雷达图别只看面积：把量纲、逆向指标和 Pro AI 解读校准好

雷达图很容易让人产生一种错觉：面积大的方案就是好方案，形状漂亮的团队就是强团队。 但我见过太多“看起来很有说服力”的雷达图，问题都不在画图，而在画图之前：价格、时长、满意度、合格率、响应速度这些指标没有统一口径，越小越好的指标没有翻转，最后图形越精致，误导越稳定。 用 雷达图生成器 的重点，不只是把数据画成蜘蛛图， 而是先把每一根轴的含义讲清楚，再决定哪些结论能放进汇报。

什么时候雷达图真的适合用

雷达图适合回答“结构像什么”，不适合回答“单个数谁最大”。如果你只比较 3 个产品的价格， 柱状图会更直接；如果你要看一个产品在性能、价格、质量、服务、创新、品牌 6 个维度里的长短板， 雷达图就有价值。它把多个维度压到同一个平面里，让读者一眼看到轮廓：是均衡型，还是某几项突出、某几项塌陷。

所以雷达图最适合 4 到 12 个维度。少于 4 个维度时，形状不够表达结构；多到十几二十项时，标签拥挤、线条交叉， 读者会开始凭颜色和面积感觉做判断。工具里默认的产品对比模板用了 6 个维度，是一个比较稳的起点。 你可以从模板开始改，也可以粘贴 CSV 或手动编辑表格。关键不是模板有多漂亮，而是维度是否服务同一个问题。

• 产品竞品对比：性能、价格、质量、服务、创新、品牌这些维度可以共同解释一个购买或评审问题。
• 供应商评估：报价、交付周期、良品率、产能、响应速度、合规评分可以放在同一个选择框架里。
• 岗位胜任力：专业能力、沟通协作、项目管理和业务理解适合对照岗位要求线。
• 学习成绩或测评：学科、能力、性格维度常常需要看分布形状，而不是只看平均分。

雷达图最重要的不是颜色，是量纲

很多雷达图看起来不可靠，是因为把不同单位的指标直接放在同一个半径里。 例如供应商评估里有报价 96 万、交付周期 45 天、良品率 95.2%、响应速度 82 分。 如果直接拿这些原始数画图，报价越高的供应商反而会被画得越靠外，好像更有优势；交付周期越长也会被当成更好。 这不是视觉问题，是数据口径问题。

解决办法是归一化。归一化不是把数据“美化”，而是把不同单位映射到同一条读图约定：越靠外，表示越好。如果指标已经是 0-100 的评分，用原始值即可； 如果是金额、天数、百分比混在一起，就应该用自定义轴，为每个维度填最小值、最大值和单位。 报价、延迟、故障率、流失率这类越小越好的指标，还要打开“越小越好”方向翻转。

5 种归一化口径怎么选

工具提供 5 种口径，不是为了让界面显得复杂，而是因为雷达图的“公平”取决于问题本身。 同一组数据，用错口径就会得出不同形状。我的建议是先问一句：你的数字本来是不是同一种评分？ 如果是，就别过度处理；如果不是，就要把每根轴的范围说清楚。

1. 1
   原始值：用于已经统一的 0-100 分

   产品评分、学科百分制、满意度得分这些数据，如果每个维度都在同一范围内，直接用原始值最容易解释。最大值可以填 100，也可以按你的评分上限设置。
2. 2
   自定义轴：用于不同单位混合

   价格、周期、良品率、产能放在同一张图时，用自定义轴逐项填上下限。这样悬停或导出时仍能保留真实单位，图形半径则统一到同一套分数。
3. 3
   轴内极值：用于强调当前对象之间的相对差异

   团队复盘里如果只想看 A/B/C 组在本季度谁更突出，可以用轴内最小值到最大值拉伸。但它会放大当期差异，不适合跨季度直接比较。
4. 4
   排名百分位：用于排名比绝对差更重要的场景

   当你关心“在这一批对象里排第几”，而不关心原始差距是 2 分还是 20 分，可以考虑排名百分位。它适合初筛，不适合解释实际差值。
5. 5
   Z 分数：用于看偏离平均的程度

