Je suis un utilisateur passionné de Tableau depuis des années. Je ne peux pratiquement pas résoudre un problème quantitatif de nos jours sans utiliser Tableau pour m’aider à explorer visuellement mes données et à parcourir des idées et des hypothèses. Cependant, certains problèmes nécessitent un travail plus lourd dans Tableau qu’une visualisation ne peut gérer simplement. Aujourd’hui, nous discuterons du clustering Tableau et de son utilité pour créer une meilleure analyse des données.

Qu’est-ce que le clustering Tableau ?

Tableau a récemment commencé à ajouter d’autres outils statistiques qui offrent des moyens puissants de visualiser et d’explorer les données. Le clustering Tableau est l’une des fonctionnalités les plus récentes de Tableau 10. Il met des statistiques avancées entre vos mains en quelques clics.

Le clustering Tableau vous permet d’identifier facilement des groupes statistiquement similaires. En clair, en fonction des attributs que vous indiquez à Tableau, il analysera et déterminera les similitudes et créera des groupes similaires. Vous pouvez ensuite les explorer pour plus de détails ou comparer le comportement de chaque groupe les uns par rapport aux autres.

Comme nous l’avons mentionné ci-dessus, la possibilité de segmenter les données en groupes ou en bacs utiles est aussi importante que le classement et l’identification de vos valeurs supérieures et inférieures. C’est un must pour tout analyste de données. Le clustering Tableau porte cette capacité à un tout autre niveau. Vous n’avez pas besoin de code ou d’être un statisticien qualifié pour y accéder.

Le clustering Tableau excelle dans la visualisation des relations entre les données. Par exemple, nous pourrions nous demander: « Comment ces 6 choses interagissent-elles ensemble et quels résultats produisent-elles? »Et si nous voulions ajouter des mesures au lieu de Dimensions? Par exemple, les modèles d’achat (Ventes) et le montant que nous réalisons réellement (Bénéfices) et les modèles de retour ou de remise (Rabais, Retours).

Le clustering Tableau nous permet d’ajouter ces informations supplémentaires. Cela nous aide à aller au-delà des segments simples pour intégrer des données avancées sur les modèles de comportement et les actions (Mesures), ainsi que des informations d’attribut telles que la Région ou le canal de marketing (Dimensions).

Pourquoi le Clustering Tableau est-il utile ?

Obtenir de meilleures informations plus rapidement nous permet d’agir davantage. Être capable de prendre des mesures qui ont un impact fait de vous un héros; cela fait de vous la personne avec toutes les réponses. C’est un sentiment impressionnant et c’est ce que Tableau clustering nous permet de réaliser. La possibilité de trouver des informations cachées grâce à la fonctionnalité de glisser-déposer simple de Tableau est une étape majeure pour passer à l’action plus rapidement.

Exemples de clustering Tableau

Voici quelques exemples de visualisation montrant comment les utilisateurs ont utilisé le clustering Tableau pour créer des segments et trouver des informations qu’ils ne pouvaient pas accéder facilement:

Chris Penn, pro du marketing, a utilisé l’outil de clustering Tableau pour trouver des informations sur son propre blog qui ont été obscurcies par les méthodes traditionnelles de visualisation. À savoir, explorer les sujets des publications sur les médias sociaux qui ont généré de nouveaux utilisateurs, un grand nombre de réacheminements ou qui stagnaient:

Chris Wood donne une analyse interactive perspicace des jeunes à risque du district scolaire de Washington, D.C., expliquant également comment il a utilisé le clustering Tableau pour le faire.

< un href=’#’>< img alt = « Pourcentages de jeunes à risque dans les écoles et Représentation démographique à Washington D.C. » src=’https:&#47;&#47;public.tableau.com&#47;static&#47;images&#47;DC&#47;DCPS&#47;Dashboard3&#47;1_rss.png ‘style=’bordure:aucune’/>< /a>

Le clustering Tableau utilise

Découvrez plus d’applications de clustering Tableau à l’œuvre ci-dessous.

1. Segmentation de la clientèle

Disons que vous avez un groupe de clients qui se connecte très rarement, n’appelle jamais le support, a commencé avec de faibles revenus mensuels récurrents, mais a dépensé des tonnes de mises à niveau au fil du temps. C’est un groupe étrange avec une croissance organique énorme et des coûts bas, même si les revenus initiaux étaient faibles. Le clustering Tableau peut trouver des groupes comme celui-ci.

