這次，我們的故事要從大約五年前說起，或許更久一點。那時我女兒正迷火車模型，所以我和她常用木製小火車套裝搭建軌道。有時候，我們甚至會把廚房地板都佔滿。
她以前常常請我為她讀《托馬斯小火車》的故事，作為睡前故事，她最喜歡的節目是BBC的《托馬斯和朋友》。這跟JMP有什麼關係呢？嗯，當時一點關係都沒有。那時候我甚至都沒在JMP工作過。不過，自從我沒怎麼旅行（因為世界現在亂成一團）之後，我就開始重拾平面設計，學習資料視覺化。這真的很有趣。
我一直在觀看我們自己的 Xan Gregg（ @XanGregg ）的視訊演講，複習我之前其他演講的筆記，也讀了一些 Edward Tufte 和 Stephen Few 的作品。我甚至還上了 Nick Desbarats 的幾堂課。
在過去的幾個月裡，我突然頓悟，意識到所有這些數據視覺化專家都在朝著同一個方向努力（請原諒我提前開個玩笑）。如果要把資料視覺化專家所說的一切都歸結為一個簡單的想法，那簡直就像是從《托馬斯與朋友》繪本裡摘出來的一樣：視覺化的目的就是為了有用。
酷炫列車 vs. 實用列車
在我女兒那些（版權保護非常嚴格的）書中，擬人化的火車通常都會努力做好事。但它們也各有各的個性：有的喜歡乾淨整潔，有的不介意有點粗獷，有的則喜歡炫耀。形形色色的人都有，對吧？但歸根結底，人類能給予這些火車的最高評價就是它們「真的很有用」。不是因為它們漂亮、炫目或粗獷，而是因為它們真的很有用。
如果我們把圖表擬人化，它可能也會有類似的感覺。那麼，圖表如何發揮作用呢？首先，我們需要一個問題陳述、一個訊息或一個發現，圖表正是要傳達這些訊息。讓我們來看幾個例子，將它們與既定目標進行比較，然後探討一些改進方法，使它們更加實用。
前段時間我的資訊流裡出現了這張圖表。圖表的公開目的是「根據文章中定義的四個因素，展示各項活動在新冠病毒風險方面的比較情況」。
那麼，這張圖表在多大程度上達到了視覺化練習的目的呢？我的答案是：「做得還行，但本來可以做得更好。」我們稍後會詳細討論原因，但核心在於，很難一眼看出哪些活動風險較高，也很難比較不同活動之間的風險等級。
在接下來的例子中，我將以身作則，使用我為2020年萬聖節文章製作的視覺化圖表。我分析了奧遜威爾斯廣播劇《世界大戰》的文本。您可以在這裡查看我的分析。這個視覺化圖表的目的是總結廣播稿中的所有術語，並突出顯示重要的主題或術語。
我做得怎麼樣？我覺得糟透了。為什麼呢？嗯，我們稍後再詳細討論，但像是詞雲這類東西更像是數據藝術。你會看到詞雲被用作標誌、行銷材料、T卹等等，因為它們有趣或視覺效果驚艷。但作為一種傳達洞察的工具——即使加上一些有用的高亮顯示——它們也相當糟糕。
啊，蜘蛛圖……我的老冤家。抱歉，我得承認我對它們有點偏見。不過，讓我試著解釋一下它們為什麼這麼讓我反感（不好意思，用了個雙關）。以下是一篇期刊文章中蜘蛛圖的說明：「圖中展示了14種啤酒五種感官屬性的蜘蛛圖。不同的樣品各有其獨特的感官特徵，其中8、10、14、11、9和2號樣品分別具有最強的酸味、苦味、甜味、羊羶味、澀味和『其他味道』。」 圖如下：味道’。
是的，情況很糟。但這種情況在這些圖表中相當常見。
學習資料視覺化的一大弊端在於，一旦你發現了問題，就很難再視而不見。而我們當今世界的問題在於，每天都有大量的圖表被產生。從疫情到美國大選，我們被各種圖表淹沒。這些視覺化圖表有的精美華麗，有的則粗糙簡陋，但大多數都毫無用處。因此，我們面對的是一個充滿令人沮喪、毫無價值的圖表的世界。 （這真令人沮喪，不是嗎？）好吧，現在是假期，讓我們來解決這個問題。首先，我們需要找到問題的根源。
漂亮未必實用，但實用永遠漂亮。
為什麼市面上充斥著這麼多無用的圖表？ （我不會稱它們為糟糕的圖表；它們沒用並非它們的錯——只是繪製方式如此。）我認為，歸根結底，人們忽略了一個關鍵概念：事物可以很漂亮，但未必有用；而真正有用的東西，其本身就具有美感。我所說的“美”，指的是事物完美地實現了其預期用途，從而展現出一種形式上的優雅。
