本文出自

五大創新「硬道理」

五大創新「硬道理」

2019年1月號

讓科學家與決策者理解彼此 用白話文說資料科學

Data Science & the Art of Persuasion
史考特.貝里納托 Scott Berinato
瀏覽人數:4781
  • "讓科學家與決策者理解彼此 用白話文說資料科學"

  • 字放大
  • 多人授課購買
    購買〈讓科學家與決策者理解彼此 用白話文說資料科學〉文章
  • 個人收藏購買
    購買〈讓科學家與決策者理解彼此 用白話文說資料科學〉PDF檔
    下載點數 10
組織匯集大量資訊,但難以溝通傳達那些資訊當中的深入見解。本文說明這個問題背後的原因,是資料科學家並沒有接受相關訓練。而解決這個問題,就是建立包括六種才能的團隊:專案管理、資料整理、資料分析、主題專業知識、設計和說故事。

資料科學正在快速成長。過去五年間,企業投入數十億美元,設法爭取到最優秀的資料科學家以創立新事業,收集皆位元組(zattabyte,10的21次方位元組)的材料,透過他們那些演繹推論的機器來分析這些材料,以便在那些龐大數量的雜訊中找到清楚的訊號。這種做法在某種程度上的確有效。數據資料已經開始改變我們和一些領域的關係,如語言翻譯、零售、健康照護和籃球。

高階主管抱怨投入大筆資金在資料科學的運作,但這些投資沒有提供他們期望得到的指引。他們沒有看到實質的結果,因為這些結果沒有用他們可以理解的語言來溝通傳達。

儘管已有成功的故事,但許多企業依舊無法從資料科學中,獲取它們可獲取的價值。即使運作良好的營運單位能進行良好的分析,仍無法善用分析產生的見解。問題出在「最後一哩」,也就是最後階段要向決策者說明分析見解的時候。

2017年,資料科學社群平台Kaggle曾對資料科學家做過一份調查,當中有關資料科學工作的七大障礙,獲得超過七千人回應,結果顯示,七大「工作障礙」中有四個與「最後一哩」的問題有關,而關於非技術問題:「缺乏管理/財務支援」、「缺乏待回答的明確問題」、「決策者沒有使用研究結果」和「向其他人解釋資料科學」。這樣的結果,符合資料科學家雨果.邦尼–安德森(Hugo Bowne-Anderson)為他所主持的播客節目而訪談35位資料科學家的結果;他在2018年為《哈佛商業評論》網站撰寫的文章中提到:「我訪談過的大多數來賓告訴我,資料科學家的關鍵技能是……即時學習和良好溝通的能力,以便回答業務問題,向非技術背景的利害關係人解釋複雜的結果。」

因為工作的關係,我會到大型組織演講和提供諮詢,主題是有關資料視覺化和如何讓簡報有說服力,進行這些工作時,我聽到資料科學家和高階主管表達挫折感。資料團隊知道自己坐擁珍貴的見解,卻無法把這些見解推銷給別人。他們表示,決策者誤解或過度簡化他們的分析,並期望他們像變魔術一樣,為所有問題提供正確答案。而另一方面,高階主管抱怨投入大筆資金在資料科學的運作,但這些投資沒有提供他們期望得到的指引。他們沒有看到實質的結果,因為這些結果沒有用他們可以理解的語言來傳達。

商業類型和技術類型人員之間的落差由來已久,但這次的落差更大。例如在105年前,還沒有程式編碼和電腦的年代,威勒.布林頓(Willard Brinton)的劃時代著作《呈現事實的圖表方法》(Graphic Methods for Presenting Facts)一開始就描述了「最後一哩」的問題:「委員會或董事會中,總是會有一些無知或專橫的成員,破壞一個由了解事實的人制定出來的周密計畫,只因為了解事實的人沒能充分呈現自己掌握的事實,以說服反對的人……正如萬丈高樓平地起,要以資料為基礎,來有效呈現其中包含的各種事。」

