2. 检测数据认知与可视化需求分析
在动手写任何一行可视化代码之前，必须先回答三个问题：我们要展示的是什么数据、这些数据从哪里来、谁会看这张图并想从中得到什么。这三个问题分别对应检测指标、数据来源和利益相关者，构成了可视化需求分析的三角。很多可视化项目失败，不是因为图表画得不好，而是因为把微生物的检出限画成了折线趋势，或者把监管方需要的合规结论埋在了十几层交互里。
一、三类检测指标的数据性格完全不同
食品检测指标通常分为理化、微生物和污染物三大类，它们在数据结构、量纲、判定方式和可视化表达上有本质差异，不能套用同一套图表模板。
理化指标是连续型数值，如水分含量、酸价、过氧化值、蛋白质含量、pH值。这类数据适合趋势线、箱线图、控制图，关注的是均值、波动和是否越出规格限。例如食用油酸价（KOH计）的国标限量为≤3 mg/g，一批次检测值0.8、1.1、1.4 mg/g，画成带规格线的趋势图，质检员一眼就能看出工艺是否稳定。
微生物指标是计数型或定性型数据，如菌落总数（CFU/g）、大肠菌群（MPN/g）、沙门氏菌（检出/未检出）。它的特点是数量级跨度大、存在检出限和未检出（ND）情况，且判定是“是否超标”而非“偏离多少”。菌落总数适合用对数坐标的趋势图或分级色块，定性结果则适合用检出率、合格率这类比例图，而不是折线。
污染物指标如铅、镉、黄曲霉毒素B1、农药残留，往往涉及痕量检测、检出限（LOD）和定量限（LOQ），数据中大量出现“<LOD”这样的删失值。这类数据可视化必须明确标注检出限位置，用区间或截断标记表达未检出，不能简单当作0处理，否则会严重低估风险。
二、数据来源决定了数据的粒度与可信度
检测数据主要来自三条通道，它们的更新频率、结构化程度和误差特征各不相同。
实验室LIMS系统是主力数据源，包含样品编号、检测项目、检测方法、仪器编号、原始值、判定结论、检测员、审核状态等字段，数据规范、可追溯，但通常以批次为单位、更新有延迟。可视化时可以直接使用其结构化字段做多维筛选和趋势分析。
快检设备如农残快检仪、ATP荧光检测仪，数据产生快、频次高，但精度和确证性弱于实验室方法，常作为筛查手段。其数据适合做实时监控和预警，但不宜与实验室确证结果混在同一精度层级上比较。
传感器如冷链温度传感器、仓储温湿度探头，产生的是高频时间序列，关注的是过程合规而非终点判定。例如冷藏库温度要求0～4℃，传感器每5分钟一个点，可视化重点是超温时长、超温次数和温度曲线，而不是单点数值。
三、三类利益相关者的诉求差异
同一批数据，质检员、管理者、监管方要看的完全不是一回事，需求分析必须按角色拆解。
质检员关注单批次、单样品的明细：这个样品的原始检测值是多少、规格限在哪、是否超标、检测方法和仪器是否合规。他们需要的是可下钻的明细表、带规格线的单点图、超标项高亮，以及原始记录的可追溯链接。图表要精确到数值，不能只给一个“合格”色块。
管理者关注趋势和对比：近30天合格率走势、不同产线或供应商的批次对比、异常批次的集中出现时段。他们需要聚合视图、趋势线、批次对比柱状图和异常汇总，粒度是批次或日，不需要看到每个样品的原始值。
监管方关注合规结论和证据链：抽检覆盖率、不合格项分布、风险等级、处置状态。他们需要的是结论明确、口径统一、可导出留痕的报表式视图，图表要能回答“是否合规、风险在哪、证据是否完整”。
四、需求分析的实际做法
落到操作层面，可以按以下方式把上述认知转化为可执行的需求清单。以某乳制品企业为例（以下参数为教学示例，非实测数据）：
- 建立指标—来源—角色矩阵：逐行列出每个检测指标，标注其数据来源系统、字段名、数据类型（连续/计数/定性）、判定规则（规格限或检出限），以及主要服务角色。例如“菌落总数—LIMS—cfu_total—计数—≤10⁵ CFU/g—质检员/管理者”。
- 明确每个角色的核心问题：用一句话写出该角色打开页面最想回答的问题，如质检员“这批样品有没有超标项”，管理者“本月合格率是否下降”，监管方“抽检覆盖是否达标”。图表设计围绕这句话展开。
- 确定图表类型与交互粒度：根据指标性格选图型，根据角色定聚合层级。质检员视图保留样品级明细并支持下钻，管理者视图按批次/日聚合，监管方视图输出固定口径的结论卡片。
- 标注数据质量约束：记录检出限、未检出处理规则、快检与确证结果的分层展示要求，避免后续开发时把删失值当0、把快检值当确证值。
完成这份矩阵后，可视化开发就有了明确的输入：每个图表服务谁、展示哪个指标、数据从哪来、按什么规则判定、聚合到什么粒度。后续的图表选型、交互设计和数据接口定义，都可以直接对照这份需求清单推进，而不是凭感觉堆图表。