To keep up to date on the latest virtual and in-person Tableau User Group events, check out usergroups.tableau.com
Escribir un comentario...
0/9000
AdvertenciaSe ha archivado Vietnam. Para reactivarlo, póngase en contacto el propietario Truong Dai.
Grupo destacado
Vietnam
TabPy là một API mới cho phép đánh giá code Python từ trong Tableau workbook.
Khi sử dụng TabPy với Tableau, ta có thể xác định các lĩnh vực tính toán bằng Python, do đó tận dụng sức mạnh của một số lượng lớn các thư viện ngay từ visualizations.
Sự tích hợp Python mới này trong Tableau cho phép các kịch bản mạnh mẽ. Ví dụ, chỉ cần một vài dòng code Python thì có thể đánh giá các sản phẩm được bán tại một nhà bán lẻ trực tuyến. Sau đó, bạn có thể khám phá các kết quả theo nhiều cách trong Tableau.
Chấm điểm: Tạo kênh chuyển đổi hiệu quả hơn bằng cách ghi lại hành vi của người dùng của bạn bằng mô hình dự đoán.
Dự đoán: Tìm hiểu khi nào và tại sao người dùng rời khỏi, dự đoán và ngăn không cho nó xảy ra.
Bạn có thể dễ dàng cài đặt máy chủ TabPy trên máy tính của bạn hoặc trên một máy chủ từ xa. Định cấu hình Tableau để kết nối với dịch vụ này bằng cách nhập URL dịch vụ và số cổng trong phần
Help>Setting and Performance> Cài đặt và Hiệu suất> External Service Connection.
Sau đó, bạn có thể sử dụng các tập lệnh Python như là một phần của các lĩnh vực đã tính của bạn trong Tableau.
TabPy sử dụng môi trường Anaconda phổ biến, được cài đặt sẵn và sẵn sàng sử dụng với nhiều gói Python phổ biến bao gồm scipy, numpy và scikit-learn. Nhưng bạn có thể cài đặt và sử dụng thư viện Python trong kịch bản của bạn.
Nếu bạn có một nhóm các developer các mô hình tùy chỉnh trong công ty của bạn, TabPy cũng có thể tạo điều kiện chia sẻ những mô hình này với những người khác muốn sử dụng chúng trong Tableau thông qua mô hình được xuất bản.
Sau khi published, tất cả những gì cần để chạy mô hình là một dòng mã Python trong Tableau bất kể loại mô hình hay phức tạp. Bạn có thể ước tính xác suất của khách hàng bằng cách sử dụng hồi quy logistic, mạng perceptron nhiều lớp, hoặc các cây tăng cường độ dốc cũng dễ dàng bằng cách đơn giản truyền dữ liệu mới vào mô hình.
Sử dụng các mô hình được published có nhiều lợi ích. Các chức năng phức tạp trở nên dễ dàng hơn để duy trì, chia sẻ và sử dụng lại như các phương pháp được triển khai trong môi trường dự báo dịch vụ. Bạn có thể cải tiến và cập nhật mô hình và mã đằng sau điểm cuối trong khi lĩnh vực tính vẫn tiếp tục hoạt động mà không có bất kỳ thay đổi nào. Và một tác giả bảng điều khiển không cần biết hoặc lo lắng về sự phức tạp của mô hình đằng sau điểm cuối này.
Cùng với nhau, Tableau và Python cho phép nhiều mô hình phân tích nâng cao hơn, làm cho bảng điều khiển của bạn thậm chí còn có hiệu quả hơn.
Ở châu Âu, dữ liệu thương mại điện tử của công ty đến từ nhiều vùng và nguồn dữ liệu rời rạc. Nhóm phân tích EMEA có trách nhiệm quản lý nó, nhưng các hệ thống kế thừa của họ không cung cấp sự linh hoạt cần thiết để giải quyết nhanh các câu hỏi đến họ và yêu cầu phân tích số liệu đáng kể. Lựa chọn sử dụng Tableau trên Panoply đã là một trò chơi thay đổi, tiết kiệm cho công ty 250.000 USD trong hai năm và lên đến tám giờ mỗi tuần, trong khi cũng đặt sức mạnh của phân tích dữ liệu an toàn trong tay nhiều hơn nữa. Đối với nhóm phân tích, lợi ích đã tăng đáng kể với thời gian thu được nhiều hơn để giải thích dữ liệu so với việc chi tiêu hàng giờ vô tận.
