第五章：数据产品的设计和实现

5.1　如何做出“一图胜千言“的数据可视化

5.1.1　为什么要用可视化呈现数据？

数据可视化是利用各种图形方式更加直观地呈现数据的过程，让数据的分析者和使用者更快的从数据当中获取到他们所需的信息。在分析方法的武器库中，我们是将数据可视化视为一个“横向“工具，它贯穿于业务分析，用户分析以及进阶分析方法。

为什么在看各种统计指标之外还要强调可视化的作用，对于这个问题，我们可以先通过安斯库姆四重奏（Anscombe's quartet）这个有趣的统计现象来展现。下面表中是四组基本统计特性都一致的数据：ABCD四组都是11个x和y的组合，x 的均值都是 9，标准差约 3.3；Y 的均值都是 7.5，标准差约 2.0。

但如果我们将这四组(x,y)数据放在坐标轴中，则可以看到如图5.1所示的四个图形，你还会觉得这四个数据是“一致”的吗？这个现象集中体现了在统计所使用描述数据的集中度和离散度之外，可视化是帮助更全面了解数据的重要手段。

值得一提的是，可视化还曾在人类对抗霍乱疫情中留下了浓墨重彩的一笔，霍乱曾经是肆虐欧洲的一种疾病，而在19世纪医生们还普遍相信，霍乱是通过空气中的物质传播的，而当时从事相关研究的约翰斯诺医生则认同”细菌理论“，也就是霍乱是通过被感染的水或者食物传播的。在1854年8月31-9月10日，大约有600多人因霍乱而死。斯诺医生拿出了实干者的勇气，用各种手段掌握了死者的住址，并将统计结果绘制出了图5.2的死亡地图（点图），很明显Broad街道附近出现了比其他位置更多的病死者。

图 5.2 斯诺医生的霍乱病例图

通过进一步的数据分析，斯诺医生甄别出了为这条街道居民提供的用水公司和致病率的关系，两家供水公司中Southwark Vauxhall供应的住户患病率是另一家公司的约8-10倍。在政府移除 Broad Street 水泵把手之后，霍乱病例的防疫也得到了巨大成功，斯诺医生也“一图成名“成为了现代流行病学的基础奠基人。

同样的在商业场景中，用可视化的方式将数据更加直观的展示出来，最大的作用是可以帮助在最短的时间内读懂数据背后隐藏的信息，找到背后隐藏的规律或者异常。以某个办公用品销售的2021年分月数据为例，这个数据中包括了三个目标销售群体（个人消费者，中小企业，教育机构）的数据，现在我们的目标是（1）找出目标群体全年中销售最高和最低的月份，以及（2）各目标群体全年的销售趋势。这看似很简单的分析需求，对任何读者来说都是很耗费时间。

但如果我们把这些数据想像成一个一个点再用线串联起来查看趋势的波动情况，也就是常用的折线图的展示形式就会清晰很多(如下图 5.3 所示)。在下图中，我们不仅能看出对中小企业销售额远超于其他类别,且观察到在三月份中小企业类别有非常明显的下降。同时也可以看出个人消费者在七月份有一定的下降。通过折线图形式来展示，我们很容易可以观察到这两个异常下降的数据点，但在上面的纯数字表格中就需要花时间来仔细观察了。并且这两个异常下降的数据点会自然引导决策者后续再深入挖掘为什么会出现明显下降的情况。另外会思考这种下降是否具有周期性，前年有没有出现相同的情况，避免明年再次出现同样的问题。

图 5.3 办公用品可视化图

5.1.2　实现高效可视化的三个步骤

高效的可视化需要让受众能够实现自主的分析决策，要实现这个目标，就需要能在设计数据产品时贴近受众的需要，选择恰当的图形，并优化突出重点展示的部分，去除不必要的信息。

第一，明确目标受众，了解受众需求

在制作可视化报表之前，首先需要了解我们制作的可视化报表的目标受众。不同的受众对于所要展示的信息有不同的背景知识，也会带着不同的问题来看同一张报表。举个例子，每年的双11我们都会看到双11大屏，这个大屏的目标受众主要是新闻媒体和网民，因此会重点使用地图乃至3D交易地球作为基础，让抽象的数据存在于受众所熟悉的世界。大屏的中间通常就是核心指标GMV，以及24小时内的动态折线图，综合展示了当天GMV飞速增长的过程。这种设计过程就是为了针对媒体和网民眼球，凸显视觉效果和增强可以记忆性的设计。如果是同样的数据需要展示给内部管理层，或者是参与双11大促的活动负责人，那么必然会做出对应的调整。可以预见的是，炫彩的地图类图形可能会让位于能更有对比效率，展示不同时间区域以及产品差异的图形组合，因为管理者和负责人都会希望能从数据中看到和去年的对比，找出活动中增长有力和不力的业务领域。因此设计高效的第一原则是把握好目标受众，如果有足够的时间及成本，在正式制作可视化报表前建议先收集使用者的需求，然后制作可视化报表的样例，再和数据产品使用者进行沟通调整，之后才进入到数据产品的具体开发过程。

