數字有意義，數字乾淨呈現

整合自 Stephen Few《Show Me the Numbers》與 Chip Heath & Karla Starr《Make Numbers Count》。兩本書的角色互補：

Heath & Starr 管 意義層 — 怎樣讓一個數字被人腦「抓住」。
Few 管 視覺層 — 怎樣把數字以圖表/表格的方式正確呈現。

把它們合在一張工作台上，得到一條完整的鏈路： 受眾 → 意義 → 形式 → 乾淨呈現 → 收尾解讀。

0. 一個總框架（開幹前先問這三句）

在寫任何含數字的內容前，先回答：

誰讀？他讀完後要做什麼決定或動作？ （讀者不是抽象的「公司」「團隊」，是一個具體的人。）
整段內容的 ONE takeaway 是什麼？ （能壓縮成一句話的那個結論。如果壓不出來，先回去想，別先畫圖。）
這個 takeaway 是定性的還是定量的？
- 定性的（例如「我們達成目標了」），數字只是支撐 → 用散文 + 1–2 個被錨定的數字。
- 定量的（例如「不同渠道的轉化差異」），數字是主體 → 用表格或圖表。

這一步是產出質量的最大槓桿。形式選錯（圖改成表，或反之），後面再多努力也救不回來。

Part I — 讓數字落地（Heath & Starr 的核心）

人腦沒進化出處理大數字的能力。我們天然處理的是 1、2、3、很多。任何「億、百分、毫秒、納米」都需要翻譯。

Rule 1. 默認動作：能不要寫數字，就不要寫

數字看起來嚴謹，但常常掩蓋意義。讀者看到 23% YoY，不知道這是好是壞，要費腦力跨級比較。

❌ 「我們的留存率是 87.3%。」
✅ 「在我們這一類產品裡，留存表現是頭部的。」

判斷標準：把數字刪掉，意思還在嗎？還在，就刪。保留數字的合法理由通常只有：精確決策、合規留痕、對比要算帳。

Rule 2. 必須保留時，激進地簡化

人能「抓住」的精準度比人願意呈現的精準度低得多。

原數字	抓得到的版本
89.7%	9 in 10 / 接近九成
1,247,856	約 125 萬 / 「破百萬」
2.7×	接近 3 倍 / 「翻三倍」
33.4%	1/3
49.6%	「一半」

默認偏好：

整數 > 小數；分母 ≤ 10 的分數 > 百分比；
「1 in N」比「X%」在 1–2 位數時更好抓（「1 in 4 children」> 「25% of children」）；
概率 → 頻率（「20% chance」→ 「every 1 in 5 patients」）。

例外：財務、合規、醫學劑量等場合，精度本身就是資訊，不能簡化。

Rule 3. 給數字一個「錨」（Translation by anchoring）

漂在空中的數字沒有重量。要把它繫在讀者熟悉的物體、時間、空間上。

經典錨的庫（背下來當肌肉記憶）：

維度	錨
時間	1 百萬秒 ≈ 12 天；1 十億秒 ≈ 32 年
錢	一杯咖啡 $5/天 ≈ $1,825/年 ≈ 22 年買一輛 Tesla
距離	地球周長 ≈ 4 萬公里；LA → NY ≈ 4,000 公里
人口	大型體育場 ≈ 8 萬人；小城市 ≈ 10 萬；舊金山 ≈ 80 萬
數據	一張照片 ≈ 3MB；一部 HD 電影 ≈ 4GB；國會圖書館全部文字 ≈ 15TB
體積/重量	一支奶油 ≈ 113g；一個籃球場 ≈ 420㎡

