jag har varit en ivrig användare av Tableau i flera år. Jag kan ganska mycket inte lösa ett kvantitativt problem idag utan att använda Tableau för att hjälpa mig att visuellt utforska mina data och iterera genom ideer och hypoteser. Men vissa problem kräver mer tunga lyft i tablå än en viz kan hantera enkelt. Idag kommer vi att diskutera Tableau Clustering och varför det är användbart för att skapa bättre analys av data.

Vad är Tableau Clustering?

Tableau har nyligen börjat lägga till fler statistiska verktyg som ger kraftfulla sätt att visualisera och utforska data. Tableau clustering är en av de nyaste funktionerna i Tableau 10. Det sätter avancerad statistik i dina händer med bara några klick.

Tableau Clustering kan du enkelt identifiera statistiskt liknande grupper. På vanlig engelska, baserat på attribut som du berättar för Tableau, kommer det att gå igenom och bestämma likheter och skapa look-a-like-grupper. Du kan sedan borra i dem för mer detaljer eller jämföra hur varje grupp beter sig i förhållande till varandra.

som vi diskuterade ovan är möjligheten att segmentera data i användbara grupper eller fack lika viktigt som att rangordna och identifiera dina topp-och bottenvärden. Det är ett måste för alla dataanalytiker. Tableau Clustering tar den förmågan till en helt ny nivå. Du behöver inte kod eller behöver vara utbildad statistiker för att komma åt den.

Tableau Clustering utmärker sig för att visuellt se relationerna mellan data. Till exempel, vi kanske undrar, ”hur interagerar dessa 6 saker tillsammans och vilka resultat ger de?”Tänk om vi ville lägga till mått istället för dimensioner? Till exempel köpmönster (försäljning) och belopp vi faktiskt gör (vinst) och retur-eller rabattmönster (Rabatt, avkastning).

Tableau clustering tillåter oss att lägga till denna ytterligare information. Detta hjälper oss att gå bortom enkla segment till avancerade, med data om beteendemönster och åtgärder (åtgärder), samt attributinformation som Region eller marknadsföringskanal (dimensioner).

Varför är Tableau Clustering användbart?

att få bättre insikter snabbare gör att vi kan vidta fler åtgärder. Att kunna vidta åtgärder som påverkar gör dig till en hjälte; det gör dig till personen med alla svar. Det är en fantastisk känsla och det är vad Tableau clustering gör det möjligt för oss att uppnå. Möjligheten att hitta dolda insikter med tableaus enkla dra-och-släpp-funktionalitet är ett stort steg för att komma till handling snabbare.

Tableau Clustering exempel

här är några exempel på hur människor har använt Tableau clustering för att skapa segment och hitta insikter som de inte kunde komma till lätt:

Marketing pro Chris Penn använde Tableau clustering tool för att hitta insikter om sin egen blogg som doldes med traditionella metoder för visualisering. Namnlösa: borrning i vilka ämnen av sociala medier inlägg körde nya användare, stort antal reshares eller stagnerade:

Chris Wood ger en insiktsfull interaktiv analys av ungdomar i riskzonen i Washington, DC school district, förklarar också hur han använde Tableau clustering för att göra det.

<a href=’#’><img alt= ’riskfyllda Ungdomsprocent inom skolor och demografisk Representation i 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=’ kantlinje: ingen ’ / >< / a>

Tableau Clustering använder

kolla in fler Tableau clustering-applikationer på jobbet nedan.

1. Kundsegmentering

säg att du har en grupp kunder som loggar in mycket sällan, aldrig ringer support, började med låga månatliga återkommande intäkter, men spenderade massor på uppgraderingar över tiden. Det är en udda grupp med enorm organisk tillväxt och låga kostnader, även om de initiala intäkterna var låga. Tableau clustering kan hitta grupper som denna.

2. Marknadsundersökning

hur bestämmer vi olika grupper på marknaden och skapar produkter och marknadsföringsmeddelanden som resonerar med dessa människor? Till exempel hittade en bank en grupp entreprenörer som använde eget kapital från sina hem via en 2: a inteckning för att finansiera sina nystartade företag. Att veta det ledde till en helt ny produktlinje för banken som resonerade mycket starkare med den gruppen.

3. Kundundersökningar

vilka Tableau-kluster dyker upp bland nöjda kunder, vilka kluster dyker upp bland missnöjda kunder? Använder de missnöjda kunderna också dina utmärkta supporttjänster?

4. Matchande eller rekommendationsalgoritmer

Netflix: Till exempel, baserat på filmer som har en stark kvinnlig huvudperson, kvick Humor och brittiska skådespelare, rekommenderar vi alla filmer baserade på varje Jane Austen-bok någonsin.

5. Telecom

placera mobiltornen så att alla kunder får optimal signalstyrka baserat på adresser, användningsmönster, roaming, Prenumerationer, topptider, trafikmönster och vägar etc.

