前些天做后台的数据子系统的時候，需要用到一些可视化的数据图表我用到了一个自认为效果比较好，而且比较方便的方式来实现

在网上巴拉巴拉地找了一番，目湔用到这种方法来做数据图表的人并不多我给身边的朋友介绍了一番，在这里也给大家分享一下

做产品经理的过程中，后台的产品做叻不少画可视化图表总共经历了三个不同的阶段，分别是：①表格截图；②Axure钢笔工具；③Axure元件

一、使用钢笔工具制作数据可视化图表

Excel表格基本上每个人必备的基本计算机操作，在这里就不啰嗦了在讲Axure元件实现数据可视化之前，先简单说说通过Axure钢笔工具来实现的方式

會PS的人应该都会知道Photoshop里面有个钢笔工具，主要用来勾勒一些不规则的轮廓以及勾勒线条或者抠图Axure从8.0版本开始，也加入了钢笔工具以及切圖等功能我用得最多的就是使用钢笔工具来画各种线条（曲线图）。Axure的钢笔工具其实和PS里面的钢笔工具有比较多的相似之处

说几个使鼡Axure钢笔工具的时候需要注意的点：

1、使用钢笔工具时，在完成最后的点的描绘的时候需要按键盘左上角的【Esc键】完成绘制；

2、完成绘制嘚时候，可能很多朋友还看不到线条那是因为钢笔工具的线条粗细默认是None的，也即是没有线条的因此在线条粗细那里设置一下即可。

②、利用Axure框架嵌入可视化页面

折线图以及柱形图直接在Axure上完成也并不难但是如果要用到圆饼图、环形图、漏斗图等更加多样化的数据可昰图表，那就比较麻烦了

有些人会使用antv、echarts、HighCharts等可视化工具来制作可视化数据图表。

使用这种方法来实现数据可视化的步骤如下：

1、进入antv、echarts、HighCharts等任意一个可视化工具的官网找到对应的可视化图表；

2、将数据可视化图表的前端代码拷贝下来，在代码编辑器中修改成自己想要嘚数据指标以及数据项并保存为.html文件；

3、将生产的.html文件放到要生成Html原型的文件夹中；

4、在原型中，拖入一个【内联框架】-选择框架目标-鏈接到URL或者文件-选择上一步所保存的.htm路径文件；

5、生成Html原型

如果对代码非常头疼的产品经理，使用这种方法来做的话无疑是增加负担。

三、使用Axure元件快速制作可视化图表

有那么一些人已经将Axure用得非常熟练了，加上懂点技术于是一个数据可视化图表制作的元件就诞生叻——Axhub Charts图表元件。这个元件的使用方法和我们常用的元件差不多都是直接拖拽到内容区域进行处理即可。不过该元件比其他普通的元件稍微复杂一些元件使用了1个矩形+2个中继器来实现，并且还需要在原型中加载JS代码（说到代码的时候不用方元件的作者已经把需要代码處理的地方处理好了，使用者不需要懂代码）我大致猜测一下这个元件的实现原理，如果不对欢迎拍砖。矩形的作用是设置图表的宽高尺寸的第一个中继器的作用是设置横坐标以及统计指标（曲线、柱形、扇区等），因为中继器的列名不能够使用中文命名元件的作鍺为了能够满足大家的个性化需求，因此用第二个中继器来设置是否显示坐标轴、图例标记、主题颜色等第一个中继器做了一个用例，使用的是JS的方式加载作者放在服务器上的资源（html代码和JS代码）——javascript:{$axure.utils.loadJS('https://static.axhub.im/charts/axhub.0.1.0.js');}

元件中有详细的说明以及常见问题解释，元件是结合了阿里的Antv数据可視化工具来做的使用的时候，步骤如下：

1、将元件拖拽到Axure的内容区并根据需要调整元件的宽高尺寸，图表显示出来的大小就是元件的寬高尺寸；

2、修改axhub-line-data这个中继器的数据集修改前可预览看看预设的数据是怎么显示的再作修改，一般况下列名和行分别表示着柱形或者線条和横坐标内容（列名只能够是英文或者拼音，不能够输入中文）；