歷經一個多世紀後,這種情況怎麼仍舊不變?就像其他任何如此根深柢固的問題一樣,造成「最後一哩」問題的原因很多。例如,用來進行資料科學的工具包含了視覺化功能,這助長了人們以為,資料人員應負責溝通。這些工具的預設產出結果,並不適合產生構思周詳、設計完善的視覺化資料;他們在資料視覺化方面,沒有像操作資料那樣熟練,使用這些工具的人通常不想負責溝通。很多資料科學家告訴我,他們謹慎看待圖表之類的視覺化資料,因為這可能讓自己的工作變得過度簡單通俗,並導致高階主管所做的結論,沒有考慮到科學分析必然會有的精密細節和不確定性。但組織在搶奪炙手可熱的資料科學家時,向來是延攬最技術導向的人才,忽略了他們與非專業人士溝通的能力或意願(或忽略了他們根本沒有這種意願)。

若是這些組織雇用其他人來縮減這個落差,就不會有這個問題,但組織並沒有這麼做。他們仍期望資料學家能處理資料,並在了解企業及策略的情況之下分析資料,製作圖表,然後向外行觀眾簡報結果。這並不合理。這種人才只存在神話傳說之中。

企業若要著手解決這個「最後一哩」的問題,就必須停止尋找只存在神話傳說之中的人才,並重新思考該用什麼人才,來組成資料科學營運團隊。本文提出一種方法,可讓未能充分發揮資料科學營運效能的組織,不再讓資料科學家背負不合理的期待,並引進新類型的員工到這個團隊組合之中。這種做法仰賴跨領域的團隊,由具備各種不同才能的人組成,並且密切地在相近地點一起工作。接觸他人的工作而培養出來的同理心,可促進各類人才之間的協同工作。工作不再是在團隊之間傳遞交接,而是由團隊共享。

運用團隊的做法不算是新的概念,但若用新的方式來運用,可讓資料科學工作克服「最後一哩」的問題,提交出他們已為組織創造的價值。

為什麼會出現這種狀況?

20世紀初期,現代管理的先驅推動複雜精細的營運作業,以便透過視覺溝通,把資料轉化成決策,而他們是透過團隊來運作的。這是跨領域的工作,包括成組打孔機操作員、卡片分類人員,經理人和繪圖員(他們幾乎都是男性)。布林頓的書中,舉出許多例子說明這類協作的結果。鐵路公司和大型製造商特別擅長這麼做,它們釐清輸送原料到各個工廠的最有效率路徑,達成地區銷售業績目標,甚至優化排休時間表。

團隊做法盤據了20世紀大部分的時間。瑪莉.愛蓮娜.史比爾(Mary Eleanor Spear)的《實用圖表技巧》(Practical Charting Techniques)在1969年出版,書中詳述理想的團隊組成和各成員的職責,成員包括溝通人員、圖表分析師和繪圖員(主要仍是男性)。史比爾寫道:「(讓這三人)協作是明智的做法。」

1970年代,情況開始出現變化。科學家紛紛採用新技術,這個新技術讓他們能在操作資料的同一個空間(電腦軟體)裡,進行資料視覺化,製作圖表。那些圖表很粗略,但很快就能做好,而且不需要他人幫忙。資料視覺化的世界出現一道裂縫,一邊是電腦驅動的視覺化,一邊是由設計驅動、最終由繪圖員製作的更經典的圖表。

微軟(Microsoft)Excel軟體的創新功能Chart Wizard,讓所有人都可以「點擊並建立圖表」,徹底把這個兩個世界切開。一夕之間,人人都能立刻製作圖表,並做出各種過度繁複的變化,讓條狀圖變立體,或是把圓餅圖變成環圈圖。這種轉變實在太深刻了。它讓圖表成為商業的通用語言。它推動企業在工作中使用資料,最終讓資料科學得以存在,因為它克服了人類設計人員的局限,人類只能處理某個數量的資料,把它們放到視覺溝通內容中。最重要的是,它改變了工作結構。設計師(也就是繪圖人員)的存在價值縮小,最終被排除在資料分析工作之外。資料視覺化變成管理資料的人的工作,其中大多數人既沒有接受過視覺化訓練,也沒有意願學習。把Chart Wizard產生的圖表貼到簡報檔中,無論是速度和便利性,都勝過較慢、資源較密集的設計驅動圖表,即使後者的效果明顯更好。

隨著資料科學問世,即使資料科學家必備的技能,已擴展到包括編碼、統計和建立演算法模型,但對他們的期望依舊不變,也就是要完成資料分析工作,並溝通傳達分析結果。2012年《哈佛商業評論》一篇具里程碑意義的文章,把資料科學家視為21世紀最誘人的工作(請參閱本刊文章〈《企業最誘人的職缺》〉),它對這個角色的形容充滿傳奇色彩:「資料科學家應該擁有哪些能力才得以順利完成任務?不妨把他們想成集資料駭客、分析師、溝通者、受信賴的顧問於一身的人。這樣的組合,力量極為強大,而且難得一見。」

