Сегодня я медитировала над задачей производственной иерархии и долго недоумевала, почему в моей IT-системе так хранятся иерархии.
Оказалось, это лишь один из способов хранения иерархий данных - materialized path.
В статье ниже вы узнаете, как с помощью join в Tableau быстро преобразовать такие materialized path в идеальные для анализа структуры данных.
Линк:
https://vizpainter.com/reshaping-your-data-in-tableau-working-with-materialized-path-hierarchies/

Если все истории мира можно подогнать под типовые сюжеты (количество разнится, от 4 у Борхеса до 36 у Польти), то почему бы не попробовать как-то упорядочить практики сторителлинга?😜
Интересная статья про типизацию историй данных в дашбордах, с примерами, советами и разбором:
https://help.tableau.com/current/pro/desktop/en-us/story_best_practices.htm

Котятки,
пусть выходные будут интересными)
Меня уже несколько раз просили порекомендовать обучалки по Tableau, как очные, так и дистанционные.
Мое мнение, - идеальных материалов не бывает. Но нужно же с чего-то начинать:)
С 3 февраля стартует курс BI разработчик. Основы работы в Tableau. Думаю, этот курс-прекрасное начало, чтобы просто преодолеть свои страхи перед BI.
В этом курсе вы узнаете, как подключаться к источникам данных, создавать дашборды и отдельные визуализации.

Один день из жизни московского наземного транспорта.

Котятки🐱 Завтра уже начинается рабочая неделя, а сегодня - время вдохновляться и вдохновлять)
Сделаем наши дашборды произведением искусства 🎨✍🎭
Линк: https://medium.com/theymakedesign/website-dashboard-ui-examples-inspiration-58a77503fdb7

Прекрасная статья о распознавании, запоминании и воспроизведении визуализации в нашем разуме👆

anoshin_d_et_al_tableau_2019_x_cookbook_over_115_recipes_to.pdf

Хорошая статья про создание интерактивных дашбордов с помощью Plotly (для визуализации) и Voila (для того, чтобы сделать веб-приложение из ноутбука). На мой взгляд, это очень элегантный и простой подход, позволяющий сделать исследование и делиться выводами по нему с другими людьми без шаринга всего кода. Отдельный бонус: рассматривается два варианта деплоя приложения - в облаке с помощью сервиса binder и на выделенном сервере через tmux.

https://pbpython.com/interactive-dashboards.html

Котятки, сегодня тема дня - бизнес-требования к дашбордам.
В отличие от функциональных ( например, масштабируемость или адаптация размера на любых устройствах) и информационных (например, преемственность данных или использование каких-то единых эталонных справочников) требований, они более свободны с точки зрения формулировок и имеют весьма условное ограничение с точки зрения характеристической области. Ибо почти всё в организации - бизнес)
Я встречала несколько удачных подходов (а по классике смотрим в BABOK):
-требования ограничены форматом дашборда (описание дашборда) ;
-требования ограничены форматом user story (роль+описание действий на дашборда);
-требования в виде метрик/разрезов (без требований к визуальным элементам и макету) ;
-требования в свободной форме, раскрывающие проблемный фактор(в формате "что у вас болит").
Можно пробовать делать микс и идти широкими мазками, как в статье:
https://medium.com/@karlwiegers/tell-me-whats-a-happening-defining-dashboard-reporting-requirements-c47d10a36960

Наверно, самая популярная визуализация с начала этого года:
https://gisanddata.maps.arcgis.com/apps/opsdashboard/index.html#/bda7594740fd40299423467b48e9ecf6

Правильное сопоставление данных, - это не только про выбор визуализации и учёт контекста (сопоставимости), но ещё и про подбор масштаба и data -истории в вопросе, а с чем именно сравнивать ваши данные.
Готового мануала на все случаи жизни не придумать. Учиться правильно подбирать "масштаб сравнения" и не сравнивать яблоки с арбузами помогут примеры - статистическая инфографика.
Ссылка на хороший блог:
https://www.statista.com/chartoftheday/blog/

Котятки, недавно меня заинтересовала тема "BI -ПО для СМП": а есть ли вообще такая категория, или это просто рекламный ход.
Все оказалось гораздо проще: выбор классификации ПО во многом зависит от цели использования.
Ниже линк на материал, где ПО классифицируется не в традиционной категории BI, а как инструментарий только лишь для подготовки дашбордов. В этой классификации уже появляются такие аспекты/критерии, как, например, наличие готовых шаблонов или удобство совместной работы
Линк

В самом начале пути дашбордизации, когда бизнес ещё не до конца осознал свои потребности в данных и формулирует их достаточно расплывчато, мы решаем одновременно 3 задачи:
-помочь пользователям осознать свои потребности;
-опытным путём выделить реальную ролевую модель и user cases, характерные для каждой роли;
-приучить людей исследовать данные с использованием дашбордов.
На этом этапе дашборды, по сути, включают в себя все те вещи, которые делать "не стоит": нечеткие или недостаточно каскадированные метрики, отсутствие четко выделенной ЦА (дашборд "для всех"), слишком много данных на одном дашборде. Но приходит время, и дашборды должны эволюционировать.
Линк на полезную статью на тему ошибок в дашбордизации:
https://www.mrc-productivity.com/blog/2016/01/7-deadly-business-dashboard-mistakes/

Котятки🐱
Размышляя о прошлом и будущем дашбордов, осознаешь, что их дизайн всё большее и больше наследует принципы дизайна презентаций. Особенно это касается иконок.
Линк на интересную статью, описывающая важные и порой интересные тенденции, которые вырисовываются в дашбордах:
https://www.logianalytics.com/dashboarddesignguide/the-future-of-dashboard-design/

Классное сравнение Power BI и Tableau. Автор фломастерами нарисовал картинки, получилось забавно. https://www.whatdatashows.com/between-tableau-and-power-bi/

Котятки🐱,на очереди очередной каталог диаграмм💪🏻
В нём:
-виды и паттерны диаграмм;
-ключевые особенности каждого вида диаграмм;
-терминология и важные аспекты легенд;
-рекомендации, как правильно читать диаграммы;
-инструкции по построению и подготовке данных для диаграмм различных типов (да-да, мы привыкли, что волшебное tableau все строит строит за нас, но разбираться в основных принципах построения также не лишнее).
Линк:
https://diagrammm.com/

Полезно, конечно, учиться на своих ошибках, но лучше их избегать вовсе.

Коллекция предостережений проекта data-to-viz:
https://www.data-to-viz.com/caveats.html
P. S. Сам проект интересен в принципе, в нём также:
-обзор всех типов графиков
-дерево решений на основе формата входных данных;
- сюжетные примеры анализа.

Котятки, я уже писала про то, как полезно разбирать чужие плохие визуализации.
Так вот, здесь всё прекрасно.
Визуализации, которые не имеют смысла:
https://viz.wtf/