Home喜乐君·业务数据分析
喜乐君·业务数据分析

喜乐君·业务数据分析

@吴玉朋(喜乐君)

喜乐君的业务分析原理、数据分析方法,畅销万册的《数据可视化分析》和《业务可视化分析》图书作者,陪伴你的业务分析之旅!“十年十本书”,只做数据分析!
订阅0
文章37
最后更新:2024-1-14 21:21
查看 【喜乐君·业务数据分析】 详情查看 【吴玉朋(喜乐君)】 主页
分享到微信打开

免费内容

2022-12-19 23:17

《数据可视化分析:Tableau原理与实践》第一版自序

鸟会飞是因为有羽毛吗——Tableau与笔者的分析之旅从2017年偶遇Tableau至今整整三年时间,从昨日的爱好到今朝的工作,仿佛一瞬,又好似半生。如今,笔者完成了之前未曾想象的任务——把笔者的所思所想、所知所悟以出版的方式分享给更多人。理想主义者总是习惯性地低估困难,写书这件事情尤其如此。累计638张精心制作的插图,有别于博客内容,建立新的体系框架,你我虽隔书相望,但笔者希望每一位读者都能感受到我毫无保留的写作态度与努力。2021年,有幸与Tableau艺术家Wendy一起入围Tableau Zen Master全球榜,这是读者和Tableau对笔者最好的认可。与此同时,还是想说一下笔者和Tableau的渊源,以此说明笔者如何以文科学历和业务背景从零开始成为今日的“Tableau大使”,这条路每个人都可以走,只需要用心与努力即可抵达。1.我和Tableau的渊源毕业后历经国企、创业、私企几番锻炼,2017年回到婴贝儿担任总裁助理,忙里偷闲四处学习,并且获得了“买任何图书均可报销”的公司特权,受领导鼓励,也在公司义务培训Excel、消费心理学等;考虑到公司低效的“PPT数据传统”和自身专业数据分析知识的薄弱,因此私下搜寻各种大数据分析工具,最后被Tableau的灵活、易用和美观所折服。之后陆陆续续为运营、采购、人资等板块做了一些并非成熟的分析。笔者是典型的“写作型”,因此从学习第一周开始,笔者就陆陆续续记笔记、写博客,纯粹为了帮助自己增强理解,不料三年下来,竟然积累了可观的笔墨。“所有的成功都是长期主义的胜利”。数据和数据分析恰好是不错的风口,于是误打误撞进入了这个“陌生但新鲜的行业”。《经济学人》中曾写道:“21世纪最重要的资源是数据”,但是不经分析的数据没有价值,如同“不经反省的人生不值得过”(苏格拉底),而这正是转型期的企业遇到的成长烦恼。笔者决定和Tableau同行,将自己多年的工作经验与笔者对数据的理解融为一体,认真服务每一位客户,同时获得自我的提升。笔者选择了Tableau,之后通过了Tableau Desktop和Server QA认证,并在参加Tableau峰会时认识了众多Tableau员工和爱好者,之后开始了开发客户、服务客户的美好旅程。在服务客户的过程中,笔者不断积累自己的Tableau知识和业务理解,并持续更新博客增强理解并向更多客户传播Tableau文化。笔者从不拒绝客户的任何问题,把它视为最好的收集问题和不断学习的机会——没有什么是学习不能解决的问题,如果有,那就是学艺不精。追求超过预期的交付,不仅帮助笔者提高了客户的续费和增购的概率,而且不断积累了下一本书的素材。2.从所知到所悟在学习过程中,笔者不断阅读各类数据分析的书籍,并仔细翻阅官方近万页的文档和白皮书。可惜的是,笔者能找到的国内外每一本Tableau主题书籍,只能满足笔者的初学,却不能满足中高级进阶的胃口,总觉得要义未精、框架欠明,如同武林秘籍缺少最后一章,即便各种招式纯熟,却难以在实战面前随心所欲。这种理解上的束缚,阻碍了为客户交付最高品质的培训、实施和咨询。跟随山东大学王思悦老师十年学习,他教给笔者一种处事态度:“和人交往改变自己,和物交道改变对方”,因此,笔者希望重新构建Tableau的知识体系,并希望帮助初学者和高级分析师都能更好地使用Tableau产品。