有效的溝通,從來都不是字數與資料的堆砌,有時一張圖表的價值遠高於成千的文字描述,將複雜的資訊講明白,便於瀏覽,讓人一目瞭然就是資訊視覺化的最佳效果。

隨著接觸的資料越來越多,資料種類也越來越複雜,模型圖、流程圖、統計圖、架構圖等等,要做的圖表越來越多,一種工具已經沒有辦法滿足日常的繪圖需求。

下面與讀者分享10款在使用過程中覺得高效率、高效能、多樣式的繪圖工具,基本能滿足我們日常99%的圖表需求。接下來將從適用人群、優缺點來一一進行介紹。

1)Visio

適用人群:IT和商務專業人員

優點:繪圖功能強大、能繪製地圖和流程圖、網路圖、電路圖等,相容性很強,能把模型複製到word裡面,還能再從word裡面拷出來重新設計,風格整體偏商業風

缺點:付費。軟體體積龐大,不支援MAC電腦和Linux使用左右拖拽不方便,必須點選捲軸才能左右滑動。

--

--

大多數企業的業務人員,還在用Excel進行資料分析,不僅圖表製作速度慢,而且資料不精確,久而久之就開始落後了。

業務人員如果沒接觸過BI工具,會天然地覺得學習工具的成本會很高,再加上“智慧”這個詞語的加成,更會望而卻步。其實BI工具比Excel更簡單,透過拖拽和選擇指標欄位,就能直接做出資料分析模型了。

下面就跟大家分享15種用BI工具製作的資料分析模 …

--

--

以下文章來源於數據派THU,作者數據派THU

程式語言的好壞及排行之爭由來已久。“PHP是世界上最好的語言”,這是一個流傳於程式設計師圈子的梗。

我们無意加入“哪門語言更好”的戰爭。每門語言的誕生,都有其特定的背景和需求,都能解決相應的問題,脫離需求和背景爭論哪門語言更好是沒有意義的。

最重要的是,我们需要搞清楚到底要解決什麼問題,這樣才能更方便地找到對應的工具。

在資料分析領域(包括量化投資),程式語言具有兩大作用,🔹一個是科學計算、統計等演算法層面,主要用於業務的相關研究;🔹另一個是系統應用開發,主要用來搭建基礎IT設施,比如資料庫、交易平臺等。

Matlab和R主要用於業務層面的研究工作。C++和Java則主要是用於系統搭建工作。業務研究和系統搭建的區別還是很明顯的,每類語言適應的場景都不太一樣,否則也沒有必要存在那麼多種語言了。比如,使用Matlab搭建一個交易系統,那麼其速度一定會慢得讓人無法忍受。如果用C++或者Java做資料分析,那麼其效率一定也會非常低。

至於Python,其優勢在於作為一種膠水語言,其適用面非常廣。換句話說,Python是可以同時完成資料分析和系統搭建兩種工作的,而且效能和效率有著非常好的平衡。使用Python既可以編寫機器學習的複雜模型,也可以搭建支撐億級別訪問量的網站系統,又或者搭建微秒級的程式化交易系統。

什麼都能做,而且還能做得很不錯,這是Python能夠迅速流行的核心原因之一。

下面將對上面提到的部分常見的語言做一個簡單的介紹。

01 Matlab

截至目前,在量化研究領域,Matlab的使用率應該是最高的。這個資料來源於Wind,在他們的量化介面中,Matlab的使用率是最高的,Python其次。但是Python是增長速度最快的。

--

--

一個合格的資料分析師,一定掌握了大量的思維模型。

這些思維模型有時能幫助他們少走點彎路,有時能夠快速建立對特定場景、業務的認知,這也是為什麼資料分析一直強調思維模型的重要性。

成熟的思維模型系統性地沉澱了每種業務的明細與視角,掌握這些模型的來龍去脈,更有助於你將工作中的零碎經驗系統性地串接起來。

頂級的思維模型能提高你成功的可能性,並幫你避免失敗,比業務更懂業務,比管理更有格局也不是件難事。

貝葉斯模型
貝葉斯模型在資料分析中一般用來解決先驗機率、分類實時預測和推薦系統等問題,能夠讓我們基於過往的經驗和目前的現象做出決策。

解決問題:

1. 當我們一無所知時,如何進行推斷?

2. 當我們有了更多資訊,該如何利用它們?

3. 如何得到後驗機率?

4. 為什麼貝葉斯決策理論是“最優的”?

