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。
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型，工具使用的是FineBI。
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。
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：
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。
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。
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”。
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/