在克里斯坦森教授《你该如何衡量你的人生》一书的开篇,作者提出了一个让我终生难忘的问题:“鸟会飞是因为有羽毛吗?”笔者曾经以为是,但正如作者所言,人类上千年来一直尝试仿制轻盈的翅膀飞上天,最后,倒是成吨的钢铁飞机实现了。100年前,人类在“流体力学”和“空气动力学”领域积累了足够的知识,才实现了飞翔的梦想,这就是原理的重要性。很多人觉得掌握原理是少数人的事情,殊不知,原理是具有实践性的(theory is practical),它赋予了“举一反三”的能力。因此,笔者迫切地希望洞察Tableau“拖拉曳”、可视化,特别是高级计算背后的原理,只有掌握了原理,笔者才能用最简单的语言,让所有的客户以最低的时间和金钱成本换来最高效的培训和使用效果。而通往大彻大悟的道路只有一条,那就是持续的努力和深度的思考相融合的道路。整个2019年,笔者一方面不断地向Tableau最难的高级计算和高级互动发起总攻,并持续修改博客作为通达明了的明证;另一方面每月组织Tableau公开课程,在分享过程中不断深化自我理解,并在为中原消费金融、以岭药业等客户交付培训的过程中不断总结本书的宏观框架。2019年在国联水产的客户培训,获得了本书第5章的关键灵感。2021年,在长隆集团信息部门的内部交流中获得了“业务字段、分析字段”的关键灵感;并在平安普惠的项目中开始构思“业务数据分析地图”。在这个过程中,笔者持续写作博客文章以作记录和思考,如今笔者的不少Tableau博客文章,特别是关于“LOD详细级别表达式”原理和案例解读系列,几乎可以与官方的介绍文章并驾齐驱。2020年年初,因疫情在家,得以从头重写每一个细节及其思路,并把基础计算和高级计算融为一炉,形成了全新的讲解体系,从而保证初学者也可以快速掌握最高难度的知识环节。最后,笔者找到了从Excel分析到Tableau数据分析的根本性差异,即层次(LOD详细级别)。客观的数据表详细级别(table LOD)描述数据结构和颗粒度,主观的视图详细级别(viz LOD)描述业务问题及其相关性,并通过计算的多种分类把二者融为一体。全书都贯穿了“层次分析”的思路,并在高级计算部分得以升华——高级计算的实质就是多层次问题分析。因此,读者在本书中能看到很多全新的内容,特别是用层次(详细级别)理解大数据分析的核心特征、理解数据结构并识别行级别唯一性、理解Tableau的计算并引导如何选择等。而精心绘制的插图,旨在用可视化的方式增强理解,而非仅仅是文本。并通过二次处理,尽可能提高每一个图片的知识密度。3.大数据时代的趋势与业务驱动的数据分析随着互联网经济的蓬勃发展,大数据时代已经成为不可回避的事实。在经济危机面前,企业更应该追求精益分析驱动的精益成长,构建以分析为中心的敏捷平台变得不可或缺。正因为此,敏捷BI已经是大势所趋、不可抵挡。企业成长依赖于在竞争环境中不断做出最优的决策,而决策来自于充分的建立假设并高效地验证,数据分析是连接数据资产与价值决策的纽带,而敏捷BI提高数据的利用效率和企业的决策效率。“分析即选择,决策即择优”,数据分析可以直接创造企业价值,未来已来,所有的企业都将是数据驱动型的组织。对于企业而言,Tableau提供了敏捷的“数据仓库、商业分析一体化”DW/BI整体方案。不管是对于中小企业还是大型企业,Tableau都是极佳的企业级大数据可视化分析平台,它在面向业务方面的卓越表现,迄今难有同行产品可以比拟。对于业务分析师而言,Tableau入门容易、使用灵活,因此它适用于企业中的几乎每一位数据用户和业务决策者;同时,Tableau博大精深、足够专业,在可视化样式、互动探索、高级计算等方面有无限空间值得探索,因此不断钻研的Tableau分析师可以为自己构建足够高的技术壁垒,从而捍卫自己的专业领地。这也是笔者的选择和道路,只要努力,人人皆可模仿,没有所谓的“学习力”,需要的只是用心和努力而已。