Cykeln för visuell analys

Det här innehållet är en del av Tableau Blueprint – ett ramverk med vilket ni kan zooma in och förbättra hur organisationen använder data för att få större genomslag. Sätt igång genom att göra vår utvärdering(Länken öppnas i ett nytt fönster).

Visuell analys är en icke-linjär process. En användare kanske exempelvis startar med en viss uppgift eller fråga i åtanke, gräver fram relevant data och förbereder den för analys. Under analysen inser användaren att hon behöver mer data, så hon går tillbaka ett par steg för att få mer data, välja en ny visuell mappning och utvecklar en ny insikt. Detta exempel kan upprepas för alla övriga steg i cykeln för visuell analys.


Flödet för analysen är svårt eller omöjligt att uppnå med konventionell BI. I stället för att utnyttja kraften i visuella ledtrådar och iteration är det snarare kraftigt beroende av milstolpar. Insamling av krav leder till utveckling, testning och i slutändan till att informationen används. Med visuell analys blir stegen mer naturliga eftersom svaret på en fråga ofta leder till nästa fråga och nya insikter kommer fram.

Börja med frågor

Vare sig du redigerar för eget syfte eller för andra börjar cykeln för visuell analys med en uppgift eller affärsfrågor som ska besvaras. När man ställer datafrågor gäller det att börja med ett vitt ämne och sedan specificera ner för varje fråga. Chefen på ett call center kan till exempel ha frågor som sträcker sig från en översikt ner till detaljnivå enligt följande:

  • Hur många samtal tas emot varje månad?
  • Var kommer samtalen från?
  • Vilka är de vanligaste samtalstyperna?
  • Vem besvarar flest/minst samtal?

Ofta förstår personen som analyserar data även de underliggande frågorna. I andra fall kan någon komma till dig för att de behöver en instrumentpanel och diskutera vilka affärsfrågor den ska behandla. Oberoende av hur processen för att begära denna typ av hjälp ser ut är stegen för att lyckas snarlika.

  • Skapa en rapport för en produktiv arbetsrelation som är byggd på förtroende. Ta reda på mer om deras erfarenheter och försök att tala deras språk.
  • Ställ öppna frågor som ”Vad vill du att instrumentpanelen ska visa dig?” eller ”Vilken fråga vill du ha svar på?” i stället för ”Vill du ha ett linjediagram?” eller ”Ska jag visa en trend för dig?”
  • Föreslå exempel: Visa befintliga dashboards och fråga vad som kan göra dem bättre.

Skaffa data

Dina användare ställer frågor som kan besvaras med data men vet de hur de ska hitta rätt datakälla och ansluta till den? Utifrån en mängd strukturerade, halvstrukturerade och råa datakällor till data som är lagrad på olika avdelningar i organisationen är oförmågan att kunna skaffa rätt data ett av de största hindren för att bli en datadriven organisation.

Under utforskningsprocessen identifierade Tableaus data- och analysenkät i Tableau Blueprint Planner (Tableau Blueprint-planeraren) viktiga datakällor och hur data distribueras och konsumeras inom olika avdelningar eller team. På fliken Tableau-användningsfall och -datakällor i Tableau Blueprint Planner (Tableau Blueprint-planeraren) anges specifika datakällor och du kan prioritera vilka som ska ha störst påverkan efter målgruppsstorlek och skapa publicerade datakällor i Tableau Server eller Tableau Cloud.

Utöver de initiala användningsfallen bör innehållsskapare även veta hur de skaffar data för att besvara nya affärsfrågor. Användning av data- och analysenkäten är ett upprepningsbart sätt att upptäcka nya användningsfall och bedöma om den data som behövs redan finns i Tableau Server eller Tableau Cloud. Om den redan finns som en publicerad datakälla kan innehållsskapare ansluta till den och börja analysera den. Om den inte finns kan författare samarbeta med datastewards och med den data de har – även exempeldatafiler – och göra en prototyp med tillgängliga data i stället för att vänta med att fortsätta med en perfekt uppsättning användbar data. När hela datauppsättningen är tillgänglig kan den operationaliserade datauppsättningen ersätta exempeldata.

Välj visuell mappning

När data har skaffats börjar innehållsskapare att utforska data genom att lägga till mätvärden och dimensioner i vyn och Tableau presenterar den mest effektiva visualiseringen för användarna. Typen av visualisering kan ändras när som helst under tiden som innehållet redigeras. När skaparna utforskar data och kodar den visuellt med förvalda attribut kommer de att kunna härleda insikter från dem.

