對主管而言，「正確」往往不夠。你需要的，是讓觀眾看見並接受你的觀點，進而做出行動。

從「好看」到「打動人」#

一位非營利組織的主管要對 20 位捐款人推介「對抗郊區貧困」計畫。她有一張既正確又設計得宜的長條圖：兩條長條呈現都市與郊區十年來的貧困人口變化。

• 但她不滿意——觀眾第一眼會看到「貧困都在成長」，要再看一陣子才看出「郊區成長更快」
• 她重做：直接讓「郊區貧困暴增、且已超越都市貧困」一秒到位
• 同樣資料，第二張會直接拿到捐款

對主管而言，做圖往往不只是傳達真相，而是要：贏得注意、爭取資源、影響意見、轉化為行動。 你不只想讓人相信圖是真的，更想讓人因此行動。

說服的科學#

說服科學（persuasion science）把影響行為的策略分三類：

• 經濟（economic）：紅蘿蔔與棍子
• 社會（social）：別人都這樣做
• 環境（environmental）：牙醫診所放輕音樂

視覺化大多落在第三類。Steve J. Martin 的研究累積了大量證據：

• 一張手寫便條讓問卷回收率倍增
• 飯店毛巾說明牌換個措辭，重複使用率上升 25%
• 餐盤顏色與食物形成對比時，人會自然取較少食物

Martin 寫道：「我們以為決策來自費力的認知思考，事實上多數行為被環境中的潛意識線索驅動。」 視覺化的說服機制與此相同：細微而強大。

探索與說服是兩種不同的工作#

• 資料科學家做探索性視覺化時，要客觀、要全部呈現——這是事實尋找與假設檢驗
• 主管做宣告性視覺化時，常常要說服觀眾、改變決策——這是另一種任務

對比：

兩者沒有好壞之分，要看脈絡。圖表也一樣。

同樣資料：「美國職棒各場館啤酒價格分布」一張可以中性呈現，另一張則可以激起「啤酒貴得離譜」的情緒。前者適合棒球委員會分析成本，後者適合一篇對球迷的評論。

三步驟做出更具說服力的圖#

說服科學的核心：「讓主訊息更容易被取得（availability of salient information）」——讓人一眼看見、迅速處理，他們就更容易被說服。

1. 磨利主訊息（Hone the main idea）
2. 讓它跳出來（Make it stand out）
3. 調整它周圍的東西（Adjust what’s around it）

Step 1：磨利主訊息#

第 4 章的「對話與聆聽」流程已經把你帶上路。但若還不夠強烈，調整提問：

• 從「What am I trying to say or show?」改為「I need to convince them that…」
• 前者仍然是首選的開場提問，後者是當圖效果不夠時的補強

語言會自然變化：

• 「我想呈現自動化與失業的關係」 → 「我要說服他們：機器人正在殺死製造業工作、製造嚴重的技能落差，抵消短期利潤」
• 「我想呈現工時與產出的關係」 → 「我要說服他們：加班正在反咬公司——它在傷害生產力、不是幫助它」

「I need to convince them…」容易滑進情緒化的編輯立場。 例如「我要說服他們：他們對園藝市場的看法錯了，他們錯失了機會」——這是你對受眾的情緒，不是你想呈現的訊息。 此時讓朋友追問「為什麼？」可幫你回到可視化的具體陳述：「主要成長來自 35 歲以下園藝者；他們會用 App、會在線上購物。」

Step 2：讓它跳出來（強調 + 隔離）#

強調（Emphasize）#

文字有粗體、斜體、底線、ALL CAPS、顏色、螢光標——視覺也有對應手法：

• 顏色：用飽和色帶出主訊息，用淡色或對比色把其他資訊往後推
• 指引：標籤、箭頭、引線、分隔線
• 單位圖（unit charts）：當資料代表「人」時，把每個個體畫成一個點，比抽象統計更有感

非營利組織主管在「都市 vs 郊區貧困」圖上做了六輪色彩迭代：

1. 半透明疊色 → 第三色蓋過原意
2. 一邊填色一邊不填色 → 為什麼？分散注意力
3. 同色深淺 → 暗示「同組變數」，但她要對比
4. 黑底白底對比強，但黑藍對比不夠
5. 越來越好，但藍仍搶眼
6. 最終版：主訊息就是郊區那條線

單位圖為何有說服力？ 「全美高中籃球員進 NBA 的機率是 0.03%」很抽象；同樣的事實，畫成數百個小人圖中只有三個變紅，反而更難找到——這個「找不太到」本身就是訊息。 同樣的邏輯也適用於風險、機率、預算分配等情境。

分隔線（demarcations）也比想像中強大：

• 西岸銷售團隊散布圖加一條灰色弧線，瞬間把「該團隊低於預期」變成不可錯認的訊息
• 但分隔線也會被用來「編輯立場」：例如「家禽消費飆升」圖中，作者刻意讓兩條線衝出視覺場域邊界——這是在主張「這些值已經太誇張了」

