7个可视化图表设计优化技巧，让图表更好体验

5月 30, 2021 发表于: 视觉设计. 评论

在B端的界面设计中都会涉及到可视化图表的设计，如果不是有经验的设计师，大多数情况可能是好看不好用。那么如何提升可视化图表的体验呢？本文将分享7个图表设计优化技巧和找查清单。正如芒格先生所说“如果知道我会si在哪里，那我将永远不会去那个地方”，希望这份清单能帮助大家排雷扫障。

本文5480字，预计阅读时长20分钟，内含大量图表示例，建议PC端阅读。记得点赞收藏加关注，每次设计完图表后拿出来对照走查。阅读指引如下

一、图标构成

清单中涉及一些专业词汇，为方便大家理解，我们先简单地认识一下图表构成。图表设计规范同样由原子、分子、组件、模块、页面搭建而成，其中图表由多个组件构成，如数据标签、图例、图形主体、坐标系等。

• 标题：图表内容主题，包括主标题和副标题。可以是图表内容的概括，也可以是结论 。
• 切换选项：用以切换同组对象的不同维度数据，如销售量与销售额。
• 数据标签：也叫提示信息，即当前数据的内容标注。数字型的数据标签，以通常以常驻形式存在于图表；气泡型/卡片型的数据标签，常以交互行为（点击、长按、悬停等）触发的形式出现。
• 图例：指图表内容与数据的符号或颜色说明，它既为绘图标准，又是图表的阅读指南。
• 工具（栏）：当前图表的操作项，例如编辑、刷新、导出、分享等。

• 坐标系：将抽象的数据关系映射到具象的图表上，该图表所处的空间维度叫做“坐标系”，用来确定数据空间位置的数组叫做“坐标”，例如（x,y）、（北纬N22°38′17.54″ ，东经E114°05′52.35）。坐标系包括坐标轴和标尺。
• 图形主体 ：用于数据视觉展现形式的图形，可以根据数据维度、数据差异，在同一图表使用不同图形绘制，例如常见的折柱混合、K线图。
• 网格：以标尺刻度为基准的参考线，用以辅助数据的快速定位。
• 值域：表示图表X轴的缩放大小，以及可视区域，多用于存在大量数据的情况。
• 映射域：表示图表Y轴的缩放大小，以及可视区域，多用于数据差异较大的情况。

二、图表设计七宗罪 / 7个图表设计优化技巧

2.1 冗余

冗余即多余的、不必要的信息，或重复内容，产生了视觉干扰，无法直观获取数据信息。

图表的价值在于使抽象的数据关系具象化、可视化，使其直观易懂。我们在设计时，可通过信息降噪来提高信息获取效率。《纽约时报》信息设计师Jonathan Corum曾给出指导：“显示内容，而非显示框架”。

例如下图斑马纹背景、黑色的网格，作者试图给柱形添加描边来提高阅读性，使得图表更加的混乱不堪。当我们去掉斑马纹与描边，适当削弱网格，图表是否变得干净起来？接着我们添加数据标签，剔除坐标系，不仅使得图表更清爽，阅读效率也有大步提升。

再者，刻度值选取也是较容易忽视的地方。我们的设计原则为：在保证易读取坐标的基础上做最简化。例如我们可以保留半个刻度值，灰色显示，方便用户快速读取数值。如果你的图表用只来展示对比情况，无需精确读值，亦或者有交互行为触发数据标签，那么你完全可以只选取合适的整值刻度。

可视化的数据集一般分为展示类和业务类，展示类只做某些确定的数据集展示，如项目提案、工作汇报等；业务类围绕着业务数据，包含已有的确定数据集与未知的数据集，如物流监控、天气预监、数据埋点监测等等。

业务数据集大多随时间推演而变化，缩小字号与斜置X轴轴标签都会影响数据阅读。建议抽样选取轴标签，并辅以交互行为触发数据标签。也可以完整保留轴标签，用值域缩略器控制显示范围与轴刻度大小。

