“現在你看到了它” 是數據可視化專家 Stephen Few 的新書，解釋瞭如何使用簡單的視覺技術進行定量分析。在這本教科書大小的產品中，斯蒂芬探討了一個比較容易被忽視的分析方面：信息的圖形表示。
Stephen通過定義我們如何感知信息，為第一部分的良好視覺分析奠定了基礎。他表示，“...有多種方法可以直觀地顯示有效的數據，因為它們與視覺和認知的工作自然對應，並且有一些方法可以打破規則，從而無法工作。如果我們希望以能夠讓我們和其他人理解信息的方式展示信息，我們必須理解並遵守規則。“
他繼續解釋說我們“......在註意力地感知視覺圖像的幾個基本屬性，即在有意識感知之前和之後。”
下面列出了這些預先註意的屬性，這些屬性在其自身中被定量地感知，而沒有任意賦值給它們：
長度 - 更長=更大
2-D位置 - 偏移高/低，或左/右=更大
寬度 - 寬度=更大
大小 - 更大=更大
強度 - 較暗=較大
模糊 - 更清晰=更大
這些預先註意的屬性有助於我們消費和消化信息並理解其含義。然而，斯蒂芬指出，“隨著各種干擾因素的增加，預先註意的符號變得不那麼明顯了。在充滿鴿子的天空中很容易發現一隻鷹，但如果天空中有更多種類的鳥類，那麼鷹將更難以看到。“
良好的可視化不僅利用了上面提到的預先註意的屬性，而且在考慮我們的視覺記憶的局限性的同時也適當地使用它們。
斯蒂芬解釋說，我們既有工作記憶又有長期記憶。工作記憶僅短暫存儲信息。當我們考慮信息時，工作記憶是信息所在的位置。如果我們考慮它足夠長，它將最終留在長期記憶中。“
視覺記憶（工作記憶的一部分）非常有限。可視內存以“塊”處理信息。一大塊信息是多少？嗯，這取決於它是如何傳達的。當信息塊由文本或數字組成時，它們必須相對較小。但是，當以圖形方式提供時，它們可以更大。
第二部分是本書的內容，它將讀者通過幾個不同的分析，並展示良好的視覺技術的例子，以最好地傳達每個分析中使用的信息。
第三部分涵蓋了有希望的新趨勢 在這裡，斯蒂芬討論了“照亮預測模型”，而這正是JMP突出特色的地方。
注意到他的書主要側重於對現有信息的分析，或者描述性統計在這裡，他強調了好處預測統計 。“如果我們能夠清楚準確地理解過去，我們通常可以構建一個模型，用於預測未來特定條件，事件或決策可能發生的事情，”斯蒂芬寫道。
他解釋說“預測分析的目標不是為了確定未來，而是將不確定性降低到一定程度，使我們能夠做出更好的決策。”
然後，他描述了他所謂的“透明預測模型”。而斯蒂芬使用的就是這裡 JMP 解釋透明預測模型如何幫助我們以更低的風險做出更好的決策。他說，“這種參與分析過程的程度[使用透明的預測模型]利用我們的大腦，打開窗戶，以獲得我們可能永遠不會經歷的見解。”
在斯蒂芬的書中討論的許多可視化都可以在JMP中找到。但更重要的是，JMP的可視化也包含了世界級的分析。這就是為什麼當斯蒂芬把注意力轉向更高級的分析，比如預測建模時，JMP就是一個突出的特色。
對於任何需要探索和理解指導其決策過程的數據的人來說，“現在你看到它”是必讀的。遵循斯蒂芬的建議將有助於讀者更好地探索他們的數據，更快地發現趨勢和模式，並自信地做出決策。
斯蒂芬麥克丹尼爾中寫道：
查克，關於一本好書的精彩帖子。
我認為JMP適合SAS和R之間被忽視的中間地帶。
雖然SAS 9.2在可視化分析方面取得了重大進步，但由於產品的性質，JMP具有更高水平的交互性。雖然R經常被學術界和理論統計學家戲劇性地吹捧為結合分析的偉大可視化，但我個人認為JMP對於應用統計學家來說是一個比R更高效的環境。我特別認為在多個項目經常在短時間內附加的公司環境中都是如此。最後，JMP在交互式可視化方面取得了大膽的進展，我對此表示讚賞。
在我看來，JMP是將高級分析與可視化相結合的最佳交互式工具。我特別欣賞數據挖掘算法和交互式統計建模功能。SAS可以更好地擴展，但JMP非常簡單快速，靈活且功能強大，可用於高級統計可視化。
最好，
斯蒂芬麥克丹尼爾
聯合創始人兼首席執行官，Freakalytics™有限責任公司
快速分析，探索，理解，溝通和行動
www.Freakalytics.com
馬丁歐文中寫道：
我還沒有讀過“現在你看到了”，但我剛讀完了Stephen Few之前的書“Information Dashboard Design”。
這是一本傑出的讀物 - 既務實又發人深省。我立即部署了Stephen的建議並使用這些技術重新設計現有儀表板，以提供附加價值和清晰度。一旦你意識到儀表板設計中的13個常見錯誤，你就會看到各處駭人聽聞的例子，像拇指一樣突出。
善於使用統計工具是不夠的。
誰需要知道輸出？
他們需要知道什麼？
他們需要知道多少錢？
他們為什麼需要知道？
如果您希望立即對篩選出最重要的內容產生影響，然後有效地瀏覽複雜數據，我強烈推薦這本書。
馬丁歐文
