推测未来将要发生什么的最好方式就是记住过去曾经发生了什么。

 —— 乔治·萨维尔

金钱永不眠，屠夫问候各位早安。

很久没聊过数据相关的话题了。近期因为工作需要，屠夫梳理了自己在投资和工作实践中对「数据可视化」的经验和思考。

从今天起一连3周，我将用三节课讲述“数据可视化”的话题，希望给你一些启发。

有句话叫“一图胜千言”，对于看似复杂难懂的数据而言，尤其如是。

数据可视化，是将数据转换成图或表进行呈现，以一种更直观的方式展现数据。

对于经常需要用数据、做分析、理逻辑的投资者来说，数据可视化是一项利器。

许多人看过数据可视化，但未必都明白如何做好数据可视化。

好的可视化，可以帮助我们快速发现规律、找到原因、作出判断；

不好的可视化，可能让人作出似是而非的结论，甚至引向大错误。

01  「数据」可以用来做什么？

在了解知识、技能或工具前，屠夫总喜欢先了解它的“作用”，或者说“它究竟能解决什么问题”。

数据可视化和数据紧密相关，更具体地说是和“数据分析”紧密相关。

所以，对于任何一个想要了解可视化的人来说，弄懂“数据”和“分析”解决了什么问题应当排在首位。

关于“数据究竟解决什么问题”，屠夫归结为“FIVE”4个字母：

Forecast 预测

Insight 洞察

Validation 验证

Evaluation 评估

*一年前写的《数据的F.I.V.E.用法》里的“I”是“Inspiration 启发”，如今觉得还是改为“Insight 洞察”更贴切

预测，是数据应用的最高级形态。

从数据获得启发，以数据验证想法，用数据评估现状，都服务于对未来的预测，最好能够“运筹帷幄之中，决胜千里之外”。

作为最高级形态，预测又是困难的。

理想模型在落地时往往需要层层假设，这些假设里任何一个参数的偏差，都有可能“失之毫厘谬以千里”。

正如《关于预测，你应该明白的3个道理》所说，预测的尺度越小越【精确】，却越不容易【准确】。

所以，在预测的精确性和准确性之间，最终取得的妥协往往是“模糊的正确”。

洞察，是假设和灵感的来源。

许多规律在得到严谨的数据验证之前，都是先从历史数据中获得洞察。

我们可以从标普500和沪深300的部分历史数据中得到“宽基指数长期上涨”的想法，这就是数据的“洞察”作用，而且往往是通过数据可视化实现的。

至于这个想法到底对不对，要用数据加以验证才知道。

验证，是数据驱动决策的试金石。

一些似是而非的假设和灵感可能将人带入歧途，而用数据进行验证，将大大减少这类情况发生。

验证的方式有许多：

在投资里，对量化策略进行“回测”，是典型的验证；

数据分析时，构造蒙特卡洛模拟进行试验，也是验证；

互联网行业，采用A/B测试检验策略有效性，同样是验证。

验证的天花板是 "absence of evidence" ——

“没有证据证明您有癌症”和“有证据证明您没有癌症”，不是一码事。感兴趣的同学可以看看《不靠预测盈利》中的详细解释。

评估，是使用数据的基本立足点。

数据的“评估”式用法，实际上是通过数据构造出一个框架，然后将现状与框架对比。

可以对同一对象，横跨不同的时间段，纵向对比；

也可以对多个对象，选取同样的时间段，横向对比。

屠夫在《关于预测，你应该明白的3个道理》以“地图”和“六分仪”作比喻：预测就好比使用地图，而评估则是使用六分仪。

先以六分仪测量出经纬度，确定“当前在哪儿”，使用地图时才会心中有数；先用数据进行评估，判别清楚当前的状况，你的预测才不会成为无源之水。

数据可以用来做什么？

屠夫的看法是：

【数据能用于预测】预测是数据应用的圣杯，是启发、验证和评估的最终目标

【数据能带来洞察】在历史数据的启发下，我们可以形成新的灵感或假设

【数据能验证假设】经过验证的假设才有机会成为结论，反之只是一种猜想

【数据能评估现状】有数据支撑的现状评估，让预测和验证成为有根之木

02  「分析」能解决哪些问题？

有了数据，还需要分析才能解决问题。

“分析”究竟能解决哪些问题？

屠夫归结为4类：是什么、为什么、怎么办和好不好。

回答“是什么”的问题，属于描述统计。

我们日常见到的趋势折线图、频率分布直方图，都是通过对数据特征进行描述，一般称之为描述统计。立足于历史和现状，侧重在现象和特性的展示。

“是什么”其实并不算真正意义上的分析，许多数据看板和BI都能实现，其威力大小取决于使用数据的人。然而这并不妨碍描述统计在分析领域的地位 —— 它是许多规律、假设和猜想的源头。