Kimberly-Clark tiết kiệm được hàng ngàn đô la, mà không làm mất nguồn tài nguyên
Hỏi Helena Carre, Giám sát Omnichannel của EMEA tại Kimberly-Clark, về nền tảng Tableau đang chạy trên Panoply và cô ấy sẽ nói với bạn rằng nó giống như có "siêu quyền lực phân tích".
Carre dành phần lớn thời gian của mình đắm mình trong dữ liệu, dẫn đầu nhóm phân tích EMEA Analytics. Dữ liệu thương mại điện tử của Kimberly Clark bắt nguồn từ 15 khu vực khác nhau, được tổng hợp từ nhiều nguồn khác nhau.
Khu vực EMEA đa dạng có các SKUs khác nhau và mô tả mặt hàng cho từng nhà bán lẻ. Nhóm cũng thu thập và phân tích dữ liệu người tiêu dùng từ nhiều nguồn nội bộ (bao gồm dữ liệu về chi tiêu bán hàng và tiếp thị), các nguồn bên ngoài (như SimilarWeb và Nielsen) và các ứng dụng web. Kết hợp những SKUs với dữ liệu bị đúc và trùng lặp các điểm dữ liệu vốn có trong các hệ thống kế thừa bao gồm phân tích kệ kỹ thuật số và nền tảng dựa trên nền web và cảnh quan của chúng khá bão hòa.
Đó là nhiệm vụ quan trọng để tìm ra một giải pháp nhanh nhẹn. Nhóm của Carre đã chọn sử dụng giải pháp lưu trữ dữ liệu thông minh dựa trên AI của Panopy kết hợp với Tableau. Sự kết hợp mạnh mẽ này đã giúp nhóm lưu trữ hơn 400 giờ trong một năm, tương đương với gần một phần tư triệu đô la, đồng thời cho phép truy cập dữ liệu tự động, an toàn cho nhiều chuyên gia trong tổ chức. Giờ đây, họ dành ít thời gian thu thập và lướt qua dữ liệu và có thêm thời gian để diễn giải nó. Điểm mạnh kết hợp của Tableau và Panoply cũng mang lại cho họ một "sân chơi" nơi họ có thể điều chỉnh các bộ dữ liệu để phát hiện ngẫu nhiên.
Carre cho biết: "Việc sử dụng Tableau trên Panoply là giải pháp tốt nhất có thể cho đội của tôi. "Nó mang lại cho tôi những điều tôi cần - tốc độ, tự động hóa, hiệu quả, linh hoạt - mà không thổi ngân sách của tôi, tăng số lượng nhân viên của tôi. Nó tiếp tục là một bổ sung tuyệt vời cho các nguồn lực hiện có của tôi. "Các tính năng mới giúp cho nhóm có thể dễ dàng so sánh hiệu suất theo cách lưu trữ (tức là trực tuyến, cửa hàng, định dạng nhanh, superstore ...). Ví dụ về số liệu hiệu suất được phân tích bao gồm: giá cả và khuyến mại, quy mô gói, thị phần và tăng trưởng.
Mở rộng khả năng phân tích mà không yêu cầu nhiều nhân viên
Carre và nhóm của cô hỗ trợ Kimberly-Clark bằng cách báo cáo về sự chia sẻ thị trường, độ co giãn giá cả và xu hướng tiêu dùng. Vì những bộ dữ liệu phức tạp và phức tạp của công ty, Carre thường gọi các nguồn lực CNTT để giúp các truy vấn thiết kế và quy trình ETL cho các câu hỏi về tình báo kinh doanh trước khi cô có thể hình dung chúng trong Tableau. Mặc dù quá trình này đã hoạt động nhưng nó không đủ nhanh để họ có thể nhanh chóng trả lời các câu hỏi kinh doanh đòi hỏi.
Giải pháp Tableau on Panoply giải quyết nhu cầu phân tích số liệu và phân tích của nhóm Carre, và đã cứu công ty này một khoảng thời gian và số lượng lớn người lao động. Chẳng hạn, chỉ trong một báo cáo bán lẻ khu vực, nhóm đã tiết kiệm tám giờ mỗi tuần - tương đương với 250.000 đô la mỗi hai năm, như được đề cập ở trên. Báo cáo này là một ví dụ về "lợi tức đầu tư lớn của Kimberly Clark" mang lại những năng lực mới mà không cần thêm một Nhà phân tích Kinh doanh khác vào nhóm hoặc trải qua các quá trình thu thập hoặc phát triển khách hàng dài.