在这条充满光明的道路上,最大的障碍其实不是工具,而是人和文化。借助于本书,衷心地希望更多的人能熟练Tableau,并建立自己的职业壁垒,节省时间就是拯救个人生命,提高效率就是创造企业利润。4.致谢从博客到一本书,这是一年之前笔者还未曾预料的事情;因为疫情在家隔离,一个春天,不料梦想就变成了现实。特别感谢笔者工作之旅中遇到的每一位同事和领导,以及服务的每一家Tableau客户。特别是中国软件(CS&S)的各位领导对我工作的支持,感谢平安惠普、北投集团、红塔集团、河南中原消费金融、以岭药业、石药恩必普、青岛啤酒等众多客户对笔者的信任和支持。感谢电子工业出版社石倩编辑为本书付出的努力,她帮笔者实现了而立之年的第一个梦想。特别感谢2019年陪笔者一起学习的几位朋友:济南公安局于警官、秦皇岛税务局冯伟、沈阳李博、百威啤酒刘洋、史国丽等,他们不远万里来听我不成熟的课程;古人云“教学相长”,在笔者才疏学浅之时,每一位聆听者都是对笔者的激励。特别感谢2021年上海Zero Master线下课程给笔者带来的深度复盘的机会,6天的系统讲解,梳理了即将出版的新书的逻辑框架,也帮助自己发现了更多的知识点盲区。特别感谢百胜中国唐小强先生、百威啤酒刘洋先生、红塔集团付聪先生、金发科技黄彬祥先生及其他众多读者为本书勘误做出的贡献。特别感谢Tableau给我的学习机会,认识了各行各业的企业客户、朋友和读者。感谢山东大学七年求学历程最重要的导师王思悦教授,追随他学习“发明创造学”前后逾十年,他已年迈,我正年轻,亦师亦友,受益良多。感谢每一位信任与支持笔者的朋友,他们给了笔者诸多勇气。感谢我的家人,他们给了笔者生活的意义,他们日渐年迈相互陪伴了疫情写书的每一天。感谢时间,感谢充满坎坷与喜乐的人生。喜乐君2020年6月10日2021年5月1日修改2022年11月12日修改  

2022-12-19 22:33

《数据可视化分析2.0:分析原理与Tableau、SQL实践》

Tableau主题畅销书,重磅发布全新第二版!全新的框架、绘图,几乎全部重写的内容,期待帮助更多人进步!——喜乐君封面设计(by Wendy Shijia,Tableau Visionary)第二版自序感谢Tableau和读者的支持,你们给了笔者继续前进的动力。相比“修订”,更准确的是“重写”。时隔两年,笔者完全重写了全书95%以上的内容,重新绘制了几乎每张插图。只有这样,才能既感谢读者对本书的支持,又能反映笔者两年来的学习和进步。1.      本次修订的关键内容,总结如下几点:• 业务分析方法和体系更加成熟。提出了“业务-数据-分析”的框架体系,并介绍了笔者数据咨询中常用的数据地图方法(第二章)。围绕问题结构、聚合、聚合度和详细级别,构建了一个普适性的业务分析方法,适用于各种分析和BI工具,甚至可以作为衡量分析工具的一种尺度(第三章)。• 在数据合并、数据筛选、计算三大主题,对比介绍了Excel、Tableau和SQL的应用场景,帮助没有相关背景的人更快实现超越,也有助于SQL出身的“技术派”更好理解敏捷BI的精髓。高阶的BI绝非拖拉曳那般简单,在技术平民化的背后,是更巧妙的“业务灵魂”。• 将“数据筛选和交互”独立为第六章节,进一步强化筛选在业务分析中的重要性。筛选的类型多样、优先级复杂,应该尽可能避免滥用SUMIF类型的条件聚合,将筛选视为分析的独立环节,是优化分析性能的关键方式。• 强化“详细级别”的概念(替代之前的“层次”概念),在数据表详细级别(Table LOD)、视图详细级别(Viz LOD)之外,使用“引用详细级别”(Reference LOD)代表视图之外预先指定的详细级别;于此,笔者把数据关系、筛选和计算三大关键融为一体,这将是本书最重要的知识资产。• 调整了第三篇计算的知识框架,没有计算,就没有无尽的业务分析。