最搶手的工作所需擁有的罕見技能組合,意味許多組織無法招募到自己需要的人才。他們必須尋求其他的成功做法。最好的做法,是改變他們預期的資料科學家技能組合,並重新建立一個具備各種才能的團隊。

讓資料科學運作得更好

以團隊合作為基礎的有效資料運作單位,可借用布林頓和史比爾的方法,但必須考慮現代的背景,包括處理的資料量、系統的自動化,以及視覺化技術的進步。另外還要考慮多種專案類型,從標準分析資料(例如財務結果)的合理簡單報告,到採用最先進機器學習演算法的最複雜大數據工作。

建立更好的資料科學運作單位,可分成四個步驟。

1. 界定才能,而不是團隊成員

打破不切實際想法的第一步,似乎很自然是要指派不同人員擔任「完美」資料科學家現在擔任的各種功能,包括:資料操作員、資料分析師、設計師和溝通人員。

不完全是如此。第一步不是指派人員擔任職務,而是要界定成功需要哪些才能。才能不是指某一個人,而是一人或多人擁有的技能。一個人可能有數種才能;三個人可能可以處理五種才能。這是微妙的區別,但這個區別很重要,可讓團隊保持足夠的靈活度,能在某個專案的各個階段配置人員和重配置人員。(我們稍後會再說明這一點)。

任何公司的才能清單都不一樣,但一個好的核心組合應包括以下六種才能:

專案管理。你的團隊會變得敏捷,並根據專案類型及進度而調整,因此,在資料運作單位的每一個面向裡,都會有運用某些類似Scrum方法的強大專案管理。優秀的專案經理,應具備良好的組織能力,以及強大的外交技能,讓不同的人才聚集在一起開會,並讓所有團隊成員用相同的語言表達,以消弭文化落差。

資料整理。組成這類才能的技能包括:建立系統;尋找、清理資料,並建立資料結構;建立和維護演算法和其他統計引擎。具備資料整理能力的人,會尋求簡化運作的機會,例如,為多個專案建立可重複的流程,以及建立模版,以產出可靠、可預測的資料圖表,用以啟動資訊設計流程。

資料分析。建立假設並進行測試,找出資料中的意義,並把那些意義應用在特定商業情境中,這樣的能力極為重要,但讓人驚訝的是,許多資料科學運作單位,並不像人們以為的那樣具備這些能力。有些組織有很多資料整理人員,也仰賴他們進行分析,但良好的資料分析,應獨立於編碼和數學領域。這種才能通常不是來自電腦科學,而是來自人文學科。軟體公司Tableau把「人文學科納入資料分析」,評為2018年分析領域的最重大趨勢之一。批判性思考、情境脈絡設定(context setting)和人文領域學習的其他面向,也恰好是分析、資料或其他領域的核心技能。Tableau研究科學家麥可.柯瑞爾(Michael Correll)在一場有關這個主題的網路演講中,解釋為什麼他認為把人文學科注入資料科學極為重要,他表示:「考量資料時不可能不考慮人。人文學科擅長協助我們設身處地釐清情境脈絡,用一種科技辦不到的方法,凸顯人的角色。」

主題專業知識。資料科學團隊總是待在地下室進行神祕的工作,只有在企業需要他們做某件事的時候才會現身,這樣的思維該退場了。資料科學不應被視為服務單位;資料科學團隊裡應該要有管理人才。擁有商業和策略知識的人員,將為專案設計和資料分析提供參考資訊,並讓團隊專注在商業成果,而不只是要建立最佳的統計模型。在臉書(Facebook)負責應用機器學習的華金.坎德拉(Joaquin Candela),一直努力設法讓他的團隊專注在商業成果,並優先獎勵有助於改善商業成果的決策,而非改進資料科學的決策。

設計。這個才能受到廣泛誤解。好的設計不只是選擇顏色和字體,也不只是為圖表提供美感。這是造型,是設計的一部分,但絕不是最重要的部分。相反地,有設計才能的人,可開發和執行有效的視覺溝通系統。針對我們現在談的這個主題,他們了解如何建立和編輯圖表,才能吸引觀眾專注並濃縮想法。資訊設計才能,強調了解和操縱資料圖表,這是資訊科學團隊的理想選擇。

