14.数据叙事从数字到洞察的三阶段转化

如何通过DIKW金字塔将数据转化为智慧，推动商业决策

💻交互式文档 💬向助教提问 🧺采集数据 第一章：DIKW金字塔与数据叙事的介绍 在当今这个信息爆炸的时代，企业、政府乃至个人每天都在处理海量的数据。每一个决策、每一项行动都可能产生大量的数字，这些数字蕴藏着宝贵的洞察力。然而，数据本身往往是庞大且杂乱无章的，难以直接为决策提供帮助。正因如此，数据叙事应运而生，它为我们提供了一个将数据转化为可理解、易传递的故事的框架。而这一...…
14.数据叙事从数字到洞察的三阶段转化
分享此内容

💻交互式文档 💬向助教提问 🧺采集数据

第一章：DIKW金字塔与数据叙事的介绍

在当今这个信息爆炸的时代，企业、政府乃至个人每天都在处理海量的数据。每一个决策、每一项行动都可能产生大量的数字，这些数字蕴藏着宝贵的洞察力。然而，数据本身往往是庞大且杂乱无章的，难以直接为决策提供帮助。正因如此，数据叙事应运而生，它为我们提供了一个将数据转化为可理解、易传递的故事的框架。而这一过程的核心就是DIKW金字塔——数据、信息、知识、智慧。

DIKW金字塔概述

DIKW金字塔是一个逐步深入的模型，它揭示了从原始数据到决策行动之间的转化过程。每个层级都是一个不断加深理解的过程，最终目的是将信息转化为能够指导决策的智慧。具体来说，DIKW金字塔分为四个层级：

  1. 数据（Data）：金字塔的底层是数据，数据是没有经过处理的原始事实和数值。例如，某一时间段内的销售数据、客户购买行为记录等，都是数据。在这一层级，数据本身并不具备太多的意义，它只是数字和事实的堆砌。

  2. 信息（Information）：数据转化为信息的关键是整理和组织。通过对数据进行分析、分类和汇总，我们能够揭示其中的规律和趋势，使数据变得更加易于理解。例如，通过将销售数据按时间段、地区或产品类别进行分类，我们不仅得到了更清晰的结构，还可以初步发现哪些区域或产品更受欢迎。

  3. 知识（Knowledge）：知识是在信息的基础上加入背景和上下文，从而使信息变得更具解释力。在这一阶段，数据背后的原因和机制逐渐显现。通过理解信息的背景，我们可以回答“为什么会这样”的问题。比如，通过分析销售数据的变化，我们不仅知道了哪些产品热销，还能够理解为什么这些产品会在某些特定的市场环境中表现突出。

  4. 智慧（Wisdom）：智慧是DIKW金字塔的顶端，代表着在已有知识的基础上做出决策和采取行动。智慧不仅仅是理解“发生了什么”和“为什么发生”，而是能够根据这些知识做出有意义的、具有前瞻性的决策。智慧促使我们问：“我们应该如何根据当前的知识采取行动？”例如，基于某些产品销售强劲的趋势，我们可能会决定增加这些产品的库存，或者推出相关的促销活动。

数据叙事的重要性

在这个大数据时代，拥有海量数据并不意味着能够做出有效的决策。要从庞大的数据集中提取出有价值的洞察力，首先需要进行有效的分析，然后将这些分析结果转化为可以理解的故事，这就是数据叙事的核心。数据叙事不仅仅是展示数据，它更重要的是通过讲故事的方式，把数据背后的意义呈现出来，使其能够引起受众的共鸣，并为决策提供支持。

数据叙事在商业中的应用尤为广泛。在营销领域，通过数据分析和叙事，企业能够准确把握消费者的需求变化，优化产品和服务。在运营管理中，数据叙事帮助企业识别瓶颈和优化流程，提高效率。在战略规划上，数据叙事帮助决策者理解市场趋势，制定未来发展路线图。因此，能够将复杂的数字和图表转化为简洁且易于理解的故事，已成为商业分析人员、管理者、甚至创业者必备的一项技能。

数据叙事对不同受众的价值

无论是企业高层管理人员，还是数据分析师，抑或是普通的电商从业者，都能从数据叙事中受益。数据叙事的关键在于理解受众，并根据受众的需求调整故事的呈现方式。对于企业领导者，数据叙事帮助他们从全局视角把握业务表现，并做出战略决策；对于数据分析师，数据叙事提供了一种将复杂分析结果转化为简明扼要的报告和展示的方式；对于电商从业者，数据叙事则能帮助他们理解用户行为、提升转化率，进而推动销售增长。

例如，在电商平台上，通过数据叙事，我们不仅能够看到某个商品的销量情况，还能通过数据背后的故事，揭示哪些因素在推动销量的增长，哪些营销活动最为有效。这样的洞察力对于电商运营人员来说，能够直接转化为优化策略，提升平台整体的销售业绩。

