1. 引言

引用著名瑞典统计学家 Hans Rosling 的一句话：想法来源于数字、信息，再到理解。

分析数据的最好方式是可视化，因为可视化承载的信息密度更高，甚至可以从不同维护对数据进行交互式分析。今天要精读的文章就分析了经典可视化分析工具 Tableau：data-visualisation-made-easy。

2. 精读

Tableau 是一款广泛用于智能商业的强大数据分析工具，通过不同可交互的图表和仪表盘帮助你获得业务洞见。

安装

Tableau 提供了三种使用方式：

Tableau Desktop

拥有 14 天免费试用的桌面版，可以将工作数据存储在计算机本地，如果你是学生或老师可以获得一年的免费使用权。

Tableau Public

公开版完全免费，和桌面版的唯一区别是，所有数据都无法保存在本地，只能保存在 Tableau 服务器的云端，而且是公开的。

Tableau Online

网页版也完全免费，是 Tableau Public 的网页版。

连接数据源

安装好 Tableau 后，第一步就是连接数据源。它支持连接本地或云端的数据源，本地最常用的数据源可以从 Excel 转换。这里是一份样例数据，包含了一个超市几年内的销售情况，我们可以用这份数据练手。

下载好这份数据后，选择从 Excel 导入，确认后将 Orders 表拖拽到右侧区域，如下图所示：

可以看到，导入的数据格式有些问题，这是因为这份 Excel 文件表头有一些描述信息干扰。勾选 Use Data Interpreter 后，可以开启数据解析功能，自动分析出你想要的表结构：

可以看到表结构已经正常了，在数据清洗的过程中，Tableau 强大的数据分析功能已经初见端倪。你甚至可以点击 Review ths results 看看它是如何清洗数据的：点击后会下载一份分析 Excel，其中过滤掉的数据会被标记，自动分析出的表结构会被高亮。

数据可视化

在页面最底部有几个切换项，依次是 Data Source：数据源、Sheet：工作簿，后面跟随的三个按钮可以继续创建多个 Sheet、Dashboard、Story，这些后面都会讲到。首先点击 Sheet 进入可视化分析的工作簿：

可以看到，Orders 表的字段已经被自动分析成维度度量了。维度和度量是数据分析中重要的概念：

维度： 维度是不能被计数的字段，一般为字符串或离散的值，用来描述数据的维度。
度量： 度量是可以被计数的字段，一般为数字、日期等连续的值，用来描述数据的量。

右侧空白区域是图表展示区域，可以响应拖拽交互，顶部的 Columns、Rows 表示列与行，Filters 是过滤器，拖拽字段上去可以对此字段进行过滤，Marks 是标记，Tableau 将图表所有辅助标记功能都抽象为：颜色、大小、文本、具体值、工具提示。举个例子，如果将销量 Sales 字段拖拽到大小区域，那么任何能描述大小的图表，都会以销量的多少来决定大小，比如散点图。

右上角的 Show Me 是图表自动推荐区域，当你拖拽不同字段的时候，Tableau 会自动展示合适的图表，但你也可以点击 Show Me 进行图表切换。

那么开始动手吧！首先我们要看看大盘数据如何，也就是这家超市的总利润、质量、销量：

在左侧维度栏目下，最后一个字段 Measure Names 表示所有度量的集合。

将 Measure Names 拖拽到画布的空白区域。
移除我们不关心的 Row ID, Discount 等字段。

可以看到，总利润大概是总销量的 10%。如果想展示横向表格，将 Measure Names 从 Rows 拖拽到 Columns 即可。

Tips: 为了方便区分，Tableau 贴心的将维度标记为蓝色，度量标记为绿色。同时可以看到，Tableau 对于单指标拖拽，默认采取表格方式渲染。

接下来我们要看每一年的详细销量与利润：

将 Order Date 与 Sales 拖拽到 Rows。
右键 Sales，将类型从连续改成非连续，这样就会自动变成表格展示。
为了展示利润，将 Profit 字段拖拽到 Marks 的 Text 字段上。

我们可以看到，无论是销量还是利润都在逐年上升。接下来我们想具体看看每个月份的数据：

右键 Order Date，将日期维度从年切换到月。

我们可以看到，销量较高的月份分布在：3、9、11、12 月。注意由于没有对年份做筛选，这里的每月统计数据是整合了 2013～2016 四年份的。也就是 1 月的数据其实代表了 2013.1 + 2014.1 + 2015.1 + 2016.1 共四个 1 月份数据的总和。

