谷歌经济学家推崇的数据艺术,现在教你入门

Vincent

理解数据、处理数据、从中抽取价值、将其可视化、并表达其中的意义,这是未来十年及其重要的技能。

简介

去年,职业社交网站 Linkedin 报道称,近年来雇主最重视的技能就是数据技能。而推崇数据导向文化的谷歌,其首席经济学家 Hal R.Varian 博士更完整地阐述了行业真正的数据技能需要——“理解数据、处理数据、从中抽取价值、将其可视化、并表达其中的意义,这是未来十年及其重要的技能。”简而言之,就是用数据讲故事的能力。

2509688-381e150dc7759138.jpg
谷歌首席经济学家 Hal R. Varian 博士

不管是朝你砸玩具的熊小孩,还是不知道如何沟通的客户,最好解决办法无非是:给你讲个故事。要让你的老板、客户或者从未谋面的听众“听话”,最好的办法,就是放弃容易引发数据恐惧症的Excel 表格,拿出可视化工具,用数据讲故事。

举个例子。如果你想说明“男性与女性在驾驶分心因素中的差异”,你可以这样说:

6%的男人和4.2%的女性觉得发短信聊天是驾驶中分心的原因;

车里有小孩是9.8%的男性和26.3%的女性驾驶分心的原因。

或者,你可以这样说:

2509688-c7648d902001e88f.jpg

上图是儿童慈善机构 kids4kars.org 的作品。

你更喜欢哪一种叙事方式?

我们都爱听故事

讲故事很简单、也很难。在很多数据驱动的团队里,大家很容易觉得故事是肤浅的,觉得事实本身就足够说服听众了,但是讲故事可以最好的体现和解释数据的价值。

数据为什么有用?因为数据能告诉我们,如何更好的制定决策。很多企业中,分析的第一步是故事板。故事板的概念源于电影制作,安排剧情中的重要镜头,相当于一个可视化的剧本。有时候,不用做复杂的相关分析,将数据可视化就能够讲好一个故事。

安斯库姆四重奏(Anscombe’s Quartet)就是一个很好的例子,里面包含里里四个数据库,每一个的数据总结都非常相似。

2509688-3cdf2e4d23cd1ff7.jpg

但是如果你这些数据可视化:

2509688-ef95397925a2e359.jpg

是不是听到了美妙的四重奏!

如何讲故事

第一步,故事都有情节。让我用一个包含 NASDAQ 100 科技公司新闻标题的数据库为例子,一步步来分解讲故事的步骤。项目栏包括以下部分:

Headlines.Securities.Symbol: 依据每一个公司的代码对数据进行筛选和分组。

Headline.Securities.CategoryorIndustry: 哪一些新闻对其行业具有相关性。市场情绪也许只针对行业内某一些公司。

Headlines.Title:标题,理解当天市场情况最重要的因素之一。

Headlines.Date:基于月份和日期分类新闻。

Headlines.Source:新闻来源。

Headlines.Url:新闻链接。

具体步骤

  1. 回归复古的纸和笔。

虽然我们生活在数字化的时代,不过,有些超棒的数据故事在进入 PPT 之前,其实是在餐巾纸上画出来的。在开始制作故事结构之前,写下你的想法和故事流。

亚里士多德有一个经典的“五大要点”方法:

1)先做一个陈述,引起观众的注意。

2)提出一个需要解决的问题。

3)提出一个解决方法。

4)描述你的解决方法会带来哪些好处。

5)提出一个行动呼吁。

假设现在我要写一个报告,如何用数据更好地进行投资决策。做一个折线图可以分析出这些股价的趋势。

2509688-cd6d938a61fea5f5.png

我们可以看出,2016年2月所有股价都下跌了。我们可以抓取那个时期的新闻,分析到底发生了什么。

2509688-1802ef5c56b01abd.png

我们可以找到哪一个媒体对某一个股票的报道最多,这个媒体也许就是关于这个股票最好的消息来源。

  1. 深挖故事的意义

为什么你在讲这个故事?故事本身并不重要,重要的是故事如何能让我们更好地进行决策。

用一句话,说明为什么你对你所做的这件事抱有热情。

3.取一个强大的标题

一句话概括你的故事、标题和分析。最有效的标题必须简洁、具体、并告诉读者你能从中得到什么好处。

记住,标题是给读者看的,不是给你自己看的。

  1. 设计一个路线图

写下你想让观众知道的是什么,写下所有的关键点。

将你的关键点归类、合并,直到最后你手上有的不是100个关键点,而是三个大类。

这三个大类就是你的路线图。

在每一个大类下面,加上支持你论点的证据,可以包括个人故事、事实、例子、类比等等。

  1. 简短总结

既然已经陈述了所有的要点,现在,就该来一个强大的收尾了。我的报告结尾,在每一个股票后面都写了三到四行,总结为什么要买这个股票。

2509688-ac0d84abad7bd60a.png

数据类型及适合图标

常见的数据类型如下:

  1. 文字数据

文字数据适合研究文字中的情绪,这种数据最适合讲故事。

WordCloud 是最适合文字数据的可视化类型,将最常见的文字放在最中心、字体最大,让读者一眼就看出文字要体现的总体思想。

2509688-f7fe05ea5841d3d3.png

上图直观地体现了一个 Twitter 数据库的内容,一眼就能看出其中最突出的情绪:“阴沉”、“缺失”、“失望”等。

  1. 混合数据

当数据中不仅有数字,还有其他的数据形式,我们需要确定哪一种形式最能体现数据中的洞见。

我先以网格分面为例,分析泰坦尼克号乘客的数据。

2509688-88089696fed94458.jpg

而下图直观地体现了不同性别和舱位级别的生存率。

2509688-6a44c3709f21fe74.jpg

我们可以看出,女性和头等舱乘客的生存率稍高一些,而男性、低级别舱位及工作人员的生存率更低。嗯,这和我们从电影中得到的印象一致。

另一种可视化的方式是多元变量图。以下使用的数据库是汽车性能规格数据库。

2509688-0aa0aba47b40aa9c.jpg

这让人看得一百个头大。所以我们做出了下图,这样不难看出,更重的车身会让汽车跑得更慢。

2509688-bb15e56846ca6bca.jpg

  1. 数字数据

通常对于数字数据我们要找的是趋势。

2509688-fce24c70a85fe8a0.jpg

横轴是时间,纵轴是票价,黑色线是成人,灰色线是小孩。我们可以清楚看到在这个游乐园,成人和小孩的价格都上涨了,而且对每一年上涨的程度也有个直观的感觉。

  1. 股票

股票市场的信息基本上就是一个时间序列数据,而投资人希望能够理解每一个时间点与价格下跌。

下图的 K 线图是一个很好的例子。

2509688-8a727a43948c3614.gif

我们可以看看特斯拉的股价。2016年2月特斯拉股价出现了较大的下跌,我们可以去调查当时的市场情况和经济环境,在未来更好地进行股票投资。

  1. 地理数据

把不同地区的信息标记在地图上,能让分析更加清楚和有意义。

2509688-91a3e97204513433.jpg

上图中,我们可以看到2002年世界杯各国到进球数,德国的进球数最高。

预测性模型如何讲故事

我们先来理解建造模型的步骤,看看故事能在其中发挥什么作用。

  1. 数据探索

建立模型的第一步是理解你的数据。不一定先得进行复杂的统计计算。

我们来看看红酒质量的数据库,数据库的结构如下:

2509688-e2998ac9b245d984.jpg

以下是数据总结

2509688-3ce3d2c739fbb257.jpg

如果我们想知道酒精量和红酒质量之间的关系,该怎么办?

我们可以计算 Pearson R值,可以帮助打造一个模型。但是对于分析没有什么用。

2509688-5b6e6ebd02b8e0b7.jpg

这意味着酒精量和红酒质量之间有很强的关联。此外你还了解到了什么?并没有。

所以我们来将数据可视化一下:

2509688-f36dd37bbbdcc4f0.jpg

首先,我们看到更高的酒精量与更好的红酒质量相关,我们也可以更清楚地看到有一些例外存在。

然后,你觉得红酒的酸度与质量有关吗?

2509688-0c270d3aefdd57b7.jpg

我们可以用小提琴图来体现酸度,小提琴图能体现在哪些区域内有更多的数据点。

  1. 特征可视化

生成了特征之后,你如何看到预测得如何?

2509688-de59e0ed86ac43bf.jpg

我们可以以主成分分析(PCA)为例。关于 PCA 更深入的内容可以看这篇文章

这是 RStudio 中的 Iris 数据库。

2509688-c524f85997e7cf09.jpg

我们进行 PCA 的时候会发现这些数据:

2509688-8f106eb3a13aa8e2.jpg

一直盯着这张表可能也看不出什么。如果做成可视化图表,我们得到的信息会更多。

2509688-ba76c5dcc12ea716.jpg

  1. 创造和比较模型

这个模型能基于道路颠簸度的情况,预测车辆应该走快一点还是放慢一点。

2509688-ea9279c9db3dfb8a.jpg

决策边界将大部分数据清楚分类了,不过,88.21%的精确度并不算一个故事。

以下是另一个使用 Iris 数据库的例子:

2509688-42c424dbbc861d33.jpg

要推导出有价值的内容,这里的信息不够多。要更深入地了解支持向量机,可以看这篇文章

另一方面,这张图表展示了一个清楚的分类边界。

2509688-d7bc9842e9be8f86.jpg

讲故事的实用贴士

图表一定要标记好横轴和纵轴,写好恰当的标题。

必要的时候使用图例。

使用视觉上比较柔和的颜色。

避免增加非必须的信息,例如过于复杂、降低可读性的背景或主题。

基于横纵位置信息、要同时编码两个量值的话,只能使用一个点。

制作时间序列编码的时候,不要用点进行可视化。

文章原标题:《The Art of Story Telling in Data Science and how to create data stories?》文章为简译,更为详细的内容,请查看原文

作者:阿里云云栖社区
來源:简书

非特殊说明,本文版权归原作者所有,转载请注明出处。