日常生活示例：健身追踪

健身追踪设备收集您的健康和活动数据，但您的最终目标是利用这些数据来做出关于如何训练或如何管理健康的决策。

  • 智慧：通过理解这些模式，您可以做出明智的决策，调整锻炼计划、睡眠习惯以及其他生活方式因素，从而改善健康和体能。

  • 知识：分析和解读信息可能揭示出某些模式，例如步数增加与睡眠质量改善之间的关系，或心率与运动强度之间的关联。

  • 信息：智能手表应用程序将数据整理并结构化，以易于理解的格式显示，如每日步数、平均心率和每晚睡眠时间。

  • 数据：智能手表收集的原始数据包括步数、心率和睡眠时长。

营销示例：数字营销活动

网站追踪工具收集观看和点击数据，但营销团队的最终目标是做出关于如何优化广告活动投资回报率的决策。

  • 智慧：通过理解客户偏好和市场趋势，营销团队能够做出明智的决策，精准定位特定的受众群体，定制信息传递，并分配资源，以最大化广告活动的投资回报率（ROI）。

  • 知识：通过分析和解读这次活动的信息，并将其与过去的活动进行比较，可以揭示出诸如最有效的广告形式、最佳发布时段以及高转化客户的关键特征等模式。

  • 信息：数据被组织和结构化，提供诸如点击率（CTR）、转化率、展示次数和每次获取成本（CPA）等指标，这些指标跨越每个营销渠道。

  • 数据：广告活动的原始数据包括用户与营销材料的互动，例如点击、浏览、点赞、分享和购买。

销售示例：客户关系管理

CRM软件记录与客户的互动，但销售团队的最终目标是做出如何优化潜在客户收入的决策。

  • 智慧：通过理解客户行为和销售模式，销售团队能够做出明智的决策，优先考虑高价值线索，调整销售方法，并有效分配资源，以最大化收入和客户满意度。

  • 知识：通过分析和解读CRM中的信息，可以揭示出诸如最有效的销售技巧、最佳跟进时机以及高价值客户的关键特征等模式。

  • 信息：CRM中的数据被组织和结构化，提供诸如线索转化率、平均交易规模、销售周期时长和客户生命周期价值（CLV）等指标，这些指标跨越不同的行业和客户群体。

  • 数据：原始的CRM数据包括与客户的个别互动，如电话、电子邮件、会议、提案和已成交的交易。

产品示例：移动应用开发

移动应用收集用户数据，您还可以从用户那里获得反馈数据，但产品经理的最终目标是做出如何改善应用的决策。

  • 智慧：通过理解用户需求、偏好和痛点，产品经理能够做出明智的决策，优先考虑功能开发、提升用户体验，并有效分配资源，以最大化用户满意度和留存率。

  • 知识：通过分析和解读应用使用数据和用户反馈，可以揭示出诸如最常请求的功能、用户挫败的原因以及驱动用户参与和忠诚度的关键因素等模式。

  • 信息：应用使用数据和用户反馈数据被组织和结构化，提供诸如平均会话时长、功能使用频率、用户留存率和各用户群体中的常见反馈主题等指标。

  • 数据：原始数据包括用户与应用的个别互动，如点击按钮、浏览页面和在应用中的停留时间，以及通过评论、调查和支持工单提交的用户反馈。

财务示例：财务规划

每个企业都会记录财务交易，但首席财务官（CFO）的最终目标是做出最大化盈利和增长的决策。

  • 智慧：通过理解公司财务健康状况和市场条件，CFO能够做出明智的决策，优先考虑投资项目、管理开支并有效分配资源，以最大化盈利和增长。

  • 知识：通过分析和解读财务信息，可以揭示出诸如最具盈利性的产品线、成本驱动因素以及影响收入和开支的关键因素等模式。

  • 信息：财务数据被组织和结构化，形成财务报表，提供诸如收入、净收入、现金流、毛利率和投资回报率（ROI）等指标，这些指标跨越不同的业务单元和时间周期。

  • 数据：原始数据包括单个财务交易和记录，如销售发票、支出收据、工资记录和资产估值。

这些例子展示了在不同的场景下，如何通过逐步转化数据为信息、知识，最终形成有意义的智慧，从而推动业务决策和改进。无论是健康管理、营销优化、销售管理，还是产品开发和财务规划，DIKW金字塔都为我们提供了一个清晰的框架，帮助我们有效地从大量的数据中提炼出深刻的洞察，并做出有力的行动。

本文结构概览

本文将深入探讨如何运用DIKW金字塔进行数据分析与叙事，并结合实际案例展示如何将数据转化为决策驱动的智慧。在接下来的章节中，我们将：

  • 第二章详细讲解如何从原始数据中提取有意义的信息，并通过可视化将信息呈现给受众。
  • 第三章将讨论如何通过为信息添加背景和上下文，转化为具有实际应用价值的知识。
  • 第四章探讨如何基于知识做出决策，并通过数据叙事的方式，提出实际的商业行动建议。
  • 第五章总结如何在企业运营中运用数据叙事推动业务发展，并展望未来的数据应用趋势。

通过本文的学习，您将能够掌握数据叙事的基本方法，并将其应用到自己的工作中，帮助您做出更有洞察力的决策，推动业务的长期发展。

第二章：将数据转化为信息

在数据分析的世界里，原始数据就像是一堆未经雕琢的宝石，它们本身可能并不具备太多的意义。但通过数据清洗和探索，我们可以将这些原始数据打磨成有价值的信息，从而为决策提供支持。本章将深入探讨如何通过数据探索和清洗，将零散的原始数据转化为可以提供深刻洞察的有意义的信息，并通过数据可视化来传达这些信息。

数据探索与清洗：如何从原始数据开始

在数据分析的初始阶段，我们首先需要面对的数据是原始数据。这些数据可能来自各种来源，例如电子表格、数据库或传感器设备。通常情况下，这些数据是零散的、杂乱的，且缺乏结构。因此，数据清洗和探索是数据分析中至关重要的步骤，它们决定了后续分析的准确性和有效性。

  1. 数据清洗：数据清洗是指通过修正或删除错误、缺失或重复的数据，使数据集更加整洁和准确。清洗的步骤包括去除无关字段、填补缺失值、删除重复记录以及标准化数据格式等。

  2. 数据探索：数据探索是指通过初步的统计分析和数据可视化，了解数据的基本结构、分布情况以及潜在的规律。例如，我们可以计算数据的平均值、中位数、标准差等统计量，或者使用图表展示数据的分布情况。这一步骤帮助我们对数据进行初步的了解，从而为深入分析打下基础。

以宠物参与活动数据为例，假设我们收到的数据如下表所示：

宠物类别 参与人数 广告宣传网站数量
猫 1138 150
狗 130 28
其他 17 147

这些数据看起来是有用的，但我们需要对其进行清理和探索，以便提取有价值的信息。例如，可能存在缺失值、重复数据或格式不一致的情况。通过数据清洗，我们可以确保所有的数据都是有效且一致的。

使用Pandas进行数据清洗和计算

在交互式文档中，添加一个Python单元格，让我们利用Pandas库进行数据清洗，并计算出每种宠物类别的参与比例。这是一个基本的操作，帮助我们更好地理解数据的分布。

Python 代码：

import pandas as pd

# 创建数据
data = pd.DataFrame({
    '宠物': ['猫', '狗', '其它'],
    '参与人数': [1138, 130, 17],
    '网站数量': [150, 28, 147]
})

# 计算每个类别的参与比例
data['比例'] = data['参与人数'] / data['参与人数'].sum() * 100

# 打印清洗后的数据
records = data.to_dict(orient = 'records')
print(records)

import js
import json
js.window.records = json.dumps(records, ensure_ascii = False)

逐行解释：

  1. 导入库

    import pandas as pd

    这行代码导入了 Pandas 库，Pandas 是 Python 中常用的数据分析库，用于数据处理和分析。

  2. 创建数据

    data = pd.DataFrame({
   '宠物': ['猫', '狗', '其它'],
   '参与人数': [1138, 130, 17],
   '网站数量': [150, 28, 147]
})

    这行代码创建了一个 DataFrame 对象，DataFrame 是 Pandas 中用于存储数据的二维表格结构。在这里，数据包括三个字段：

    • 宠物：表示宠物类别（猫、狗、其它）。
    • 参与人数：表示每个宠物类别的参与人数。
    • 网站数量：表示每个宠物类别对应的广告宣传网站数量。

    结果是一个表格形式的数据，如下所示：

    宠物 参与人数 网站数量
    猫 1138 150
    狗 130 28
    其它 17 147

  3. 计算每个类别的参与比例

    data['比例'] = data['参与人数'] / data['网站数量'].sum() * 100

    这行代码的目的是计算每个宠物类别的参与比例。参与比例的计算公式是：

    \[ \text{参与比例} = \frac{\text{参与人数}}{\text{所有类别参与人数之和}} \times 100\]

