收益：
- 在人工智能的支持下，能够根据您想要传达的信息选择正确的图表类型（折线图、条形图、散点图、瀑布图）
- 能够打印干净的代码/公式以生成人工智能图形并检查输出的准确性和诚实性
- 能够识别误导性的可视化陷阱（断轴、倾斜比例、过度装饰）并生成诚实的图表
如果分析正确，那么就完成了一半；另一半则是向决策者解释一目了然。平均而言，首席执行官需要花费几秒钟的时间来查看一张幻灯片；如果它不能在那几秒钟内捕捉到消息，那么分析得再好也无济于事。可视化是将一堆数字转化为见解的桥梁。人工智能以两种方式帮助建立这座桥梁：它建议哪种类型的图形适合该消息并编写代码/公式来生成该图形。但可视化最大的风险是诚实。即使数据准确，选择不正确的轴或刻度也可能不成立。
先消息，后图形
业余错误是从数据开始：“我有销售数据，让我制作一个图表。”专业方法以这样的信息开始：“我想说的是，A 部分带来了大部分利润。哪张图表最能说明这一点？”图表类型跟随消息，而不是消息图表。
你想说什么
合适的图形
避免
随着时间的推移而改变
折线图
3D效果
类别之间的比较
条形图
蛋糕（多片）
整体份额（小部分）
蛋糕/堆叠酒吧
6片以上蛋糕
两个变量的关系
分散
用线连接
将总和分解为部分
瀑布
堆叠线
分布/强度
直方图/箱线图
平均奇数
如果您不确定选择图表类型，请让模型证明选择的合理性：
你的角色：可视化顾问。我的信息：“[一句话洞察]”。产量的结构：[例如12 个月 × 3 个产品，时间序列]。任务：建议 2 种最适合此消息和数据结构的图表类型，为每种图表类型写出正/负，并选择一种并给出理由。还要说明我应该避免的图表类型以及原因。暂时不要写代码；唯一的选择和理由。
提示：饼图仅适用于 2-3 个切片。超过5个切片无法读取；请改用顺序条形图。选择具有“展示分享”本能的饼图是最常见的可视化错误。
让人工智能生成图形
模型可以编写生成图表的代码或公式；这比手工绘制更快、更可重复。但请务必检查生成的图表的准确性和诚实性。
您的角色：数据可视化专家。我的消息：“产品线 A 在过去 4 个季度带来了约 70% 的总利润。”数据如下。任务：建议最清楚地显示此消息的图表类型并写出基本原理。然后编写生成该图表的 Python (matplotlib) 代码。规则：- 让 Y 轴从零开始（不要使用虚线轴）。- 使用色盲友好的调色板；最多 4 种颜色。 - 让图表标题成为行动消息，而不是像“利润图表”这样的描述。 - 添加来源/日期脚注。
运行代码输出并目视检查：轴是否从零开始，标签是否正确，消息是否确实可见？
诚实可视化的规则
即使数据在技术上正确，图表也可能会产生误导。三种最常见的操作（通常是无意的）：
- 虚线轴：Y 轴从零开始，例如 90，使微小的差异看起来很大。在条形图中，轴应始终从零开始。
- 比例扭曲：将两个不同比例的图表并排放置会产生错误的比较。比较的图表必须具有相同的比例。
- 过度装饰：3D 效果、阴影、不必要的颜色隐藏了信息。如果“墨水与数据的比率”较低，请简化。
还有一条经常被忽视的诚实规则：表现出不确定性。如果它是基于猜测或抽样的数字，诚实的一部分是在图表上指出误差范围或范围。
您的角色：可视化道德检查员。检查以下图表（或生产代码）：- y 轴是否从零开始？如果不是，影响是什么？- 图表是否按相同比例进行比较？- 是否有不必要的修饰（3D、阴影、多余的颜色）？- 估计值中是否显示了不确定性？- 这张图表的解读方式是否会误导观看者？针对每个问题提出具体的修复建议。
幻灯片标题 = 操作消息
图表标题不应为“2024 年区域销售额”；这告诉您幻灯片显示的内容，但不告诉您其含义。行动标题承载了数据信息：“东部地区独自承担增长，西部地区开始收缩”。决策者只需阅读标题即可了解故事内容；有图为证。 （我们将通过第 11 单元的故事情节加深这一原则。）
三个迷你箱子
情况 1 — 截断轴被卡住。顾问团队使客户满意度提高 1 点，看起来像是 Y 轴从 88 开始的图表上的巨大飞跃。高级合伙人意识到：“这个轴具有误导性，从头开始。”修正后，增加的幅度虽然很小，但却是真实的。如果误导性的图形传给了客户，就会在下个季度造成预期的失望。
情况 2 — 图表类型错误。一位分析师用饼图展示了 9 个产品组的份额；切片没有被读取，没有人理解该消息。顾问将相同的数据转换成连续的条形图；一眼就能看出，前三名的产品占据了80%的份额。正确类型的图表可以从相同的数据中提取出更强烈的信息。