Det är mycket viktigt att välja lämplig typ av visuell mappning för analystypen för att kunna härleda insikter och komma närmare åtgärder. Det finns fem primära typer av visuella kartläggningar som innehållsskapare och -konsumenter ska känna till:

  • Jämförelse, presenterad som stapel
  • Rumslig, presenterad som karta
  • Tidsmässig, presenterad som linje
  • Jämförelse av två mätvärden, presenterad som punktdiagram
  • Exakta tal, presenterad som texttabell

Visa data

Tableau-visualiseringar visar ofta det oväntade – relationer, avvikelser och trender. Överraskande upptäckter stimulerar tankeprocessen, uppmuntrar till djupare analys eller andra sätt att hitta förklaringar. Tableaus interaktionsmodell är baserad på stegvis förändring: När du utför en åtgärd (som att filtrera) visar Tableau omedelbart det nya resultatet.

Varför är det viktigt med stegvis förändring? Det gör att vi intuitivt kan utforska ett brett område med möjliga visualiseringar för att hitta den rätta. Det gör att vi kan fokusera på själva utforskningen där frågor inte bara ger svar utan också leder till flera frågor. Det gör också att vi lär oss visuell analys i vår egen takt. Vi kan skapa sofistikerad återgivning av data långsamt och stegvis när vi lär oss hur vi ska betrakta information. Tableaus gränssnitt baseras på att stegvis förfina en fråga för att komma till ett svar. Alla Tableau-användare , inte bara analytiker, kan få fram meningsfull information från data och basera sina beslut på data.

Få fram insikter

Dataanalys och datavisualisering var en gång i tiden delade uppgifter. En analytiker ställde frågor eller gjorde beräkningar för att få fram svar från en datakälla och exporterade sedan resultaten som ett visst diagram eller tabell. Men genom att göra sökprocessen visuell kan du utforska din data på ett rikare och mer meningsfullt sätt. Med visuell analys kan du skapa en analys och lära dig från den samtidigt som möjligheter till ytterligare utforskningar uppkommer.

Kritiskt tänkande med data handlar om att hitta insikter och kommunicera dessa insikter på ett optimalt, engagerande sätt. Med visuell analys är det intuitivt att ställa och besvara frågor, oavsett om du skapar eller konsumerar data – eftersom vi fortsätter ställa frågan ”varför”.

Kritiskt tänkande med data är viktigt för beslutsfattande för både innehållsskapare (ofta analytiker, utvecklare eller dataforskare) och för de som konsumerar information. Båda grupperna bör ställa sig följande frågor när de tar fram insikter:

  • Vilken fråga ska jag ställa?
  • Och när jag får svaret, kan jag lita på det?
  • Har jag möjlighet att fråga om min data är användbar? Om den stämmer?
  • Har jag med alla fakta? Försöker jag bekräfta mina egna uppfattningar?

Agera (dela)

Delade upptäckter leder till åtgärder, resultat och lösningar. Det är faktiskt så att upptäckter som inte delas är värdelösa. Du kan dela olika typer av innehåll via Tableau Server eller Tableau Cloud:

  • Tableau Prep-flöden: Prep-flöden kan publiceras i Tableau Server eller Tableau Cloud och schemaläggas för körning när du behöver dem med Prep Conductor.
  • Publicerade datakällor: Du kan publicera datakällor som andra kan använda för att skapa nya arbetsböcker. En datakälla kan ha en direktanslutning (live) till din databas eller ett extrakt du kan uppdatera enligt schema. Mer information finns i Best Practices for Published Data Sources (Bästa praxis för publicerade datakällor) och Enabling Governed Data Access with Tableau Data Server (Aktivera styrd dataåtkomst med Tableau Dataserver).
  • Arbetsböcker: Arbetsböcker innehåller dina vyer, instrumentpaneler, berättelser och dataanslutningen. Du kan inkludera lokala resurser, som bakgrundsbilder och anpassad geokodning, om de finns på en plats som servern eller andra Tableau-användare inte har åtkomst till.

En checklista för instrumentpaneler är en praktisk resurs för att se till att publicerat innehåll uppfyller syftet och besvarar avsedda affärsfrågor. Datastewards har också en roll i att säkerställa korrekta data och granska en inbäddad datakälla som en potentiell kandidat för publicering och certifiering. Mer information om validering av innehåll, marknadsföring och certifiering finns i Kontroll i Tableau.

Tack för din feedback!Din feedback har skickats in. Tack!