    这里使用 data['参与人数'].sum() 计算所有类别的 参与人数 的总和，然后计算每个类别的参与比例。

    例如：

    • 对于猫：参与比例 = \(\frac{1138}{1138 + 130+ 17} \times 100 = 88.56\%\)
    • 对于狗：参与比例 = \(\frac{130}{1138 + 130+ 17} \times 100 = 10.12\%\)
    • 对于其他：参与比例 = \(\frac{17}{1138 + 130+ 17} \times 100 = 1.32\%\)

    计算完成后，data 变成如下：

    宠物 参与人数 网站数量 比例
    猫 1138 150 88.56%
    狗 130 28 10.12%
    其它 17 147 1.32%

  4. 将数据转化为字典格式

    records = data.to_dict(orient='records')
print(records)

    data.to_dict(orient='records') 将 Pandas DataFrame 转换为字典格式。orient='records' 表示将每一行数据作为一个字典，结果是一个列表，其中每个元素是一个字典，字典的键是列名，值是每一行对应的数值。

    例如，转换后的 records 会是：

    [
   {'宠物': '猫', '参与人数': 1138, '网站数量': 150, '比例': 88.56},
   {'宠物': '狗', '参与人数': 130, '网站数量': 28, '比例': 10.12},
   {'宠物': '其它', '参与人数': 17, '网站数量': 147, '比例': 1.32}
]

    print(records) 会输出这个字典列表。

  5. 将数据转化为 JSON 格式并赋值给 JavaScript 变量

    import js
import json
js.window.records = json.dumps(records, ensure_ascii=False)
    • import js：这行代码假设你正在使用一个支持与 JavaScript 交互的 Python 环境（例如，Jupyter Notebook 与 IPython 的 JavaScript 交互）。
    • import json：用于将 Python 对象转换为 JSON 格式字符串。
    • json.dumps(records, ensure_ascii=False)：将 records 转换为 JSON 字符串。ensure_ascii=False 是为了确保中文字符能够正常显示，而不是转换成 ASCII 编码。
    • js.window.records = ...：将转换后的 JSON 字符串赋值给 js.window.records，该变量将被传递到 JavaScript 中，方便 JavaScript 中使用该数据。

    在 JavaScript 中，你可以通过 JSON.parse(js.window.records) 获取这个 JSON 数据并使用它进行后续操作（如在 Vega-Lite 中绘制图表）。

小结

这段代码的主要功能是：

  1. 创建一个包含宠物类别、参与人数和网站数量的数据集。
  2. 计算每个类别的参与比例（相对于总参与人数）。
  3. 将数据转换为字典形式，并使用 json.dumps() 转换为 JSON 格式，以便在 JavaScript 中使用。

这种方式非常适合在 Python 和 JavaScript 环境之间共享数据，特别是在使用如 Vega-Lite 这样的可视化工具时，将 Python 数据传递到前端进行展示。

基本可视化：创建初步图表

数据清洗和计算完成后，接下来的步骤是将数据转化为直观的信息。通过数据可视化，我们能够更加清晰地呈现数据的分布情况，帮助决策者迅速理解关键信息。

在这一部分，我们将利用Vega-Lite进行初步的可视化。Vega-Lite是一种声明式图表语言，它可以帮助我们快速创建各种类型的图表。在这里，我们将使用Vega-Lite创建一个简单的条形图，用于展示每种宠物类别的参与人数。

在 JavaScript 中，首先通过 JSON.parse() 将 Python 中的 JSON 数据转换为 JavaScript 对象，并将其传递给 Vega-Lite 图表进行显示。

visualization

一个HTML单元格

在交互式文档中，添加一个HTML单元格，它会创建一个“vis”元素，用于显示Vega-lite图表。

<div id="vis" width="800" height="600"></div>

一个ES Module单元格

在交互式文档中，添加一个ES Module单元格，用于编写最新标准的JavaScript代码。ES Module（ECMAScript 模块）是现代 JavaScript 中用于创建模块的标准格式，它带来了多个好处：

  1. 模块化代码：ES Module 使得将代码分割为多个独立的、可重用的模块成为可能。每个模块可以定义自己的功能，并且可以明确地导出这些功能供其他模块使用。

  2. 更好的组织结构：通过导入和导出语句，开发者能够以逻辑方式组织代码，有助于提高项目的可维护性和清晰度。大型项目尤其受益于这种结构化的代码组织方式。

  3. 避免变量污染全局作用域：在模块中声明的变量、函数、类等默认情况下都是局部的，除非特别导出。这减少了意外覆盖或冲突的可能性，尤其是在大型应用中。

1. 导入 Vega-Lite 和 Vega Embed 库

import "https://juguandian.com/vega5.min.js";
import "https://juguandian.com/vegalite5.min.js";
import "https://juguandian.com/vega-embed.min.js";
  • 这些 import 语句加载了必要的 JavaScript 库：
    • vega5.min.js：Vega 是一个用于创建可视化图表的 JavaScript 库，支持生成丰富的交互式图表。
    • vegalite5.min.js：Vega-Lite 是一个基于 Vega 的高级图表工具，它简化了图表设计过程，可以用更少的代码生成漂亮的可视化。
    • vega-embed.min.js：这是一个包装器库，用于将 Vega 或 Vega-Lite 图表嵌入到网页中，并处理图表的显示和交互。

这些库使得你能够在网页中动态生成交互式数据可视化图表。

2. 获取 Python 传递过来的 JSON 数据

const records = JSON.parse(window.records);  // 获取 Python 传递过来的 JSON 数据
  • window.records：这是从 Python 通过 js.window.records 传递到 JavaScript 的数据。它是一个包含宠物类别、参与人数、比例等信息的 JSON 字符串。
  • JSON.parse()：这个函数将 JSON 字符串转换为 JavaScript 对象。在这里，它把 window.records 字符串转换为一个 JavaScript 数组，数组中的每个元素都是一个包含宠物类别信息的对象。

例如，records 可能看起来像这样：

[
  {"宠物": "猫", "参与人数": 1138, "网站数量": 150, "比例": 88.56},
  {"宠物": "狗", "参与人数": 130, "网站数量": 28, "比例": 10.12},
  {"宠物": "其它", "参与人数": 17, "网站数量": 147, "比例": 1.32}
]

