数据分析——Tableau数据可视化与仪表盘搭建

• 目录

  前言

  一、Tableau介绍

  二、基础图表制作

  【对比分析：比大小】

  柱状图

  条形图

  热力图（突出显示表）

  气泡图

  【变化分析：看趋势】

  折线图

  面积图

   构成分析：看占比

  饼图

   树地图

  堆积图

  关系分布：看位置

  散点图

  【聚类分析】

  直方图

  地图（送餐地址分布）

  三、BI仪表盘的搭建

  总结

---

前言

选择Tableau来作为自己开始学习数据分析的首个工具，从数据赋能和数据探索中学习数据，以下全是通过自己实操所得

---

一、Tableau介绍

• 全世界的数据可视化大神，都在基于Tableau进行可视化创作
  • 我们可以在Tableau的可视化社区学习各种顶尖的可视化方案
    • https://public.tableau.com/zh-cn/gallery/?tab=viz-of-the-day&type=viz-of-the-day
    • 社区推荐的优秀作品每天都会更新
  • 数据可视化整体分为四大流派
    • 艺术流
      • 旨在探索更多的数据表达方法，相当于用数据作画，简直就是艺术品
    • 分析流
      • 针对某一专项的主体，用可视化充分说明和分析数据，做到高效的信息传达，主题明确，信息全面。
    • 实战流
      • 为实际的业务场景服务，追求数据的全面性和逻辑，属于能用就行
    • 垃圾流
• 但可视化只是Tableau的基操
  • 数据赋能和数据探索才是Tableau的正确打开方式
  • 数据赋能
    让业务一线也可以轻松使用最新数据
    • 分析师可以直接将数据看板发布到线上
    • 自动更新看板
    • 自由下载数据
    • 线上修改图表
    • 邮箱发送数据
    • 设置数据预警
  • 数据探索
    通过统计分析和数据可视化，从数据发现问题，用数据验证假设
    • 支持亿级数据的连接和处理
    • 自由地对字段进行各种计算
    • 拖拽就可以轻松制作图表
    • 数据可以随意聚合下钻
    • 图表类型可以灵活转换
    • 内置算法智能建模

二、基础图表制作

【对比分析：比大小】

---

• 柱状图

  • 举例各个分行/门店/广告计划的成交额
  • 使用场景
    • 较少变量之间的对比分析
      字段=表头，变量=具体值和数据
    • 各大区之间的业绩对比
    • 各大类商品之间的销售额对比
  • 图表逻辑
    • 在一个或多个【维度】下对【度量】进行统计，从而得到该【维度】下不同变量之间的【度量】差异

• 条形图

• 举例：各个门店的成交额
• 使用场景：较多变量之间的分析对比；个人之间的业绩比较；各商品之间的销售额对比
• 图表逻辑：与柱状图相比，但在水平展示下，多变量之间的对比更易浏览
• 

• 热力图（突出显示表）

• 举例：门店数据按日期排序，突出显示GMV
• 使用场景：多维度下多变量的同时对比，并且需要同时查看对比效果和数值
• 各组/商品类别之间的销售额、利润同时对比
• 图表逻辑：在文本上根据度量值大小加上颜色深浅标记
• 

• 气泡图

• 图表逻辑：用度量代表气泡大小/文本大小，维度代表气泡颜色       
• 使用场景：在极多变量下在统一度量上的对比分析      

---

• 
• 词云

• 【变化分析：看趋势】

---

• 折线图

• 全流程转化数据多轴/颜色拆分显示
• 使用场景：基于时间【维度】分析【度量】的数据变化及趋势；
• 图表逻辑：基于时间【维度】的柱状图，但是将展现形式从条形图变为了折线
• 

• 面积图

• 使用场景：有内部累计关系的值随时间变化；不强调趋势，强调绝对值
• 图表逻辑：在折线图的基础上选择面积作为视觉影射

 构成分析：看占比

---

饼图

• 举例：品牌GMV占比
• 使用场景：一个【维度】下各个变量在某一【度量】下所占比例；性别维度下，男女顾客各占成交金额的百分比
• 图表逻辑：【维度】代表各扇区的颜色，【度量】代表饼图中各扇区角度的大小

 树地图

• 使用场景：一个度量在多个维度下的占比展现和分析；各组销售贡献度；各用户用户贡献度
• 图表逻辑：每个方格代表一个该【维度】下的变量，方格的大小代表此变量的在该【维度】下的【度量】占比大小；方格会按照顺序排列，占比最大的在最上方

堆积图

• 使用场景：相同【度量】下，比较一个【维度】下另一个【维度】的占比；各地区各品类产品对销售额的贡献。
• 图表逻辑：绝对堆积：在柱状图/条形图的基础上，用颜色区分一个维度在另一个维度下的占比大小；相对堆积：不展示绝对值，使用合集快表计算：合计百分比，只展示百分比。

关系分布：看位置

---

散点图

• 举例：CPC、下单人数和gmv
• 使用场景：分析某一【维度】变量在两个【度量】下的分布和变量之间的相关性；产品的销售额和所得利润之间的关系（正相关、弱相关、不相关）
• 图表逻辑：横纵轴各代表一个【度量】，【维度】中的变量则作为一个点，根据横纵轴上的度量值大小确定位置

【聚类分析】

K-means聚类算法，基于欧式距离计算

---

直方图

• 使用场景：查看单一度量下的数据分布
• 常见分布：2/8法则   马太效应   40-20-10：如果想让app保持增长势头，那么新用户次日留存率，7天留存率和30天留存率应该分别维持在40%、20%和10%左右
• 图标逻辑：将度量下数据分组计数

地图（送餐地址分布）

• 使用场景：基于地理位置的数据分析
• 图表逻辑：以地理位置为店，用点大小、颜色展示度量值大小等特征

三、BI仪表盘的搭建

• 仪表盘搭建原则：符合业务的阅读、思考、操作逻辑
• 明确仪表盘的主题：思考服务人群与需要得到的数据信息
• 仪表盘主题拆解：思考该主题涉及到哪些数据；思考数据的重要程度是否相同； 选取最适合数据的图表
• 开发设计工作表：分为经营情况总览，经营数据详情，每日营收数据，每日流量数据，新老客占比，平台占比，门店占比，投放情况，订单分布，配送分布十大板块
• 构思仪表盘布局
• 最终实操搭建得到下图的仪表盘

---

总结

通过跟着学习搭建了第一个简易仪表盘，今后还将从python、SQL、Excel等多维度学习关于数据分析的知识