接下来我们想了解销量与利润增长的趋势：

将 Order Date 拖拽到 Columns。
将 Sales 拖拽到 Rows，此时会出现一条线。接下来将 Profit 拖拽到 左 Y 轴。

这里就涉及到线图拖拽交互设计了，线图一共有三种拖拽方式。如果将一个新字段拖拽到左 Y 轴，就会在左 Y 轴多出一条线；如果拖拽到中间图表区域，则这个字段会当作已有字段的工具提示；如果拖拽到右 Y 轴，则会自动变成双轴图。

从上图中能看到，销量增长明显，但利润增长缓慢，看来经营是存在一定问题的，还要继续分析问题在哪。

我们再看看数据按月分布情况，同样右击 Order Date，选择月粒度：

上图可以明显看到三个峰值出现在 3、9、11 月份，然而这段期间利润增长幅度却不大，可以看出这段期间采取了薄利多销的手段。

再从地区维度分析数据：

将 Regions 和 Sales 拖拽到 Columns。
切换到饼图。
将 Sales 拖拽到 Marks Pane 的 Label 上。

可以看到东西部地区是销量最高的区域。接下来我们想看具体城市的销量：

将 States 拖拽到画布空白区域，此时会自动出现地图并定位到美国。将 Profits 拖拽到 Color。
将地区切换到 Filled Map，将 Profits 拖拽到 Label。

这样就绘制了一张地区，颜色越深利润越高，数字表示销量。

可以看到数值越大的区域一般颜色也越深，但这不是分析利润/销量性价比的最佳方式，我们先只看到加州和纽约是销售业绩最好的区域，而科罗拉多州虽然销量不错，但利润却是负的。

上面的地图对地形比较直观，但要分析销售健康度，还是用散点图更合适。我们想看看城市销量/利润的健康度分布：

Profit 拖拽到 Columns，Sales 拖拽到 Rows，此时散点图出现，但只有一个点（之所以出现散点图，是因为横纵轴拖拽的都是度量）。
我们想按城市下钻，只要把 State 拖拽到 Detail 即可。

可以看到，遥遥领先的城市有三个，加州是销售之王。

由于还没有介绍到筛选条件，这里简略介绍一下，其实还可以将年份拖拽到筛选条件，只看 2013 年的分布图，也可以点击或圈选其中某些点选择排除某些城市。

现在需要进一步分析明细数据，将不同商品种类按年份细分，看按月的销量，并看看这些月份的利润如何：

此时需要用到高亮表格。首先将 Category 和 Order Date 拖拽到 Rows，简单的表格出现了。
将 Order Date 再拖拽到 Columns，并右键将其粒度改为月。
在 Show Me 中切换为 Highlight Table，重新将 Order Date（Year）拖拽回 Rows。
为了展示颜色与文字，将 Profit 拖拽到 Color，Sales 拖拽到 Label。

可以看到，办公套件和科技产品业绩最好，其中办公套件在 2015 年 12 月销量利润双丰收，科技产品在 2015 年 10 月与 2016 年 3 月销量利润双丰收。整体来看前半年是淡季。

但这张图无法看到销量与利润性价比关系，我们要找出利润率最高的商品和利润率最低的商品：

将 Proft 拖拽到 Columns。
将 Sub-Category 拖拽到 Rows。
切换到 Horizontal Bars。
将销量 Sales 拖拽到 Color。

可以明显看到 Copiers 就是性价比之王，拥有最高的利润，但销量却不是很高（颜色深度中等），而桌子是性价比最低的，利润为负，而且销量不低。

其他功能

除了上面基本可视化分析能力之外，Tableau 还有许多辅助功能。

筛选器

在按月分布的折线图中，如果我们只想看某一年的，可以将 Order Date 拖拽到 Filters 区域，只勾选想要保留的年份：

Tablueau 这种交互等价于 Sql 中 in 语句，当然 Tablueau 还支持更复杂的条件或代码表达式，这里只是将更友好的筛选方式优先展示区来。

上卷下钻

Tableau 支持任意维度之间的上卷下钻，只要你将他们分好组。

比如将 Order Date、Order ID、Ship Date、Ship Mode 拖拽到一起，成为 Orders 组；将 Category、Sub-Category、Product ID Product Name 形成 Product 组：