3. 使用 Vega-Lite 创建并嵌入图表

const chart = vegaEmbed('#vis', {
  "data": {
    "values": records  // 使用传递过来的数据
  },
  "mark": "bar",
  "encoding": {
    "x": {
      "field": "宠物",
      "type": "nominal",
      "title": "宠物类别"
    },
    "y": {
      "field": "参与人数",
      "type": "quantitative",
      "title": "参与人数"
    },
    "color": {
      "field": "宠物",
      "type": "nominal",
      "title": "宠物类别"
    },
    "tooltip": [
      {"field": "宠物", "type": "nominal", "title": "宠物"},
      {"field": "参与人数", "type": "quantitative", "title": "参与人数"},
      {"field": "比例", "type": "quantitative", "title": "比例"}
    ]
  }
});
  • vegaEmbed('#vis', {...})：使用 vegaEmbed 函数将图表嵌入到页面中的指定元素（此处为 #vis）中。#vis 是页面上用来显示图表的容器的 ID。
  • "data": { "values": records }：这是将之前从 Python 传递过来的数据传递给 Vega-Lite 图表。values 字段指定了数据的内容，records 中的数据会被传递到图表中进行可视化。
  • "mark": "bar"：这是指定图表的类型为条形图（bar chart）。Vega-Lite 支持多种图表类型，这里选择了条形图来展示不同宠物类别的参与人数。

图表的编码（encoding）部分：

  • x轴（横轴）：

    "x": {
"field": "宠物",
"type": "nominal",
"title": "宠物类别"
}
    • field: 指定 x 轴显示的字段，这里选择了“宠物”字段。
    • type: nominal 表示这个字段是一个名义类型的变量，即分类变量（如猫、狗、其它）。
    • title: 指定 x 轴的标题为“宠物类别”。

  • y轴（纵轴）：

    "y": {
"field": "参与人数",
"type": "quantitative",
"title": "参与人数"
}
    • field: 指定 y 轴显示的字段，这里选择了“参与人数”字段。
    • type: quantitative 表示这个字段是一个定量变量（即数值型变量）。
    • title: 指定 y 轴的标题为“参与人数”。

  • 颜色编码：

    "color": {
"field": "宠物",
"type": "nominal",
"title": "宠物类别"
}
    • field: 指定颜色编码使用的字段，这里使用了“宠物”字段。
    • type: nominal 表示“宠物”是一个分类变量，使用不同的颜色来区分不同的宠物类别。
    • title: 指定颜色编码的标题为“宠物类别”。

  • 工具提示（tooltip）：

    "tooltip": [
{"field": "宠物", "type": "nominal", "title": "宠物"},
{"field": "参与人数", "type": "quantitative", "title": "参与人数"},
{"field": "比例", "type": "quantitative", "title": "比例"}
]
    • tooltip 用于显示悬浮在图表元素上时显示的额外信息。在这里，鼠标悬停在条形图上的每个条形时，会显示：
    • 宠物: 显示宠物类别（如猫、狗、其它）。
    • 参与人数: 显示该宠物类别的参与人数。
    • 比例: 显示该宠物类别的参与比例。

小结

这段代码的作用是从 Python 传递过来的数据中创建一个条形图，并通过 Vega-Lite 的配置来展示不同宠物类别的参与人数。使用 vegaEmbed 函数将图表嵌入到页面中的指定元素，并通过编码设置图表的 x 轴、y 轴、颜色、工具提示等属性。这使得你能够在网页中展示交互式数据可视化图表，并帮助用户理解和分析数据。

这段Vega-Lite JSON代码将创建一个条形图，其中x轴表示宠物类别，y轴表示每个类别的参与人数。通过条形图，我们可以直观地看到猫的参与人数远高于狗和其他类别的参与人数。

数据案例：宠物活动研究报告

有了前面的Python代码和JavaScript代码，我们可以开始撰写数据研究报告的第一部分：从数据到信息。 要将数据转化为信息，首先需要从数据中提取洞察。我们通过一个实际的例子来说明这一过程：假设有一个专门为宠物举办的活动，活动的组织者正在收集参与活动的宠物种类数据。每种宠物类别都会在特定的网站上进行宣传。组织者要求我们快速构建一份报告，展示当前的情况。表格 1.1 显示了各个宠物种类的参与人数和广告宣传网站数量。

表格 1.1 活动参与宠物的数据

宠物 参与人数 广告宣传网站数量
猫 1138 150
狗 130 28
其它 17 147

表格 1.1 列出了猫、狗和其他宠物类别的参与人数及广告宣传网站的数量。

接下来，我们可以构建一个条形图，展示参与人数。

visualization

在这张图中，条形图展示了每个宠物类别的参与人数。虽然这是一种数据的可视化表示，但它并未为我们提供任何洞察。这只是简单的表格数据的图形化呈现，对于某些数据，表格比条形图更清晰易懂。

如何从数据中提取信息？

要将数据转化为信息，我们首先需要理解数据的背景。提出以下几个问题：

  • 我的故事的受众是谁？
  • 他们想要什么信息？
  • 所有数据都与回答前述问题相关吗？

让我们一一回答这些问题。在这个场景中，活动的组织者是我们的受众，他们希望了解参与活动的宠物种类的情况。我们可以假设，他们希望基于这些数据制定一份推广计划，增加更多宠物参与活动。

从表格数据中，我们可以看出，猫类别的参与人数远远高于其他宠物种类。接下来是相对较少的狗类别，而其它宠物的参与人数几乎为零，表明这一类别的参与兴趣较低。

从这一洞察出发，我们可以考虑以下两种方案：

  1. 删除“其它”类别，因为它几乎不相关。
  2. 专注于“其它”类别，并提出增加其参与的策略。

在这两种方案中，我们选择第一种：删除“其它”类别。

计算每个类别的参与比例

为了进一步提炼信息，我们可以计算每个宠物类别的参与比例，如表格 1.2 所示。

表格：活动参与宠物的数据，并重新计算参与比例

宠物 参与人数 参与比例
猫 1138 89.75%
狗 130 10.25%

通过计算参与比例，我们发现猫占参与者的89.75%，狗占10.25%。通常，受众不需要了解过多细节，因此可以将猫类的参与比例大致视为90%，狗类视为10%。这时，提取出的信息（洞察）就是：每10个参与的宠物中，就有9个是猫，只有1个是狗。

使用堆叠条形图展示信息

为了帮助受众快速理解这一点，我们可以使用堆叠条形图，更清晰地展示这个比例。堆叠条形图不仅可以展示不同类别的参与人数，还能进一步展现每个类别所占的比例，使得信息更加易懂。

visualization%20%282%29

堆叠条形图展示了参与的宠物类别及其比例

在堆叠条形图中，清楚地展示了每种宠物类别的参与人数，同时每个条形的颜色深浅表示不同类别的比例。通过这个图表，观众可以立刻识别出猫类在所有参与宠物中占主导地位，而狗类的比例相对较小。

