【硬核技术文】研发绩效，AI算法的完美舞台

作者 | 胡豫陇

清华大学博士后

方云智能团队核心成员，AI算法应用专家

方云创始团队具有深厚技术研发和企业管理经验，依托长期行业积累和对数字化产业的深刻理解，以数字化方式评价研发团队，驱动企业精确度量研发组织及个人的工作效能，合理调配研发资源。帮助技术决策者精确测评研发组织绩效（便于向上汇报、平级沟通）和个人绩效（便于向下管理）。回顾2020年度，我们在数据分析方面，基于实际用户数据做了大量尝试，取得了显著成效，并将研究成果转化为实际应用，深度提升了产品能力。

（一）算法研究过程

算法研究的基础是数据，无论是基于数学和经验知识的建模分析，还是基于统计学和机器学习的数据分析，都需要依托数据来开展。

算法研究的第一步 ，我们建 立了自主的数据指标体系，并在这个指标体系基础上，开展后续的研究。 指标体系由三级指标组成，一级为最基础元数据，二级指标由一级指标计算得到、三级指标由二级指标和一级指标计算得到。一般来说，高级指标具有更高的信息密度，在进行信息表征时，也能够实现更加深度的信息传达效果。但另一方面，数据分析时并不是选择的高级指标越多，越有效果。而是要根据具体场景和算法要求，选择必要的各级指标，才能达到所需的分析效果。例如在kmeans算法中，低级别指标反而具有更好的分类效果，而在SVM算法中，则需要高级别指标。

研究的第二步，Kmeans。 我们鉴于元数据收集较为完整，同时数据量不是很大的情况，结合sklearn的算法选择引导图，选择了Kmeans算法对员工的行为数据进行无监督学习聚类。

在选择了若干基础指标数据的同时，我们引入RFM思想，将员工在指定周期内的工作新鲜度（R）、工作频次（F）和工作量（M）也作为聚类指标，一并用于算法聚类，取得了十分明显的分类效果。这里的核心在于我们不仅通过基础指标评价了员工的工作结果数据，还通过RFM方法评价了员工的工作过程数据。将这两类数据相结合做出的聚类，能够很好的对员工进行分类表征。分类结果的解读可以直接根据指标的含义进行解释。

研究第三步，SVM。 在聚类取得了较好的效果的基础上，我们认为数据质量是可靠的，这相当于我们有了很好的客观数据集，在此基础上，我们提出由企业管理者对员工的表现进行打分，形成Label，这样我们就得到了监督学习的训练集，从而可以对员工行为进行监督学习下的预测。这项工作我们进行了多种尝试，并最终通过特征工程，选取了最为有效的15个指标，来作为员工行为的表征指标。

这里我们回顾一下研究的历程，以作为以后研究的经验参考。SVM最初分析时，我们选择了多于60个指标进行监督学习，但是学习效果并不好，类别间的区分度很低，这主要是由于过多的指标导致SVM算法无法清楚地寻找到类别间的界线。所以我们通过一些特征工程的方法，来进行降维。首先通过pearson相关度分析，我们将大量的指标根据关联度，分为了24类，每一类中的指标都具有高度的相关性。因此可以在每一类指标中选出一个最具代表性的指标。这个选取过程由我们研究团队根据实际情况，选择了最具代表性的24个指标。其次，24个指标做SVM依然过多，我们用RFE算法来判断哪些指标对学习准确率影响最大，从而来选出最有效的那些指标。RFE过程中，我们使用Lasso、Ridge、Logistic、RFClassifier、linerSVM这5种算法来作为筛选器，分别得到每一种算法下最有效的特征，进而，我们选取那些被更多算法视为“有效”的特征，例如任务平均完成时长，在5种筛选器种都被认为有效，那么这个特征对于我们做监督学习，就是一个很好的特征。

此外，特征筛选还应考虑一个问题，那就是筛选器和分类器是否要具有相同的算法范式。例如，如果分类准备用SVM，那么筛选器就业要选SVM类的。这样才能保证筛选出来的特征，在对应的分类算法下是最为有效的。

研究第四步，数据分布拟合。 虽然在前三步研究中我们取得了一定的成效，但通过仔细检验已有的数据我们发现数据仍然存在两方面问题，一是一些数据还是会存在漏填、错填的问题，这属于数据错误问题。二是在填报比较完整的数据中，存在一些极值数据，这些数据并不一定是错误数据，也有可能是个别员工行为表现异常导致。无论是哪种情况导致的数据异常（前提是已经预处理过缺失值），我们都可以通过拟合数据的分布，来判断数据的分布情况，并寻找那些离群点。

