南安普敦 MANG2103《数据可视化》：100% 一个项目定成绩，图要会说话

南安普敦 MANG2103《分析实施 II：面向有效沟通的数据可视化》是本科 Level 5、Semester 1 模块：成绩 100% 来自一个数据分析项目，核心是把大数据画成能说服人的图。

课程官网（学校官网）：https://www.southampton.ac.uk/courses/2026-27/modules/mang2103

MANG2103 是一门什么课？

一句话：这是一门「一半艺术、一半科学」的数据可视化课——教你从大数据里挖出故事，再用图把它画得让人一看就懂、一说就信。

这是南安普敦大学（University of Southampton）的本科模块，课程代码 MANG2103，英文名 Analytics Implementation II: Visualising Data for Effective Communication，中文常译「分析实施 II：面向有效沟通的数据可视化」。学分 15 CATS / 7.5 ECTS，Level 5（本科第二年级），Semester 1 开课，学年 2026-27，模块负责人 Zixu Liu。

学校官网的课程概览给了一个很有画面感的引子：数据被称为「新石油」，但很多人并不会有效使用它；大数据体量大、格式多、流速快，而可视化是理解数据最快、最有效的技术之一——善于揭示成百上千个因素之间的复杂关系，支撑快速决策。

课程目标是：装备你用可视化分析解读大数据的技能——可视化为什么有效的理论、指导原则、大数据的本质与挑战；通过跨学科的真实数据集，创建有说服力的可视化，揭示数据背后的核心故事。

大纲有十一项，可以分三段：

前段——理论与工具：

1. 大数据的本质与挑战。
2. 可视化理论：格式塔知觉原理、心理学视角、色彩标记。
3. 软件入门：SAS JMP、SPSS Visualisation Designer、Tableau Desktop。

中段——按可视化对象递进：

1. 数字的有效呈现。
2. 计数与频率。
3. 均值差异。
4. 关系。
5. 网络群体聚类。
6. 预测建模。
7. 文本可视化（课程举的例子是「The discography of Prince」——普林斯作品目录）。

收口：

1. 小屏幕上的大数据（移动受众）。

这个排列很有讲究：前半打理论与工具，中段按「你想让读者看到什么」逐类递进，最后收在移动端——每周一个可视化类型，是天然的复习单元。

还有一句关于定位的话很关键：学校官网强调可视化 part art, part science——不像其他分析技术那样依赖统计编程，适合有兴趣、有创意、会用电脑的人。也就是说，这门课刻意压低了编程门槛，重心在判断与表达。

教学形态也值得单独说：这门课是实验室型协作主动学习——12 次讲授与实验一体的 lectorial，每次先讲座再实验，四人小组对分配的大数据集应用当周技术；学期内至少一次行业嘉宾讲座。数据来自 ESRC 研究项目，学生需要注册 UK Data Service 取用。资源方面，学校官网列了教学软件（SAS JMP、SPSS Visualisation Designer，或其他等效软件包）与两本教材（Mollerup 的《Data Design》、Knaflic 的《Storytelling with Data》）。

这套安排的含义是：课堂不是听讲，是干活。 每次课都要在小组里对真实数据动手，课前没准备就会全程跟着别人跑。

和国内数据可视化课有什么不同？

最大的差别是「重判断不重代码」：国内教学以 Excel 或 Python 绘图为主、重代码实现；这门课用拖拽式工具，重心在选型判断与设计原理，还从知觉心理学讲起。

• 工具与重心不同：国内重代码实现；这门课用 SAS JMP、SPSS、Tableau 这类工具，重心是「选对图」与「讲清楚」。
• 理论基础不同：这门课以格式塔知觉原理与心理学为基础，回答「可视化为什么有效」；国内同类课几乎不讲知觉理论。
• 数据来源不同：实验数据来自 ESRC 资助的真实研究项目（UK Data Service），不是练习数据集；国内课程多用模拟或清洁数据。
• 考核形态不同：100% 数据分析项目、零考试；讲授与实验一体的 lectorial 模式在国内也少见。