数据分析

为了创建一个堆叠条形图并去掉“其它”类，我们可以编写新的 Python 代码，首先筛选出参与人数最多的前两个类别（猫和狗），然后计算它们的参与比例。以下是完成这一过程的 Python 代码，并将结果转换为适合在 JavaScript 中使用的 records2 数据：

import pandas as pd

# 原始数据
data = pd.DataFrame({
    '宠物': ['猫', '狗', '其它'],
    '参与人数': [1138, 130, 17],
    '网站数量': [150, 28, 147]
})

# 选择参与人数最多的前两类（去掉“其它”类）
datatop = data.nlargest(2, '参与人数')

# 计算参与比例
datatop['比例'] = datatop['参与人数'] / datatop['参与人数'].sum() * 100  # 使用百分比

# 将结果转换为适合 JSON 格式的数据
records2 = datatop.to_dict(orient='records')

# 打印输出结果
print(records2)

代码说明：

  1. 数据创建：

    • 使用 pd.DataFrame() 创建一个包含宠物类别、参与人数和网站数量的初始数据框。

  2. 筛选参与人数最多的前两类：

    • 使用 data.nlargest(2, '参与人数') 获取参与人数最多的前两类宠物（猫和狗）。这将返回一个新的数据框 datatop，其中只包含“猫”和“狗”两类。

  3. 计算参与比例：

    • datatop['比例'] = datatop['参与人数'] / datatop['参与人数'].sum() * 100：计算每个类别的参与比例，比例是相对于这两类宠物的参与人数总和，转化为百分比。

  4. 转换为字典格式：

    • 使用 datatop.to_dict(orient='records') 将筛选后的数据转换为字典列表，每个字典包含“宠物”、“参与人数”和“比例”字段，适合在 JavaScript 中使用。

  5. 输出结果：

    • 使用 print(records2) 输出转换后的结果。

输出结果：

假设数据中的猫和狗的参与人数分别为1138和130，records2 输出将是：

[
    {'宠物': '猫', '参与人数': 1138, '网站数量': 150, '比例': 89.75},
    {'宠物': '狗', '参与人数': 130, '网站数量': 28, '比例': 10.25}
]

这段代码将返回猫和狗两类宠物的参与人数和参与比例，并排除了“其它”类别。接下来，你可以将 records2 传递到 JavaScript 中，进行图表的展示。

数据可视化

为了绘制一个横向显示“猫”和“狗”参与人数比例的堆叠图，我们可以使用 Vega-Lite 来进行可视化。以下是完整的 JavaScript 代码，使用了 vegaEmbed 函数来绘制堆叠条形图，x轴表示百分比，y轴表示宠物类别。

HTML 结构

确保在页面中有一个 div 元素用来显示堆叠条形图：

<div id="vis2"></div>

JavaScript代码

// 从 window.records2 获取数据
const data = JSON.parse(window.records2);

// 使用vegaEmbed绘制堆叠条形图
const chartSpec = {
  "data": {
    "values": data
  },
  "mark": "bar",
  "encoding": {
    "x": {
      "aggregate": "sum",
      "field": "比例",    // x轴显示的是比例（百分比）      
      "title": "参与人数比例 (%)",      
    },    
    "color": {
      "field": "宠物",
      "type": "nominal",
      "title": "宠物类别"
    },
    "tooltip": [
      { "field": "宠物", "type": "nominal", "title": "宠物" },
      { "field": "比例", "type": "quantitative", "title": "参与比例" }
    ]
  }
};

// 将图表嵌入到id为“vis”的HTML元素中
vegaEmbed('#vis2', chartSpec);

解释代码的调整：

  1. x轴：

    • x encoding 显示比例（比例字段），并且设置为 aggregate属性（sum），这样就会把y轴相同的数据总和在一起。

  2. y轴：

    • 所有宠物类别都堆叠在一起，横向显示，意味着y轴的值相同，因此不需要指定y轴的字段。

  3. 颜色编码：

    • color 字段使用了 宠物 类别字段，使得每种宠物类别（猫和狗）在图表中显示不同的颜色。这样可以直观地区分不同的宠物类别。

  4. 工具提示（Tooltip）：

    • 当鼠标悬停在条形图上时，tooltip 会显示每个条形图的 宠物 和 比例 字段，帮助用户更好地理解数据。

如何运行该代码：

  • 将这个 JavaScript 代码嵌入到 HTML 页面中，其中 #vis2 是用来显示图表的 HTML 元素的 ID。
  • 该图表会显示一个堆叠条形图，其中每个宠物类别的比例按百分比堆叠显示。工具提示提供了详细的信息，允许用户了解每个宠物类别的参与比例。

小结：

通过上述代码，你将能够基于 Python分析后传递的数据，适用Vega-Lite创建一个堆叠条形图，显示猫和狗类别的参与人数比例。每个条形的颜色代表不同的宠物类别，而百分比则帮助你清晰地了解每个类别在总参与中的占比。这种可视化有助于决策者快速识别数据中的关键趋势，并在此基础上做出有效的调整。

提炼洞察：从数据到信息

在整个过程中，我们从简单的原始数据（参与人数和广告宣传网站数量）出发，经过计算和上下文添加，将其转化为有意义的信息。这些信息不仅为组织者提供了对当前宠物活动参与情况的理解，还为后续决策提供了有力支持。通过计算参与比例，我们能够发现猫类宠物的参与比例远高于狗类，这可以帮助组织者调整宣传策略，进一步优化活动。

通过可视化展示，我们使这些信息更加直观易懂，受众不再需要阅读冗长的表格数据，而是通过简单的图表就能获取核心信息。这种转化过程不仅帮助受众快速获取有用的信息，还为他们提供了制定更有效策略的依据。

从数据到信息的转化：实用建议

对于企业家、创业者和电商从业者来说，数据清洗和可视化是决策过程中的关键步骤。以下是一些实用的建议：

  1. 始终保证数据的质量：清洗数据时，要确保删除无关或错误的数据，填补缺失值，并标准化数据格式。这是数据分析的基础，任何分析结果的准确性都依赖于此。

  2. 简化信息的展示：可视化不仅仅是为了美观，更是为了使数据易于理解。选择适当的图表类型（例如条形图、折线图、饼图等），避免信息过载。

  3. 从数据中提取洞察：通过数据的结构化和可视化，尽量提炼出关键的洞察。例如，分析消费者的购买行为、市场趋势、用户满意度等，帮助你做出更明智的业务决策。

  4. 将数据转化为故事：最终，数据的价值在于能够转化为能够驱动行动的信息和知识。通过良好的数据叙事，你不仅能够讲述一个关于数字的故事，还能够激发团队采取行动，推动业务发展。