第二，根据展示目标，选择合适的图形

我们在Excel中已经接触过很多基本的图形，最典型的如折线图和柱状图等。抽象出来一个图形的组成要素可归纳为七个基本视觉变量：位置、形状、大小、颜色、明度、纹理、方向，再复杂的图形也是这些元素的组合体。在选择这些图形的过程中，重要的思考我们要展示数据的目标。这里我们列出了四种最常见的目标，以及对应所推荐使用的图形类型。

1）比较不同类别数据的大小：若只是某个时间的各类别数据，则使用条形图或者柱状图就能满足需要。

2）展示数据的组成：除了可以沿用条形图和柱状图，饼图、树状图以及帕累托图、环形图也常用于展示各部分占整体的比例。

3）展示数据随时间的变化：折线图是最基本的选择，若需要同时兼顾各个类别之间对比，则可将线条标记为不同颜色或者实虚线等，或者采用叠加柱状图。

4）展示数据的分布状态：在概率思维中我们提到过数值的分布，展示这种分布主要的方法是使用箱线图。此外也可将数据做分组后用直方图观测其分布，这在展示年龄，用户收入等数据分布时较为常用。

5）展示不同数据之间的关系：在相关分析中，我们已经使用散点图观察两个变量之间是否存在明显的线性关系；若还需要比较第三个变量的大小，气泡图（用气泡大小编码第三变量）也很合适。

以上只是遇到各类问题的基本图形选择，表5.2总结了本章涉及的部分常用图形和对应的应用场景。需要注意的是单个图形可以用于多个场景，比如柱状图可以用于数据大小，也可以用于展示随时间变化，具体选择仍需根据数据类型和业务需求做判断。

表5.2 选择合适的图形

第三，去除信息杂草，强化核心数据

著名可视化学者爱德华·塔夫特（Edward Tufte）教授所强调的 Data-ink 原则来总结：优秀的数据可视化，就是用最少的墨水、在最短的时间内表达出最丰富的思想，最大化 Data-ink 比例。在可视化的设计中，我们都会建议尽量减少使用3D效果，删除不必要的图形边框，以及过多的颜色等，这些都会对使用可视化产品的读者造成混淆。此外在图形中所使用的数字标签方面，也应该注意避免不必要的小数点，比如GMV通常在百万或者千万级，因此在数据标签上完全没必要还保留小数点，而应该将数据的单位改成对应的百万/千万量级，比如某月的GMV 约 25.7M（即 2,569 万）。

5.2　可视化的Tableau实现—基础图形篇

5.2.1　为什么选择Tableau

实现可视化的工具多种多样，Excel，Tableau，PowerBI以及Python和R等都能有对应的可视化实现方法，在本书中我们之所以选择Tableau作为工具介绍。是因为Tableau与其他可视化软件相比，让一些没有数据分析基础的人也可以通过简单的拖拽、点击就能做出自己想要的可视化效果。

Tableau的用户界面非常友好直观，使用它制作可视化报表，基本不需要任何代码操作。很多在Excel里面要实现的功能，比如数据的汇总计算等等，在Tableau中都不用编写复杂公式，我们只需要点击相应的菜单选项即可实现。Tableau的产品的三个创始人是计算机专家，获得奥斯卡金像奖的视觉专家以及商业专家，因此在颜色搭配和图形交互上，是要远好于Excel的。Tableau还提供了从城市名直接对应到地图这类在Excel里面实现极为困难的工具，让很多基于地理位置信息的数据可以很方便的呈现在图表上。

Tableau提供了服务器端产品Server，云端产品Cloud以及服务基础数据处理的Prep Builder。Tableau产品在服务器端能和很多主流数据平台融合，企业用户尤其是其中的高层管理者，可以能够在手机APP、电脑以及其他智能设备上随时随地的查看到最新的数据。近年来Tableau在可视化基础上还进一步提升了自助数据分析的能力，在分析工具中提到的回归和时间序列预测，也能够在Tableau中实现。

本章介绍使用的是面向个人用户的产品Desktop，该款产品为个人用户提供 14 天免费试用，功能无任何限制。通过任何浏览器访问 https://www.Tableau.com/zh-cn/products/desktop，在填写信息之后即可下载和安装Tableau Desktop。在Tableau学习过程中，我们先试用Tableau自带的超市数据作为学习基本图形的入门数据，然后会使用某游戏公司的用户数据用来搭建数据产品。

5.2.2　导入与探索数据

在创建可视化图表之前，首先我们要做的是打开Tableau，将后续需要使用的数据导入到Tableau中。在Tableau首页这里，我们可以看到Tableau可以连接多种文件格式和数据库，这点对于将Tableau和其他工具结合起来使用非常方便。最常见的是用Tableau导入Excel数据文件，具体的方式是：