题外话，当展示类数据集遇到类别名称较长，又不具备连续性时，建议使用条形图。

1. 潜在风险过多不必要的视觉噪音，干扰信息读取效率，图表内容得不到凸显，失去直观、形象的价值。

• 剔除不必要的非数据元素（如轮廓、网格线、背景），将重点放在数据元素；

• 弱化坐标系（坐标轴、刻度线），保持其清晰但不起眼；

• 当你设计了常驻数据标签时，甚至可以剔除坐标系；
• 数据集具有连续性时，坐标轴抽样显示，或使用值域缩略器。

2.2 繁杂

即多而杂乱，分为设计语言繁杂、数据集繁杂，和视觉浏览动线繁杂。相比其设计冗余，设计繁杂时阅读更为困难，甚至出现无法读取信息的情况。

2.2.1 设计语言繁杂

在同一套系统中各个模块，分别使用蓝绿科技风、黑金尊贵风、玫紫时尚风、驼色休闲风等等等。纷繁多样的设计语言，不仅使用户困惑、认知困难，还加大了开发成本。

虽在业内没有明确的规范，大家可应根据载体终端，将产品原设计系统衍生出一份图表设计规范。在可视化专业术语中，我们给图表定义的设计语言叫做视觉编码，它是数据与视觉结果之间的映射规则。其中包括了形态、大小、位置、色彩、纹理、方向等等。感兴趣的朋友可以阅读Jacques Bertin 的《Semiology of Graphics》，他在当中总结了有哪些视觉变量，能最有效地显示定性或定量差异。

其中比较值得注意的是图表色板的设定，我们分为定性色板、顺序色板、离散色板。

定性色板

基于明度、饱和度的平衡上，调整色相以区分不同类别。适用于无顺序关系的图表，多见于对比类图表，例如柱状图、条形图、面积图

基于色相、饱和度的平衡上，调整明度以表示递进、流程、顺序等。适用于顺序关系的图表，例如于漏斗图、热图

离散色板

基于中间值（例如0）将两种顺序色板组合起来，适用于两种不同关联关系的图表，例如双向堆叠图

注：这里的顺序关系指的是图表类型本身带有连续性、递进性、流转性，与数据本身的连续性不同。

2.2.2 数据集繁杂

数据集难免出现极限情况，例如对比几十个省份订单变化情况时，你能在左侧图中找上海的数据吗？

建议把总览图表按某种规则拆分为小组，例如按地理分区拆分为东北、华北、华中、华东、华南、西南、西北七区各省份订单对比。也可以拆分为若干个子数据图表，如示例右侧每个省份一张图，拓展性更强，可以灵活调取任意省份进行对比。

当我们要看子数据占比情况时，较多的分类会出现饼图切片过小，读取困难。当数据类别＞5时，我们可以将较小的/不重要的数据合并为“其他”。

如果每个数据都很重要，合并子数据会导致信息显示不全，可以在外部展开单独绘制，但要注意合并项与总项的比例大小，避免让用户误解该合并项为重点特写部分。

2.2.3 视觉浏览动线繁杂

数据排列时，为帮助用户快速读取信息，我们需要将数据按照某种逻辑顺序进行排列，避免用户视线来回横跳。

（1）按数据值大小排列

如数据类别无任何逻辑顺序，那么我们可以按照数据值的大小顺序进行排列。除非你的图表只用作点缀装饰

饼图与玫瑰图除了按数据值大小排列，还应注意起始位点，最好从12点钟方向顺时针或逆时针绘制。以及将合并项置于最后

（2）按逻辑顺序排列

如果你的数据类别带有连续性质，如时间、量级、年龄等，那么就按照连续顺序排列。

1. 潜在风险设计语言、数据集和浏览动线的繁杂，使得用户需要自行处理复杂信息，读取困难、认知成本高。
2. 如何避免制定视觉规范、统一有效的视觉编码，将庞大数据集拆分为多个子数据组或单一数据，按照大小、时间、年龄等逻辑顺序排列，帮助用户降低认知成本。

