大資料時代，我們很容易在海量資料中迷失，大資料透過大量的手機、儲存資料經過各種分析揭示企業、消費者等的行為模式和發展趨勢，但必須透過大資料視覺化才能高效的展現大資料潛在價值。大資料視覺化能夠讓資料分析更加便捷，讓資料展現更加直觀，為企業提供決策

　大資料視覺化的實施是一系列資料的轉換過程，如下圖所示：

　　我們有原始資料，透過對原始資料進行標準化、結構化的處理，把它們整理成資料表。將這些數值轉換成視覺結構(包括形狀、位置、尺寸、值、方向、色彩、紋理等)，透過視覺的方式把它表現出來。例如將高中低的風險轉換成紅黃藍等色彩，數值轉換成大小。將視覺結構進行組合，把它轉換成圖形傳遞給使用者，使用者透過人機互動的方式進行反向轉換，去更好地瞭解資料背後有什麼問題和規律。

　　從技術上來說，大資料視覺化的實施步驟主要有四項：需求分析，建設資料倉庫/資料集市模型，資料抽取、清洗、轉換、載入(ETL)，建立視覺化分析場景。

　　1) 需求分析

　　需求分析是大資料視覺化專案開展的前提，要描述專案背景與目的、業務目標、業務範圍、業務需求和功能需求等內容，明確實施單位對視覺化的期望和需求。包括需要分析的主題、各主題可能檢視的角度、需要發現企業各方面的規律、使用者的需求等內容。

　　2) 建設資料倉庫/資料集市的模型

　　資料倉庫/資料集市的模型是在需求分析的基礎上建立起來的。資料倉庫/資料集市建模除了資料庫的ER建模和關係建模，還包括專門針對資料倉庫的維度建模技術。維度建模的關鍵在於明確下面四個問題：

　　哪些維度對主題分析有用?

　　如何使用現有資料生成維表?

　　用什麼指標來“度量”主題?

　　如何使用現有資料生成事實表?

　　3) 資料抽取、清洗、轉換、載入(ETL)

　　資料抽取是指將資料倉庫/集市需要的資料從各個業務系統中抽離出來，因為每個業務系統的資料質量不同，所以要對每個資料來源建立不同的抽取程式，每個資料抽取流程都需要使用介面將元資料傳送到清洗和轉換階段。

　　資料清洗的目的是保證抽取的原資料的質量符合資料倉庫/集市的要求並保持資料的一致性。

　　資料轉換是整個ETL過程的核心部分，主要是對原資料進行計算和放大。資料載入是按照資料倉庫/集市模型中各個實體之間的關係將資料載入到目標表中。

　　4) 建立視覺化場景

　　建立視覺化場景是對資料倉庫/集市中的資料進行分析處理的成果，使用者能夠藉此從多個角度檢視企業/單位的運營狀況，按照不同的主題和方式探查企業/單位業務內容的核心資料，從而作出更精準的預測和判斷。

　　四、大資料視覺化的挑戰

　　大資料視覺化面臨的挑戰主要指視覺化分析過程中資料的呈現方式，包括視覺化技術和資訊視覺化顯示。大資料視覺化的方法迎接了四個“V”的挑戰，同時這也是4個機遇。

　　體量(Volume)：使用資料量很大的資料集開發，並從大資料中獲得意義。

　　多源(Variety)：開發過程中需要儘可能多的資料來源。

　　高速(Velocity)：企業不用再分批處理資料，而是可以實時處理全部資料。

　　質量(Value)：不僅為使用者建立有吸引力的資訊圖和熱點圖，還能透過大資料獲取意見，創造商業價值。

　　五、大資料視覺化的發展趨勢

　　大資料時代，大規模、高緯度、非結構化資料層出不窮，要將這樣的資料以視覺化形式完美的展示出來, 傳統的顯示技術已很難滿足這樣的需求。而高分高畫質大螢幕拼接視覺化技術正是為解決這一問題而發展起來的, 它具有超大畫面、純真彩色、高亮度、高解析度等顯示優勢, 結合資料實時渲染技術、GIS空間資料視覺化技術，實現資料實時圖形視覺化、場景化以及實時互動，讓使用者更加方便地進行資料的理解和空間知識的呈現，可應用於指揮監控、視景模擬及三維互動等眾多領域。

讓報表的瀏覽者一眼掌握整體的資料情況，更快更直觀地發現並解決問題。資料視覺化不僅僅是能夠把分析結果視覺化展現，還能幫助瀏覽者順藤摸瓜（藉助任意鑽取、多圖聯動、高效篩選等）找到更多資料資訊，且都是以能夠一眼看懂的方式展現。光說可能還是不能理解體會，你可以去奧威軟體demo平臺上看看，實際體驗下。