3、基本上完成以上两步即可如果有其他的个性化需要，可在axhub-line-config中设置

4、生成Html原型或者预览，都可以看到动态的图表（必须在有网络的情况下才能够看到图表因为原型需要加载在线的antv或echarts的库文件来渲染圖表）。

工具只是为了提高效率而已在使用的过程中，不必想着花大量的时间去将原型做得多好多炫当然，如果自己非常熟练了或鍺很多东西都已经元件化了，在不影响效率和进度的情况下把原型做得更完美一些也不是不可以的。

以上是关于后台产品的数据可视化圖表产品设计的一些方法以及工具需要Axhub Charts图表元件的童鞋，可以到公众号（zuopmcom）中回复“图表”获取下载链接

最近碰到很多社区朋友都在关心 BI 領域有关 SaaS 应用的话题这是一个很好的现象，因为 SaaS 尽管在 BI 领域起步的不算非常早但它是一个趋势，很值得大家关注我最近也参加了一些厂商举办的关于大数据行业、产品类的话题交流，对于 BI 数据可视化分析领域的 SaaS 发展情况简单总结了一些个人看法在这里与大家分享和茭流。

以下几个话题针对一些不太了解 SaaS 服务的朋友

SaaS 略参考之前的介绍。

1）. 需要较低的投入成本较高的工作效率。特别是创业型公司、初创团队往往都会采用这种服务外包的形式来降低人力和资源投入集中精力专注本身的业务发展。比如我们不仅仅是一些邮箱、协同办公方面我们使用了 SaaS 服务甚至像社保、公积金的缴纳我们也使用了 SaaS 服务，降低成本和提高工作效率

2）.  异地、协同办公与合作、快速增长嘚业务线。比如团队跨地域、工作跨地域、可以通过协同办公软件比如在线的 OA、Office、CRM、协同办公的项目管理等，所有内容都保存在云端吔不需要额外的维护，在家和在办公室都可以完成工作的同步特别在一些高速成长的团队中，当 IT 的支撑力度跟不上业务的快速发展也沒有精力来维护各条业务线上庞大的软件服务，那么各种细分领域的 SaaS 服务就可以解决这些问题、比如人力资源、供应链管理、财务服务等

3）.  侧重细分领域的信息和行业标准化的应用。细分领域和标准化是 SaaS 服务的两个非常重要的因素比如提供标准化的信息录入、流程管理、内容管理，并且这种标准化通常是基于某一个特定细分领域比如上面所提到的人力资源、供应链管理、财务方面；或者基于某一个行業，比如零售行业、O2O 行业、互联网行业等 SaaS 应用服务

4）.  需要大数据计算和高存储能力支撑的应用。比如通过各个渠道的海量数据采集、大數据分布式计算、海量存储等技术才能提供的一些市场数据分析中的可视化与市场预测这些作为一般的公司通常是没有这种能力支撑这麼大的应用规模，无论是从技术能力或人力成本上都无法跟上最好的方式就是购买 SaaS 服务，专业的事情交给专业的组织结构去做

4. 大数据時代下商业智能 BI 的发展现状与特点

总的来说就是市场空间巨大，“大数据”这一词唤醒了更多的人愿意关注数据、了解数据当然“大数據”在很多应用场景下也是被人们滥用了，言必谈“大数据”但是其实很多企业还是需要从基础的数据治理做起，从小数据做起

1） 传統的 IT 应用系统已经非常普及，数据多年的沉淀需要被挖掘利用目前基本上没有哪一个传统行业没有 ERP、OA、CRM等业务系统，从北上广深一线城市到二线甚至三线城市IT 应用的普及与发展已经非常成熟，没有业务系统的支撑是无法生存下去的经过多年的数据积累和发展，已经具備商业智能BI和分析所需要的数据基础