第1步: 在“连接”窗格中，点击“到文件”下的 Microsoft Excel

第2步: 在出现的对话框中选中自己需要连接的Excel文件，这里我们先选择Tableau Desktop自带的示例超市数据文件

第3步: 在界面左侧会出现Excel中所有的工作簿，我们先只选择订单，并将其拖选到右侧的空白处，见图5.2.2-2

第4步：选择Tableau连接数据的方式

在数据源界面的右上角可以看到，Tableau中数据源有两种连接方式，一种是实时LIVE，另一种是提取EXTRACT（见图5.2.2-3）。实时Live连接的好处是直接连接数据源，如果数据源（excel或者SQL类数据库）发生变动，Tableau里连接的数据源也会相应的自动调整。但是可能造成的问题是，实时Live的速度会随着数据量的增大而变慢。

在本例中，我们使用将使用提取的方式连接数据。提取Extract则是将数据从数据源中抽取出来直接封装在Tableau中，这样做的好处在于数据经过了Tableau的优化，仪表板的反应速度将会更快。Extract提取的连接方式的缺点在于，如果连接的数据源发生变化，我们就需要手动刷新提取的数据。如果需要将制作好的Tableau文件分享给其他人，首先使用提取Extract的方式连接数据源，再点击左上角的文件另存为twbx格式，这样就相当于将制作的Tableau报表连同提取出来的数据保存成一个打包文件，方便其他人读取和编辑。

第5步：了解数据类型和样例

在连接数据之后，数据源页面下方会展示表中各字段的数据类型以及前100行数据，以帮助我们直观了解所导入的数据。从图5.2.2-4中可以看到，Tableau从订单表中识别到了三类数据：数字（#），包括销售额，数量，折扣和利润；字符(Abc)，包括订单id，客户id，客户名称，城市等；以及日期（日历图标），包括订单和发货日期。Tableau对不同的类型能进行不同的数据操作，最典型的是对数字类型可以做加减乘除，而对文字是不允许的，类似的在Excel中我们的公式使用也需要遵循同样的规则。

基于分析需要，我们也可以手动对数据类型做调整和更正，如图5.2.2-5所示在这里我们可以点击城市字段左上角的Abc，将其修改为地理角色中的城市，那么ABC就会变成小地球图标表示Tableau已经识别此地理信息并准备好对应的经纬度数据，为后续实现地图可视化做好了准备。

从Tableau所提供的100行数据中，我们可以大致看到订单和发货日期分布于2018年至2021年期间，客户类型包含消费者，中小企业，公司，产品类型则有办公用品，技术，家具等，其中每个产品都有些对应的子类别。尽管这些数据不代表整个数据的全貌，但也足够能形成一定的数据预判。

图5.2.2-6

5.2.3　了解Tableau的工作表界面

在导入数据源后，我们就可以点击界面下方的工作表按钮（如下图5.2.3-1所示）进入到创建工作表的界面。

此时我们发现左侧的数据侧栏已经导入字段并对字段做了分类，以灰色分割线为界，上侧是维度，即含有限的不同值的数据类型，主要是文字，日期和地理类型数据，而下侧是度量，通常就是数字。但需要注意不是所有数字就是度量，比如日期我们通常也是将其作为维度来使用，另外在本例中的行ID也是数字，但Tableau已经很智能的将其归入到了维度，因为对行ID做加减乘除也是没有意义的。对维度和度量的理解，可以联系Excel中使用的透视表，通常就是以维度为分组，去汇总或计算各种度量，在Tableau里也是遵循类似的数据规范。

除了左侧的字段列表外，工作表界面分为下面几个主要的模块（见下图5.2.3-3）：

1. 右侧标有行/列的部分以及工作表是建立图形和仪表的主要工作区，是用于在导入了数据源之后，把相应的字段拖动到行和列位置，随后再根据需要选择合适的图形类型来创建我们的图表。
2. 中部的筛选器，用于给可视化提供更多的互动，实现按条件筛选的功能。筛选器下方的标记卡区域，可以用来切换图表类型以及调节颜色，形状和文本等图表美化工作。
3. 界面上方为工具栏部分，可以实现工作表更加复杂的操作。工具栏下方的小图标为一些快捷功能按钮，例如可以新建数据源、新建工作表、快速排序等等。
4. 界面右侧的智能推荐选项类似于预设的图表模板。当我们将需要展示的字段拖入行列后，可以在智能推荐中直接点击合适的图表形式，就可以非常快速的创建可视化图表，是非常方便的一个功能。
5. 数据/分析 侧栏，其中数据窗格主要是展示当前用于可视化的数据源，在导入Excel等数据文件或者连接线上数据库之后，所使用的数据就会展示在此。分析模块则提供了参考线，箱线图以及趋势预测等功能，但这些功能不提供诸如前一章的回归或者时间预测的统计显著检验等功能，更多的是从图形视角提供参考。

