用数据讲故事修订版

一、全书概览

这本书来自一个在 Google 做了多年数据分析的人。科尔·努斯鲍默·纳福利克在 Google 内部负责培训和推动数据可视化最佳实践，离开 Google 后创办了 storytelling with data 公司，专门教企业和个人怎么把数据"讲"好。

书的定位很明确：不是教你画炫酷图表，而是教你在商业场景里用数据说服人。它面向的是需要做汇报、做 presentation、写报告的职场人，不是设计师，也不是数据科学家。

全书围绕 6 个核心课程展开：

上下文的重要性——先搞清楚"给谁看、要达成什么"
选择合适的图表——别再默认用饼图了
消除杂乱——删掉一切不帮忙的东西
聚焦注意力——用视觉设计引导观众的目光
像设计师一样思考——排版、留白、对齐、文字
用故事串联——把数据变成一个完整的叙事

修订版在原版基础上增加了更多练习案例和"我们来练习"板块，实用性更强。整本书最大的特点就是前后对比法——几乎每个知识点都配了"改造前 vs 改造后"的图表，一目了然。

豆瓣评分 8.1，是数据可视化领域被推荐最多的入门书之一。但它也有明显短板：更偏重图表设计层面的技巧，"讲故事"的理论框架偏薄。如果你想学叙事结构、剧情设计，还需要搭配其他书（比如《Made to Stick》或《Storyworthy》）。

适合谁读？ 经常做数据汇报的分析师、产品经理、运营、咨询顾问。不适合想学 D3.js 或 Tableau 操作的人——这本书不教工具，教的是思维。

二、逐章要点

第1章：上下文的重要性

"如果我早知道会这样解释，我就用不同的方式来表达了。"

很多人做数据可视化时的第一步是打开 Excel 或 Tableau，选个图表类型，把数据丢进去。科尔说这是错的。第一步应该是搞清楚上下文。

她提出了一个"3 分钟故事"框架：如果你只有 3 分钟时间，你要传达的最重要的信息是什么？这个问题能帮你砍掉 80% 不重要的东西。

| 要素 | 问题 | 示例 | |------|------|------| | 受众 | 谁来看？他们懂多少？ | CMO vs 数据工程师，解释粒度完全不同 | | 沟通机制 | 什么时候看？怎么传递？ | 现场演讲可以逐步展示，邮件附件需要自解释 | | 期望的反馈 | 你要对方做什么？ | "批准预算"vs"了解现状"——导向完全不同 |

科尔把受众分为两类：

首次接触型：对数据完全陌生，需要从背景讲起
熟悉型：了解业务，直接给结论和数据支撑

一个容易犯的错误是：把给 CEO 看的图表和给同事看的做成一样。CEO 要的是结论和行动建议，同事要的是细节和方法论。用错粒度，再漂亮的图表也是废的。

她还强调了一个反直觉的观点：最好的数据故事，往往只有一个主消息。如果你试图在一张图表里讲三件事，结果就是一件都讲不清楚。

[ ] 下次做图表前，先写下"3 分钟故事"
[ ] 明确受众是谁，他们的背景知识水平
[ ] 确定你期望的"下一步行动"

第2章：选择合适的图表

"选择错误的图表类型，就像用叉子喝汤——工具不对，结果可想而知。"

这一章是全书技术含量最高的一章。科尔没有列出一堆图表类型的百科全书式介绍，而是按你想表达的关系来分类：

| 你想展示什么 | 推荐图表 | 避免使用 | |-------------|---------|---------| | 随时间变化趋势 | 折线图 | 饼图、条形图 | | 不同类别对比 | 水平条形图 | 饼图（类别多时）、3D 图 | | 组成部分占比 | 饼图（≤5 类）或堆叠条形图 | 多层饼图、环形图 | | 相关性 | 散点图 | 3D 散点图 | | 地理分布 | 地图 | 饼图叠加在地图上 |

关于饼图，科尔的立场非常鲜明：大多数时候不该用饼图。原因是人类不擅长比较角度大小。她给了一个经典案例：一个饼图有 6 个切片，你要比较其中两个 23% 和 25% 的切片——几乎不可能。换成条形图，差异一目了然。

她建议的决策流程：

明确你要展示的关系类型（趋势、对比、占比、相关性、分布）
根据数据特征做二次筛选（数据量、类别数量、时间跨度）
选择最简单、最直接的图表类型

另一个实用的建议：不要害怕用文字。有时候一两个大数字比一张复杂的图表有效得多。书中有一个案例：展示"客户满意度从 72% 上升到 89%"，直接用两个大数字 + 箭头，比任何图表都清楚。