2） 商业智能 BI 和分析的门槛逐步降低，商业智能 BI已经成为企业 IT 部门的标配在2010年、2011年以前，我们在招聘网站上搜索 ETL 相关的职位不过几页可见企业多 BI 的需求并不是非常多。一方面是数据的积累没有到一定的量第二方面是商业智能 BI 的成本，无论是软件成本还是人力成本都非常高当时能够有能力采购商业智能BI 系统的基本上是以金融银行、保险以及大型医疗制造行业为主。涉及到软件也基本上是比如 Oracle、SAP、IBM 等旗下的 BI 产品这些对于一般中小型企业成本太高。而人力成本则是传统的 BI 实施周期长、相关人才招聘困難导致而目前虽然也需要采购商业 BI 产品，但是总体来说产品的选择性更加丰富人才的储备比当时也容易很多。所以在现在商业智能 BI 慢慢不再是奢侈品，已经逐渐成为企业整个 IT 架构的功能模块和标配环节

3）市场竞争和经济环境的影响促使企业更加重视精细化运营和管悝的投入。比起以前开放式的粗放型的管理在遇到经济环境整体不利和更多的市场竞争情况下，势必会更加注重梳理和控制企业的各个環节而用来找到“症结”和应对市场快速反应的唯一方式就是管理和利用好数据，用数据说话

4） 以 IT 主导的商业智能 BI 和分析逐步演变为姠以业务为主导的自助式分析过程。在过去的传统的商业智能 BI 系统开发和报表系统基本上都是以 IT 部门为主导的从需求的提出到数据展现報表的分发通常需要很长时间，严重的阻碍了业务部门的日常运作需要所以如何解放 IT 部门，让 IT 部门只负责 BI 系统的管理与维护让业务部門自主进行数据报表的制作和展现分析就变得尤为重要。

我曾参加过大众金融的 BI 项目通过 IT 部门部署和维护的 BI 系统，业务人员通过 BI 部门的培训可以自主制作报表用来支持日常的业务分析据日志系统记录，200多个用户总共创建了近3000张自定义的数据分析中的可视化报表日常常鼡报表占报表总数 50%以上。如果这些数据分析中的可视化报表全部由 IT 部门来承担仅靠几个 BI 开发人员是无力支撑这么庞大的工作量的。好处顯而易见既减少了 BI 团队的投入，又提高了工作效率

所以总结来说，目前在国内市场上商业智能 BI 和分析平台的空间仍然很大商业智能BI囷分析门槛降低，解放 IT 以业务驱动和导向的数据分析中的可视化平台这是一个必然趋势

5. 数据可视化市场 SaaS 发展会遇到的问题

为什么只谈 BI 领域的数据可视化市场 SaaS 产品发展存在的问题，而不谈 BI 市场 SaaS 产品的问题因为 BI 领域涉及到的不仅仅是可视化数据分析中的可视化，还包括了传統的 BI 报表数据仓库建模、ETL 等流程。可视化数据分析中的可视化是位于整个 BI 的最顶端最能够体现将数据变成信息、信息产生价值的一个環节，是数据最终呈现的载体通过分析挖掘价值并产生落地的决策。可视化分析领域也是最容易发展成 SaaS 服务模式的因为它避免了底层複杂的数据清洗的过程，而数据清洗、数仓的建设恰恰是需要高度的定制化服务的

最近在和一些国内可视化分析领域的 SaaS 产品服务商交流，有的已经在行业内树立了不少的标杆客户也有正在努力打磨产品准备推出到市场上的潜在供应商，从产品的角度综合起来看我觉得有幾个共性的问题是需要 SaaS 产品服务商考虑的 （假设读者了解 Domo 的情况下）：

1）在单纯的数据分析中的可视化方面包括数据的接入、工作表管悝、可视化分析和仪表盘等功能方面，SaaS 分析应用和市面上大部分可视化工具差别不大用户缺乏使用的动力。比如在可视化领域有很多免費的桌面版工具QlikSense Desktop、微软 Power BI Desktop 等产品都是可以作为个人免费使用，并且可以完成非常不错的可视化效果和基本的数据分析中的可视化工作

2）數据的安全性、使用的稳定性该如何更好的保证。很多公司的信息保护意识是比较强的信息安全的条例都是明确写入员工手册中的，包括最基本的邮件、文件、还有各种业务系统中的数据都是属于安全保护的重点将数据上传云端来做一些其它工具可以完成的分析，这种挑战所付出的代价还是太大除非是公司层面上允许员工的这种做法，或者公司已经是某 SaaS 可视化分析厂商的客户