针对数据展示的四类目标，我们设定若干个假设问题，接下来就是用Tableau的图形来做出回答：

• 比较不同类别数据的大小：对比不同产品类别的销售额，找到销售额最高的产品类别
• 展示数据的内部结构：分析不同区域对于销售额的贡献程度
• 数据随时间变化：随时间的总销售额和各组成部分变化
• 展示数据的分布状态：用户单个订单内购买产品数量的分布情况
• 展示不同数据之间的关系：订单内购买的产品数量和销售额之间的相关关系

5.2.4　比较数据大小：寻找销售额最高的产品（柱状图/条形图）

（1）柱状图

在日常的商业场景中，最常遇到的可视化问题是找出数据中的最大值或者最小值，比如需要在当前所销售产品中找出最畅销者。这类比较数据大小的问题，通常会用柱状图和条形图来表达。柱状图和条形图本身是同类图形，只不过横纵轴的展示互为交换。

比如在本案例中，若我们希望能找到各产品子类目中累计销售额最高的，则可以按照下列简单步骤实现柱状图呈现。

第1步: 将子类别拖入列上

第2步: 将销售额拖入行上

如下图5.2.4-1所示，Tableau默认对销售额这个度量做了汇总处理，且会自动识别图表类型为柱状图

第3步：点击图5.2.4-2所示上方功能区中的降序按钮，使得占比比较靠前的种类排到前面。当鼠标悬浮在这个按钮上时，会出现“在子类别按销售额总合对降序进行排序“的文字提示。在降序按钮的左侧是升序按钮，同理是按照销售额总合作升序进行排序。

第4步：为了进一步突出重点，我们可以通过颜色和标签等增加更多可展示的信息。通过对子类别的降序排列，我们已经发现了书架，器具和椅子是三类最畅销的商品。为了能更好的高亮出这三类产品，如图5.2.4-3，用鼠标圈选出三个对应的柱子，然后点右键之后在菜单中找到“分组”并点击。

这时我们可看到前面三个柱子保持了蓝色，而后面柱子则被默认为灰色。若需要进一步调整颜色，可在标记卡片中点击颜色（如图5.2.4-4），出现编辑颜色选项后，选择对应的两组类别（高亮的组和其他组）的对应颜色。

到这里一个初步的柱状图就完成了，因为Tableau这个产品本身是非常智能的，当出现了数据是分类型数据（就是我们这里的子类别）和数值型数据（也就是这里的销售额）交叉的情况下，就会自动推断可能需要使用柱状图。读者也可以尝试用下列方法，首先在左侧字段列表中双击销售额，可以看到图表中会出现一个柱子。如果将鼠标悬停在柱子上面，可以看到总数显示为一千六百万。然后再双击下子类别，就可以看到不同产品子类别都会有一个柱子，且柱子高度代表相应子类别的销售额。

(2)条形图

5.2.5　展示数据组成：拆解总销售额的构成（饼图/气泡图/树状图）

柱状图和条形图更多的是展示各分类之间对比，另一个更常见的商业问题是总体是如何由各分类之间组成的，比如在我们案例中，总体的销售额是由哪些客户，大区，产品或者产品子类构成的。这类问题我们通常用饼图，气泡图或者树状图来实现。这三种图形的共同目标都是让使用者能迅速判定对总体影响最大的因素。

1. 饼图

在介绍这三类图形中，我们会引入Tableau提升可视化效率的重要工具：智能推荐。首先我们以做饼图为例，目标是分析各大区对于总体销售额贡献。我们先还是将区域放到列，将销售额放到行，如下图5.2.5-1所示

这个时候在右侧的智能推荐中，出现了基于现有数据所有可做的各类图形（灰色的表示度量或者维度不足），点击下饼图标记，就可以得到基础的饼图，见图5.2.5-2。

这个时候左侧的“标记“窗格已经发生了相应的调整，它分别表示的是：用颜色标记不同的饼图中的各个大区对应的区域，用销售额的总和来控制饼图中扇形的角度（“大小”标记则用于控制整个饼图的半径）。如果我们要手动的去完成这个过程，可以参考图5.2.5-3中的步骤：

第1步：先点击标记卡下面的下拉选框，将图表类型设置成饼图

第2步: 然后将销售额分别拖入标记卡中的大小和角度选项上

第3步: 最后将地区拖入标记卡中的颜色选项上

无论是智能推荐和手动实现，上面的饼图都还离我们要求的可视化有一定差距。饼图本身也存在问题：如果各分类之间的数据差别不够大，很难快速的判断出各类的贡献大小及组成。因此我们可以按照下列步骤，在饼图上增加各大区在总体销售额占比。

第1步：我们可以将区域和销售额拖到标记卡中的标签选项上，但是这样展示的只是每个类别的销售额

第2步: 在这里我们需要右击标记卡下方的销售额标签，在下拉菜单中选择快速表计算，再选择合计百分比。这样我们就能清楚的在图表上看到每个类别的百分比占比数字了。见下图5.2.5-4

第3步: 如果我们觉得Tableau显示的百分比数字小数点位数太少或者太多，我们可以在上面的菜单中选择设置格式。然后在左侧出现的设置格式对话框中，点击数字，对字段格式进行调整。

