1. 商业智能可视化
1.1. 数据就是业务本身
1.2. 商业智能是对商业信息的搜集、管理和分析过程，目的是使企业的各级决策者获得知识或洞察力，促使他们做出对企业更有利的决策
1.3. 是各个互联网、移动通信、在线商业和运维部门的核心研究目标，围绕商业交易数据的可视化也是方兴未艾的研究话题
1.4. 商业智能
-
1.4.1. 早期的商业智能的定义是：通过理解并呈现事实的相互关系，引导行动朝着预期目标的能力
-
1.4.2. 定义为：包含一系列的概念和方法，通过应用基于事实的支持系统来辅助商业决策的制定
-
1.4.3. 商业智能系统一般由数据仓库、联机分析处理（OLAP）、数据挖掘、数据备份和恢复等部分组成
-
1.4.4. 涉及软件、硬件、咨询服务及应用，其基本体系结构包括数据仓库、联机分析处理和数据挖掘三个部分
-
1.4.5. 抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程
-
1.4.6. 行业主要包括银行、保险、证券、通信、制造、医疗和零售等，尤其是金融、通信和制造业信息化等比较成熟的行业
-
1.4.7. 提供商业智能解决方案软件的有微软、IBM、Oracle、SAP、Informatica、Microstrategy、SAS、SPSS、Royalsoft等公司
1.5. 商业智能中的数据可视化
-
1.5.1. 线下调研和数据分析是早期商业智能的主要工作模式
-
1.5.2. 线下调研数据的分析通常以统计学为基本手段
-
1.5.3. 随着移动互联网的兴起，在线商业数据成为新的价值源泉
-
1.5.3.1. 淘宝每天数千万用户的在线商业交易日志数据高达50TB
-
1.5.3.2. 美国黑莓手机制造商RIM一天产生大约38TB的日志文件数据
-
-
1.5.4. 结构化数据和非结构化数据
-
1.5.5. 在线商业数据呈现强烈的跨媒体特性（文本、图像、视频、音频、网页、日志、标签、评论等）和时空地理属性
-
1.5.6. 可突破传统的基于线下客访和线上调研的客户关系管理模式，实现精准的客户状态监控、异常检测、规律挖掘、人群划分和预测等
1.6. 采用"仪表盘"（Dashboard）的可视用户接口，呈现公司状态和商业环境，实现促进商业智能和性能管理活动
-
1.6.1. 线图和柱状图
-
1.6.1.1. 线图和柱状图是大多数报告应用中最有效的显示媒体
-
1.6.1.2. 线图提供完整数据集的整体概况并且显示值的变化
-
1.6.1.3. 柱状图关注局部细节，有利于比较各个数值
-
-
1.6.2. 饼图方便将部分和总体进行比较，即判断每个切片相对于总体的比例
-
1.6.3. Sparklines
-
1.6.3.1. 用于为密集型数据集设计简单、小巧的线型，嵌入于文字、数字和图像，表达趋势和模式
-
1.6.3.2. Sparklines规模小，基本目的不是提供准确的数量信息，而是以一目了然的方式显示数据集的特征模式
-
1.6.3.3. 数量的不精确可通过增加最小值、最大值、平均值等信息予以增强
-
-
1.6.4. 仪表图和子弹图
-
1.6.4.1. 仪表盘最常见的用途是报告绩效管理，因此显示关键性能指标是其关键
-
1.6.4.2. 子弹图（Bullet Graph）可用于替代仪表图
-
-
1.6.5. 气泡图、热力图、堆栈图、树图、平行坐标和辐射图
1.7. 仪表盘的设计准则
-
1.7.1. 作为单个屏幕的用户接口，仪表盘的可视设计有特殊准则
-
1.7.2. 格式塔理论*，需要满足邻近性、闭合性、简单性、连续性、边界性和连接性原则
-
1.7.3. 上下文提示
-
1.7.3.1. 仪表盘的信息组织应紧凑
-
1.7.3.2. 数据在错误的上下文环境中可能会引起读者错误的理解
-
-
1.7.4. 三维效果
- 1.7.4.1. 三维可视化增加了透视效果，但对于大部分二维可视化图符，只起到了纯粹的装饰作用
-
1.7.5. 导航和交互
-
1.7.5.1. 导航是用户界面设计中最重要的议题之一
-
1.7.5.2. 将内容分为多屏显示，降低了用户理解的效率
-
1.7.5.3. 采用恰当的交互设计方法，如变量级联展开、焦点+上下文、概览+细节等可提升观察者的用户体验
-
-
1.7.6. 图形和表
-
1.7.6.1. 小于20个数值的数据集可采用表格
-
1.7.6.2. 对于时序数据，表格则受限于数据集的尺寸，此时线图可有效地呈现数据集的整体趋势
-
1.8. 云端商业智能
-
1.8.1. 云计算的特点正是企业运行商业智能框架所需要的---无限资源、资源弹性、适度的使用成本、高可用性、高安全性、不需要升级与维护大量的服务器和数据库等
-
1.8.2. 包含仪表板和数据分析层的整个在线分析框架可以托管为软件即服务（Software-asa-Service,SaaS）
-
1.8.3. 商业智能应用程序需要符合Web服务架构标准（以及由SaaS或PaaS提供商定义的标准）
-
1.8.4. 部署大规模并行数据仓库系统，均匀分布查询负载
- 1.8.4.1. IaaS提供商应该有效地使用虚拟化服务器阵列进行管理和扩展，以满足按需分配资源
