olen ollut innokas Tableaun käyttäjä jo vuosia. Olen melko paljon voi ratkaista määrällisiä ongelmia näinä päivinä ilman käyttämällä Tableau auttaa minua visuaalisesti tutkia tietoni ja iterate kautta ideoita ja hypoteeseja. Mutta jotkut ongelmat vaativat enemmän raskaita nostoja Kuvaelmassa kuin viz voi käsitellä yksinkertaisesti. Tänään keskustelemme Kuvaelmien ryhmittelystä ja siitä, miksi se on hyödyllinen tietojen paremman analysoinnin luomisessa.

mitä on Tableau Clustering?

Tableau on hiljattain alkanut lisätä tilastollisia työkaluja, jotka tarjoavat tehokkaita tapoja visualisoida ja tutkia dataa. Tableau clustering on yksi Tableau 10: n uusimmista ominaisuuksista. Se tuo kehittyneet tilastot käsiisi vain muutamalla klikkauksella.

Tableau Clusteringin avulla voit helposti tunnistaa tilastollisesti samankaltaisia ryhmiä. Selkokielellä kuvaelman kertoman attribuutin perusteella se käy läpi yhtäläisyyksiä ja luo look-a-like-ryhmiä. Voit sitten porata niihin yksityiskohtaisemmin tai vertailla, miten kukin ryhmä käyttäytyy suhteessa toisiinsa.

kuten edellä mainittiin, kyky jakaa tietoja hyödyllisiin ryhmiin tai lokeroihin on yhtä tärkeää kuin sijoitus ja ylä-ja ala-arvojen tunnistaminen. Se on jokaisen data-analyytikon tehtävä. Tableau Clustering vie tuon kyvyn aivan uudelle tasolle. Et tarvitse koodia tai tarvitse koulutettua tilastotieteilijää päästäksesi siihen käsiksi.

Tableau Clustering on erinomainen näkemään datan väliset suhteet visuaalisesti. Voisimme esimerkiksi miettiä, miten nämä 6 asiaa vaikuttavat toisiinsa ja millaisia tuloksia ne tuottavat.”Entä jos haluaisimme lisätä mittoja mittojen sijaan? Esimerkiksi osto kuvioita (myynti) ja määrä me todella tehdä (voitto) ja paluu tai alennus kuvioita (alennus, palauttaa).

Tableau clustering antaa meille mahdollisuuden lisätä nämä lisätiedot. Tämä auttaa meitä siirtymään yksinkertaisista segmenteistä edistyneisiin, jotka sisältävät tietoa käyttäytymismalleista ja toimista (toimenpiteet) sekä attribuuttitietoja, kuten alue tai markkinointikanava (mitat).

miksi Tableau Clustering on hyödyllinen?

kun saamme parempia oivalluksia nopeammin, voimme tehdä enemmän. Kyky toimia, jotka tekevät vaikutuksen tekee sinusta sankarin; se tekee sinusta ihmisen, jolla on kaikki vastaukset. Se on mahtava tunne ja se on mitä Tableau clustering avulla voimme saavuttaa. Kyky löytää piilotettuja oivalluksia Tableau ’ s easy vedä ja pudota toiminnallisuus on merkittävä askel saada toimia nopeammin.

Tableau Clustering esimerkkejä

tässä on joitakin esimerkkejä siitä, miten ihmiset ovat käyttäneet Tableau clustering luoda segmenttejä ja löytää oivalluksia he eivät päässeet helposti:

markkinoinnin ammattilainen Chris Penn käytti Tableau clustering-työkalua löytääkseen omasta blogistaan oivalluksia, joita perinteiset visualisointimenetelmät olivat hämärtäneet. Nimittäin, poraus mitä aiheita sosiaalisen median virkaa ajoi uusia käyttäjiä, suuri määrä reshares, tai olivat pysähtynyt:

Chris Wood antaa oivaltava interaktiivinen analyysi vaarassa nuorten Washington, DC koulupiiri, myös selittää, miten hän käytti Tableau clustering tehdä niin.

<href=’#’><img alt= ”riskialttiiden nuorten prosenttiosuus kouluissa ja demografinen edustus Washington D. C: ssä” src=’https:&#47;&#47;public.tableau.com&#47;static&#47;images&#47;DC&#47;DCPS&#47;Dashboard3&#47;1_rss.png ”style=” border: none ” / >< / a>

Tableau Clustering käyttää

Katso lisää Tableau clustering sovelluksia työssä alta.

1. Asiakassegmentaatio

sano, että sinulla on ryhmä asiakkaita, jotka kirjautuvat sisään hyvin harvoin, eivät koskaan soita tukea, alkoivat alhaisilla kuukausittaisilla toistuvilla tuloilla, mutta käyttivät tonnia päivityksiin ajan myötä. Se on outo ryhmä, jolla on valtava orgaaninen kasvu ja alhaiset kustannukset, vaikka lähtötuotot olivat pienet. Tableau clustering voi löytää ryhmiä kuten tämä.

