本節書摘來異步社群《資料驅動安全：資料安全分析、可視化和儀表盤》一書中的第1章 ，第1.2.5節，[美]傑·雅克布（jay jacobs）鮑布·魯迪斯（bob rudis） 著 薛傑 王占一 張卓 胡開勇 蔣夢飏 趙爽 譯, 更多章節内容可以通路雲栖社群“異步社群”公衆号檢視。
最後需要掌握的技能是可視化，但是說實在的，它其實就是關于如何做資訊交流。目前可視化分類有很多種，但是在這裡我們想要談談兩種一般的可視化，主要依靠可視化的閱聽人來劃分。劃分很簡單：1）為自己的可視化，2）為他人的可視化。
舉個例子，圖1-2展示了4種常見的圖表，它們都是由r語言的lm()函數（用于線性回歸）自動生成的，用于診斷線性回歸模型的拟合（你将在第5章運作這個模型）。我們來看看這些圖表，這些圖表看起來都很醜陋以及令人困惑，除非你學會了如何讀懂它們。我們不會在給董事會展示的文稿中包含這些，這類的可視化圖表是為處理資料的資料分析師們提供資訊，或者用于解釋這個例子中的資料模型的。
這些圖是用來了解這個模型的特定關系和屬性的，它們将資料的一些資訊傳遞給分析師，可以直覺地檢測異常、強調資料内部的關系以及一些有助于了解資料的其他方面的資訊。花費很小的精力就可以做出這些相當不錯的有趣的圖表，它們隻是資料分析的部分過程，而非結果。
其他可視化類型存在于資料分析師和他人之間的分析結果交流中，用于解釋分析師在資料中發現的故事（或者發現資料缺乏故事）。這些可視化效果往往很吸引人，并且帶有明确的資訊，因為它是和分析師以外的人交流的工具。圖1-3（你将在第5章學習到如何産生此圖）是從圖1-2使用的資料中派生出來的，但是卻是為了完全不同的閱聽人。在這裡，它更加清晰，你可以從這一張圖中擷取到有關這48個州的資訊。
