一、老QC七大手法包括：

检查表、层别法（分层法）、排列图（柏拉图）、直方图、鱼骨图（因果图）、控制图（管制图）、散布图。

二、QC新七大手法指的是：

关系图法、KJ法、系统图法、矩阵图法、矩阵数据分析法、PDPC法、网络图法。

三、运用途径：

列举介绍：

一、检查表

检查表是利用统计表对数据进行整理和初步原因分析的一种工具，其格式可多种多样，这种方法虽然较简单，但实用有效，主要作为记录或者点检所用。

二、数据分层法

数据分层法又称为层别法就是将性质相同的，在同一条件下收集的数据归纳在一起，以便进行比较分析。因为在实际生产中，影响质量变动的因素很多，如果不把这些因素区别开来，则难以得出变化的规律。数据分层可根据实际情况按多种方式进行。

三、排列图

排列图又称为柏拉图、重点分析图、ABC分析图，由此图的发明者19世纪意大利经济学家柏拉图（Pareto）的名字而得名。柏拉图最早用排列图分析社会财富分布的状况，他发现当时意大利80%财富集中在20%的人手里，后来人们发现很多场合都服从这一规律，于是称之为Pareto定律。

柏拉图分析的步骤：

（1）将要处置的事，以状况（现象）或原因加以层别；

（2）纵轴虽可以表示件数，但最好以金额表示比较强烈；

（3）决定搜集资料的期间，自何时至何时，作为柏拉图资料的依据，期限间尽可能定期；

（4）各项目依照合半之大小顺位左至右排列在横轴上；

（5）绘上柱状图；

（6）连接累积曲线。

四、直方图

在质量管理中，如何预测并监控产品质量状况如何对质量波动进行分析直方图就是一目了然地把这些问题图表化处理的工具。它通过对收集到的貌似无序的数据进行处理，来反映产品质量的分布情况，判断和预测产品质量及不合格率。

直方图又称质量分布图，柱状图，它是表示资料变化情况的一种主要工具。用直方图可以解析出资料的规则性，比较直观地看出产品质量特性的分布状态，对於资料分布状况一目了然，便于判断其总体质量分布情况。

在制作直方图时，牵涉统计学的概念，首先要对资料进行分组，因此如何合理分组是其中的关键问题。按组距相等的原则进行的两个关键数位是分组数和组距。是一种几何形图表，它是根据从生产过程中收集来的质量数据分布情况，画成以组距为底边、以频数为高度的一系列连接起来的直方型矩形图。

五、因果分析图

因果分析图是以结果作为特性，以原因作为因素，在它们之间用箭头联系表示因果关系。因果分析图是一种充分发动员工动脑筋，查原因，集思广益的好办法，也特别适合于工作小组中实行质量的民主管理。当出现了某种质量问题，未搞清楚原因时，可针对问题发动大家寻找可能的原因，使每个人都畅所欲言，把所有可能的原因都列出来。

所谓因果分析图，就是将造成某项结果的众多原因，以系统的方式图解，即以图来表达结果（特性）与原因（因素）之间的关系。其形状像鱼骨，又称鱼骨图。

某项结果之形成，必定有原因，应设法利用图解法找出其因。首先提出了这个概念的是日本品管权威石川馨博士，所以特性原因图又称[石川图]。因果分析图，可使用在一般管理及工作改善的各种阶段，特别是树立意识的初期，易于使问题的原因明朗化，从而设计步骤解决问题。

六、散布图

散布图又叫相关图，它是将两个可能相关的变量数据用点画在坐标图上，用来表示一组成对的数据之间是否有相关性。这种成对的数据或许是特性一原因，特性一特性，原因一原因的关系。通过对其观察分析，来判断两个变量之间的相关关系。

这种问题在实际生产中也是常见的，例如热处理时淬火温度与工件硬度之间的关系，某种元素在材料中的含量与材料强度的关系等。这种关系虽然存在，但又难以用精确的公式或函数关系表示，在这种情况下用相关图来分析就是很方便的。假定有一对变量x和y,x表示某一种影响因素，y表示某一质量特征值，通过实验或收集到的x和y的数据，可以在坐标图上用点表示出来，根据点的分布特点，就可以判断x和y的相关情况。

在我们的生活及工作中，许多现象和原因，有些呈规则的关联，有些呈不规则形有关联。我们要了解它，就可借助散布图统计手法来判断它们之间的相关关系。

七、控制图

控制图又称为管制图。由美国的贝尔电话实验所的休哈特(WAShewhart)博士在1924年首先提出，管制图使用后，就一直成为科学管理的一个重要工具，特别在质量管理方面成了一个不可或缺的管理工具。