2.3 暧昧

指关系含糊不明朗，令人难以辨别，常见于视觉编码近似、图表选择失误。

大多B端设计师天然喜欢克制、冷静、理性，经常在设计中使用同类色。但对比类图表如果使用同类色、邻近色，在饼图中尚且可以勉强分辨，但在折线图中就难以辨别了。数据类别较少时建议选取定性色板中的对比色，数据类别多时可在定性色板基础上进行扩展。

人眼对于面积的敏感度会低于高度/长度，数据值差异较小时，不建议使用面积图，可改用玫瑰图、条形图/柱状图、异形柱状图。可能有朋友要好奇了，南丁格尔玫瑰图不是基于面积对比吗？玫瑰图是基于半径进行对比的，具体会在2.7中详细展开。如下图，从面积图至异形柱状图，用户认知敏感度逐渐递增。

当我们使用面积图时，两类数据近距离重叠，建议使用透明色，确保信息不会被遮挡。还有，暧昧要两个人才是甜甜的，最多可以加一位僚机，当出现第四人，场面开始有点不受控制了。所以数据类别≥4类时，建议使用折线图或柱状图。

1. 潜在风险颜色、图表选取不当，信息区分感模糊，容易造成用户困惑，价值体验降低。
2. 如何避免针对不同需求不同场景，选取合适的颜色与图表，帮助用户快速辨别。

2.4 失焦

即层级模糊，无法对焦核心信息。与刚才的暧昧不同，失焦指在传递某一个核心信息时层级模糊，数据之间是有层级关系的；而暧昧指在展示数据集时分辨边界模糊，数据之间是平级的。

例如在汇报提案场景，有想要着重传达的核心观点结论。此时我们可弱化次要数据，强调主要数据，以突显关键信息；亦或者在查看基金业绩走势场景，用户更关注的是当前所选基金的走势详情，同类均值与沪深300只是参照物。

1. 潜在风险特殊情况下，信息层级模糊，用户需要主动获取信息，不利于核心业务信息的高效传达。
2. 如何避免通过颜色明度对比、特殊样式，按需强调主数据、淡化次要数据，帮助用户直接接收核心信息，提高传达效率与准确性。

2.5 浮夸

即虚幻夸张，不切实际。这是很多设计师常犯的错误，总是忍不住地添加视觉效果，影响了数据真实性却不自知。

以下的柱状图，你能快速地告诉我1月、3月、5月哪个数据值更大吗？折线图中，你能快速地分辨分辨并读取信息吗？

如果这些图表只做视觉点缀作用，不承载信息传递作用，那么是勉强可用的。但如果你需要传递信息，让用户读取，那么建议你放弃3D、物理投影、拟物质感，除非你是在VR场景中使用它们。

还有很多设计师喜欢用的大圆角，圆头端点读取困难且不精准，是读端点还是圆心呢？端点只此一个点，单凭一个小点如何精确读值？在堆叠图中更会因为圆角之间的间隙丢失数值，请问图二的间隙应该计算在数值内吗？算在哪个属性之内呢？

如果你的数据集属于展示类，在常驻数据标签的存在下，你是可以使用大圆角的。在业务类数据集，还是建议大家使用平角或小圆角（1~5pt即可）。

还有这种嵌套式的环状图，相关从业人员或许能清楚的判断3个数据值大小，但是普罗大众未必就能清楚判断了。我们将其拆开，你能清楚地发现蓝色百分比最高，但是黄色的视觉重量明显最大。百分比值与视觉重量不符，容易影响用户判断，并且空间利用率低。

1. 潜在风险浮夸的3D效果、质感效果、大圆角效果、异形效果，在业务数据集的可视化中容易丢失数据、信息读取困难、浪费空间。
2. 如何避免去掉一切浮夸样式，回到可视化本质：清晰、高效、准确地传递信息，而不是让用户猜测、计算。

2.6 失真

即失去本意或本来的面貌，信息传递错误。

我们常见的平滑曲线图，相较于折线图，多了一份柔美、自然与律动感。但是请注意，曲线在用户心智当中是一组连续的数据，是真实的趋势，曲线上任意一点都会对应一个真实的数据。而折线图在用户心智中是一组有限的数据进行连接，方便查看大致趋势。