[ ] 检查最近 5 张图表，是否用了最合适的类型
[ ] 默认用水平条形图替代饼图试试
[ ] 能用数字说清楚的，别画图表

第3章：消除杂乱

"每次你在图表上加一个元素，你都在强迫受众的大脑做一次处理。"

这一章的核心思想用一句话概括：少即是多。

科尔提出了一个"认知负荷"的概念，引用了认知心理学的研究：人类的工作记忆一次只能处理 4±1 个信息块。你往图表里塞的东西越多，受众需要处理的信息就越多，理解你的核心信息就越难。

她列了一张"视觉杂乱清单"：

| 杂乱类型 | 具体表现 | 处理方式 | |---------|---------|---------| | 边框 | 图表外框、图例框、数据标签框 | 删除 | | 网格线 | 过多的水平/垂直网格线 | 只保留必要的，降低不透明度 | | 数据标签 | 每个数据点都标注数值 | 只标注关键数据点 | | 图例 | 把图例放在图表右侧 | 直接标注在数据旁边 | | 背景填充 | 灰色或彩色背景 | 去掉，用白色背景 | | 3D 效果 | 3D 柱状图、3D 饼图 | 永远不用 3D | | 过多颜色 | 每个数据点一个颜色 | 用单一颜色 + 高亮色 |

书中最令人印象深刻的案例是"改造前 vs 改造后"对比：一张 Excel 默认输出的图表，经过去除边框、删除多余网格线、简化颜色、去掉图例、添加直接标注，变成了一张干净、信息聚焦的图表。同样的数据，传达力完全不同。

科尔还提到了"数据墨水比"（Data-Ink Ratio）这个概念，来自 Edward Tufte：图表中用于展示数据的墨水占总墨水的比例。比例越高，信息效率越高。她建议不断问自己："这个元素如果删掉，信息会丢失吗？"如果不会，就删掉。

[ ] 打开最近做的图表，逐个删除非必要元素
[ ] 把网格线不透明度降到 20% 以下
[ ] 去掉所有 3D 效果和渐变色

第4章：聚焦注意力

"你没法控制受众看什么，但你可以引导他们先看什么。"

如果说第 3 章是"做减法"，第 4 章就是"做减法的基础上做加法"——但只加在关键信息上。

科尔的策略是先灰掉一切，再突出重点。具体手法包括：

| 手法 | 适用场景 | 效果 | |------|---------|------| | 颜色高亮 | 需要强调某个数据点/类别 | 灰色背景 + 一处亮色 | | 粗细/大小对比 | 折线图中突出一条线 | 目标线加粗，其他线变细变灰 | | 标注/箭头 | 指向关键数据点 | 配合文字说明"为什么这里重要" | | 框选 | 圈出关键区域 | 适合展示时间段的异常 | | 动画（PPT 中） | 逐步展示信息 | 控制信息出现节奏 |

书中一个经典案例是"季度销售额对比"图表：12 个月的数据中，只有 Q3 的数据用蓝色高亮，其他全部灰色。不需要任何解释，观众的眼睛自然会被吸引到 Q3 上。

她还强调了"视觉层次"的概念：人眼会按照大小 → 颜色 → 位置 → 形状的顺序关注元素。利用这个规律，你可以控制受众的阅读路径。

一个容易被忽略的细节：高亮只高亮一个。如果你在图表里高亮了三个数据点，等于没有高亮——因为受众不知道你到底想让他们看哪个。

[ ] 选一张重要图表，尝试"灰掉一切 + 突出一个"的处理
[ ] 检查每张图表，是否只有一个视觉焦点
[ ] 在关键数据点旁添加文字标注

第5章：像设计师一样思考

"好的设计不是让你注意到设计本身，而是让你更快地理解信息。"

这一章跳出了"数据"的范畴，进入了平面设计的领域。科尔承认自己不是专业设计师，但她从实践中提炼出了一套普通人也能用的设计原则。

核心原则——格式塔原则在数据可视化中的应用：

亲近性：相关的元素靠近放置。图例和数据之间的距离越近，识别越快
相似性：相似的样式代表相似的类别。颜色编码要一致
对齐：所有元素要有明确的对齐线。左对齐 > 居中对齐（更易扫描）
对比：重要元素和次要元素之间要有明显区别
留白：给内容呼吸的空间。密密麻麻的图表让人本能地想逃避

