UX Approach To Dashboards That Actually Drives Decisions》，译者对原文部分进行了部分删改与调整以便读者理解。
这篇文章想说明一件事：很多仪表盘数字没错，图也做了，会议里大家看完却没有下一步。卡住的地方往往不在数据本身，而在呈现方式。数据被摆出来了，却还没能被组织成能帮助人形成判断、启发进一步讨论，或者转化为可执行的行动的形式。
1、图表并非全部真相
Francis Anscombe 在 1973 年提出过一个经典案例。四组数据的均值、方差、相关系数、回归线都一样，放在表格里几乎看不出区别。可一旦画成散点图，感觉立刻变了：有的接近稳定的线性关系，有的趋势明显弯曲，有的其实是被少数离群点强行拉出了相似的统计结果。数字看起来一致，图形传递出来的判断却完全不同。
▲ 图 1 Anscombe 四重奏：四个具有相同汇总统计量的数据集，却生成四个完全不同的散点图
可视化的价值还不只在发现数据里的异常，它同样承担着与读者进行沟通的任务。选什么图表、怎么摆放信息、先让读者看到什么，这些都会决定阅读完报告后读者带走的是一堆数字，还是一句能复述出来的判断。
另一个例子是 Visual Capitalist 的《History of Pandemics》。它没有把读者扔进一张冗长的死亡人数表里，而是在同一条时间线上，用大小不一的气泡去表示不同流行病的死亡规模。每个气泡对应一次重大疫情，气泡越大，死亡人数越高。这样一来，读者在还没读标签之前，先从视觉上感受到黑死病的量级几乎压过整页其他数据。
▲ 图 2 History of Pandemics：一张按比例绘制的气泡图
这种呈现方式可以让人先看到重点，再去读细节。信息传达的顺序被安排好了，理解也就更快。
Edward Tufte 提出的“数据-墨水比”强调：“图表里每一个视觉元素都应该服务于解释数据而不是装饰。”人们普遍认为需要在数据可视化里遵守这个原则，即认为图表的简洁和精炼是最优先的目标。这个原则对孤立的图表当然成立，但图表几乎不会在真空环境里被阅读：它总是被一个具体的人，在具体情境里、带着具体压力去看。把图表一味压到最干净的状态，有时反而会拿掉决策者最需要的那层上下文。简洁本身不是目标，合适的复杂度才是。
2、图表出现前的80%
图表只是最后出现的结果，真正高杠杆的 80% 几乎不在屏幕上。它们在打开工具之前、在提取数据集之前、在做出任何设计选择之前。归根结底，这可以归结为三个问题：
1.背景：我们想通过这些数据展示什么？
2.受众：这个可视化图表的目标受众是谁？他们如何思考？
3.洞察：数据如何指导业务做出改变？
3、背景
很多数据密集型项目都本末倒置了：团队先从内部分析工具中提取已经在追踪的指标，再围绕这些指标构建可视化的图表；至于这些数据原本要回答什么问题，要么被想当然地预设，要么从未真正地被人提出过。之所以会这样，是因为我们把眼前已有的数据当作要了解的问题的可能性边界。
明确目标很重要。比起“告诉我产品表现如何”，“找出第一季度注册用户里，哪些功能在驱动留存”这个问题就清楚得多，因为它同时带出了指标、人群范围和隐含的产品动作。问题一旦具体，后面该取什么数据、该做哪些对比、哪些信息可以先拿掉，都会清晰很多。
从现有数据入手，会生成一个无法回答任何特定问题的仪表盘，因为它最初并不是为某个问题而设计——所有数字都在，但没有一个数字真正指向问题本身。
从要如何解决执行层面的问题入手，可能会让仪表盘的构造更加自然：屏幕上的每个元素都各司其职，因为它们的存在都是为了帮助回答这个问题。
假设一个用户体验团队正在尝试修复电商网站结账流程中的漏洞，围绕数据而搭建的仪表盘会把所有可用内容都提出来：点击次数、滚动深度、设备类型、来源渠道、页面路径……最后得到的是一个庞大的仪表盘，让每个人都疑惑：“但我们到底该改什么呢？”
情境优先的方法会从限定条件入手：“用户在结账流程的哪个步骤流失？”一旦问题先收束，后面的大部分噪音都会自动退出。通过过滤掉大约 90% 的无关信息，团队可以构建一张很直接的漏斗图，立刻看到支付页上的瓶颈，也更清楚该重新设计哪一部分。
4、受众
为受众设计，主要取决于两件事：熟悉度和责任。
“熟悉度”关乎数据素养。受众能否凭直觉读懂图表？复杂的可视化会不会增加理解阻力？把同一套信息密集、层次复杂的仪表盘交给销售负责人和资深分析师，就像把同一张地图分别交给一个靠地标来认路的人，和一个能够阅读经纬度坐标系的人。最终只有后者才真的能读懂这张地图。
“责任”则会决定复杂度需要被如何呈现。对一个要为 12% 下滑负责的高管来说，这个数字意味着预算、目标和组织压力；对一个只是负责汇报的分析师来说，它更多是一项要被说明清楚的结果。两个人面对的是同一张图，感受到的重量却完全不同。
这两件事最后会落到一个非常实际的问题上：你到底能在一个人面前放多少东西。分析师需要高密度环境来做诊断探索，愿意顺着路径继续往下挖掘问题的本质；高管更需要被高度综合过的结果，帮助他迅速判断什么在推动增长、什么形成了风险、资源该往哪边调整。
▲ 图 3 左侧是高密度的用户旅程路径探索图，适合分析师做诊断；右侧是经过汇总的高管概览，更适合快速预算和方向判断。
5、洞察
