1.用戶角色決定數據的視角
數據需圍繞用戶的角色來組織信息結構與線框圖，不同角色都有自己獨特的工作流程和對數據的需求。通過角色來組織數據，會防止跑題。
2.制作頁面模型
首先為用戶呈現他們需要的，再將頁面余下的信息根據用戶故事或信息級別，進行結構化處理。如果一開始就使人分心，那么用戶不僅難以分辨每個元素是什么，也難以集中精力于整個流程。
給畫板創建某種結構前，問問自己“我到底要表達什么樣的故事呢？“。
最關鍵的一點 - 避免創造令人一知半解的圖形，為頁面信息建立模型，首先給用戶呈現關鍵信息，然后才是支撐內容。
3.選擇正確的圖形
原始數據
未經處理的原始數據表格一點也沒有吸引力，但它是最佳的起點。它幫助你開始思考數據中那些變量可用，這些數據變量如何關聯。原始數據的單調卻會幫你思考系統中各種變量間的關聯。
處理離散數據和連續數據
離散數據 - 數值可清晰計數，如進球數或點贊數。
連續數據 - 任何范圍值，如一季度的降水量，一個人的身高體重。
柱狀圖最適合表現離散數據，曲線圖最適合表現連續數據。
4.基本或定制化的圖形
對于實用主義來說，數據的有效性勝過它的視覺特征。
在重要信息上，文字總結可能比圖標更有效果。
1.上下文的重要性
數據可視化的成功并不始于數據可視化，起始在開始著手數據可視化或溝通前，應該在理解上下文上多花時間和精力。
探索性分析和解釋性分析
探索性分析是指理解數據并找出其中指的關注或分享給他人的精華。這就如同在牡蠣中尋找珍珠，可能打開一百個牡蠣，嘗試上百種不同的假設或從上百種不同的角度審視數據后才碰巧找到兩顆珍珠。在向受眾進行分析時，我們迫切希望能夠言之有物，例如解釋某件事情或講述某個故事。
人們往往在應該進行解釋性分析（花時間將數據抽象為受眾能夠消化的信息）的時候錯誤地進行了探索性分析（簡單地展示全部數據）。這種錯誤是可以理解的，在進行完整的分析后，向受眾展示一切是非常誘人的，因為可以以此來證明你所做的工作及分析的可靠性。抑制住這種的沖動，因為那會讓受眾重復打開所有的牡蠣，把注意力集中在珍珠上，這才是你的受眾需要了解的信息。
對象、內容、方式（Who、What、How）
在可視化數據或創建圖標前必須思考并明確以下內容：
首先，你在跟誰溝通呢？深入了解你的受眾是誰以及他們如何看待你是非常重要的。這可以幫助你發現你的受眾的共識，從而確保他們能夠聽懂你的信息。
其次，你希望受眾了解哪些內容或做什么呢？你應該明確你希望受眾如何反應，并考慮你的溝通方式以及整體基調。
只要在你能簡介地回答出以上兩個問題后，才真正準備面對第三個問題：如何用數據表達自己的觀點？
來看看對象、內容、方式的上下關聯吧
你的受眾
你的受眾越具體，你就越能成功地進行溝通。避免“內部和外部的利益相關者”或“任何感興趣的人”這樣泛華的受眾。細分受眾的方式便是識別決策者，你對受眾了解得越多，就越能準確理解如何與之產生共鳴，如何在溝通中滿足雙方的需求。
三分鐘和中心思想
中心思想即將將溝通內容進一步精煉為一句話，中心思想包含三個部分：必須能陳訴你獨特的關聯，必須切中要害，必須是一個完整的具體。
2.讓聽眾看懂圖表
餅圖是邪惡的，雖然3D圖形擁有奇葩的視角并吸引眼球。但是人眼并不擅長于在二維空間進行定量的度量和計算，即時將3D餅圖轉化為2D，在很多情況下我們依然會很難分清百分比中誰大誰小。那么該怎么辦呢？將餅圖替換為水平條形圖，就會變得一目了然。
3. 精耕細作圖表
雜亂你圖表的敵人，在圖表中消滅它。盡量識別出任何可能消耗受眾精力的問題，每個元素都會增加聽眾的認知負荷，沒必要的東西去掉會更加舒服。
用數據講故事
數據科學的本質是溝通，通過數據得到一些洞察，然后采用有效地方式將其傳播給他人，并向其推銷你的解決方案。
數據科學需圍繞著你發現了什么，怎么發現的，這意味著什么，怎么發現的，意味著什么進行講述的。
例如：你發現公司利潤去年下降了35%，僅僅闡述這個事實是不夠的，你必須說明為什么利潤會下降，可以通過掃碼方式來解決。
用數據將故事的要點如下：
- 搞清楚并設置故事的上下文
- 從多個角度進行探索
- 有說服力的形象化展示
- 使用多種數據源
- 敘述的一致性
數據可視化之美
門捷列夫的元素周期表信息豐富，在此之前一直沒有良好的可視化解決方案，基于種種原因，它被視為復雜數據可視化早起的一個杰作。
