data-visualization

Tổng quan

Kỹ năng này làm gì

Kỹ năng data-visualization là một hướng dẫn tập trung giúp biến dữ liệu thô thành các biểu đồ rõ ràng, hiệu quả. Nó hỗ trợ bạn:

• Chọn loại biểu đồ phù hợp (bar, line, scatter, heatmap và các loại khác)
• Áp dụng các nguyên tắc cơ bản về màu sắc để biểu đồ dễ đọc và tiếp cận được
• Thiết lập trục, thang đo và nhãn để con số dễ diễn giải
• Ghi chú các điểm quan trọng để khán giả nhanh chóng hiểu được câu chuyện đằng sau dữ liệu

Kỹ năng được xây dựng quanh các quy trình làm việc cụ thể, có thể lặp lại, sử dụng Python và matplotlib thông qua inference.sh CLI. Các ví dụ minh họa cách đi từ dữ liệu dạng bảng (như CSV hoặc spreadsheet) đến hình ảnh sẵn sàng dùng cho dashboard, báo cáo hoặc slide.

Đối tượng sử dụng

Hãy dùng kỹ năng data-visualization nếu bạn là:

• Chuyên viên phân tích dữ liệu cần các biểu đồ nhất quán, có cơ sở giải thích cho các bên liên quan
• Nhà khoa học dữ liệu muốn tạo nhanh biểu đồ dựa trên matplotlib cho thử nghiệm hoặc báo cáo
• Chủ sản phẩm hoặc vận hành đang chuyển dữ liệu từ Google Sheets hoặc file CSV thành biểu đồ
• Bất kỳ ai đang chuẩn bị slide, dashboard nội bộ hoặc các màn hình BI đơn giản

Kỹ năng này tập trung vào truyền đạt phân tích, không phải xây UI tùy chỉnh hay dashboard web phức tạp. Nếu bạn chủ yếu cần thư viện trực quan hóa front-end bóng bẩy (ví dụ: biểu đồ tùy biến dựa trên D3.js), thì kỹ năng này phù hợp hơn trong vai trò tài liệu tham khảo về thiết kế và quy trình làm việc, chứ không phải một giải pháp triển khai trọn vẹn.

Những vấn đề kỹ năng này giải quyết

Kỹ năng được thiết kế để xử lý các điểm đau phổ biến:

• Chọn biểu đồ không rõ ràng – Giúp bạn quyết định khi nào nên dùng bar, line, scatter hay heatmap, và khi nào nên tránh biểu đồ tròn (pie chart).
• Trục và thang đo gây nhầm lẫn – Đưa ra quy tắc cho khoảng giá trị trục, khoảng cách tick, và cách tránh biểu đồ gây hiểu lầm.
• Sử dụng màu sắc kém hiệu quả – Giải thích cách dùng màu một cách tiết chế để nhấn mạnh, đồng thời đảm bảo độ tương phản và khả năng tiếp cận.
• Nhãn khó đọc – Hướng dẫn cách đặt tiêu đề, nhãn trục và chú thích điểm dữ liệu để thông điệp chính trở nên hiển nhiên.
• Quy trình rời rạc – Minh họa cách tích hợp bước trực quan hóa vào workflow CLI/Python để bạn có thể tự động tái tạo biểu đồ khi dữ liệu cập nhật.

Nếu bạn thường xuyên cần chuyển dữ liệu từ spreadsheet hoặc CSV thành hình ảnh sạch, có thể tái sử dụng cho thuyết trình hoặc báo cáo, data-visualization sẽ cung cấp cho bạn một quy trình có thể lặp lại.

Cách sử dụng

1. Cài đặt kỹ năng data-visualization

Để thêm kỹ năng data-visualization vào môi trường thông qua skills CLI, chạy:

npx skills add https://github.com/inferen-sh/skills --skill data-visualization

Lệnh này lấy định nghĩa kỹ năng và nội dung hướng dẫn từ repository inferen-sh/skills, trong thư mục guides/design/data-visualization.

Sau khi cài đặt, bạn có thể duyệt các file trực tiếp trong công cụ hỗ trợ skills của mình hoặc qua GitHub:

• Mục kỹ năng: SKILL.md
• Đường dẫn hướng dẫn: guides/design/data-visualization/

2. Thiết lập inference.sh CLI (bắt buộc cho ví dụ mã)

Quy trình khởi động nhanh trong kỹ năng này sử dụng inference.sh CLI (infsh) để chạy Python và tạo biểu đồ với matplotlib.

Làm theo hướng dẫn cài CLI được tham chiếu trong kỹ năng:

1. Mở hướng dẫn cài CLI tại:
   • https://raw.githubusercontent.com/inference-sh/skills/refs/heads/main/cli-install.md
2. Cài infsh CLI cho nền tảng của bạn.
3. Xác thực:

infsh login

Sau khi infsh đã được cài và đăng nhập, bạn có thể chạy các ứng dụng mẫu được dùng trong kỹ năng data-visualization.