除此之外，如果回答的是“未来是什么”，这种描述又带上了预测色彩了。

回答“为什么”的问题，属于归因分析。

“归因分析”一般指互联网渠道运营对不同渠道产生的价值贡献进行归因。屠夫借这个词推而广之，将“寻求原因和解释”一类的“为什么”问题，都算作归因分析。

人类是一种对“解释”有着极度狂热的动物。当我们通过描述性统计发现了一些现象时，自然而然会想要知道现象背后的根源，以便复现、加强或者削弱这类现象。

比如屠夫写的这两篇长文，就是在尝试解答“为什么”问题：

崩盘总在9月后？市场波动和恐慌指数

「5月清仓9月归」有道理吗？一月效应与九月效应

回答“怎么办”的问题，属于策略分析。

互联网行业有不少数据分析岗位，但是 ——

只解答“是什么”，充其量就是人肉取数工具；

只解答“为什么”，不过是产出专题分析报告；

只解答“好不好”，只能完成效果复盘和回测。

上述3者听起来都不够给力，是因为你的分析，没有转化成可操作的策略，分析结果距离落地太远了。

上面是互联网领域的例子，对于投资领域来说更好理解：

制定投资策略，通过分析确定约束规则，决定在什么条件该做什么事，就是策略分析。

回答“好不好”的问题，属于效果检验。

投资领域提到的“历史回测”，和职场工作里常常需要进行“效果复盘”，都是在回答“好不好”的问题。

仔细想想就会发现，“好不好”其实和上面提到的“验证”关联非常紧密。

事实上，数据分析里有一部分工作就是用数据来验证效果，和预期作对比确定“好不好”。

分析能解决哪些问题？

屠夫的看法是：

【回答“是什么”】描述统计，可以展示现象和特性，立足历史和现状，是规律和猜想的源头。

【回答“为什么”】归因分析，可以深挖现象背后的原因，通过回溯根源，最终利用这些现象。

【回答“怎么办”】策略分析，是为了将分析转化成可操作、可落地的、实实在在的策略。

【回答“好不好”】效果检验，是为了验证落地操作后的结果是否符合预期。

03  「可视化」的意义是什么？

说到这里，我们不妨把「数据」和「分析」的作用，做一个连线。

回答“是什么”问题时，需要借助数据产生「洞察」，在一定框架对比之下进行「评估」，还可以对未来的情况进行「预测」：

回答“为什么”问题时，需要借助数据的「洞察」找规律，挖掘现象背后的原因，有条件的话最好有一定的「验证」：

回答“怎么办”问题时，需要从「洞察」和「评估」出发，考虑可操作、可执行的应对策略，甚至会利用数据进行一定程度的「预测」：

回答“好不好”问题时，以「验证」效果是否符合预期为目的，结合「洞察」来使用数据：

发现了吗，洞察是被用的最多的，4大类分析问题都离不开「数据洞察」：

事实上，缺乏可视化的情况下几乎不可能发挥出数据的「洞察」作用。

洞察是最需要可视化辅助分析的数据用法，这个“辅助”体现在两方面：

- 辅助分析过程的推理

- 辅助分析结果的表达

当我们希望深入分析、挖掘有用结论时，可视化可以帮助我们发现规律、理清思路。

比如下面这张来自《经济学人》的网络图，把近20年美国国会的投票记录进行可视化。如果两名参议员对一项法案投出相同一票，就会以线相连。

从图中不难看出，美国国会的党派分歧越来越严重。

来源：经济学人

当我们表达自己的分析结果时，可视化提供了更简单、直接、易懂的方式。

比如下图对150万次公共跑步、散步和骑自行车活动路线进行可视化，亮度越亮表示路线越受欢迎。

这份可视化结果的背后是枯燥难懂的数据，但是以这种形式表达，可以让使用者一眼就发现热门路线：

来源：语雀 · 墨者学院 · 墨者修齐

所以，对于“可视化的意义是什么”，屠夫的回答是：

在数据的4种用法里，「洞察」可以覆盖“分析”的4大类问题

在分析过程中，「洞察」非常需要可视化的辅助，这个辅助体现在：

可视化可以辅助分析过程的推理

可视化可以辅助分析结果的表达

以上就是第一节课的内容，下周将为大家带来第二节课 —— “可视化的使用”，敬请期待！