媒体在数字化转型中，越来越多地用数据可视化作为呈现方式。但许多可视化的作品只是追求形式上的美感，没有实现数据可视化真正的功能：清晰有效地传达信息，使读者更形象地理解数字背后的含义。媒体推出的可视化新闻良莠不齐，水准忽上忽下，却少有懂行的同行或读者给予反馈。本周的数据新闻给读者介绍由Perceptual Edge网站创始人、信息视觉化专家Stephen Few提出的一个标准化衡量规则，评价可视化是否达到了必要的效果。
Few认为，标准化的规则能让大众针对同一个方面给予评价，而不只再用空泛的语言描述一些模糊的印象。他认为，可视化的效果分为两大类，分别是信息丰富性（Informative）和情绪感染力(Emotive)。前者考量的是数据可视化能让读者接收到多少信息，后者则衡量能否让读者产生一定的情绪反馈。在这两大类之下，还有七个细分的小标准。信息丰富性涵盖了五个维度：实用性、完整性、读者接受度、真实性和直观性。情绪感染力有两层含义：一个是美感，另一个是用户参与度。
- 实用性 (Usefulness)
衡量实用性的主要参照是读者的需求，看看这是不是人们想要知道的、与他们切身相关的信息。过去很多数据的发表形式都是报告或者数字仪表板，其实这对读者一点营养都没有。虽然我们已经进入了所谓的信息时代，还是有很多机构不懂如何输出信息。实用性是一个主观的指标，但确实是评价体系里重要的一环。
- 完整性 (Completeness)
一份有效的数字可视化应该要纳入所有能帮助读者理解数据的信息。有三点要把握好：一是给出对的信息；二是信息的量切勿过大或过少；三是要给出数据的背景，方便读者了解这些数据的用处和来龙去脉。
- 读者接受度 (Perceptibility)
要让可视化易于消化，也就是不费眼不费脑力。接受度高的可视化能用对表格或图形的种类，使数据清晰明了。比如说，在一个做对比的可视化中，让读者比较形状大小或者颜色深浅，都是不明智的设计。相比之下，位置远近和长度更一目了然。
- 真实性 (Truthfulness)
可视化的真实性考量的是信息的准确度和是否有据可依。如果信息是能让人信服的、精确的，那么它的准确度就达标了。比如说在一个柱状图里，A的数值是B的两倍，但是A对应的柱形条的长度却并不是B的两倍长，这个可视化便不可信。而用国民收入的中位数来衡量幸福感，也是没有依据。
- 直观性 (Intuitiveness)
通常，某种图表如果是司空见惯，人们就更容易快速理解其读图方式。但直观性因人而异，这也是比较主观的一个评价角度。对于科学家和数据分析师来说，读数据轮廓图只是小菜一碟，但对于普罗大众却是不够直观的数据表现形式。
- 美感 (Aesthetics)
可视化也有美丑之分。不美观的数据图无法吸引读者的注意力，美观的数据图则可能会进一步引起读者的兴趣，提供良好的阅读体验。有一些信息容易让读者遗漏或者遗忘，通过美好的创意设计，可视化能够给读者更强的视觉刺激，从而帮助信息的提取。
- 用户参与度 (Engagement)
用户的互动是对可视化质量的一种反馈。从互动数据上，可以得出一些用户的互动规律，增进可视化设计。
实例解说
（一）《销售业绩》
这是一个经典的用Excel制作的柱状图，显示一年内的每月销售额。销售额这个信息固然重要，但是一连串信息本身却无法让人判断此货品到底卖得好不好，因此它的实用性是有限的。
读者接受度也稍欠火候，因为每条柱都使用了3D效果。这会分散读者的注意力，不便于比较，与其如此倒不如用一个曲线图来显示销售额变化。
读者也无法判断标题《销售额在增长》是真是假，因为图中没有给出往期销售额的状况，没有情境以供比较。另外，读者也很容易看出，这个图形并不精确，因为销售额的起始点不是零，这么做容易让读者误读数据。
以美感而言，这个图并不太好看，每个柱状的上面都被线条填满了，扰乱视觉。所以打出的综合评分如下：
（二）《拿破仑进军莫斯科》
再来看一个优秀例子。这是一个非常出名的数据可视化案例：Charles joseph Minard做的可视化设计《拿破仑进军莫斯科》。Minard是一名土木工程师，在建设水坝、运河和桥梁方面很有经验。他80岁时，运用了他创造的表现人数流动的创新技巧，把这个悲剧性的故事通过一张可视化图呈现了出来。有的人认为这是有史以来最精美的可视化图。Few虽然不认为这是可视化设计巅峰，但也不得不承认这是一个出色的作品。
Few认为这个图在直观性之外其他方面的完成度都很理想。当读者看到这个图的时候，他们需要花一些时间去了解怎么读图。金色部分（去程）的宽度和黑色（回程）的宽度代表了军队士兵的数量，每毫米宽度代表10,000人；途径的地势特点和主战役都有标注，并用文字写明；回程时气温骤然下跌，这一信息在图的底部以线图表现出来。
在短期内，读者可能只会对进军路径产生一个模糊的印象，无法清晰地汲取自己感兴趣的信息。尽管如此，却没有其他更好的策略能呈现这些多元维度的信息，所以综合评分仍然很高。
有心的读者可能注意到，Few并没有用精确的分数来量化数据可视化作品，而是给出一个区间，表示某种程度。因为在评价过程中，很多标准都可能会被主观想法所左右。Few并不认为他给出的标准是一个严格的科学准则，而只是给大众提供一个有意义的、可供参考的评价体系。他欢迎每位读者都来建言献策。
编译/黄立旖
编辑/Ivan Zhai，梁思然
相关阅读：
每周数据新闻精选 | 50多种图表怎么用？数据可视化目录为你全解析