6. Schemaläggning

säg att du är en polischef som försöker maximera din officerstid med begränsad budget. Du måste schemalägga patruller vid högtrafik i de mest brottsliga områden, återigen baserat på ett antal faktorer, som tid på dagen, väder, inkomst och utbildningsnivåer, tidigare brottshändelser, typer av brott, kända gäng platser, etc.

jag använder personligen Tableau clustering hela tiden i mitt dagliga analysarbete och jag tycker att det har oöverträffade förmågor att berätta en historia om grupper av data. Håll ögonen öppna för del 2 Där jag täcker hur du skapar dina egna tablåklusterdiagram.

hur man skapar en Tableau Clustering

Låt oss hoppa in och skapa ett Tableau clustering diagram från Superstore Dataset som visar förhållandet mellan försäljning och vinst med markering av andra områden som marknadsföringskanal eller produktkategori. Vi börjar med en vy med dessa fält utdragna:

A. Tableau clustering creation
  1. klicka först på ’Visa mig’ längst upp till höger och välj alternativet ’Scatter Plot’ för att få detta till mer av ett användbart format. Sedan ser du att marknadsföringskanal och Region finns på formerna respektive färghyllorna.

Tableau Clustering Tutorial

  1. därefter ställer du in den till ’hela vyn’ från rullgardinsmenyn högst upp.
  2. låt oss sedan lägga till flera fler ’dimensioner’. Lägg till produktkategori, kundsegment och Produktunderkategori i Detaljhyllan.
  3. Klicka sedan på ’former’ – kortet för att ställa in var och en av märkena till fyllda från rullgardinsmenyn märkt ’Välj Formpalett.’Välj sedan tilldela palett och klicka på Ok
  4. klicka sedan på fliken Analytics längst upp till vänster, ovanför dina dimensioner.
  5. nästa steg i Tablåkluster är att klicka på kluster och dra ut det. Var noga med att placera den ovanpå Klusterrutan som visas.
  6. Observera också att 2 kluster genereras automatiskt från data.
B. spela med potentiella Tablåkluster
  1. Låt oss spela med antalet potentiella Tablåkluster. Ändra numret från automatisk till 5. Då bör du se de olika färgerna.Tableau Clustering Steps
  2. gå över till höger där Data highlighter visar de olika tabellau clusterings. Klicka på var och en i följd för att markera det segmentet på scatter-diagrammet. Ser du några intressanta grupper, som en grupp med hög försäljning, låg vinst?
  3. klicka på nedåtpilen på varje piller som du lägger på Detaljhyllan och välj ”Visa överstrykningspenna.”
  4. dessa ska visas på höger sida. Klicka igenom dessa för att se om det finns några intressanta insikter som dyker upp. Till exempel, under marknadsföringskanalen highlighter, att välja ”SEO” eller ”sociala medier” avslöjar några intressanta insikter. Eller att välja” Google Adwords ” avslöjar en intressant outlier.

Tableau Clustering exempel

med detta avancerade Tableau clustering diagram skapat, håll dig uppdaterad för del 3 Där jag täcker hur man tolkar, förklarar och visuellt finjusterar Tableau clustering diagram.

C. Tableau clustering visual fine tuning

vi kan enkelt bygga ett fantastiskt Tableau clustering diagram, men det finns en viss visuell finjustering att göra innan vi kan slå en hemkörning med vår chef. Därför har vi skapat en enkel guide till Tableau-kluster så att datatolkning och förklaring blir lättare att göra. Innan vi hoppar in, låt oss ta en titt på några av siffrorna under huven.

D. Tableau clustering tolkning och analys

Hur förstår jag var och en av mina Tableau clusterings utöver att bara eyeballing det?

  1. klicka först på nedåtpilen på Klusterpillen som ska finnas på din Färghylla.
  2. välj sedan beskriv kluster.
  3. slutligen visas ett fönster med mycket information om hur detta skapades. Du vill vara uppmärksam på följande:
E. Tableau clustering variables
  • variabler av Tableau clustering – det här är de åtgärder som du krossar för att hitta look-a-likes (dvs. gruppera liknande kunder efter försäljning och vinst)
  • detaljnivå – det här är de dimensioner som du integrerar i Tableau-klustringen (dvs. visa mig look-a-like-kunder efter försäljning och vinst, genom att analysera kundsegment, marknadsföringskanal, produktkategori etc. och hitta gemensamma drag över alla dessa).
  • antal kluster – det här är de olika grupperna eller segmenten som algoritmen hittade
  • kluster – du måste bläddra ner för att hitta dessa.
    • antal objekt – visar hur många datapunkter som finns i varje kluster (det kan vara dina staplar eller cirklarna på en scatter – plot)
    • Centers-detta är medelvärdet inom varje kluster. Du kommer att se de uppenbara skillnaderna.
      • det är OK att ha Tableau-kluster av olika storlekar, eftersom data kan gruppera starkare i ena änden än en annan, men du vill att varje kluster ska ha tillräckligt med datapunkter för att vara meningsfulla.
      • om det bara har en eller två, överväga att utesluta dem från vyn eftersom de kan vara avvikare som snedvrider dina resultat, eller överväga att ändra antalet kluster.
      • Obs: de flesta av klustercentra kommer att visas i vetenskaplig notation, vilket är frustrerande. Om du klickar på knappen Kopiera till Urklipp och klistrar in den i Excel kan du formatera siffrorna så att du vet korrekt vad de representerar.
F. Rensa upp Tableau clusterings