在数据分布拟合研究中，我们通过对多种分布函数的尝试，最终提出可通过正态分布、F分布、卡方分布、Gamma分布这四种常见的分布函数来拟合员工行为数据。以正态分布为例，如果我们拟合某个指标符合正态分布，那么我们可以认为左右两侧5%区间以内的数据是常规行为，而两侧5%以外的数据是异常行为。并且通过进一步分析我们发现，一侧5%到千分之一之间的数据，有时也属于合理行为，而一侧千分之一以外的数据，才最有可能称为异常行为。通过这样的分析，我们就可以通过数据分布拟合的方式，来发现员工的异常行为数据，并提出对应的管理策略。

此外，我们还曾提出在拟合时，要拟合显著才能认为数据符合某一分布。但如果这样判断，我们发现有的数据并不满足显著的要求，但是数据确本身具有很强的实用信息，因此我们提出，不必以显著为分析前提。而这其实也表明，数字化时代，要以更加符合实际的分析手段来分析数据，指导业务。而不用拘泥于过于学术或刻板的分析标准。

总结而言，在这四条主线研究思路下，我们对合作客户的员工行为数据开展了特征工程、非监督学习、监督学习、数据分布拟合等一系列标准的算法研究。进而，结合实际应用场景，将研究结果转化为了具体应用。接下来总结一下所形成的具体应用。

（二）产品转化结果

研究成果向产品转化，是一个不断积累，由量变引起质变的过程。在最初的研究中，我们会在多个点上开展研究，但最终哪些研究成果能转变为实际应用，是不确定的。而随着研究的增多，能够转变为实际产品功能的成果就会显现，这体现在三个层次。第一层次，一些好的研究点，一些对特定场景的解决方案，能够转变为实际产品功能。第二层次，单个功能点看似没有太大价值，但是当出现某个典型功能点后，我们会意识到，其他看似无用的功能点，却是对这个典型功能点的有效补充。第三层次，多个研究会呈现出一些共性，这些共性能够转化为产品思路和产品模式，这是要比单点产品功能更具价值的地方。这样的由研究向产品转化的思路，扎根实践，又提炼总结，是具有很好的参考意义的。

我们在多个研究点探索后，不断思考如何将研究点转化为实用的功能，这既要结合客户需求，也要结合我们自己对用户痛点、产品功能的设计。2020年度的研究，我们始终在做的主线是员工行为画像，无论是监督学习还是非监督学习，都是为了选定一套合适的指标和权重，来达成对员工的排名。在这个思路下，我们整合多种排名算法，最终提出：由用户自主选择排名模式。在不同的排名模式下，我们为用户提供不同的算法或排名方式，这就相当于我们以后端智能化的方式，满足了用户在前端多样化的需求。而这也正是数字化时代，产品以智能化方式，为用户提供个性化功能的体现。具体而言，我们为用户提供四种可选模式，来实现对员工排名。

模式一、行业最佳实践 ，以成熟用户已有案例，制定一套指标和相应权重。用户选取想要的案例类别，我们根据其实际数据，计算相应排名结果。这里打分模式有两种，一是产品自定义给出，二是根据已有打分排名，用Kmeans确认不同类别优秀度，回归树反推指标权重。

模式二：AI聚类算法 ，系统对员工进行自然状态进行三次或多次kmeans聚类，每次调整指标种类和权重，然后由客户选择一种符合预期的聚类结果，那么客户的选择就对应了指标种类和权重。

模式三：AI监督学习 ，对员工进行kmeans聚类，得到n个类别，客户对n类按优秀度进行排序打分，接下来，系统依据打分情况，通过RFE算法（Estimator选用决策树回归或决策树分类），判断不同指标重要度。

模式四：AI辅助定制（纯手动） ，由用户指定n个指标，并为n个指标确定权重，系统对员工进行排名，可选择算法有：加权求和、RandomForestRegressor、GradientBoostingRegressor。备注，后两种具体实现方式是，根据加权求和打分得到y，x就是输入的加权指标。然后训练得到模型。

方云智能多种AI绩效评价方法均已通过实践验证，并实现产品化。

（三）   算法准确率分析

数据分析时结果一般需要有一定的准确度，才可以说算法对问题实现了一定解决。在数字化转型的过程中，我们不必以绝对的预测准确率来判断算法好坏。这是由于我们在评价员工行为时，训练集标注或者人的认知，都是极具主观性的，而且这种主观性又是会动态变化的，所以算法能够捕捉到的，有时候也许是客观规律，但有时候也许就只是管理者的一时情绪。我们评价算法的好坏，应该从实践出发，对于符合认知、规律的算法是好算法，但是能解释或捕捉短期用户态度的算法，也是可靠的。具体而言，我们针对已有的研究，给出下述准确率总结。

