本書以敏捷分析工具Tableau為基礎，部分章節輔以SQL講解，系統介紹了數據可視化分析的體系和方法，內容涵蓋問題分析方法、數據合並和建模、可視化圖形的選擇和構建、多種交互方式及其組合、儀表板設計與高級交互、基本計算和高級計算等。

本書以Tableau Desktop的應用為中心，借工具講解原理，以原理深化工具應用，並由點及面地介紹了業務分析的思考和原理，特別是提出了實踐性的"業務—數據—分析”層次框架，並以三類"詳細級別”的概念貫通數據模型、高級篩選和高級計算三大主題。

本書重點介紹工具應用背後的思考方式和原理，幫助讀者建立"詳細級別”的思考框架，舉一反三，從而實現多維、結構化分析。

喜樂君Tableau Visionary（2020—2023）、數據分析咨詢顧問、培訓講師·敏捷BI“布道師”。連續創業者、上海唯知唯識創始人。

山東大學法學學士、教育學碩士，首屆“碩士研究生國家獎學金”獲得者。

站在業務角度、深入行業一線，借Tableau洞悉敏捷分析，重新理解和詮釋“業務數據分析”。

以Tableau Desktop的應用為中心，借工具講解原理，以原理深化工具應用

由點及面地介紹了業務分析的思考和原理

提出了實踐性的“業務—數據—分析”層次框架

以三類“詳細級別”的概念貫通數據模型、高級篩選和高級計算三大主題

第2版自序

感謝Tableau和讀者的支持，是你們給了筆者繼續前進的動力。

2020年年初，我把多年學習Tableau的所思、所想毫無保留地寫出來，配以精致的圖片出版發行。《數據可視化分析：Tableau原理與實踐》一書收到了眾多讀者的一致好評，累計印刷8次，發行逾萬冊，多次入圍“京東大數據推薦榜單”前三名。在讀者群中，筆者認識了很多Tableau粉絲、企業用戶及可視化愛好者。

過去兩年多，Tableau產品持續更新迭代，筆者也進一步補充了SQL、數據庫、數據倉庫等基礎知識，並對比學習了Power BI、帆軟、觀遠等國內外多家優秀BI產品的應用。“實踐是最好的老師”，筆者在分析項目咨詢、Tableau企業培訓、可視化開發項目的鍛煉中，日漸意識到這本書中的諸多不足甚至錯誤，並放棄了小修小補的計劃，重寫此書作為近兩年學習的總結。

於是，2022年4月，筆者開始重寫本書的內容，並重新繪製、調整了大部分插圖，作為第2版。歷經波折，多次延遲，本書終於與讀者見面。

這裡，筆者總結第2版相對於第1版的內容改進。

1. 第2版改進

— 增加對數字化轉型的實踐思考。

結合筆者多年的切身項目實踐，本書總結了數據的應用及其發展階段，數字化轉型的多種路徑和循序漸進的組織方案（見第1章）。

— 業務分析方法和體系更加成熟。

業務是分析的“土壤”。在項目咨詢過程中，筆者提出了“業務—數據—分析”的框架體系，可以與企業業務流程相結合繪製數據地圖（見第2章）。同時，圍繞問題結構、聚合、聚合度和詳細級別，構建了一個普適性的業務分析方法，適用於各種分析和BI工具，甚至可以作為衡量分析工具的一種尺度（見第3章）。

— 在數據合並、篩選、計算三大主題中，對比介紹了Excel、Tableau和SQL的應用場景。書中總結了“數據合並的分類矩陣”“兩類篩選位置”“計算的分類”等實用方法，幫助沒有相關技術背景的人更快實現超越，也有助於熟悉SQL的“技術派”更好地理解敏捷BI的精髓。高階的BI工具絕非拖曳那般簡單，在技術平民化的背後，是更巧妙的“業務靈魂”。

— 將“數據篩選和交互”獨立為第6章內容，進一步強調篩選在業務分析中的重要性。篩選的類型多樣、優先級複雜，應該盡可能避免濫用SUM IF類型的條件聚合。將篩選視為分析的獨立環節，是優化分析性能的關鍵方式。

— 強化“詳細級別”的概念（替代之前的“層次”概念）。在數據表詳細級別（Table LOD）、視圖詳細級別（Viz LOD）之外，使用“引用詳細級別”（Reference LOD）代表視圖之外預先指定的詳細級別。筆者把數據關係、篩選和計算融為一體，這是本書最重要的知識資產，是超越Tableau理解不同工具背後的分析共性的關鍵。