总结

通过数据清洗、探索和可视化，我们可以将原始数据转化为信息，并通过图表和图形展示这些信息。在本章中，我们通过Pandas和Vega-Lite这两个工具，展示了如何从原始数据中提取出有价值的信息，并通过可视化帮助我们做出更明智的决策。接下来的章节将深入探讨如何在此基础上加入更多的上下文，进一步提升数据的洞察力，从而帮助企业在竞争激烈的市场中获得优势。

第三章：从信息到知识

数据分析的核心不仅仅是收集和展示数据，更重要的是如何从数据中提取出深刻的洞察，这些洞察能够为决策提供指导。当我们拥有了信息后，下一步便是通过加入上下文，使信息转化为真正的知识。知识不仅仅是数据的简单汇总，它包含了对数据的深刻理解，涉及到数据背后的原因、背景和情境。理解这些背景信息，可以帮助我们做出更加精确的判断和决策。

添加上下文：如何为信息赋予意义

在商业环境中，信息本身并不足够，只有当我们为信息添加了适当的上下文，才能使其变得有意义。上下文包括了与数据相关的各种情况、事件、背景等，这些都是帮助我们理解数据的关键因素。让我们回顾一个例子，假设我们正在分析一个宠物活动的参与数据，其中包括猫和狗的参与情况。

假设数据表明，猫的参与人数占了绝大多数，远高于狗类。这时，我们可能会问，为什么猫类的参与人数如此之高？为什么狗类的参与人数相对较少？如果我们单纯从参与人数来分析数据，或许无法得出有意义的结论。这时，添加上下文就显得尤为重要。通过进一步分析“广告宣传网站数量”这一信息，我们就能为参与人数差异提供一个合理的解释。

示例：参与人数与广告网站数量的比率

为了理解为什么猫的参与人数远高于狗，我们需要计算每个宠物类别的参与人数与广告宣传网站数量之间的比率。这一比率帮助我们理解，广告宣传的力度是否直接影响了参与人数。例如，如果某个宠物类别的广告网站数量远少于其他类别，但其参与人数却相对较高，那么我们可以推测该类别可能具有更强的市场需求或吸引力。

在这里，我们通过 Pandas 计算了每种宠物类别的参与人数与广告网站数量的比率，得到了以下表格（表格 1.3）。

表格 1.3 参与宠物活动的数据，并计算了参与人数与广告网站数量的比率

宠物 参与人数 参与比例 (%) 广告宣传网站数量 参与人数与网站数量比
猫 1138 88.56 150 7.59
狗 130 10.12 28 4.64

在表格中，猫类的“参与人数与网站数量比”是 7.59，接近 8，而狗类的比率是 4.64，接近 5。这一比率的计算方式为：

\[ \text{参与人数与网站数量比} = \frac{\text{参与人数}}{\text{广告宣传网站数量}}\]

猫的比率高于狗，意味着尽管狗类的广告网站数量较少，但其参与比例并未达到猫类的水平。因此，参与人数的差异部分可以归因于广告宣传的不足，或者是猫类在活动中有更强的吸引力。

增强可视化：通过上下文丰富图表

为了让受众更好地理解数据背后的故事，我们不仅仅依赖数据本身的可视化，还需要在图表中加入相关的上下文信息。在这一部分，我们将展示如何通过 Vega-Lite 增强图表，并为其添加更多的上下文元素。

假设我们已经构建了一个堆叠条形图，展示了猫和狗参与活动的比例。为了让图表更具解释性，我们再增加一个条形图，清楚地描述图表展示的是每个网站平均参与人数。

通过添加新的图表，使数据变得更加易懂，受众能够迅速抓住关键点。例如，在图表中添加广告宣传网站数量的说明，能够让观众意识到，尽管狗类的参与人数较少，但广告宣传的不足可能是其中的一个原因。

visualization%20%284%29

这两章讲述的信息使得图表不仅仅是数据的可视化，它成为了一种有效的数据叙事，帮助观众更好地理解活动的背景和数据背后的含义。

Python代码

我们需要在 Python 中计算 参与率（即每个广告宣传网站的参与人数），并进一步改进代码。我们将在原始数据的基础上，计算每个宠物类别的参与率，并将其添加到数据中。

改进后的 Python 代码：

import pandas as pd

# 原始数据
data = pd.DataFrame({
    '宠物': ['猫', '狗', '其它'],
    '参与人数': [1138, 130, 17],
    '网站数量': [150, 28, 147]
})

# 选择参与人数最多的前两类（去掉“其它”类）
datatop = data.nlargest(2, '参与人数')

# 计算参与率：参与人数 / 广告宣传网站数量
datatop['参与率'] = datatop['参与人数'] / datatop['网站数量']

# 将结果转换为适合 JSON 格式的数据
records3 = datatop.to_dict(orient='records')

# 打印输出结果
print(records3)
js.window.records3 = json.dumps(records3)

代码说明：

  1. 数据创建：

    • 我们使用 pd.DataFrame() 创建一个包含宠物类别、参与人数和网站数量的初始数据框 data。

  2. 筛选参与人数最多的前两类：

    • 使用 data.nlargest(2, '参与人数') 获取参与人数最多的前两类宠物（猫和狗），并将其存储在 datatop 数据框中。

  3. 计算参与率：

    • 使用 datatop['参与率'] = datatop['参与人数'] / datatop['网站数量'] 计算每个宠物类别的参与率。这里的参与率是指每个广告宣传网站对应的参与人数。

  4. 将结果转换为字典格式：

    • 使用 datatop.to_dict(orient='records') 将数据转换为字典列表，每个字典包含“宠物”、“参与人数”、“网站数量”和“参与率”等字段，适合在 JavaScript 中使用。

  5. 输出结果：

    • 使用 print(records2) 输出转换后的结果，结果将是 JSON 格式，便于在 JavaScript 中使用。

输出结果：

假设猫和狗的参与人数分别为1138和130，records2 输出将是：

[
    {'宠物': '猫', '参与人数': 1138, '网站数量': 150, '参与率': 7.59},
    {'宠物': '狗', '参与人数': 130, '网站数量': 28, '参与率': 4.64}
]

这样，records2 中的数据现在包含了每个宠物类别的参与人数、广告宣传网站数量以及参与率。

小结：

通过计算参与率，我们可以更加深入地理解不同宠物类别在活动中的表现。这个参与率的计算为我们提供了一个衡量广告宣传效果的指标，帮助我们识别哪些宠物类别可能因为广告宣传不足而没有达到预期的参与人数。接下来，我们可以利用这些数据在 JavaScript 中绘制更加详细的堆叠条形图，以直观地展示数据背后的故事。