一、Kmeans是非监督学习，无准确率，但可以阐述我们对老黄牛和南郭先生的发现，是符合管理常识的。

SVM预测，我们首先得到了一个关键结论，管理严格程度高、中、低，对应员工表现中、高、低。这一结论的得出是符合常识规律的，那么我们也可以反推认为算法是有效的。

二、根据对过去员工数据+label进行SVM训练，我们预测未来的准确率最初仅为60%，但经过样本筛选，参数调优后，准确率可达到93%。

三、数据合理性分析中，我们通过以不同的分布拟合员工行为数据，选出95%区间内的员工，再进一步选出95%到0001之间的员工，准确选出数据出现问题的员工。具体实践结果表明，我们确实捕捉到了行为极值点，也捕捉到了5%以外但行为合理的点。

（四）研究总结和下一步计划

算法研究、数据分析的目的，最终还是为了找到新的用户需求，开发新的产品功能。第二部分中我们总结了由研究向产品实际功能转化的思路。一是好的研究点直接转变为实际产品功能。二是一些低价值的功能点支撑典型功能点后。三是研究体现出的共性思路，转化为产品思路和产品模式。

接下来我们的研究也致力于从这三个方面来探索更多的产品功能和产品模式。目前提的主思路有：

一是将项目管理的知识和流程植入产品，帮助企业管理者简单、高效的完成项目管理。这其中将人员动态分配到不同的任务中，就会是十分典型的一个功能。在此基础上，员工行为的分析和排名就会成为很好的辅助功能，我们可以依据员工行为特点，将他们分配到不同情况的任务中。

二是深化单点功能。我们在SVM训练模型时发现，每个月的模型放到下个月或者其他月份来预测，准确率不稳定。其中很可能的原因是每个月的评价标准有所波动。那我们就可以在长期数据上，对每个月都进行模型训练，得到多个模型。在此基础上，将未来一个月的数据放在过去多个月的模型上预测，这样就会出现一个月的数据在多个月模型下评价各不相同的情况，这就能反应出每个月评价标准的波动情况。

三是产品模式的升级。我们可以采用轻量化前端，收集一些简单必要的数据后，将复杂的分析都放在后端来实现。功能上的呈现就是，用户在前端进行一些个性化的数据和模式选择，系统能够在后端为用户进行多样化的分析，呈现给用户智能化的操作界面（如智能化流程、模板化流程）、分析结果（排名、雷达图、行为空间映射等），甚至是客制化流程、数据，算法，系统提供分析结果。

免费试用地址： FarCloud|方云|方云数据智能研发绩效|30天提效30%

作品没有图像是因为发布的时候你没加图像，发布时可以选择自己喜欢的图像加上。

全民K歌发布作品没有背景图怎么办。两个方法，现在最先进的方法，是你把作品发表后，然后去剪映软件里做一个同等时间长的一个无声视频。然后点开作品的右上角三个小黑点。点制作短片，这时在你手机相册里找到，在剪映制作的视频放进去，它就一键生成。把歌词还有歌声全部过到视频上了，这样是最完美的MⅤ作品了。还可以录完歌后，点切换背景图，上传九张。然后，发表就有了背景图。

一般用哪些工具做大数据可视化分析？

大数据正在走进人们的生活。虽然获取数据问题不大,但有很多人不知道如何得出结论,因为数据太多。常见的数据可视化工具,在这里推荐9个:

1、Datawrapper

Datawrapper是一个用于制作交互式图表的在线数据可视化工具。一旦您从CSV文件上传数据或直接将其粘贴到字段中,Datawrapper将生成一个条,线或任何其他相关的可视化文件。许多记者和新闻机构使用Datawrapper将实时图表嵌入到他们的文章中。这是非常容易使用和生产有效的图形。

2、TableauPublic

TableauPublic可能是最流行的可视化工具,它支持各种图表,图形,地图和其他图形。这是一个完全免费的工具,你用它制作的图表可以很容易地嵌入到任何网页中。他们有一个不错的画廊,显示通过Tableau创建的可视化效果。

