根据分析的结果以及模型&算法，预测未来发展趋势，这叫预测：

最后，将这些结果统一表达在软件界面里，形成了大数据可视化：

看到这里大家应该就懂了吧！这就是大数据可视化。

所谓大数据可视化，也被称为大数据看板，是由运行系统的数据+统计、分析、预测=同一表达在软件界面的结果。

从概念上来看：

数据可视化这一概念自1987年正式提出，经过30余年的发展，逐渐形成3个分支：

• 科学计算可视化（scientific visualization）

• 信息可视化（information visualization）

• 可视分析（visual analytics）

近些年来，这3个子领域出现了逐渐融合的趋势。通常统称为“大数据可视化”。

二、大数据可视化有哪些技术分类？

数据可视化技术在应用过程中，多数非技术驱动，而是目标驱动。按照目前业界广泛使用的根据目标分类的数据可视化方法，数据可视化目标抽象为：

• 对比：比较不同元素之间或不同时刻之间的值；

• 分布：查看数据分布特征，是数据可视化最为常用的场景之一；

• 组成：查看数据静态或动态组成；

• 关系：查看变量之间的相关性，常用于判断多个因素之间的影响关系；

• 趋势：查看数据如何随着时间变化而变化。

（1）构成

当对某一组数据中各个数值的占比进行分析时，饼图是最佳选择。

如果你想表达的信息包括：“份额”、“百分比”以及“预计将达到百分之多少”，这时候可以用到【饼图】。

但是注意，饼图只能使用一个数据系列。

当同一个系列中的数据点过多的时候，饼图将无法清楚地说明所要表达的信息。因此建议数据点不要超过6个。

（2）比较

展示事物的排列顺序是差不多，还是一个比另一个更多或更少呢？

“大于”、“小于”或者“大致相当”都是比较相对关系中的关键词，这时候会首选【条形图】 。

（3）趋势

关心数据如何随着时间变化而变化，每周、每月、每年的变化趋势是增长、减少、上下波动或基本不变，这时候使用【折线图】更好地表现指标随时间呈现的趋势 。

（4）分布

关心各数值范围内各包含了多少项目，典型的信息会包含：“集中”、“频率”与“分布”等，这时候使用【柱状图】 

不同系列之间通过柱子的颜色进行区分。

每个数据点都用垂直柱体表示，柱子的高度代表数值大小。

横轴一般为分类项目，纵轴为不同项对应的数值。

（5）联系

主要查看两个变量之间是否表达出我们预期所要证明的模式关系。

比如预期销售额可能随着折扣幅度的增长而增长，这时候可以用【折线图】和【柱状图】来展示，用于表达“与……有关”、“随……而增长”、“随……而不同”变量间的关系。

（6）衍生形式

因为应用场景的不同，在基础图表又衍生出更多形式，给不同的数据关系以更丰富的表达。例如：

从柱状图到堆积图，我们不难发现堆积图在柱状图的基础上中展现了份额关系。

面积图强调数量随时间而变化的程度，引起人们对总值趋势的注意。面积图也可“堆积”，增加份额的概念。

观察折线图到散点图，散点图到气泡图的变化过程，可以发现散点图有更大的空间去表达数据的维度。于是，气泡图中“散点”的范围可变了。

（7）其他场景下更加具象的图表

以地图为底本展现区域动态分布，图就不放了。

项目/任务管理中十分常用的一种图表类型——甘特图。

如图示，通过活动列表和时间刻度表示出特定项目的顺序与持续时间，是项目管理一把手。

横向对比，展现不足的雷达图：

最后，从实操方面提醒下大家：看到一个数据看板，如果你觉得科技感是不是太高了呢？有这样的感受的时候，其实这个数据可视化的项目已经失败了。

因为你没有看到数据，你只看到了界面。