好享学 | 如何远离无效的数据可视化？看这一篇就够了
故事中的弗莱塔结构
故事结构的概念始于亚里士多德的《Poetics》，但直到19世纪60年代，由德国剧作家古斯塔夫-弗莱塔格开发的"弗莱塔金字塔 "结构，故事结构才全面确立。古斯塔夫在他的戏剧弧线中强调了他认为在讲故事过程中必不可少的七个部分。
阐述（Exposition）：故事的背景。向观众传达人物、世界或历史信息的背景。 煽动事件（Inciting Incident）：本文作者最喜欢的对煽动性事件的解释来自罗伯特·麦基的书《Story》，他把煽动性事件概括为"从根本上打破主人公生活平衡的触发事件"。 上升行动（Rising Action）：主角必须对煽动性事件作出反应，这些反应总是会导致更复杂的情况或问题。 高潮（Climax）：把主人公置于人生最大压力之下的转折点。要么是主角和反面人物之间矛盾激化，要么是不可调和的人物（或事件）之间的选择，两害相权取其轻，或者两者兼而有之。
“当主角面对这种两难处境，当他面对生活中最强大最集中的对抗力量时，他就必须做出决定，采取这样或者那样的行动，为他最终想要实现的目标做出最后的努力”
——Robert McKee,Story.
落潮（Falling Action）："反方的行为打击了英雄的意志"。故事再次转向主角的选择，这可能会为整个故事带来反转。 解决（Resolution）：问题需要解决，在理想情况下，"主角最后的行动解决一切"。 结局（Denouement）：故事得出结论，但故事的结局或者内容总是发人深省。
*数据可视化中的弗雷塔格金字塔（待补充）
本文作者想对弗莱塔的金字塔进行补充的一点是——结局需要从论述中得到某种提升，而这种提升通常通过角色的发展来展现的。
那种 "男孩杀死了龙，一切都恢复了正常 "的结局永远不会受到观众的欢迎，除非主角和观众从这段旅程中学到了其他发人深省的东西。
当你把故事带入场景时，不难发现，我们大多数伟大的小说、戏剧或电影都遵循弗莱塔结构。但值得一提的是，故事情节不仅可以依据故事的发展进行划分还可以依据主角的性格弧线进行划分。
很多时候，角色和故事被视为相互独立的个体——以至于人们经常将他们进行比较，试图确定哪个更重要，K.M. Weiland对这种关系有不同的思考。
"剧情和人物是相互关联的。如果故事缺少其中任何一个要素（或者只是试图把它们当作相互独立的个体来处理），虽然这很可能会创造出一个新的故事，其中甚至有部分故事十分精彩，但它不会是一个完美的整体。"
*——K.M. Weiland，《Creating Character Arcs: The Masterful Author’s Guide to Uniting Story Structure, Plot, and Character Development》。
数据呈现中的弗莱塔结构
在数据呈现中，毫无疑问，数据是故事的主角，而对数据进行可视化之后得到的数据分析结果以及见解是故事本身。没有数据，就无法呈现。而没有有效的数据呈现，数据就是枯燥乏味的，读者很难理解数据背后的故事。有了精心设计的数据呈现的结构，我们的数据呈现就会变得更加具有可读性。
数据呈现的第一步是理解受众的观点。他们是谁？他们想要得到什么？这个数据呈现最需要的洞察力是什么？这些问题需要在制作数据可视化之前得到回答，以确保数据呈现方向的正确性，并开始行动。然后，我们就可以重新理解弗莱塔金字塔的七个部分在数据呈现中的作用。
阐述（Exposition）：背景资料：现状是什么？(对于一个特定的实体或整个行业），它的重要性在哪里？阐述部分就像设置一个引子。它需要足够有趣或足够重要，或两者兼而有之，以吸引读者
示例：网站性能与业务成果之间存在着明显的关联。性能更好的网站往往会拥有更多的收入......这里是和您定位相同的竞品的比较......
煽动事件（Inciting Incident）：数据显示，发生了一些意想不到的变化，产生这种现象的原因是什么？
示例：虽然整个网站的性能并没有很大的变化，但是与上个季度相比，您的收入下降了约10%，虽然这其中有季节变化的原因，但是您的竞争对手上个季度的收入只下降了约5%。
上升行动（Rising Action）：我们通过数据分析发现的一系列问题。
示例：我们按页面缩小了网站，发现主页的速度因此变慢了。但是，由于产品页面的改进，这种降级在整体上并不明显。进一步研究发现，app用户并没有因此受到很大的影响，但是网页版明显变慢了，尤其是是在某浏览器上卡退的频率明显高于其他浏览器。
高潮（Climax）：数据分析得出的最终结论，以及如果不采取措施解决问题，会带来的预期损失。
示例：由于某故障，主页在某浏览器上被强制退出。如果不采取措施解决这个问题，我们预期会流失的客户和持续收入损失将会是……
落潮（Falling Action）：目前最好的解决方案是什么？可持续的解决方案有哪些？他们的优点和缺点分别是什么？
解决（Resolution）：解决问题之后的预期效果是什么？
结局（Denouement）：下一步应该采取什么行动？如何防止这种情况的再次发生？
有效的数据可视化与数据呈现
大多数时候，单靠数据可视化并不足以提供很精准的数据分析结果和好的见解，因为受众可能会分享相同的观点或者有其他的意外情况。但是，如果没有数据可视化协助，几乎不可能产出能让受众产生共鸣的数据分析结果。在数据可视化中，有一些常见的错误，可能会导致无效数据呈现。
*错误：指标选择不当可能会破坏数据呈现
*错误：可视化类型选择不当可能会破坏数据呈现
*错误：数据太多会影响数据可视化的最终结果
正如本文中所介绍的，围绕数据、指标和可视化类型所做的一些简单的调整可以做出一个更有说服力的数据呈现方式。
扫描二维码阅读原文
文 | 张静红
编辑 | 张静红
往期推荐
点个在看你最好看