虽然它提供的图表和图形比其他类似工具要好得多,但我并不喜欢使用它的免费版本,因为它附带了一个很大的页脚。如果不是像我这样大的关闭,那么你一定要试试看。或者如果你能负担得起,你可以去付费版本。

3、Smartbi

Smartbi作为成熟的大数据分析平台,具备可复用、动静结合独特的展示效果,使得数据可视化灵活强大,动静皆宜,为广大用户提供了无限的应用能力和想象空间。

除了支持使用Excel作为报表设计器,完美兼容Excel的配置项。支持Excel所有内置图形、背景图、条件格式等设计复杂的仪表盘样式,同时支持完整ECharts图形库,支持各种各样的图形,包含瀑布图、关系图、雷达图、油量图、热力图、树图等几十种动态交互的图形,借助于地理信息技术,还打造了地图分析功能。

4、

非常适合小型项目。尽管只有六种图表类型,开源图书馆是用于爱好和小型项目的完美数据可视化工具。使用HTML5canvas元素绘制图表,创建响应式平面设计,并且正在迅速成为最流行的开源图表库之一。

5、Raw

Raw将自己定义为“电子表格和矢量图形之间的缺失链接”。它建立在之上,设计得非常好。它有这样一个直观的界面,你会觉得你之前使用过它。它是开源的,不需要任何注册。

它有一个21图表类型的库可供选择,所有的处理在浏览器中完成。所以你的数据是安全的。RAW是高度可定制和可扩展的,甚至可以接受新的自定义布局。

6、Infogram

Infogram使您可以在线创建图表和图表。它有一个有限的免费版本和两个付费选项,其中包括200+地图,私人共享和图标库等功能。

它配备了一个易于使用的界面,其基本图表设计良好。我不喜欢的一个功能是当您尝试将交互式图表嵌入到您的网页(免费版)时所获得的巨大徽标。如果他们能像DataWrapper使用的小文本那样更好。

7、TimelineJS

顾名思义,TimelineJS可以帮助您创建美丽的时间线而无需编写任何代码。它是一个免费的开源工具,被Time和Radiolab等一些最受欢迎的网站所使用。

这是一个非常容易遵循四步过程来创建您的时间表,这在这里解释。最好的部分它可以从各种来源获取媒体,并内置对Twitter,Flickr,GoogleMaps,YouTube,Vimeo,Vine,Dailymotion,Wikipedia,SoundCloud和其他类似网站的支持。

8、Plotly

Plotly是一个基于Web的数据分析和绘图工具。它支持具有内置社交分享功能的图表类型的良好集合。可用的图表和图表类型具有专业的外观和感觉。创建图表只需要加载信息并自定义布局,坐标轴,注释和图例。如果你想要开始,你可以在这里找到一些灵感。

9、VisualizeFree

VisualizeFree是一个托管工具,允许您使用公开可用的数据集,或者上传您自己的数据集,并构建交互式可视化来演示数据。可视化远远超出简单的图表,而且服务是完全免费的,而开发工作需要Flash,输出可以通过HTML5完成。

origin软件的功能

origin绘图软件免费下载

9tmr

Origin平台由美国艺电游戏公司(ElectronicArtsInc,简称EA)于2011年正式发布,EA重金打造的全方位游戏社交平台,其Mac版于2012年底开始公开测试。

如何用spss进行数据分析

录入完数据后,你可以先进行基础的数据统计--描述性统计。然后根据你的数据结果再看是否需要相关回归或者其他分析。spss里面的描述统计主要在analyze——descriptive里面,其中有描述统计、频数统计、交叉分析。描述性统计分析是统计分析的第一步,先选择analyze,你就能看到descriptive,然后鼠标再选Descriptive菜单中,最常用的是列在最前面的四个过程:Frequencies过程的特色是产生频数表;Descriptives过程则进行一般性的统计描述;Explore过程用于对数据概况不清时的探索性分析;Crosstabs过程则完成计数资料和等级资料的统计描述和一般的统计检验。先选择analyze,---再选descriptive打开任意的分析窗口后,你把想分析的数据选入,可以一起按鼠标左键选中按中间按钮加入,然后选择单击后弹出Statistics对话框,用于定义需要计算的其他描述统计量。你可以分析均数(Mean)、中位数(Median)、众数(Mode)、总和(Sum)等等。然后还可以点Charts对话框,选择直方图、饼图等来绘图。都确定好后,选择单击Continue钮,然后选择OK。就可以了。直接就会有输出结果。你可以先看看描述性统计的结果,有没有什么缺失值或者不符合实际的数据出现。要是有,你需要纠正数据,再用描述统计进行分析。我觉得说的挺详细的了。呵呵~~~~