JavaScript代码

为了更好地增强可视化并满足上下文添加的要求，我们需要编写第三个图表的 JavaScript 代码。以下是改进后的 JavaScript 代码：

// 从 window.records3 获取数据
const data = JSON.parse(window.records3);
console.log(data);
// 使用vegaEmbed绘制堆叠条形图
const chartSpec = {
  "data": {
    "values": data  // 使用传递过来的数据
  },
  "title": "宠物活动参与人数与广告宣传网站数量的对比",
  "mark": "bar",
  "encoding": {
    "x": {
      "field": "宠物",
      "type": "nominal",
      "title": "宠物类别"
    },
    "y": {
      "field": "参与率",
      "type": "quantitative",
      "title": "参与率"
    },
    "color": {
      "field": "宠物",
      "type": "nominal",
      "title": "宠物类别"
    },
    "tooltip": [
      {"field": "宠物", "type": "nominal", "title": "宠物"},
      {"field": "参与率", "type": "quantitative", "title": "每个网站参与的人数"},      
    ]
  }
};

// 将图表嵌入到id为“vis”的HTML元素中
vegaEmbed('#vis3', chartSpec);

代码改进的要点：

  1. 标题：

    • 使用 title 属性添加了一个描述性标题，清楚地说明了图表展示的是“宠物活动参与人数比例与广告宣传网站数量的对比”。

  2. 增加广告宣传网站数量的说明：

    • 在 tooltip 中增加了 网站数量，这样用户悬停在条形图时，能够看到宠物类别的广告宣传网站数量。

  3. 工具提示（Tooltip）：

    • tooltip 中包含宠物类别和网站参与人数，使得读者可以从图表中直接获取关于广告宣传的更多信息。

结果展示：

  • 图表标题：图表顶部将显示标题：“宠物活动参与人数比例与广告宣传网站数量的对比”。
  • x轴：显示百分比格式的参与比例，帮助用户理解每个宠物类别在活动中的参与占比。
  • y轴：展示宠物类别，帮助区分不同宠物的参与情况。
  • 颜色编码：不同的颜色代表不同的宠物类别（猫和狗）。
  • 工具提示：鼠标悬停时，显示每个宠物类别的参与比例和广告宣传网站数量。

小结：

通过这次改进，我们不仅展示了参与人数比例，还通过增加广告宣传网站数量的上下文信息，增强了图表的解读性。通过简洁的注释和工具提示，用户能够轻松理解数据背后的原因，并能基于此做出更为明智的决策。这种改进使得图表不仅仅是数字的展示，而成为了一个有效的商业数据叙事工具，帮助决策者快速识别潜在的市场机会和优化方案。

信息到知识的转化

通过为信息添加上下文，我们不仅仅是把数据转化为易于理解的图表，更是为这些数据赋予了深刻的意义。我们通过计算参与人数与广告网站数量的比率，揭示了广告宣传对宠物类别参与人数的影响，进一步为决策提供了依据。图表的增强和上下文的添加，使得数据不仅仅是数字，而是能够引导决策的知识。

在商业数据分析中，转化信息为知识是一个至关重要的步骤。只有当我们将数据置于适当的背景下，才能全面理解其背后的深层次原因，并为未来的决策提供有效的支持。在接下来的章节中，我们将继续深入探讨如何将知识转化为智慧，并将这些智慧转化为实际行动，从而推动商业发展。

第四章：从知识到智慧

在商业分析中，我们常常听到“数据驱动决策”这一说法，但要让数据真正转化为有价值的商业成果，我们不仅需要理解数据背后的信息，更需要从中提炼出能够指导行动的智慧。智慧不仅仅是对信息的理解，它是行动的催化剂，是将知识转化为实际成果的动力。在这一章中，我们将探讨如何从知识中提炼出智慧，并通过有效的“行动号召”来驱动改变和决策。

1. 从知识到智慧：添加行动号召

在前面的章节中，我们已经通过分析宠物活动的数据，从原始的参与人数和广告宣传网站数量中提炼出了知识。例如，猫类的参与人数远高于狗类，这可能是由于猫类的广告宣传网站数量更多，广告力度更大。而狗类的参与人数较少，可能是因为其广告宣传的不足。那么，接下来，我们如何将这些知识转化为智慧，以推动具体的商业行动呢？

行动号召（Call to Action, CTA） 是推动从知识到智慧转化的重要工具。它鼓励受众基于所获得的知识做出改变，采取行动。在数据叙事中，行动号召不仅仅是一个简单的建议，而是激发受众思考、推动他们采取具体行动的引导。

例如，在我们分析了猫和狗的参与比例后，得出了一个关键结论：猫类的广告宣传网站数量远高于狗类，而狗类的参与人数相对较少。这时，我们可以通过改变标题，加入行动号召来引导受众进行思考和行动。将标题从“9只宠物中有10只是猫”更改为“增加狗类相关网站的广告宣传力度！”，可以激发受众关注狗类广告宣传的不足，并推动他们采取措施来改进这一点。

2. 行动号召的作用

行动号召有许多形式，它不仅仅是一个建议或命令，而是通过数据的叙述引导受众思考并采取行动。以下是几个有效的行动号召的例子：

  • 我们可以做出哪些改变？
  • 我们有哪些机会？
  • 我们的项目或活动提供了哪些独特的优势？
  • 我们能提出哪些可行的场景或解决方案？
  • 有哪些实际的案例可以作为参考？

这些问题引导了受众的思考，使得知识不仅仅停留在理解层面，而是被转化为实际的商业行动和决策。

例如，当我们发现猫类在参与活动中的占比很大时，行动号召可以是：“我们能否通过增加对狗类的广告投入，来提高它们的参与率？”或者：“是否可以通过分析其他宠物种类的市场需求，调整广告策略？”这些问题和提议，能够激发团队的讨论，帮助他们找到优化方案。

3. 实际应用：从数据到智慧的转化

让我们回到宠物活动的例子。我们通过数据分析得出以下结论：

  • 猫类的参与人数占比远高于狗类，并且猫类的广告宣传网站数量是狗类的五倍多。
  • 狗类的参与率较低，这与广告宣传的不足直接相关。

此时，我们的行动号召可以转化为一系列实际的建议或决策：

  1. 增加对狗类的广告宣传投入：基于数据，我们可以建议通过增加对狗类相关网站的广告宣传，来提升狗类的参与人数。
  2. 优化广告投放策略：针对广告网站数量较少的宠物类别，调整广告投放策略，提高它们的曝光度和参与度。
  3. 关注“其它”宠物类别：虽然“其它”宠物的参与人数较少，但这可能是市场机会的潜力点，建议通过市场调研和定向广告提升它们的参与度。