它是一种有控制界限的图，用来区分引起质量波动的原因是偶然的还是系统的，可以提供系统原因存在的信息，从而判断生产过程是否处于受控状态。控制图按其用途可分为两类，一类是供分析用的控制图，用控制图分析生产过程中有关质量特性值的变化情况，看工序是否处于稳定受控状；再一类是供管理用的控制图，主要用于发现生产过程是否出现了异常情况，以预防产生不合格品。

产品经理在工作过程中会遇到各种结构图（结构图），这些名词很容易混淆。一般情况下，3-5年经验，善于总结归纳的产品经理才能逐步理解这些概念的含义，并且相对灵活的运用到工作中。下面针对这些概念来系统地梳理一下，同时也是加深自己的理解和认知，希望能有所启发。

功能结构图就是按照功能的从属关系画成的图表，在该图表中的每一个框都称为一个功能模块。功能模块可以根据具体情况分得大一点或小一点，分解得最小功能模块可以是一个程序中的每个处理过程，而较大的功能模块则可能是完成某一个任务的一组程序。（百度定义）

用通俗的话来说，功能结构图就是以功能模块为类别，介绍模块下其各功能组成的图表。功能结构图一般不涉及具体的字段信息，只强调功能的逻辑关系。

以微信为例，我们可以看到整个微信分为4个大的模块：微信、通讯录、发现、我的。发现模块里面有各种功能，比如朋友圈、小程序等等。这里插一句题外话，一般人很少注意到微信底栏第一个菜单是“微信”，往往以为是“消息”“聊天”之类的。网上各种各样的解释都有，我则更愿意理解为微信对自身的自信和坚持，正如微信自己描述的定位一样，它本身就是一种生活方式。

信息结构图是将产品的数据信息抽象出来，直观进行展示的图表。它可以帮助产品经理理解复杂元素的构成，帮助开发进行进行表结构设计。

信息结构图的绘制通常晚于功能结构图，往往是在产品设计阶段的概念化过程中，在产品功能框架已确定、功能结构已完善好的情况下才对产品信息结构进行分析设计。

同样是以微信为例，下图列出了微信公众号文章涉及的一些核心字段。这些能帮助产品经理和技术来理解整个产品方案的设计过程。

产品结构图是综合展示产品信息和功能逻辑的图表，也就是说看到产品结构图能快速了解产品的功能和信息结构。某种程度上来说，产品结构图绘制出来，原型图上的信息和功能基本就已经确定了。

当然这个理解目前在业内没有形成一致的共识，只是一部分人这么理解而已。很多时候产品经理在进行整理的时候，不自觉地将这两者融合在一起，因为功能是在页面里面的，围绕信息展开的，所以有时候并不需要分那么清，只要能把事情说清楚，不需要纠结。

在产品设计的过程中，一般是从产品功能结构图出发，直到最后完成产品结构图。 完成产品结构图之前最好不要开始画原型，做产品设计，因为这个时候对整体框架，流程还没有完整的认知，过早开始往往是做无用功。

软件架构的核心价值是控制系统的复杂性，将核心业务逻辑和技术细节的分离与解耦。架构一般可为分业务架构、应用架构、技术架构。其中业务架构是战略，应用架构是战术，技术架构是装备。

架构的目的通俗来说就是把复杂的东西简单化，标准化，流程化，自动化。下面来分别解释一下。

产品架构图有时候也叫做业务架构图，是对于产品底层的设计，涉及到整个产品的业务流程，比较复杂。

产品架构图是不断演进的，其改变往往意味着产品维度进行大的调整，无论是功能还是信息都会有大的变动。

产品架构图面向公司层面，偏战略；考虑的是如何为用户提供价值，以及企业可以通过什么方式来实现盈利的问题。

还有一种划分是把产品架构图和业务架构图分开，先有业务再有产品。举一个简单的例子，美团的业务包括外卖，到店和酒旅业务等。用一个词概括就是“吃喝玩乐”，围绕优惠折扣，服务这些关键词展开，这个就是美团的业务架构。在外卖业务中，分为C端、商家、骑手等终端，如何让用户更快捷找到优惠，让骑手更快速的送出外卖，这些就是产品架构层面的事情。骑手送餐可能会出现部分骑手绕路耽误时间的情况，但是从整个平台的角度来看，基本是公平，高效的。

应用架构起到承上启下的作用：一方面承接业务架构的落地，另外一方面影响技术选型。

比较常用的划分是应用架构类型：单体式、分布式、SOA架构。

分布式应用架构中，不同应用是独立的，应用内部高内聚，应用之间松耦合，可以灵活的进行分布式部署。同时缺点也比较明显，那就是不同应用之间通信连接都需要额外的工作量，同时整个架构设计变得复杂维护起来成本必然增加。

