16、仪表盘交互:提升商业智能可视化体验

仪表盘交互:提升商业智能可视化体验

1. 仪表盘交互的现状与重要性

在当前的商业智能系统中,仪表盘交互存在一些限制。传统 IT 部门往往更倾向于将项目资源投入到数据仓库、ETL 和存储库设计等后端工作,而对前端设计和用户界面的投入不足。然而,前端设计同样重要,因为它直接影响用户与数据的交互体验。

组织应该优先设计具有强大交互功能的仪表盘,而不是创建大量静态仪表盘。交互功能能够让用户更好地理解数据并从中获取洞察,相比静态报告具有更大的价值。静态报告可以以 .pdf 文件的形式定期提供给用户,并通过仪表盘进行存档和访问,但不应作为商业智能系统的基础。

2. 仪表盘交互的核心:用户参与

仪表盘交互的核心是与用户进行有效互动。一个能够响应用户操作的系统会给用户带来满足感,而静态系统则无法提供这种体验。当用户与数据进行交互时,他们更有可能理解数据并从中获得有价值的信息。

设计有效的仪表盘需要引导用户如何更改主要数据选择、可视化方式和上下文信息,并准确反映不同选择/交互对象与数据可视化对象之间的关系。为了避免用户不知道如何更改选择,可以通过视觉方式明确提示控件与屏幕各部分的关联。

以下是两种主要的视觉关联方式:
- 物理分组
- 将相关对象物理地组合在一起。
- 通过“聚类”对象之间的空间来表示聚类内的相似性和聚类间的差异。
- 可以在组周围绘制边框以表示包含关系。
- 在包含相关对象的区域后面添加背景颜色,使其与仪表盘上的其他元素区分开来。
- 共享视觉元素
- 相关对象可以

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值