— 調整了第3篇的知識框架。沒有計算，就沒有無盡的業務分析，這也是本書最重要的內容之一。

Ø 第8章深入介紹了計算的兩大分類：行級別計算完成數據準備、聚合計算完成業務分析。在介紹常見函數後，借助邏輯計算介紹了兩類計算的區別和聯繫。

Ø 第9章使用了新的框架介紹Tableau表計算和SQL窗口函數，表計算代表的“抽象的二次抽象”，是邁向高級分析的臺階。

Ø 第10章則結合“SQL聚合子查詢”深入講解LOD原理，結合購物籃分析、客戶分析等經典案例，把高級分析中“預先聚合”的理念，推廣到更普遍的業務分析中。

— 增加了“從數據管理到數據倉庫”的內容（見第11章），相關內容是從可視化分析走向專業的數據建模、數據方法的關鍵。“視Tableau Server為DW/BI平臺”，給了更多企業全新選擇。

— 受限於篇幅，移除了之前Prep Builder數據處理、Tableau Server相關的大部分內容。

2. 致謝

每次寫作完成，筆者總是迫不及待地分享。本書付梓之前，筆者在上海組織了“喜樂君精品課”線下活動，詳盡介紹了本書的核心內容。教學相長，在分享過程中筆者進一步發現了自身知識體系的盲點。感謝來自天合光能、漢德車橋、上海電氣、海南航空、上汽集團、英飛凌等企業的熱心讀者。

感謝繼續支持和信任筆者的企業客戶，筆者希望能用專業和熱愛回報大家。

感謝Tableau，你給了筆者穿過迷霧的勇氣，筆者也將無期限地支持你，對得起“Tableau傳道士”的稱號，對得起Tableau Zen Master/Visionary的全球榮譽。

感謝父母，感謝家人，“大愛無言”，筆者當用余生以行動回報。

喜樂君

2023年1月20日

第1版自序

鳥會飛是因為有羽毛嗎——Tableau與筆者的分析之旅

筆者於2017年偶遇Tableau，從昨日的愛好到今朝的工作，仿佛一瞬，又好似半生。如今，筆者完成了之前未曾想象的任務——把筆者的所思所想、所知所悟以出版的方式分享給更多人。

理想主義者總是習慣性地低估困難，寫書這件事情尤其如此。累計638張精心製作的插圖，有別於博客文章，力求建立新的體系框架，你我雖隔書相望，但希望每一位讀者都能感受到筆者毫無保留的寫作態度與努力。2021年，有幸與Tableau藝術家Wendy一起入圍Tableau Zen Master全球榜，這是讀者和Tableau對筆者最好的認可。

與此同時，還是想談一下筆者和Tableau的淵源，以此說明筆者如何以文科學歷和業務背景從零開始成為今日的“Tableau大使”，這條路每個人都可以走，只需要用心與努力即可抵達。

1．筆者和Tableau的淵源

筆者在畢業後歷經國企、創業、私企幾番鍛煉，於2017年回到嬰貝兒擔任總裁助理，忙裡偷閑四處學習，並且獲得了“買任何圖書均可報銷”的公司特權，受領導鼓勵，也在公司義務培訓Excel、消費心理學等。考慮到公司低效的“PPT數據傳統”和自身專業數據分析知識的薄弱，因此私下搜尋各種大數據分析工具，最後被Tableau的靈活、易用和美觀所折服。之後陸陸續續為運營、采購、人力資源等板塊做了一些並非成熟的分析。

筆者是典型的“寫作型”，因此從學習第一周開始，就陸陸續續記筆記、寫博客，純粹為了幫助自己增強理解，不料幾年下來，竟然積累了可觀的筆墨。“所有的成功都是長期主義的勝利”。數據和數據分析恰好是一個不錯的“風口”，於是誤打誤撞地進入了這個“陌生但新鮮的行業”。

《經濟學人》雜志中曾寫道：“21世紀最重要的資源是數據”，但是不經分析的數據沒有價值，如同“不經反省的人生不值得過”（蘇格拉底），而這正是轉型期的企業遇到的成長煩惱。筆者決定和Tableau同行，將自己多年的工作經驗與筆者對數據的理解融為一體，認真服務每一位客戶，同時獲得自我的提升。筆者選擇了Tableau，之後通過了Tableau Desktop和Server QA認證，並在參加Tableau峰會時認識了眾多Tableau員工和愛好者，開始了開發客戶、服務客戶的美好旅程。

