欢迎到早读课投稿，投稿邮箱：[email protected]

　　数据可视化，是将数据信息以直观的图标、图形展示出来的一种表现形式。

　　数据可视化系统，只是我们通俗的说法，它其实是一种数据产品，核心是发挥数据的价值 去辅助用户更优的做决策。

　　面对这类产品，交互设计师的挑战之一是如何做到“简单和高效”。今天来聊聊这个话题。

　　一、简单

　　数据产品，最核心的信息元素是“数据”。

　　怎样简单的呈现数据信息呢？我们仍然可以沿用简约之上的四策略——转移、组织、隐藏、删除。

　　原则1：转移

　　转移，是为了把正确的功能，放到正确的平台或系统中。

　　比如，有个需求是展示广告位/运营位的数据，辅助运营同事根据数据情况调整它们的位置或图片素材。

　　产品提供的广告位/运营位的数据指标有：曝光量PV、点击量PV、点击率PV、曝光量UV、点击量UV、点击率UV。

　　这是PV和UV维度的关于“图片点击效果”的数据。那么，这些数据是否要全部展示给用户呢？

　　我们找到目标用户——运营人员，了解他们看数据的习惯、关注的数据，得知他们一般以PV维度的曝光量、点击量、点击率来评估运营位的效果，UV维度比较少关注。

　　所以，我们的处理方式是，将UV维度的数据进行“转移”，在另一个次要功能“导出数据”中体现。也就是，用户“导出数据”时，才会获得最完整的数据；在界面上，只展示PV维度的数据。

　　原则2：隐藏

　　隐藏的方式有几种：

　　1）渐进显示，核心的控制部件，为主流用户使用的，展示出来；扩展性的精确的控制部件，专家用户使用的，隐藏起来。

　　2）阶段展示，随着用户逐步深入界面，展示相应的内容，比如步骤向导。

　　3）适时出现，虽然隐藏功能，但是会在你需要时出现在合适的位置上。

　　4）提示和线索，将隐藏的功能处理的很优雅，让功能容易找到，放在哪里比做多大要重要很多。

　　举个例子：

　　某个需求是，让运营人员了解专题页面各个点击位的数据。不同点击位，用户关注的数据有所差异。头图、导航等组件主要关注点击和曝光；商品楼层、档期楼层除了关注点击和曝光，还会关注售卖情况。这些数据指标最少4个、最多9个。

　　设计难点在于，数据指标很多、点击位排版布局多样的情况下，如何展示数据，并体现数据与点击位的一一对应关系。

　　最终我们的方案是，点击位的图片上默认只显示一个默认的关键指标，鼠标滑过时显示完整的数据指标。考虑到不同的坑位用户关注的关键指标不同，支持切换展示在图片上的默认指标。

　　这也是运用了渐进显示、适时出现的隐藏方式。

　　原则3：组织

　　组织，是我们常用的一种原则，通过对信息进行归类，将相关的内容临近展示，并按照优先级来调整信息之间的顺序。

　　同样是以数据指标为例，产品给过来的指标可能是零散的、无关联的、无优先级的，那设计师需要去理清它们之间的关系、了解它们的优先级，再对信息进行组织。

　　原则4：删除

　　做加法容易，做减法难。产品经理常常会想出各种功能，觉得这是用户需要的。但真的是这样吗？

　　作为交互设计师，我们也需要去了解需求的目标用户是谁，场景是什么，痛点是什么，痛点背后的原因是什么，所提出的功能、解决方案是否真的能从根本上解决用户的痛点。

　　避免为了解决一个问题，带来更多问题。

　　所以在承接需求时，要多问为什么，勇于去和各方讨论，规避、去掉伪需求。

　　二、高效

　　1、选择合适的可视化图表

　　最初接触数据可视化项目，会不自觉地陷入酷炫的图表中，希望选择柱状图、饼图等形式来呈现数据。

　　比如这样：

　　但越是追求形式的可视化，反倒越会陷入误区。

　　还是上面提到的例子，需求是展示广告位/运营位的数据，辅助运营同事根据数据情况调整它们的位置或图片素材。

　　A.最初的方案

　　用饼图、柱状图来体现点击率的数值。

　　柱状图，可以用来对比柱状图之间的大小、也可以看到变化趋势；环形图，通常用来表示百分占比。

　　两种图表方式，放在这里似乎合适。

　　但问题是什么呢？点击率的数值差别不大，且通常百分占比只有个位数，用环形图难以直观的体现差别，用柱状图也难以形成鲜明的对比。

　　B.优化方案

　　回到源头来想，图表的形式，只是为了服务于目标，最重要的是将用户关注的结论凸显出来，并不一定要用酷炫的样式。

　　对这个需求而言，用户的目标，是去了解同一个运营位，不同坑位之间图片的点击效果的差别。

　　重新分析各种可视化呈现方式的优劣，我发现表格虽简单但同样能达到效果。

　　所以，最终我采用了最普通的表格，将用户最为关注的点击率最高、最低的数字，分别用绿色、红色标注出来。

　　2、给用户结论，而不仅仅是数据

　　用户的行为是看数据，但目标并不是看数据本身，而是希望透过数据去得出某个结论，然后去指导后续的行为、更好的做决策。

　　所以，为了让用户更高效，atv，关键的一点是，去挖掘用户浏览数据背后的目标，给用户最终的结论。