例如当你只测量了整点时刻的温度，为了美观绘制了平滑曲线，用户可能会认为12:30时，温度为20°。但这并非真实的，谁知道是12点后缓慢降温，还是突然降温呢？

如果我们用钢笔工具在相同的几个点当中绘制平滑曲线，我们可以获得无数种可能性，这就是平滑曲线的失真原因。

在业务数据集中，我们需要考虑更多可能会发生的情况，例如出现了缺失的数据点。“空”与“0”是完全不同的概念，我们不能擅自为该数据点添加“0”值，而是真实的反应存在数据缺失。

1. 潜在风险设计偏离用户心智与擅自定义数据，造成数据不真实，使用户接收到错误的信息。
2. 如何避免尽可能考虑更多的场景，与用户心智保持一致性，杜绝擅自修改数据，真实反映数据情况。

2.7 误导

即错误的引导，让用户接收到错误的信息。误导是7宗罪当中最严重的，前面几条多是基于无心之失，而误导却是刻意而为的。商业活动中，所有项目都是围绕着商业价值的，我们不能否认设计是带着商业考量展开的。所以为了商业目的，或多或少会存在一些“美化”作用，为的是数据更好看或者更能为商业目标服务。我们作为B端设计师，甚至是C端设计，都应该真实的反映数据，而不是欺骗我们的用户。

我们在2.3暧昧中提到，建议数据值差异较小时使用玫瑰图。仔细看会发现玫瑰图每个扇形角度是一致的，但半径不同。由扇形面积S=nπr²/360可得，数据类别的面积对比由r²决定，也就是半径的平方，它放大了数据之间的差异。

这一解释，似乎玫瑰图存在失真情况，但玫瑰图的真实对比不是基于面积，而是基于半径，面积只是在视觉上放大了不易观察的较小差异。你可以理解玫瑰图是一种扇形的、旋转排布的柱状图。

毕竟事物都具有双面性，我们可以用玫瑰图放大较小的差异感知，但是不可以用于夸大差异、传递某种美好的假象。其他“美化”手段也是如此

Y轴标签的起始值选取，是提案、汇报中较为常见的一种美化手段。当取值非0时，数据差异被直接拉大。如左图5月销量看似是1月的25倍，但实际情况是它们只相差将近2倍。我们秉承真实反映的原则，Y轴起始值应从0开始。当数据存在负值时，可根据实际情况选择负值起始值。

1. 潜在风险用户被刻意引导，接收了错误的信息，容易造成信任危机，且违反了真实原则。
2. 如何避免真实反映数据，放弃“美化”手段，真实引导用户读取真实信息，不要欺骗用户。

三、图标设计找查表

我特意整理了一份图表设计走查表，全网独一份哦～在此分享出来，希望它能帮助到大家，如果你在使用过程中有任何问题请务必向我反馈，作为体验设计师我很注重用户反馈的，嘿嘿～让我们一起持续迭代这个走查表。

最后

以上就是本文的所有内容啦，如果你有什么B端相关问题，欢迎和我一起交流。在此也感谢有赞设计师@美芳的指导，一群人才能跑得更快一点，欢迎大家关注公众号「且曼B端产品设计」。

参考资料

http://www.woshipm.com/data-analysis/4197825.html
https://www.yuque.com/books/share/0cec1b86-5c3d-4a31-8a2e-a2dd00ab917f?#
https://appo8jahz3e4635.h5.xiaoeknow.com/v1/course/column/p_6007ced1e4b0ab9a254ac006?is_redirect=1&pro_id=p_6007ced1e4b0ab9a254ac006&scene=%E9%82%80%E8%AF%B7%E9%93%BE%E6%8E%A5&share_type=5&share_user_id=u_5f675e0e1be1e_PNfrKK2u4m&sw=1%20&type=3&wxwork_userid=ZhuLinLin
https://medium.com/m/global-identity?redirectUrl=https%3A%2F%2Fmedium.muz.li%2Fdataviz-sins-976f3a08948c
https://www.zhihu.com/question/20855952

作者 | 梁十七
来源 | 梁17 (id:liang17-ux)

赞助商链接