关于文字的使用，科尔有几个非常具体的建议：

标题应该传达信息，而不是描述数据。"季度销售趋势"是描述型标题；"Q3 销售额同比增长 23%，创历史新高"是信息型标题。后者直接告诉受众"看这个"。
图例是最容易被误用的元素。大多数时候，直接在数据旁边标注比用图例更好。
轴标签不要倾斜。水平标签比 45 度倾斜标签阅读速度快 3-5 倍。如果标签太长，用水平条形图。

她还提到了一个实用技巧：两栏布局。左边放图表，右边放关键要点或文字说明。这样受众不需要在图表和页面其他位置之间来回扫视。

[ ] 把所有"描述型标题"改写为"信息型标题"
[ ] 检查对齐方式，统一使用左对齐
[ ] 在重要图表旁增加留白

第6章：故事叙事

"没有上下文的数据只是一堆数字。没有数据的故事只是一堆观点。把两者结合起来，你才有说服力。"

这是全书最"软"但也最有价值的章节。科尔用了一个简单的故事结构：

现状 → 问题 → 解决方案 → 行动

具体来说：

设定场景：用一个令人惊讶或反直觉的数据点开头（"你知道吗，我们 60% 的客户流失发生在第一个月"）
制造冲突：展示问题的严重性或复杂性（"而且这个数字在过去三个季度持续上升"）
提供方案：用数据支撑你的建议（"我们的分析发现，前 7 天的引导流程是关键瓶颈"）
明确行动：告诉受众接下来该做什么（"我建议在 Q2 重新设计引导流程，预计可以将首月流失率降低 15%）

科尔还讲到了口头叙事和视觉展示的配合。在演讲场景中，PPT 不应该写满文字——它应该和你的口头表达互补，而不是重复。PPT 展示数据和关键结论，你用嘴巴讲"为什么"和"所以呢"。

她特别批评了"数据倾倒"（data dump）式的汇报——把 30 张图表堆在 PPT 里，从第一张念到最后一张。她说这种做法的问题不在于图表质量，而在于缺乏叙事弧线。受众听完 30 张图表后，记住的只有第一张和最后一张。

关于"如何应对不同类型的受众"，她给了几个实用建议：

高管的 CEO：用 1 页纸，1 个关键结论，1 个行动建议
业务部门负责人：用 3-5 页，展示数据和业务影响
技术团队：可以给更多细节，但仍然要明确结论
[ ] 为下一次汇报设计一个"现状→问题→方案→行动"的故事线
[ ] 把汇报页数砍到原来的 1/3
[ ] 确保每张图表都回答"所以呢（so what）"

第7章：综合案例——把所有课程串起来

"理论都懂了，来实战吧。"

这一章是全书的"考试"。科尔用几个完整的真实案例，展示了如何把前 6 章的方法论串起来应用。

案例涵盖了不同场景：

季度业务回顾：给管理层看的，需要简洁有力
产品 A/B 测试结果：给产品团队看的，需要展示统计显著性
市场分析报告：给跨部门团队看的，需要平衡不同受众的需求

每个案例的展示流程都是一样的：

原始数据/默认图表（改造前）
分析：受众是谁？核心信息是什么？
选择图表类型
消除杂乱
聚焦注意力
添加叙事元素
最终版本（改造后）

这种"手把手"的展示方式是全书最大的优点之一。你不只是学到了"应该这样做"，还看到了"具体怎么做"。

最有意思的一个案例是"月度营销效果报告"的改造。原始版本有 12 张图表，包括各种折线图、柱状图、饼图，密密麻麻塞在 5 页 PPT 里。科尔把它浓缩成 3 张图表 + 1 页执行摘要，但信息量反而更多——因为去掉了重复和冗余，每张图表都聚焦一个核心问题。

[ ] 拿一个真实的汇报材料，按书中的 7 步流程改造
[ ] 找一个同事做 A/B 测试：对比改造前后的理解效果

第8章（附录部分）：实战练习与资源

"光看不练假把式。"

修订版的附录部分增加了大量练习素材，包括：

改造前图表素材：书里提供的原始图表，让你自己动手改造
自评清单：检查你的图表是否满足 6 大原则
推荐阅读：进一步学习的书单和资源

科尔推荐了几个她认为值得看的资源：

Edward Tufte 的《The Visual Display of Quantitative Information》（数据可视化领域的"圣经"）
Stephen Few 的《Show Me the Numbers》（更偏向技术层面的图表设计）
Nancy Duarte 的《Resonate》和《Slide:ology》（关于演示文稿设计）
Chip Heath & Dan Heath 的《Made to Stick》（关于如何让信息被记住）