这些建议是基于从数据中提炼出的知识，它们直接推动了实际的商业行动，帮助企业实现更有效的决策。

4. 增强可视化：将行动号召融入图表

在数据可视化中，图表不仅仅是数据的展示工具，它还可以成为传递行动号召的载体。通过增强图表的标题、注释和工具提示，我们可以将行动号召与数据紧密结合，让受众一目了然。

例如，在前面的堆叠条形图中，我们通过在标题中加入“增加狗类相关网站的广告宣传力度！”，将行动号召直接嵌入图表，让受众在查看数据的同时，能够快速理解需要采取的行动。

堆叠条形图，增加行动号召

visualization%20%285%29

上图是一张增强了行动号召的堆叠条形图。通过改变标题和添加相关注释，我们明确地传达了如何利用现有的知识做出决策：加大对狗类广告宣传的投入，以提高狗类的参与率。这种做法不仅提升了图表的可读性，还让数据背后的洞察更加具体和有针对性。

5. 与受众的互动：听取反馈和提问

除了提供行动号召，我们还可以通过互动来进一步提升知识的应用。在商业决策中，受众通常希望能够表达自己的意见并提出改进的建议。因此，在数据叙事过程中，创建讨论空间、倾听受众的反馈和提问，也是从知识到智慧转化的重要一环。

例如，组织者在展示数据和提出行动号召后，可以邀请团队成员提出问题或反馈，看看他们是否认为“增加狗类广告宣传”的提议合理，或者是否有其他更有效的解决方案。这种互动不仅能增加决策的透明度，还能激发更多的创意和想法，帮助企业做出更加全面的决策。

总结：智慧的驱动

从知识到智慧的转化是数据分析的最终目标。通过加入行动号召，我们将抽象的知识转化为具体的决策和行动。数据本身并不具备决策能力，只有通过将知识与实际行动相结合，才能推动业务发展和创新。在商业分析中，智慧驱动行动，而行动则是实现成功的关键。通过增强图表的可视化、设定清晰的行动号召并倾听反馈，我们能够更好地利用数据推动业务决策，提升企业的竞争力和市场表现。

第五章：结论与关键启示

在本书中，我们深入探讨了如何从数据中提炼出有价值的洞察，并将这些洞察转化为可执行的智慧。我们从数据的收集、清洗到信息的提炼，再到最终形成的知识和智慧，逐步推进，形成了一条清晰的数据故事。每一步都依赖于DIKW金字塔的框架，帮助我们在面对复杂数据时能够做出更加有意义和有针对性的决策。以下是本书的总结和关键启示。

研究发现总结

通过本书中的案例分析，我们从宠物活动的数据中提炼出了多个重要的洞察：

  • 数据转化为信息：我们从原始数据中提取出有意义的信息，首先关注了宠物种类、参与人数和广告宣传网站的数量。通过这些基础数据，我们能够清晰地看到猫类的参与人数远高于狗类，且广告宣传的不足可能是导致狗类参与人数较少的原因。

  • 从信息到知识：通过计算每个宠物类别的参与人数与广告宣传网站的比率，我们进一步了解了广告宣传与参与人数之间的关系。例如，猫类的参与人数与网站数量比率较高，而狗类相对较低，这为广告策略的调整提供了依据。

  • 从知识到智慧：最终，我们将从数据中提炼出的知识转化为实际行动建议。通过增加狗类相关网站的广告宣传，我们能够有效提高狗类的参与率。此外，我们还探讨了如何优化广告策略，提升不同宠物类别的参与度。

这些洞察为活动组织者提供了可操作的策略，不仅帮助他们理解现有数据，还推动他们做出基于数据的决策，从而提升活动的参与效果。

对DIKW过程的反思

DIKW金字塔为我们提供了一个清晰的框架，帮助我们在数据分析过程中实现从简单数据到深刻洞察的转变。通过这一过程，我们首先从原始数据出发，提取出有用的信息，并对信息进行解释，最终形成指导决策的知识和智慧。

  • 数据：我们从活动的原始数据中提取了参与人数和广告宣传网站数量等信息，开始了数据的探索。
  • 信息：通过对数据的整理和分类，我们识别出了猫和狗在活动中的参与比例，并将广告宣传网站数量与参与人数联系起来，形成了有意义的信息。
  • 知识：通过计算每个宠物类别的参与人数与广告宣传网站的比率，我们获得了洞察，了解了广告宣传对参与率的影响。
  • 智慧：最终，我们通过提出增加狗类广告宣传的建议，将这些知识转化为智慧，推动活动的优化和改进。

DIKW金字塔帮助我们有效地组织分析过程，并将数据转化为实际可操作的策略。这个过程不仅帮助我们理解数据背后的故事，更为我们提供了指导行动的框架。

下一步：数据分析的进一步发展

虽然我们在本文中已经展示了如何将数据转化为知识并提出行动号召，但数据分析和数据叙事的工作远未结束。在未来，以下几个方向可以进一步提高数据分析的深度和广度：

  • 数据的进一步清洗与处理：虽然我们已经清洗和处理了数据，但在实际应用中，数据质量始终是影响分析结果的关键因素。未来，随着数据量的增大，我们可能需要进一步清洗更多的数据，并对数据进行更深层次的整合。

  • 更复杂的分析方法：随着数据分析工具和技术的不断发展，机器学习、人工智能等技术将成为分析的有力补充。我们可以进一步使用这些技术深入挖掘数据中的潜在模式和趋势，以提供更加精准的预测和决策支持。

  • 动态数据叙事：除了静态数据报告和图表，未来的商业决策将更加依赖于动态数据叙事。这种叙事可以基于实时数据变化，帮助决策者做出即时响应。通过持续更新和实时数据反馈，我们可以更灵活地调整策略，应对市场变化。

  • 更全面的受众反馈机制：在数据叙事过程中，受众的反馈是至关重要的。通过建立更全面的反馈机制，我们可以让受众不仅仅是信息的接收者，还能够成为数据故事的参与者。通过收集他们的意见和建议，我们可以不断优化数据叙事的内容和形式，使其更加符合受众的需求。

总结

数据叙事不仅仅是对数字的展示，它是将数据背后的故事传递给受众的艺术。在本文中，我们通过逐步转化数据为信息、知识和智慧，展示了如何在商业决策中利用数据推动行动和优化策略。通过这一过程，我们不仅帮助决策者理解数据，更帮助他们从数据中提炼出可操作的智慧，进而影响实际业务成果。

未来，随着数据分析技术和工具的不断发展，我们将能够更好地利用数据驱动决策、推动创新，并在日益激烈的市场竞争中保持领先地位。

💻交互式文档 💬向助教提问 🧺采集数据

13. 动态词云与商品关键词共现数据的可视化
15. 快速用Vega实现数据可视化