作者David Hoffer是一位出色的设计师，现在是Declara的UE部门负责人。如今大数据日渐从数据科学家的“象牙塔”走进人们的生活，David Hoffer根据自己的经验和思考，提出了数据可视化的概念。Infographic、dashboard、map都可以作为数据可视化的方案，dashboard的设计有时候还不够人性化。Visua.ly、Google Map、Racial Dot Map还有Kepler Mission等越来越多的可视化成果将带我们走进了更加丰富多彩的数据世界。

　　在Google搜索有关“大数据”，会出现很多个由立体0和1组成的图片，一些解释性的信息图示，甚至出现“黑客帝国”的界面。那“大数据”到底是什么，人类能够理解吗?

　　如果问一家大公司的首席执行官什么是“大数据”，他们可能会描述一些类似于黑匣子(飞机上的飞行记录器)的东西，或者在白板上画一朵云。如果问数据科学家，他们可能会向你解释一下 4V的概念，4V是指用信息图示解释(其实只是事实的视觉集合)，当然还带有相应的说明。之所以这样做是因为“大数据”是一个有着不同含义、象征，应用于不同组织的模糊术语。

　　可以理解，要想弄明白这是发源于哪、什么时候盛行是很难的。有关记录最早是在2003年， 那时人类创造了5EB数据。到了2011年， 每两天就会产生同样多的数据。诚然，与前几代数据的呈现方式相比，我们已经取得了飞跃发展。但到了今天的大数据时代，数据的呈现方式有助于传递信息，不过它需要的就不仅仅是漂亮的表面文章了。它需要实用，能展现多个维度，还要考虑实用性。

　　新的软件和技术使我们能够更深入的理解这些庞大的数据集。然而，我们要去真正收集和加工有价值的大数据，唯一方法是要提高数据可视化的水平。我们怎样进行可行性分析、深入了解、全面直观地表示信息呢?答案是，我们需要使数据更容易理解。

　　新的可视化工具，新的挑战

　　通过理解大数据，使之更贴近大多数人，最重要的手段的之一就是数据可视化。数据可视化标识导向系统，包括文字的，如街头的路标指引你到高速公路，还有象征的，如颜色、大小或位置的抽象元素传达的信息。在某种意义上，恰当的视觉标识可以提供较短的路线，帮助选择路线，成为通过数据分析传递信息一种重要的工具。然而，要真正可行，数据可视化应有适当的交互性。他们必须设计良好、易于使用、易于理解、有意义、更容易被人接受。

　　Michal Migurski说道：“数据可视化是一个相对的概念……通常说它是即将出现的新事物。”随着技术的变化而改变，我们不断地开发新的工具以利用它实现跨行业应用。一些熟悉的可视化包括信息图示、臭名远扬的控制面板，当然还有地图。

　　现今无所不在的 信息图示是澄清复杂问题的好方法。在此类别中， Visua.ly是一个很大的来源。图表通常是在海报或演示文稿中精心制作来传达意思，但在一定的时间内提供的实时信息还远远不够。控制面板或许是一个有用的工具，但它们往往设计的不好。同样的图表和图形重复的出现。

　　当控制面板设计的像车辆仪表盘和里程计的文字说明时就更糟了。最重要的是当想要通过仪表板传达有关人的信息时，他们往往不够人性化。最后，地图作为一个依赖于地理重要的信息层，是我最喜欢的可视化成果之一。当你可以依靠像一个国家或省的地形等容易识别的形状，地图是很有用的，但如果不是地理数据怎么办?

　　想想谷歌地图。现在可以说是现今世界上最全面和最成功的数据可视化集。它以多种数据可视化方法提供了一套全面的数据集，不断更新而且相当容易使用。其界面提供满足个人需求和查询数据的多个视图，可以跨设备使用。它还提供了一个强大的API，使它不再仅仅是个软件，而成为一个平台。它的 API能够实现从基础地图功能到呈现难以穷尽的地理信息。

　　看看Weldon Cooper Center服务大众的 Racial Dot Map(用谷歌API创建)，使用颜色编码描绘了在美国分布的种族多样性(类似于在热图上看早晨的天气报告)。你也可以放大一个特定区域或地区来获取细节(每个人代表一个点，按种族用颜色编码)。

　　有了谷歌，如何显示信息和组织信息成为了大家关心的问题。但这使一个群落更具稳健性(在为Geo产品工作的400多个谷歌员工)，因此来源越少，数据可视化的风险越小。

　　数据光谱的另一端，可以看看纽约时报是怎样用视觉效果为它的报道增光加彩的。例如，一篇关于NASA的 Kepler mission，记录了超过190个被证实围绕遥远恒星运转的行星，从在行星轨道上运行的速度，到距离恒星的距离、恒星温度和星系的大小都加入了浅显易懂的可视化效果。

　　另一个例子就是用图形描绘 Silk Road，讲述这著名的贸易路线的现代版本。彩色照片和精心编辑的视频，按沿路线上的关键停留点分组、传达丝绸之路的内涵，加上帮助在地理上放置的照片和视频的信息图示。

　　通过这些可视化成果，你也会开始认识到一些限制，是否要呈现出整个可以想象到的数据(想象一下检查19亿颗的系外行星，而不是190颗)，或者是否需要从多个层面上理解。这些例子就像发展大数据可视化的路标。我们从这些零散的示例到更大数据集的应用中又可以获得什么?

　　大数据才刚刚开始出现，我们管理后端的方式也在不断变化。我们需要强有力的工具通过使数据有意义的方式实现数据可视化，还有数据的可交互性。我们需要跨学科的团队，而不是单个数据科学家、设计师或数据分析员，我们需要重新思考我们所知道的数据可视化。图表和图形还只能在一个或两个维度上传递信息，那么他们怎样才能与其他维度融合到一起深入挖掘大数据呢?我们的大数据可视化(BDV)工具需要实现功能、可更新的，而不是作为软件的部分。

　　在此过程中，数据变得更具可塑性、可行性，最终更加人性化。通过灵活的数据和可视化框架，我们希望能容纳多种意见，使我们能够利用数据适应不断变化的需求和查询。接受大数据含糊不清的性质，但要提供并找到让它和你联系的更加紧密的工具。数据的视觉解释会因你的目标和对目标的回答的不同而不同。因此，虽然会存在视觉上的相似之处，但没有两个可视化结果是相同的，就像世界上不可能有完全相同的两片叶子。