到技术这一层整个系统的设计已经比较清晰了，尽管技术架构图涉及的技术模型一般都比较多。但经过拆解，分组，已经非常直观了，我们可以把技术架构图简单理解为具体的装修设计图，剩下的就是靠技术人员分批分模块来慢慢实现了。

下面引用一张美团的系统架构图，这只是美团业务体系的一个缩影。从图里面我们可以了解到美团的业务极其复杂，使用的技术也非常多。

组织架构是企业的流程运转、部门设置及职能规划等最基本的结构依据，常见的组织架构形式包括中央集权制、分权制、直线式以及矩阵式等。（百度定义）不同公司的组织结构差别很大，在不同时期往往也不一样。组织结构是在不断进化的，其目地就是为了使工作职责明确，工作目标性强 ，提高生产力。

下面引用一张腾讯公司的的组织架构图，从这里可以看出很多信息。比如微信产品的重要性，任宇昕的重要性，腾讯对于内容产品的重视等等。

以上理解是本人参考了大量的资料，结合自己的工作经历总结出来的。由于自己的水平有限，难免有描述不准确、不正确的地方，恳请各位读者海涵，欢迎有兴趣的读者添加我的微信一起交流探索，共同进步。

其实很简单，任何的手法都是以查检表为基础，也就是要获得第一手资料才可以着手进行柏拉图等一些图表的制作，

品管七大手法是常用的统计管理方法，又称为初级统计管理方法。它主要包括控制图、因果图、相关图、排列图、统计分析表、数据分层法、散布图等所谓的QC七工具。运用这些工具，可以从经常变化的生产过程中，系统地收集与产品质量有关的各种数据，并用统计方法对数据进行整理，加工和分析，进而画出各种

图表，计算某些数据指标，从中找出质量变化的规律，实现对质量的控制。日本著名的质量管理专家石川馨曾说过，企业内95%的质量管理问题，可通过企业上上下下全体人员活用这QC七工具而得到解决。全面质量管理的推行，也离不开企业各级、各部门人员对这些工具的掌握与灵活应用。

1、 统计分析表

统计分析表是利用统计表对数据进行整理和初步分析原因的一种工具，其格式可多种多样，这种方法虽然较单，但实用有效。

2、 数据分层法

数据分层法就是性质相同的，在同一条件下收集的数据归纳在一起，以便进行比较分析。因为在实际生产中，影响质量变动的因素很多如果不把这些困素区别开来，难以得出变化的规律。数据分层可根据实际情况按多种方式进行。例如，按不同时间，不同班次进行分层，按使用设备的种类进行分层，按原材料的进料时间，原材料成分进行分层，按检查手段，使用条件进行分层，按不同缺陷项目进行分层，等等。数据分层法经常与上述的统计分析表结合使用。

数据分层法的应用，主要是一种系统概念，即在于要想把相当复杂的资料进行处理，就得懂得如何把这些资料加以有系统有目的加以分门别类的归纳及统计。

科学管理强调的是以管理的技法来弥补以往靠经验靠视觉判断的管理的不足。而此管理技法，除了建立正确的理念外，更需要有数据的运用，才有办法进行工作解析及采取正确的措施。

如何建立原始的数据及将这些数据依据所需要的目的进行集计，也是诸多品管手法的最基础工作。

举个例子：我国航空市场近几年随着开放而竞争日趋激烈，航空公司为了争取市场除了加强各种措施外，也在服务品质方面下功夫。我们也可以经常在航机上看到客户满意度的调查。此调查是通过调查表来进行的。调查表的设计通常分为地面的服务品质及航机上的服务品质。地面又分为订票，候机；航机又分为空服态度，餐饮，卫生等。透过这些调查，将这些数据予以集计，就可得到从何处加强服务品质了。

3、排列图（柏拉图）

排列图又称为柏拉图，由此图的发明者19世纪意大利经济学家柏拉图（Pareto）的名字而得名。柏拉图最早用排列图分析社会财富分布的状况，他发现当时意大利80%财富集中在20%的人手里，后来人们发现很多场合都服从这一规律，于是称之为Pareto定律。后来美国质量管理专家朱兰博士运用柏拉图的统计图加以延伸将其用于质量管理。排列图是分析和寻找影响质量主原因素的一种工具，其形式用双直角坐标图，左边纵坐标表示频数（如件数 金额等），右边纵坐标表示频率（如百分比表示）。分折线表示累积频率，横坐标表示影响质量的各项因素，按影响程度的大小（即出现频数多少）从左向右排列。通过对排列图的观察分析可抓住影响质量的主原因素。这种方法实际上不仅在质量管理中，在其他许多管理工作中，例如在库存管理中，都有是十分有用的。