在服務客戶的過程中，筆者不斷積累自己的Tableau知識和業務理解，並持續更新博客以增強理解，並向更多客戶傳播Tableau文化。筆者從不拒絕客戶的任何問題，把它視為最好的收集問題和不斷學習的機會——沒有什麼是學習不能解決的問題，如果問題不能被解決，那就是學藝不精。追求超過預期的交付，不僅幫助筆者提高了客戶的續費和增購的概率，而且不斷積累了下一本書的素材。

2．從所知到所悟

在學習過程中，筆者不斷閱讀各類數據分析書籍，並仔細翻閱官方近萬頁的文檔和白皮書。可惜的是，筆者找到的國內外每一本Tableau主題書籍，都只能滿足筆者的初學需求，卻不能滿足向中高級進階時的胃口，總覺得要義未精、框架欠明，如同武林秘籍缺少最後一章，即便各種招式純熟，也難以在實戰面前隨心所欲。這種理解上的束縛，阻礙了為客戶提供最高質量的培訓和咨詢。跟隨山東大學王思悅老師學習，他教給筆者一種處事態度：“和人交往改變自己，和物交道改變對方”，因此，筆者希望重新構建Tableau的知識體系，並希望幫助初學者和高級分析師更好地使用Tableau產品。

在克裡斯坦森教授《你要如何衡量你的人生》一書的開篇，提出了一個讓筆者終生難忘的問題：“鳥會飛是因為有羽毛嗎？”筆者曾經以為是，但正如克裡斯坦森教授所言，人類上千年來一直嘗試仿制輕盈的翅膀飛上天，最後，倒是成噸的鋼鐵飛機實現了。100年前，人類在“流體力學”和“空氣動力學”領域積累了足夠的知識，才實現了飛翔的夢想，這就是原理的重要性。很多人覺得掌握原理是少數人的事情，殊不知，原理是具有實踐性的，它賦予了我們“舉一反三”的能力。

因此，筆者迫切地希望洞察Tableau“拖曳”、可視化，特別是高級計算背後的原理，只有掌握了原理，筆者才能用最簡單的語言，讓所有客戶以最少的時間和金錢成本換來最高效的培訓和使用效果。而通往大徹大悟的道路只有一條，那就是持續的努力和深度的思考相融合的道路。

整個2019年，筆者一方面不斷地向Tableau最難的高級計算和高級互動發起總攻，並持續修改博客文章作為通達明了的明證；另一方面每月組織Tableau公開課程，在分享過程中不斷深化自我理解，並在為中原消費金融、以嶺藥業等客戶提供培訓的過程中不斷總結本書的宏觀框架。2019年在國聯水產進行的客戶培訓中，獲得了本書第5章的關鍵靈感。2021年，在長隆集團信息部門的內部交流中獲得了“業務字段、分析字段”的關鍵靈感，並在平安普惠的項目中開始構思“業務數據分析地圖”。

在這個過程中，筆者持續寫作博客文章以作記錄和思考，如今筆者的不少Tableau博客文章，特別是關於“LOD詳細級別表達式”原理和案例解讀系列，幾乎可以與官方的介紹文章並駕齊驅。2020年年初，因疫情在家，得以從頭重寫每一個細節及其思路，並把基礎計算和高級計算融為一體，形成了全新的講解體系，從而保證初學者也可以快速掌握最高難度的知識環節。

最後，筆者找到了從Excel分析到Tableau數據分析的根本性差異，即層次（LOD詳細級別）。客觀的數據表詳細級別（Table LOD）描述數據結構和顆粒度，主觀的視圖詳細級別（Viz LOD）描述業務問題及其相關性，並通過計算的多種分類把二者融為一體。全書都貫穿了“層次分析”的思路，並在高級計算部分得以升華——高級計算的實質就是多層次問題分析。因此，讀者在本書中能看到很多全新的內容，特別是用層次（詳細級別）理解大數據分析的核心特徵、理解數據結構並識別行級別唯一性、理解Tableau的計算並引導如何選擇等。

而精心繪製的插圖，旨在用可視化的方式增強理解。通過二次處理，盡可能提高每一幅插圖的知識密度。

3．大數據時代的趨勢與業務驅動的數據分析

隨著互聯網經濟的蓬勃發展，大數據時代已經成為不可回避的事實。在經濟競爭面前，企業更應該追求精益分析驅動的精益成長，構建以分析為中心的敏捷平臺變得不可或缺。

因此，敏捷BI（商業智能）已經是大勢所趨、不可抵擋。企業成長依賴於在競爭環境中不斷做出最優的決策，而決策來自充分地建立假設並高效地驗證，數據分析是連接數據資產與價值決策的紐帶，而敏捷BI能提高數據的利用效率和企業的決策效率。“分析即選擇，決策即擇優”，數據分析可以直接創造企業價值，未來已來，所有的企業都將是數據驅動型的組織。

