哈佛商业评论

视觉探索

这个象限可能最为复杂，因为它包含两类视觉化。上文将探索分为两类，一是假设检验，一是从数据中寻找规律、趋势和异常。前者的目标很明确，后者则相对发散。数据体量越大、复杂度越高、未知因素越多，探索工作的开放性就越高。

视觉探索1：求证。在这类探索活动中，你要回答下面两个问题中的一个：我设想的情况是否属实？如何用不同方式传达这一信息？

在进行求证时，数据范围相对可控，所使用图表类型较为常规；当然，若想以新颖方式呈现信息，也可尝试较少见的图表。求证型图表一般不用于正式场合；你要先自己找到正式展示所需的图表。因此你的时间不应花在设计上，而应快速尝试不同模板，找到最好的数据视觉化方案；电子表格技巧、编程或网站搭建等快速开发原形的知识可能有帮助。

假设一位营销经理认为，在一天中的某些时段，消费者在线购买移动设备多于台式设备，但现有营销策略未能利用这一点。为验证自己的观点，他将一些数据输入到在线软件Datawrapper中（图1）。

他还无法证实或推翻假设，也没有发现其他规律，但他利用工具寻找不同视觉表达。他无需考虑设计问题，速度很快。如图2所示，他将柱状图变为线状图。

现在他发现了一些规律，但使用三个变量还难以把握两类产品销量的关系，于是他将变量减为两个（图3）。每次尝试，他都会评估初始假设的有效性——在一天中的某些时段，消费者购买移动设备多于台式设备。

第四次尝试中，他缩短了时间周期，证实了假设（图4）。

新的软件工具使这类视觉化比以前容易很多，让我们都变成数据分析师。

视觉探索2：开放性探索。更多时候，针对数据的开放性探索是数据科学家和商业智能分析师的领地，不过新出现的工具让一般管理者也可以参与进来。开放性探索很值得尝试，因为它经常带来独一无二的洞见。

由于缺少明确目标，开放探索型图表包含的数据范围较广，个别情况下可能会容纳多组数据，或建立自动更新数据的动态系统，也可用于统计建模。

管理者可通过调整参数、引入新数据源、迭代更新图表，进行交互性探索。复杂数据有时也可用于专业性、不常见的图表，如力导向图（用于表示网络结构）和地形图等。

此处，图表的功能重于形式：数据分析、编程、数据管理和商业智能比图表的观赏性更重要。在这一象限，管理者自然最需要请外部专家搭建数据处理系统，并根据分析目标制作图表。

安默尔·加格（Anmol Garg）是特斯拉的一名数据科学家，他利用视觉探索分析特斯拉电动车的海量传感器数据。他设计了一种交互式图表，用于显示在特定时间内的轮胎压力变化情况。加格和团队严格按照探索形式设计出图表，发现其用处很多：了解车辆出厂时轮胎充气情况、用户充气频率、用户对气压不足警报的反应时间；分析轮胎漏气率；建立模型预测轮胎漏气时点。散点图显示出四个轮胎的压力情况，一般人或许不明所以，专家则一目了然。

在探索数据的过程中，加格发现一些信息只能用图表传达。“我们时刻都在和海量数据打交道，”他说，“对照电子表格搜索数据库肯定一无所获，必须使用图表。”向管理层演示时，加格将探索型图表转化为较简单的图表（下文将介绍）。“他们最喜欢看图。”他说。