从上图中可以看出华东和中南地区的销售额占比是最高的，而西北地区的销售额占比最低。饼图适用于分类相对较少的场景，分类增多会造成饼图内部各种颜色混杂，重点信息不突出的问题。在这种情况下，我们可以使用气泡图或者树状图来展示这种分类众多的场景。举例来说，我们希望能够看到全国各省和直辖市对总体销售额的贡献组成。

基础的饼图实现了对总销售额的拆解，接下来则可根据业务目标做选择：如果需要展示的类别众多，但我们只需要关注占比最大的分类，则可考虑气泡图或者树状图；如果我们需要具体的量化头部分类对占比的贡献，找出类似于留存魔法数字时所想看的拐点，则可以使用帕累托图。帕累托图涉及到双轴图的应用，我们将在下一节中介绍，这里先介绍气泡图和树状图。

1. 气泡图和树状图

气泡图和树状图在沟通上较为类似，都是服务于拆解整体的构成，也都依靠图形的颜色和大小来传递信息。气泡图主要依靠的是气泡的大小和颜色来传递信息，现假设的问题是找出销售数量大且利润较高的地区。可以采用如下的方式来制作图形：

第1步：先点击标记卡下面的图表类型，将其调整成圆

第2步：将省/自治区拖拽至标记卡功能区里的详细信息选项，再将数量拖拽至标记卡下面的大小选项上，如下图5.2.5-6

图中的圆圈越大，则代表销售数量越多，反之越小。下一步将利润拖到标记卡的颜色选项里，气泡的蓝色颜色越深代表利润额越高，橙色则代表利润额较低。如图5.2.5-7所示，山东和广东属于销售量大且利润最高的省，而对比下来辽宁则是销量大但是利润率差的省。

树状图的制作方法和气泡图非常相近：在参考上述步骤完成气泡图后，只要把维度（如省/自治区）放在“颜色”、度量（销售额）放在“大小”，再将标记卡图表类型选为“树状图”（或保持“自动”由 Tableau 自动判别），即可得到按数值大小自动排序、左上角矩形面积最大的树状图。或者我们也可以参考前面利用智能推荐快速创建饼图的方法，先将省/自治区和销售额分别拖入行列后，再点击智能推荐里树状图的图标。树状图和气泡图一样， 面积代表了数值大小，但是和气泡图不同的地方在于气泡图里圆圈都是随机分布，树状图里矩形大小都是自动按照数值大小排好序的，一般左上角的矩形面积最大，代表数字最大，右下角的矩形面积最小，代表的数字最小。这里图形的结论和气泡图是一致的，不再赘述。

5.2.6　数据随时间变化：总体趋势和分类别变化

前述的图形中，对于数据的分类比较和总体构成都还只是静态视角。观测数据随着时间变化的趋势，以及对于各细分类数据对于整体数据变化的影响，也是常见的可视化需求之一。要实现这种可视化，Tableau的数据源中必须有日期类型的数据，如在本例中的交易日期和发货日期。

1. 折线图

观测特定指标随着时间趋势变化，最通用的就是折线图方法。我们接下来以销售额随时间变化来看Tableau中折线图的实现，具体步骤如下图5.2.6-1所示：

第1步：新建工作表，并将订单日期拖到列上

第2步: 再把左侧字段列表中的销售额拖到行上

Tableau已经自动选择了折线图作为数据展示的方式，但时间的颗粒度目前是在年份，对于数据的解读来说过于粗略。解决方法是如图5.2.6-2所示，点击年（订单日期）右侧的下拉箭头，这里有两种选择，一种是单维度的年/季度/月/天，一种是年+季度/月/天的组合。注意这里的2015年5月8日仅仅是系统示例，不是数据中的真实数据。在本例中，我们的销售数据涵盖2018至2021年，因此我们应该选择年+季度/月度/周/天的组合。

如下图5.2.6-3所示，选择了年+月组合之后，我们的数据分拆到了更细的维度，可以看到虽然销售额逐年呈现递增的趋势，但每年的11月到次年5月是销售的低谷，而6-7月份则明显出现销售额高峰。

在数据探查过程中，我们也可以通过点击图5.2.6-2中年（订单日期）前的小加号，Tableau会自动下拆到下一层级，从年到季度，最后到逐日的数据。这个快捷方式可以帮助快速锁定数据展示的合适颗粒度，从实际效果来看，按照周和天去展示数据都显得数据过于密集，看不出销售额数据变化的趋势，按照月份是最合适的选择。

前面提到在Tableau中使用折线图，必须要有对应的日期数据，如果数据源中的日期是以字符存储的（在数据类型中显示为Abc，而非日历图标），则可以在维度里右击相应字段，在下拉菜单中选择更改数据类型-日期，然后将日期字段拖动到行或者列上，在下拉菜单中选择想要的日期维度，年，季度，月，周，天等。

