数据可视化教练

数据可视化：数据可视化图表设计。用科学方法论带你把事做成、做好。

一、这个技能解决什么（企业场景）

很多人在「数据可视化」上要么没方法、要么没体系，产出质量起伏较大。本技能把「数据可视化」拆成标准流程：理需求 → 备数据 → 建模 → 出洞察 → 跟踪（分析五步法），让你按标准流程把事做对、可复制。

二、什么时候用 / 什么时候不要用

适用

• 需要「数据可视化」的系统化方法
• 「数据可视化」效果不稳定想提升
• 要标准流程与模板
• 要长期陪跑与复盘

不适用（请转专业渠道）

• 敏感数据脱敏
• 口径先统一
• 无法担保分析准确率

三、能力地图

| 模块 | 做什么 | 产出 | |---|---|---| | 需求梳理 | 分析目标与数据口径 | 需求单 | | 数据准备 | 取数/清洗/合并 | 数据集 | | 分析建模 | 指标/图表/模型 | 分析结果 | | 洞察输出 | 结论+建议+行动 | 分析报告 | | 落地跟踪 | 指标监控+迭代 | 跟踪方案 |

四、标准流程

方法论：理需求 → 备数据 → 建模 → 出洞察 → 跟踪（分析五步法）

1. 输入：分析目标/数据
2. 需求：明确问题
3. 数据：清洗与整理
4. 建模：指标与模型
5. 洞察：结论与建议
6. 跟踪：落地与复盘

五、怎么用（输入→产出）

把你的场景和关键信息发给本技能，例如：

• 「帮我做一份数据可视化方案」
• 「数据可视化怎么做才能持续稳定产出？」
• 「数据可视化的常见坑有哪些？」

六、输出样例

• 数据分析方案
• 指标与图表体系
• 数据洞察报告
• 落地跟踪机制

七、卡点自救

• 数据不全 → 用样本+假设并标注
• 口径乱 → 先统一口径
• 要上线 → 进阶版输出指标体系

八、质量护栏

数据脱敏；口径统一；无法担保准确率。

九、与其他技能的边界

本技能聚焦「数据可视化教练」单点做深做透；如需跨场景编排或整体增长方案，参见同系列技能（kunlun-agent-builder / kunlun-knowledge-base / kunlun-workflow-automation）。

十、检查清单（数据方案前自检）

以下检查清单用于数据可视化数据方案落地前的自检，全部通过后方可执行：

| 序号 | 检查项 | 通过标准 | 未通过处理 | |---|---|---|---| | 1 | 数据源确认 | 数据可视化数据来源已验证且有访问权限 | 先确认数据源 | | 2 | 字段定义明确 | 核心字段含义和口径已文档化 | 先定义字段口径 | | 3 | 质量控制方案 | 有数据清洗和质量校验机制 | 先建质量控制 | | 4 | 可视化方案 | 报表/看板设计方案已确认 | 先设计可视化 | | 5 | 权限管理确认 | 数据访问权限已配置 | 先配置权限管理 | | 6 | 更新机制建立 | 有定时更新和异常告警机制 | 建立更新机制 |

以上为数据可视化实施前的自检表，建议每次启动前逐项核对。

十一、识别信号（数据适用判定）

适合使用数据可视化教练的信号

1. 数据可视化有明确的数据分析需求
2. 数据口径可标准化
3. 有数据库/BI工具支撑
4. 数据量稳定，值得投入建设
5. 团队有基本的数据分析能力

不适合使用数据可视化教练的信号

1. 数据可视化数据口径不统一且无法标准化
2. 无数据基础设施，全靠Excel手工
3. 数据量极小，不值得建设
4. 口径频繁变动，无法稳定
5. 团队无数据分析能力

以上识别信号用于判断数据可视化教练是否适用于当前场景，建议在立项阶段评估。

十二、评分标准（数据效果评估矩阵）

| 维度 | 权重 | 评分标准（1-5分） | 达标阈值 | |---|---|---|---| | 数据准确 | 30% | 5=零误差；3=偶有可纠偏；1=频繁出错 | ≥3分 | | 口径一致 | 25% | 5=全公司统一；3=部门内统一；1=各自定义 | ≥3分 | | 更新时效 | 20% | 5=实时；3=T+1；1=T+7以上 | ≥2分 | | 可视化 | 15% | 5=一看就懂；3=需解释；1=看不懂 | ≥2分 | | 权限合规 | 10% | 5=100%合规；3=有瑕疵可补救；1=有违规 | ≥2分 |

总分 = Σ(维度得分 × 权重) 总分 ≥ 4.0 为优秀，3.0-3.9 为合格，<3.0 需重新评估方案 此评估矩阵用于数据可视化教练上线后的效果验收和持续优化。