作者David Hoffer是一位出色的設計師，現在是Declara的UE部門負責人。如今大數據日漸從數據科學家的“象牙塔”走進人們的生活，David Hoffer根據自己的經驗和思考，提出了數據可視化的概念。Infographic、dashboard、map都可以作為數據可視化的方案，dashboard的設計有時候還不夠人性化。Visua.ly、Google Map、Racial Dot Map還有Kepler Mission等越來越多的可視化成果將帶我們走進了更加豐富多彩的數據世界。

在Google搜索有關“大數據”，會出現很多個由立體0和1組成的圖片，一些解釋性的信息圖示，甚至出現“黑客帝國”的界面。那“大數據”到底是什么，人類能夠理解嗎？

如果問一家大公司的***執行官什么是“大數據”，他們可能會描述一些類似于黑匣子（飛機上的飛行記錄器）的東西，或者在白板上畫一朵云。如果問數據科學家，他們可能會向你解釋一下 4V的概念，4V是指用信息圖示解釋（其實只是事實的視覺集合），當然還帶有相應的說明。之所以這樣做是因為“大數據”是一個有著不同含義、象征，應用于不同組織的模糊術語。

可以理解，要想弄明白這是發源于哪、什么時候盛行是很難的。有關記錄最早是在2003年， 那時人類創造了5EB數據。到了2011年， 每兩天就會產生同樣多的數據。誠然，與前幾代數據的呈現方式相比，我們已經取得了飛躍發展。但到了今天的大數據時代，數據的呈現方式有助于傳遞信息，不過它需要的就不僅僅是漂亮的表面文章了。它需要實用，能展現多個維度，還要考慮實用性。

新的軟件和技術使我們能夠更深入的理解這些龐大的數據集。然而，我們要去真正收集和加工有價值的大數據，唯一方法是要提高數據可視化的水平。我們怎樣進行可行性分析、深入了解、全面直觀地表示信息呢？答案是，我們需要使數據更容易理解。

新的可視化工具，新的挑戰

通過理解大數據，使之更貼近大多數人，最重要的手段的之一就是數據可視化。數據可視化標識導向系統，包括文字的，如街頭的路標指引你到高速公路，還有象征的，如顏色、大小或位置的抽象元素傳達的信息。在某種意義上，恰當的視覺標識可以提供較短的路線，幫助選擇路線，成為通過數據分析傳遞信息一種重要的工具。然而，要真正可行，數據可視化應有適當的交互性。他們必須設計良好、易于使用、易于理解、有意義、更容易被人接受。

Michal Migurski說道：“數據可視化是一個相對的概念……通常說它是即將出現的新事物。”隨著技術的變化而改變，我們不斷地開發新的工具以利用它實現跨行業應用。一些熟悉的可視化包括信息圖示、臭名遠揚的控制面板，當然還有地圖。

現今無所不在的 信息圖示是澄清復雜問題的好方法。在此類別中， Visua.ly是一個很大的來源。圖表通常是在海報或演示文稿中精心制作來傳達意思，但在一定的時間內提供的實時信息還遠遠不夠。控制面板或許是一個有用的工具，但它們往往設計的不好。同樣的圖表和圖形重復的出現。

當控制面板設計的像車輛儀表盤和里程計的文字說明時就更糟了。最重要的是當想要通過儀表板傳達有關人的信息時，他們往往不夠人性化。***，地圖作為一個依賴于地理重要的信息層，是我最喜歡的可視化成果之一。當你可以依靠像一個國家或省的地形等容易識別的形狀，地圖是很有用的，但如果不是地理數據怎么辦？

想想谷歌地圖。現在可以說是現今世界上最全面和最成功的數據可視化集。它以多種數據可視化方法提供了一套全面的數據集，不斷更新而且相當容易使用。其界面提供滿足個人需求和查詢數據的多個視圖，可以跨設備使用。它還提供了一個強大的API，使它不再僅僅是個軟件，而成為一個平臺。它的 API能夠實現從基礎地圖功能到呈現難以窮盡的地理信息。

看看Weldon Cooper Center服務大眾的 Racial Dot Map(用谷歌API創建），使用顏色編碼描繪了在美國分布的種族多樣性（類似于在熱圖上看早晨的天氣報告）。你也可以放大一個特定區域或地區來獲取細節(每個人代表一個點，按種族用顏色編碼）。

有了谷歌，如何顯示信息和組織信息成為了大家關心的問題。但這使一個群落更具穩健性（在為Geo產品工作的400多個谷歌員工），因此來源越少，數據可視化的風險越小。

數據光譜的另一端，可以看看紐約時報是怎樣用視覺效果為它的報道增光加彩的。例如，一篇關于NASA的 Kepler mission，記錄了超過190個被證實圍繞遙遠恒星運轉的行星，從在行星軌道上運行的速度，到距離恒星的距離、恒星溫度和星系的大小都加入了淺顯易懂的可視化效果。

另一個例子就是用圖形描繪 Silk Road，講述這著名的貿易路線的現代版本。彩色照片和精心編輯的視頻，按沿路線上的關鍵停留點分組、傳達絲綢之路的內涵，加上幫助在地理上放置的照片和視頻的信息圖示。

通過這些可視化成果，你也會開始認識到一些限制，是否要呈現出整個可以想象到的數據（想象一下檢查19億顆的系外行星，而不是190顆），或者是否需要從多個層面上理解。這些例子就像發展大數據可視化的路標。我們從這些零散的示例到更大數據集的應用中又可以獲得什么？

大數據才剛剛開始出現，我們管理后端的方式也在不斷變化。我們需要強有力的工具通過使數據有意義的方式實現數據可視化，還有數據的可交互性。我們需要跨學科的團隊，而不是單個數據科學家、設計師或數據分析員，我們需要重新思考我們所知道的數據可視化。圖表和圖形還只能在一個或兩個維度上傳遞信息，那么他們怎樣才能與其他維度融合到一起深入挖掘大數據呢？我們的大數據可視化（BDV）工具需要實現功能、可更新的，而不是作為軟件的部分。

在此過程中，數據變得更具可塑性、可行性，最終更加人性化。通過靈活的數據和可視化框架，我們希望能容納多種意見，使我們能夠利用數據適應不斷變化的需求和查詢。接受大數據含糊不清的性質，但要提供并找到讓它和你聯系的更加緊密的工具。數據的視覺解釋會因你的目標和對目標的回答的不同而不同。因此，雖然會存在視覺上的相似之處，但沒有兩個可視化結果是相同的，就像世界上不可能有完全相同的兩片葉子。