1. Mọi người thích phân tích trực quan của Tableau
Với Tableau, bạn phân tích khi bạn hình dung, giữ trọng tâm vào các câu hỏi chứ không phải phần mềm. Khách hàng của chúng tôi cho chúng tôi biết khả năng duy trì dòng chảy của phân tích là một yếu tố rất lớn cho lý do họ chọn sản phẩm của chúng tôi. Và trong Bảng, không có giới hạn đối với số lượng dữ liệu bạn có thể phân tích. Trên thực tế, công nghệ dữ liệu mới của Hyper, Tableau được thiết kế để xử lý bộ dữ liệu phức tạp lớn. Đọc để xem cách khách hàng đánh giá Tableau cho sự hài lòng và thành công của người dùng.
“Chúng tôi đã xem xét một số lựa chọn và nhận thấy Tableau phù hợp nhất và giá cả phải chăng cho nhu cầu của chúng tôi. Nó có thể kết nối với nhiều nguồn dữ liệu khác nhau và hợp nhất chúng vào các thông tin có ý nghĩa và dễ tiêu hóa.”
CIO IN THE EDUCATION INDUSTRY
2. Một nền tảng linh hoạt để phù hợp với chiến lược dữ liệu của bạn
Chúng tôi hỗ trợ bạn bất kể chiến lược dữ liệu của bạn là gì: tại chỗ, trên đám mây công cộng, trong nền tảng đám mây được quản lý đầy đủ của chúng tôi, trên Windows hoặc trên Linux.
Với 67 kết nối dữ liệu gốc, bạn có thể truy cập dữ liệu từ hầu hết các nguồn từ các cơ sở dữ liệu như Microsoft SQL Server và Vertica đến các ứng dụng đám mây như Amazon Web Services, Microsoft Azure và Google BigQuery. Kết nối trực tiếp với cơ sở dữ liệu của bạn để tìm thông tin chi tiết theo thời gian thực hoặc bằng các trích liệu được cung cấp bởi Hyper. Nền tảng của bạn nên làm việc với dữ liệu của bạn, bất kể dữ liệu đó tồn tại ở đâu.
3. Sự đổi mới tập trung vào khách hàng làm tăng giá trị
Từ khi thành lập, Tableau đã cách mạng hóa cách mọi người tương tác với dữ liệu. Chúng tôi lắng nghe nhu cầu của khách hàng và cung cấp các công nghệ tiên tiến giúp bạn tìm hiểu sâu hơn trong bộ dữ liệu lớn hơn. Trong năm qua, Tableau đã cung cấp hơn 100 khả năng mới - bao gồm công cụ siêu dữ liệu, trình kết nối PDF, cải tiến mã hóa địa lý và trong chú giải công cụ - với bốn phiên bản mạnh mẽ giúp khách hàng làm nhiều hơn với dữ liệu. Chúng tôi đang làm cho các tiêu đề bằng cách xử lý ngôn ngữ tự nhiên, chuẩn bị cho phép học máy, và nhiều hơn nữa.
4. Tiêu chuẩn doanh nghiệp về phân tích tự phục vụ, được hỗ trợ bởi CNTT
Một nền phân tích hiện đại nên kết hợp khám phá dữ liệu tự phục vụ với sự bảo mật và quản trị mạnh mẽ. Bảng có thể được cấu hình dựa trên nhu cầu cơ sở hạ tầng hiện tại và trong tương lai của bạn-bao gồm các tiêu chuẩn chứng thực-cung cấp một cách tiếp cận đơn giản để triển khai và bảo trì. Trong sáu năm Garner đã nhận ra Tableau như là một nhà lãnh đạo trong BI hiện đại. Các doanh nghiệp như Charles Schwab, Honeywell và ExxonMobil phụ thuộc vào Tableau là nền tảng BI hiện đại của họ để hỗ trợ hàng chục ngàn người dùng.
5. Tác động cao với tổng chi phí sở hữu thấp
Tableau làm việc với cơ sở hạ tầng của bạn và trực quan, dẫn đến chi phí đào tạo thấp hơn và tỷ lệ chấp nhận cao hơn trong toàn doanh nghiệp. Đây chỉ là một vài lý do khiến khách hàng báo cáo tổng chi phí sở hữu (TCO) thấp hơn các nhà cung cấp BI khác. (Và bạn có thể yên tâm - nền tảng Tableau đến mà không có bất kỳ chi phí ẩn hoặc tiện ích nào.)
6. Cộng đồng say mê học tập và chia sẻ
Cộng đồng Tableau là vô song. Sự có mặt của nó mở rộng 246 nhóm người dùng trên toàn cầu, các diễn đàn trực tuyến, blog và các nền tảng xã hội. Hơn 300.000 người dùng đã đăng 7.000 cuộc trò chuyện mới cho Tableau Public mỗi tuần. Năm 2017, hơn 14.000 khách hàng và đối tác từ mọi ngành đã tham gia hội nghị Tableau. Cộng đồng của chúng tôi tiếp tục truyền cảm hứng cho chúng tôi và định hướng lộ trình sản phẩm của chúng tôi.