第八章强化了计算的Ltda分类,行级别计算完成数据准备、聚合计算完成业务分析;第九章使用了新的框架介绍Tableau表计算和SQL窗口函数,表计算代表的“抽象的二次抽象”,是迈向高级分析的第一个台阶;第十章则结合“SQL聚合子查询”深入讲解LOD原理,结合产品购物篮、客户RFM等经典案例,把高级分析中“预先聚合”的理念,推广到更普遍的业务分析之中。第三篇是本书绝无仅有的特色。• 增加了“从数据管理到数据仓库”的新章节(第11章),相关内容是从可视化分析走向专业的数据建模、数据方法的关键。“视Tableau Server为DW/BI平台”,给了更多企业全新选择。• 受限篇幅,移除了之前Prep Builder数据处理、Tableau Server相关的大部分内容 2.      鸣谢每次写作完成,我总是迫不及待地分享。如同《数据可视化分析》《业务可视化分析》,本书付梓之前,笔者在上海组织了“喜乐君精品课”线下活动,详尽介绍了本书的核心内容,并在分享过程中帮助自己确认了知识体系的盲点。感谢来自天合光能、汉德车桥、上海电气、海南航空、上汽集团、英飞凌等企业的热心读者。感谢继续支持和信任我的企业客户,我就用专业和热爱回报大家。感谢Tableau,你给了我穿过迷雾的勇气,我也将无期限地支持你,对得起“Tableau传道士”的称号,对得起Tableau Zen Master/Visionary的全球荣誉。感谢我的父母,我的家人,“大爱无言”,我当用余生以行动回报。 喜乐君2022年 11月12日  ————————目录(印刷版本还在调整中,因此最终版本会有细微差异)(点击阅读>>这个颜色的可以点击跳转链接)第1篇 奠基:数字化转型与分析原理子曰:“学而不思则罔,思而不学则怠。”—— 《论语·为政》第1章数字化转型:21世纪的机遇与挑战1.1  理解数据的层次及分析的价值1.2  数据应用的3个阶段 点击阅读>>1.2.1  初级·报表展现:信息的整理与固定展现1.2.2  中级·商业智能:分析辅助决策,决策创造价值1.2.3  终极·“智能商业”:大数据重塑商业模式1.3  “数字化转型”到底 “转”什么1.3.1  塑造实事求是的数据文化:“一切用数据说话”1.3.2  数字化转型源自各个业务场景的数字化和持续进化1.3.3  业务和技术兼备的卓越中心和分析型人才1.3.4  统一并持续优化分析方法论,提高分析效率和准确性第2章 “业务-数据-分析”分析体系与企业数据地图2.1  “业务-数据-分析”体系:BDA分析框架2.1.1  分析层:指标体系建设和分析仪表板2.1.2  数据层:数据管理与数据仓库2.1.3  业务层:业务流程与“业务在线化”2.2  建立全局视角:企业数据地图(data map)2.3  两种企业级分析推进路径:“自上而下”与“自下而上”2.3.1  自下而上:从数据出发的分析之路2.3.2  自上而下:从问题和指标出发的分析之路2.4  可视化是大数据分析的桥梁和媒介2.4.1  数字、文字的可视化及可视化要素2.4.2  从可视化到抽象分析:走向仪表板和高级分析2.5  Tableau:大数据敏捷业务分析的“代表作”第3章业务可视化分析:关键概念与方法论3.1  启程:解析问题结构、理解聚合过程3.1.1  常见问题的结构解析3.1.2  聚合是问题分析的本质过程3.1.3  聚合背后的字段分类:维度描述问题,度量回答答案3.1.4  指标是聚合度量的业务形态 new3.2  明细表与聚合表:聚合的起点和终点3.2.1  业务明细表和问题聚合表:聚合的起点和终点3.2.2  物理表与逻辑表:明细表和聚合表的抽象表达3.2.3  字段的数据类型:明细表和聚合表背后的共性3.3  可视化图表:聚合交叉表的“另一面”3.3.1  问题类型与可视化增强分析3.3.2  可视化背后的数据类型:连续和离散3.3.3  Tableau中的字段属性及其作用3.4  业务可视化分析“三步走”3.5  聚合度和详细级别:构建复杂问题层次理论3.5.1  数据明细表和聚合度:多个问题的公共基准和衡量尺度3.5.2  详细级别:不同聚合度问题对应的抽象依据3.5.3  结构化分析两个应用方向3.5.4  关键概念汇总:聚合、聚合度、详细级别、颗粒度第2篇 数据准备与可视化、交互设计“I only know that I know nothing.”