3）缺乏社交分享的动力，工作的数据很难进行对外公开分享仅适用对内分享。在可视化分析的 SaaS 工具中社交和分享是很大的两个亮点。但是这里的社交分享我嘚看法还是属于工作范围之内的团队或部分之间的关于某些数据分析中的可视化的结果、报表进行分享、批注、反馈的一个过程。其实茬国内某些产品已经做到了这种批注回写、审阅的功能但是并没有 SaaS 化。

4）对数据的质量要求也相对来说比较高规范的数据格式，可分析的数据格式对于数据格式的依赖会非常的高，对于可视化产品而言工具的使用、图表的制作是一个标准化的使用过程。我们很难要求每一个业务人员都能独立的完成数据处理和清洗的过程将规范化不可分析的或者不规范化也不可分析的数据变成一个规范化且可分析嘚结果，很多业务人员是没有这个能力的

SaaS 可视化分析产品和用户教育目前总体都不是非常成熟，但是相信在未来的几年间会变得成熟通常情况下也就 2-3 年的时间。就如同我们在2013年到现在2016年不过三年的时间从传统 BI 到敏捷 BI、传统定制化报表到可视化数据分析中的可视化的用戶教育一样，大家都是从不成熟变得成熟到如今可视化数据分析中的可视化已经深入人心。

例如像 Tableau、Qlik (QlikView、QlikSense) 这些位居 2016年商业智能和分析平台嘚领导者象限的两大产品（另外一个是微软的 Power BI）最早也是在 2013年左右进入中国市场像国内的永洪 BI 也是从数据可视化分析领域切入，时间点吔正好是在 2013年除此之外，帆软软件、Smartbi、奥威 Power-BI、国云科技等也都是从这个时间点重点推进了可视化分析的产品并且也拥有了各自领域的標杆客户。老牌 BI 巨头 Oracle、IBM、Microsoft 也在逐步转身跟进直接跨过可视化分析的市场教育阶段，走向 SaaS 服务目前比如 Microsoft Power BI，Desktop 免费比如每个月每用户 9.9 美金矗接使用（目前的 Power BI 部署是国外的云，在2016年的11月份国内云将正式上线）

所以，从2015年可视化分析 SaaS 服务逐步在国内市场发出声音到 2018也是一个三姩的时间（有的可视化数据分析中的可视化厂商早在 2013年就已经在布局 SaaS 市场例如 BDP），那么在这个三年的时间里也一定会出现一批比较成熟囷很成熟的可视化分析 SaaS 模式的产品

6. 数据可视化市场 SaaS 发展要解决好的几个问题

尽管上面提了这么多的问题，但是作为我个人我还是比较看恏 SaaS 可视化数据分析中的可视化在国内的发展它是未来 BI SaaS 模式的入口和切入点，同时从产品形态上来讲丰富了用户的选择当然也可能结合 On Premise 夲地化部署和 Mixed 混合模式来推进这个巨大的市场。

我觉得数据可视化市场 SaaS 的发展需要解决好以下几个用户会比较关心的问题：

1）安全、稳定、混合云部署需要多方面考虑使用成本低，付费模式的多样化是  SaaS 服务的天然优势但是从数据安全性上来如何保证用户的数据隐私不受侵犯，特别是在国内比较和谐的环境下会不会出现给某些机构留后台接口还有公司的财务数据的特殊问题如何解决？ 服务稳定性上如何灾备切换、网络攻防也是一大挑战。在这种比较特殊的环境下一种能够比较能接受的方式是一部分比较敏感和核心的数据需要进行私囿化部署，采取混合部署模式当然，目前也有多数据进行加密的措施在安全性上是比较有保障的。但这个就比如把自己的钱放在别人嘚保险箱里多多少少会存在这样的顾虑。

2）云端的分析功能在用户体验功能实现上要比桌面端至少一致或者要求更高。有别于 Desktop 版本的開发都在本地并且这些桌面版工具相对来说也已经非常成熟。那么如果将数据放在云端开发和分析至少在数据分析中的可视化、图表淛作等基本的操作流程上，云端的分析和展现能力至少要能够与一些比较普及的桌面版的展现能力持平包括最基本的 UI 设计、报表美观程喥等。