附录还提供了一个"图表自评清单"，值得每次做完图表后对照检查：

图表类型是否适合你要展示的关系？
是否有非必要的元素可以删除？
是否有一个明确的视觉焦点？
标题是否传达了核心信息？
受众是否能在 5 秒内理解这张图表？
这张图表是否回答了"所以呢"？

[ ] 下载书中的练习素材，完整做一遍改造练习
[ ] 把"图表自评清单"打印出来贴在工位上

三、关键概念速查

1. 认知负荷（Cognitive Load）

人类工作记忆一次只能处理 4±1 个信息块。图表越复杂，受众理解核心信息的难度越大。做图表的本质工作就是降低认知负荷。

2. 数据墨水比（Data-Ink Ratio）

来自 Edward Tufte 的概念。图表中用于展示数据的"墨水"占总"墨水"的比例。比例越高，信息效率越高。公式：数据墨水比 = 数据墨水量 / 总墨水量。追求接近 1.0。

3. 预注意力属性（Preattentive Attributes）

人眼在意识处理之前就能感知到的视觉特征，包括颜色、大小、形状、位置、线条粗细等。利用这些属性引导注意力，比用文字说明更快速有效。

4. 格式塔原则（Gestalt Principles）

人类视觉系统自动组织的规律，包括亲近性、相似性、连续性、闭合性、共同命运。在图表设计中应用这些原则，可以让信息结构更清晰。

5. 故事弧线（Narrative Arc）

数据叙事的基本结构：设定场景（Hook）→ 制造冲突（Conflict）→ 提供方案（Resolution）→ 明确行动（Call to Action）。这不是文学创作的专利，商业汇报同样需要。

6. 视觉层次（Visual Hierarchy）

通过大小、颜色、位置、对比等手段，在视觉上建立信息的重要性排序。让受众先看到最重要的东西，再看次要的。

7. "所以呢"测试（So What Test）

做完图表后问自己："所以呢？"如果图表本身不能回答这个问题，说明缺少结论或行动建议。数据展示的终点不是"展示数据"，而是"推动行动"。

四、核心框架/模型

模型一：SWD 六步法

理解上下文 → 选择图表 → 消除杂乱 → 聚焦注意力 → 设计优化 → 讲述故事

这是全书的核心框架，每一步都有对应的方法论和检查清单。它的价值在于提供了一个可重复的工作流程，而不是一堆零散的技巧。

模型二：3 分钟故事模板

| 步骤 | 问题 | 输出 | |------|------|------| | 1 | 受众是谁？ | 一句话描述受众画像 | | 2 | 我要传达什么？ | 一句话概括核心信息 | | 3 | 我要他们做什么？ | 一个明确的行动项 |

模型三：图表改造 SOP

原始图表
    ↓
① 确认核心信息（一句话）
    ↓
② 切换图表类型（如果需要）
    ↓
③ 删除所有非数据元素（边框、3D、渐变）
    ↓
④ 降低网格线不透明度或删除
    ↓
⑤ 去掉图例，改为直接标注
    ↓
⑥ 灰掉非关键数据，高亮一个焦点
    ↓
⑦ 重写标题（描述型 → 信息型）
    ↓
⑧ 添加必要的文字说明
    ↓
最终版本

模型四：数据叙事结构

Hook（钩子）
  ↓ 用一个反直觉的数据点开场
Context（背景）
  ↓ 解释这个数据点为什么重要
Conflict（冲突）
  ↓ 展示问题的严重性/趋势
Resolution（方案）
  ↓ 用数据支撑你的建议
Call to Action（行动呼吁）
  ↓ 明确告诉受众下一步做什么

五、金句摘录

"如果你不能在 5 秒内解释清楚一张图表的核心信息，那它就不是一张好图表。"
"我们不是在做艺术创作，我们是在做沟通。如果受众没有理解你的信息，不管图表多漂亮，你都是失败的。"
"最好的数据可视化，是受众看不到可视化的存在——他们只看到了你想说的故事。"
"饼图是数据可视化的'舒适区'——人们用它不是因为它是最好的选择，而是因为它是最熟悉的选择。"
"每次你在图表上加一个元素，问自己：删掉它会丢失信息吗？如果不会，就删掉。"
"数据本身不会说话。是你在替数据说话。你选择展示什么、不展示什么、怎么展示，都在传递你的判断。"
"不要让你的受众做你该做的工作。分析、提炼、总结——这些是你的事。他们的任务是决策。"

六、行动清单

每天

[ ] 做任何图表前，先写下一句话的核心信息
[ ] 问自己"这张图表回答了'所以呢'吗？"
[ ] 默认用白色背景、无 3D、无多余边框

每周

[ ] 回顾本周做过的图表，选一张做"减法改造"
[ ] 读一个优秀的数据可视化案例（推荐：storytellingwithdata.com 的每月挑战）
[ ] 尝试把一个饼图改成条形图，对比信息传达效果