(我唯一所知的是我一无所知)——古希腊·苏格拉底(Socrates,公元前469—公元前399)第4章数据表合并与关系模型(Tableau/SQL)4.1  数据合并与连接数据源4.1.1  理解数据合并、数据模型的重要性4.1.2  数据合并和数据模型的相关概念4.2  数据合并的分类矩阵与数据模型案例4.2.1  “所见即所得”的行级别数据合并:Union和Join4.2.2  Excel的局限:基于数据透视表的数据合并4.2.3  使用Tableau数据混合,快速完成聚合的连接4.2.4  数据合并“分类矩阵”:两种合并方式、两个合并位置4.3  行级别并集、连接与Desktop/SQL方法4.3.1  数据并集(Data Union)4.3.2  数据连接(Data Join):连接条件与连接方式4.3.3  高级连接的形式:仅左侧连接、交叉连接与“自连接”4.3.3  明细表并集(Union)与连接(Join)的异同点与局限性4.4  从数据关系匹配到关系模型4.4.1  “临时”数据关系:基于问题层次创建数据关系匹配4.4.2  数据模型:在最为详细且有业务意义的级别预先构建数据关系4.4.3  【关键】层次分析方法:从数据合并到数据关系模型4.4.4  【难点】关系模型优化(上):匹配类型(基数)4.4.5  【难点】关系模型优化(下):匹配范围(引用完整性)4.4.6  共享维度表:从雪花模型到网状模型4.4.7  通往最佳实践:业务关系模型的可视化表达4.4.8  案例:图书及销售的数据关系模型4.5  重说数据混合:编辑匹配关系和匹配详细级别4.5.1  数据混合设置:自定义混合条件和自定义匹配字段4.5.2  高级数据混合:数据匹配的详细级别不同于主视图4.6  SQL/Python:数据合并与模型的底层工具4.6.1  SQL中数据合并相关的语法4.6.2  SQL中的视图和“物化视图”4.6.3  Tableau Table Extensions:给数据合并插上“算法之翼”(2022.3+版本)第5章  可视化分析与探索5.1  数据准备:理解业务过程与整理数据字段5.1.1  数据表:理解业务过程及“数据表详细级别”5.1.2  字段:理解业务过程的对象并做分组分类5.2  从问题到可视化图形:如何确定主视图框架5.2.1  从问题类型到可视化图形5.2.2  “三图一表”:条形图、折线图、饼图与交叉表5.2.3  分布分析、相关性分析5.2.4  地理空间可视化:特殊的分布5.3  可视化绘制方法与可视化增强5.3.1  像油画一样做可视化:可视化三步骤和标记的使用5.3.2  度量双轴及其综合处理5.3.3  多个坐标轴的“公共基准”:度量值5.4  高级分析入门:参考线与参考区间5.4.1  参考线的创建及其组合5.4.2  甘特图和标靶图:条形图与参考线的两种结合方式5.4.3  参考区间、盒须图、标准差分布5.4.4  置信区间模型5.4.5  趋势线与预测线5.4.6  集群5.5  格式设置:必要调整,但不要过度5.5.1  常见的设置格式工具栏5.5.2  设置“标签”格式,自定义文本表5.5.3  工具提示的格式设置、交互和“画中画”5.5.4  其他常用小技巧第6章Tableau/SQL筛选与集操作6.1  