如何设计好水平条形图

一、背景

1. 问题

线上水平条形图应用如下图所示，效果比较差：

运营方面，只有两个业务场景。主要原因有：

• 组件能力无法满足运营场景需求，配置不出竞品或预期效果，最终选择其他折中展示；
• 运营无法通过一个水平条形图去联想可能的应用场景有哪些，需要被启发。

设计方面，有很多设计缺陷：

• 轴标签过多情况，内容无法展示；
• 轴标签右对齐，与人从左至右阅读习惯相冲突，阅读不连贯问题；
• 柱间距大于柱子宽度，产生的留白会影响柱子识别；
• 重点信息数据标签淹没在整个图里，影响识别效率。

2. 设计目标

基于以上问题，对水平条形图进行升级，能够支持更多业务场景，提升图表细节体验：

• 场景方面，以当前正在进行的新业务为组件的改版契机，参考东财、雪球等竞品的F10模块，寻找更多的派生场景；
• 组件设计方面，主要参考《简单的图形复杂的信息》里很多关于图表设计的人因学原则。

我们的重点把这些原则落地到开发层面，转化成具体的规则。

二、水平条形图设计的7个原则

1. 原则1：避免直条太窄，柱间距留白过多

原因：直条测量的是零散数据，如果直条太窄，柱子间距留白过多，视线就会集中在直条之间不附带数据信息的留白空间。

规则：柱宽与柱子间距的比值设定控制在1~1.6（尝试了比值为2，整体看起来比较密，行识别不佳）。

2. 原则2：控制高度，尽量在合理的高度能展示更多的内容

原因：提升纵向屏效，一屏内展示更多有效信息。

规则：令柱子数量为n，柱子宽度为a，柱间距为b，可视化纵向高度为H，情况如下：

1）0

2）9

根据已知高度H以及a与b的关系求出柱宽a与柱间距b：2.1、(2.6n-1)a/1.6=H；已知H=246,n，求出a；2.2、na+（n-1）b=H，根据a求出b。

3）11

3. 原则3：通过强调色突出重点数据

原因：通过强调色帮助用户快速提炼重点信息，形成图形结论。

规则：可以对某些柱子设置强调色：运营选择强调色。

被强调柱子除了在色彩上与普通柱子有区分外，在色彩明度上也需要有区分。

4. 原则4：大部分场景下遵循左边为负数，右边为正数原则

原因：避免只是因为视觉上舒适，导致数据的失真，给图表识别带来困惑。

规则：正数在右，负值在左边。

让负值直条更暗一些，以便他们进一步区别于正值直条：

即使数据组中没有正数，也一定不能在零基线右边绘制有负值的水平直条：

虽然是正负值，但业务上只是想强调绝对值的变化，此时负值应该当成正值处理：

5. 原则5：如果分类柱形图x轴标签展示不下时，不要去旋转或缺省，而是自动转成水平条形图的方式

原因：确保轴标签能够完成展示便于用户阅读。

规则：

错误示例：旋转、缺省后的x轴标签很难阅读。

正确示例：自动转成水平条形图，保证数据标签能够以合适的形式完整展示。

6. 原则6：让数据标签更易于阅读

原因：数据标签是用户最关注的信息，把它们适当地凸显，以合适的形式进行呈现，便于用户去提取这些关键信息。

规则：

1）可以对接口返回的数据标签进行二次编辑，以便用户更容易理解，比如图中示例：

• 当数据≥0时，描述：“增持{$numb}万元”
• 当数据<0时，描述：“减持｜{$numb}｜万元”

2）对于很长（n>8时）的一列水平直条图，将数据点右对齐标注，便于用户概览：

3）当数据标签过长时大于等于12个字符，右对齐，视觉效果会比直接跟在柱子后面要好：

4）如果轴标签采用上下布局时，无论柱子多少数据标签均跟在柱子后面，避免全部右对齐后，过大的间距会吸引用户注意：

5）数据标签颜色与图形颜色保持一致，避免使用默认颜色，增强数据之间的对比：

错误示例：

正确示例：

7. 原则7：对于很长（n>8时）的一列水平直条图，通过辅助线让整体更易于读取

原因：我们记一个手机号码、身份证号码时，会习惯分段记忆。

比如15852089389会记忆成158-5208-9389，这是由于我们短期记忆特征决定的。短期记忆的特征同样影响我们对于较长水平直条图的阅读。

规则：当柱子数量n≥8时，并且轴标签长度小于等于6个字，展示辅助线，方便用户进行分段阅读（辅助线位置：4跟柱子一组，每组后面一根辅助线，最后一组不展示辅助线）：

三、后续展望

图表承载数据，图表的体验影响用户对于数据内容有用性的感知，如何通过用户的行为数据验证内容的有用性得到提升，可以按照新旧场景去设计实验：

• 旧场景（线上已经有该场景，只是对该场景进行优化）：优化后的组件切5%的流量，和旧场景进行比较，如果行为数据得到正向提升，以5%为步长逐步放量至100%（全量替换）；
• 新场景（线上没有该场景，我们新增了场景）：我们以业务目标为准，由产品去评估是否达到预期，如果没有达到是内容的原因还是组件的问题，根据假设，再通过控制变量进行小流量实验，找到提升业务的关键点。

参考资料

[1]黄慧敏. 最简单的图形与最复杂的信息[M]. 浙江人民出版社, 2013.

#作者#

UE小牛犊，微信公共号：交互实验狮。关注产品思考、用户体验分析、交互研究，致力于UX方法论的探索和实践。

本文

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！