一些人说它们比其它东西更有艺术性。它们很漂亮，不要误会我，我认为用无形的数据世界来吸引观看者是绝对至关重要的，以此来获得它们在数据文化演变中应有的地位。然而，我们当然可以说，这样的可视化，实际上很难让我们从中获得知识或洞见。

　　早期交互式的数据可视化例子也存在着类似的争议。十年前数据可视化的基本原理是一屏显示全部的数据集，然后通过动态的筛选来审视数据，就像本·福瑞的这个例子一样。本·福瑞研究两位被测试者的DNA模式。作为新手来说，很难从这些可视化图中获得任何知识。当然，这类工具的主要受众是内容专家。此外，这一类探索仍然为数据可视化的演变带来了巨大的贡献。

　　新探索：数据新闻

　　我们也开始看到数据新闻领域中一些有趣的探索，现在已经算是流行了许多年的一种趋势。这里的方法提供了丰富的数据可视化，但是与此同时为读者提供上下文信息。这是考虑了终端用户，也就是下面案例中的意大利杂志IL的读者。

　　随着更广泛的受众对数据解释渴望的增加，为非专家用户编辑数据真的有助于他们理解更广泛的内容，从而获取有意义的信息。

　　越来越多的实体开始以同样的方式展示它们的数据，其中包括Bloomberg的例子。这是一篇交互式的文章，引导用户通过一组特定的数据来了解美国人的死因。使用交互版本更有效的是信息可以排序并以叙述的方式展示。除了上下文信息，可以突出特定数据点为读者创建重点，反过来减少了一些复杂性。

　　数据可视化和UI/UX设计的交叉点

　　我认为我们正在见证一个令人兴奋的转折点，那就是使用跨学科的技能去创建更逼真、更直观、更丰富的数据驱动的用户体验。这正是我们在Signal Noise所采用的方法。这绝不是什么新概念，一如既往，伟大的想法得到普遍的认可是需要时间的。我们开始更加习惯数据和数据的展示，至少部分是因为本·施奈德曼的工作，早在90年代他便先驱性地开创了诸多这类想法。

　　为了理解任何较大的数据集，我们需要考虑人是如何感知信息、以及如何才能使我们更好地处理信息。在非常复杂的数据分析软件Spotfire上的施奈德曼的工作可能是最成功的。他还开发了一套原则，从开始创建概览、然后是缩放、筛选，最终提供所需的细节。先展示数据点的全部图谱，这样你就可以快速地定义极值、边界值和均值的位置。当你有个小错误时，开奖，第二步就是对引起了你注意的个别数据点进行更进一步的调查。随着你对所选数据点或内容有了更多的发现，你就能以更大粒度更进一步根据需要审视数据。

　　接下来的几组例子更是很好地证明了这一点。我认为目前数据新闻正处于数据可视化前沿，特别是来自《纽约时报》的。

　　这个例子非常适用于施耐德的口头禅。这篇文章用255张图表解释在经济衰退时如何重塑经济。这听起来很可怕，当然，看起来也有大量的数据点。你最先看到的是在同一刻度上所有图表叠加的概览，让你看到所有的异常值、极端值。每个图表显示一个不同行业的工作数量。绿色表示增加，红色为减少。