本博客反映了我们使用SAP BusinessObjects Cloud（BOBJ Cloud）来讲述澳大利亚难民故事的数据可视化过程。SAP Mentor和我们的业务分析讲师Paul Hawking向我们提出了这项任务的挑战，下面是我们的流程博客。

难民，一个巨大的话题，从哪里开始？

我们研究了"澳大利亚难民"这个话题，发现了几篇关于船民的文章。当难民通过空运和海运来到澳大利亚时，我们选择将注意力集中在那些通过海运来的难民身上，因为他们的旅程似乎更加危急和危险。我们读了几篇文章，描述了船只涌入、海上死亡和政治观点。很明显，抵达澳大利亚的船民数量发生了巨大的变化，所以我们很想知道是什么引发了这种情况？数据使我们相信，政治政策和战争是主要的贡献者。由于我们只有6分钟的时间来介绍我们的研究结果，我们决定把注意力集中在船民和船民周围的政治政策上。

我们花了很多时间寻找数据，将数据库中的数据与新闻文章相匹配，扩展数据——因为有些数据库只有很小的年份范围，2018世界人工智能大会，我们需要在其他地方找到其他年份——然后验证数据。几乎所有的数据都是由三个不同的数据来源验证的。

出于许多原因，我们决定从1976年开始我们的故事；其中一个是"船民"这个词出现在1976年，当时由于越南战争和世界各地的战争，大批越南人涌入澳大利亚。另一个决定因素是研究影响船民入境的政府政策。我们需要一个大的数据集，因为政府可以长期执政，我们想研究两个政府在执政期间的几个时期。例如，在这段时间约翰·霍华德担任自由党总理11年，马尔科姆·弗雷泽8年，劳尔在霍克和基廷工作了13年。我们想看看是否是政府政策预测了船民的到来。

数据可视化可以用于解释和探索；这项任务使我们能够体验这两个方面。解释视角是通过探索"船民"的统计数据和数据来实践的，数据和大数据的区别，然后创建不同的可视化来突出数据中的不同方面。在构建这些可视化之后，我们开始研究数据并确定趋势。这项工作是使用数据可视化工作流构建的；准备数据，可视化数据，将数据合成一个故事，然后分享故事。我们希望通过选择适当的图表类型、引入清晰的标题、标签、注意数据墨迹来强调我们在业务分析课程中学到的最佳实践v、 无数据油墨比例和使用方便的颜色。此外，我们还遵循了建议的方法，即先显示概述、缩放和筛选，然后按需显示详细信息。

如果您事先知道要显示什么样的信息以及需要生成什么样的可视化效果，那么构建数据库是很容易的。然而，通常情况并非如此；构建一个非常简单的数据库有助于生成一个简单的单一用途可视化，然而，如果以后你决定改变你的故事，从不同的角度探索数据集，大数据指的是什么，甚至过滤和向下钻取所需的数据，以便拥有一个大型综合数据库，可以在BOBJ云中操作成一个灵活的模型。

我们还了解到，一旦您的模型准备就绪，投入一些时间设置可视化的首选项是一个好主意在幻灯片中保证统一。虽然这可能会在开始的时候消耗一些时间，但稍后会得到回报，因为所有生成的图形都将自动进行相同的格式化。此外，如果没有一个好的场景来解释发生了什么，为什么会发生，现在发生了什么，为未来的预期打开了大门。

可视化1

可视化1描述了从1976年到2016年船民的到来。

延伸价值轴花费了太多时间，因为我们不知道如何做到这一点，在搜索谷歌、看YouTube教程、询问其他同学和我们的导师之后；我们告诉我们这是做不到的。我们对此不满意，因为我们觉得我们的低水平数量数据在视觉上没有得到准确的表示。

可视化2

可视化2描述了2002年至2016年期间船只和飞机抵达的处理应用

试图了解过去几年船只涌入和减少的影响多年来，我们研究了政府的变化，分析了从1976年到今天所有对船民、难民和寻求庇护者法律的政策变化。这些年来，有数百项政策变化，我们阅读了所有这些变化，以解读哪些政策变化影响到船民，直接。然后我们需要挑选主要的政策，以适应6分钟的框架。

可视化3

可视化3根据可视化1描述了1976年至2016年的船民入境人数，并覆盖了船民政策，由当权政府实施。第二个可视化显示了这一时期的当权政府。

我们查看了所有与在押难民/寻求庇护者有关的死亡，然后比较了有多少与船民有关。由于所有这些信息都是非结构化文本，因此需要很长时间才能将其转换为结构化文本，然后再转换为数据库，把它洗干净，最后上传到BOBJ云上。读到关于儿童和孕妇死亡的故事非常感人，让我们的胃转向了一个点，我们只能一小块一小块地处理这个问题，因为它太过烦躁。

可视化4

可视化4显示了在海上的船民死亡人数，按性别划分，已知情况下，什么是云服务器，

可视化5

可视化5显示了在海上的死亡人数与其他类型的在押寻求庇护者/难民的死亡人数相比所占的百分比。

可视化6

可视化6显示了排名前10位的国家以及寻求庇护者/难民从何而来到澳大利亚