對於企業而言，Tableau提供了敏捷的“數據倉庫、商業智能一體化”整體方案。不管是中小企業還是大型企業，Tableau都是極佳的企業級大數據可視化分析平臺，它在面向業務方面的卓越表現，迄今難有同行產品可以比擬。

對於業務分析師而言，Tableau入門容易、使用靈活，因此它幾乎適用於企業中的每一位數據用戶和業務決策者。同時，Tableau博大精深、足夠專業，在可視化樣式、互動探索、高級計算等方面有無限空間值得探索，因此不斷鉆研的Tableau分析師可以為自己構建足夠高的技術壁壘，從而捍衛自己的專業領地。這也是筆者的選擇和道路，只要努力，人人皆可模仿，沒有所謂的“學習力”，需要的只是用心和努力而已。

在這條充滿光明的道路上，最大的障礙其實不是工具，而是人和文化。借助本書，衷心地希望更多的人能熟練使用Tableau，並建立自己的職業壁壘，節省時間就是拯救個人生命，提高效率就是創造企業利潤。

4．致謝

從博客文章到一本書，這是之前筆者還未曾預料的事情；因為疫情在家隔離，一個春天，不料夢想就變成了現實。

特別感謝唐小強先生、百威啤酒劉洋先生、紅塔集團付聰先生、金發科技黃彬祥先生及其他眾多讀者為本書勘誤做出的貢獻。

特別感謝Tableau賦予的學習機會，讓筆者認識了各行各業的企業客戶、朋友和讀者。

感謝家人，他們給了筆者生活的意義。

感謝時間，感謝充滿坎坷與喜樂的人生。

喜樂君

2023年1月20日修改

內容及說明 XVIII

第1篇 奠基：數字化轉型與業務分析原理

第1章 數字化轉型：21世紀的機遇與挑戰 2

1.1 理解數據的層次及分析的價值 2

1.2 數據應用的3個階段 4

1.2.1 初級·報表展現：信息的整理與固定展現 5

1.2.2 中級·業務分析：分析輔助決策，決策創造價值 7

1.2.3 終極·智能商業：大數據重塑商業模式 8

1.3 數字化轉型到底“轉”什麼 10

1.3.1 塑造實事求是的數據文化：一切用數據說話 10

1.3.2 數字化轉型源自各個業務場景的數字化和持續進化 12

1.3.3 業務和技術兼備的卓越中心和分析型人才 13

1.3.4 統一並持續優化分析方法論，提高分析效率和準確性 15

參考資料 18

第2章 “業務—數據—分析”體系與企業數據地圖 19

2.1 “業務—數據—分析”體系：BDA分析框架 19

2.1.1 分析層：指標體系建設和分析儀表板 21

2.1.2 數據層：數據管理與數據倉庫 22

2.1.3 業務層：業務流程與“業務在線化” 23

2.2 建立全局視角：企業數據地圖 24

2.3 兩種企業級分析推進路徑：“自上而下”與“自下而上” 26

2.3.1 自下而上：從數據出發的分析之路 26

2.3.2 自上而下：從問題和指標出發的分析之路 27

2.4 可視化是大數據分析的橋梁和媒介 28

2.4.1 數字、文字的可視化及可視化要素 28

2.4.2 從可視化到抽象分析：走向儀表板和高級分析 30

2.5 Tableau：大數據敏捷業務分析的“代表作” 32

參考資料 34

第3章 業務可視化分析：關鍵概念與方法論 35

3.1 解析問題結構、理解聚合過程和指標 35

3.1.1 問題的結構及其相互關係 36

3.1.2 聚合是問題分析的本質 38

3.1.3 基於聚合的字段分類：維度描述問題，度量回答問題 40

3.1.4 指標是聚合度量的業務形態 41

3.2 明細表與聚合表：聚合的邏輯過程 42

3.2.1 業務明細表和問題聚合表：聚合的起點和終點 43

3.2.2 物理表與邏輯表：數據表的抽象類型 45

3.2.3 字段的數據類型：數據表字段的抽象類型 46

3.3 可視化圖形：聚合交叉表的“另一面” 49

3.3.1 問題類型與可視化增強分析 50

3.3.2 可視化背後的數據類型：連續和離散 51

3.3.3 Tableau中的字段屬性及其作用 55

3.4 簡單問題的“三步走”方法和Tableau示例 56

3.5 聚合度和詳細級別：構建複雜問題層次理論 58

3.5.1 數據明細表和聚合度：多個問題的基準點和衡量尺度 59

3.5.2 詳細級別：不同“聚合度”問題對應的抽象依據 60

3.5.3 結構化分析的兩個應用方向 62

3.5.4 關鍵概念匯總：聚合、聚合度、詳細級別、顆粒度 64

參考資料 66