可以利用手机查看哦！

利用手机QQ服务号查询我们不仅可以在电脑上登录QQ，其实我们在手机上也可以登录QQ，登录QQ后，我们的聊天栏里会有一个QQ天气，我们不要删除它，它会自动每天推送当天的天气预报告知我们。

利用手机微信公众号查询我们在手机微信上，在添加好友处搜索“天气预报”公众号，出现后，我们再添加公众号，便可查询最近的天气预报。

EXCEL气泡图的制作方法

气泡图(bubblechart)是可用于展示三个变量之间的关系。它与散点图类似,绘制时将一个变量放在横轴,另一个变量放在纵轴,而第三个变量则用气泡的大小来表示。排列在工作表的列中的数据(第一列中列出x值,在相邻列中列出相应的y值和气泡大小的值)可以绘制在气泡图中。气泡图与散点图相似,不同之处在于:气泡图允许在图表中额外加入一个表示大小的变量进行对比。

先放一张气泡图的样例:是不是感觉有点高大上呢(^^)

下面就气泡图的制作步骤一步一步介绍:

首先看原始表格,如下下图:

1首先我们需要加辅助数据,在每一行数据前加上一行,如下图:

2我们从最后一行的上面那行到第一行按序号填充数据(注意每行填充的数据都是相同的序号),如**部分所示:

3开始作图,选中数据表——插入——图表——散点图——气泡图:

直接生成的气泡图是这样的,很散乱,我们要对其进行调整

4调整:右击图表——选择数据——切换行列——确定

现在气泡是不是比较齐整了呢,但是还不够,接下来我们还要继续调整

5增加数据标签及调整图表表现形式:

去掉图表标题,增加数据标签,如图:

是不是发现展示的数据标签怎么变成了我们的辅助数据是不是还发现了我们的辅助数据的作用呢其实增加的辅助数据就是用来定位的^-^

接下来我们调整数据标签让他变成我们需要的表格的具体数据:

点击数据标签的右边的三角形,选择“更多选项”,进入设置数据标签格式选项卡:

在数据标签格式选项卡按图示步骤将Y值换为气泡大小就OK

喏,气泡数据已经变成我们需要的了

6下面要对图例跟坐标轴进行调整了:

右击图表——选择数据——选中序列1——编辑

序列名称和X轴坐标按标示选择:

将所有序列依次调整好,得到如下图所示结果:

这里坐标轴我们用不到,直接删除就好,但是在这之前我们需要调整一下网格线

右击Y轴,按图示操作,这里我们把最大值改成你的序列个数加1,把主要单位改成1

然后按同样的步骤把X轴调整,之后删除两个坐标轴即可

是不是发现少了横坐标这个目前我没找到好的解决办法只能用一种最笨的办法添加了

7添加横坐标

对,没错,我就是直接添加文本框的(羞涩脸^~^),你们要是有好的方法可以教教我鸭(可爱脸)

好了,气泡图的制作方法基本介绍完了,其实这个数据表用雷达图进行展示效果是更好的,但是这里仅仅只是借用这个数据表介绍一下气泡图的制作,不要那么纠结,当然这里大家也可以后续对表格进一步美化呀,比如这样

好了,今天就介绍到这里了,介绍的过程步骤有些繁琐,主要是为了给小白看的,大神不要嘲笑我哦(哭笑脸o(ini)o)

用Excel制作四象限气泡图，指标重要性一目了然

气泡图是一种特殊类型的散点图,相当于在散点图的基础上增加了第三个变量,即气泡的面积。其指标对应的数值越大,则气泡越大;相反数值越小,则气泡越小,所以气泡图可以应用于分析更加复杂的数据关系。

上面图表是某公司需要改进的指标的分布情况。气泡的大小代表着改进的难易程度。气泡越大,代表着指标的改进越难;相反,气泡越小,代表着指标的改进越容易。

下图是某公司用户满意度调查情况数据,以及对应指标的改进难易程度,如何利用Excel制作相关气泡图。

1、选中B2:D12范围的数据,单击“插入”选项卡的图表按钮。在弹出的“插入图表”页面,先选择“XY(散点图)”,再选择“气泡图”。

此时生成的图表中各个气泡比较大,并且重叠在一起,不便读图。

1、选中任一气泡点,单击鼠标右键,选择“设置数据系列格式”菜单,弹出对话框,在“系列选项”中“大小表示”区域,选择“气泡面积”,将气泡大小缩放设置为“30”。这里的大小可根据个人习惯及实际情况进行设置

