使用Tableau做数据分析的一些思考

参考：

Tableau数据分析训练营之LOD专题

15 大详细级别表达式

对于Tableau数据分析有两句话非常重要：

分析即聚合。
维度是聚合依据。

问题分析

需要理解复杂问题的层级关系，通常与当前层级有：向上/向下，两种关系

向下的层级问题，需要用fixed固定层级关系，也可以使用INCLUDE
向上的层级问题，有三种方法：
1. 表计算：window_sum/total
  建议使用，因为表计算是计算展示出来的数据，计算速度比较快
2. fixed：直接指定需要计算的层级
3. exclude：排除当前视图的层级，排除之后就根据更高级一级的维度聚合。
  exclude：是按照排除指定层级之后，最小层级聚合的，比如说有三个层级，A、B、C，将B层级排除之后，将按照C层级进行聚合。

例如：

简单的问题是可以直接从明细表中将维度提取出来，比如说每个国家的销量，每个国家就可以直接从明细表中group by出来。
复杂问题是引用了其他聚合的结果作为维度。比如说销售量1、2...N的客户数，这里的1、2...N，无法直接从明细表中提取出来，需要先进行聚合，将聚合的结果作为维度(一般使用Fixed)，再一步的聚合。

那么遇到复杂问题该怎么办呢？

首先应该做的是问题分析。将问题拆解为三个内容：

问题范围
问题描述（维度）
问题答案（度量）

例如问题：

有多少客户购买了1次、2次、3次…N次订单？

现在看一下这个问题的描述，思考三个问题，问题的范围是什么？问题描述是什么？问题的答案又是什么？

问题范围：可以看到，该问题没有设定范围，也就是所有数据。

问题描述（维度）：它需要的是，购买了1次、2次、3次....N次订单的XXX，所以它的维度是不同频次。

问题答案（度量）：它最后需要什么，多少客户，因此客户数量就是它的结果。

综上，将问题转换为标准问题结果：（no filter），不同购买频次的客户数量？

将问题转换为标准问题之后，就根据维度，度量，范围，做一定的数据分析。

遇到问题最主要的是能够分解问题，主要是对于问题维度的思考，适合这个问题的维度。

Tableau使用技巧

对于表的计算，window_sum，在使用目前视图中已经有的数据很有效。比如使用IIF判断得到的数据，若想要都进行赋值，可以使用window_sum，来计算。
对于赋予想要筛选的值/不确定的值，可以将这个字段转换为参数，之后在公式中使用这个参数，就可以根据这个参数进行筛选了。
在tableau中，交互条件也可以进行设置，设置交互条件之后，点击某个值，可以修改参数的值。
对于sum和相减，建议先sum再相减，若先相减再sum，性能会较差
SUM(IIF({INCLUDE [Product]:SUM([Profit])-SUM([Target Profit])}>0,1,0)) 可以判断LOD的结果，它与SUM({INCLUDE [Product]:IIF(SUM([Profit])-SUM([Target Profit])>0,1,0)})结果相同

先从熟悉的层次开始，从交叉表开始，最后转换为图形。
对于综合问题的层次、筛选的影响，合理的选择计算。
- FIXED是绝对的引用，不收视图的影响
- INCLUDE是相对的引用，通常用于更低层次的聚合。
- INCLUDE为空，相当于当前视图完成聚合，并可以根据当前视图的变换而变化。同理，EXCLUED为空，也是基于当前视图完场聚合。
表计算是聚合的聚合，而LOD是在指定层级的聚合。
表计算，可以进行辅助计算，设定辅助计算的维度，以及计算的方法。
在实际业务中，关于周的数据需要多一点考虑，例如日期虽然同步了，但是每周的数量不一致。这是在实际业务中需要注意的地方。
将筛选器添加到上下文，会将筛选的优先级提高到最高，例如字段中有fixed，默认筛选器在fixed优先级之后，所以筛选之后不会影响fixed的计算结果。将筛选器添加到上下文之后，筛选器的优先级会高于fixed，筛选之后的结果会影响fixed的计算结果。有一种特殊情况，当筛选器的对象和fixed定义的层级是一一对应的，这时是否将筛选器添加到上下文，对fixed的计算都没有影响了。
tableau中集合的运用是，可以理解成多个参数，在一个仪表盘中，可以创建一个操作，用来更新集合的值。

默认的窗口函数的累加是从头开始累加的。WINDOW_SUM(COUNTD([Customer ID]),0,LAST())，注意后面两个参数，可以实现从后往前加，利用的类似与sql中的窗口函数，将末尾固定，每次累计当前行到最后一行。

使用Tableau做数据分析的一些思考相关推荐

python爬虫tableau数据分析_完美！Python爬招聘数据，Tableau做可视化分析
原标题:完美!Python爬招聘数据,Tableau做可视化分析交流群预热好久的可视化交互大屏来啦 1.项目背景随着科技的飞速发展,数据呈现爆发式的增长,任何人都摆脱不了与数据打交道,社会对于&q ...
干货：手把手教你Tableau高级数据分析功能（附数据集）
原文标题:A Step-by-Step Guide to learn Advanced Tableau – for Data Science and Business Intelligence Pro ...
做数据分析不得不看的书有哪些？（文末抽奖送书）
书不在多,而在于精. (文末抽奖送书哟) 数据分析类的书有很多,可以按数据分析的流程分类,每个流程应该看哪些书籍. 也可以按照通识类和工具类进行分类,通识类可以理解为入门读物类,工具类就是针对不同的工 ...
python用于数据分析的书籍_做数据分析不得不看的书有哪些？
书不在多,而在于精.我分析了知乎上推荐的数据分析类书籍的回答,最终总结了以下内容,形成了这篇文章. 数据分析类的书有很多,可以按数据分析的流程分类,每个流程应该看哪些书籍. 也可以按照通识类和工具类进 ...
创业公司如何做数据分析（一）开篇
在过去的一年里,笔者加入了一家移动互联网创业公司,工作之一便是负责数据业务的建设,陆陆续续完成了一些数据系统的实现,来满足公司的数据需求.在创业公司中做数据相关的事情,而且是从零做起,肯定不像很多大公 ...
一个为制造业而生的AI助手，普通员工向它提问就能做数据分析
赖可发自凹非寺量子位报道 | 公众号 QbitAI 制造业正面临着新境遇. 产业链.供应链周期变短,不确定因素增加.数字化转型呼之欲出,AI落地的需求越来越明显. 怎样让AI技术切实创造效益呢 ...
这6种性格的人不适合做数据分析
想必大家都清楚,数据分析是一个入门简单,深入难得行业,随着现在技术.工具的发展,很多人拿到数据后,直接输入到特定的环境下就可以快速得到想要的数据,比如一组订单数据,放进excel透视一下就可以知道什么 ...
最不适合做数据分析的6种性格，看看你占了几个？
我接触很多人3年甚至多年的时间都仅仅停留在入门,但他们自我感觉是资深,仔细想一想以下六类人可能不适合做数据分析. 1.不善于思考的其实数据分析的精髓在于思考,无论是出报表.还是做报告,其实都是希望通 ...
创业公司做数据分析（一）开篇
了解"认知心理学"的朋友应该知道:人类对事物的认知,总是由浅入深.然而,每个人思考的深度千差万别,关键在于思考的方式.通过提问三部曲:WHAT->HOW->WHY,可以 ...

使用Tableau做数据分析的一些思考

文章目录

使用Tableau做数据分析的一些思考

问题分析

Tableau使用技巧

使用Tableau做数据分析的一些思考相关推荐

最新文章

热门文章