練習題目 66

第2篇 數據準備、可視化、交互設計

第4章 數據合並與關係模型（Tableau/SQL） 68

4.1 概論：數據合並與連接數據源 69

4.1.1 理解數據合並、數據模型的重要性 69

4.1.2 數據合並和數據模型的相關概念 71

4.2 數據合並的分類矩陣與數據模型案例 72

4.2.1 “所見即所得”的行級別數據合並：Union和Join 72

4.2.2 Excel的局限：基於數據透視表的數據合並 74

4.2.3 Tableau數據混合初探，在聚合後完成連接 76

4.2.4 數據合並分類矩陣：兩種合並方法、兩個合並位置 78

4.3 行級別並集、連接與Tableau/SQL方法 81

4.3.1 數據並集 81

4.3.2 數據連接：連接條件與連接方式 84

4.3.3 高級連接的形式：僅左側連接、交叉連接與“自連接” 89

4.3.4 明細表並集與連接的異同點與局限性 93

4.4 從數據關係匹配到關係模型 96

4.4.1 “臨時”數據關係：基於問題層次創建數據關係匹配 96

4.4.2 數據模型：在最詳細且有業務意義的詳細級別預先構建數據關係 98

4.4.3 【關鍵】層次分析方法：從數據合並到數據關係模型 100

4.4.4 【難點】關係模型優化（上）：匹配類型（基數） 106

4.4.5 【難點】關係模型優化（下）：匹配範圍（引用完整性） 111

4.4.6 共享維度表：從雪花模型到網狀模型 116

4.4.7 通往最佳實踐：業務關係模型的可視化表達 117

4.4.8 案例：圖書及銷售的數據關係模型 118

4.5 重說數據混合：編輯匹配關係和匹配詳細級別 120

4.5.1 數據混合設置：自定義混合條件和自定義匹配字段 121

4.5.2 高級數據混合：數據匹配詳細級別不同於主視圖 123

4.6 不同數據合並類型的相互影響 127

4.7 Tableau與SQL/Python的結合 128

4.7.1 Tableau和SQL的結合 128

4.7.2 SQL中的連接 129

4.7.3 Tableau Table Extension：給數據源插上“算法之翼”（Tableau 2022.3 版本） 132

參考資料 133

練習題目 133

第5章 可視化分析與探索 134

5.1 數據準備：理解業務過程與整理數據字段 134

5.1.1 數據表：理解業務過程及數據表詳細級別 134

5.1.2 字段：理解業務過程的物件並做分組分類 136

5.2 從問題到可視化圖形：如何確定主視圖框架 138

5.2.1 從問題類型到主要的可視化圖形 138

5.2.2 初級可視化：“三圖一表” 139

5.2.3 中級可視化：分布分析、相關性分析 143

5.2.4 地理位置可視化 148

5.2.5 數據圖像角色可視化（Tableau 2022.4 版本） 155

5.3 可視化繪製方法與可視化增強 156

5.3.1 像油畫一樣做可視化：可視化三步驟和標記的使用 156

5.3.2 度量雙軸及其綜合處理 158

5.3.3 多個坐標軸的“公共基準”：度量值 160

5.4 高級分析入門：參考線與參考區間 161

5.4.1 參考線的創建及其組合 161

5.4.2 標準甘特圖和標靶圖：條形圖與參考線的兩種結合方式 163

5.4.3 參考區間 166

5.4.4 置信區間模型 167

5.4.5 趨勢線與預測線 168

5.4.6 群集 169

5.5 格式設置：必要調整，但不要過度 170

5.5.1 常見的設置格式工具欄 170

5.5.2 設置“標籤”格式，自定義文本表 171

5.5.3 工具提示的格式設置、交互和“畫中畫” 172

5.5.4 其他常用小技巧 173

參考資料 175

練習題目 175

第6章 Tableau/SQL篩選與集操作 176

6.1 理解不同工具背後的篩選方法與共同點 176

6.1.1 篩選的兩類位置：獨立篩選和“條件計算” 176

6.1.2 使用不同工具完成“獨立篩選” 177

6.2 篩選的分類方法：基於詳細級別的視角 182

6.2.1 【入門】數據表行級別的篩選：維度篩選器 183

6.2.2 【進階】指定詳細級別的聚合篩選：簡單條件和頂部篩選 186