此时各个气泡已不再重叠,剩下的操作步骤与绘制矩阵图基本一致。

按照绘制矩阵图的步骤去优化气泡图。可参考前文文章《如何用Excel制作矩阵图,用于产品分类管理》步骤进行。

1、删除图表的图例、网格线。效果如图所示。

1、设置横坐标轴格式

选中横坐标轴,单击鼠标右键,选择”设置坐标轴格式“。

在”坐标轴选项“最下方”纵坐标轴交叉“的”坐标轴值“框中,填入已计算好的横坐标轴各指标满意度的平均值26,另外顺便把”主要刻度线类型“”坐标轴标签“都设置为”无“。

2、设置纵坐标轴格式

选中纵坐标轴,单击鼠标右键,选择”设置坐标轴格式“。

在”坐标轴选项“最下方”横坐标轴交叉“的”坐标轴值“框中,填入已计算好的纵坐标轴各指标重要性的平均值28,另外顺便把”主要刻度线类型“”坐标轴标签“都设置为”无“。

这时矩阵图已基本成形。

1、调整横纵坐标轴最大值、最小值,使得象限分布更加完美

分别对横、纵坐标轴的最大值、最小值进行设置。可将“坐标轴最大值”设置为比各指标的最大值略大,将“坐标轴最小值”设置为比各指标的最小值略小。

在该例子中,横坐标轴最小值、最大值可分别设置为1和4,纵坐标轴最小值、最大值可分别设置为15和4,以便让矩阵图完美适应页面空间。

2、插入箭头,绘制横纵坐标轴

单击”插入“选项卡,选择”形状“-”箭头“,绘制与矩阵相当宽度的横向箭头。同样方法,绘制与矩阵相同高度的纵向箭头,把两箭头的尾部相连,构成坐标系。

3、添加箭头标签

添加横向、竖向箭头的标签(满意度、重要性)及说明(高、低)。

4、改变每个象限点的颜色,添加备注,提高矩阵可读性

对每个象限的点进行颜色的设置,比如“重要性高满意度低的区域”(即第二象限)可以用红色来突显,“重要性高满意度高的区域”(即第一象限)用**来显示,“重要性高满意度低的区域”(即第三象限)用蓝色来显示,以提高矩阵的可读性。

按照以上步骤,可以快速在Excel生成气泡图。

1、气泡图是一种特殊类型的散点图,相当于在散点图的基础上增加了第三个变量,即气泡的面积。其指标对应的数值越大,则气泡越大;

2、气泡图是在矩阵图的基础上进行指标增加,掌握用Excel制作矩阵图,可更快速学习制作气泡图。

如果想要使用文章的数据,可以在评论区回复矩阵图获取数据。

建筑功能气泡图怎么画

功能气泡图如何绘制:

一:确定底层逻辑与大纲

万事开头难,想要底层逻辑与大纲清晰,就必须认真分析场地本身和周遭设施,对场地的需求做出判断。气泡图的每个区域都是你对这块场地赋予的功能,功能的需求大多数来源于其使用者(以及少部分商业价值主导)。所以我们往往在设计初期会对场地做一系列的分析,这都是为了让我们的设计更加的合理。从大到小,从整体到局部:先确定整体的图面布局,比如最大的功能区在哪里,平面有哪几个部分组成,之后再放次要元素。

在这个阶段,圆圈的界限仅表示使用面积的大致界限和用途,并不表示特定物质或者物体的精确边界。

二:划分场地功能区

对于小比例尺景观设计来说,该将更多的精力放在如何让空间更丰富,功能更合理,更好地展现自己的设计意图上。因为越小的尺度,人们对于空间的层次,和设计的精细程度上的要求就越高。用一个个圆圈或者区域来表达它的功能,其次再思考它是如何使用这个空间的。考虑不同空间之间的互动性,以及如何营造,这些都是一个设计师在初期应有的思考。如果在设计的早期就能确定场地的功能和结构,就不会出现植树或放草来填充场地的尴尬局面。

对于大尺度景观设计来说,气泡图能够帮助我们很快的把握分区的规模尺度,并且理清区域之间的关系,方便我们做进一步的思考。确定了设计的形态,就可以继续细化,将抽象的几何元素具体到实际的景观平面,比如丘状的圆形草地形成室外舞台的效果,池塘旁边的下沉式台阶区使围合最大化;不同路面的铺装,重要的景观节点植物种植,孤植和群植的对比等。