Excel想必大家都不陌生，作为职场标配软件，它既是典型的入门级数据可视化工具，也有着许多强大功能。
还记得我初入职场时，工作团队的标准可视化工具就是Excel。然而，人工处理数据耗费了大量时间，使我们无暇提出见解或建议。
随着技术的发展，新的数据可视化工具不断涌现。下面将介绍五大可视化工具，并结合具体使用情况解释该在何时使用这些工具。
五大可视化工具
1. Excel
人人都在使用Excel，我从来没有遇过不用Excel的数据分析专家。不管你信不信，但这就是事实。如今，一些数据科学家仍主要使用Excel进行日常工作。
Excel的最大的好处在于，它无处不在。如果你想和他人共享文件，无需担心他们是否能打开文件。
此外，用Excel完成临时任务非常方便，比如在任意处调整一个数字。一切都是可视化的，你可以看到每个表格框的具体内容。
Excel要在可预见的未来占据一席之地，这两个优势就足够了。
2. Tableau
大约在7年前，我开始使用Tableau。因为它是付费的，我们不得不为它构建商业案例。但这绝对是值得的。
Tableau有很多特性。例如，用户可以构建交互式仪表板，并将其提供给许多其他用户。这样就可以减少BI团队的工作量，成员可以独立地解决数据问题，不需要每次进行一些小更改时都来寻求帮助。
下面这些事情，我在Tableau中可以轻松完成，而在Excel中却无法轻易实现：
- 想出一个制作方法，在几次拖放操作和几次单击中立即将数据可视化。
- 依据变量水平分组(如将年龄变量分组为0-18、19-25…组)，立即将结果反映在所有图表中。如果在Excel中有很多图表，这点能够助攻你的工作。
- 动画。正确地使用方法能够让Tableau的动画传递静态图表无法传递的强大消息。
在我看来，探索性数据分析方面，没有什么工具能比得上Tableau。
3. Power BI
Power BI与Tableau有很多相似之处。或许是偏见，但使用了一段时间之后，我发现Power BI在某些方面的用户体验确实不如Tableau。
例如，如果要对图表中的变量重新排序，需要创建一个自定义顺序，教程中用了11张屏幕截图进行说明。而在Tableau中，可以通过拖放操作在1到2个步骤中完成，节省了很多时间。
不过，我认为Power BI的仪表板性能更好，而且最重要的是，它有一个免费的桌面版(该版本不支持团队共享，但其功能对普通用户来说一般已经足够了)。
如果没有预算，但仍想提高工作效率，Power BI不失为一个好的选择。
4. Dash
假设你已经建立了一个机器学习模型来预测每张保险单的盈利能力，与其让模型在硬盘上闲置，不如让公司的每个承销商将它用于日常工作。为此，可以构建一个基于Dash的web应用程序。
有这样一个示例：Jason Chan根据以往终极搏击锦标赛(UFC)比赛成绩，建立了一个机器学习模型，来预测未来的比赛结果。Jason并没有止步于此，而是让所有人都可以使用该模型。
注意：如果您更喜欢R而不是Python，可以去试试 R Shiny.
5. Plotly
Plotly提供了丰富的交互式图表，如果了解R或Python，这些图表将很有用处。Tableau中能执行的大多数图表都可以在Plotly中复制。
“如果我有了Tableau或Power BI，为什么需要Plotly?”
答案是可扩展性。
假设您正在按季度看保险资产的业务组合。有20种不同的分类变量，包括地区，产品，性别等。
如果精通Tableau，那么每个图表将花费2分钟的时间。总共需要2 * 20 =40分钟。
而搭配使用Python和Plotly，您可能需要花10分钟为第一张图表编写代码。(是的，编程比拖放困难!)
接下来花5分钟编写一个循环，为20个变量中的每个变量创建一个图表。总共是10+5=15分钟。
在for循环的帮助下，工作量的增长远小于20倍。此外，也可以保存工作代码用于以后的项目。
我一般会在Jupyter Notebook中使用Plotly，与同事分享代码。
如何为订阅者选择合适的工具
了解这五大可视化工具的功能之后，您可能会想在每个项目中都使用最先进的解决方案(Dash)。
这就像被深度学习的预测能力吸引了一样，你可能会想把其他所有的技术都扔进垃圾桶，手上的的每个项目都使用深度学习方法。
这是一个非常糟糕的做法。
我们需要考虑受众，并根据他们的需求调整可视化方法，把他们进行分组是一个不错的做法。
组1：高管
这些人是组织的关键决策者。他们时间很紧，更关心的是见解和建议，而不是技术细节。你要回答他们这些问题：
- 正在发生什么?
- 为什么要发生?
- 我们应该怎样做?我在承担何种风险?
对他们来说，最好的可视化方法是放一些幻灯片，直接回答这些问题。
可以使用Tableau、Plotly甚至Excel来创建图形。没关系，重要的是需要直接简洁地回答关键问题。否则，受众会不耐烦，您的努力相当于白费功夫。
组2：运营者
这些人将您的可视化成果作为工具。以保险业为例：
- 对于承销商，可以构建一个交互式仪表板，以便他们可以评估其承销的每项商业财产风险。
- 对于索赔调查人员，可以构建一个交互式欺诈评分web应用程序，为高风险索赔提供预警。
再如，自行车共享平台的修理工可以在互动仪表板上进行回复，以查找附近的破损自行车并进行收集和检查。
从工具选择的角度上看，如果已经使用了Power BI或Tableau，那么遵循现有方法是有意义的。
如果想从头开始构建，并充分利用灵活性，可以使用Dash。
组3：分析专家
对于这群人，更推荐使用Jupyter Notebooks绘制Plotly图。
可以用它们轻松提供可重复的分析，包括代码、输出和图表在内，所有内容都集中在一起，便于同行评审。
如果是简单的临时分析，使用Tableau和Excel也是不错的选择。
组4：其他利益相关者
虽然以上3个组通常代表最重要的利益相关者，但有时也可能会遇到其他的利益相关者。
如果是技术人员，用第3组的方法就不错。
如果是非技术人员，那么Excel，Tableau或Power BI都可能是很好的选择。只要确保订阅者可以访问该软件并知道如何使用它即可。
结论
作为数据科学家，我们花了很多时间研究数据和建立模型，但我们是否花了足够的时间考虑受众?他们是谁?他们的技术能力如何?我们如何才能以最吸引他们的方式交付结果?
没有一种工具占据绝对优势。对于特定的受众，某些工具比其他工具更合适。
想要充分发挥数据科学的威力，我们要尽最大努力将数据驱动的建议转化为现实行动——无论是使产品线更有利可图，还是检测更多欺诈案例抑或实现收入最大化。
用户思维很重要，了解你的受众，选择最适合的方式，将会达到事半功倍的效果。