在质量管理过程中，要解决的问题很多，但往往不知从哪里着手，但事实上大部分的问题，只要能找出几个影响较大的原因，并加以处置及控制，就可解决问题的80%以上。柏拉图是根据归集的数据，以不良原因，不良状况发生的现象，有系统地加以项目别（层别）分类，计算出各项目别所产生的数据（如不良率，损失金额）及所占的比例，再依照大小顺序排列，再加上累积值的图形。

在工厂或办公室里，把低效率，缺损，制品不良等损失按其原因别或现象别，也可换算成损失金额的80%以上的项目加以追究处理，这就是所谓的柏拉图分析。

柏拉图的使用要以层别法的项目别（现象别）为前提，依经顺位调整过后的统计表才能画制成柏拉图。

柏拉图分析的步骤；

（1） 将要处置的事，以状况（现象）或原因加以层别。

（2） 纵轴虽可以表示件数，但最好以金额表示比较强烈。

（3） 决定搜集资料的期间，自何时至何时，作为柏拉图资料的依据，期限间尽可能定期。

（4） 各项目依照合半之大小顺位左至右排列在横轴上。

（5） 绘上柱状图。

（6） 连接累积曲线。

柏拉图法（重点管制法），提供了我们在没法面面俱到的状况下，去抓重要的事情，关键的事情，而这些重要的事情又不是靠直觉判断得来的，而是有数据依据的，并用图形来加强表示。也就是层别法提供了统计的基础，柏拉图法则可帮助我们抓住关键性的事情。

4、因果分析图

因果分析图是以结果作为特性，以原因作为因素，在它们之间用箭头联系表示因果关系。因果分析图是一种充分发动员工动脑筋，查原因，集思广益的好办法，也特别适合于工作小组中实行质量的民主管理。当出现了某种质量问题，未搞清楚原因时，可针对问题发动大家寻找可能的原因，使每个人都畅所欲言，把所有可能的原因都列出来。

所谓因果分析图，就是将造成某项结果的众多原因，以系统的方式图解，即以图来表达结果（特性）与原因（因素）之间的关系。其形状像鱼骨，又称鱼骨图。

某项结果之形成，必定有原因，应设法利用图解法找出其因。首先提出了这个概念的是日本品管权威石川馨博士，所以特性原因图又称[石川图]。因果分析图，可使用在一般管理及工作改善的各种阶段，特别是树立意识的初期，易于使问题的原因明朗化，从而设计步骤解决问题。

（1） 果分析图使用步骤

步骤1：集合有关人员。

召集与此问题相关的，有经验的人员，人数最好4-10人。

步骤2：挂一张大白纸，准备2-3支色笔。

步骤3：由集合的人员就影响问题的原因发言，发言内容记入图上，中途不可批评或质问。（脑力激荡 法）

步骤4：时间大约1个小时，搜集20-30个原因则可结束。

步骤5：就所搜集的原因，何者影响最大，再由大轮流发言，经大家磋商后，认为影响较大予圈上红色 圈。

步骤6：与步骤5一样，针对已圈上一个红圈的，若认为最重要的可以再圈上两圈，三圈。

步骤7：重新画一张原因图，未上圈的予于去除，圈数愈多的列为最优先处理。

因果分析图提供的是抓取重要原因的工具，所以参加的人员应包含对此项工作具有经验者，才易秦效。

（2）因果分析图与柏拉图之使用

建立柏拉图须先以层别建立要求目的之统计表。建立柏拉图之目的，在于掌握影响全局较大的重要少数项目。再利用特性原因图针对这些项目形成的原因逐予于探讨，并采取改善对策。所以因果分析图可以单独使用，也可连接柏拉图使用。

（3） 因果分析图再分析

要对问题形成的原因追根究底，才能从根本上解决问题。形成问题之主要原因找出来以后，再以实验设计的方法进行实验分析，拟具体实验方法，找出最佳工作方法，问题也许能得以彻底解决，这是解决问题，更是预防问题。

任何一个人，任何一个企业均有它追求的目标，但在追求目标的过程中，总会有许许多多有形与无形的障碍，而这些障碍是什么，这些障碍何于形成，这些障碍如何破解等问题，就是原因分析图法主要的概念。

一个管理人员，在他的管理工作范围内所追求的目标，假如加以具体的归纳，我们可得知从项目来说不是很多。然而就每个追求的项目来说，都有会有影响其达成目的的主要原因及次要原因，这些原因就是阻碍你达成工作的变数。

如何将追求的项目一一地罗列出来，并将影响每个项目达成的主要原因及次要原因也整理出来，并使用因果分析图来表示，并针对这些原因有计划地加以强化，将会使你的管理工作更加得心应手。

