数据可视化中的认知偏差

为什么我们需要谈图表的「对」

数据可视化的常见误解是「好看 = 有用」。其实更准确的标准是「真实」。一个看似精美却歪曲了事实的图表，比「平淡但正确的表格」危险得多。

工程师在交付 dashboard 时往往不自觉地选择「能让结论显得更显著」的图表。本文把那些「被默认接受」的偏差一一拆开。

坐标轴：从哪里开始很重要

把 y 轴从 0 开始和不从 0 开始，差距能有多大？巨大。例如：

• 实际数据：某业务昨日峰值 98，今日峰值 100。
• y 轴从 95 起：肉眼看起来「暴涨 5 倍」。
• y 轴从 0 起：看上去几乎平。

当数据范围覆盖不到原点时，明确标注「断轴」，否则读者会按比例默认理解。

双轴：最容易骗人的技巧

把完全不同的两个指标共用一根 y 轴，可以让它们「看起来相关」。比如把广告投放金额（左轴）与 GMV（右轴）画在一起，会有「投放越大 GMV 越高」的感觉。但其实它们可能时间尺度、量级、单位全不同。

双轴的合理使用只有一个：两个指标本来就有共同尺度（如温度 / 湿度）。其他情况下避免。

颜色：把视觉负担交给读者

颜色不仅能「装饰」，还能「误读」。常见雷区：

• 红绿对比：色盲读者看不懂。
• 堆叠饼图 + 阴影：让读者分不清大小。
• 渐变色映射数值：从青色到红色，容易被「联想为线性」但实际不一定。

正确做法：用 ColorBrewer 等工具挑选色板，把颜色映射与量级含义明确告诉读者。

几何偏差：放大你「想看到」的部分

条形图最常被滥用：把数据值放缩到 2D 面积，会让 50% 的差异看上去像 100%。例如：

条形图	形状	感知差异
一维条形	长度	准确
三维条形	体积	夸张
渐变柱	渐变 + 长度	难比较

错误的图表类型

不同问题需要不同图表：

• 相关性散点图：两个变量关系。
• 折线图：趋势随时间。
• 直方图：分布。
• 饼图：比例（< 5 个分类）。
• 箱线图：分布 + 异常。
• 热力图：二维矩阵。

错用会让信息丢失。例如饼图分 12 类，会让读者眼花。

时序图：上下文比单点更关键

「7 月 14 日销售额 1000 万」几乎是没法解读的。要告诉读者：

• 同比昨天：+12%。
• 同比上周：持平。
• 同比去年同期：+25%。
• 与预期比：+5%。

上下文越厚，结论越稳。

标签与图例：拒绝「读者需要猜」

常见错误：

• 用首字母简写（CTOR、ARPU）不展开。
• 把度量单位藏在角落。
• 图例与主图距离太远。

正确做法：标签紧贴数据，单位、缩写都解释，图例就近。

动画与交互：谨慎使用

动画适合「讲故事」，但不适合「准确比较」。动画图表里两个数字处于不同时间会被记忆错位。

我们做 dashboard 时通常把动画关掉，让数字出现是稳定的。

把「审查」写进交付流程

我对团队的约定：

1. 任何图表发布前，要有人「以零上下文」通读。
2. 任何看上去「戏剧性」的结论，都要补充原始数据链接。
3. 双轴、3D 颜色、圆环图未经 review 禁用。
4. 报表页增加「数据来源 + 采样口径」一栏。

这些动作看似麻烦，但它们让「数据 - 读者」的距离更短，避免争议。

常见真实案例的「坏图表」

以下是我在各种内部周报里见过的高频错误：

• 截断坐标轴放大趋势：把 y 轴从 95 起，会让 P99 从 99 涨到 105，看上去翻了 10 倍。
• 多重 y 轴强行拼凑：把 PV、UV、订单三组指标用三种颜色压在一张图上，看上去「都在涨」，其实是不同度量。
• 饼图分 12 类：用户根本看不出谁大谁小，对比丢失。
• 颜色映射到线性：用 10 档蓝色渐变代表百分比，色深看不出层度。
• 无坐标网格：准确读数时读者无法判断 Y 值。

这些例子提醒我们：一个图表的「错」常常不是「错」，而是「偷」。

推荐的图表审查 checklist

当一张图交付前，至少过这几关：

问题	对应要求
坐标轴是否从合理起点开始？	y 轴明确标注范围
是否双轴？	非必要不用
颜色是否色盲友好？	用 Viridis 等
图表类型是否适合？	分布用直方图，不滥用饼图
上下文是否齐全？	同比、环比、预期
原始数据是否可查？	附 csv 链接或 SQL 链接

可视化的「伦理」

可视化从来不是中立技术。它能放大结论、缩小偏差、隐藏真相。工程师在做仪表盘时，有责任做「诚实」的视觉表达。

好的图表是「让事实更清楚」，坏的图表是「让叙事更戏剧」。

把这份「伦理」写进团队的设计评审，让可读性、准确性成为交付的硬指标。这是工程师在做内容输出时应有的态度。

给团队的几条简单规约

• 数据要带上下文（同比、环比、预期）。
• 折线图用对数轴要明确标注。
• 颜色板用色盲友好（Viridis、Cividis）。
• 任何「戏剧性」变化附原始数据。
• 保留数据快照，让读者能复核。

一张图能讲一千字的事情，也能误导一千次。我们做工程师的，应当把「不骗人」当成技术纪律。可视化不应是意见的「放大器」，而是事实的「还原器」。当一个团队学会用朴素的图表做严肃的判断时，组织也具备了把数据当成共识而不是修饰的能力。