核心規則：

用讀者的世界，不是你的世界。給會計的錨不是給程式設計師的錨。
同一組數據，給不同受眾，用不同的錨。
錨要讓人 看一眼就抓住，要解釋才用的就不是錨。

Rule 4. 切換維度（Dimensional shifts）

同一個事實，從不同維度講，給人的感受完全不同。

0.1% 缺陷率，聽起來「很低」。
但產量是 100 萬件 → 「1,000 件壞貨」→ 「一整個擠滿人的演唱會」，瞬間炸。

切換的常見組合：

per-day → per-year → per-lifetime
百分比 → 絕對人數
總量 → 人均
累計 → 即時

用法：先寫出幾個維度，挑那個 最貼你想讓對方感受到的情緒 的。

Rule 5. 讓讀者「數」（Process numbers）

大數字一次報出來麻痺；讓讀者自己數出來，記憶和情緒都翻倍。

「想像一個房間裡有 100 個人。其中 32 個……」

把「32%」改成上面這種 100 人劇場，讀者會腦補畫面。這是 Heath & Starr 反覆強調的把抽象量「演出來」。

適用場景：演講、長文開篇、產品故事頁。

Rule 6. 漸強（Crescendo），不要一上來就放峰值

按規模遞增地排列數字，對比觸發「哇」。

「蛇每年殺 10 萬人。狗 2.5 萬。鯊魚 6 個。蚊子？72.5 萬。」

經典結構：從一個普通錨 → 類似量級 → 一個反直覺的更大量。

Rule 7. 數據 + 故事，必須配對

單純的統計：腦信，心不動。
單純的故事：心動，但不知道是個例還是普遍。
同時+：1 個具體的人，配上 1 in 4 的統計。這是慈善捐款、政策敘事、市場敘事的黃金組合。

Rule 8. 拒絕統計學黑話

❌ 「中位數家庭收入是 $75K。」
✅ 「一半的家庭年收入在 $75K 以上，一半在以下。」
❌ 「p < 0.05」
✅ 給非專家讀者：直接說「這個差異不太可能是偶然」或省略。

Part II — 把數字擺好（Few 的核心）

讓數字在視網膜到大腦這條管道裡損耗最小。

Rule 9. 選對形式：散文 vs 表格 vs 圖表

形式	適用	訊號
散文	1–3 個數字嵌在敘事裡	「增長翻倍（47 → 94 單）」
表格	精確查值；4+ 個值；多個單位/指標並列	讀者要讀出具體值
圖表	模式、趨勢、對比、分佈、相關性	讀者要看出形狀

判斷題：你想讓讀者「讀」一個數字，還是「看出」一個形狀？讀 → 表格；看 → 圖表。

Rule 10. 七種定量資訊（Few 的圖表選擇基底）

每張圖都在表達 其中一種 資訊。先確定資訊類型，再選圖。不要從圖樣先選起。

資訊類型	想說什麼	推薦圖	不要用
時間序列 Time-series	一個量隨時間變化	折線圖（連續）/ 柱狀（離散週期）	圓餅圖、雷達圖
排序 Ranking	誰多誰少（已排序）	橫向條形圖（按值排序）	圓餅圖、3D 柱狀
部分佔總體 Part-to-whole	一份佔整體多少	條形圖、堆疊條	圓餅圖 ≥5 片；環圖嵌套環圖
偏離 Deviation	實際 vs 目標/基準	子彈圖（bullet graph）、帶參考線的條形	僅展示絕對值的圖
分佈 Distribution	值如何在區間分佈	直方圖、密度圖、箱線圖	折線連接頻次
相關性 Correlation	X 與 Y 的關係	散點圖（必要時加趨勢線）	雙 Y 軸折線圖
名義對比 Nominal comparison	多類無序對比	條形圖（大→小排序）	圓餅圖、詞雲
（地理）Geospatial	地理分佈	choropleth / 點地圖	3D 地球儀

核心 mantra：資訊類型 → 圖類型。不要反過來。

Rule 11. 預注意屬性（Pre-attentive attributes）

人腦在 200ms 內並行處理這些視覺特徵：位置、長度、寬度、大小、方向、形狀、閉合、顏色色相、顏色明度、運動。

實作規則：

用 ONE 個屬性來編碼數據（條形長度、點的位置）；
用 ONE 個屬性來強調焦點（一個亮色 / 一個加粗）。
不要疊加冗餘屬性「求保險」，會讓眼睛不知道看哪。
永遠不要只靠色相：8% 男性是色盲，加粗/位置/形狀必須能獨立傳達資訊。