-
1.8.5. 网络体系结构的设计应使查询负载均匀分布在阵列中的服务器之间
- 1.8.5.1. 将确保阵列中的服务器处理查询的响应时间
1.9. 未来趋势
-
1.9.1. 随着商业智能在企业实践中不断的深化和企业对海量数据分析和处理能力要求的不断提升，迫使商业智能的数据可视化技术做出相应改变
-
1.9.2. 目前商业智能数据的可视化效果还不尽如人意，无法满足多样化并且个性化的需求
-
1.9.3. 以云为基础的商业智能在线服务将成为全新的商业智能部署的主流方向，研究云计算平台的大规模商业数据可视化技术是未来重要的方向
-
1.9.4. 采用可视分析方法为用户提供数据探索服务将是未来商业智能领域的亮点和趋势
-
1.9.5. 移动商业智能的普及要求数据可视化方法泛互联网化
2. 金融数据可视化
2.1. 金融数据来源
-
2.1.1. 金融数据可视化涉及的数据多种多样，包括交易、风险、公司信息、股票、基金、经济指标等。公司信息涵盖与业务相关的所有信息，例如利润、财务报表、销售额、营销数据等
-
2.1.2. 交易类别包括不同主题，例如银行客户、公司和国家等
-
2.1.3. 这些数据通常被用于提供金融风险管理、经济分析、资本市场管理、投资组合管理和市场分析等领域的可视化和可视分析
-
2.1.4. 包含公司长期股价时间序列的股票数据已被广泛用于金融数据分析，包括趋势、模式、表现和预测分析
-
2.1.5. 在板块分析中，股票通常按照基于行业定义的板块汇总
-
2.1.6. 基金分析则考虑基于投资的股票分组
-
2.1.7. 经济指标是可以影响金融市场的统计信息
-
2.1.8. 风险分析是商业和投资的重要组成部分，但对风险的可视化依然比较欠缺
2.2. 金融数据分析的自动化方法
- 2.2.1. 金融数据可视化中的聚类主要使用*k-means和SOM
2.3. 金融数据可视化方法
-
2.3.1. 金融数据主要倾向于一组具有各种属性的时间序列数据，因此*折线图是最常见的可视化金融数据的方式
-
2.3.2. 其他可视化技术也被应用于金融数据中，包括平行坐标图、树图、散点图矩阵、堆叠显示和显示器阵列，以及基于字形的可视化技术等
-
2.3.3. 最常见技术仍然是标准图表系列（例如线条、条形图和饼图）
-
2.3.4. 烛柱图显示股票开盘、最高、最低和收盘的价格
-
2.3.4.1. 中间的盒形（也称蜡烛的烛身）连接开盘价和收盘价，而烛身上下的细线（也称影线）则连接最高价和最低价
-
2.3.4.2. 实心（黑色或彩色）烛身表示开盘价高于收盘价，空心（白色或无色）烛身代表收盘价高于开盘价
-
-
2.3.5. OHLC（Open,High,Low,Close）标记显示股票开盘、最高、最低和收盘的价格
-
2.3.6. 使用不同的颜色方案突出显示趋势，例如红绿方案、蓝黄方案、金色方案等
-
2.3.7. 使用颜色显示趋势的方向和强度
-
2.3.8. 金融图表元素可由用户自定义外观
-
2.3.9. 使用Kagi图确定超过先前变化点的逆转
-
2.3.10. 使用三价线图确定已经坚持三个周期的趋势逆转
- 2.3.10.1. 三价线指标（Three Line Break,TLB或TBL）是反映价格变动的一系列竖线，并且忽略了价格变动的时间因素
-
2.3.11. 使用Renko图获取趋势逆转被确认前足够的大小变化
- 2.3.11.1. Renko图又称砖型图，形状与三线反转图非常类似，都是由两种颜色的方格构成的
-
2.3.12. 使用不同的可视化函数创建成交量-价格气泡图，并在两条侧边上分别用开盘-收盘价格分布和日期-收盘密度图标注
-
2.3.13. 创建具有特殊指定外观的图表
-
2.3.14. 使用统计可视化分析金融数据，利用组合柱状图和统计可视化显示收盘价格的分布
-
2.3.15. Geometrically-Transformed Display、Iconic Display、Dense Pixel Display、Stacked Display
-
2.3.16. 小图阵列（Small Multiples）*也是在金融可视分析中常见的可视化表达技术，其中一系列基本图形或图表在同一个比例尺上对齐，以便于比较
- 2.3.16.1. 单图表达方式（例如线图）和排列方法（例如网格或辐射）
2.4. 金融数据可视分析
-
2.4.1. 金融数据分析是金融市场的一个重要需求，采用可视化方法无疑将提高分析师的效率
-
2.4.2. 金融资金的异常流动不仅助长了投机行为，而且扰乱了正常的金融秩序
-
2.4.3. 客户信用风险分析在稳定银行投资和最大化盈利方面有非常重要的地位
-
2.4.4. 市场板块分析
- 2.4.4.1. 多维性和时序性是金融数据的两个重要特性
-
2.4.5. 银行数据分析
-
2.4.5.1. 国际清算银行（BIS）统计数据按季度记录全球银行业链接网络，可以一直追溯到20世纪90年代的26个经济体，至今已经发展成200多个经济体
-
2.4.5.2. CrisisMetrics*是一个交互式界面，使用BIS数据来探索银行的跨境风险
-