6.2.3 【難點】指定詳細級別聚合的篩選：建立在自定義計算之上 192

6.3 篩選範圍的交互方法：快速篩選和參數控制 195

6.3.1 快速篩選器及其基本配置 195

6.3.2 特殊的日期篩選器：默認篩選到最新日期 196

6.3.3 參數控制：完全獨立和依賴引用 197

6.4 多個篩選的處理：交集計算和優先級 199

6.4.1 多個篩選的基礎知識：數據集及運算 199

6.4.2 多個篩選的計算原則（上）：相同類型取交集 200

6.4.3 多個篩選的計算原則（下）：不同類型按優先級計算交集 200

6.4.4 調整篩選器優先級（上）：上下文篩選器和表計算篩選器 202

6.4.5 調整篩選器優先級（下）：數據源篩選器和數據提取篩選器 204

6.4.6 篩選與計算的優先級 206

6.5 集（Set）：把篩選保留下來的“神奇容器” 207

6.5.1 創建自定義集及集的本質 207

6.5.2 自定義集內成員：“集控制”（Tableau 2020.2 版本） 209

6.5.3 創建動態條件集 209

6.5.4 集動作：以視圖交互方式更新集成員 211

6.6 集的運算、優先級和應用 212

6.6.1 多個集的合並與“合並集”運算 212

6.6.2 集和篩選的關係及優先級 215

6.6.3 集的高級應用：控制用戶權限的“用戶篩選器” 217

6.7 中級交互：儀表板中的快速篩選、集交互 218

6.7.1 交互設計的基本分類 218

6.7.2 “以圖篩圖”：儀表板中的多表快速關聯篩選 218

6.7.3 共享篩選器、集和參數：典型的儀表板交互 220

6.7.4 工具提示“畫中畫”：最簡單的多表關聯 223

6.8 更多實用工具：分組、數據桶、分層結構、排序 224

6.8.1 作為數據準備的“組” 224

6.8.2 分層結構鉆取分析與僅顯示相關值 225

6.8.3 排序：對離散字段的數據值排序 226

參考資料 228

練習題目 228

第7章 儀表板設計、進階與高級交互 230

7.1 儀表板：最重要的主題展現形式 230

7.1.1 儀表板設計的基本過程和常見功能 231

7.1.2 儀表板大小、布局和物件 233

7.1.3 常用的交互物件：隱藏按鈕、導航按鈕 237

7.1.4 儀表板布局中的分層結構 239

7.1.5 跨設備類型的儀表板適配 240

7.2 故事：以數據故事敘事、探索 241

7.2.1 故事及其基本設置 241

7.2.2 故事的闡述方式 242

7.3 儀表板進階：指標、初始模板、性能優化與“數據指南” 243

7.3.1 指標：聚焦儀表板關鍵度量 244

7.3.2 初始模板：專家分析模板加速分析 246

7.3.3 發布工作簿和“工作簿優化器” 247

7.3.4 數據指南（Tableau 2022.3 版本） 251

7.4 三種基本交互類型：篩選、高亮和頁面 252

7.4.1 突出顯示：以聚焦實現間接篩選 253

7.4.2 頁面輪播：快速篩選的連續疊加 255

7.5 兩類高級交互工具：參數、集交互 257

7.5.1 關鍵原理：參數、集的共同點和差異 257

7.5.2 參數與邏輯判斷結合：切換視圖度量 260

7.5.3 動態參數：動態更新範圍和初始值 262

7.5.4 集控制：以控件方式手動更新集成員 264

7.6 參數動作：參數、計算和交互（Tableau 2019.2 版本） 264

7.6.1 參數動作：使用動作更新度量值 265

7.6.2 動態篩選：參數動作和計算實現差異化篩選 266

7.6.3 動態基準分析：使用參數動作控制參考線和計算基準 268

7.6.4 自定義分層結構：使用參數展開指定的類別 270

7.7 高級交互：指定區域物件的動態可見性（Tableau 2022.3 版本） 272

7.8 高級互動的巔峰：集動作和集控制 275

7.8.1 經典集動作：交互更新自定義集（Tableau 2018.3 版本） 276

7.8.2 集的控制與更新：賦予集以強大的靈魂 278

7.8.3 使用集完成對比分析和標桿分析 279

7.8.4 高級互動的使用建議 282

練習題目 283

第3篇 以有限字段做無盡分析：Tableau、SQL函數和計算體系