隔離（Isolate）#

強調主訊息的另一面是「讓其他元素退到後台」：

• 軟體預設會給每個變數一個鮮明顏色——這恰恰讓沒有任何一個能跳出來
• 主動把次要資料用灰色、把同類分組用同色、刪掉不必要的色差，讓主角浮現
• 例：四條非房貸債務折線圖。預設色彩讓綠線（信用卡）跳出來，但實際要說的是「學貸危機」——把學貸獨立成飽和橘色、其他三條變灰，訊息瞬間鮮明

軟體會渲染資料，但好視覺化呈現的是想法。決定哪一條要粗體、哪一條要灰，永遠是人的工作——就像 Word 不會自動幫你決定哪個字要加粗。

Step 3：調整它周圍的東西#

最激進的手法：改變參考點本身。

a) 移除參考點#

某張「年齡層對產品偏好」圖原本有四個年齡層，刻意保留兩個極端、刪掉中間兩個——「年齡分裂」訊息瞬間可見。並把分組改為先按年齡群、再按特徵，更貼合主訊息。

b) 加入參考點#

「黑膠唱片正在強勢回歸」聽起來很有說服力——但加入「總唱片銷量」做為參考，立刻反轉成：黑膠仍只佔總銷量 1.2%，回歸是相對的。

c) 移轉參考點#

「比較棒球場小杯啤酒價格」乍看公平，但各場館「小杯」大小不同。改用「每盎司價格」呢？讀者沒概念。改用「箱裝啤酒等量」呢？立刻有感。

另一例：主管想說服老闆把兩個瑣碎流程自動化。

• 直接畫「每年小時數」：上百小時聽起來不多
• 把單位換成「工作天數」+ 改成單位圖（每 5 個方格組成一週）：「Susan 每年花將近三週在這些瑣事上」——故事完全變了

你永遠都在說服#

多即說服力？常常不對。過多論證反而會弱化效果。 有說服力的圖通常更簡單，集中於一兩個強烈的訊息。

更深一層的事實：

• 任何圖都是某種程度的說服——它是利用視知覺系統的「操弄」
• 即使是中性的宣告型圖，也是一種說服策略：以冷靜呈現傳達「這個訊息很可信」
• 完全客觀的圖不存在，因為完全客觀的大腦不存在

舉個尖銳的例子：

• 同一份資料、同樣比例尺，畫成寬版和窄版——一張看起來像「飛機平飛」，一張看起來像「火箭直衝」
• y 軸拉長、x 軸壓縮——數字完全沒動，故事天差地別
• 一張為桌機設計、一張為手機自適應；哪張更「正確」？沒有正確答案
• 想顯示陡升趨勢時你會想做窄版；想讓老闆覺得平穩時你會做寬版——圖本身就是操弄

既然作者教了這些說服技巧，下一章必須談何時這些操弄會跨越倫理界線。

重點整理#

三步驟讓圖更具說服力： 1. 磨利主訊息（從 What → I need to convince them that…） 2. 讓它跳出來（強調 + 隔離） 3. 調整它周圍的東西（移除／加入／移轉參考點）

案例：用圖改變使用者行為#

Nathan Shetterley 在 Accenture 任顧問時，受託協助一家大型公用事業說服客戶更節能。常見作法是宣導活動或自動化裝置，但他想到：

• 直接改造帳單上的視覺化

這個想法來自他在魁北克拉瓦爾大學（Laval University）參與的能源新創——把工程導向的軟體換成圖形化、使用者友善的版本，業績立刻翻轉。Shetterley 後來成為該公司的 directeur général。

回到 Accenture 的案例：

• 他選了一家「在帳單設計投入比競品多 100 倍精力」的廠商 OPower——不是最便宜也不是最安全的選擇
• 但加上簡單圖表的帳單，真的改變了客戶的能源決策
• OPower 成為 2000 年代中期綠科技泡沫的成功案例

這次成功讓他成為 Accenture 視覺化專家。他對大資料專案的觀察：

「如果你從資料出發再對著人，做不出多少東西。你需要一個透鏡。要問我們想驅動什麼結果？」 「資料科學家對結果常是被動的——他們以為蒐集與分析就是目的。但客戶不需要看資料，他們需要看想法。」

Accenture 因此成立了「視覺識讀課程（Visual Literacy Curriculum, VLC）」訓練資料科學家與工程師。讓他驚訝的是：

• 工程師反過來要求「設計師也要學 Data 101」
• 因此 Accenture 又開了反方向的課程

Shetterley 對組織視覺化能力的建議：

不要找「能同時懂資料與設計」的獨角獸。改組多元團隊：藝術家 + 分析師 + 軟體工程師 + 架構師 + 主管。 五人（或三人、六人）一組，可規模化地把資料視覺化變成核心能力。

原書範例圖#

以下為原書中對應頁面出現的範例圖，依原書順序排列。