資料視覺化三節課之一：視覺化的意義

編輯導讀：對於複雜難懂的資料，用圖表的方式能夠更直觀地呈現資料背後的資訊。好的視覺化能夠幫助我們快速發現規律，找到原因；不好的視覺化有可能會得出錯誤的結論，產生誤導。想要做好資料視覺化，先要明白，資料視覺化是什麼、能做什麼。本文將從三個方面展開分析，希望對你有幫助。

“ 推測未來將要發生什麼的最好方式，就是記住過去曾經發生了什麼。 ”—— 喬治·薩維爾

金錢永不眠，屠夫問候各位早安。

近期因為工作需要，屠夫梳理了自己在投資和工作實踐中對「資料視覺化」的經驗和思考。我將用三節課講述“資料視覺化”的話題，希望給你一些啟發。

有句話叫“一圖勝千言”，對於看似複雜難懂的資料而言，尤其如是。資料視覺化，是將資料轉換成圖或表進行呈現，以一種更直觀的方式展現資料。對於經常需要用資料、做分析、理邏輯的投資者來說，資料視覺化是一項利器。

許多人看過資料視覺化，但未必都明白如何做好資料視覺化。好的視覺化，可以幫助我們快速發現規律、找到原因、作出判斷；不好的視覺化，可能讓人作出似是而非的結論，甚至引向大錯誤。

一、「資料」可以用來做什麼？

在瞭解知識、技能或工具前，屠夫總喜歡先了解它的“作用”，或者說“它究竟能解決什麼問題”。資料視覺化和資料緊密相關，更具體地說是和“資料分析”緊密相關。所以，對於任何一個想要了解視覺化的人來說，弄懂“資料”和“分析”解決了什麼問題應當排在首位。關於“資料究竟解決什麼問題”，屠夫歸結為“FIVE”4個字母：

Forecast 預測

Insight 洞察

Validation 驗證

Evaluation 評估

一年前寫的《資料的F。I。V。E。用法》裡的“I”是“Inspiration 啟發”，如今覺得還是改為“Insight 洞察”更貼切預測，是資料應用的最高階形態。

從資料獲得啟發，以資料驗證想法，用資料評估現狀，都服務於對未來的預測，最好能夠“運籌帷幄之中，決勝千里之外”。作為最高階形態，預測又是困難的。理想模型在落地時往往需要層層假設，這些假設裡任何一個引數的偏差，都有可能“失之毫厘謬以千里”。

正如《關於預測，你應該明白的3個道理》所說，預測的尺度越小越精確，卻越不容易準確。所以，在預測的精確性和準確性之間，最終取得的妥協往往是“模糊的正確”。

洞察，是假設和靈感的來源。許多規律在得到嚴謹的資料驗證之前，都是先從歷史資料中獲得洞察。我們可以從標普500和滬深300的部分歷史資料中得到“寬基指數長期上漲”的想法，這就是資料的“洞察”作用，而且往往是透過資料視覺化實現的。至於這個想法到底對不對，要用資料加以驗證才知道。

驗證，是資料驅動決策的試金石。一些似是而非的假設和靈感可能將人帶入歧途，而用資料進行驗證，將大大減少這類情況發生。

驗證的方式有許多：

在投資裡，對量化策略進行“回測”，是典型的驗證；資料分析時，構造蒙特卡洛模擬進行試驗，也是驗證；網際網路行業，採用A/B測試檢驗策略有效性，同樣是驗證。

驗證的天花板是 “absence of evidence” ——“沒有證據證明您有癌症”和“有證據證明您沒有癌症”，不是一碼事。感興趣的同學可以看看《決策與判斷的誤區》中的詳細解釋。評估，是使用資料的基本立足點。資料的“評估”式用法，實際上是透過資料構造出一個框架，然後將現狀與框架對比。

可以對同一物件，橫跨不同的時間段，縱向對比；也可以對多個物件，選取同樣的時間段，橫向對比。

屠夫曾以“地圖”和“六分儀”作比喻：

預測就好比使用地圖，而評估則是使用六分儀。

先以六分儀測量出經緯度，確定“當前在哪兒”，使用地圖時才會心中有數；先用資料進行評估，判別清楚當前的狀況，你的預測才不會成為無源之水。

資料可以用來做什麼？屠夫的看法是：【資料能用於預測】預測是資料應用的聖盃，是啟發、驗證和評估的最終目標【資料能帶來洞察】在歷史資料的啟發下，我們可以形成新的靈感或假設【資料能驗證假設】經過驗證的假設才有機會成為結論，反之只是一種猜想【資料能評估現狀】有資料支撐的現狀評估，讓預測和驗證成為有根之木。

二、「分析」能解決哪些問題？

有了資料，還需要分析才能解決問題。

“分析”究竟能解決哪些問題？屠夫歸結為4類：是什麼、為什麼、怎麼辦和好不好。

回答“是什麼”的問題，屬於描述統計。我們日常見到的趨勢折線圖、頻率分佈直方圖，都是透過對資料特徵進行描述，一般稱之為描述統計。立足於歷史和現狀，側重在現象和特性的展示。“是什麼”其實並不算真正意義上的分析，許多資料看板和BI都能實現，其威力大小取決於使用資料的人。然而這並不妨礙描述統計在分析領域的地位 —— 它是許多規律、假設和猜想的源頭。除此之外，如果回答的是“未來是什麼”，這種描述又帶上了預測色彩了。

回答“為什麼”的問題，屬於歸因分析。“歸因分析”一般指網際網路渠道運營對不同渠道產生的價值貢獻進行歸因。屠夫借這個詞推而廣之，將“尋求原因和解釋”一類的“為什麼”問題，都算作歸因分析。人類是一種對“解釋”有著極度狂熱的動物。當我們透過描述性統計發現了一些現象時，自然而然會想要知道現象背後的根源，以便復現、加強或者削弱這類現象。

回答“怎麼辦”的問題，屬於策略分析。網際網路行業有不少資料分析崗位，但是 ——只解答“是什麼”，充其量就是人肉取數工具；只解答“為什麼”，不過是產出專題分析報告；只解答“好不好”，只能完成效果覆盤和回測。

上述3者聽起來都不夠給力，是因為你的分析，沒有轉化成可操作的策略，分析結果距離落地太遠了。

上面是網際網路領域的例子，對於投資領域來說更好理解：制定投資策略，透過分析確定約束規則，決定在什麼條件該做什麼事，就是策略分析。

回答“好不好”的問題，屬於效果檢驗。投資領域提到的“歷史回測”，和職場工作裡常常需要進行“效果覆盤”，都是在回答“好不好”的問題。仔細想想就會發現，“好不好”其實和上面提到的“驗證”關聯非常緊密。事實上，資料分析裡有一部分工作就是用資料來驗證效果，和預期作對比確定“好不好”。

分析能解決哪些問題？屠夫的看法是：【回答“是什麼”】描述統計，可以展示現象和特性，立足歷史和現狀，是規律和猜想的源頭。【回答“為什麼”】歸因分析，可以深挖現象背後的原因，透過回溯根源，最終利用這些現象。【回答“怎麼辦”】策略分析，是為了將分析轉化成可操作、可落地的、實實在在的策略。【回答“好不好”】效果檢驗，是為了驗證落地操作後的結果是否符合預期。

三、「視覺化」的意義是什麼？

說到這裡，我們不妨把「資料」和「分析」的作用，做一個連線。回答“是什麼”問題時，需要藉助資料產生「洞察」，在一定框架對比之下進行「評估」，還可以對未來的情況進行「預測」：