精度排序（從高到低）：位置 > 長度 > 角度 > 面積 > 顏色明度 > 顏色色相。所以長度（條形）幾乎永遠勝過角度（圓餅圖）。

Rule 12. 顏色紀律（Color discipline）

顏色不是裝飾，是一種頻寬極窄的信道。亂用顏色 = 把高優先級頻寬浪費在背景上。

默認全灰，留色給那個唯一焦點。
高飽和 = 強調；低飽和 = 上下文。
背景永遠不要純白純黑：朝品牌色調一點點（OKLCH 裡 chroma 0.005–0.015）。
別條件反射用藍色（h≈250）或暖橙（h≈60），那是 AI/SaaS 默認陷阱。

顏色按用途分三種語義：

用途	配色規則
序列型（如收入檔位）	單一色相，明度從淺到深
分歧型（如盈虧，正負偏離）	兩個色相從中點分開（藍↔紅、青↔橙）
類別型（如不同地區）	最多 6 個色相；超過用位置/直接標籤替代

自檢：把圖截圖轉灰度還能讀出來嗎？讀不出來就重做。

Rule 13. 刪非數據墨水（Non-data ink）

不承載資訊的元素：刪，或淡。

3D、陰影、漸變填柱：全刪。
網格線：刪；保留時降到 5–10% 不透明度。
背景色塊：刪。
圖表外框：刪。
圖例：能直接線上/柱旁標，就不要圖例。
座標刻度：1,234,567 → 「1.2M」。

Tufte 的 data-ink ratio 原則：每一滴墨水都該承載資訊。

Rule 14. 條形圖的硬規則

Y 軸必須從 0 起（條形長度直接編碼量級，截斷 = 說謊）。
按值排序（除非類別天然有序：週一到週日、年齡段）。
類別標籤長 → 橫向條形圖。
條間距 ≈ 條寬的 20–30%。
焦點條用品牌色，其餘灰色。

Rule 15. 折線圖的硬規則

Y 軸可以不從 0 起（編碼的是相對位置/趨勢）。
最多 5 條線；超過會變義大利麵。
直接在線尾標名字，不要圖例。
焦點線高飽和 + 加粗，其餘線灰色。
X 軸時間間隔均勻。

Rule 16. 圓餅圖的硬規則

默認：不要用圓餅圖。
僅當：① 切片 ≤ 4，② 「佔比」是核心資訊，③ 切片差距大到一眼能看出。
必須滿足：從 12 點鐘開始，最大切片在右側順時針放置；按大小排序。
環圖（donut）可以接受 — 中心放焦點數字。

Rule 17. 表格設計

數字右對齊，小數點對齊。
同列同小數位數。
等寬數字（CSS：font-variant-numeric: tabular-nums; font-feature-settings: "tnum"）。
行分組用空白或 淡底色，不要同時用。
重網格線殺可讀性 — 用空白 + 極淡分隔。
焦點行/列用淡底色或加粗，不要用紅綠條紋（colorblind + 像 Excel）。
總覽先放，細節後放。最多可見 7 行；其餘折疊。

Rule 18. Dashboard 設計

Few 的核心主張：dashboard 是「重要資訊一屏可見」，不是數據百貨。

單屏，不滾動。
優先級排版：左上 = 最重要（F-pattern）。
每個 dashboard ONE 個主行動點（「應該讓人做什麼」）。
用 bullet graph 替代儀表板 gauge（見 Appendix B）。
sparkline（行內迷你折線）讓趨勢一眼可見，不佔空間。
沒有 logo 浮水印、沒有裝飾圖示；圖示只能承擔「分類」職能。

Part III — 決策流（拿來即用）

Decision Tree A：要不要加數字

有結論可講？
├─ 是 → 數字能讓結論更可信/可決策嗎？
│   ├─ 能 → 保留 1–3 個，按 Rule 2 簡化、Rule 3 錨定
│   └─ 不能 → 刪
└─ 否 → 先想結論，再回來