信息和洞察是两个完全不同的层级。信息回答的是“数据展示了什么”，洞察回答的是“看完以后应该怎么判断、怎么调整、该往哪里走”。
很多数据项目默认相信：只要图表准确、表达清楚，洞察自然会出现，但现实并不是这样。如果设计开始之前就没有把希望能推动的业务变化想清楚，仪表盘最后很容易只停留在被动汇报。
这个差别，在核心指标突然下滑时特别明显。假设预订率突然下降了 15%。如果仪表盘只做到了“展示下滑”，它发出的只是警报。管理层很容易第一时间往产品故障、流程出错、体验失效这些方向去想，于是团队会立刻陷入一次昂贵、却未必对路的紧急救火。
如果仪表盘是围绕洞察来设计的，关键变量就会被一起摆出来看。预订率下滑和流量来源、活动上线时间、投放变化被放在同一个视野里，真正的原因可能马上就会浮出来：应用本身没问题，核心用户转化也稳定，整体指标之所以被稀释，是因为某个刚放量的活动带来了大量低意向点击。这样一来，问题就不再落在产品重做上，而是落在暂停低效活动、调整获客策略上。
每一种可视化，都隐含着一个下一步。哪怕那个结论只是：现在暂时不需要改动。
6、项目案例
这种方法在一个企业级 B2B SaaS 项目里被验证过。平台负责企业的人才管理和能力跟踪，每天都会采集海量的用户行为数据，而最初的需求非常开放：“我们积累了庞大的用户活动数据，现在需要把这些数据呈现给企业团队。”
我们当然可以把采集到的数据都做成图表，但如果最终用户看到的只是一堆数据，那对他们就没有起到真正的作用。
1. 背景
首先需要明确在实际业务中如何定义“表现得好”。哪些变量能说明进步、哪些只能说明用户使用过？
一个显而易见的候选指标，是用户在各产品上的使用时长。几乎所有平台都会追踪这个指标。它容易展示，看起来也很有意义。但使用时长只是一个间接指标：它能说明用户来过、停留过，却无法说明用户是否真正有所收获。
更有意义的是各能力领域的得分、认证完成率，以及一段时间内的表现变化。将使用时长与这些表现指标结合起来，可以增加一层有价值的解释：我们不仅能发现哪些模块没有得到充分使用，还能进一步判断，这种使用不足是否与较低的能力得分直接相关。这样一来，使用时长便成为整个分析中的辅助信号，而不再是判断表现的核心依据。
第二个问题是数据应该细化到什么程度。同一个指标，由不同的人查看，意义和分量可能完全不同。个体贡献者查看自己的完成率，是为了判断当前进度是否合适；管理者查看团队的汇总数据，则需要准确识别哪些成员急需支持。这一区别决定了后续的数据呈现与筛选方式。越早理清这套结构，越能明确应该展示什么，以及分别展示给谁。
2. 受众
可以想见，最直接的方案就是使用同一套图表，只分别提供个人视图和团队汇总视图。许多仪表盘都是这样，只是略微调整了数据可视化的展示尺度，就冠名为“个性化”。
但真正从受众出发，就会发现两类用户之间存在更深层的差异。个人和团队管理者需要不同的叙事结构，也需要不同的设计原则。
个人界面需要作为一面高度个性化、支持自我判断的镜子，提供细致、真实，并且与个人密切相关的信息。
管理者界面需要暂时将个体情况后置，先从宏观层面判断团队整体进展如何、哪些能力缺口持续存在。因此要优先呈现团队的整体情况，同时保留清晰、直观的下钻路径，以便管理者在需要时进一步查看个体情况，处理具体的日常协作问题。
3 洞察
我们把重点放在安排整条叙事线索的节奏上，而不是做一份高密度、被动式的数据日志。
对于个人，核心价值在于帮助他们自主规划。理想的状态是：周一早上打开界面，只要扫一眼就能整理出本周明确的优先事项。
对于管理者，目标是从根本上改变运营沟通发生的时机。界面需要提供必要的判断依据，让管理者在能力缺口演变为严重的项目问题前及时介入；可视化还要准确呈现适合人工跟进的节点，让管理方式从事后的被动复盘转向事前的主动指导。
“对比工具”是一个没有人明确提出、最后却成为亮点的功能。即，如果管理者想把两位团队成员放在同一套指标下并排比较，该怎么办？这个视图源于一项设计假设，最后却成了最能引起共鸣的功能。
这个项目里最关键的决定不在最初的需求框架里。收集那些客户没想到要提出的数据，并将数据组织起来，回答那些他们过去甚至不知道该如何表达的问题，这正是以用户为中心的数据策略最核心的差异。
工具上线后，平台分析功能的周活跃度明显提升。管理者不再只是每月打开一次工具、导出静态报告，而是开始在每周一主动使用它来规划本周工作。接下来的两个季度里，营收和用户增长也朝着积极方向发展，平台流失率也降到较低点。只看数据很难把这些结果完全归因于仪表盘本身，最有说服力的证据还是来自用户反馈。管理者表示，过去他们只会挑表现不佳的月末进行后置的数据复盘；有了这些可视化，管理者现在可以立刻识别不佳的表现，并在进一步恶化之前，及时安排一次简短沟通来给到员工一些支持。
7、总结
当视觉呈现参与到上游的架构决策中，而不只是下游的排版处理时，数据设计才能发挥最大潜力。将结构化的用户体验思维引入数据，会让可视化从被动展示转变为主动驱动决策的引擎，确保每一张图表、每一份报告、每一个指标，都直接服务于人的实际目的。
— The end —
本文作者@We-Design。原文链接：https://mp.weixin.qq.com/s/80Rl3-kn1t54RVmJW6NSdg