FineBI6.x进阶篇-可视化专题-优快云博客

本文链接：https://blog.youkuaiyun.com/m0_38139250/article/details/146316231

参考

参考：https://edu.fanruan.com/video/526

如何选择合适的图表：https://help.fanruan.com/dvg/doc-view-3.html

参考：https://help.fanruan.com/finebi/

什么是GLAD原则：https://help.fanruan.com/dvg/doc-view-81.html

G原则：https://help.fanruan.com/dvg/doc-view-81.html

L原则：https://help.fanruan.com/dvg/doc-view-83.html

A原则：https://help.fanruan.com/dvg/doc-view-84.html

D原则：https://help.fanruan.com/dvg/doc-view-94.html

过滤的原理和全部（进阶）使用场景点击专题学习：过滤器进阶学习

查看 FineBI 支持的图表类型：点击查看

可视化专题

一个分析案例

假设你是一个大型连锁超市的分析师，现在老板想让你根据近几年的商品销售数据来分析出现在的经营模式是否健康增长。你会怎么做？

可视化的目的：直观的结果展现+特征与探索
FineBI图表的特点：灵活性高

如何选择合适的图表

如何选择合适的图表：https://help.fanruan.com/dvg/doc-view-3.html

①确定表达的信息
②确定对比关系
③选择图表形式

确定表达的信息

确定表达的信息其实也就是解决的问题是什么，我们的数据是什么，需要用图表做什么，这个在我们选用图表之前就应该心里有数。

确定对比关系

当确定表达的信息后，接下来我们就要看相对关系，相对关系需要根据数据特征和业务需求来确定，如：

要从多个类中看出谁的份额多，那就是占比构成
要看多个部分谁的销量高，那就是排序比较
要看在商铺全国分布的情况如何，那就可以使用位置分布

一般常用的相对关系有结构占比、排序比较、联系相关性、频率分布等，我们可以根据变量的多少、是否有分类、是否有时间参与等来区别，如下图：
在这里插入图片描述

选择图表形式

在这里插入图片描述

怎么用图

在这里插入图片描述

参考：https://help.fanruan.com/finebi/

GLAD原则——更好地用可视化传达信息

在这里插入图片描述

什么是GLAD原则：https://help.fanruan.com/dvg/doc-view-81.html

Good Data原则：塑造图表灵魂

在这里插入图片描述

Less Noise原则：降噪

L原则：https://help.fanruan.com/dvg/doc-view-83.html

颜色是否有噪声：确保图表中的颜色用于传递特定的信息，如果不是或有其他方式能够更有效地传递该信息，那就避免使用颜色。任意或无意义地使用颜色，极大程度上会对用户造成噪音干扰。

提高图表数据传递的墨水笔：在做图表的时候，我们会尽力提高墨水比，减少一些非数据传递信息的干扰。标题、轴设置、图例、网格线、标签等

➤优化轴（分类轴、值轴）
简化掉没必要的横轴标题「地区」
双轴显示
➤ 更改指标的数值格式，更符合阅读习惯
设置「销售额」的数值单位为「万」
设置「毛利率」的数值格式为百分比
➤ 修改组件样式（组件样式）
去掉图例，精简图表

Accurate expression原则：精准表达

参考：A原则：https://help.fanruan.com/dvg/doc-view-84.html

图形选择是否合适：需要按照分析得目的选择合适得图表，可参考文档：选择合适图表

数据密度是否合适：数据的密度是指单位面积图表中所包含的数据量。图表所能承载的数据量是有限的：
过低会造成图表的丰富度不够，没有回答读者的问题
一张图表的数据密度 = 类别的数量 + 度量指标的数量

很多人为了压缩展示的空间和精简图表，会使用组合图把很多信息拼到一起，但是这样的话数据过于集中，会导致读者无法一下子得到信息要点。
一张图表的数据密度 = 类别的数量 + 度量指标的数量
类别：流动量、离职人数、离职率、流动率
度量：人数、百分比
这时候的数据密度就是6
这个时候，比如我们看离职率或者流失率就看不出趋势。
对于这个图表我们可以做降维处理，拆分为两个组合图，每个组合图的数据密度降低到 3 ，

