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
1.2.1 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
1.3.1 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
2.1.1 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”
2.3.1 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
2.4.1 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
3.1.1 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 new
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
3.3.1 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
3.5.1 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）
4.1.1 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Join
4.2.2 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Tableau
8.1.1 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RANK
9.4.1 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DW
11.2.1 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