从此篇文章开始，记录一个数据小白的学习成长之路，初识，从数据可视化开始。
本文主要记录个人对于数据可视化的理解和学习概要，主要内容如下：
初识数据可视化
数据可视化背景
以实际工作场景例举，某物流公司的业务人员需要对某一季度的运单进行分析，包括对应单票的盈利情况、对应单票的流转情况、当前季度用户的下单情况等。
在这些场景下，所需要呈现出的可视化报表样式，均需基于对应的背景（主题）来进行数据的提取、聚焦、设计、展现。
使用场景
第三季度，华南、华北、津京冀三个区域的单票盈利情况。
目标用户
销售中心的业务人员。
呈现的结果
业务人员分析目的：旨分析出各区域的盈利对比情况，主要关注营业额、利润率、票数、环比四个重要指标。
通过目标用户需要分析的数据指标，来进行数据的提取和展示。这里需要对重要指标进行分析对应的关系，再来选择可呈现的可视化样式。
对应关系：
主要维度为时间（第三季度）、区域（华南、华北、津京冀）；
重点指标：营业额、利润率、票数、环比。
可视化图标选择：
区域性可选择饼状图来进行对比分析，时间可选择连续性的柱状图和曲线图进行对比分析。
可视化展示的标准：
聚焦／平衡／简洁（以下图表很粗糙，所用echars元件库，接下来会进行优化）。
展示样式举例：
数据可视化流程
数据来源／采集
数据来源主要包含内部和外部（这里的业务数据均来源于内部采集的数据）。
数据处理
这里获取的数据，是基于“票”来采集的，所以会存在高维、海量、多样化的数据。
（此处借用数据大神的文章内容：在大数据时代，我们所采集到的数据通常具有4V特性：Volume（大量）、Variety（多样）、Velocity（高速）、Value（价值）。如何从高维、海量、多样化的数据中，挖掘有价值的信息来支持决策，除了需要对数据进行清洗、去除噪声之外，还需要依据业务目的对数据进行二次处理。常用的数据处理方法包括：降维、数据聚类和切分、抽样等统计学和机器学习中的方法。）
数据呈现
将我们目标用户业务背景下所需要分析的数据，映射出可视化报表呈现出来。
可视化映射是整个数据可视化流程的核心，是指将处理后的数据信息映射成可视化元素的过程。
可视化元素由3部分组成：可视化空间（二维／三维）+标记（点／线／面／体）+视觉通道（颜色／大小／宽度／高度／形状／方向等）（可视化分析流程）
用户感知
最后，数据产品经理／专员所设计出的可视化报表是否满足用户的需求，除数据验证外，还需要目标用户来验证可视化的标准是否达到预期。包括，重点指标是否突出、分析维度是否合理、颜色是否温和、页面是否平整等用户体验的感知反馈。
总结：
初实数据可视化，需要了解业务背景、目标用户、数据来源、数据如何处理、如何呈现可视化，总之多结合场景去分析，此处还是推荐（5W2H分析法），虽然个人能力不足，但会努力成长的～
努力向前，自律成长，未来可见～
