媒體在數字化轉型中，越來越多地用數據可視化作為呈現方式。但許多可視化的作品只是追求形式上的美感，沒有實現數據可視化真正的功能：清晰有效地傳達信息，使讀者更形象地理解數字背後的含義。媒體推出的可視化新聞良莠不齊，水準忽上忽下，卻少有懂行的同行或讀者給予反饋。本周的數據新聞給讀者介紹由Perceptual Edge網站創始人、信息視覺化專家Stephen Few提出的一個標準化衡量規則，評價可視化是否達到了必要的效果。
Few認為，標準化的規則能讓大眾針對同一個方面給予評價，而不只再用空泛的語言描述一些模糊的印象。他認為，可視化的效果分為兩大類，分別是信息豐富性（Informative）和情緒感染力(Emotive)。前者考量的是數據可視化能讓讀者接收到多少信息，後者則衡量能否讓讀者產生一定的情緒反饋。在這兩大類之下，還有七個細分的小標準。信息豐富性涵蓋了五個維度：實用性、完整性、讀者接受度、真實性和直觀性。情緒感染力有兩層含義：一個是美感，另一個是用戶參與度。
- 實用性 (Usefulness)
衡量實用性的主要參照是讀者的需求，看看這是不是人們想要知道的、與他們切身相關的信息。過去很多數據的發表形式都是報告或者數字儀錶板，其實這對讀者一點營養都沒有。雖然我們已經進入了所謂的信息時代，還是有很多機構不懂如何輸出信息。實用性是一個主觀的指標，但確實是評價體系里重要的一環。
- 完整性 (Completeness)
一份有效的數字可視化應該要納入所有能幫助讀者理解數據的信息。有三點要把握好：一是給出對的信息；二是信息的量切勿過大或過少；三是要給出數據的背景，方便讀者了解這些數據的用處和來龍去脈。
- 讀者接受度 (Perceptibility)
要讓可視化易於消化，也就是不費眼不費腦力。接受度高的可視化能用對表格或圖形的種類，使數據清晰明了。比如說，在一個做對比的可視化中，讓讀者比較形狀大小或者顏色深淺，都是不明智的設計。相比之下，位置遠近和長度更一目了然。
- 真實性 (Truthfulness)
可視化的真實性考量的是信息的準確度和是否有據可依。如果信息是能讓人信服的、精確的，那麼它的準確度就達標了。比如說在一個柱狀圖裡，A的數值是B的兩倍，但是A對應的柱形條的長度卻並不是B的兩倍長，這個可視化便不可信。而用國民收入的中位數來衡量幸福感，也是沒有依據。
- 直觀性 (Intuitiveness)
通常，某種圖表如果是司空見慣，人們就更容易快速理解其讀圖方式。但直觀性因人而異，這也是比較主觀的一個評價角度。對於科學家和數據分析師來說，讀數據輪廓圖只是小菜一碟，但對於普羅大眾卻是不夠直觀的數據表現形式。
- 美感 (Aesthetics)
可視化也有美醜之分。不美觀的數據圖無法吸引讀者的注意力，美觀的數據圖則可能會進一步引起讀者的興趣，提供良好的閱讀體驗。有一些信息容易讓讀者遺漏或者遺忘，通過美好的創意設計，可視化能夠給讀者更強的視覺刺激，從而幫助信息的提取。
- 用戶參與度 (Engagement)
用戶的互動是對可視化質量的一種反饋。從互動數據上，可以得出一些用戶的互動規律，增進可視化設計。
實例解說
（一）《銷售業績》
這是一個經典的用Excel製作的柱狀圖，顯示一年內的每月銷售額。銷售額這個信息固然重要，但是一連串信息本身卻無法讓人判斷此貨品到底賣得好不好，因此它的實用性是有限的。
讀者接受度也稍欠火候，因為每條柱都使用了3D效果。這會分散讀者的注意力，不便於比較，與其如此倒不如用一個曲線圖來顯示銷售額變化。
讀者也無法判斷標題《銷售額在增長》是真是假，因為圖中沒有給出往期銷售額的狀況，沒有情境以供比較。另外，讀者也很容易看出，這個圖形並不精確，因為銷售額的起始點不是零，這麼做容易讓讀者誤讀數據。
以美感而言，這個圖並不太好看，每個柱狀的上面都被線條填滿了，擾亂視覺。所以打出的綜合評分如下：
（二）《拿破崙進軍莫斯科》
再來看一個優秀例子。這是一個非常出名的數據可視化案例：Charles joseph Minard做的可視化設計《拿破崙進軍莫斯科》。Minard是一名土木工程師，在建設水壩、運河和橋樑方面很有經驗。他80歲時，運用了他創造的表現人數流動的創新技巧，把這個悲劇性的故事通過一張可視化圖呈現了出來。有的人認為這是有史以來最精美的可視化圖。Few雖然不認為這是可視化設計巔峰，但也不得不承認這是一個出色的作品。
Few認為這個圖在直觀性之外其他方面的完成度都很理想。當讀者看到這個圖的時候，他們需要花一些時間去了解怎麼讀圖。金色部分（去程）的寬度和黑色（回程）的寬度代表了軍隊士兵的數量，每毫米寬度代表10,000人；途徑的地勢特點和主戰役都有標註，並用文字寫明；回程時氣溫驟然下跌，這一信息在圖的底部以線圖表現出來。
在短期內，讀者可能只會對進軍路徑產生一個模糊的印象，無法清晰地汲取自己感興趣的信息。儘管如此，卻沒有其他更好的策略能呈現這些多元維度的信息，所以綜合評分仍然很高。
有心的讀者可能注意到，Few並沒有用精確的分數來量化數據可視化作品，而是給出一個區間，表示某種程度。因為在評價過程中，很多標準都可能會被主觀想法所左右。Few並不認為他給出的標準是一個嚴格的科學準則，而只是給大眾提供一個有意義的、可供參考的評價體系。他歡迎每位讀者都來建言獻策。
編譯/黃立旖
編輯/Ivan Zhai，梁思然
相關閱讀：
每周數據新聞精選 | 50多種圖表怎麼用？數據可視化目錄為你全解析