考核怎么算？

Data analysis project（数据分析项目）占 100%。补考与重修同样是数据分析项目 100%，Repeat type 为 Internal & External。

形成性反馈写着 Class participation（课堂参与）——不计最终成绩，但反馈渠道有三条：口头反馈贯穿 lectorial 与一对一 office hour；书面反馈经邮件；同伴互评也是关键的一环。

这套结构有两面：

• 有利的一面：平时每次 lectorial 的练习都在给项目攒零件，三条反馈渠道全程开放——你几乎可以在任何一周拿到「这张图哪里看不懂」的直接反馈。
• 不利的一面：数据分析的工程周期不可压缩，拖延者没有翻盘节点。一个项目定全部成绩，意味着选题、数据处理、可视化、叙事报告一条龙，任何一环塌掉都会反映在总分上。
• 一个容易低估的点：项目就是简历上的作品集核心件。把它当作品做，而不是当作业交。
• 三条反馈渠道要用满：口头反馈在课上和一对一答疑时最直接；书面反馈走邮件；同伴互评能暴露「别人看不懂你哪张图」。三条都用，改进速度完全不同。

考试时长之类的问题在这里不存在——没有考试。真正的「时间限制」是项目周期，而项目周期从学期初就开始算了。

先修要求是什么？

前置要求是：MANG1047，或者 MANG1019 与 MANG1040（管理类数据分析与统计基础课）。

这组前置覆盖了统计基础与数据分析入门。编程明确不要求——学校官网说这门课不像其他分析技术那样依赖统计编程，会用电脑加有创意就够了，可视化软件课内从零教。

适合谁：有创意兴趣、想学「用图讲故事」的商科学生——编程门槛刻意压低，视觉与叙事能力才是核心；对数据敏感但不擅长统计建模的学生——可视化是数据分析里偏「设计与沟通」的路径；目标为商业分析、市场洞察或咨询方向的学生——向决策者呈现数据是这些岗位的日常。

不太适合：抗拒小组协作与课堂参与的学生。lectorial 模式要求每次课都动手，四人小组共同分析同一份数据集。

学完能做什么？

核心是四件事：能用可视化软件对大型数据集出图、能按目的与信息准则选对可视化技术、能以图形与书面形式有效沟通并论证观点、能把数据背后的故事讲给决策者。

学校官网的学习成果分四组：

• 知识与理解：最广泛使用的可视化技术的能力与局限；准确性、清晰度与创意的重要性；大数据的本质与挑战。
• 专业与研究能力：考量目的与信息准则选对可视化技术；将 Excel 工作表、文本表读入 SAS JMP 或 SPSS Visualisation Designer。
• 专业实操能力：使用可视化软件包对大型数据集生成可视化。
• 可迁移能力：以图形与书面有效沟通，在报告与展示中论证观点；自我管理学习；规划与控制工作量。

能力上，走完的是「拿到大数据 → 选择可视化策略 → 软件实操 → 产出叙事报告」这条完整链路——这正是数据分析师与商业智能（BI）岗的核心交付能力。

去向上：商业分析、数据可视化设计师、BI 分析师、市场洞察岗直接对口；SAS JMP、SPSS、Tableau 的实操经验是简历上的技能标签。那个 100% 的数据分析项目就是作品集核心件——面试时演示「我从一组杂乱数据里讲出了这个故事」，比任何成绩单都有说服力。

还有一层长期的收益：你会养成「先想读者是谁」的习惯。 同一份数据，给管理层看要一页结论图，给同行看要完整细节，给公众看要避免误导——这个意识一旦建立，后面做任何汇报都会自动切换。

