随着城市、交通、气象等数据容量和复杂性的与日俱增，可视化的需求越来越大，依靠可视化手段进行数据分析将会成为业内的标准。同时随着上下游产业的完善以及政策的扶持，可视化技术必将在大数据产业中大放异彩。

马云曾经说过，“互联网还没搞清楚的时候，移动互联来了；移动互联还没搞清楚的时候，大数据来了。”

数据可视化 Data Visualization 和信息可视化 Infographics 是两个相近的专业领域名词。狭义上的数字可视化指的是讲数据用统计图表方式呈现，而信息图形（信息可视化）则是将非数字的信息进行可视化。前者用于传递信息，后者用于表现抽象或复杂的概念、技术和信息。

而广义上的数据可视化则是数据可视化、信息可视化以及科学可视化等等多个领域的统称。

数据可视化起源于1960s计算机图形学，人们使用计算机创建图形图表，可视化提取出来的数据，将数据的各种属性和变量呈现出来。随着计算机硬件的发展，人们创建更复杂规模更大的数字模型，发展了数据采集设备和数据保存设备。同理也需要更高级的计算机图形学技术及方法来创建这些规模庞大的数据集。随着数据可视化平台的拓展，应用领域的增加，表现形式的不断变化，以及增加了诸如实时动态效果、用户交互使用等，数据可视化像所有新兴概念一样边界不断扩大。

而我们熟悉的那些饼图、直方图、散点图、柱状图等，是最原始的统计图表，它们是数据可视化的最基础和常见应用。作为一种统计学工具，用于创建一条快速认识数据集的捷径，并成为一种令人信服的沟通手段。传达存在于数据中的基本信息。所以我们可以在大量PPT、报表、方案以及新闻见到统计图形。

但最原始统计图表只能呈现基本的信息，发现数据之中的结构，可视化定量的数据结果。

面对复杂或大规模异型数据集，比如商业分析、财务报表、人口状况分布、媒体效果反馈、用户行为数据等，数据可视化面临处理的状况会复杂得多。

可能要经历包括数据采集、 数据分析、数据治理、数据管理、数据挖掘在内的一系列复杂数据处理，然后由设计师设计一种表现形式，是立体的、二维的、动态的、实时的还是允许交互的。然后由工程师创建对应的可视化算法及技术实现手段。包括建模方法、处理大规模数据的体系架构、交互技术、放大缩小方法等。动画工程师考虑表面材质、动画渲染方法等，交互设计师也会介入进行用户交互行为模式的设计。

所以一个数据可视化作品或项目的创建，需要多领域专业人士的协同工作才能取得成功。人类能够操纵和解释如此来源多样、错综复杂跨领域的信息，其本身就是一门艺术。

数据可视化在发展过程中，科学和工程领域的应用衍生出了分支：科学可视化——“利用计算机图形学来创建视觉图像，帮助人们理解科学技术概念或结果的那些错综复杂而又往往规模庞大的数字表现形式”。

在计算机诞生之前，科学的可视化行为就存在。如等高线图、磁力线图、天像图等等。利用计算机的强大运算能力，人类可以使用三维或四维的方式表现液体流型、分子动力学的复杂科学模型。

比如利用经验数据，科学可视化在天体物理学（模拟宇宙爆炸等）、地理学（模拟温室效应）、气象学（龙卷风或大气平流）模拟人类肉眼无法观察或记录的自然现象；利用医学数据（核磁共振或CT）研究和诊断人体；或者在建筑领域、城市规划领域或高端工业产品的研发过程中发挥重大重用。比如汽车的研发过程中，需要输入大量结构和材料数据，模拟汽车在受到撞击时如何变形。在城市道路规划的设计过程中，需要模拟交通流量。

虽然科学可视化的表现形式对于普通人比较陌生，像粒子系统、散点图、热力图等图表不接受专业训练很难看懂。但实际上科学可视化的成果已经渗透到我们生活的每个角落。

90年代初期，信息可视化领域进入人们的视野。用于解决对异质性数据中“抽象”的部分的分析。帮助人们理解和观察抽象概念，放大了人类的认知能力。

科学可视化和信息可视化的差别比较微妙，因为科学可视化的大部分处理对象都是抽象的概念。在手段和技术上也有大量共同之处。所以边界比较模糊。

大数据时代下的今天，数据井喷似的增长，分析人员将这些庞大的数据汇总并进行分析，而分析出的成果如果是密密麻麻的文字，相信没有几个人能耐心看下去，所以我们就需要将数据可视化，所谓有图有真相，用图表甚至动态图的形式将数据更加直观的展现给用户，减少用户的阅读和思考时间，以便很好地做出决策。