折线图适用于展示整体趋势，但如果通过多条折线来呈现各分类数据的趋势，则很容易出现如图5.2.6-4的问题，各条线交错并不能得到明显的数据结论。对于这个问题我们有两种处理方法，一种是采用颜色加以区分，比如若重点展示消费者则将其他两个细分标记为灰色，另一种方法是采用叠加柱状图。

1. 叠加柱状图

如果需要同时结合时间趋势和类别组成，选择叠加柱状图是更合适的可视化方式。在图5.2.6-4的基础上，通过左侧标记窗口中选择“条形图”，或者在智能推荐中选择“堆叠条”，均可以形成图5.2.6-5的叠加柱状图。此处可以将时间维度调整为季度，但也已经可以看到对比2019年销售构成，2020年的销售增长主要是来自消费者的贡献。

1. 组合图

在某些场景中我们会需要同时展示两个两级差别较大的指标，比如同时展示销售额和利润，此处可以用Tableau的双轴图。双轴图通常是指存在左右两个Y轴，各自处于不同的量级，对应的是图表中柱状图和折线图。在Tableau中想要实现双轴。具体步骤如下所示：

第1步: 首先将订单日期拖到列并右击将时间格式调成月，再将销售额和销售利润都拖到行上，如下图5.2.6-6

第2步: 再右击其中一个度量，在出现的菜单中点击双轴，如下图5.2.6-7。

第3步: 在标记卡下方的下拉框，选择其中一个作为柱状图即可形成组合。

第4步: 现有数据按照月份显得较为冗余，我们可将时间维度调整为年-季度，得到如图5.2.6-9的组合图。可以看到随着销售额的增加，超市的利润也在同步提升。

（4）帕累托图

除了可以更方便的展示不同量级的指标之外，组合图也能在有限空间中提供更多的数据洞见，例如帕累托图。帕累托图本质上是条形图和折线图的组合，概念上来自于帕累托原则（20-80原则）。实际上，帕累托图有两个坐标系：柱形在左侧坐标轴显示各产品子类别的销售额（数值），折线在右侧坐标轴显示累计百分比，最高为 100%。我们可以使用帕累托图展示不同产品子类别的销售额外还可以展示产品子类别的销售累计占比情况，具体的操作步骤如下所示：

第1步: 首先将子类别拖入列以及销售额拖入行里，创建不同产品子类别销售额的柱状图如下图5.2.6-10所示。并且按销售额降序排列

第2步: 由于在帕累托图中需要以折线展示不同类别销售的累计占比，而数据中又无相应数据，这里我们就可以使用Tableau中的计算字段来进行定义。计算字段和Excel中的公式非常类似，它的作用都是基于现有数据创建出数据中还没有得字段。在Tableau中，具体的操作步骤如下：右击左侧字段列表中的销售额，在出现的菜单中选择创建-计算字段。

在出现的编辑计算字段的对话框中输入字段公式如下图5.2.6-11右侧所示。公式中的running_sum函数为累计求和函数，公式的含义为子类别的销售额累计求和除以全部的销售额求和，也就是子类别销售额累计占比。在计算字段中我们可以使用各种函数来计算想要的值，这也大大提升了Tableau画图的自由度。

第3步: 将上一步创建的累计百分比字段拖入行里，并在标记卡下面的累计百分比部分将图表类型调整成折线型。最后右击行上的累计百分比，在菜单中选择双轴

第4步: 最后调整一下折线的颜色，并将累计百分比拖入标记卡下面的标签上，得到的帕累托图如下图所示。图5.2.6-13中我们可以看出前4个产品子类别贡献50%以上的销售额，而排名前7个的产品子类别贡献了77%的销售额。

5.2.7　数据的分布状态：用户订单中的信息挖掘（箱线图/直方图）

上述图形主要用于分析数据的趋势和结构，随着分析深入我们会需要看到数据内部的分布结构，比如分析顾客在一次订单中会购买多少个产品，以此来做产品和运营上的优化，亦或是分析用户在年龄或者收入上的分布。这些就需要用到能展示数据分布状态的图形，本节举例的分别是箱线图和直方图。

（1）箱线图

在第四章数据分析方法中，我们介绍过用分位数的方式来判断是否异常值。箱线图（Tableau中称为盒须图）正是基于分位数判断所制成的图形，图5.2.7-1是一个典型的箱线图，最左侧竖线代表数据中的下限（Tableau中称为下须），中间的箱子从左至右的竖线标记的是第1个四分位数，中位数以及第3个四分位数（Tableau中分别称为下枢纽，中位数和上枢纽），而最右侧的竖线则是上限（Tableau中称为上须）。

箱线图的好处是可以帮助快速查看数据的分布和极端值的情况，我们接下来看单笔订单内每种产品数量的分布情况，具体的操作步骤如下所示：

第1步: 将订单Id拖拽到行上，将数量拖拽至列上，并将数量的度量方式调整为总和 （见下图5.2.7-2）

第2步：点击左侧智能推荐里的第七行里的第三个箱线图的图标，并将产品ID从列上拖拽到标记卡里的详细信息上，如图5.2.7-3

从上面的箱线图中我们可以看出，基本上一笔订单内购买每种产品的数量在2-5之间，中位数是3（即箱线图中灰色和深灰色的分割线）。需要注意的是有若干个订单含10-14个，而最大的订单则达到了18个。这些订单数量明显偏离了整体的数据，在后续分析中可酌情单独分析或者剔除。

