推荐数据可视化类型清单

以下为针对“电商订单数据（按月趋势，按品类与地区分组；指标：GMV、订单数、客单价）”的5种推荐可视化类型及技术说明：

1) 多面板月度趋势折线图（Small Multiples）
- 目的：对时间序列进行稳定对比，分别观察GMV、订单数、客单价的月度变化。
- 编码：横轴=月份；纵轴=各指标；将三个指标分成并排的小面板，共享时间轴。
- 设计要点：
  - 指标分面而非同轴叠加，避免量纲差导致误判。
  - 可按地区或品类使用颜色分组或再分面（例如按地区分面、按品类用颜色）。
  - 添加移动平均或同比/环比辅助线以提升趋势可读性；缺失月份需显式显示为零或空值。

2) 类别×地区热力图矩阵
- 目的：发现细分维度（品类×地区）的表现差异与热点。
- 编码：行=品类，列=地区，色值=指标（GMV、订单数或客单价，可切换）。
- 设计要点：
  - 提供绝对值（GMV/订单数）与归一化/占比视图（例如每地区内的品类占比）以兼顾规模与结构。
  - 色阶需感知线性与极值，建议对GMV采用对数或分位数色标以减少头部放大效应。
  - 显示行/列边际合计以辅助比较；支持交互高亮Top-N单元格。

3) 构成分析堆叠柱状图（绝对堆叠 + 100%堆叠）
- 目的：比较不同地区或月份中，各品类对GMV的构成与占比变化。
- 编码：横轴=地区或月份；堆叠分组=品类；柱高=GMV（绝对堆叠）或各品类占比（100%堆叠）。
- 设计要点：
  - 绝对堆叠用于规模对比，100%堆叠用于结构对比；两种视图建议并置或可切换。
  - 若按月份展示，控制品类数量（聚合至Top-N，其余合并为“其他”）维持可读性。
  - 标注合计GMV与关键品类占比变化，辅助识别季节性与结构迁移。

4) 排名条形图（Top-N，双指标叠加）
- 目的：识别头部品类或地区的规模与质量差异。
- 编码：纵轴=品类或地区（按GMV排序）；横轴=GMV（条形长度）；以点或颜色叠加第二指标（客单价或订单数）。
- 设计要点：
  - 提供筛选（月份、地区/品类）与度量切换（GMV/订单数/客单价）。
  - 使用条点图（条=GMV，点=客单价）便于同时比较规模与单客价值。
  - 显示环比/同比标记（箭头或颜色）强调趋势，而非仅静态排名。

5) 气泡散点图（订单数×客单价，气泡大小=GMV）
- 目的：探索规模（订单数）与质量（客单价）的组合关系及异常点。
- 编码：横轴=订单数；纵轴=客单价；气泡大小=GMV；颜色=品类或地区；可按月份分面。
- 设计要点与注意事项：
  - 客单价=GMV/订单数，三者存在确定关系，气泡面积等于坐标轴乘积，因此用于识别“高客单价低订单数”与“低客单价高订单数”的策略位形更合适，避免将其视为独立统计关系。
  - 对订单数与客单价可考虑对数坐标，缓解极值与密集区拥挤。
  - 标注异常点与重点分组，支持框选与细节下钻。

补充建议
- 指标衍生与一致性：确保客单价以 GMV / 订单数一致计算，并在图例或标题中明确说明。
- 汇总层级：时间粒度统一为月；品类与地区命名规范化，必要时进行层级映射（如大类/小类）。
- 交互与可读性：提供筛选（时间窗口、地区、品类）、度量切换、Top-N控制、标签显示开关，提升分析效率。

以下为满足“按版本与渠道分段，对比新老功能使用率及核心转化”的5种可视化类型建议及要点：

1) 分段多面板漏斗图
- 目的：对比不同版本×渠道组合在安装→注册→激活→新功能使用→核心转化各阶段的转化与流失。
- 编码：每个面板一个漏斗；阶段条高度或宽度按用户数；标注阶段转化率与相邻阶段的环比转化率。
- 设计要点：统一量纲与轴尺度；按版本或渠道着色一致；在低样本面板显示样本量以防误读。

2) Cohort留存热力图（分面）
- 目的：展示按首次安装时间的留存轨迹，并分版本/渠道比较留存对核心转化的支撑。
- 编码：行为安装周（或日），列为留存天/周，颜色为留存率；分面按版本或渠道。
- 扩展：并排两张热力图分别显示新功能与老功能使用覆盖率，以观察功能使用与留存的耦合。

3) 新旧功能使用率分组/百分比堆叠条形图
- 目的：量化对比不同版本或渠道下新旧功能的使用渗透率与相对占比。
- 编码：x为版本或渠道，y为用户占比；分组条用于绝对对比，百分比堆叠条用于结构占比对比。
- 设计要点：显示置信区间或误差线；标注样本量与统计口径（如活跃用户、首日用户）。