說故事。敘事是一種極為強大的人類發明,也是資料科學中最沒有被充分利用的一種才能。若要縮小演算法和高階主管之間的溝通落差,最重要的能力,就是可以像說故事般呈現資料分析的見解。然而,「用資料來說故事」,這個老生常談的口號,受到廣泛的誤解。這絕對不是要把演講人變成知名小說家史蒂芬.金(Stephen King)或湯姆.克蘭西(Tom Clancy),而是要能理解敘事的結構和機制,把它們應用到資料圖表和簡報。

2. 透過聘雇創造必要的才能組合

一旦你確定需要哪些才能,別認為這些是你應該招募人員來填補的職務。相反的,你應專注在確保團隊裡擁有這些才能。其中有些才能很自然就會組合在一起:例如,某個人可能同時具備設計和說故事的能力,或是同時擁有資料整理和資料分析的能力。

有時候,擁有所需才能的不是員工,而是約聘公司或人員。就我的工作來說,我會建立一小組人員,他們擁有我不擅長的才能。你可能需要一家資訊設計公司參與,或是簽約委託一些資料整理人員負責清理和建構新的資料流。

把才能和人員分開來思考,有助於公司解決「最後一哩」的問題,因為這讓他們不再試圖找到能同時進行資料科學工作和溝通分析結果的人。掌握一些具卓越設計才能的人,可讓資料科學家專注在自己的強項,不必分心做設計。這麼做,還可以為先前可能被忽視的人才開啟機會。例如,一般編碼人員若另外還擁有設計才能,可能會是很有用的人員。

藍道.奧森(Randal Olson)是Life Epigenetics首席資料科學家,也是Reddit網站上「資料之美」頻道(Data Is Beautiful)的策畫人(這個頻道致力於分享和討論良好的資料圖表),他過去只關注人們在資料科學的技術部分表現如何。他說:「我承認,我在一開始的時候,一點也不重視溝通的部分,我認為這很普通。」現在,在某些情況下他會改變招募流程。他說:「你曉得的,過去他們一進來,我們就立即開始在白板上討論資料模型和數學,這是資料科學家對資料科學家的交流。現在我有時會讓非技術人員進來,對求職的人說:『向這個人解釋這個模型。』」

3. 讓團隊成員接觸他們不具備的才能

若要克服文化衝突,首先應先了解他人的經歷。設計人才往往沒有機會接觸統計方法或演算法。他們關注的重點,是美學的精緻、簡潔、清晰和敘事。資料工作的深度和複雜性,讓設計人員難以接受。相比之下,最典型的資料科學家重視客觀性、統計嚴謹度和完整性;溝通的部分對他們來說,不僅陌生,也會令他們分心。一家大型科技公司的資料科學部門經理表示:「這違背他們的理念精神。過去十年,我在資料科學領域也是如此,直到我被指派負責籌組團隊,才打開我的視野。我發現,只要我們能稍微了解一下溝通的部分,就可以為自己的工作贏得更多支持。」

有很多方法,可讓團隊成員明白其他才能的價值。設計師應學習一些基本的統計方法,例如,修習入門課程;而資料科學家應學習基本的設計原則。他們都不必成為對方領域的專家,只需要學習足夠的知識,足以欣賞對方的專長即可。

無論站立會議或其他會議,都應該讓不同才能的成員參加。Scrum站立會議的主要目的,是報告技術的最新進展,但還是可以讓負責簡報的行銷人員參加,歐森的公司就是採行這種做法。主題專家應將資料整理和分析才能,帶到策略會議之中。在特別會議中,讓利害關係人和資料團隊回答對方提出的問題,也有助於縮減落差。Stitch Fix的分析長艾瑞克.柯爾森(Eric Colson)要求他的團隊成員,向非技術背景的對象進行一分鐘簡報,強迫他們用人人都可以理解的聰明方法來表達問題;柯爾森本人兼具統計和溝通才能,任職於以資料科學為根基的公司,可算是極稀有的人才。「到了現在,」柯爾森說,「如果我們公司有某個人說『椰子』,大家都會知道這是某個隱喻的一部分,用來描述那個人正在處理的特定統計問題。我們把重點放在用每個人都理解的方式,來表達問題,因為企業不會處理它不了解的問題。」另一個資料科學團隊的經理,彙整了一份技術人才和設計人才的用語,協助員工熟悉別種人才的語言。