我们就可以将 Product 直接拖拽到画布区域，并选择矩形树图，通过点击指标上的 “+” “-” 号进行上卷或下钻：

上卷下钻是顺序相关的，比如 Product - Order Date 表示在产品类目基础上，对每个类目按日期下钻。而 Order Date - Product 这个顺序，表示在日期分布的基础上，对日期按产品类目下钻，了解不同日期下每个产品的分布情况。

趋势线

为使用趋势线，先制作一个双轴图：

将 Sales 与 Profit 拖拽到 Rows。
将 Order Date 拖拽到 Columns 并切换到月维度。
选择 Show Me 的 Dual Combination 即混合图。

点击 Analytics Tab，将 Trend Line 拖入 chart 中：

趋势图有几种算法，比如线性，Log 或指数，因此在做趋势分析前，首先要判断自己的业务属于哪种增长阶段，如果是爆发期可以选择指数，平稳期可以选择线性等等。

预测

回到按月分布的图表，如果我们想预测未来销量和利润的走势，可以使用预测功能：

切换到 Analytics Tab，并将 Forecast 拖拽到图表中。
可以点击右键配置预测参数。

预测趋势有一个浅色区域，表示预测范围。

聚类

象限图的四象限是多维度综合判断的法则，然而 Tableau 支持的聚类分析可以自动做到这些：

切换到 Analytics Tab，选择 Clusters。
可以选择自动聚类个数，也可以手动指定个数。

从上图可以看到，指定了 4 个分类，最右上角加州就是最突出的一组，整个聚类只有它一个元素，而画面偏左下角的也是一类，这些是业绩较差的一组数据。使用了 K 均值聚类算法，并且当你点击右键查看详细星系时，还能把组间、组内方差展示出来：

仪表板

仪表板可以将多个 Sheets 内容聚合在一起并自由布局，但仪表板最精髓的功能是图表联动功能：

点击任意图表，选择 “作为筛选条件”。

Tableau 的所有图表都支持点选，排除等操作，那么点选这类操作本质上其实是个筛选的过程，比如柱状图点击了某根柱子，可以认为是选择了这根柱子当前的维度值作为筛选条件。

当一个 Sheet 作为筛选条件后，类似点选这种操作产生的筛选就会作用于其他同数据集的图表，因此如上图所示，当点击了条形图的某一根柱子时，上面的销量地图也自动做了筛选，仅展示当前选中的产品的销量分布。

故事

Story 更像是 PPT，将分析后有价值或有意义的图表组合在一起，再配合上说明，得出一些结论：

如上图所示，比如得到这家超市的大盘数据，这一般也是数据分析的最后一步，最后生成报表。

3. 总结

Tableau 的交互式分析思路印证了这句话：

数字、信息，再到理解最终才能产生 Idea。我们从拿到 Excel 导入数据集开始，数据就已经变成了维度和度量的信息，再经过主动思考，将同一份数据进行不同维度的展示，最终得出加州销量最好、家具销售业绩最差、而桌子是负利润的主要来源等等洞见。

通过原文对 Tablueau 功能的分析能看到，Tableau 的核心资产是具备交互式分析能力的图表，这些图表通过智能推荐的方式展示出来，可以在不知道如何分析数据时找到一些灵感，真正做到以数据角度思考，图表展示只是辅助的视觉效果。

目前国内还处于报表制作的时代，即先选择报表再配数据集，这种使用思路是展示数据优先，而不是分析数据优先，笔者认为原因在于国内大部分做报表的业务场景都处于最末端，也就是数据洞见已经有了，再使用 BI 将这个洞见还原出来。而 BI 工具真正想做的还是在前面 “分析洞见” 这一步，希望数据分析师能可以通过 BI 平台挖掘出商业洞见。

要走到这一步，需要国内 BI 平台与使用 BI 的人都发展到下一阶段，而这种探索式数据分析功能早在 2012 年就在国外由 Tableau 团队实现，相信未来三年内国内一定能迎来一波探索式数据分析浪潮！

讨论地址是：精读《Tableau 入门》 · Issue #192 · dt-fe/weekly

如果你想参与讨论，请点击这里，每周都有新的主题，周末或周一发布。前端精读 - 帮你筛选靠谱的内容。

关注 前端精读微信公众号

版权声明：自由转载-非商用-非衍生-保持署名（创意共享 3.0 许可证）