4) 转化路径桑基图
- 目的：揭示从渠道→版本→功能使用→核心转化的主路径流量与瓶颈。
- 编码：节点为阶段，连线宽度为用户数或会话数；颜色区分版本或渠道。
- 设计要点：限制节点粒度（聚合相近版本或渠道）以提升可读性；突出占比最高的路径并标注路径转化率。

5) 时序线图（带事件标记）
- 目的：跟踪核心转化率/留存率随时间的变化，并评估新功能上线对不同版本/渠道的影响。
- 编码：x为时间（按日/周），y为转化率或留存率；多条线分别对应版本或渠道；在新功能上线点添加事件标记。
- 设计要点：使用滚动平均与置信区间带；标注上线前后区间的差值与显著性提示（如Δ、p值或区间估计）。

上述组合可覆盖漏斗阶段对比、留存轨迹、功能使用结构、路径贡献及时序影响，便于系统性诊断版本与渠道差异下的新/老功能使用与核心转化表现。

以下为“渠道投放与素材表现（按渠道、素材类型分层）、用户画像与转化趋势对比”场景下推荐的5种可视化类型及技术要点：

1) 分面分组柱状图（Channel × CreativeType）
- 目的：在渠道与素材类型双层分组下对比核心KPI（如曝光、点击、CVR、CPA、ROI），识别哪类素材在各渠道表现最优/最劣。
- 维度/度量：channel、creative_type（分组）；metrics：impressions、clicks、conversions、CTR、CVR、CPA、ROAS/ROI。
- 编码建议：按channel分面（小 multiples），每个分面内按creative_type分组柱；同一指标拆图或使用切换控件避免多指标同图造成读取困难。
- 预处理：统一口径计算（CVR=conversions/clicks，CPA=cost/conversions），过滤低样本量素材（阈值如impressions<1000），标准化命名渠道/素材类型。
- 注意：控制柱数量（≤8/分面）避免拥挤；对极端值可使用对数轴或标注。

2) 层级树图/旭日图（Treemap/Sunburst）
- 目的：展示投放份额结构与资源配置，按“渠道→素材类型”层级查看花费/曝光占比及集中度。
- 维度/度量：hierarchy = channel → creative_type；size = spend或impressions；color = ROI或CVR（连续色带）。
- 编码建议：Treemap更利于比较面积占比；若需展示3层（如再细到创意ID），可用Sunburst。
- 预处理：合并长尾素材（Other）提升可读性；对ROI/CVR做winsorize处理（如1%/99%）减少色彩失真。
- 注意：用离散色表示channel、连续色表示绩效，避免色彩冲突；提供悬浮卡片显示明细。

3) Sankey流图（Channel → CreativeType → Persona → Conversion）
- 目的：刻画用户从渠道流入、被不同素材触达、进入不同用户画像分层并最终转化的流向与漏失，识别高效路径。
- 维度/度量：nodes：channel、creative_type、persona、conversion_outcome（converted/non-converted）；links：用户数或会话数，支持权重为贡献转化数（或加权 by attribution）。
- 编码建议：边宽表示量级；颜色按channel或persona统一编码；可提供点击高亮路径。
- 预处理：归因策略需声明（last-click/position-based/data-driven），多触点需去重或按规则分配权重；清洗bot/内部流量。
- 注意：节点数控制在可读范围（每层≤8）；对非转化路径可聚合为“其他”。

4) 分面时间序列线图/面积图（趋势对比）
- 目的：对比不同用户画像、渠道或素材类型的转化趋势（CVR、CPA、ROAS、转化量），识别季节性、波动与突变。
- 维度/度量：date（按日/周）、persona或channel/creative_type（分面或多线）；metrics：CVR、CPA、ROAS、conversions。
- 编码建议：按persona分面，每个分面内对比主要渠道/素材类型的多线；加入7日/14日滚动均线平滑短期噪声。
- 预处理：时间对齐（缺失补零或插值），节假日/活动标记；异常点检测（如3σ）并注释。
- 注意：限制每个图中的曲线数量（≤4）避免重叠；统一时间粒度（周更稳健）。

5) 气泡散点图（规模-效率关系）
- 目的：评估投放规模与效率的权衡，识别“高量高效”“高量低效”组合，指导预算迁移。
- 维度/度量：x=CPA或CPC，y=CVR或ROAS，size=spend或impressions，color=channel，shape=creative_type（或反之）。
- 编码建议：添加象限参考线（如CPA目标、CVR基线）；可切换x/y指标以查看不同效率视角。
- 预处理：去除极端小样本点（如clicks<50）；对x轴使用对数刻度处理长尾；按日期范围聚合（周/月）稳定估计。
- 注意：标注前N大气泡（按spend或conversions）以突出关键；提供缩放/刷选查看密集区域。

实施提示：
- 指标一致性：明确计算口径与归因窗口（如7D click，1D view）。
- 采样与过滤：设定可视阈值避免噪声干扰；长尾合并。
- 交互优先：筛选器（时间、渠道、素材类型、画像）、悬浮明细、路径高亮、下载明细数据。
- 可比性：同图只展示可直接对比的指标；跨图同步色板与图例，降低认知负担。