Decision Tree B：用什麼形式呈現

讀者要做的動作：
├─ 讀出具體值 → 表格
├─ 看出形狀/趨勢/對比 → 圖表（按 Rule 10 選）
├─ 記住一個結論 → 散文 + 1 個被錨定的數字
└─ 既要看形狀又要查值 → 圖表為主 + 可展開的表格

Decision Tree C：圖選哪種（七問法）

問題	答 yes 用
是不是隨時間變化？	折線圖
是不是分類間排序對比？	橫向條形圖
是不是部分佔整體？(≤4 類)	條形 / 環圖
是不是「實際 vs 目標」？	bullet graph
是不是值的分佈？	直方圖 / 箱線圖
是不是 X-Y 關係？	散點圖
都不是，純類別比較？	條形圖

Smell test（出貨前 30 秒自檢）

如果以下任意為真，返工：

圖表看上去像 Excel 默認（藍色柱、灰背景、3D）。
用了圓餅圖但切片 ≥ 5。
條形圖 Y 軸不從 0 起。
顏色超過 3 種且沒有語義。
有圖例但能用直接標籤。
數字精度超過決策需要（e.g. 87.34% 用在溝通裡）。
截圖縮到 30% 還能讀出焦點嗎？讀不出 → 重做。
截圖轉灰度還能讀嗎？讀不出 → 重做。

Part IV — 按場景應用

A. 日常更新（Slack、郵件）

數字 ≤ 3 個；其餘講故事。
結論先行，數字括號化：
- ❌ 「WoW 變化：+100%」
- ✅ 「銷售翻倍（47 → 94 單）」
等寬字體頻道裡，用 ▁▃▅▇█ 做 sparkline。
數字 ≥ 4 → 截圖小表，不要在正文堆。

B. 彙報 / Deck

每頁 ONE 個 headline 數字，醒目居中。
headline 必須配錨或對比基準：

「Q1 營收 $4.2M（vs Q4 的 $3.1M，行業平均 +5% 我們 +35%）」
實際 vs 目標 → bullet graph，不要 gauge。
表格：可見 ≤ 7 行；其餘折疊到附錄。
絕對不要：3D、漸變、Logo 浮水印蓋圖、陰影投射。

C. 網站 / Landing Page

Hero 數字：ONE 個超大數字 + 一行錨（「≈ 12 次往返月球」）。
數字滾動動畫：僅在首次進入視口時；遵守 prefers-reduced-motion。
KPI 信任欄（3–4 個數字）：用 字重 + 字號差異，不要每個套盒子（盒子裡套盒子是 CLAUDE.md 明令禁止的）。
SVG 圖表 + 系統字體 + OKLCH 品牌色，行動端用 viewport 單位響應式。
不要把圖表渲成 PNG 嵌網頁，糊。

D. Dashboard / 產品 UI

單屏優先；詳細數據放二級頁。
bullet graph > gauge。
直接標籤 > 圖例。
表格條件著色：用淡品牌色調，不要紅綠斑馬紋。
Tooltip 給精度，主視圖給約值。
即時變更別用閃爍；用 淡入 200ms + aria-live 通知。

E. 公開演講

漸強（crescendo）3 個數字，規模遞增。
每個數字獨佔一頁，配錨。
說出錨後停頓 2 秒，讓它落地。
故事 + 統計配對。
不要在台上讀 5 位小數。

F. 學術 / 報告寫作

這是少數不能簡化的場合（精度即資訊）。
但摘要 / Executive Summary 仍要按 Heath & Starr 簡化。
表格：APA 風格，數字右對齊，單位寫在表頭。
每張圖配文字解讀（「這張圖說明 X」），不要讓讀者自己推。