尼克·德斯巴拉茨用希臘文「telos」 （目的論）來描述這個概念。我們很多人（包括我自己）在這個行業裡，常常過於執著於突破視覺化的界限，以至於忘記了數據視覺化的本質是溝通。一旦我們為了可視化而可視化，失去了溝通這個核心要素，我們的圖表就可能變得毫無用處。當然，這並不是說那些無用的圖表不美觀，而是說它們不是最佳的溝通工具。
走簡單的路線
那麼，我們該怎麼辦？我給你們展示了一堆圖表，但它們其實並沒有發揮應有的作用。正因為它們不夠好用，所以這些圖表顯得很雞肋。我們當然不希望看到這樣的圖表，對吧？當然不！所以，讓我們來改進一下。
在最初的幾個例子中，問題在於作者沒有充分利用大腦視覺處理系統的優勢。如果我們遵循丹尼爾‧卡尼曼在《思考，快與慢》一書中提出的邏輯，我們可以說我們有兩種資訊處理系統：一種是無意識運作且效率極高（系統1）；另一種是專為處理複雜問題而設計的，但需要更謹慎的思考（系統2）。使用系統2也更耗費精力，因此如果我們使用它，就有可能讓觀眾感到疲倦。所以，當人們需要費力思考圖表時，這些圖表就失去了意義（即，令人沮喪的圖表），而我們的大腦也會感到疲憊（令人沮喪的大腦）！要解決這個問題，訣竅在於使用第一個更本能的處理系統。
系統1專為快速模式辨識、判斷線性距離等任務而設計。不妨這樣想：如果幾千年前需要用到它來進行生死攸關的瞬間決策，那麼它肯定會由系統1來處理。這就是為什麼數據視覺化專家一直強調使用長條圖更佳的原因。我們更擅長判斷線性距離（直線），而不是曲線或面積。我們通常使用系統1來處理長條圖。換句話說，人類天生就擅長快速閱讀和處理長條圖中的資訊。兩點之間的最短距離是直線，而我們腦中最快的路徑恰好也是直線！
回到第一個圖表，根本問題在於我們創建的視覺化圖表需要使用系統 2。我們必須創建一些任意的刻度，根據該刻度量化每個活動在每個方格中的風險，並將每個方格的值相加。這一切只是為了得到一個總風險評分。如果我們想要比較不同的活動，就必須重複這個過程。 （光是寫這些就讓我累了！）那麼，為什麼不直接在圖表中完成所有這些操作呢？以下是一些替代方案（兩個是我用 JMP 創建的，一個來自德克薩斯州醫學協會），它們都旨在使用系統 1：
你看，這些書是不是比較容易讀懂？
讓功能驅動形式
讓我們再回想一下引發這一切思考的那輛蒸汽機車。你有沒有想過為什麼機車會是現在這個樣子？我的祖父是個火車模型愛好者，所以我猜我對這個主題的思考或許是遺傳的。也可能是因為我小時候常在夏天去看他的火車模型，或是去商店買他新添置的火車模型。不管怎樣，我一直覺得蒸汽機車的外觀有一種獨特的優雅。
Source: https://en.wikipedia.org/wiki/Steam_locomotive_components來源：https://en.wikipedia.org/wiki/Steam_locomotive_components
即使他們決定對外觀進行現代化改造，功能仍然是形式的主要驅動力：
Source: https://en.wikipedia.org/wiki/Steam_locomotive#/media/File:Number_4468_Mallard_in_York.jpg來源：https://en.wikipedia.org/wiki/Steam_locomotive#/media/File:Number_4468_Mallard_in_York.jpg
同樣，我們在開始繪製圖表之前，應該始終先明確一個目的。記住，圖表要有用，就必須有目的。如果我們進行的是探索性分析，那麼這個目的甚至可以是一個驅動調查的問題。
就我使用的詞雲而言，目標是展示劇本中最重要的幾個主題。但詞雲在這方面表現不佳。正如我所說，它更像是「數據藝術」而非「數據視覺化」。詞雲容易誤導視覺感知，因為較長的詞語僅僅因為其長度，在詞雲中就會「顯得」更重要。在下面的範例中，我對資料進行了一些處理，並將視覺化方式改為平行線圖。追蹤每個角色或角色組與不同主題的關聯性會更好，這樣可以提供更具洞察力的視角，也更不容易誤導觀眾。 （順便一提，這是互動的，您可以隨意點擊左側的「本地資料篩選器」進行查看。）