同样地，有了这些原因分析图，即使发生问题，在解析问题的过程中，也能更快速，更可靠。

5、直方图

直方图又称柱状图，它是表示数据变化情况的一种主要工具。用直方图可以将杂乱无章的资料，解析出规则性，比较直观地看出产品质量特性的分布状态，对于资料中心值或分布状况一目了然，便于判断其总体质量分布情况。在制作直方图时，牵涉到一些统计学的概念，首先要对数据进行分组，因此如何合理分组是其中的关键问题。分组通常是按组距相等的原则进行的两个关键数字是分组数和组距。

6、散布图

散布图又叫相关图，它是将两个可能相关的变量数据用点画在坐标图上，用来表示一组成对的数据之间是否有相关性。这种成对的数据或许是特性一原因，特性一特性，原因一原因的关系。通过对其观察分析，来判断两个变量之间的相关关系。这种问题在实际生产中也是常见的，例如热处理时淬火温度与工件硬度之间的关系，某种元素在材料中的含量与材料强度的关系等。这种关系虽然存在，但又难以用精确的公式或函数关系表示，在这种情况下用相关图来分析就是很方便的。假定有一对变量x 和 y,x 表示某一种影响因素，y 表示某一质量特征值，通过实验或收集到的x 和 y 的数据，可以在坐标图上用点表示出来，根据点的分布特点，就可以判断 x和 y 的相关情况。

在我们的生活及工作中，许多现象和原因，有些呈规则的关连，有些呈不规则形有关连。我们要了解它，就可借助散布图统计手法来判断它们之间的相关关系。

7、控制图

控制图又称为管制图。由美国的贝尔电话实验所的休哈特(WAShewhart)博士在1924年首先提出管制图使用后，管制图就一直成为科学管理的一个重要工具，特别在质量管理方面成了一个不可或缺的管理工具。它是一种有控制界限的图，用来区分引起质量波动的原因是偶然的还是系统的，可以提供系统原因存在的信息，从而判断生产过程是否处于受控状态。控制图按其用途可分为两类，一类是供分析用的控制图，用控制图分析生产过程中有关质量特性值的变化情况，看工序是否处于稳定受控状；再一类是供管理用的控制图，主要用于发现生产过程是否出现了异常情况，以预防产生不合格品。

统计管理方法是进行质量控制的有效工具，但在应用中必须注意以下几个问题，否则的话就得不到应有的效果。这些问题主要是：1 ）数据有误。数据有误可能是两种原因造成的，一是人为的使用有误数据，二是由于未真正掌握统计方法；2 ）数据的采集方法不正确。如果抽样方法本身有误则其后的分析方法再正确也是无用的；3） 数据的记录，抄写有误；4 ）异常值的处理。通常在生产过程取得的数据中总是含有一些异常值的，它们会导致分析结果有误。

以上概要介绍了七种常用初级统计质量管理七大手法即所谓的“QC七工具”，这些方法集中体现了质量管理的“以事实和数据为基础进行判断和管理”的特点。最后还需指出的是，这些方法看起来都比较简单，但能够在实际工作中正确灵活地应用并不是一件简单的事。

之前的一个阶段公司一直在做大屏的项目，所以我也一直在研究数据可视化的设计，当我阅读《数据可视化》时，看到了如下的一张图（下图），是关于分析需求可采用的统计可视化方法，给了我很大的启发。于是我想把这张图进行拓展，从如何选择可视化图表的角度来继续深挖。

在工作的实践中，我将选择一个可视化图表分成如下几个步骤：分析数据>明确目标>分析功能>选择图表（下图）

在获取数据之前，我们先了解一下什么是数据。人们对于数据的认知，一般都是经过从数据模型到概念模型的过程，最后得到数据在实际中的具体语义。在处理数据时，最初接触的是数据模型。例如一组数据：78、125、143、…，首先被看作是一组浮点数据，可以应用加减乘除等操作；另一组数据：白、黑、黄、…，则被视为一组根据颜色分类的数据。概念模型是对数据的高层次描述，对应于人们对于数据的具体认知。对数据进行进一步处理之前，需要定义数据的概念和他们之间联系，同时定义数据的语义和他们所代表的含义。概念模型的建立跟实际应用紧密相关。例如，数值数据可用于表达温度、高度、产量等，而类别数据则可表达性别、人种等不同的意义。

数据类型一般可以分为类别型数据、数值型数据和有序型数据。类别型数据用于区分物体，数值型数据提供定量信息，有序型数据用来表示对象间的顺序关系。例如我们最常见的纵向柱状图，类别型数据映射到的是x轴，数值型数据映射到y轴，有序型数据则是对象和数值的比较关系。