2. Étude de marché

Comment déterminer les différents groupes sur le marché et créer des produits et des messages marketing qui résonnent avec ces personnes? Par exemple, une banque a trouvé un groupe d’entrepreneurs qui utilisait les capitaux propres de leur maison via une 2e hypothèque pour financer leurs startups. Sachant que cela a conduit à une toute nouvelle gamme de produits pour la banque qui a résonné beaucoup plus fort avec ce groupe.

3. Enquêtes clients

Quels clusters Tableau surgissent parmi les clients satisfaits, quels clusters surgissent parmi les clients insatisfaits ? Les clients insatisfaits utilisent-ils également vos excellents services de support?

4. Algorithmes de correspondance ou de recommandation

Netflix: Par exemple, sur la base de films qui ont une forte protagoniste féminine, un humour plein d’Esprit et des acteurs britanniques, nous recommandons tous les films basés sur chaque livre de Jane Austen.

5. Telecom

Positionnez les tours cellulaires de sorte que tous les clients reçoivent une puissance de signal optimale en fonction des adresses, des habitudes d’utilisation, de l’itinérance, des abonnements, des heures de pointe, des modèles de trafic et des routes, etc.

6. Planification

Disons que vous êtes un chef de police qui essaie de maximiser le temps de votre agent avec un budget limité. Vous devez planifier des patrouilles aux heures de pointe dans les zones les plus susceptibles de criminalité, toujours en fonction d’un certain nombre de facteurs, tels que l’heure de la journée, la météo, les niveaux de revenu et d’éducation, les événements criminels passés, les types de crimes, les emplacements connus des gangs, etc.

J’utilise personnellement le clustering Tableau tout le temps dans mon travail d’analyse quotidien et je trouve qu’il possède des capacités inégalées pour raconter une histoire sur des groupes de données. Restez à l’écoute pour la partie 2 où je vous explique comment créer vos propres graphiques de clustering Tableau.

Comment créer un Clustering Tableau

Commençons par créer un graphique de clustering Tableau à partir de l’ensemble de données Superstore qui montre la relation entre les ventes et les bénéfices avec la mise en évidence d’autres champs tels que le canal marketing ou la catégorie de produit. Nous commençons par une vue avec ces champs retirés:

A. Création de clustering Tableau
  1. Tout d’abord, cliquez sur « Montrez-moi » en haut à droite et choisissez l’option « Nuage de points » pour obtenir un format plus utile. Ensuite, vous verrez que le canal de marketing et la région sont sur les étagères de formes et de couleurs, respectivement.

 Tutoriel de Clustering Tableau

  1. Après cela, définissez-le sur « Vue entière » dans le menu déroulant en haut.
  2. Ensuite, ajoutons plusieurs autres « Dimensions ». Ajoutez une Catégorie de produit, un Segment de client et une Sous-Catégorie de produit à l’étagère des détails.
  3. Ensuite, cliquez sur la carte ‘Formes’ pour définir chacune des marques à Remplir dans le menu déroulant intitulé ‘Sélectionner la palette de formes. Ensuite, choisissez Affecter la palette et cliquez sur Ok
  4. Ensuite, cliquez sur l’onglet Analytics en haut à gauche, au-dessus de vos dimensions.
  5. L’étape suivante du clustering Tableau consiste à cliquer sur Cluster et à le faire glisser. Assurez-vous de le placer au-dessus de la boîte de cluster qui apparaît.
  6. Notez également que 2 clusters sont générés automatiquement à partir des données.
B. Jouez avec les clusterings Tableau potentiels

  1. Jouons avec le nombre de clusterings Tableau potentiels. Changez le nombre de Automatique à 5. Ensuite, vous devriez voir les différentes couleurs. Étapes de clustering Tableau
  2. Passez en haut à droite où le surligneur de données affiche les différentes clusterings Tableau. Cliquez successivement sur chacun d’eux pour mettre en surbrillance ce segment sur le nuage de points. Voyez-vous des groupes intéressants, comme un groupe de ventes élevées, de faibles bénéfices?
  3. Cliquez sur la flèche vers le bas de chaque pilule que vous mettez sur l’étagère de détail et sélectionnez « Afficher le surligneur. »
  4. Ceux-ci doivent apparaître sur le côté droit. Cliquez dessus pour voir s’il y a des idées intéressantes qui émergent. Par exemple, sous le surligneur Marketing Channel, choisir « SEO » ou « Médias sociaux » révèle des informations intéressantes. Ou choisir « Google Adwords » révèle une valeur aberrante intéressante.