难点与常见挂因

这门课的难点不在技术门槛，而在判断力：选对图、讲清故事、在准确与好看之间拿捏。而 100% 一个项目的结构，意味着这些判断没有第二次机会。

为什么中国学生容易在这里卡？

• 「选对图」的判断最容易被跳过。 可视化类型有十来种，同一组数据可选多种图形但各有最佳适配。国内数据课偏「统计软件出图」的默认图表，学生第一次被要求「先想清楚要传达什么再选图」时，选型理由说不清——项目扣分往往就在这一步。
• 格式塔原理不会转化成设计判断。 知觉原理（相近、相似、闭合、连续）不是背诵概念，而是要变成「为什么这张图比那张更易读」的判断。国内设计课与数据课分家，学生第一次用心理学原理指导出图时只会套规则，不理解背后的机制。
• 大数据的工程现实。 大数据集格式杂、有缺失、字段脏，读入软件本身就是门槛。国内练习用小数据集，第一次面对 UK Data Service 的真实研究数据（几千行、多格式），导入与清洗阶段就吃掉大量时间。
• 「准确与创意」的平衡难。 课程明说可视化要 accuracy、clarity 且 creative，但三者会打架——有创意的图可能牺牲清晰度。国内评分只看「画对了没」，第一次被同时要求美观与严谨时，度很难把握。
• 100% 项目的综合压力。 一个项目承载全部成绩，且学期前期技术积累不足时，项目选题就已经到来了。
• 可视化术语的双语断层。 Gestalt、notation、binning、facet 这些术语在国内课程中极少系统出现；课上每个词都要现场消化，笔记跟不上节奏。
• ESRC 真实数据的语境。 数据涉及英国社会语境（消费调查、人口结构），拿到数据看不懂变量含义，可视化就无从下手。
• 小组协作里的角色容易被边缘化。 四人小组每次课共同分析同一数据集，讨论全程英文；技术操作强但讨论话语权弱，贡献被低估。
• 英文数据叙事写作。 项目含叙事报告，要写出「这张图揭示了什么、建议什么行动」；只会描述图表不会论证观点，是典型症状。
• 软件生态从零起步。 SAS JMP 与 SPSS Visualisation Designer 在国内本科几乎不用，第一次课连数据都导不进去。
• 自我管理的学习模式。 独立学习占大头，且协作式主动学习要求课前准备；课前不预跑数据，课上就全程跟跑。

卡住之后会发生什么？

• 图选错，同一数据集换三种图却说不清各为什么，项目论证分低。
• 数据导入与清洗超时，项目前两周都在处理格式，后面全线压缩。
• 报告只有图没有论证，变成图表罗列，说服力为零。
• 为了美观牺牲清晰，图被同学第一眼看不懂。
• 小组里隐身，同伴互评没提到你，贡献分自然低。
• 项目拖到最后，第八周还没定选题，工程周期已经不够。

五处高频卡点

1. 选型判断：先说清要传达什么，再选图。
2. 设计原理转化：知觉原理落到「为什么更好读」。
3. 真实数据工程：导入、清洗、字段理解。
4. 准确与创意的平衡：好看不能牺牲可读。
5. 叙事论证：每张图配「发现—含义—建议」。

常见挂因与对应动作

• 图选错了。 机制：没想清楚要传达什么就动手。早期信号：同一数据集换了三种图但说不出各为什么。怎么补：每次出图前先写一句「这张图要让读者看到什么」，练十个选型判断。
• 数据导入清洗超时。 机制：真实数据脏且大。早期信号：项目前两周还在处理格式。怎么补：第一周完成 UK Data Service 注册与数据导入，各格式导入各练两次。
• 报告只有图没有论证。 机制：可视化做完不知道怎么讲。早期信号：报告只是图表罗列。怎么补：每张图配「发现—含义—建议」三句，仿写教材案例。
• 美观牺牲清晰。 机制：创意用过头。早期信号：图被同学第一眼看不懂。怎么补：每张图给同伴五秒看一眼，说不出主要信息就重画。
• 小组中隐身。 机制：课前不准备，讨论插不上。早期信号：同伴互评没提到你。怎么补：每次课前预跑数据，认领可视化产出角色。
• 项目拖到最后。 机制：数据分析工程周期不可压缩。早期信号：第八周还没确定选题。怎么补：第三周定选题，并倒排数据处理、可视化、写作三段死线。