Sport Business Analytics
Using Data to Increase Revenue and Improve Operational Efficiency
Using Data to Increase Revenue and Improve Operational Efficiency. Recommendation for Tableau Analytics and Visualization
Developing and implementing a systematic analytics strategy can result in a sustainable competitive advantage within the sport business industry. This timely and relevant book provides practical strategies to collect data and then convert that data into meaningful, value-added information and actionable insights. Its primary objective is to help sport business organizations utilize data-driven decision-making to generate optimal revenue from such areas as ticket sales and corporate partnerships. To that end, the book includes in-depth case studies from such leading sports organizations as the Orlando Magic, Tampa Bay Buccaneers, Duke University, and the Aspire Group.
The core purpose of sport business analytics is to convert raw data into information that enables sport business professionals to make strategic business decisions that result in improved company financial performance and a measurable and sustainable competitive advantage. Readers will learn about the role of big data and analytics in:
- Ticket pricing
- Season ticket member retention
- Fan engagement
- Sponsorship valuation
- Customer relationship management
- Digital marketing
- Market research
- Data visualization
This book examines changes in the ticketing marketplace and spotlights innovative ticketing strategies used in various sport organizations. It shows how to engage fans with social media and digital analytics, presents techniques to analyze engagement and marketing strategies, and explains how to utilize analytics to leverage fan engagement to enhance revenue for sport organizations.
Filled with insightful case studies, this book benefits both sports business professionals and students. The concluding chapter on teaching sport analytics further enhances its value to academics.
2 respuestas
DATEADD(date_part, interval, date)
- Hàm DATEADD cho phép bạn chỉ định một số ngày và tăng nó. số lượng mà chỉ đơn giản là bạn sử dụng trong khoảng thời gian này có thể sửa đổi ngày bằng cách tăng date_part.
- Ví dụ: DATEADD(‘day’, 15, ⌗2014-09-15#) = 2014-09-30 12:00:00 AM
2. DATEDIFF Function
DATEDIFF (date_part, date1, date2, start_of_week)
- Hàm Date này cho phép bạn thấy sự khác biệt giữa date1 và date2 thể hiện trong các đơn vị được xác định bởi date_part. Tham số start_of_week không bắt buộc và nếu nó không được phác thảo, thì điểm bắt đầu của the week được thiết lập bởi nguồn cung cấp thông tin liên quan.
- Ví dụ: DATEDIFF(‘day’, ⌗2014-09-15#, ⌗2014-09-20#) = five
3. DATENAME Function
DATENAME(date_part, date, [start_of_week])
- Bạn có thể sử dụng hàm Date này để thấy tham số date_part của date như là một chuỗi. Một lần nữa, tham số start_of_week là không bắt buộc.
- Ví dụ: DATENAME(‘month’, ⌗2014-09-01#) = “September”
4. DATEPARSE Function
DATEPARSE(format, string)
- Hàm Date này chủ yếu hoạt động trong phạm vi đảo ngược của DATENAME bằng cách thay đổi một chuỗi thành một date/time cùng với định dạng cụ thể của bạn. Nếu chuỗi không khớp với định dạng date/time, thì nó sẽ có giá trị của Null.
- Ví dụ: DATEPARSE(“dd.MMMM.yyyy”, “29.September.2014”) = #September twenty nine, 2014#
5. DATEPART
DATEPART(date_part, date, start_of_week)
- Hàm DATEPART cho phép bạn xem một date_part cụ thể dưới dạng kết hợp số nguyên. Một lần nữa, các tham số start_of_week là không bắt buộc.
- Ví dụ: DATEPART(‘year’, ⌗2014-09-30#) = 2004
6. DATETRUNC
DATETRUNC(date_part, date, start_of_week)
- Hàm Date này cắt ngắn ngày để tính chính xác của date_part mà chỉ đơn giản là bạn chỉ định trong phép tính. Nói cách khác, nó quay về date_part đó.
- Nếu start_of_week bị bỏ qua, thì nó được xác định bởi việc cung cấp thông tin.
- Ví dụ: DATETRUNC(‘quarter’, ⌗2014-09-29#) = 2014-07-01 12:00:00 AM
7. DAY Function
DAY(date)
- Hàm Date này trả lại ngày kể từ date yêu cầu như là một số nguyên liên kết.