理解不同工具背后的筛选方法与共同点6.1.1  筛选的两类位置及其差异6.1.2  使用不同工具完成“独立筛选”6.2  筛选的分类方法:基于详细级别的视角6.2.1  【入门】数据表行级别的筛选:维度筛选器6.2.2  【进阶】指定详细级别的聚合筛选:简单条件和顶部筛选6.2.3  【高难】指定详细级别聚合的筛选:建立在自定义计算之上6.3  筛选范围的交互方法6.3.1  快速筛选器(Quick Filter)及其基本配置6.3.2  特殊的日期筛选器:默认筛选到最新日期6.3.3  参数控制:完全独立和依赖引用6.4  多个筛选的处理:数据集和优先级6.4.1  多个筛选的基础知识:数据集及运算6.4.2  多个筛选的计算原则(上):相同类型取交集(intersection)6.4.3  多个筛选的计算原则(下):不同类型看优先级(Priority)6.4.4  调整筛选器优先级(上):上下文筛选器和表计算筛选器6.4.5  调整筛选器优先级(下):数据源筛选器和数据提取筛选器6.4.6  筛选与计算的优先级6.5  集(Set):把筛选保留下来的“神奇容器”6.5.1  创建自定义集及集的本质6.5.2  自定义集内成员:“集控制”6.5.3  创建动态条件集6.5.4  集动作:以视图交互方式更新集成员6.6  集的运算、优先级和应用6.6.1  多个集的合并与“合并集”运算6.6.2  集和筛选的关系及优先级6.6.3  集的高级应用:控制用户权限的用户筛选器6.7  中级交互:多表的筛选器、集交互6.7.1  交互设计的基本分类6.7.2  “以图筛图” :仪表板中的多表快速关联筛选6.7.3  共用筛选器、集和参数:典型的仪表板交互6.7.4  工具提示“画中画”:最简单的多表关联6.8  更多实用工具:分组、数据桶、分层结构、排序6.8.1  作为数据准备的“组”(Group)6.8.2  分层结构钻取分析与仅显示相关值6.8.3  排序:对离散字段的数据值排序第7章仪表板设计、进阶与高级交互7.1  仪表板Dashboard:最重要的主题展现形式7.1.1  仪表板设计基本过程和常见功能7.1.2  仪表板大小、布局和对象7.1.3  常用的交互对象:隐藏按钮、导航按钮7.1.4  仪表板布局中的分层结构7.1.4  跨设备类型的仪表板适配7.2  故事Story:以数据故事叙事、探索7.2.1  故事及其基本设置7.2.2  故事的阐述方式7.3  仪表板进阶:“指标”、初始模板、性能优化与“数据指南”7.3.1  “指标”Metrics:聚焦仪表板关键度量7.3.2  “初始模板”(Accelerators):专家分析模板加速分析7.3.3  发布工作簿和“工作簿优化器”(Optimizer)(2021.1+版本)7.3.4  数据指南(Data Guide)(2022.3+版本)7.4 三种基本交互类型:高亮、筛选和页面7.4.1  突出显示(Highlight):以聚焦实现间接筛选7.4.2  页面轮播(Page):快速筛选的连续叠加7.5  两类高级交互工具:参数、集交互7.5.1  关键原理:参数、集的共同点和差异7.5.2  参数与逻辑判断结合:切换视图度量7.5.3  动态参数:动态更新范围和初始值7.5.4  集控制:以控件方式手动更新集成员7.6  参数动作:参数、计算和交互(2019.2+版本)7.6.1  参数动作:使用动作更新度量值7.6.2  动态筛选:参数动作和计算实现差异化筛选7.6.3  动态基准分析:使用参数动作控制参考线和计算基准7.6.4  自定义分层结构:使用参数展开指定的类别7.7  高级交互:指定区域对象的动态可见性(2022.3+)7.8   高级互动的巅峰:集动作和集控制7.8.1  经典集动作:交互更新自定义集(2018.3+版本)7.8.2  