3）一定是结合行业特点在行业细分领域提供很好的分析接口，标准化的分析模板就像我之前所提到的，可视化数据分析中的可視化的 SaaS 产品对比于普通的 Desktop 数据可视化分析产品 PK 上并没有太多的优势但是它可以深入行业，在行业细分领域进行深耕比如对于零售细分荇业提供标准化的分析模板，提供标准化的数据分析中的可视化接口用户只需要按照相应的接口提供数据就可以得到全套的分析模型。哃时在细分领域的标准化分析模板同时，也有针对性的定制化分析组件提供深入行业或细分领域也是 SaaS 的一大特点，并且这种方式也解決了标准化的问题

4）可提供大量的辅助的第三方数据来源配合使用，辅助现有接口数据分析中的可视化在 SaaS 服务平台上可以和租户交换數据资源，租户获得相对应的数据分析中的可视化与行业统计报告即你对我开放，我则对你开放公平且合理。

SaaS 服务商可以拿到更多的數据（不排除私自采集用户数据的可能）数据即价值，这部分价值随着租户的增长而无限放大另外，由于大家都在使用同一套 SaaS 服务則平台本身变成了一个统一的入口，在这个平台入口上可以提供很多的增值服务比如提供行业相关的数据借口、用户数据（脱敏的）接ロ，和平台本身相结合可能本身就能完成一站式用户画像、产品的舆情分析、竞品分析等。解决的是什么问题 解决的是各个企业，在怹们解决了内部数据之后寻求外部数据资源的需求

5）性能问题上有保障，上传下载、大量的聚合操作性能上的问题一定是大问题，在佷多场景下数据可视化 SaaS 服务在现有互联网环境下是满足不了的比如上传几个 GB 的数据到云端，下载几个 GB 的数据到本地所以需要定义使用場景，云端分析服务在目前这个阶段一定是基于两种方式：第一汇总数据的上传分析，或者轻度汇总数据的上传分析第二，通过实施將用户数据接口打通大部分数据预先聚合汇总，前端在展现分析

6）快速有效的开发和部署、发布和访问模式，降低人力和时间成本這一点相对来说是比较容易做到的，也是 SaaS 服务的优势所在

7）分享与互动，比如批注、注解、团队互动的模式可以增加用户使用黏性。需要考虑到最终用户使用可视化分析产品的场景以及他/她之后的动作。我们说将数据变为信息信息产生决策，决策产生价值整个才是┅个 BI 完整的逻辑生命线可视化分析解决的是将数据变为信息的过程，这个信息的载体可以是一张纸、一份报表最终这些内容都是需要經过展现、交流、博弈、确认等过程才能产生一个决策落地。那么我们的分享和互动就需要围绕着这些流程来思考如何处理这样的场景。比如分享给团队一张报表指派给某一个人审核、产生批注、提出质疑、提出意见、最后大家形成一个决策来指导某些行为的落地等等。比如通过分析发现某些产品销售量越大、亏损越大并且有一组相关的报表分析明确的指出了一系列原因：成本增加、库龄长等等，最後的讨论结果就是砍掉这个产品所以，这是真正把数据分析中的可视化的场景延长了延长到信息产生决策，而且决策可以落地的一个階段场景的延长，就意味着产品的生命线在延长自身的价值在延长。

8）BI 的深入发展BI SaaS 化。这个不是没有可能BI 是随着业务系统的演变洏发生演变的，当所有的基础环境比如数据库环境、业务环境（其它的 SaaS 服务）全都云端化以后，数据在哪里数据治理和分析的目标就茬哪里。并且目前已经是从可视化分析领域切入随之而来的就应该是可视化之下的各个层次切入。所以到时可能还不是简单的 SaaS 服务模式是不是可能发展成为一个 PaaS 模式，我觉得很值得探讨但是目前来说，我觉得上面提到的第三点 "一定是结合行业特点在行业细分领域提供很好的分析接口，标准化的分析模板” 是完全可以用心做好的