3. Tạo biểu đồ với Python và matplotlib

Quy trình cốt lõi là gửi một script Python nhỏ tới một ứng dụng infsh chạy matplotlib và lưu ảnh. Kỹ năng cung cấp một ví dụ sẵn có tạo biểu đồ cột thể hiện doanh thu theo tháng:

infsh app run infsh/python-executor --input '{
  "code": "import matplotlib.pyplot as plt\nimport matplotlib\nmatplotlib.use(\"Agg\")\n\nmonths = [\"Jan\", \"Feb\", \"Mar\", \"Apr\", \"May\", \"Jun\"]\nrevenue = [42, 48, 55, 61, 72, 89]\n\nfig, ax = plt.subplots(figsize=(10, 6))\nax.bar(months, revenue, color=\"#3b82f6\", width=0.6)\nax.set_ylabel(\"Revenue ($K)\")\nax.set_title(\"Monthly Revenue Growth\", fontweight=\"bold\")\nfor i, v in enumerate(revenue):\n    ax.text(i, v + 1, f\"${v}K\", ha=\"center\", fontweight=\"bold\")\nplt.tight_layout()\nplt.savefig(\"revenue.png\", dpi=150)\nprint(\"Saved\")"
}'

Script này minh họa một số thực hành tốt mà kỹ năng khuyến nghị:

• Dùng bar chart cho các giá trị theo tháng rời rạc
• Áp dụng một màu sắc đồng nhất, độ tương phản cao cho cột
• Ghi nhãn trục rõ ràng (Revenue ($K)), và tiêu đề mô tả, in đậm
• Chú thích đơn giản phía trên mỗi cột để giá trị đọc được ngay lập tức

Sau khi chạy lệnh, bạn sẽ có file revenue.png mà bạn có thể:

• Chèn vào slide trình chiếu
• Đính kèm trong báo cáo email
• Đưa vào dashboard nội bộ

Bạn có thể điều chỉnh mẫu này cho các loại biểu đồ khác (line, scatter, heatmap) bằng cách thay đổi mã Python, đồng thời vẫn tuân theo các nguyên tắc về chọn biểu đồ, ghi nhãn và màu sắc.

4. Áp dụng hướng dẫn chọn biểu đồ cho dữ liệu của bạn

Trong nội dung kỹ năng data-visualization, bạn sẽ thấy một Chart Selection Guide, bao gồm phần Which Chart for Which Data?. Hướng dẫn này giúp bạn ghép loại dữ liệu và câu hỏi phân tích với loại biểu đồ phù hợp, ví dụ:

• So sánh các danh mục theo thời gian → line chart hoặc grouped bar chart
• So sánh các danh mục tại một thời điểm → bar chart
• Mối quan hệ giữa hai biến số dạng số → scatter plot
• Thể hiện cường độ theo hai chiều (ví dụ: thời gian so với danh mục) → heatmap

Hãy dùng hướng dẫn này để quyết định cách trực quan hóa:

• Dữ liệu CSV xuất từ công cụ phân tích (ví dụ: sessions theo ngày, revenue theo kênh)
• Các bảng trong spreadsheet, như kết quả A/B test hoặc khảo sát
• Dữ liệu đã xử lý bằng Python hoặc SQL, khi bạn cần một biểu đồ cuối cùng cho báo cáo

Kết hợp hướng dẫn chọn biểu đồ với workflow Python/matplotlib ở trên để tạo ảnh một cách tự động thay vì xây từng biểu đồ thủ công trong giao diện GUI.

5. Tích hợp với quy trình báo cáo và slide của bạn

Khi đã cài kỹ năng và có pipeline infsh hoạt động, bạn có thể:

• Tự động hóa biểu đồ định kỳ: bao gói lệnh infsh app run trong một script lấy dữ liệu CSV mới nhất, cập nhật mã Python (hoặc biến dữ liệu) và lưu file PNG mới.
• Chuẩn hóa phong cách trực quan: tái sử dụng cùng màu sắc, font và bố cục trên nhiều biểu đồ để dashboard và slide thống nhất.
• Xuất cho thuyết trình: chèn các file PNG sinh ra vào PowerPoint, Keynote, Google Slides hoặc dashboard trên web.

Kỹ năng data-visualization đặc biệt hữu ích khi bạn muốn một quy trình tuyến lệnh hoặc Python lặp lại, từ dữ liệu spreadsheet hoặc CSV đến biểu đồ sẵn sàng xuất bản.

6. Những file nên đọc trước

Sau khi cài đặt, hãy xem qua các file chính sau để tận dụng tốt kỹ năng:

• SKILL.md – Mô tả tổng quan kỹ năng, lệnh khởi động nhanh và bối cảnh.
• guides/design/data-visualization/ – Các quy tắc chi tiết về loại biểu đồ, trục, lựa chọn màu sắc và cách chú thích.

Hãy dùng chúng như một checklist khi thiết kế biểu đồ mới hoặc chỉnh sửa lại các dashboard hiện có.