2. Markkinatutkimus

miten määrittelemme markkinoiden eri ryhmät ja luomme tuotteita ja markkinointiviestejä, jotka resonoivat näiden ihmisten kanssa? Esimerkiksi, pankki löysi ryhmä yrittäjiä, jotka käyttivät pääomaa kodeistaan kautta 2nd kiinnitys rahoittaa niiden startup. Tietäen, että johti kokonaan uuden tuotelinjan pankki, joka resonoi paljon vahvempi, että ryhmä.

3. Asiakaskyselyt

mitä Kuvaelmaklustereita ilmaantuu tyytyväisten asiakkaiden keskuudessa, mitä klustereita ilmaantuu tyytymättömien asiakkaiden keskuudessa? Ovatko tyytymättömät asiakkaat myös hyödyntäen erinomainen tukipalvelut?

4. Sovitus-tai suositusalgoritmit

Netflix: Esimerkiksi perustuen Elokuviin, joissa on vahva naispuolinen päähenkilö, nokkela huumori ja brittiläiset näyttelijät, suosittelemme kaikkia elokuvia, jotka perustuvat jokaiseen Jane Austenin kirjaan koskaan.

5. Tietoliikenne

Aseta Tukiasemat siten, että kaikki asiakkaat saavat optimaalisen signaalin voimakkuuden osoitteiden, käyttötapojen, verkkovierailujen, liittymien, ruuhka-aikojen, liikennetapojen ja teiden jne.perusteella.

6. Aikataulutus

sano, että olet poliisipäällikkö, joka yrittää maksimoida upseeriaikasi rajallisella budjetilla. Sinun täytyy ajoittaa partiot ruuhka-aikoina kaikkein rikollisuus-todennäköisin alueilla, jälleen perustuu moneen tekijään, kuten vuorokaudenaika, sää, tulot ja koulutustaso, aiemmat rikostapahtumat, rikostyypit, tunnetut jengipaikat, jne.

itse käytän Tableau clusteringia koko ajan päivittäisessä analytiikkatyössäni ja huomaan, että sillä on verrattomat kyvyt kertoa tarinaa tietoryhmistä. Pysy kuulolla osa 2 jossa kattaa miten luoda omia Tableau klusterointi kaavioita.

Miten luodaan Kuvaelmaklusterointi

hypätään sisään ja luodaan Superstore-aineistosta Kuvaelmaklusterointikaavio, joka näyttää myynnin ja voiton välisen suhteen muiden alojen, kuten markkinointikanavan tai tuotekategorian korostuksella. Aloitamme näkymällä, jonka kentät on vedetty ulos:

A. Tableau clustering creation
  1. klikkaa ensin ”Näytä minulle” oikeasta yläreunasta ja valitse ”Scatter Tont” – vaihtoehto saadaksesi tämän hyödyllisempään muotoon. Sitten, näet, että markkinointikanava ja alue ovat muodot ja väri hyllyt, vastaavasti.

Tableau Clustering opetusohjelma

  1. sen jälkeen, aseta se ’Koko näkymä’ alkaen pudotusvalikosta yläosassa.
  2. sitten lisätään vielä useita ”ulottuvuuksia”. Lisää tuotekategoria, asiakassegmentti ja tuotekategoria Detail-hyllylle.
  3. napsauta tämän jälkeen ”Shapes” – korttia asettaaksesi jokaisen merkin täytettäväksi pudotusvalikosta ” Select Shape Palette.”Valitse sitten Assignment Palette ja napsauta Ok
  4. seuraava, Napsauta Analytics-välilehteä vasemmassa yläkulmassa, mittojesi yläpuolella.
  5. seuraava askel kuvaelman ryhmittelyssä on klikata klusteri ja vetää se ulos. Muista sijoittaa se päälle klusterin ruutuun, joka näkyy.
  6. huomaa myös, että tiedoista syntyy automaattisesti 2 klusteria.
B. pelataan potentiaalisilla Kuvaelmaklustereilla
  1. leikitään potentiaalisilla Kuvaelmaklustereilla. Vaihda numero automaattisesta 5: een. Sitten, sinun pitäisi nähdä eri värejä.Tableau Clustering Steps
  2. siirry oikeaan yläkulmaan, jossa datakyljys näyttää eri Kuvaelmien ryhmittelyt. Napsauta kutakin peräkkäin korostaaksesi kyseistä segmenttiä scatter-tontilla. Näetkö kiinnostavia ryhmiä, kuten korkean myynnin ja alhaisen tuoton ryhmää?
  3. Klikkaa jokaisen Detail-hyllylle laittamasi pillerin alanuolta ja valitse ”Näytä Highlighter.”
  4. näiden pitäisi näkyä oikealla puolella. Klikkaa näitä nähdäksesi, onko mielenkiintoisia oivalluksia, jotka syntyvät. Esimerkiksi markkinointikanava Highlighterin alla valitsemalla ” SEO ”tai” Social Media ” paljastuu mielenkiintoisia oivalluksia. Tai valitsemalla ”Google Adwords” paljastaa mielenkiintoisen outlier.