每月

[ ] 用 SWD 六步法完整改造一个真实的汇报材料
[ ] 找一个同事或朋友做"5 秒测试"——他们能在 5 秒内理解你的图表吗？
[ ] 复习一个章节，重新做一遍书中的练习
[ ] 整理一个"改造前后对比"的作品集，记录自己的进步

七、一句话总结

数据可视化的本质不是画图，是沟通——用最少的视觉元素，传达最准确的信息，推动最明确的行动。

八、读者热议

热议一："入门书定位准确，但深度有限"

不少读者认为这本书的价值在于纠正错误习惯。很多人之前做的图表都是 Excel 默认输出，这本书能帮你建立正确的审美和方法论。但如果你已经有一定基础，会觉得后半部分内容偏基础。有读者评论："适合 0-1 年经验的分析师，3 年以上的可能只需要翻翻前两章就够了。"

热议二："重设计轻叙事"

这是一个比较普遍的批评。书名叫"用数据讲故事"，但实际内容大概 70% 在讲图表设计，30% 在讲故事。有读者直言："期待看到更多关于叙事结构、如何构建数据故事的内容，但大部分篇幅在讲怎么去网格线、怎么改颜色。"如果你对"讲故事"的部分更感兴趣，建议搭配《Made to Stick》或《Talk Like TED》一起看。

热议三："案例大多来自商业场景，数据科学领域的覆盖不足"

书中案例主要集中在销售数据、市场分析、季度报告这类商业场景。对于做机器学习模型解释、统计检验结果展示、实验数据呈现的数据科学家来说，适用性有限。有读者建议："希望增加更多技术场景的案例，比如如何展示 A/B 测试的统计显著性、模型特征重要性等。"

热议四："改造前后对比是全书最大的亮点"

几乎所有正面评价都提到了这一点。科尔不是在讲抽象理论，而是给你看真实的改造过程。这种"手把手"的教学方式比单纯的理论讲解有效得多。有读者说："看完书之后，我回去把团队的月报模板全部改造了一遍，老板直接问我是不是请了外部设计公司。"

以下为豆瓣及公开平台读者热评补充（2026-04-28）

⭐⭐⭐⭐⭐ 豆瓣读者@数据从业者

对于搞数据的人来说是经典必读书。数据分析与呈现对于很多职场人都是很烦的事，缺少有人真正去看透现象找到本质。《用数据讲故事》就是这样的书——按照步骤来，不仅能让你的数据经得起推敲，甚至还能从中得到从未有过的新发现。数据还是那坨数据，给谁讲、讲什么、怎么讲，全是门道。

认同度：90%。 精准概括了这本书的核心价值。数据分析的最终目的是沟通，而不是自嗨。很多人把数据做得很精美但没人看得懂，这本书就是在解决这个问题。

⭐⭐⭐⭐ 豆瓣读者@入门分析师

这本书最大的优点是降低了数据可视化的门槛。之前做的图表都是Excel默认输出，看完书后建立起了正确的审美和方法论。改造前后对比是全书最大亮点，科尔不是在讲抽象理论，而是给你看真实的改造过程。

认同度：85%。 「改造前后对比」确实是这本书最有说服力的教学方式。不过如果你已经有3年以上的数据分析经验，后半部分可能会觉得偏基础。

⭐⭐⭐ 豆瓣读者@数据科学家

案例大多来自商业场景（销售数据、市场分析、季度报告），对于做机器学习模型解释、统计检验结果展示、A/B测试显著性分析的数据科学家来说，适用性有限。希望增加更多技术场景的案例。

认同度：70%。 这个批评有道理。书名虽然叫「用数据讲故事」，但实际内容大概70%在讲图表设计，30%在讲叙事。如果你对「讲故事」的部分更感兴趣，建议搭配《Made to Stick》一起看。

⭐⭐⭐⭐ 豆瓣读者@演讲者

作者还有一本姊妹篇《演讲就是讲故事》，和这本书搭配阅读效果更好。《用数据讲故事》解决的是「怎么把数据可视化做好」，姊妹篇解决的是「怎么把可视化的数据讲好」。两本一起读，从设计到表达就完整了。

认同度：有用建议。 对于需要做数据汇报的人，这个搭配确实合理。先学怎么做好图表，再学怎么做好演讲，形成完整的「数据故事」闭环。

笔记生成：2026-04-28 by 喵喵 🐈

📚 喵喵的笔记库

探索