显示效果是否准确：
坐标轴是否失真
是否过度装饰（折线图太粗，或过度平滑、使用了一些带艺术成分的信息图，比如 3D 图）

Distinct Mark原则：突出重点

参考：D原则：https://help.fanruan.com/dvg/doc-view-94.html

前注意属性

现代心理学把颜色、形状等能快速引起心理反应的信号统称为「前注意属性」，它们在我们的潜意识中活动，只需要 0.25 秒就可以作出识别。
这些「前注意属性」主要包括以下几种：

打造视觉反差:（功能点：特殊显示、数据条、图形属性中的颜色和形状）

绘制线条:（功能点：设置警戒线、趋势线）

添加文字：文字在数据沟通中能起到以下作用：标签、简介、解释、强调、突出、推荐和讲故事。

GLAD原则总结

在这里插入图片描述

所谓的高级分析和可视化，并不是把图形做得更复杂，而是让你以前问了一个问题别人答不上来，你能很快实现。不能让工具限制了我们的思考。哪怕是简单的柱状图也能做很深入的分析。

在做可视化分析的过程中，建议大家把自己当作是一个交互设计师（而不是视觉设计师），重点关注怎么把数据中隐藏的信息更加直观的表达出来。

书籍推荐

《用数据讲故事》
推荐原因：通过简单的 6 个步骤告诉大家如何用数据讲故事，如何将信息准确地传递给受众。
①如何充分理解上下文；②如何选择合适的图表；③如何消除杂乱；④如何聚焦受众的视线；⑤如何像设计师一样思考；⑥以及如何用数据讲故事

《乐见数据-商业数据可视化思维》

推荐原因：本书从「大多数人不是不知道怎样去做可视化图表，而是不知道什么是好的可视化图表」问题入手，以乐见数据原则（GLAD）为主线，对症下药，各个突破。本书设置了大量的真实数据案例，图文并茂、清晰易懂，适合商业数据分析师及数据可视化工作者阅读，也可供各行各业对数据分析、数据可视化感兴趣的读者阅读。

【指南推荐】

可视化流程：https://help.fanruan.com/dvg/doc-view-58.html
如何选择图表：https://help.fanruan.com/dvg/doc-view-3.html
图表可视化注意事项：https://help.fanruan.com/finebi/doc-view-1506.html
可视化评判标准：GLAD原则https://help.fanruan.com/dvg/doc-view-80.html
视觉素材库：https://help.fanruan.com/dvg/doc-view-244.html

图表操作篇

在这里插入图片描述

图表组件

图表组件介绍

维度和指标

「维度」，是用来定性地描述某类事务的特征（分析问题的角度），维度一般是日期或文本类型格式。比如我们想从时间这个维度来看数据变化的趋势。「指标」，是用来定量地描述事务的特征（问题的答案），一般来说数值类型格式。
特殊情况：但是，并不是某些字段一定是维度，某些字段一定是指标；比如，如果我们想看x月份中消费金额在 0-100,100-200，200-300…… 的客户分别有多少，这个时候我们就需要把消费金额转化为维度字段，然后按照区间分组进行分析。

在 FineBI 的组件中表字段，维度和指标字段用蓝色和绿色做区分

记录数

「记录数」：在我们从数据切换到组件中的分组表后会自动生成记录数这个字段，它是来记录数据表中的行数，同时还可切换记录统计时依赖的条件，来实现对不同维度下的记录条数去重个数的统计。

表格组件

表格以及常用的表格配置

表格的三种类型

分组表：用于对数据进行按照维度分组对指标汇总统计的表，类似于excel中的数据透视表，是一切图表分析的起点

交叉表：由行维度和列维度，共同定位一个指标，对该指标数据进行汇总统计。维度比较多的情况下可以使用，有效浓缩信息，适用于探索性分析和发现变量之间的关联性。

在这里插入图片描述

明细表：需要将原始数据中所有数据一条一条的罗列出来，直观看出所有数据的明细，也可用于加工后的数据表导出。

分组表

维度-分组（展示的颗粒度）

「颗粒度」：指数据的粗细，也就是我们看数据的精细程度的大小。粒度关注数据的详细程度或其分解的大小，通俗地讲，粒度关注分析过程中将什么范围内的数据看作一个整体。
时间范围是常见的粒度。假设你正在分析一名客户的购物数据，年粒度看的是该客户一整年的购买情况，月粒度看的是该客户每个月的购买情况，日粒度看的是该客户每一天的购买情况。