Help bij Tableau Blueprint

Visuele analyse is geen lineair proces. Een gebruiker kan bijvoorbeeld beginnen met een initiële taak of vraag in gedachten, relevante data zoeken en deze voorbereiden voor analyse. Tijdens de analyse realiseert de gebruiker zich dat ze aanvullende data nodig heeft, dus gaat ze een paar stappen terug om meer data te verzamelen, het opnieuw visueel in kaart te brengen en nieuwe inzichten te ontwikkelen. Dit voorbeeld kan zich herhalen voor elk van de andere stappen van de cyclus van visuele analyse.

De analyseflow is moeilijk of onmogelijk te realiseren met traditionele BI. In plaats van de kracht van visuele signalen en iteratie te benutten, is het sterk gebaseerd op mijlpalen. Het inventariseren van vereisten leidt tot ontwikkeling, vervolgens tot testen en uiteindelijk tot lancering. Met visuele analyse worden de stappen vloeiender omdat het antwoord op de eerste vraag vaak tot meer vragen leidt en er ook nieuwe inzichten aan het licht komen.

Of u nu voor uzelf of voor anderen schrijft, de cyclus van visuele analyse begint met een taak of met zakelijke vragen die moeten worden beantwoord. Wanneer u datavragen stelt, begin dan met een breed onderwerp en maak vervolgens elke vraag specifieker. De vragen van een callcentermanager, van samenvatting tot gedetailleerd, kunnen er bijvoorbeeld als volgt uitzien:

• Hoeveel oproepen komen er maandelijks binnen?
• Waar komen deze oproepen vandaan?
• Wat zijn de meest voorkomende typen oproepen?
• Wie beantwoordt de meeste/minste oproepen?

Vaak begrijpt degene die de data analyseert ook de onderliggende businessvragen. In andere gevallen kan het zijn dat iemand naar u toe komt die graag een dashboard wil en welke zakelijke vragen het moet beantwoorden. Ongeacht de procedure voor het aanvragen van dit soort hulp, zijn de stappen naar succes vergelijkbaar.

• Bouw een goede verstandhouding op voor een productieve werkrelatie, gebaseerd op vertrouwen. Vraag naar hun ervaringen en probeer hun taal te spreken.
• Stel open vragen, zoals "Welke informatie wilt u dat dit dashboard u geeft?" of "Welke vraag wilt u beantwoorden?" in plaats van 'Wilt u een lijndiagram?' of "Moet ik een trendlijn maken?"
• Gebruik voorbeelden: laat bestaande dashboards zien en vraag hoe deze verbeterd kunnen worden.

Uw gebruikers hebben vragen die met data beantwoord kunnen worden, maar weten zij wel hoe ze de juiste databron kunnen vinden en daar verbinding mee kunnen maken? Van een verscheidenheid aan gestructureerde, semi-gestructureerde en onbewerkte databronnen tot geïsoleerde data binnen verschillende afdelingen van de organisatie: weten waar de juiste data vandaan kunnen komen, is een van de grootste obstakels om een datagestuurde organisatie te worden.

Tijdens het ontdekkingsproces toonde de Data- en analyse-enquête van Tableau in de Tableau Blueprint-planner aan wat de belangrijkste databronnen zijn en hoe data binnen elke afdeling of elk team worden gedistribueerd en gebruikt. In het tabblad Tableau-gebruiksscenario's en databronnen van de Tableau Blueprint-planner zijn specifieke databronnen gedocumenteerd. U moet prioriteit geven aan de bronnen die de meeste impact zullen hebben op basis van de omvang van de doelgroep en gepubliceerde databronnen maken in Tableau Server of Tableau Cloud.

Naast de initiële gebruikscases moeten makers van inhoud begrijpen hoe ze data kunnen verkrijgen om nieuwe zakelijke vragen te beantwoorden. Met de Data- en analyse-enquête kunt u telkens weer nieuwe gebruikscases ontdekken en beoordelen of de benodigde data al aanwezig zijn in Tableau Server en Tableau Cloud. Als deze data al beschikbaar is als gepubliceerde databron, kunnen makers van inhoud er verbinding mee maken en dit analyseren. Als de data niet bestaat, moeten auteurs samenwerken met data-stewards en werken met de data die er wel is (soms zelfs met datasteekproefbestanden) en prototypen maken met de beschikbare data, in plaats van te wachten tot ze verder kunnen met een perfect geoperationaliseerde dataset. Zodra de volledige dataset beschikbaar is, zal de geoperationaliseerde dataset de steekproef vervangen.

Nadat de data zijn verzameld, gaan makers van inhoud de data verkennen door meetwaarden en dimensies aan de weergave toe te voegen, en Tableau biedt gebruikers de meest effectieve visualisatie. Het type visualisatie kan op elk moment tijdens het schrijven van inhoud worden gewijzigd. Wanneer makers de data verkennen en deze visueel coderen met de vooraf bepaalde kenmerken, kunnen ze er inzichten uit afleiden.