所以当我们拿到数据时，需要明确手中数据的类型，因为基础的可视化设计一般针对于这三种数据展开的，复杂型数据通常是这三类数据的组合和变化。

可视化的首要任务是准确的展示和传达数据所包含的信息。在此前提下，针对特定的用户对象，设计者可以根据用户的预期和需求，提供有效辅助手段方便用户理解数据，从而完成有效的可视化。

从可视化图表类型来说，可以分为比较类、分布类、流程类、占比类、区间类、关联类、趋势类、时间类、地图类等。所以，针对用户的预期和需求，明确目标的这一过程就是选择合适的可视化图表类型。

在这一步骤中我们不仅需要明确考虑“用户想要知道什么？”，同时还要考虑“如果用户知道了这个信息，会用它来做什么？”。所以我们选择使用什么功能的图表将有助于用户做决策。

分析功能，是指在明确目标和场景的前提下，从数据的特性选择更加细分的图表类型。对于比较类图表来说，可以细分为条目相关、数值相关、目标相关、周期相关、股票相关、分布相关等。

所以我们在获取数据、明确目标和分析功能之后，就要针对图表展示的目的和表现层面选择合适的图表（下图）。

411柱状图

当我们拥有一组类别型数据、一个连续数值型数据时，同时为了对比数值，我们就可以选择柱状图来展示图表。但同时需要注意的是类别型数据不超过12条可以选择纵向柱状图，不超过30条数据时可以选择横向柱状图，而超过30条数据，柱状图将不再适用。

412南丁格尔玫瑰图和玉玦图

南丁格尔玫瑰图和玉玦图都是极坐标下绘制的柱状图。不同的是南丁格尔玫瑰图通过面积大小的比值，所以数值的比较非常直观。而由于我们的视觉系统更善于比较直线，所以玉玦图在数值的比较上并不直观，其更多的是一种审美上的需求。

413雷达图

当我们拥有一组类别型数据、一个连续数值型数据时，同时为了对比数据权重高低情况，展示性能数据，我们就可以选择雷达图。着重要强调的是，虽然雷达图每个轴线都表示不同维度，但使用上为了容易理解和统一比较。使用雷达图经常会人为的将将多个坐标轴都统一成一个度量。

414双向柱状图

当我们拥有一组类别型数据、两个连续数值型数据时，同时为了对比数值，我们就可以选择双向柱状图来展示图表。其中分类轴表示需要对比的分类维度，连续轴代表相应的数值，分为两种情况，一种是正向刻度值与反向刻度值完全对称，另一种是正向刻度值与反向刻度值反向对称，即互为相反数。

415层叠面积图

当我们拥有一组类别型数据、两个连续数值型数据时，同时为了对比趋势，我们就可以选择层叠面积图来展示图表。层叠面积图上的最大的面积代表了所有的数据量的总和，是一个整体。各个叠起来的面积表示各个数据量的大小，这些堆叠起来的面积图在表现大数据的总量分量的变化情况时格外有用，所以层叠面积图不适用于表示带有负值的数据集。非常适用于对比多变量随时间变化的情况。

416气泡图

当我们拥有一组类别型数据、三个连续数值型数据时我们就可以选择气泡图来展示图表。气泡图通常用于比较和展示不同类别圆点（这里我们称为气泡）之间的关系，通过气泡的位置以及面积大小。从整体上看，气泡图可用于分析数据之间的相关性。

417层叠柱状图和分组柱状图

当我们拥有两组类别型数据、一个连续数值型数据时，同时数据在同一分类下，我们可以选择层叠柱状图，数据不同分类，则选择分组柱状图。层叠面积图上的最大的面积代表了所有的数据量的总和，是一个整体。而分组柱状图经常用于不同组间数据的比较，这些组都包含了相同分类的数据。

421漏斗图

漏斗图适用于业务流程比较规范、周期长、环节多的单流程单向分析，通过漏斗各环节业务数据的比较能够直观地发现和说明问题所在的环节，进而做出决策。

431子弹图

子弹图的发明是为了取代仪表盘上常见的那种里程表，时速表等基于圆形的信息表达方式，可以表达一项数据与不同目标的校对结果。子弹图无修饰的线性表达方式使我们能够在狭小的空间中表达丰富的数据信息，线性的信息表达方式与我们习以为常的文字阅读相似，相对于圆形构图的信息表达，在信息传递上有更大的效能优势。

