1.4　探索性分析与解释性分析

探索性（Exploratory）分析表示在整体数据集中寻找价值数据点的分析过程。解释性（Expository）分析则表示对价值数据点进行解释的分析过程。《用数据讲故事》一书中这样提到二者的关系：

探索性分析是指理解数据并找出其中值得关注或分享给他人的精华。这就像在牡蛎中寻找珍珠，可能打开一百个牡蛎（尝试上百种不同的假设或者从上百种不同的角度审视数据）才碰巧找到两颗珍珠。而在向受众进行分析的时候，我们迫切希望能够言之有物，例如解释某一件事或者讲述某一个故事——或许正是关于那两颗珍珠的。

人们往往在应该进行解释性分析的时候（花时间将数据抽象为受众能够消化的信息：两颗珍珠）错误地进行了探索性分析（简单地展示全部数据：一百个牡蛎）。这种错误是可以理解的。在进行了完整的分析后，向受众展示一切是非常诱人的，因为可以以此来证明你所做的工作以及分析的可靠性。但请你抑制住这样的冲动，因为那会让受众重复打开所有的牡蛎！把注意力集中在珍珠上，这才是你的受众需要了解的信息。

在绝大多数情况下，探索在先，探索发现机会；解释在后，解释阐述价值。因此二者存在依存的关系，正如前文所述的那样，解释性可视化的重点要在珍珠上。

让我们通过以下可视化分析来解释探索性分析与解释性分析的区别。图1.4.1中为2010—2013年M公司的销售趋势。探索性分析的第一步是提出一个假设问题，例如“比较2012年和2013年的增长点在哪里”。

图1.4.1

接下来，通过对数据集的细化分析，我们发现其中很大一部分增长来自产品5125和“CustomerSegment（客户分组）”为“Consumer（消费者）”的交集，图1.4.2为数据细分可视化过程。

图1.4.2

最终，我们获取了相关的数据子集合，并对此做出了总结：产品5125是2013销售增长的重要原因之一，有四位客户为此做出了购买贡献，他们的订单优先度都是High（高）和Critical（紧急），销售有必要进一步研究如何创作更多关于产品5125的增长机会，见图1.4.3。

综上所述，从探索性可视化过渡到解释性可视化需要如图1.4.4所示的步骤。我们将在第2章为读者展示以上示例的详细实现步骤。

图1.4.3

图1.4.4