如果你的組織裡有一些罕見人才,像是柯爾森那像兼具資料、溝通和設計才能,你應讓他們彼此指導,這麼做會有助益。若有成員表示有興趣培養自己不具備、但你需要的才能,你應鼓勵他,即使這些才能(例如設計技能),與他們原本擁有的才能(例如資料整理)相去甚遠。在工作坊中,我的確聽到資料科學家表示想培養設計或說故事的才能,但沒有時間去做。其他人樂見團隊增添這類才能,但他們的專案經理主要著重在技術成果,而不是商業成果。

這些接觸,目的是要讓團隊成員對不同才能抱持同理心。同理心能促成產生信任,而信任是有效團隊合作的必要基礎。柯爾森記得過去曾運用說故事的才能,幫忙解釋資料分析中出現的問題:「我記得,當時是針對商品採購問題進行簡報,我認為我們處理的方式是錯的。我必須爭取商品採購人員的支持。」他沒有解釋貝塔兩項分布和其他統計概念,來支持自己的觀點,而是以一個人從一個甕中抽球的故事,說明經過一段時間之後,甕中球的數量和類型會有什麼變化。他說:「那些人聽了很喜歡。你看著他們,知道那個故事與他們產生共鳴,而且給他們信心,在那個時刻,你甚至不用解釋故事背後的數學。他們信任我們。」

4. 以才能為核心來建構專案

有了一組才能之後,就可以開始用它來實現你的目標。不同的時間點需要不同的才能,這情況可能會讓專案難以進行。強大的專案管理技能和敏捷法的經驗,有助於規畫才能的配置和重新配置,視需求來管理資源,同時確保不讓進度安排壓垮流程的任何一個環節。

把一切組合起來

你還應該採取其他步驟,讓專案成功:

指派授權單一的利害關係人

有可能、甚至很有可能出現的情況是,並非所有你需要的人才,都直接隸屬於資料科學團隊經理。設計人才可能隸屬於行銷部門;主題專家可能是直屬於執行長的高階主管。儘管如此,盡可能賦予決策權力給團隊,是非常重要的。利害關係人通常是有商業專業的人,而且與商業目標密切相關、或為商業目標負責的人;畢竟,這項工作的目標,是更好的商業成果。這些人可為團隊創造共同的目標和激勵措施。理想情況下,你可以避開有權無責的困境,在這樣的困境中,團隊可能得同時面對好幾個彼此協調不佳的利害關係人。

指派主導人才和支援人才

由誰主導和由誰支援,取決於專案的類型,以及專案處於什麼階段。例如,深度探索型的專案,需要處理大量資料和製作資料圖表,以找出其中的模式,這時應由資料整理和分析人才主導,主題專家則是支援;設計人才可能根本不會參與,因為這時並不需要外部溝通。相反地,若要準備一份報告,向董事會說明有哪些證據支持某項策略調整建議,則由說故事和設計人才主導,而資料人才提供支援。

在同一地點工作

專案執行期間,讓所有團隊成員在同一個實體空間中工作,同時也要設置共享的虛擬空間,以進行溝通和協作。如果設計和說故事人才使用Slack溝通管道,而技術團隊使用GitHub,商業專家則透過電子郵件協作,這是很不理想的情況。使用成對分析(paired analysis)的技巧,讓團隊成員坐在相鄰的座位,在一個螢幕上用類似Scrum那種反覆進行的流程來工作。可能是讓一組擁有資料整理和分析才能的人,負責改進資料模型和測試假設,或是一組具備主題專業知識和說故事能力的兩個人,共同改進簡報內容,而在必須調整圖表時,請設計人才來協助。

讓它成為真正的團隊

在共同地點工作的最重要巧思,在於這是獲得授權的單一團隊。柯爾森表示,Stitch Fix的「規則是不交接工作。我們不希望必須協調分屬不同部門的三個人。」要做到這一點,他的優先要務就是確保各個團隊內部都擁有達成目標所需的所有技能,只需要有限的外部支援。他還設法聘雇在許多人眼中的通才,這些人可以跨越技術和溝通的落差。他定期提供回饋意見給團隊成員,以增強這個運作模式,例如,提供意見給在說故事方面需要協助的資料人才,或是需要了解某些統計原理的主題專家。