Khi nào nên và không nên dùng kỹ năng này

Hãy dùng kỹ năng data-visualization khi:

• Bạn làm việc chủ yếu với dữ liệu dạng bảng (CSV, spreadsheet, xuất từ SQL).
• Bạn muốn chuẩn hóa chất lượng biểu đồ trong báo cáo và slide.
• Bạn thấy thoải mái khi chạy lệnh CLI và các đoạn Python/matplotlib cơ bản.

Kỹ năng này kém phù hợp hơn khi:

• Bạn cần thư viện trực quan hóa JavaScript cho biểu đồ web tương tác phong phú (ví dụ: dự án D3.js phức tạp).
• Bạn đang xây một nền tảng BI nặng và cần phần mềm dashboard đầy đủ hơn là hướng dẫn thiết kế biểu đồ.
• Bạn không dùng inference.sh hoặc không muốn workflow dựa trên CLI; trong trường hợp đó, bạn vẫn có thể dùng các hướng dẫn khái niệm (chọn biểu đồ, màu sắc, chú thích) nhưng sẽ phải tự thích ứng cho bộ công cụ riêng của mình.

Câu hỏi thường gặp (FAQ)

Tôi cài đặt kỹ năng data-visualization như thế nào?

Hãy cài bằng skills CLI:

npx skills add https://github.com/inferen-sh/skills --skill data-visualization

Lệnh này thêm hướng dẫn data-visualization từ repository inferen-sh/skills vào môi trường của bạn, để bạn có thể tham chiếu các quy tắc chọn biểu đồ và trực quan hóa.

Tôi có bắt buộc phải dùng inference.sh CLI để sử dụng kỹ năng này không?

Để chạy nguyên trạng các ví dụ Python/matplotlib được cung cấp, bạn cần infsh CLI. Phần khởi động nhanh của kỹ năng nêu rõ yêu cầu này và đính kèm liên kết hướng dẫn cài CLI. Nếu bạn thích công cụ khác (ví dụ: chạy Python cục bộ, Jupyter hoặc môi trường khác), bạn vẫn có thể sử dụng phần hướng dẫn khái niệm (chọn biểu đồ, lý thuyết màu sắc, chú thích) và tự điều chỉnh mã.

Tôi có thể dùng data-visualization với dữ liệu CSV hoặc bảng tính không?

Có. Quy trình khuyến nghị là:

1. Nạp dữ liệu CSV hoặc spreadsheet vào Python.
2. Chuyển dữ liệu thành list hoặc array phù hợp để vẽ.
3. Dùng matplotlib (như trong ví dụ của kỹ năng) để tạo biểu đồ.
4. Lưu biểu đồ thành file PNG cho dashboard, báo cáo hoặc slide.

Kỹ năng data-visualization tập trung vào cách chọn và thiết kế biểu đồ; bạn có thể cắm vào bất kỳ nguồn dữ liệu dạng bảng nào mà bạn kiểm soát.

Kỹ năng này bao phủ những loại biểu đồ nào?

Kỹ năng đề cập rõ đến nhiều loại biểu đồ, bao gồm:

• Bar chart
• Line chart
• Scatter plot
• Heatmap

Nó cũng phân tích những hạn chế của pie chart và khi nào nên dùng lựa chọn khác. Chart Selection Guide sẽ giúp bạn chọn giữa các loại này dựa trên dữ liệu và mục tiêu truyền đạt.

Kỹ năng này chỉ về mặt thẩm mỹ hay có hỗ trợ phân tích nữa?

Dù trọng tâm là truyền đạt trực quan, các hướng dẫn vẫn hỗ trợ quy trình phân tích bằng cách:

• Khuyến khích các loại biểu đồ thể hiện xu hướng, so sánh và mối quan hệ một cách rõ ràng
• Tránh việc dùng trục hoặc thang đo gây hiểu lầm
• Nhấn mạnh các điểm chính bằng chú thích

Đây không phải khóa học phân tích dữ liệu đầy đủ, nhưng được thiết kế cho analyst và data scientist muốn kết quả phân tích của mình dễ hiểu và đáng tin cậy.

Tôi có thể đưa các biểu đồ sinh ra vào slide và dashboard không?

Có. Các ví dụ Python/matplotlib xuất ra hình tĩnh (ví dụ: revenue.png) mà bạn có thể:

• Chèn vào PowerPoint, Keynote hoặc Google Slides
• Tải lên dashboard nội bộ hoặc công cụ báo cáo
• Đính kèm trong báo cáo PDF hoặc HTML

Vì biểu đồ được tạo bằng script, bạn có thể tái tạo chúng bất cứ khi nào dữ liệu cập nhật và giữ phong cách trực quan nhất quán trong toàn bộ hệ thống báo cáo.

Tôi có thể xem tất cả file hỗ trợ cho data-visualization ở đâu?

Sau khi cài đặt, hãy mở tab Files hoặc duyệt repository tại:

• https://github.com/inferen-sh/skills/tree/main/guides/design/data-visualization

Từ đó bạn có thể xem SKILL.md và nội dung hướng dẫn liên quan, cũng như các tài liệu dùng chung cho những kỹ năng khác trong cùng repository.