集的控制与更新:赋予集以强大的灵魂7.8.3  使用集完成对比分析和标杆分析7.8.4  高级互动的使用建议第3篇  以有限字段做无尽分析:Tableau、SQL函数和计算体系第8章计算的底层框架:行级别计算与聚合计算8.1  计算的演进及分类:从Excel、SQL到Tableau8.1.1  计算的本质及其与业务过程的关系8.1.2  以Excel理解详细级别与计算的两大分类8.1.3  从Excel“存取一体”到“数据库-SQL”的存取分离8.1.4  集大成者Tableau:将查询、计算和展现融为一体8.2  计算分类与聚合过程:分析是聚合的抽象过程8.2.1  行级别计算、聚合计算的差异和关系8.2.2  从业务角度理解计算的结果:业务字段VS分析字段8.3  数据准备类函数(上):字符串函数、日期函数8.3.1  字符串函数:截取、查找替换等清理函数8.3.2  日期函数:日期独特性与转化、计算8.3.3  数据类型转换函数8.4  数据准备类函数(下):“正则表达式”8.5  分析函数:从明细到问题的“直接聚合”8.5.1  描述规模:总和、计数、平均值8.5.2  描述数据的波动程度:方差和标准差8.5.3  关注个体、走向分布:百分位函数及最大值、最小值、中位数8.5.4  ATTR属性——针对维度字段的聚合判断8.6  通用型计算:算术函数和逻辑函数8.6.1  算术运算、精度控制函数8.6.2  逻辑表达式和逻辑判断符8.7  行级别计算与聚合计算的区别与结合8.7.1  实例:各子类别的利润与盈利结构分析8.7.2  复习:行级别计算和聚合计算的差异8.7.3  SUMIF条件聚合:将行级别筛选和聚合分析合二为一8.8  专题:地理空间分析之“空间函数” 第9章高级分析函数:Tableau表计算/SQL窗口函数9.1  合计的两个方法及“广义LOD表达式”9.1.1  入门:从Excel理解“合计百分比”计算的层次关系9.1.2  高级分析的层次框架:数据表详细级别和“聚合度”9.1.3  进阶:“合计百分比”的两种SQL方法9.1.4  Tableau敏捷BI,让业务用户轻松驾驭二次聚合分析9.1.5  “广义LOD表达式”与计算的分类9.2  “环比/同比”偏移计算及表计算设置方法9.2.1  维度作为偏移计算依据:单一维度的同比差异9.2.2  包含多个维度的同比(上):区别范围和依据9.2.3  包含多个维度的同比(下):设置多个依据9.2.4  SQL窗口函数:偏移类窗口函数案例介绍9.3  小结:表计算的独特性及两种设置方法9.3.1  从差异计算的两种方法理解窗口计算的独特性9.3.2  Tableau设置范围的两种方法:相对/绝对方法与适用场景9.4  高级分析函数之排序计算:INDEX与RANK9.4.1  Tableau/SQL排序与百分位排序9.4.2  公共基准对比:不同时间的电影票房对比(TC2)9.4.3  凹凸图:随日期变化的RANK函数(TC4)9.5  最重要的二次聚合函数:WINDOW窗口函数9.5.1  合计:最简单、常用的WINDOW窗口函数9.5.2  累计聚合:RUNNING_SUM函数——累计汽车销量9.5.3  移动聚合:MOVING AVG移动窗口计算函数9.5.4  “大一统”:千变万化的WINDOW窗口函数9.6  最常用的表计算:快速表计算及其附加计算9.6.1  快速表计算:预置的常见表计算应用9.6.2  快速表计算的嵌套:表计算的组合(TC3)9.7  表计算应用(1):自定义参考线、“合计利润率”9.7.1  聚合值参考线——表计算的“可视化形式”9.7.2  “合计利润率”:理解参考线对应的表计算9.7.3  【难点】理解TOTAL合计与WINDOW_SUM汇总的差异9.7.4  