441螺旋图

基于阿基米德螺旋坐标系，常用于绘制随时间变化的数据，从螺旋的中心开始向外绘制。螺旋图节省空间，可用于显示大时间段数据的变化趋势。

451K线图

K 线图，原名蜡烛图，又称阴阳图、棒线、红黑线或蜡烛线，常用于展示股票交易数据。K 线就是指将各种股票每日、每周、每月的开盘价、收盘价、最高价、最低价等涨跌变化状况，用图形的方式表现出来。

《数据可视化》

antv

数据可视化实训总结

总结是对某一阶段的工作、学习或思想中的经验或情况进行分析研究的书面材料，它能使我们及时找出错误并改正，让我们一起认真地写一份总结吧。总结怎么写才不会千篇一律呢？下面是我精心整理的数据可视化实训总结，仅供参考，希望能够帮助到大家。

数据可视化实训总结1

数据可视化是指将数据间的关系利用图表直观地展示出来。通过数据可视化将大量的数据集构成数据图像，同时将数据的各个属性值以多维数据的形式表示，可从不同的维度观察数据，从而对数据进行更深入的观察和分析。

一、数据分析可视化常用的图表类型有如下几种：

1、表格

2、散点图

3、折线图

4、柱状图

5、条形图

二、可视化分析

21想分析购买数量前10名的用户是否是回头客还是客单量大？

对该项分析使用 表格 分析，按购买数量排名前10的用户根据购买日期的次数分析：都是一次性购买，并非回头客用户，企业应该想办法维护这些大客户群。

22 根据21分析结果继而想到那些回头客购买力度怎么样呢？从而再次对后买日期统计，分析购买次数多的用户：得出本次共分析29944个用户，回头客只有25个，占比0083%；其中只有1名用户是购买4次的， 其余24名用户只购买2次。商家需要拉些回头客，考虑是否质量过关，是否活动力度不够？

使用一个饼状图更直接看出回头客比重之小

23 根据商品种类cat_id统计出销量前10名的商品种类，使用条形图做了可视化分析：

24 对20xx年和20xx年总销量分别按照月度和按照季度做 折线图 可视化分析，很明了看出销售变化趋势如下；11月度销量最高，第四季度销量最高。

25 分析表2数据，想知道哪个年龄段的儿童服装销量比较高？如下分别用 柱形图 和 散点图 进行可视化图表分析（感觉点状图效果稍好一些），可以看出相同年龄段的男女生销量走势是一致的，且随着年龄增长销量呈下降趋势。

若以3岁为一个阶段，0—3岁为婴儿期间的销量最高，淘宝和天猫市场需求量大。

三、作为数据分析职责的思想总结

在此总结下两篇初步学习数据分析的心得：数据分析首先要掌握常用的数据分析方法，数据分析工具，然后再根据自己公司的产品调整，灵活组合。接下来我要系统学习数据分析知识。数据分析师是一个实践的职位，要在实际项目中不断的训练，才能成为高手。

作为数据分析师我认为的主要职责是要将业务数据清晰、准确、明了的呈现给数据使用者和决策者，比如预测用户的流失，对用户进行自动分类等。你能提供的价值大了。决策者和管理者能够根据呈现的数据结果及时合理调整业务活动，以使企业得到利润最大化。

数据可视化实训总结2

一、数据可视化的定义

数据可视化（Data Visualization）是涉及信息技术、自然科学、统计分析、图形学、交互、地理信息等多种学科交叉领域，通过将非数字的信息进行可视化以表现抽象或复杂的概念和信息的技术。简单的说，这种技术将数据以图表的方式呈现，用以传递信息。人类有五官，能通过5种渠道感受这个物质世界，那么为什么单单要青睐可视化的方式来传递信息呢？这是因为人类利用视觉获取的信息量巨大，人眼结合大脑构成了一台高带宽巨量视觉信号输入的并行处理器，具有超强模式识别能力，有超过50%功能用于视觉感知相关处理的大脑，大量视觉信息在潜意识阶段就被处理完成，人类对图像的处理速度比文本快6万倍，所以数据可视化是一种高带宽的信息交流方式。

如果我们的视野再开阔些，数据可视化从广义上来说包含了三个分支：科学可视化（Scientific Visualization），信息可视化（Information Visualization）和可视分析学（Visual Analytics）。科学可视化是跨学科研究与应用领域，关注三维现象的可视化，在建筑学、气象学、医学或生物学方面的各种系统中有广泛的应用，这个领域研究的数据具有天然几何结构（如磁感线、流体分布等）。

scientific_data_viz。png

信息可视化则研究抽象数据的交互式视觉表示以加强人类认知。抽象数据包括数字和非数字数据，如地理信息与文本，这个领域研究的数据具有抽象的结构，比如柱状图，趋势图，流程图和树状图，这些图表将抽象的概念转化成为可视化信息，常常以数据面板的形式体现。