限制:

貝葉斯模型的假設性較強,但實際操作起來並不容易

--

--

在工作中,未經視覺化的資料往往令人費解,不僅增加了溝通成本,也提高了專案難度,但視覺化資料太難了,大多數情況下,好的資料往往淪為拙劣視覺化的犧牲品。

所以如何提高資料視覺化能力,是值得行業終生研究的事。不過作為普通人,我們僅掌握以下幾個技巧,至少能夠讓你超越95%的人。

資料視覺化是藝術與科學的結合

常規的圖表譬如折線圖、餅圖等實在太過無聊了,所以僅憑這些圖表,你也不要指望能夠讓人眼前一量,進而吸引使用者注意,讓使用者參與進來有時比圖表展現的資訊更有價值。

這就要求我們有時也需要引入一些不同型別的圖表,甚至是風格迥異,透過建立些與眾不同的圖表會更吸引眼球,並讓使用者關注你的資料、內容或是論點。

給大家展示幾個非常優秀的資料圖表天才的的視覺化作品:

1、校園槍擊案

以每個點代表10名遭受槍擊案威脅的孩子展現其校園槍擊案的數量。

2、最暴力的50個城市

來自Federica Fragapane的資料視覺化專案展示了全球城市兇殺案的數量。每一個螺旋形都是一座城市,橫軸代表城市總人口數,而不同高度上的不同形狀代表兇殺案總數。

--

--

“思維模型是你大腦中做決策的工具箱,你的工具箱越多,你就越能快速做出最正確的決策”

從100個思維模型裡,整理出40個工作中最常會用到的思維模型,主要分為八大模組(學習力、思考力、創造力、設計力、共情力、故事力、領導力、整合力),可以幫助你由淺入深對不同方向的思維模型進行學習。

一、學習力(6個)

1、費曼技巧:

  • 當你想要徹底掌握某種新知識時,推薦採用費曼技巧進行練習。透過嘗試把自己所理解的概念教給別人,從而發現、修補自己對知識的理解漏洞,再用簡化的語言進行表達,最後徹底理解。

--

--

視覺化的作用在於幫助人們更直觀地獲取資訊。
而一個冗雜、噪音大、沒有重點的圖表,會讓人讀起來晦澀難懂。

所以我們在使用視覺化圖表時,應該去除非必要的干擾資訊、突出重點部分,簡明有效地傳達資料價值,給使用者更好的體驗。

降低認知負荷

1、降低噪音資訊干擾

🔷隱藏:

去除不必要的背景填充、去除無意義的顏色變化、去除不必要的邊框、去除不必要的資料標籤

🔷弱化:

座標軸淡色或隱藏、網格線淡色或隱藏

🔷強調:

使用簡短有力的標題和文字,以最少的字數傳達最有價值的觀點、資訊或故事。

--

--

只要你在企業工作,你多少會碰到以下幾種情況:

😕專案經理:使用者一直強烈要求加上他們想要的功能,根本不知道先解決哪個?

😦研發部門:產品經理提出一大堆需求,我就算天天加班熬夜也做不完!

😠使用者:我要的根本不是這個功能!產品經理是用屁股在思考吧,會改成這樣?

其實在實際工作中,出現這幾種情況是太正常不過的事。每個使用者都會有自己的個性化需求,所以會想加很多功能。但這些需求中,80%都是偽需求,只有剩下的20%才是真需求。研發的資源和人力是有限的,不能什麼需求都做。所以專案經理就需要從這些需求中分辨出哪些是真需求,哪些是偽需求。

那怎麼才能辨別真正的使用者需求?給真正重要的需求高優先順序?

今天要介紹的KANO模型分析法就是用來解決此類問題的,它可以對使用者需求進行系統分類和優先排序,將需求分成4種需求型別:

它們的優先順序排序為:必備型需求>期望型需求>興奮型需求>無差異需求

🔷必備型需求(一定要有):俗稱痛點。對於使用者,是核心需求,也是產品必做功能。如果沒有,使用者滿意度則會大幅度降低。

🔷期望型需求(應該要有):提供此需求,使用者滿意度會提升;不提供此需求,使用者滿意度會降低。通常作為競品之間比較的重點。

🔷興奮型需求(可有可無):驚喜型產品功能,超出使用者預期,能帶來即時的新鮮感。但如果不提供,也不會降低使用者滿意度。

🔷無差異需求(儘量不做):使用者根本不在意,對使用者體驗毫無影響。規避做此型別功能。

簡單介紹完KANO模型的四個分類後,我們來舉個例子,來加深對KANO模型的理解。

KANO分析實戰

某網際網路公司的A產品將於下個月更新,產品經理小K收集到了無數產品功能更新需求,為了確定哪些功能是真需求,小K決定透過KANO模型進行需求分析。

本次分析實戰工具為BI工具FineBI資料分析工具。

1、設計調研問卷

在做KANO分析前,需要進行使用者調研。通常採用矩陣量表的形式讓使用者對功能進行評價,評價分為五個程度“我很喜歡”、“它理應如此”、“無所謂”、“勉強接受”、“我很不喜歡”。

--

--

數據分析那些事

這是一個專注於數據分析職場的內容部落格,聚焦一批數據分析愛好者,在這裡,我會分享數據分析相關知識點推送、(工具/書籍)等推薦、職場心得、熱點資訊剖析以及資源大盤點,希望同樣熱愛數據的我們一同進步! 臉書會有更多互動喔:https://www.facebook.com/shujvfenxi/