配合上不同维度对比的箱线图，也能得到更多的业务洞察。比如用类似的方法不同细分市场中，各个区域的平均折扣水平，可使用类似的方法将行设置为折扣的平均值（将折扣拖动后，点击向下箭头，选择度量并更改为计算平均值），细分放入列，再将区域拖动到详细信息中，即得到图5.2.7-4的箱线图对比。可以看到折扣的中位数上，消费者市场的是要高于其他两个市场的，给中小企业的折扣在整体的分布上是更偏低的，这也反映出了目前对于不同客户的策略。

（2）直方图

直方图(histogram) 是表示一个变量的数据点频率分布的图形，最早直方图用于统计样本数据的分布。在制作直方图的过程中，通常会将数据分类为各种“范围组”（在Tableau中称为数据桶），并计算属于每个条柱的数据点的数量，比如将学生考试的分数分成60分以下、60-70分、70-80分、80分以上四个组，再去统计每个组学生的数量。直方图主要用于观察数据的分布，尤其是数据的形态是正态，对称或者是长尾，以及随时间推移直方图分布发生的改变。

在箱线图中分析的是订单里面包含产品数量，现在我们以用户为视角，通过用户单个订单所购买的产品数量，来展示用户的购买习惯。具体的操作步骤如下所示：

第1步: 首先在左侧的字段列表中右键单击数量，在出现的菜单中先点击创建再点击数据桶，见下图5.2.7-5

第2步：在弹出的编辑数据桶的对话框中，我们可以调整创建的数据桶的名称，以及数据桶的大小 ，最后点击确定，见下图5.2.7-6

这里系统会根据对数据的判断推荐数据桶的数量，可以自己手动输入数值进行调整。设置的数据桶大小的含义为将连续度量平均分为若干段之后，每一段的长度即数据间隔。对话框中默认显示的数据桶大小是Tableau通过计算推荐的一个最优化数据桶大小，这里推荐的最优数据桶大小是个小数，而在常识中商品数量不可能是小数，所以建议手动输入数据桶大小。我们可以根据下方提供的最小值和最大值来决定我们的数据桶大小，这里如果我们想要划分成7个数据桶，14除以7是2， 因此手动设置数据桶的大小为2。

第3步：点击对话框下方的确定后，左侧字段列表中就会出现创建的数据桶，见下图5.2.7-7。在数据桶字段创建好了之后，我们就可以开始着手创建直方图了。

第4步：将创建好的数量（数据桶）拖到列中，再将数量拖拽到行上。此时数量默认的度量方式是总和，柱子长度的含义是落入每个数据桶内数量的总和。由于查看分布需要知道的是每个数据桶中包含的记录数，我们需要右击行上的数量字段，将度量方式调整为计数。如图5.2.7-8所示，整体数据呈现偏正态的分布，大部分用户的购买数量在[2,4]之间。

5.2.8　数据的关系（散点图）

在数据分析方法中我们已经介绍过相关分析的应用，除了通过Excel计算相关系数之外，通过散点图观察相关性是最简单易用的方法。在经营分析中，销售额和利润之间的关系一直是关注的重点，在本例中我们仿照类似BCG矩阵的方法，将各个城市的销售额和利润的关系分成四象限，从而形成对不同城市的市场现状的判断。

实现这个图形过程主要是在Tableau中散点图配合参考线。首先我们将销售额和利润分别拖入上方的行和列中，然后再把省份拖动到标记卡功能区中的标签选项上，就可以看到Tableau自动生成了各个省份的销售额总和和利润之间的散点图，如图5.2.8-1。图中以销售利润为0的界限可以看到初步分成了盈利的和亏损的两组城市。

由于数据中存在31个省市和自治区，我们可考虑采用增加互动性来提升这个散点图的可读性。这里我们使用的是参数功能，目标是让散点图只显示某个排名前几位的省。具体的实施方法是：

1）点击界面左侧字段列表空白处，在菜单中点击创建，再选择参数，如图5.2.8-2

2）在出现的创建参数对话框中，将其命名为“利润TOP”，这个参数名称可随意更改。它承担的任务是控制排序在前几位的地区出现在标签上。将数据类型调成整数，将允许的值改成”范围“，并且将当前值设置为3，将最小值和最大值调整为3和10，如下图5.2.8-3所示。

3) 此时利润TOP参数会出现在左下角，如图5.2.8-4，右键点击并选择”显示参数“，则在散点图的右上方会出现可以滚动的筛选工具，但此时我们还未完成这个参数和所显示的图形之间的联动，点选之后图形不会发生变化。

