Excel、Tableau……五大可視化工具，你真的知道怎樣用嗎？
Excel想必大家都不陌生，作為職場標配軟件，它既是典型的入門級數據可視化工具，也有著許多強大功能。
還記得我初入職場時，工作團隊的標準可視化工具就是Excel。然而，人工處理數據耗費了大量時間，使我們無暇提出見解或建議。
隨著技術的發展，新的數據可視化工具不斷涌現。下面將介紹五大可視化工具，并結合具體使用情況解釋該在何時使用這些工具。
五大可視化工具
1. Excel
人人都在使用Excel，我從來沒有遇過不用Excel的數據分析專家。不管你信不信，但這就是事實。如今，一些數據科學家仍主要使用Excel進行日常工作。
Excel的最大的好處在于，它無處不在。如果你想和他人共享文件，無需擔心他們是否能打開文件。
此外，用Excel完成臨時任務非常方便，比如在任意處調整一個數字。一切都是可視化的，你可以看到每個表格框的具體內容。
Excel要在可預見的未來占據一席之地，這兩個優勢就足夠了。
2. Tableau
大約在7年前，我開始使用Tableau。因為它是付費的，我們不得不為它構建商業案例。但這絕對是值得的。
Tableau有很多特性。例如，用戶可以構建交互式儀表板，并將其提供給許多其他用戶。這樣就可以減少BI團隊的工作量，成員可以獨立地解決數據問題，不需要每次進行一些小更改時都來尋求幫助。
下面這些事情，我在Tableau中可以輕松完成，而在Excel中卻無法輕易實現：
- 想出一個制作方法，在幾次拖放操作和幾次單擊中立即將數據可視化。
- 依據變量水平分組(如將年齡變量分組為0-18、19-25…組)，立即將結果反映在所有圖表中。如果在Excel中有很多圖表，這點能夠助攻你的工作。
- 動畫。正確地使用方法能夠讓Tableau的動畫傳遞靜態圖表無法傳遞的強大消息。
在我看來，探索性數據分析方面，沒有什么工具能比得上Tableau。
3. Power BI
Power BI與Tableau有很多相似之處?；蛟S是偏見，但使用了一段時間之后，我發現Power BI在某些方面的用戶體驗確實不如Tableau。
例如，如果要對圖表中的變量重新排序，需要創建一個自定義順序，教程中用了11張屏幕截圖進行說明。而在Tableau中，可以通過拖放操作在1到2個步驟中完成，節省了很多時間。
不過，我認為Power BI的儀表板性能更好，而且最重要的是，它有一個免費的桌面版(該版本不支持團隊共享，但其功能對普通用戶來說一般已經足夠了)。
如果沒有預算，但仍想提高工作效率，Power BI不失為一個好的選擇。
4. Dash
假設你已經建立了一個機器學習模型來預測每張保險單的盈利能力，與其讓模型在硬盤上閑置，不如讓公司的每個承銷商將它用于日常工作。為此，可以構建一個基于Dash的web應用程序。
有這樣一個示例：Jason Chan根據以往終極搏擊錦標賽(UFC)比賽成績，建立了一個機器學習模型，來預測未來的比賽結果。Jason并沒有止步于此，而是讓所有人都可以使用該模型。
注意：如果您更喜歡R而不是Python，可以去試試 R Shiny.
5. Plotly
Plotly提供了豐富的交互式圖表，如果了解R或Python，這些圖表將很有用處。Tableau中能執行的大多數圖表都可以在Plotly中復制。
“如果我有了Tableau或Power BI，為什么需要Plotly?”
答案是可擴展性。
假設您正在按季度看保險資產的業務組合。有20種不同的分類變量，包括地區，產品，性別等。
如果精通Tableau，那么每個圖表將花費2分鐘的時間。總共需要2 * 20 =40分鐘。
而搭配使用Python和Plotly，您可能需要花10分鐘為第一張圖表編寫代碼。(是的，編程比拖放困難!)
接下來花5分鐘編寫一個循環，為20個變量中的每個變量創建一個圖表?？偣彩?0+5=15分鐘。
在for循環的幫助下，工作量的增長遠小于20倍。此外，也可以保存工作代碼用于以后的項目。
我一般會在Jupyter Notebook中使用Plotly，與同事分享代碼。
如何為訂閱者選擇合適的工具
了解這五大可視化工具的功能之后，您可能會想在每個項目中都使用最先進的解決方案(Dash)。
這就像被深度學習的預測能力吸引了一樣，你可能會想把其他所有的技術都扔進垃圾桶，手上的的每個項目都使用深度學習方法。
這是一個非常糟糕的做法。
我們需要考慮受眾，并根據他們的需求調整可視化方法，把他們進行分組是一個不錯的做法。
組1：高管
這些人是組織的關鍵決策者。他們時間很緊，更關心的是見解和建議，而不是技術細節。你要回答他們這些問題：
- 正在發生什么?
- 為什么要發生?
- 我們應該怎樣做?我在承擔何種風險?
對他們來說，最好的可視化方法是放一些幻燈片，直接回答這些問題。
可以使用Tableau、Plotly甚至Excel來創建圖形。沒關系，重要的是需要直接簡潔地回答關鍵問題。否則，受眾會不耐煩，您的努力相當于白費功夫。
組2：運營者
這些人將您的可視化成果作為工具。以保險業為例：
- 對于承銷商，可以構建一個交互式儀表板，以便他們可以評估其承銷的每項商業財產風險。
- 對于索賠調查人員，可以構建一個交互式欺詐評分web應用程序，為高風險索賠提供預警。
再如，自行車共享平臺的修理工可以在互動儀表板上進行回復，以查找附近的破損自行車并進行收集和檢查。
從工具選擇的角度上看，如果已經使用了Power BI或Tableau，那么遵循現有方法是有意義的。
如果想從頭開始構建，并充分利用靈活性，可以使用Dash。
組3：分析專家
對于這群人，更推薦使用Jupyter Notebooks繪制Plotly圖。
可以用它們輕松提供可重復的分析，包括代碼、輸出和圖表在內，所有內容都集中在一起，便于同行評審。
如果是簡單的臨時分析，使用Tableau和Excel也是不錯的選擇。
組4：其他利益相關者
雖然以上3個組通常代表最重要的利益相關者，但有時也可能會遇到其他的利益相關者。
如果是技術人員，用第3組的方法就不錯。
如果是非技術人員，那么Excel，Tableau或Power BI都可能是很好的選擇。只要確保訂閱者可以訪問該軟件并知道如何使用它即可。
結論
作為數據科學家，我們花了很多時間研究數據和建立模型，但我們是否花了足夠的時間考慮受眾?他們是誰?他們的技術能力如何?我們如何才能以最吸引他們的方式交付結果?
沒有一種工具占據絕對優勢。對于特定的受眾，某些工具比其他工具更合適。
想要充分發揮數據科學的威力，我們要盡最大努力將數據驅動的建議轉化為現實行動——無論是使產品線更有利可圖，還是檢測更多欺詐案例抑或實現收入最大化。
用戶思維很重要，了解你的受眾，選擇最適合的方式，將會達到事半功倍的效果。