Het is van cruciaal belang om elk type analyse op de juiste manier visueel in kaart te brengen om inzichten te verkrijgen en actie te stimuleren. Er zijn vijf primaire typen visuele toewijzingen die makers van inhoud en consumenten moeten begrijpen:

• vergelijking, weergegeven als een staaf
• ruimtelijk, weergegeven als een kaart
• tijdelijk, weergegeven als een lijn
• vergelijking tussen twee meetwaarden, weergegeven als een spreidingsdiagram
• nauwkeurig getal, weergegeven als een teksttabel

In Tableau-visualisaties wordt vaak het onverwachte weergegeven: relaties, uitschieters en trends. Een verrassende bevinding stimuleert het denkproces en moedigt een verdere analyse of een ander pad van onderzoek aan. Het interactiemodel van Tableau is gebaseerd op het concept van incrementele wijzigingen: telkens wanneer u een actie uitvoert (bijvoorbeeld filteren), toont Tableau onmiddellijk het nieuwe resultaat.

Waarom is incrementele wijziging belangrijk? Hiermee kunnen we op een intuïtieve manier een breed scala aan mogelijke visualisaties verkennen om de juiste te vinden. Het stelt ons in staat ons te concentreren op de verkenningstaak, waarbij vragen niet alleen tot antwoorden leiden, maar ook tot meer vragen. Op deze manier kunnen we visuele analyses ook op ons eigen tempo leren. We kunnen dan langzaam en incrementeel geavanceerde representaties van data opbouwen terwijl we leren hoe we naar informatie moeten kijken. De interface van Tableau is gebaseerd op het proces waarbij een vraag incrementeel wordt verfijnd tot een antwoord. Alle Tableau-gebruikers, niet alleen analisten, kunnen betekenisvolle informatie uit data halen en hun beslissingen op data baseren.

Data-analyse en datavisualisatie waren ooit afzonderlijke taken. Een analist voerde query's uit of schreef berekeningen om antwoorden uit een databron te krijgen, en exporteerde vervolgens de resultaten als een gespecificeerde diagram of grafiek. Maar door het proces van het opvragen van data visueel te maken, verkent u de data op een uitgebreidere en meer betekenisvolle manier. Met visuele analyses kunt u een analyse maken en er tegelijkertijd van leren als zich mogelijkheden voor verder onderzoek voordoen.

Kritisch denken met data gaat over het vinden van inzichten en deze inzichten op een optimale, boeiende manier te communiceren. Visuele analyse maakt het stellen en beantwoorden van vragen over uw data intuïtief, ongeacht of u een creator of een consument bent. Wij blijven ondertussen de vraag “waarom” stellen.

Het is belangrijk om kritisch te blijven denken met data tijdens het besluitvormingsproces voor zowel makers van inhoud (vaak analisten, ontwikkelaars of datawetenschappers) als voor informatieconsumenten. Beide groepen moeten zichzelf deze vragen stellen terwijl ze inzichten ontwikkelen:

• Welke vraag moet ik stellen?
• En als ik het antwoord krijg, vertrouw ik het dan?
• Kan ik me afvragen of mijn data nuttig zijn? Of het klopt?
• Gebruik ik alle feiten? Probeer ik mijn vooroordelen te bevestigen?

Gedeelde bevindingen leiden tot acties, resultaten en oplossingen. In feite zijn niet-gedeelde ontdekkingen nutteloos. U kunt verschillende soorten inhoud delen via Tableau Server of Tableau Cloud:

• Tableau Prep Flows: Prep Flows kunnen worden gepubliceerd op Tableau Server of Tableau Cloud en worden gepland om te worden uitgevoerd wanneer u ze nodig hebt voor Prep Conductor.
• Gepubliceerde databronnen: u kunt databronnen publiceren die anderen kunnen gebruiken om nieuwe werkmappen te maken. Een databron kan een directe (of live) verbinding met uw database bevatten of een extract dat u volgens een planning kunt vernieuwen. Zie Best practices voor gepubliceerde databronnen en Beheerde datatoegang mogelijk maken met Tableau Data Server (in het Engels) voor meer informatie.
• Werkmappen: werkmappen bevatten uw weergaven, dashboards en verhalen, en dataverbinding. U kunt lokale resources opnemen, zoals achtergrondafbeeldingen en aangepaste geocodering, als deze zich op een locatie bevinden waartoe de server of andere Tableau-gebruikers geen toegang hebben.

Een dashboardchecklist is een nuttige resource om ervoor te zorgen dat gepubliceerde inhoud voldoet aan het doel en de beoogde zakelijke vragen beantwoordt. Data-stewards moeten ook een rol spelen bij het waarborgen van de juistheid en het beoordelen van een ingesloten databron als potentiële kandidaat voor publicatie en certificering. Naast de correctheid van data en berekeningen, moet inhoudsvalidatie ook een beoordeling omvatten van de branding, lay-out, opmaak, prestaties, filters, dashboardacties en het gedrag bij speciale gevallen door de sitebeheerder of projectleider van de siterollen. Zie Tableau-governance voor meer informatie over inhoudsvalidatie, promotie en certificering.