遇见大数据可视化 : 图表的视觉系统感知

摘要：相比数据的公平，视觉的方式会带有一定的引导性。

相比数据的公平，视觉的方式会带有一定的引导性。

如上图所示，我们能快速的发现图形上的不同之处。NSF的图形和图像处理小组称之为“可视化感知”，人眼的启动时间至少需要200毫秒，在启动时间内能感知到区别的存在（*见附录） 。上图就是一种简单的预先处理感知实例，目标对象具有视觉属性“圆形”，“长条形”干扰物对象没有（所有非目标对象都被认为是干扰物）。观察者一眼就能知道目标对象是否存在还是不存在。

这种“可视化感知”实际上是运用人眼低层视觉系统（Preattentive Processing）的引发的快速感知特征。能够迅速的引发预设在图形中的潜在目标对象的注意。所以我们在可视化设计中可以运用这一特点，快速的迁移观察者的注意点。

按照Anne Treisman在早期提出特征理论（Feature integration theory人类视觉注意力最有影响力的心理模型之一），我们可以继续去寻找影响【个体特征】的视觉属性点。

通过去预设目标对象和干扰对象的颜色、大小、对比和方向的不同特征属性。观察者也可以快速的通过这种“特征搜索” 迁移注意点。

之所以很快就能找到这些注意点，因为它们跟其干扰项相比，最多只相差了一种视觉元素。比如，红色线条和黑色线条，长线条和短线条。当只有一种视觉元素的时候，我们的视觉系统中的低层视觉系统（Preattentive Processing） 就起作用了，它可以平行处理所有在图中出现的点，然后很快找到特征点。我们再来看下反例

跟上面的例子相比，我们要花相对长的时间找到那个注意点。原因很简单，因为图中使用了两种视觉元素来区分特殊点，颜色和大小，方向和对比。在这种情况下，我们的低层视觉系统（Preattentive Processing）就不行了，视觉系统需要一个一个的处理每个点，识别两种元素，做仔细的区分。

理论说了这么多，那在我们做可视化图表的时候有什么作用呢？在可视化中，我们希望想让用户注意到重要的数据，可以用单一特征去引导用户的注意点。

上图图表，展示一个国内云厂商的用户占比情况之类的数据，大致如上。那作为本厂的产品腾讯云，我们希望观察者关注到腾讯云的数据，占比【50%】。但是上图的使用了多个视觉元素，没用突出目标项，这样就很难引导观察者的注意点。

修改上图图表，减少视觉元素的使用，我们再来看一个图。

从这个图表来看，只使用一个目标项和一个干扰项作为视觉元素的差异，我们就可以去引导观察者的注意点。引导到我们想要重点说明的数据上面去。

但是对于数据可视化来说，引导注意点，其目的是为了让观察者快速的去了解数据，而非刻意诱导，造成观察者的误解。

我们来看一个例子，上图是一个销售财年的报表，2015年销售额100万，2016年到达200万，从上图图表展示出来给观察者的信息就是，2016年比2015年销售额增长了1倍的样子。

但是我们把所有数据拉出来看，却发现出完全不同的事实，2013年销售额400万，2014年300万，2015年100万。2016年虽然比2015年增长了，但是和前几年相比有着明显的下滑，这就是一种图表展示的错误诱导的方式。

这种在Y轴上诱导的方式很常见，经常【某额宝】上展示近几日收益的时候，通过图表好像3月15号的时候收益非常高，但是仔细去看Y轴上的数值，会发现其实3月15号比3月10号的收益增长只有0.6%的，但是感观上给观察者非常夸张的展示。

而按照坐标轴为0%来展示的情况，实际只是一个非常稳定的状态。

数据可视化的真正价值在于，让观察者轻松的理解数据的价值。“可视化感知”低层视觉系统（Preattentive Processing）是让观察者快速的找到重点数据所在，而非孤立数据导致传递给观察者错误的理解。

附录：

我们将图形的展示时间设置为200毫秒，只设置一个视觉元素（形状） 。“圆形”作为目标对象，“长条形”作为干扰对象。测试观察“可视化感知”的低层视觉系统（Preattentive Processing）的实际作用。

除了上述列举的【形状】、【颜色】、【大小】、【对比】、【方向】。还列举出一下视觉元素的对比【密度】、【闭环】、【曲率】、【整体方向】、【投影方向】和【投影深度】。

关于作者

杨凯，腾讯用户体验部成都设计中心高级交互设计师。负责腾讯云大数据相关设计，目前专注大数据可视化方向的研究。

转载文章，作者：腾讯大数据可视化设计团队，出处：https://www.qcloud.com/community/article/637808