第8章 計算的底層框架：行級別計算與聚合計算 286

8.1 計算的演進及分類：從Excel、SQL到Tableau 287

8.1.1 計算的本質及其與業務過程的關係 287

8.1.2 以Excel理解詳細級別與計算的兩大分類 288

8.1.3 從Excel“存取一體”到“數據庫-SQL”的存取分離 292

8.1.4 集大成者Tableau：將查詢、計算和展現融為一體 294

8.2 計算的兩大分類：分析是聚合的抽象過程 297

8.2.1 行級別計算、聚合計算的差異和關係 297

8.2.2 從業務角度理解計算的結果：業務字段VS分析字段 300

8.3 數據準備類函數（上）：字符串函數、日期函數 302

8.3.1 字符串函數：截取、查找替換等清理函數 302

8.3.2 日期函數：日期獨特性與轉換、計算 306

8.3.3 數據類型轉換函數 315

8.4 數據準備類函數（下）：正則表達式 316

8.5 分析函數：從明細到問題的“直接聚合” 318

8.5.1 描述規模：總和、計數、平均值 319

8.5.2 描述數據的波動程度：方差和標準差 320

8.5.3 關注個體，走向分布：百分位函數及最大值、最小值、中位數 322

8.5.4 ATTR屬性——針對維度字段的聚合判斷 324

8.6 通用型計算：算術函數和邏輯函數 325

8.6.1 算術運算、精度控制函數 325

8.6.2 邏輯表達式和邏輯判斷符 329

8.7 行級別計算與聚合計算的區別與結合 332

8.7.1 案例：各子類別的利潤與盈利結構分析 332

8.7.2 復習：行級別計算和聚合計算的差異 334

8.7.3 SUMIF條件聚合：將行級別篩選和聚合分析合二為一 335

8.8 專題：地理空間分析之“空間函數” 338

參考資料 345

練習題目 345

第9章 高級分析函數：Tableau表計算/ SQL窗口函數 346

9.1 合計的兩個方法及“廣義LOD表達式” 346

9.1.1 入門：從Excel理解“合計百分比”計算的層次關係 347

9.1.2 高級分析的層次框架：數據表詳細級別和聚合度 348

9.1.3 進階：“合計百分比”的兩種SQL方法 349

9.1.4 Tableau敏捷BI，讓業務用戶輕鬆駕馭二次聚合分析 351

9.1.5 “廣義LOD表達式”與計算的分類 354

9.2 “同/環比”偏移計算及表計算設置方法 356

9.2.1 維度作為偏移計算依據：單一維度的同比差異 356

9.2.2 包含多個維度的同比（上）：區別範圍和依據 358

9.2.3 包含多個維度的同比（下）：設置多個依據 360

9.2.4 SQL窗口函數：偏移類窗口函數案例介紹 361

9.3 小結：表計算的獨特性及兩種設置方法 365

9.3.1 從差異計算的兩種方法理解窗口計算的獨特性 365

9.3.2 Tableau設置範圍的兩種方法：相對/絕對方法與適用場景 368

9.4 高級分析函數之排序計算：INDEX與RANK 369

9.4.1 Tableau/SQL排序與百分位排序 370

9.4.2 公共基準對比：不同時間的電影票房對比（TC2） 374

9.4.3 凹凸圖：隨日期變化的RANK函數（TC4） 376

9.5 最重要的二次聚合函數：WINDOW（窗口）函數 380

9.5.1 合計：最簡單、常用的WINDOW（窗口）函數 381

9.5.2 累計聚合：RUNNING_SUM函數——累計汽車銷量 383

9.5.3 移動聚合：移動窗口計算函數MOVING AVG 385

9.5.4 “大一統”：千變萬化的窗口函數WINDOW 386

9.6 最常用的表計算：快速表計算及其附加計算 389

9.6.1 快速表計算：預置的常見表計算應用 390

9.6.2 快速表計算的嵌套：表計算的組合（TC3） 391

9.7 表計算應用（1）：自定義參考線、“合計利潤率” 393

9.7.1 聚合值參考線——表計算的“可視化形式” 393

9.7.2 “合計利潤率”：理解參考線對應的表計算 394

9.7.3 【難點】理解TOTAL（合計）與WINDOW_SUM（匯總）的差異 396

9.7.4 自定義參考線及其計算：箱線圖松散化與散點圖顏色矩陣 398

