随着数据可视化工具的不断发展，数据洞察的重点逐渐从“纯粹的数据呈现”向“主动提供决策指导性洞察”转变。在当今的分析工作流中，自动洞察工具日益普及，能快速揭示数据中的关联性、异常值和分布特征。然而，目前主流的自动洞察工具普遍存在灵活性不足的问题。

以业内主流工具为例，Tableau 的 Explain Data 或 Power BI 的 Quick Insights 功能通常是以黑盒方式运行，基于预定义的规则生成洞察。这些工具虽能揭示一些有价值的信息，但也可能忽略某些对用户来说至关重要的细节。

比如，系统可能过度强调存在相关性的指标，却忽视“无相关性”这一重要发现；或机械地标记极值数据点，未能构建具有业务意义的对比维度。这种脱离用户实际需求的自动化输出，对具备领域知识的专业人士尤为不便。

为了应对这一难题，由 Sneha Gathani、Anamaria Crisan、Vidya Setlur 和 Arjun Srinivasan 组成的 Tableau 研究小组开发了 GROOT 系统，支持用户对算法生成的初始洞察进行交互式编辑，并允许重新配置分析参数，最终实现符合个性化需求的洞察定制。最棒的是，相关研究成果已在 2024 年 IEEE VIS 学术会议上公开发表。

所以，今天就让我们一起了解 GROOT 的奇妙之处，看看它在业务分析场景中的实用价值。

GROOT 如何量身定制个性化洞察？

GROOT 允许通过以下三种方式编辑和重新配置自动生成的数据洞察：

（1）在图表中选取标记，以获得基于所选数据的洞察推荐；

（2）通过调整默认洞察的模板或生成洞察的阈值，重新配置已有洞察；

（3）通过指定文本模板，添加全新的自定义洞察。

图1

借助 GROOT，用户可直接在图表上与数据进行交互，以生成更多基于选中数据的洞察。

如上图所示，当用户在条形图中选择特定数据点后，系统会根据指令生成新的洞察，突出这些数据点之间的差异或获取具体的数值。这种方式超越了传统默认洞察，赋予用户对数据分析故事更大的掌控力。

此外，除了支持基于图表的直接操作生成新洞察外，GROOT 还支持用户对生成洞察的底层逻辑进行调整，重新设定系统的启发式规则，更精确地捕捉数据中的细微差异。比如，通过提高或降低判断异常值的阈值，用户能让生成的洞察更符合自身特定的分析需求。

GROOT 系统功能演示详解

为进一步说明 GROOT 系统的能力，Tableau 研究团队给出了一个使用场景：假设，商业分析师Phoebe 正在探索公司的销售数据。

当 Phoebe 在 GROOT 的三个主要视图中操作时——即数据表视图（如图2A）、图表视图（如图2B）和洞察视图（如图2C），她通过选择不同的数据属性对数据进行筛选，重点关注“销售额”和“地区”两个属性。

图2：GROOT 包含三个主要视图：数据表视图（A）、图表视图（B）以及洞察视图（C）

随后，GROOT 自动生成了一系列图表和洞察，包括：用散点图展示各个地区销售额差异并突出异常值；用条形图展示各地区的平均和总销售额的极端值洞察。

图3：在去除“未指定”订单优先级的数据行前后，各地区总销售额的条形图发生了明显变化

当查看各地区总销售额时（图3A）， Phoebe 发现中部地区销售额最高，而南部地区则明显偏低。进一步调查后，她意识到数据中存在一些订单优先级未指定的条目，因此决定删除这些数据行，使系统动态更新生成的洞察（图3C）。

完成数据清理后，Phoebe 进一步分析中部和南部地区之间的销售额差异。当点击对应地区的条形图后，GROOT 随即生成新的洞察：一个洞察展示了每个地区的具体销售额，另一个则明确指出了两者之间的差异（图1-1）。

图4：从图 1-1 生成的关于中部与南部地区销售差异的洞察，自动传播到“单价 × 地区”的条形图中（A）。

散点图（销售额 × 利润）默认生成了一个相关性洞察（B）。从图 1-2 传播到“销售额 × 产品基础利润率”散点图的新相关性洞察（C）。

随后，Phoebe 将这些新洞察添加到她的图表中，并更新了系统生成洞察的逻辑，使这些差异在未来的图表中自动突出显示（图4A）。接下来，她好奇销售额增加是否对应利润增加，因此查看了一张散点图，该图显示二者呈现正相关关系（图4B）。

但当她转而分析销售额与折扣之间的关系时，默认系统未生成任何洞察。于是 Phoebe 通过 GROOT 的编辑界面，自定义了系统逻辑，降低洞察相关性判断的阈值，并编辑了洞察模板，以主动标示两者不存在相关性。

值得一提的是，此自定义洞察后续也自动传播到其他散点图中，如销售额与产品基础利润率的散点图（图4C）。

图5：重新配置运费的异常值洞察（A），通过查看公式（B）并编辑公式（C），减少了被标记为异常值的数据点数量（D）

随着深入探索， Phoebe 决定重新配置系统生成的洞察来分析运输成本。当注意到散点图中标记了过多的异常值时，她对异常值的判断公式进行了调整，下调了低成本项目的判断阈值，从而减少了被突出显示的异常值数量（图5A-D）。

图6：指定新自定义洞察的模板。“@”符号用于引用数据集中的属性（A），“=”符号用于引用数学计算（B），“{}”符号则用于在交互式编辑界面中定义公式

最后，Phoebe 还使用了 GROOT 提供的交互式洞察模板编辑界面，添加了一个自定义的洞察，以突出显示运费最高的产品类别（图 6）。

未来展望：下一步是什么？

如上所述，GROOT 不仅仅是一种调整数据洞察的工具，更代表了人们对自动化数据洞察系统思考方式的转变。

通过赋予用户更大的控制权，GROOT 提高了数据洞察生成过程的透明度和灵活性，使洞察更贴合用户自身的领域知识。此外，GROOT 系统的推出也为未来研究开辟了新的方向，例如未来可结合大语言模型（LLMs），提供更深入、更细致的洞察建议与解释。

然而，尽管 LLMs 在生成文本型洞察和解释方面具备优势，但它们仍难以充分理解特定领域的知识或专家关注的数据细微之处，因此，在高风险的数据分析场景中，用户主导的洞察定制依然至关重要。

正如漫威宇宙中的同名角色“格鲁特”（Groot）一样，在踏出舒适区、帮助银河护卫队保护宇宙的过程中，不断拓展自身边界；同样地，在数据探索领域，未来 Tableau 还有许多研究空间，去设计更加灵活且智能的伙伴型系统，为用户提供更具适应性与个性化的数据洞察服务。

如果对这项研究感兴趣，可通过浏览器访问网址，观看 Tableau 研究团队在 IEEE VIS 2024 大会上的汇报视频 或 下载探索成果报告。