Part V — Self-review 十條清單

每次出貨前過一遍：

☐ 刪掉這個數字會損失意義嗎？不會則刪。
☐ 數字簡化到了「抓得住」的精準度（整數 / 半數 / 三分之一 / 「1 in N」）？
☐ 給了一個 這位讀者熟悉 的錨？
☐ 是按「資訊類型 → 圖類型」選的，不是按「看起來好看」？
☐ 主視覺編碼（位置/長度/顏色）匹配資訊類型？
☐ 全圖只有 ONE 個焦點元素（顏色 / 大小 / 位置）？
☐ 刪乾淨了非數據墨水（無 3D、網格淡、軸線最少）？
☐ 條形圖 Y 從 0；折線圖焦點直接標註？
☐ 縮到 30% 大小、轉灰度，還能讀出焦點嗎？
☐ 配文 / 標題點出了 takeaway，不是只重複圖裡有什麼？

Appendix A — 錨的速查庫

維度	錨
時間	1M sec ≈ 12 天；1B sec ≈ 32 年
錢	日 $5 ≈ 年 $1,825 ≈ 10 年 $18K
距離	地球周長 ≈ 40,000 km；馬拉松 ≈ 42 km
人口	體育場 ≈ 8 萬；舊金山 ≈ 80 萬；新加坡 ≈ 600 萬
數據	照片 ≈ 3MB；HD 電影 ≈ 4GB；GPT-4 訓練數據 ≈ TB 級
速率	閱讀速度 ≈ 250 詞/分鐘；正常步行 ≈ 5 km/h
概率	1 in 1M ≈ 一年內被雷擊的概率
體積/重量	一支奶油 ≈ 113g；一顆雞蛋 ≈ 50g；籃球場 ≈ 420㎡

Appendix B — Bullet graph 規範（Few 的發明）

替代儀表板 gauge，用更少像素表達更多資訊。

poor      satisfactory       good
█▓▓▓▓▒▒▒▒▒▒▒▒▒▒▒░░░░░░░░░░░░░░░░░░
       ━━━━━━━━━━━━━━━━━              ← actual (深色窄條)
                          │            ← target (短豎線)
0          50            100

構成：

背景三段灰階帶：差/合格/優（由深到淺或反之，單色明度差）。
前景窄條：當前實際值。
目標刻度：一根短豎線。
量化軸：一行刻度。

數據密度約為 gauge 的 10×。

Appendix C — 30 條規則速查（一頁列印版）

意義層（Heath & Starr）

默認能刪則刪。
整數 > 小數；分數 > 百分比（小分母時）。
給讀者熟悉的錨。
同一事實，挑感受最強的維度講。
讓讀者自己「數」。
漸強排列，不要先放峰值。
故事配統計；統計配人。
拒絕統計學黑話。

視覺層（Few）

散文 / 表格 / 圖表 — 按「讀者要做什麼」選。
資訊類型 → 圖類型。
一個屬性編碼數據；一個屬性做焦點。
默認全灰，留色給焦點。
刪非數據墨水。
條形圖 Y 從 0；按值排序。
折線圖直接標線尾，不要圖例。
默認不要圓餅圖。
表格右對齊 + 等寬數字 + 空白行分組。
Dashboard 單屏，bullet graph 替 gauge。

通用紀律

永遠不只靠色相（colorblind）。
測灰度 + 測 30% 縮放。
不用 3D / 陰影 / 漸變填柱。
直接標籤 > 圖例。
數字精準度匹配決策需要。
一圖一資訊（不要雙 Y 軸疊加）。
背景不純白純黑（OKLCH 微染品牌色）。
標題/配文點 takeaway，不是描述圖。
Dashboard 一個主行動點。
不要盒中盒、3D 球、詞雲、雷達圖（除非真的有 5+ 維 profile）。
prefers-reduced-motion 永遠遵守。
出貨前過一遍 Part V 十條清單。

Related skills

Part of a small family of open agent skills for trustworthy, clear communication:

reduce-hallucination — audit LLM agents; ground, cite, abstain.
better-doc — Classic Style + Smart Brevity.
numbers — make numbers meaningful, and show them cleanly.

在你喜歡的 AI 中提問

說明文件