案例3——从点缀到信息。演示文稿中的 3D 阴影七色图形会促使首席执行官询问“您的意思是什么？”这让你说。顾问将图表简化为具有一种颜色、两个条形和一个大操作标题的简单图像。信息变得清晰，会议以决定结束。简单不是弱点，而是清晰。
弱提示/强提示
弱提示：
根据这些数据制作一个漂亮的图表。
“美”是没有衡量标准的；该模型产生了一个奇特但无消息的输出，可能带有误导性的轴。
强力提示：
您的角色：可视化专家。消息：“[一句话洞察]”。数据如下。 任务：推荐最适合此消息的图表类型，并给出理由；然后编写制作代码。规则：Y轴从零开始；最多 4 种颜色；色盲友好；标题操作消息；来源脚注；如果是估计值，请显示误差范围。完成后：简要评估该图是否存在误导性的风险。
口头测试图表
判断图表是否真正有效的最快方法是尝试用文字描述它。如果您无法查看图表并用一句话说出“这张图片说明了这一点”，则要么选择了错误的图表类型，要么在一个地方塞满了太多消息。一张好的幻灯片可以传达一个想法；如果有两个想法，就制作两个图表。另一个实际测试是这样的：向同事展示没有标题的图表并询问“你从中理解了什么？”问。如果您的意图与其传达的信息不符，则应重新设计图像。您还可以让人工智能执行以下操作：“在没有看到标题的情况下，查看此图的人可以得出哪两个不同的结论？”问题指出了提前误解视觉效果的风险，并允许您在将幻灯片交给客户之前对其进行更正。
常见错误
- 从数据开始，而不是消息。首先明确你的意思；图表类型跟随消息。
- 轴断了。条形图上的 Y 轴不从零开始会夸大微小的差异；这是最常见的误解。
- 多层蛋糕。超过3片的蛋糕不读；切换到内联栏。
- 过度装饰。 3D、阴影、不必要的颜色隐藏了信息；保持较低的墨水与数据比率。
- 描述性标题。 “销售图表”不包含任何信息；写一个动作标题。
- 隐藏不确定性。不显示估计数字的误差幅度会导致错误的精度。
一张幻灯片、一张图表、一条消息
咨询可视化的黄金法则是简单：一张幻灯片有一个主图表以及该图表所承载的一条消息。如果你同时向决策者展示三张图表和五种趋势，他将不会记住其中任何一个。如果您确实需要在幻灯片上显示多个图表（例如比较之前/之后），请以相同的比例和相同的颜色逻辑设计它们，以便眼睛可以轻松进行比较。颜色也是传达信息的一种方式，而不是装饰品：如果你用独特的颜色展示你想要强调的唯一系列，而用中性灰色展示其余的系列，那么你的眼睛就会直接集中在信息上。向AI索要带有明确说明的生产代码；因此，该图变得既简单又具有指导性：
您的角色：可视化专家。数据和消息如下。任务：编写生成绘图的 Python (matplotlib) 代码。设计规则：- 仅显示要以突出颜色突出显示的系列；将其他颜色设为中性灰色。 - 最多 3 种颜色；色盲友好调色板。- Y 轴从头开始；网格线褪色。- 标题 = 操作消息；右下角有小来源脚注。- 没有不必要的边框和效果（高墨水数据比率）。
注意：即使数据准确，可视化也可能是错误的。在向客户展示图表之前，“如果有人看到他们试图误导我，他们会怎么想？”问问题。轴、比例和选择的诚实与数字的准确性同样重要；责任在于顾问。
总之
良好的可视化可以将分析转化为决策。 AI 在推荐正确的图表类型和编写生产代码方面功能强大；但选择应该从消息开始，图形应该遵循诚实的规则（零轴、适当的比例、简单、显示歧义），标题应该带有号召性用语。模型生成草图；正是通过顾问的监督，它才变成了准确、诚实并传达信息的视觉效果。
应用任务
选择一个数据集和一条一句话消息。通过强大的可视化提示获取适当的图表类型和生产代码。运行图表并检查诚实性：轴是否为零、比例是否公平、是否稀疏、标题是否是操作消息、是否显示了不确定性？使用错误的图表类型（例如，多层饼图）创建相同的数据，比较两者，并写出为什么其中一个更清楚地传达信息。
清单
- [ ] 我选择了从消息开始的图表，而不是数据。
- [ ] 图表类型适合我要解释的关系。
- [ ] Y轴从零开始；规模是公平的。
- [ ] 我减少了装饰；墨水-数据比率高。
- [ ] 标题不是描述，而是操作消息。
- [ ] 我表现出估计数字的不确定性。
- [ ] 图表“看起来有误导性吗？”我通过了测试。