   Z 分数更像统计视角，适合有足够样本时看某个对象偏离均值多少。样本很少时不要迷信它，先回到原始口径检查数据是否稳定。

逆向指标是最容易踩的坑

雷达图默认有一个强约定：越靠外越好。问题是业务指标不都这样。 报价越低越好，交付周期越短越好，响应延迟越低越好，缺陷密度越小越好，投诉率越低越好。 如果不翻转，这些指标会把差的方案画得更饱满。你在会上说“丙供应商面积最大”，可能只是因为它报价最高。

我一般会把逆向指标单独列出来，在生成图前先确认一遍。供应商评估里，报价和交付周期通常要翻转； 网站性能里，LCP、TTFB、错误率通常要翻转；客服质量里，首次响应时间、工单积压数、投诉率也要翻转。 一张好雷达图不怕暴露短板，怕的是把短板装扮成优势。

面积、均衡度和平均分各自说明什么

雷达图常被人直接看面积，但面积不是平均分的同义词。一个系列每个维度都 75 分，另一个系列有几个 95 分、几个 40 分， 平均分可能接近，面积和轮廓却很不同。工具里的免费图表分析会给出覆盖面积、均衡度、最强最弱维度、维度区分度和支配关系， 这些都是确定性计算，不需要等待 AI，也不需要登录。

覆盖面积按雷达多边形实际几何面积占满分面积的比例计算。相邻两轴会形成三角形，维度越多，形状越细； 某一根轴塌陷时，它会影响两侧相邻区域，所以面积会比单纯平均分更敏感。均衡度由变异系数换算成 0-100， 越接近 100，说明各维度越接近；越低，说明结构越偏科。

• 平均分：适合看整体水平，但会掩盖明显短板。
• 覆盖面积：适合看综合轮廓，但受维度顺序和短板塌陷影响更明显。
• 均衡度：适合判断“稳定全面”还是“偏科突出”。
• 维度区分度：极差不到 10 分的维度，视觉上通常很难支撑强结论。
• 支配关系：某系列在所有维度不低于另一系列，且至少一项更高时，才适合说“全面领先”。

Pro AI 解读应该解决什么问题

免费分析已经能给出数学层面的结果：谁面积更高、谁更均衡、哪根轴区分度足够、哪些系列存在支配关系。 Pro AI 分析适合解决另一类问题：把这些结果整理成适合人读的汇报文字。 它会读取当前雷达图数据、系列、维度和归一化上下文，生成摘要、维度分析、系列优势短板、风险提示和行动建议。 对 Pro 用户来说，页面里写的是“已解锁 / 可直接使用”，不是继续用升级话术挡住功能。

但 AI 解读也要有边界。它适合帮你写第一版分析，不适合替你确认业务权重、采购规则、绩效制度或教学评价标准。 如果你把“报价越小越好”忘了翻转，再让 AI 分析，任何模型都可能被错误上下文带偏。 所以正确顺序应该是：先校准维度和口径，检查免费统计，再用 Pro AI 写更清楚的表达。

导出时别只截图，尽量保留可编辑性

雷达图常常要进 PPT、评审文档、供应商报告或学习档案。截图当然最快，但后续要改颜色、改标题、放大打印时就很被动。 工具的导出从同一份 SVG 图表文档出发：SVG 直接落盘保持矢量，PDF 也按图表比例生成，PNG、JPG、WebP 则按 1 到 4 倍分辨率栅格化。 这意味着你不需要为了高清导出先把浏览器缩放到奇怪比例。

我会按交付对象选择格式：给设计或运营同事继续改，用 SVG；给会议材料或归档，用 PDF； 给公众号、飞书文档、网页或封面，用 PNG/WebP；需要通用兼容时用 JPG，但要记住 JPG 不支持透明背景。 如果图表里有中文标题和较长标签，导出前一定要检查图例位置、标签换行和画布尺寸，避免放进文档后文字挤在一起。

• SVG：最适合继续编辑，能在 Illustrator、Figma、PPT 等工具里改颜色和文字。
• PDF：适合留档、打印和发送给不需要编辑源图的人。
• PNG：适合透明背景和高清展示，4x 是按真实像素渲染，不是简单放大插值。
• WebP：适合网页使用，通常体积更友好，也支持透明背景。
• JPG：适合对透明无要求的通用场景，但文字边缘和浅色网格要多看一眼。