Låt oss nu rensa klusterna med ett knep för att byta namn på dem med den extra bonusen att kunna använda dem i andra diagram och analyser. (Observera att när du har slutfört det här steget kan du inte se de tidigare underliggande siffrorna, så se till att du har kopierat siffrorna eller tagit en skärmdump.) Detta är slutprodukten:

hur man skapar kluster i Tableau

    1. håll ner Ctrl-tangenten och klicka sedan på Klusterpillen på färghyllan och dra sedan över det till dimensioner.
    2. dubbelklicka nu på Klusterpillen som du just drog in i dimensioner och byt namn på den till ”försäljning & Vinstkluster.”Detta är nu ett fält som vi kan återanvända igen senare, vilket kommer att vara till stor hjälp för att analysera vissa segment av kunder.
    3. klicka på nedåtpilen på det döpta pillret och välj Redigera grupp.
    4. högerklicka på kluster 1 och välj Byt namn. Skriv ” Låg Försäljning, Låg Vinst.”
    5. följ samma procedur för kluster 2 (observera att de kanske inte är i numerisk ordning!). Byt namn är att ” hög försäljning, låg vinst.”
    6. Byt namn på kluster 3 till ” bästa artister.”
    7. byt sedan namn på Cluster 4 till ” Mid-tier Sales, Low Profit.”
    8. byt också namn på kluster 5 till ” Medium försäljning, Medium vinst.”
    9. dra nu det uppdaterade” försäljnings-och Vinstkluster ” – pillret och ersätt det befintliga Klusterfältet på färghyllan. Du kan göra detta genom att placera detta piller direkt ovanpå den andra. Eller genom att dra det aktuella fältet på färg av och ersätta det med det nya. Följ med GIF nedan för att se den färdigställd fram till denna punkt (Klicka för att se den helskärm):

Tableau Clustering Video

G. ändra färger i Tableau Clustering

Låt oss nu ändra färgschemat i Tableau clusterings, så att våra färger förmedlar lite mer mening.

  1. på förklaringen klickar du på rullgardinspilen längst upp till höger och väljer Redigera färger.
  2. Ställ in färgpaletten på Superfishel Stone i rullgardinsmenyn.
  3. Välj nu segmentet ”Top Performers” och klicka på det mörkgröna pillret.
  4. upprepa denna procedur och ändra ”låg försäljning, låg vinst” till den orange färgen. Ändra” hög försäljning, låg vinst ” till rött. Ändra ”Mid-tier Sales …” till den ljusa olivfärgen. Ändra ”Medium Sales” till vattenfärgen.
  5. välj OK.

vi har nu några statistiskt giltiga segment som vi kan återanvända och som är markerade med meningsfulla titlar som indikerar nästa steg. Till exempel leder” hög försäljning, låg vinst ”oss till den mycket uppenbara” varför ” – frågan. Vi kan sedan borra ner djupare för att se vilka andra ytor från dessa datapunkter som indikerar åtgärder vi behöver vidta.

Hur förklarar jag Tableau clustering för andra människor…?

… och få ”tummen upp” från din chef?

använd följande tips:

förklara Tableau Clustering på engelska

hitta medlemmar i en potentiell grupp (kan vara kunder, kan vara städer, kan vara vad som helst du försöker gruppera på) som liknar varandra som möjligt och som dis-liknande som möjligt till nästa grupp. Vi vill att varje grupp ska vara så unik och distinkt som möjligt, medan vi vill att varje medlem i en viss grupp ska vara så lika som möjligt.

förklara tabell kluster kvantitativt

för ett givet antal kluster eller look-a-like grupper (betecknad med bokstaven ”K”), algoritmen partitioner data i att många kluster eller grupper. Algoritmen kommer att avgöra vad den tycker är det optimala antalet kluster för dig, baserat på dina data. Men du kan enkelt ändra det för att se om nya mönster dyker upp. Varje tabellau-kluster har ett centrum (centroid) som är medelvärdet för alla punkter i det klustret. Varje kluster är en giltig statistisk gruppering som uppdateras dynamiskt när datavärden ändras eller när nya data läggs till.

dela ett exempel på Tableau Clustering

låt oss säga att du har information om fyra Dominos pizzakedjor och en lista över kundadresser. Men dessa kundadresser är inte knutna till någon speciell Dominos plats. Du måste manuellt sortera igenom adresserna och jämföra dem på Google Maps för att avgöra vilken plats de ska beställa från. Tableau clustering gör detta automatiskt. Det skulle krossa genom data och sedan bestämma vilka stadsdelar som finns runt varje Dominos plats. Du skulle ha fyra kluster. Detta är i huvudsak vad Google gör när du söker efter ”pizza nära mig”, förresten.

Lämna ett svar

Din e-postadress kommer inte publiceras.