 Exemple de clustering Tableau

Avec ce graphique de clustering Tableau avancé créé, restez à l’écoute pour la partie 3 où je traite de la façon d’interpréter, d’expliquer et d’affiner visuellement les graphiques de clustering Tableau.

C. Réglage fin visuel du clustering Tableau

Nous pouvons facilement créer un graphique de clustering Tableau impressionnant, mais il y a quelques ajustements visuels à faire avant de pouvoir lancer un home-run avec notre patron. Par conséquent, nous avons créé un guide simple pour le clustering Tableau afin que l’interprétation et l’explication des données deviennent plus faciles à faire. Avant de nous lancer, jetons un coup d’œil à certains des chiffres sous le capot.

D. Interprétation et analyse des clusters Tableau

Comment comprendre chacun de mes clusters Tableau au-delà du simple fait de le regarder ?

  1. Tout d’abord, cliquez sur la flèche vers le bas sur la pilule Clusters qui devrait être sur votre étagère de couleurs.
  2. Ensuite, choisissez Décrire les clusters.
  3. Enfin, une fenêtre apparaîtra avec beaucoup d’informations sur la façon dont cela a été créé. Vous souhaitez faire attention aux éléments suivants:
E. Variables de clustering Tableau
  • Variables de clustering Tableau – ce sont les mesures que vous analysez pour trouver des looks-a-likes (c’est-à-dire groupez des clients similaires par chiffre d’affaires et profit)
  • Niveau de détail – ce sont les dimensions que vous intégrez au clustering Tableau (c’est-à-dire montrez-moi des clients similaires par chiffre d’affaires et profit, en analysant le segment de clientèle, le canal marketing, la catégorie de produits, etc. et trouver des points communs entre tous ceux-ci).
  • Nombre de clusters – ce sont les groupes ou segments distincts que l’algorithme a trouvés
  • Clusters – vous devez faire défiler vers le bas pour les trouver.
    • Nombre d’éléments – indique le nombre de points de données dans chaque cluster (il peut s’agir de vos barres ou des cercles sur un nuage de points)
    • Centres – c’est la valeur moyenne dans chaque cluster. Vous verrez les différences évidentes.
      • Il est acceptable d’avoir des clusters Tableau de tailles différentes car les données peuvent se regrouper plus fortement à une extrémité qu’à une autre, mais vous souhaitez que chaque cluster ait suffisamment de points de données pour être significatif.
      • S’il n’en a qu’un ou deux, envisagez d’exclure ceux de la vue car ils pourraient être des valeurs aberrantes faussant vos résultats, ou envisagez de modifier le nombre de clusters.
      • Remarque: La plupart des centres de cluster apparaîtront en notation scientifique, ce qui est frustrant. Si vous cliquez sur le bouton Copier dans le presse-papiers et le collez dans Excel, vous pouvez formater les nombres afin de savoir correctement ce qu’ils représentent.

D. Nettoyage des clusters Tableau

Maintenant, Nettoyons les clusters avec une astuce pour les renommer avec l’avantage supplémentaire de pouvoir les utiliser dans d’autres graphiques et analyses. (Notez qu’une fois cette étape terminée, vous ne pouvez pas afficher les nombres sous-jacents précédents, assurez-vous donc d’avoir copié les nombres ou pris une capture d’écran.) C’est le produit final:

 Comment créer des Clusters dans Tableau

    1. Maintenez la touche Ctrl enfoncée, puis cliquez sur la pilule Clusters sur l’étagère couleur, puis faites-la glisser dans Dimensions.
    2. Maintenant, double-cliquez sur la pilule Clusters que vous venez de glisser dans Dimensions et renommez-la en « Clusters de profit Sales &. »C’est maintenant un champ que nous pouvons réutiliser plus tard, ce qui sera très utile pour analyser certains segments de clients.
    3. Cliquez sur la flèche vers le bas sur la pilule renommée et choisissez Modifier le groupe.
    4. Faites un clic droit sur le cluster 1 et choisissez Renommer. Type « Faibles Ventes, Faible Profit. »
    5. Suivez la même procédure pour le cluster 2 (notez qu’ils peuvent ne pas être dans l’ordre numérique!). Renommer est « Ventes élevées, Faible Profit. »
    6. Renommez le cluster 3 en « Top Performers. »
    7. Ensuite, renommez le Cluster 4 en « Ventes de niveau intermédiaire, Faible profit. »
    8. Renommez également le Cluster 5 en « Ventes moyennes, Bénéfice moyen. »
    9. Faites maintenant glisser la pilule mise à jour « Clusters de ventes et de bénéfices » et remplacez le champ Clusters existant sur l’étagère de couleurs. Vous pouvez le faire en plaçant cette pilule directement sur l’autre. Ou, en faisant glisser le champ actuel sur la couleur et en le remplaçant par le nouveau. Suivez le GIF ci-dessous pour le voir terminé jusqu’à présent (Cliquez pour le voir en plein écran):

 Vidéo de clustering Tableau

G. Modification des couleurs dans le Clustering Tableau

Maintenant, changeons le jeu de couleurs dans les clusterings Tableau, afin que nos couleurs donnent un peu plus de sens.

  1. Dans la légende, cliquez sur la flèche déroulante en haut à droite et choisissez Modifier les couleurs.
  2. Définissez la palette de couleurs sur Superfishel Stone dans le menu déroulant.
  3. Choisissez maintenant le segment « Top Performers » et cliquez sur la pilule vert foncé.
  4. Répétez cette procédure et remplacez « Faibles ventes, Faibles bénéfices » par la couleur orange. Changez « Ventes élevées, Faible profit » en rouge. Changez « Ventes de niveau intermédiaire… » en couleur olive claire. Changez « Ventes moyennes » en couleur aqua.
  5. Choisissez OK.

Nous avons maintenant des segments statistiquement valides que nous pouvons réutiliser et qui sont mis en évidence avec des titres significatifs qui indiquent la prochaine étape. Par exemple, « Ventes élevées, Faibles profits » nous amène à la question très évidente du « pourquoi ». Nous pouvons ensuite explorer plus en profondeur pour voir quelles autres surfaces de ces points de données indiquent les actions que nous devons entreprendre.

Comment expliquer le clustering Tableau à d’autres personnes… ?

andet obtenir le « pouce levé » de votre patron?

Utilisez les conseils suivants :

Expliquez le clustering Tableau En anglais

Trouvez des membres d’un groupe potentiel (peut-être des clients, des villes, tout ce que vous essayez de regrouper) qui sont aussi similaires les uns aux autres que possible et aussi dés-similaires que possible au groupe suivant. Nous voulons que chaque groupe soit aussi unique et distinct que possible, tandis que nous voulons que chaque membre d’un groupe particulier soit aussi similaire que possible.

Expliquer quantitativement le clustering Tableau

Pour un nombre donné de clusters ou de groupes similaires (désignés par la lettre  » K « ), l’algorithme partitionne les données en autant de clusters ou de groupes. L’algorithme déterminera ce qu’il pense être le nombre optimal de clusters pour vous, en fonction de vos données. Mais vous pouvez facilement changer cela pour voir si de nouveaux modèles émergent. Chaque cluster Tableau a un centre (centroïde) qui est la valeur moyenne de tous les points de ce cluster. Chaque cluster est un groupe statistique valide qui se mettra à jour dynamiquement à mesure que les valeurs des données changent ou que de nouvelles données sont ajoutées.

Partagez un exemple de Clustering Tableau

Supposons que vous ayez des informations sur quatre chaînes de pizzas Domino’s et une liste d’adresses de clients. Mais ces adresses clients ne sont pas liées à l’emplacement d’un Domino particulier. Vous devez trier manuellement les adresses et les comparer sur Google Maps pour déterminer à quel endroit elles doivent commander. Le clustering Tableau le fait automatiquement. Il analyserait les données, puis déterminerait quels quartiers se trouvent autour de l’emplacement de chaque Domino. Vous auriez quatre groupes. C’est essentiellement ce que fait Google lorsque vous recherchez « pizza près de chez moi », soit dit en passant.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.