Aide de Tableau Cloud

Qu’est-ce qui fait d’une visualisation un bon candidat pour Expliquer les données

Expliquer les données fonctionne de manière optimale sur les visualisations exigeant une exploration et une analyse plus approfondies, plutôt que sur des visualisations descriptives de style infographique qui communiquent des données résumées.

• Les données au niveau des lignes sont nécessaires à Expliquer les données pour créer des modèles de vos données et générer des explications. Les visualisations contenant des données sous-jacentes au niveau des lignes, où des relations peuvent exister dans des champs non visualisés, sont de bons candidats pour exécuter Expliquer les données.
• Les visualisations basées sur des données pré-agrégées sans accès aux données au niveau des lignes sont moins adaptées à l’analyse statistique effectuée par Expliquer les données.

Quelles données fonctionnent le mieux pour Expliquer les données

Lorsque vous utilisez la fonctionnalité Expliquer les données dans une feuille de calcul, n’oubliez pas qu’elle fonctionne avec :

• Repères uniques seulement : la fonctionnalité Expliquer les données analyse les repères uniques. L’analyse de repères multiples n’est pas prise en charge.

• Données agrégées : la vue doit contenir une ou plusieurs mesures agrégées à l’aide de SUM, AVG, COUNT ou COUNTD. Au moins une dimension doit également être présente dans la vue.

• Sources de données uniques seulement : les données doivent provenir d’une seule source de données principales. Expliquer les données ne fonctionne pas avec des sources de données fusionnées ou multidimensionnelles.

Lorsque vous préparez une source de données pour un classeur, gardez à l’esprit les considérations suivantes si vous prévoyez d’utiliser Expliquer les données pendant l’analyse.

• Utilisez une source de données avec des données sous-jacentes suffisamment larges. Une donnée idéale comporte au moins 10-20 colonnes en plus d’une (ou plusieurs) mesure(s) agrégée(s) à expliquer.
• Donnez des noms de colonnes (champs) faciles à comprendre.
• Éliminez les colonnes redondantes et les artefacts de préparation des données. Pour plus d’informations, consultez Modifier les champs utilisés pour l’analyse statistique.
• Ne supprimez pas les colonnes non visualisées dans la source de données. Expliquer les données prend en compte les champs des données sous-jacentes lorsqu’il analyse un repère.
• Les dimensions de faible cardinalité fonctionnent mieux. L’explication des dimensions catégorielles est plus facile à interpréter si sa cardinalité n’est pas trop élevée (< 20 catégories). Les dimensions contenant plus de 500 valeurs uniques ne seront pas prises en compte pour l’analyse.
• En règle générale, ne pré-agrégez pas les données. Par contre, si la source de données est très volumineuse, envisagez de pré-agréger les données à un niveau de détail approprié.
• Utilisez des extraits sur des sources de données en direct. Les extraits sont plus rapides que les sources de données en direct. Avec les sources de données en direct, le processus de création d’explications peut créer de nombreuses requêtes (environ une requête pour chaque explication candidate), ce qui peut entraîner une durée plus longue de génération des explications.

Situations où la fonctionnalité Expliquer les données n’est pas disponible

Il peut arriver que la fonctionnalité Expliquer les données ne soit pas disponible pour un repère sélectionné, selon les caractéristiques de la source de données ou de la vue. Si la fonctionnalité Expliquer les données ne peut pas analyser le repère sélectionné, l’icône Expliquer les données et la commande de menu contextuel ne seront pas disponibles.