9.8 表計算應用（2）：標桿分析——多種類型的計算組合 402

9.9 表計算應用（3）：帕累托分布——累計、合計及嵌套 406

9.10 表計算應用（4）：金融ANR計算——表計算高級嵌套 409

9.11 表計算篩選器：優先級最低的篩選類型 413

9.11.1 使用RANK函數聚合判斷完成篩選 413

9.11.2 使用偏移函數LOOKUP完成年度同比和篩選 415

9.12 表計算延伸應用：預測建模函數 416

9.12.1 MODEL_QUANTILE預測模型 417

9.12.2 MODEL_PERCENTILE預測模型 419

練習題目 420

第10章 結構化問題分析：LOD表達式與SQL聚合子查詢 421

10.1 業務解析：理解LOD表達式的邏輯和本質 421

10.1.1 簡單詳細級別：“不同購買頻次的客戶數量” 421

10.1.2 多維詳細級別：“各年度、不同矩陣年度的銷售額貢獻” 424

10.2 LOD表達式的“詳細級別”及其與視圖關係 428

10.2.1 從問題詳細級別出發，理解高級問題的構成 428

10.2.2 主視圖引用“更高聚合度”的詳細級別聚合：占比分析 429

10.2.3 主視圖引用“更低聚合度”的詳細級別之聚合：購買力分析 432

10.2.4 主視圖引用獨立詳細級別的聚合：客戶矩陣分析 433

10.3 相對指定的LOD表達式及運算優先級 435

10.3.1 絕對指定和相對指定的LOD表達式 435

10.3.2 INCLUDE LOD引用更低聚合級別的聚合及優先級 437

10.3.3 EXCLUDE LOD引用更高聚合級別的聚合，以及優先級對比 439

10.4 超越LOD：計算的詳細級別體系及其優先級 441

10.4.1 不同計算類型的應用場景與作用 442

10.4.2 層次分析法：理解計算的運算邏輯及其組合形式 443

10.4.3 Tableau計算、篩選、數據關係的優先級 445

10.5 走向實踐：多遍聚合問題與結構化分析方法 446

10.5.1 方法論：高級問題分析的4個步驟 446

10.5.2 LOD多遍聚合：客戶購買力分析的嵌套LOD計算 447

10.5.3 嵌套LOD的語法和SQL表示 452

10.6 客戶分析專題：客戶RFM相關案例分析 454

10.6.1 客戶分析概論與常見指標體系 454

10.6.2 使用Tableau完成 RFM主題分析 457

10.6.3 單維度的分布案例：客戶頻次分布和生命周期分布 460

10.6.4 多維度的結構分析：與“客戶獲客時間”相關的分析案例 461

10.6.5 復購間隔：行級別計算和LOD計算的結合 464

10.6.6 客戶留存分析：LOD表達式、表計算的結合 465

10.6.7 客戶矩陣分析：客戶價值分類 468

10.7 產品分析高級專題：購物籃分析的多個角度 470

10.7.1 購物籃比率：任意子類別相對於所有訂單的比率 471

10.7.2 支持度、置信度和提升度分析：類別之間的關聯推薦 472

10.7.3 指定類別的關聯比率：篩選中包含“引用詳細級別” 475

10.8 總結：高級計算的最佳實踐 480

10.8.1 問題的3大構成與計算的4種類型 480

10.8.2 如何選擇計算類型 482

練習題目 484

第11章 從數據管理到數據倉庫：敏捷分析的基石 486

11.1 數據管理功能：以數據為中心 486

11.1.1 Tableau Catalog：數據資產目錄和世系管理 487

11.1.2 Tableau Prep Conductor：數據ETL流程管理 491

11.1.3 Virtual Connections：數據庫和分析之間的橋梁 492

11.1.4 Data Policy：為數據訪問增加行級別權限 495

11.2 從數據管理（DM）到數據倉庫（DW） 499

11.2.1 數據倉庫是數據分析發展到一定階段的產物 499

11.2.2 數據倉庫的邏輯分層 502

11.3 ETL：數據倉庫中的數據處理 504

11.3.1 敏捷ETL工具Prep Builder簡介 504

11.3.2 敏捷ETL工具對數據分析的影響 505

11.4 建議：視Tableau為DW/BI平臺 506

參考資料 507