info_data_viz。png

可视分析学结合了交互式视觉表示以及基础分析过程（统计过程、数据挖掘技术），执行高级别、复杂的活动（推理、决策）。

viz_analysis。png

二、在数据科学全过程中的位置

数据科学的主要组成部分包含三个大的阶段：数据整理，探索性数据分析和数据可视化。站在一个更高的位置来看，数据可视化在数据科学中的位置是比较靠后的，是属于最后的成果展示阶段。如果要从头说起的话，首先，在数据整理阶段，我们的主要任务是数据的获取和解析，包括一系列对原始数据的清洗和加工工作，这一块的知识领域主要涉及计算机科学。紧接着是探索性数据分析阶段，这个阶段要大量使用统计和数据挖掘方面的专业知识，也需要绘制图表来解释数据和探索数据，这个阶段的主要任务是过滤和挖掘。但这个阶段的可视化分析只是你和数据之间的“对话”，是数据想要告诉你什么，而数据可视化则是数据和你的读者之间的对话，是你通过数据想要告诉读者什么，这是它们之间最大的区别。完成了上面两个阶段的内容，才到了我们最后的数据可视化阶段，这是一个多学科交叉的领域，涉及到图形设计，信息可视化和人机交互，我们的主要任务是对信息进行精炼，然后通过可视化表示出来，并与读者产生交互。然而，如果将数据科学的这三个阶段理解为按严格顺序进行的“线性”的模型那就大错特错了，它经历的是一个迭代的，非线性的过程。后面的步骤会让你更了解之前所做的工作，可能到了数据可视化阶段，才意识到还有太多疑点要弄明白，我们需要回到上一步重新进行之前的工作，就像画家翻来覆去才能最终完成一幅杰作一样，数据可视化的过程并不是给数据分析这个刚出炉的蛋糕加点糖霜，，而是有一个反复迭代，不断优化的过程。

三、数据可视化的技术栈

数据可视化是一个再典型不过的多学科交叉领域了，可以说数据可视化所需要用到的知识，就是数据科学庞大知识体系的一个剪影。你会感受到数据科学理性的一面，同样也会感受到她感性的一面。你可以穷尽自己的一生，在这个浩如烟海的领域中尽情的探索，常学常新，其乐无穷。

四、数据可视化过程

数据可视化的本质，是充分理解业务的基础上对数据进行深入分析和挖掘，然后将探索数据所得到的信息和知识以可视化的形式展现出来。也就是说我们做的工作其实就是从数据空间映射到图形空间。我们要做的第一步工作是充分的结合业务理解数据，然后采用某些方法选择合适的图表类型，这又要求我们先对图表类型有个比较全面的了解。绘制完图表是不是就完成了呢？其实不是。我们还要对图表进行优化，优化所针对的对象是各种图表元素，对此我们有一系列的设计技巧，下面将一步一步的来介绍这些知识。

41 结合业务理解数据

离开对业务的理解谈数据分析都是耍流氓。这里介绍一种快速了解数据与业务以开展进一步的探索与分析的方法，叫“5W2H法”。

步骤一：WHAT，这是关于什么业务的什么事？数据所描述的业务主题是什么？

步骤二：HOW，即如何采集的数据？采集规则会影响后续分析，比如如果是后端数据埋点，那么数据一般是实时的；而如果是前端数据埋点，那么就要进一步弄清楚数据在什么网络状态会上传？无网络状态下是如何处理的？这些都会影响最后数据的质量进而影响分析质量。

步骤三：WHY，为什么搜集此数据？我们想从数据中了解什么？数据分析的目标是什么？

步骤四：WHEN，是何时段内的业务数据？

步骤五：WHERE，是何地域范围内的业务数据？

步骤六：WHO，谁搜集了数据（Who）？在企业内可能更关注是来自哪个业务系统。

步骤七：HOW MUCH，各种数据有多大的量，足够支持分析吗？数据充足和不足的情况下，分析方法是有所不同的。如果七个问题中有一个答复不能令人满意，则表示这方面有改进余地。

42 选择图表类型

用简单的三个步骤就可以选择合适的图表类型：一看数据类型，二看数据维度，三看要表达的内容。

我们有两种数据类型，每种数据类型又有两个子类别。首先，我们有分类数据和定量数据。分类数据用来表示类别，比如苹果，香蕉，梨子和葡萄，就是水果的4种类别，称为分类定类；有的分类变量是有一定顺序的，比如可以把红酒的品质分为低，中，高三档，人的身材有偏瘦，正常和肥胖等等，这种特殊的分类变量称为分类定序。定量数据也可以进一步分为两类，一类叫连续值数据，比如人的年龄；一类叫离散值数据，比如猫咪的数量。