重複使用和模板

柯爾森還建立一個「演算法使用者介面團隊」(algo UIteam)。不妨把這種團隊看成一群結合了設計才能和資料整理才能的人,以創造可重複使用的編碼集,目的是為專案團隊製作良好的資料圖表。這些模板很有助於團隊有效率地運作。例如,資訊設計師和資料分析師對資料視覺化最佳實務的討論,被編碼寫入工具裡。城市研究所(Urban Institute)首席資料科學家葛拉罕.麥當諾(Graham MacDonald)成功促成這類有關模板的合作。他的團隊為美國許多郡產出郡級的資料。團隊把資料整理和主題專家聚集在一起,讓他們了解視覺溝通方面的需求,結果建立了一個可重複使用的模板,這個模板可為任何一個郡客製化產出的結果。如果沒有把這些人才整合到那個團隊中,就難以取得這樣的成果。

打造多元資料科學團隊

向外行的一般大眾呈現資料科學的結果,就是所謂的「最後一哩」,這部分的演變發展沒有像資料科學的技術部分那麼快速或全面。它必須迎頭趕上,而這表示應重新思考資料科學團隊如何組成、如何管理,以及流程中各階段的參與人員應該有誰,這個流程從最初的資料流,一直進展到最終展示給董事會的圖表。等到企業成功完成「最後一哩」的時候,資料科學團隊才能夠充分發揮作用。若沒有發揮作用,用威勒.布林頓的話來說,就是有地基但沒有建起大樓。

幾種失敗的溝通

我從工作中得知,大多數領導人都明白資料科學可以帶來什麼價值,但少有領導人滿意它提供價值的方式。一些資料科學家抱怨上司不明白自己的工作內容,也沒有充分利用這些工作成果。一些經理人則抱怨資料科學家,無法讓外行的一般人理解他們的工作內容。

一般來說,我聽到的故事不外乎以下幾種情況。看看你是否有碰到過其中任何一種情況。

統計學家的詛咒

資料科學家擁有先進的演算法和優異的資料,發展出一系列見解,巨細靡遺地把那些見解提交給決策者。他自認分析客觀公正,無懈可擊。他的圖表是「點擊後自動產生的」,並在投影片中搭配一些文字;在他看來,嚴肅的統計學家,不該把時間耗費在圖表設計上。他在簡報中使用的語言,聽取報告的對象並不熟悉,因而感到困惑和挫折。他的分析完全正確,但建議沒有被採納。

工廠和工頭

商業上的利害關係人希望推動自己珍愛的專案,但沒有資料支持自己的假設。他要求資料科學團隊為他的簡報進行資料分析,並製作圖表。團隊知道他的假設不夠完善,並提供一些有用的想法,可用更好的方法來進行分析,但他只想要圖表和簡報要點。接下來可能發生下面兩種情況之一:有人詢問有關資料分析的問題,而他無法提供答案,於是這個簡報會議失敗;另一種情況是,他的專案獲得核准,之後在執行時失敗,因為分析有誤。

容易理解的真相

頂尖的資訊設計師,受到公司資料科學家的一些分析所啟發,主動協助他們為董事會製作一份精美的簡報檔,包括符合公司品牌規定的顏色和排版,以及很容易讓人理解的故事。但高階主管開始根據那些分析產生錯誤的構想,於是科學家變得緊張不安。那些清晰、簡單的圖表,讓某些關係看起來像是直接的因果關係,但事實並非如此;這些圖表也刪除了分析中必然會有的不確定性。那些科學家陷入困境,因為到了最後,決策高層對科學家們的工作成果感到興奮,但讓高層興奮的,不是他們工作的真實呈現。

(劉純佑譯自“Data Science & the Art of Persuasion,” HBR, January-February 2019)



史考特.貝里納托 Scott Berinato

《哈佛商業評論》英文版資深編輯,著有《好圖表練習本:做出更好的資料圖表的訣竅、工具和練習》(Good Charts Workbook: Tips, Tools, and Exercises for Making Better Data Visualizations, HBR Press, 2019)和《哈佛教你做出好圖表》(Good Charts: The HBR Guide to Making Smarter, More Persuasive Data Visualizations)。


本篇文章主題分析