Tableau学习Step3——数据的连接与基本图形的制作

Tableau学习Step3——数据的连接与基本图形的制作

本文首发于博客冰山一树Sankey,去博客浏览效果更好。
冰山一树Sankey

一. 前言

本教程通过一个案例从浅到深来学习Tableau知识

案例概述

image-20220107213741875

Northwind公司的数据库架构

image-20220107213852171

二. 商业理解

image-20220107214010791

三. Tableau中的数据连接和数据源

3.1 数据连接

image-20220107214142880

3.2 数据源

image-20220107214200499

3.3 数据模型

数据表

  • 数据库中存储数据的具体实现方式,有真实的物理存储空间
  • 可以通过对表的操作来实现用户对数据的操作

数据视图

  • 通过数据表间的逻辑关系,通过代码来将一些表中的数据进行连接整理后形成的一个逻辑表
  • 视图在物理存储上并不存在,所有的数据都来自于对相关表的读取
  • 对视图中数据的改变(如果允许的话)都直接是对源数据表内容的修改
  • 优点:减少冗余数据,节省空间
  • 缺点:功能受限,读写效率度,用不到的数据也必须进行逻辑拼接

在2020年2月,Tableau在数据底层对其数据模型进行了重大的更新,主要分为了物理层逻辑层

image-20220107214425195

如今Tableau在多表数据时的处理方式

image-20220107214645442

3.4 基于SQL的多表关联

可自定义SQL查询,编写了所需要的数据的SQL语言,大大简化了Tabeau直接对数据处理的方便性。

image-20220107221110328

3.5 多数据源的融合

不同的表可进行相互关联,实现不同表的数据的连接

image-20220107221153750

3.6 远程数据的提取与保存

3.6.1 接口差异

Desktop版和 Public版的数据接口差异

image-20220107215111490

3.6.1 文件类型

Tableau常见的数据类型

image-20220107215307255

四.Top监测表的制作

4.1 数据表汇总方式

分别将公司名称,地区,城市,地址,客户ID拖到行,将total拖入到列

image-20220107220638750

4.2 数据提取汇总方式

实时提取数据当数据源改变后,Tableau里连接的数据也会发生改变

若采用数据提取则当数据源改变后,Tableau里的连接的数据源也不会发生改变

image-20220107220557763

4.3 筛选器

Tableau中的筛选器

image-20220107220733966

4.4 参数

image-20210908221421302

五.近一步的分析需求

需求

  • 对Topn客户的订单情况做历史数据的深入考察
  • 在名单中加入总金额未达到Topn,但总订单数较多的客户,如历史订单数>=15
  • 对上述信息形成动态监测界面,便于分析和观察

细化

image-20220107221004605

5.1 刻度值的编辑操作

image-20210908223958933

5.2 多个汇总值的考查

image-20210908224458638

image-20210908224513082

5.3 维度分层与维度钻取

image-20210908224904379

5.4 集合的使用

image-20220107221336410

5.5 绘制统计地图

image-20210908225609947

5.6 构建仪表板

image-20210909093817782

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 精准营销购买意向预测是指通过对消费者的数据进行分析和挖掘,预测他们的购买意向,从而实现精准营销的目的。数据探索和可视化是实现这一目标的重要手段,可以帮助我们更好地理解数据,发现数据中的规律和趋势,从而更准确地预测消费者的购买意向。在数据探索和可视化方面,我们可以使用各种统计方法和数据可视化工具,如散点图、折线图、柱状图等,来展现数据的分布和趋势,以及不同变量之间的关系。通过这些手段,我们可以更好地理解消费者的行为和偏好,从而制定更加精准的营销策略,提高营销效果。 ### 回答2: 在数字化时代,数据已经成为企业决策的核心因素之一。而在营销领域,精准营销的概念也越来越被重视。精准营销的目的在于识别潜在的客户,根据客户的需求和兴趣,进行更加精准有效的市场推广,以最大限度地提高客户购买的意愿。而要实现精准营销购买意向预测,就需要通过数据探索和可视化,对用户的数据进行分析和挖掘。以下是几种数据探索和可视化的方法: 1.探索性数据分析(EDA):EDA 是指对数据进行初步探索,了解数据的分布、异常值、缺失值及相关性等特征。通过EDA,不仅可以发现数据中的规律和潜在价值,也能够排除数据中存在的异常和错误。 2. 数据可视化:数据可视化是一种直观、简单的数据呈现方式,能够帮助企业更好地理解数据、汲取信息和洞察趋势。通过数据可视化,可以在二维或三维平面图中,清晰地呈现数据的分布和相关特征。 3. 预测分析:通过历史数据的分析,以及对未来趋势的预测,可以帮助企业更加精准地预测用户的购买意向。市场营销人员可以通过预测分析,制定更加有效的推广策略,提升销售收入和客户满意度。 4. 机器学习算法:机器学习算法可以通过对历史数据学习,精确地预测用户购买行为。在实际应用中,市场营销人员可以依据算法结果,针对不同客户群体进行差异化的市场策略,提升购买率和客户满意度。 总之,精准营销购买意向预测不仅仅是一种理念,更是一项科学而精确的技术工作。数据探索和可视化是实现精准营销的重要手段。企业在进行营销决策时,应该系统地分析历史数据和趋势,挖掘潜在客户的需求和行为,以此为基础,不断调整市场推广方案,提高销售业绩和客户满意度。 ### 回答3: 精准营销购买意向预测是现代营销领域中的重要趋势之一。它利用大数据技术和分析方法,通过对用户行为、偏好、兴趣等数据的挖掘和分析,来预测用户可能的购买意向,以便企业在推广产品和服务时针对性更强、效率更高。 数据探索是实现精准营销购买意向预测的第一步。在数据探索阶段,我们需要对收集到的数据进行初步的处理和分析,以找出其中的规律和特征,为后续的模型建立和预测提供依据。数据探索可以从多个维度进行,例如用户基本信息、购买行为数据、社交网络数据、搜索数据等等。 数据可视化则是数据探索的重要手段之一。通过数据可视化,我们可以将数据以图表等形式展示出来,更形象化、直观地了解数据之间的关系和趋势,从而帮助我们更好地发现数据的规律和特征。常用的数据可视化工具包括 Tableau、Power BI、Matplotlib 等。 在数据探索和可视化的过程中,我们可以采集到哪些数据对精准营销购买意向预测有帮助呢?以下是几个重要的维度: 1. 用户行为数据:浏览过的商品、点击链接、加入购物车、下单、评价等数据。 2. 用户属性数据:年龄、性别、所在地、职业、收入等基本信息。 3. 社交网络数据:用户在社交媒体上的社交关系、兴趣爱好、关注的话题等。 4. 搜索数据:用户在搜索引擎上搜索的关键词,以及搜索结果的点击和浏览行为。 通过对以上数据进行探索和可视化,我们可以发现一些有意义的特征和规律,例如哪些商品对用户更具吸引力、用户的购买偏好、用户的兴趣爱好等等。这些特征和规律可以帮助我们建立更精确的预测模型,从而提高精准营销的效果。 总之,数据探索和可视化是精准营销购买意向预测的重要步骤。只有在深度挖掘数据规律和特征的同时,才能用更准确的方式向用户传达信息,从而实现精准营销的目标。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值