留学生特别提醒

中国学生最容易在六处吃亏：术语跟不上、看不懂社科数据变量、小组里话语权弱、报告只会描述不会论证、软件从零起步、课前不准备。

• 开课前通读一本可视化叙事教材并做英文术语卡：听到术语能三秒想到一个视觉示例，才算够。
• 第一周就注册 UK Data Service 并浏览三个数据集的说明文档：能说出每个数据集「研究的是什么人群的什么问题」，才算够。
• 主动认领「可视化产出者」角色：图是你做的，解读就由你主导；每次讨论前把当周数据预跑一遍。
• 报告每个可视化配「发现—含义—建议」三句论证，照这个结构写，比写长篇描述更得分。
• 开课前用软件试用版跑官方入门教程：能独立从 Excel 导入数据并出一张交互图，才算过关。
• 每次课前预读并预跑当周数据，带着一个卡点进教室——这门课的课堂是干活的地方，不是听讲的地方。
• 别把美观当第一位：先让图读得懂，再谈好看。

怎么准备？

准备的关键是三条：把软件先跑通、把真实数据先摸熟、把「发现—含义—建议」的叙事结构练成习惯。

• 软件先行：SAS JMP 或 Tableau 的官方入门教程跑一遍。
• 注册数据平台：UK Data Service 注册，浏览数据集说明。
• 术语卡：Gestalt、binning、facet 等，配视觉示例。
• 选型练习：同一数据集做三种图，各写一句「为什么选它」。
• 叙事结构：每张图三句话，练十遍。
• 同伴五秒测试：每张图给同伴看五秒，说不懂就改。
• 第三周定选题，倒排三段死线。
• 把项目当作品做：迭代版本留好，后面就是作品集。
• 提前练一次完整交付：从原始数据到一页报告走一遍，你会立刻发现自己在哪一段最慢。

中英术语速查

• data visualisation —— 数据可视化：用图形呈现数据。
• Gestalt principles —— 格式塔原理：解释人如何组织视觉信息的知觉规律。
• proximity / similarity / closure / continuity —— 相近 / 相似 / 闭合 / 连续：四条常用知觉原则。
• colour notation —— 色彩标记：用颜色编码信息的方式。
• binning —— 分箱：把连续数值分组。
• facet —— 分面：按类别拆成多个小图对比。
• counts and frequencies —— 计数与频率：出现次数的统计。
• means —— 均值：集中趋势的度量。
• relationships —— 关系：变量之间的关联。
• network clustering —— 网络群体聚类：识别网络中的群组结构。
• predictive modelling —— 预测建模：用数据预测结果。
• text visualisation —— 文本可视化：把文本数据画成图。
• storytelling with data —— 用数据讲故事：以叙事组织可视化。
• lectorial —— 讲授与实验一体的课堂形式。
• UK Data Service —— 英国数据服务平台：提供社科研究数据。
• ESRC —— 英国经济与社会研究理事会：资助社科研究的机构。
• data analysis project —— 数据分析项目：本课唯一的计分考核。

关于我们

鱼之跃做在读留学生的学业支持，服务分两块，界限很清楚：

辅导＝老师授课：由 QS 前 200 院校的硕博老师把课程的知识点、推导链、作业要求讲透，按对口专业配课；覆盖同步辅导、论文辅导、考前辅导、预习。

护航＝你的学业管家：排计划、理材料、理流程这些杂事都替你打点好，该提前准备的他先想到；你只管学，有事随时找，需要时都在。同地区的留学学姐，熟悉你所在学校的节奏。

学术问题上的申诉，我们做材料梳理与流程陪跑，不代写、不代考、不碰学术诚信边界，也不承诺任何成绩。

课程官网与核对说明

课程官网（学校官网）：https://www.southampton.ac.uk/courses/2026-27/modules/mang2103

本文涉及学校、模块代码、学分、层级、学期、学年、课程内容、教学形式、软件与教材资源、考核结构（含补考重修与形成性反馈）、前置要求的事实，均来自上述学校官网模块页；核对时间为 2026-10-30。文中「与国内课程差异、先修判断、难点、适合谁、怎么准备、学完能力」等属于基于课程内容的分析与学习建议，不代表学校官方要求。

← 学业指南首页课程库