- Ví dụ: DAY(⌗09-29-2014#) = twenty nine
8. ISDATE Function
ISDATE(string)
- Trả về true nếu một chuỗi cho trước là một ngày hợp lệ.
- Ví dụ: ISDATE(“September twenty-nine, 2014”) = true
9. MAX Function
MAX(expression) or MAX(expr1,expr2)
- Trả về mức tối đa của một biểu thức trên tất cả các bản ghi hoặc tối đa 2 biểu thức cho mỗi bản ghi. 2 đối số phải được sắp xếp không đổi. Hàm date này trong tableau có thể có giá trị NULL nếu đối số là NULL.
- Ví dụ: MAX(⌗2014-09-15#,⌗2014-10-15#) = 2014-10-15 12:00:00 AM
10. MIN Function
MIN(expression) or MIN(expr1,expr2)
- Trả về mức tối thiểu của một biểu thức trên tất cả các bản ghi hoặc tối thiểu 2 biểu thức cho mỗi bản ghi. MIN trả về giá trị NULL nếu một trong hai đối số là NULL.2 đối số phải là một loại hằng số.
- Ví dụ: MIN(⌗2014-09-15#,⌗2014-10-15#) = 2014-09-15 12:00:00 AM
11. MONTH
MONTH(date)
- Hàm Date này trả lại tháng của date yêu cầu như là một số nguyên liên kết, tương tự như phép tính DAY sẽ cho ngày.
Ví dụ: MONTH(⌗09-29-2014#) = nine
12. NOW
NOW()
- Trả về Ngày và Thời gian hiện tại.
- Ví dụ: NOW() = 2014-11-07 12:00:00 AM
13. TODAY
TODAY()
- Trả lại Ngày hiện tại
- Ví dụ: TODAY() = 2014-11-07
14. YEAR
YEAR(date)
- Hàm Date này trả về Year của date yêu cầu như là số nguyên liên kết.
- Ví dụ: YEAR(⌗09-29-2014#) = 2014
15. MAKEDATE
MAKEDATE(year,month,day)
- Trả về giá trị date được xây dựng từ năm, tháng và ngày của tháng.
- Ví dụ: MAKEDATE(2004, 4, 15) = #April 15, 2004#
16. MAKEDATETIME
MAKEDATETIME(date, time)
- Trả về một datetime kết hợp một ngày và thời gian.
- Ví dụ: MAKEDATETIME("1899-12-30", #07:59:00#) = #12/30/1899 7:59:00 AM#
17. MAKETIME
MAKETIME(hour, minute, second)
- Trả về một giá trị date xây dựng từ các quy định giờ, phút và giây.
- Ví dụ: MAKETIME(14, 52, 40) = #14:52:40#
1 respuesta
This looks like some nice explanation in Vietnamese, but it's a bunch of answers rather than a question - you should do it as a blog post :) With that in mind, can I have best answer for saying, "Yes" ;)
Register now ⬇️
https://www.tableau.com/events/tableau-live/asia-pacific
TIW 3 (Tableau Industrial Workshop) dự kiến - các anh/em xem okay thì vote nhe
- 8/5/2021 - tức là vào ngày thứ 7
- Buổi chiều - từ 3:00PM - 5:00 PM
- Đề tài: Phân tích dữ liệu Nhân sự
Rất mong nhận được các vote và nhất là các commend liên quan tới việc phân tích dữ liệu cho Nhân sự.
BSD hỗ trợ cho các cá nhân & doanh nghiệp đang sử dụng Tableau hoặc tìm hiểu về giải pháp BI của Tableau.
- Các vấn đề về hệ thống, cài đặt, cấu hình
- Các vấn đề về bản quyền, kích hoạt bản quyền
- Các vấn đề về sử dụng Tableau Prep, Tableau Desktop, Tableau Server & Tableau Online
- Xây dựng và phát triển trung tâm dữ liệu, tích hợp hệ thống,..
Các bạn đăng ký thành viên (nên sử dụng email của công ty) và nêu vấn đề của các bạn tại đây https://support.bsdinsight.com - hoặc các bạn có thể gửi email về support@bsdinsight.com
Đào tạo online & miễn phí Tableau – Tuần 2
Thời gian: 9:00 AM – 11:00 AM, Chủ Nhật – ngày 4/4/2021
Nội dung
Các bạn xem nội dung buổi 2 tại đây đây https://www.facebook.com/groups/tableau.bsdgroup/permalink/2769896586673309
Đăng ký
https://www.facebook.com/groups/tableau.bsdgroup/permalink/2778706999125601/