自定义参考线及其计算:盒须图松散化与散点图颜色矩阵9.8  表计算应用(2):标杆分析——多种类型的计算组合9.9  表计算应用(3):帕累托分布——累计、合计及嵌套9.10  表计算应用(4):金融ANR计算——表计算高级嵌套9.10  表计算筛选器:优先级最低的筛选类型9.10.1  使用RANK聚合判断完成筛选9.10.2  使用LOOKUP偏移函数完成年度同比和筛选9.11  表计算延伸应用:预测建模函数(2020.4+版本)9.11.1  MODEL_QUANTILE预测模型9.11.2  MODEL_PERCENTILE预测模型第10章结构化问题分析:LOD表达式(SQL嵌套查询)及案例应用10.1  业务解析:理解LOD表达式的逻辑和本质10.1.1  简单详细级别:“不同购买频次的客户数量”10.1.2  多维详细级别:“各年度、不同矩阵年度的销售额贡献”10.2  LOD表达式的“详细级别”及其与视图关系10.2.1  从问题详细级别出发,理解高级问题的构成10.2.2  主视图引用“更高聚合度”的详细级别聚合:占比分析10.2.3  主视图引用“更低聚合度”的详细级别之聚合:购买力分析10.2.4  主视图引用独立详细级别的聚合:客户矩阵分析10.3  相对指定的LOD表达式及运算优先级10.3.1  绝对指定和相对指定的LOD表达式10.3.2  INCLUDE LOD引用更低聚合级别的聚合及优先级10.3.3  EXCLUDE LOD引用更高聚合级别的聚合,及优先级对比10.4  超越LOD:计算的详细级别体系及其优先级10.4.1  不同计算类型的应用场景与作用10.4.2  层次分析法:理解计算的运算逻辑及其组合形式10.4.3  Tableau计算、筛选、数据关系的优先级10.5  走向实践:多遍聚合问题与结构化分析方法10.5.1  方法论:高级问题分析的4个步骤10.5.2  LOD多遍聚合:客户购买力分析的嵌套LOD计算10.5.3  嵌套LOD的语法和SQL表示10.6  会员分析专题:会员RFM相关案例分析10.6.1  会员分析概论与常见指标体系10.6.2  使用Tableau完成 RFM主题分析指标10.6.3  单维度的分布案例:会员频次分布和生命周期分布10.6.4  多维度的结构分析:与“客户获客时间”相关的分析案例10.6.5  复购间隔:行级别计算和LOD计算的结合10.6.6  客户留存分析:LOD表达式、表计算的结合10.6.7  客户矩阵分析:客户价值分类(matrix)10.7  产品分析高级专题:购物篮分析的多个角度10.7.1 购物篮比率:任意子类别相对于所有订单的比率10.7.2 支持度、置信度和提升度分析:类别之间的关联推荐10.7.3 指定类别的关联比率:筛选中包含“引用详细级别”10.8  总结:高级计算的最佳实践10.8.1  问题的3大构成与计算的4种类型10.8.2  如何选择计算类型第11章从数据管理到数据仓库:敏捷分析的基石11.1  Data Management数据管理功能:以数据为中心11.1.1  Tableau Catalog:数据资产和世系管理11.1.2  Tableau Prep Conductor:数据ETL流程管理11.1.3  Virtual Connections虚拟连接:数据库和分析之间的桥梁11.1.4  Data Policy数据策略:为数据访问增加行级别权限11.2  从数据管理DM,到数据仓库DW11.2.1  数据仓库是数据分析发展到一定阶段的产物11.2.2  数据仓库的逻辑分层11.3  ETL:数据仓库中的数据处理11.3.1  敏捷ETL工具Prep Builder简介11.3.2  敏捷ETL工具对数据分析的影响11.4  建议:视Tableau为DW/BI系统——————————————————END