分享链接的价值，是让口径能被还原

图表分享最怕只剩一张图片。对方能看到形状，却不知道你用的是原始值、自定义轴还是极值拉伸； 不知道价格有没有翻转，也不知道图例里某条线是不是隐藏过。工具的分享链接会把维度、系列、数值、标题、口径设置和样式配置写进 URL 参数。 对方打开后可以还原同一张图，并继续编辑或导出。

这对团队协作很实用。产品经理可以把竞品雷达图发给研发和销售，让大家针对维度定义讨论； 采购同事可以把供应商评估发给财务复核报价口径；老师可以把学科表现图发给家长，再解释哪些分数是班级均值、哪些是个人结果。 分享链接不只是传播入口，也是复核入口。

把雷达图结论写成人能用的话

一段好的雷达图结论，不应该只说“方案 A 表现最好”。它至少要包含三个部分： 哪个系列在哪些维度领先，短板在哪里，下一步应该验证什么。尤其是多维评估场景， 读者关心的往往不是第一名是谁，而是这个第一名有没有不可接受的短板。

比如供应商评估可以这样写：甲供应商在良品率和合规评分上更稳，报价不占优但交付周期可控； 乙供应商报价优势明显，但产能和响应速度偏弱，适合作为成本敏感但交付压力较低的备选； 丙供应商覆盖面积最高，不过报价维度需要继续谈判。这样的文字比“丙供应商综合表现较好”更有用， 因为它保留了取舍。

我会保留的 4 类信息

• 维度口径：是否百分制、是否自定义轴、哪些指标是逆向指标。
• 核心发现：面积最高、最均衡、最强维度和最弱维度分别是什么。
• 风险边界：哪些维度区分度不足，哪些结论不能从当前图表推出。
• 下一步动作：补充数据、调整权重、复核原始口径，或把某个方案进入下一轮评审。

几个常见误读，要在发布前拦下来

把面积当成绝对排名

面积可以帮助观察综合轮廓，但它不是全部。某个方案面积更大，可能是因为它在低权重维度表现好； 某个方案面积较小，也可能是因为某个一票否决维度被故意拉低。业务权重必须另行说明。

用轴内极值做跨期比较

轴内极值会按当前数据的最小值和最大值拉伸差异，适合看这一批对象里的相对位置。 但如果你拿 7 月和 8 月分别做极值归一化，两个月的 80 分未必代表同一水平。跨期比较更适合固定自定义轴。

维度越多越显得完整

维度过多会让标签、图例和线条同时变难读。与其塞 18 根轴，不如拆成两张图：一张看核心决策指标，一张看补充解释指标。 图表是为了降低沟通成本，不是为了把所有字段都放进去。

用 AI 给错误口径找漂亮理由

AI 可以帮你把分析写顺，但不能把错误口径变正确。生成解读前先确认数据、维度、方向和归一化方式。 如果基础图错了，越流畅的文字越危险。

雷达图发布前检查清单

• 维度数量控制在 4 到 12 个，每个维度都服务同一个评估问题。
• 百分制数据使用原始值，不同单位数据使用自定义轴或其他明确归一化口径。
• 报价、时延、缺陷率、投诉率等越小越好的指标已经打开逆向方向。
• 标题、单位、图例和系列名称能让读者独立理解图表。
• 覆盖面积、均衡度、最强最弱维度已经检查，结论没有只凭视觉面积。
• Pro AI 解读前已经确认口径正确，AI 文字会被人工复核后再发布。
• 导出格式按用途选择：SVG 可编辑、PDF 留档、PNG/WebP 展示、JPG 通用。
• 分享给他人时保留可还原链接，不只发送一张无法复核的截图。

常见问题

如果你已经有一组多维评分，先打开 雷达图生成器， 从产品对比或供应商评估模板开始改。只是比较单项指标时，用 柱状图生成器 会更清楚； 需要先检查均值、中位数和离散程度，可以用 基础统计计算器补一层数据复核。 好图表不是把结论说得更大声，而是让取舍看起来更诚实。