關鍵在於，美觀固然重要，但一個有用的可視化的基礎是對目的的清晰陳述以及對該目的的堅持。
別被軸纏住了
人們讓圖表變得「性感」（沒錯，我就是說圖表「性感」；別在意）最簡單的方法可能就是把一個笛卡爾座標系（有 x 軸和 y 軸）的圖表圍繞著一個中心軸展開。這樣就得到了圓餅圖、雷達圖、蜘蛛圖等等。它們確實很「性感」……但它們真的像人們想像的那樣實用嗎？
這個問題的答案通常是「否」。人類的思維模式並非基於徑向系統來比較距離或大小（圓餅圖如果使用得當，則是例外）。此外，圖表很容易變得雜亂無章。不幸的是，資料視覺化領域很多人都會陷入這個陷阱，包括一些專家。
哦！與其一次又一次地攻擊蜘蛛圖，不如我們都同意 Xan Gregg 的觀點，即蜘蛛圖並不特別有用，然後看看這個問題的其他一些例子。
「北極死亡螺旋」 （沒錯，它的名字就該用首字母大寫）就是一個典型的例子。這個名字確實營造了一種戲劇性的效果，或許這正是視覺效果最終想要達到的效果。
這張視覺化圖表的直接目標是傳達海冰體積並未逐年恢復，事實上，情況正在惡化。問題在於，透過將資料轉換為徑向座標系，我們現在使用的是系統2認知，這意味著我們的大腦需要付出更多努力才能理解其意義。那麼，為什麼不直接採用系統1的解決方案，例如像這樣的呢？
從這張圖表可以很清楚地看出：a) 存在下降趨勢；b) 我們目前的水平遠低於過去40年來的任何水平。此外，由於我們使用了長條圖，因此我們使用的是系統1，這意味著您可能比使用第一張圖表更快地得出這些結論。
第二張圖是阿爾貝托·開羅用來衡量六個尺度視覺化效果的圖表。他最初在他的第一本書《資訊圖表2.0》中提出了這個圖表，後來又在《功能藝術》一書中再次討論了它。
這張圖表的目的是從六個維度展現圖形在複雜性和易懂性方面的表現。在我們的第一個例子中，它（從概念上講）評估圖形對系統1和系統2的使用程度。這些維度以成對的設計概念形式呈現（抽象與具象、功能與裝飾、密度與輕盈、單維度與多維性、原創性與熟悉性、新穎性與冗餘性）。但是，由於這些維度圍繞中心軸呈扇形展開，讀者必須橫掃整個圖表才能看到每對概念的得分。 （此外，將這些得分連接起來會得到一個非常像蜘蛛圖的圖形，但我們暫且忽略這一點。）為什麼不直接這樣做呢？
傳遞的訊息相同，而且依賴系統1的快速認知過程！因此，你能更快地獲取資訊。
我想表達的觀點是，除非有非常充分的理由，否則對於真正有用的圖表來說，避免使用徑向圖可能是更好的選擇。
永遠要誠實。
這可能是個敏感話題，我並不想指責任何人故意誤導他人。數據分析中真實性的問題在於，當我們讓個人偏見滲透到我們的工作成果中。數據分析和數據視覺化本身就帶有主觀性。任何你創建的視覺化圖表中都包含觀點，或至少是資料解讀。我曾聽人說過（Xan 在探索高峰會和JMP On Air 上都說過幾次），所有圖表都帶有偏見，有些圖表是有用的（這有點像是對喬治·博克斯那句名言的改編）。製作真實視覺化圖表的關鍵在於，我們在圖表建構和資料解讀過程中所做的選擇都必須是透明的。這可以很簡單，例如把重點放在圖表標題：
或提供有用的註釋：
重要的是，我們的圖表需要坦誠面對它們的假設和結論，而不是試圖掩蓋它們。
總結一下
這篇文章裡我還有很多內容沒有提到。說實話，就我想表達的觀點而言，這些都只是創造實用圖表的不同策略而已。如果我們堅持創造真正實用的圖表這個目標，其他的一切自然水到渠成。
徑向圖通常不如線性圖實用；我們的大腦構造並非如此。如果不明確指出你的假設和解釋，圖表的效用就會降低，因為讀者無法理解你的思考過程或無意識的偏見。最重要的是，如果圖表缺少問題陳述或論點，就很難製作出有用的圖表。
所以，歸根究底，我們都要記住，有用的圖表就是令人愉悅的圖表。我們都應該盡力讓我們的圖表盡可能地有用且令人愉悅。願你們所有的圖表（以及你們的假期）都令人愉悅。現在，託加泉這裡開始下雪了，所以我要去喝杯熱可可，好好思考一下。 2021年再見！
