數據可視化技術的基本思想，是將數據庫中每一個數據項作為單個圖元元素來表示，大量的數據集構成數據圖像，同時再將數據的各個屬性值以多維數據的形式來表示，可以從不同的維度來觀察數據，從而對數據進行更深入的觀察和分析。關于數據可視化的適用范圍，雖然存在著不同的劃分方法。但是一個常見的關注焦點就是信息的呈現。

常見的數據質量問題包括：1.數據收集錯誤，遺漏了數據對象，或者包含了本不應包含的其他數據對象。2.數據中的離群點，即不同于數據集中其他大部分數據對象特征的數據對象。3.存在遺漏值，數據對象的一個或多個屬性值缺失，導致數據收集不全。4.數據不一致，收集到的數據明顯不合常理，或者多個屬性值之間互相矛盾。例如，體重是負數，或者所填的郵政編碼和城市之間并沒有對應關系。5.重復值的存在，數據集中包含完全重復或幾乎重復的數據。正是因為有以上問題的存在，直接拿采集的數據進行分析or可視化，得出的結論往往會誤導用戶做出錯誤的決策。因此，對采集到的原始數據進行數據清洗和規范化，是數據可視化流程中不可缺少的一環。

數據可視化的顯示空間通常是二維的，比如電腦屏幕、大屏顯示器等，3D圖形繪制技術解決了在二維平面顯示三維物體的問題。

但是在大數據時代，我們所采集到的數據通常具有4V特性：Volume（大量）、Variety（多樣）、Velocity（高速）、Value（價值）。如何從高維、海量、多樣化的數據中，挖掘有價值的信息來支持決策，除了需要對數據進行清洗、去除噪聲之外，還需要依據業務目的對數據進行二次處理。常用的數據處理方法包括：降維、數據聚類和切分、抽樣等統計學和機器學習中的方法。

現在的數據時代，數據可視化因為數據分析的火熱而變得逐漸火熱起來，但是數據可視化并不是一個新的技術，雖然說數據可視化相對于數據分析來說相當的簡單，但是數據可視化卻是一個重要的技術。在國外，其實數據可視化已經很成熟了，比如說新聞方面，他們借助于數據可視化的技術，使用圖像化來傳播信息，以此來提高自己的影響力。