Tableau Clustering Example

with this advanced Tableau clustering chart created, stay tuned for part 3 where I cover how to interpretate, explain, and visuaalisesti fine-tune Tableau clustering charts.

C. Tableau clustering visual fine tuning

voimme helposti rakentaa mahtava Tableau clustering kaavio, mutta on joitakin visuaalisia hienosäätöä tehdä ennen kuin voimme lyödä Kunnari meidän pomo. Siksi olemme luoneet helpon oppaan Tableau clustering niin tietojen tulkinta ja selitys on helpompi tehdä. Ennen kuin hyppäämme mukaan, katsotaan numeroita konepellin alla.

D. Tableau clustering interpretation and analysis

How do I understand each of my Tableau clusterings beyond just eyebing it?

  1. napsauta ensin alanuolta Klusteripilleriä, jonka pitäisi olla Värihyllylläsi.
  2. valitse sitten kuvaile klustereita.
  3. lopuksi ilmestyy ikkuna, jossa on paljon tietoa siitä, miten tämä on luotu. Haluat kiinnittää huomiota seuraaviin asioihin:
E. Tableau clustering variabilities
  • variables of Tableau clustering-nämä ovat mittoja, joita crusting löytää look-a-likes (ts. ryhmittele samankaltaiset asiakkaat myynnin ja voiton mukaan)
  • yksityiskohtaisuuden taso – nämä ovat ulottuvuuksia, jotka sisällytät kuvaelman ryhmittelyyn (eli näytä minulle näyttävät asiakkaat myynnin ja voiton mukaan, analysoimalla asiakassegmenttiä, markkinointikanavaa, tuotekategoriaa jne. ja löytää yhtäläisyyksiä kaikissa näissä).
  • klusterien lukumäärä – nämä ovat erillisiä ryhmiä tai segmenttejä, jotka algoritmi löysi
  • klusterit – sinun täytyy vierittää alaspäin löytääksesi nämä.
    • kohteiden lukumäärä-osoittaa, kuinka monta datapistettä kussakin klusterissa on (nämä voivat olla palikoita tai ympyröitä hajontakaaviolla)
    • keskuksia – tämä on kunkin klusterin keskiarvo. Näet selvät erot.
      • on OK olla eri kokoisia Kuvaelmaryhmittymiä, koska data voi ryhmittyä voimakkaammin toiseen päähän kuin toiseen, mutta haluat, että jokaisessa klusterissa on tarpeeksi datapisteitä ollakseen merkityksellisiä.
      • jos siinä on vain yksi tai kaksi, harkitse näkymän ulkopuolelle jättämistä, koska ne saattavat olla tuloksia vääristäviä poikkeamia, tai harkitse klusterien lukumäärän muuttamista.
      • huomaa: suurin osa klusterikeskuksista esiintyy tieteellisessä notaatiossa, mikä on turhauttavaa. Jos napsautat Kopioi leikepöydälle-painiketta ja liitä se Exceliin, voit muotoilla numerot niin tiedät oikein, mitä ne edustavat.
F. Siivotaanpa kuvaelmien klusterit

nyt, siistitään klusterit tempulla, jolla ne nimetään uudelleen sillä lisäbonuksella, että niitä voi käyttää muissakin kaavioissa ja analyyseissä. (Huomaa, että kun olet suorittanut tämän vaiheen, et voi tarkastella edellisiä taustalla olevia numeroita, joten varmista, että olet kopioinut numerot tai ottanut kuvakaappauksen.) Tämä on lopullinen tuote:

miten luoda klustereita Tableau

    1. pidä Ctrl-näppäintä pohjassa ja napsauta sitten Värihyllyllä olevia klustereita ja vedä tämä sitten mittoihin.
    2. nyt tuplaklikkaa Klusteripilleri, jonka juuri raahasit ulottuvuuksiin, ja nimeä se uudelleen muotoon ”myynti & voitto klusterit.”Tämä on nyt kenttä, jota voimme käyttää uudelleen myöhemmin, mikä on erittäin hyödyllinen analysoitaessa tiettyjä asiakassegmenttejä.
    3. Napsauta uudelleennimetyn pillin alanuolta ja valitse Edit Group.
    4. napsauta hiiren kakkospainikkeella klusteria 1 ja valitse Nimeä uudelleen. Tyyppi ” Alhainen Myynti, Alhainen Voitto.”
    5. noudata samaa menettelyä klusterin 2 osalta (huomaa, että ne eivät välttämättä ole numeerisessa järjestyksessä!). Uudelleennimeä on ” korkea myynti, alhainen voitto.”
    6. nimeä klusteri 3: ksi ” Huippusuorittajiksi.”
    7. nimeä sitten klusteri 4 muotoon ” Mid-tier Sales, Low Profit.”
    8. nimeä myös klusteri 5 muotoon ” Medium Sales, Medium Profit.”
    9. vedä nyt päivitetty ”Sales and Profit Clusters” – pilleri ja korvaa nykyinen Clusters-kenttä värihyllyllä. Voit tehdä tämän asettamalla tämä pilleri suoraan päälle toinen. Tai vetämällä nykyisen kentän väri pois ja korvaamalla se uudella. Seuraa yhdessä GIF alla nähdä sen valmis tähän pisteeseen asti (Klikkaa nähdäksesi sen koko näytön):

Tableau Clustering Video

G. Changing colors in Tableau Clustering

now, let ’ s changing the color scheme in Tableau clusterings, so that our colors guide a little more meaning.

  1. Napsauta legendassa oikeassa yläkulmassa olevaa pudotusnuolta ja valitse Muokkaa värejä.
  2. Aseta väripaletti superfishel-kivelle pudotusvalikossa.
  3. Valitse nyt ”huippuesiintyjät” – osio ja klikkaa tummanvihreää pilleriä.
  4. Toista tämä menettely ja vaihda ”Low Sales, Low Profit” oranssiin väriin. Vaihda ”High Sales, Low Profit” punaiseksi. Vaihda ”keskitason myynti” vaaleaan oliivinväriin. Vaihda ”Keskimyynti” aqua-väriin.
  5. valitse OK.

meillä on nyt joitakin tilastollisesti päteviä segmenttejä, joita voimme käyttää uudelleen ja jotka on korostettu mielekkäillä otsikoilla, jotka kertovat seuraavasta vaiheesta. Esimerkiksi ” korkea myynti, alhaiset voitot ”johtaa meidät hyvin ilmeinen” miksi ” kysymys. Voimme sitten porata syvemmälle nähdäksemme, mitä muuta näistä datapisteistä nousee pintaan, mikä viittaa toimenpiteisiin, joihin meidän on ryhdyttävä.

miten selitän kuvaelman ryhmittelyn muille ihmisille…?

… ja saa ”peukut pystyyn” pomoltasi?

käytä seuraavia vinkkejä:

selitä Tableau Clustering englanniksi

Etsi potentiaalisen ryhmän (voisi olla asiakkaita, voisi olla kaupunkeja, voisi olla mitä tahansa, johon yrität ryhmittyä) jäseniä, jotka ovat mahdollisimman samanlaisia keskenään ja mahdollisimman samanlaisia kuin seuraava ryhmä. Haluamme, että jokainen ryhmä on mahdollisimman ainutlaatuinen ja erilainen, kun taas haluamme, että jokainen tietyn ryhmän jäsen on mahdollisimman samanlainen.

selitä Kuvaelmaklusterointi kvantitatiivisesti

tietylle joukolle klustereita tai look-a-kaltaisia ryhmiä (merkitään kirjaimella ”K”) algoritmi jakaa tiedot niin moneksi klusteriksi tai ryhmäksi. Algoritmi määrittää tietojesi perusteella, mikä sen mielestä on optimaalinen klusterien määrä sinulle. Mutta voit helposti muuttaa sitä, jos uusia kuvioita syntyy. Jokaisella kuvaelman klusterilla on keskipiste (centroid), joka on kaikkien kyseisen klusterin pisteiden keskiarvo. Jokainen klusteri on kelvollinen tilastollinen ryhmittely, joka päivittyy dynaamisesti tietoarvojen muuttuessa tai uusia tietoja lisättäessä.

Jaa esimerkki Tableau Clustering

sanotaan, että sinulla on tietoa neljästä Domino ’ s Pizzeria-ketjusta ja lista asiakkaiden osoitteista. Asiakkaiden osoitteet eivät liity Dominon sijaintiin. Sinun täytyy manuaalisesti lajitella osoitteet ja vertailla niitä Google Maps määrittää, mistä paikasta ne pitäisi tilata. Tableau ryhmittely tekee tämän automaattisesti. Se tutkisi tiedot ja päättelisi, mitkä naapurustot ovat kunkin Dominon sijainnin ympärillä. Sinulla olisi neljä rykelmää. Tämä on pohjimmiltaan mitä Google tekee, kun etsit ”pizza near me,” muuten.

Vastaa

Sähköpostiosoitettasi ei julkaista.