解释型服务读者，需要明确结论
别名: 解释式可视化 · 数据叙事
概念解释
解释型可视化的作者已经完成了分析，知道结论是什么，图的任务是把这个结论高效地传达给没有分析背景的读者。读者的注意力有限、数据素养参差、且没有"自己再探索一遍"的动机——他们需要在最短时间内理解"发生了什么、为什么重要、该做什么"。因此解释型图表的设计核心是聚焦与引导：每张图只讲一个结论，标题直接陈述结论，视觉元素全部为支撑这个结论服务。这与探索型的"不给预设答案"截然相反。
机制
解释型图表有效性的来源是认知负荷的定向分配：读者打开一张解释型图表时面临的认知任务包括解码视觉元素、理解坐标轴、提取模式、以及推导含义，其中只有最后一步是作者真正希望读者花费精力的。前几步的负荷越低，读者留给结论的资源越多。降低前段负荷的手段都是"作者替读者做了决定"：直接把结论写成标题（"新用户留存连续三周上升"）而不写中性描述（"新用户留存率折线图"）、用颜色高亮关键序列而把其他序列灰化、裁剪掉与结论无关的数据段。这些手段在探索场景会被批判为"预设结论"，但在解释场景它们正是价值所在——读者没有机会也没有意愿重新分析，清晰的单一路径优于全面的开放性。解释型图表最常见的设计失败不是"结论错误"而是"结论模糊"：图上信息齐全但读者需要自己归纳，多数读者会跳过归纳直接下意识抓取最显眼的视觉元素——那个元素未必是作者想强调的。
边界
解释型的明确结论有两个失效场景。其一是数据不支持单一结论时：如果证据确实指向多个同样合理的状态（例如"各渠道表现互有胜负"），强行提炼单一路径会制造虚假确定性——诚实的解释型图表此时应呈现"多元结论"而非伪装的单一路径。其二是读者背景差异极大时：同一张"结论明确"的图表对新手是清晰的，对专家可能因为过度简化而失去可信度（专家会问"分位数呢？样本量呢？"），此时分级呈现（主图给结论、附录或悬浮给细节）比单一版本更稳。结论的措辞也有边界：标题应该陈述数据支持的范围（"在过去的六周里"），过度泛化的结论句式（"留存将持续上升"）越过了数据能支持的边界。
怎么落地
- 解释型图表的标题直接写结论句（"X 导致了 Y"或"Y 在 Z 期间上升了 N%"），不写图表类型描述。
- 每张图只保留一条主线：关键序列用强调色，其余序列灰色或删除。
- 结论句的适用范围（时间、人群、条件）写进副标题，不放大到图表不支持的普遍性。
- 验证：给一位未接触过分析的读者看图 10 秒后收走，请其复述结论；复述与作者意图的偏差度即解释效果。