4）下面我们需要做的是将参数控件与标签字段互动起来，这里需要进一步创建集。Tableau中的集(set)类似于数学中的集合，它的作用就是将数据分为”内“和”外“两种，即满足特定条件的就保留在集合内，否则将它们放在集合外。具体创建方式为，右击左侧字段列表中的省/自治区字段，在出现的菜单中点击创建，再进一步选择集，如下图5.2.8-5所示

5）在出现的创建集对话框里，点击”顶部“选项。如图5.2.8-6所示,选择”按字段“，在”顶部“旁边设置成刚创建的利润TOP参数，依据后面的字段调整成利润的总和。这里设置的含义是按照利润总和进行排序选择靠前的几个省份，具体选择前多少个省份则通过我们刚才创建的参数利润TOP控制的。最后点击界面下方的确定，

6）右击左侧字段列表中的省/自治区字段，在出现的菜单中点击创建，再进一步选择计算字段，如下图5.2.8-7所示

7）在出现的计算字段对话框中，输入下图5.2.8-8中的定义，含义为如果省/自治区符合刚才集中的顶部条件则正常显示省/自治区，否则显示’’。在Excel中我们已经使用过类似的IF函数，这里的逻辑也是非常类似，如果所筛选的省自治区出现在TOP的子集里，则保留它的名字，否则就设置为空值。这个新生成的字段我们命名为TOP省份。

8）将创建的TOP省份字段替换之前的省/自治区字段拖入标记卡下的标签选项上。如下图5.2.8-9所示。到这里，当我们滑动右侧的利润参数时，图表里显示的标签个数就会随之而变化。比如当前选择了参数为5，则显示了TOP 5的利润大省：广东，河北，河南，黑龙江和山东。

最后我们添加平均值的参考线，将上述省份切分为四宫格类型。首先，右击图表地下的横轴，在出现的菜单中选择添加参考线

接着，在出现的添加的参考线对话框中调整参考线的格式。这里默认是数量的平均值，我们可以将标签设置成值，也就是在参考线旁边显示具体的平均值。除了参考线外，若有需要，我们还可以设置参考区间等等。

将销售额和利润两个轴都添加好参考线后，得到如图5.2.8-12所示的散点图，重新调整TOP利润的筛选，帮助使用者能迅速的锁定在第一象限，即利润最大且销售额超过平均线的头部省份。

5.2.9　Tableau分析模块：将进阶分析纳入数据产品

如前所述，Tableau除了图形可视化功能之外，还提供了回归，时间序列预测以及聚类的进阶分析功能。实际上Tableau可以和R、Python等复杂工具集成，帮助数据科学家可以在 Tableau 中进行复杂的定量分析并共享可视化结果，促进数据协作。在本节中我们结合超市数据对三种进阶分析做举例，读者也可以和Excel中这些方法的应用做融汇贯通。

（1）回归分析

Tableau中可以快速实现一元线性回归的拟合，例如我们希望探索折扣水平和销售额之间的关系，具体的操作步骤如下所示：

第1步：首先需要创建折扣与销售额之间的散点图，如图5.2.9-1所示。这里对数据做了一定的处理，我们将数据维度限制在客户维度（可以理解为数据整合成一个客户一行记录），Y是这个客户的总销售额，X是客户获得折扣的平均值。

第2步：点击左侧的分析，将模型中的趋势线拖入图表区域中（见下图5.2.9-2）。因为这里是想要拟合一元线性回归，所以我们选择线性。可以注意到，Tableau中也提供了对数、指数等其他方式的拟合，后续可以基于不同数据需求做选择。

第3步：如果想要查看拟合回归模型的详细信息，可以右击出现的趋势线，并选择出现的菜单中的“描述趋势模型”。在弹出的对话话框中，我们可以看到模型的R方、各回归系数的p值等信息，如下图5.2.9-3。我们得到的回归模型为销售额=-21102.3*平均值 折扣+23162.4，折扣和截距都是统计显著，但此时模型的R方仅为0.07，模型的拟合度并不好。这也可以从图中看到，折扣数据有大量集中在15%以内的，后续应该对数据做一定的筛选处理之后再通过回归分析。

（2）时间序列预测

在Tableau关于时间趋势还有非常方便的预测功能，具体的操作步骤如下图5.2.9-4中所示：首先，制作好折线图后点击界面左侧上方的分析，随后将模型中的预测向右拖入折线图中，会出现添加预测的图标，再点击预测图标。

此时数据会用深蓝色和浅蓝色来区分时间序列中的实际值和估计值。和Excel中的时间序列分析一样，这个模型也使用的是指数平滑方法。若想了解具体模型统计结果，可右键点击图形中任何区域，选择预测--描述预测，在弹出的窗口中切换到“模型”，即可得到如图5.2.9-5所示当前模型的RMSE和MAPE等指标。

若需要调整模型的预测方法，则同样右键点击后在菜单中点击预测，再选择预测选项。在图5.2.9-6所示的预测选项中，可根据需要调整向后预测的长度、缺失值的处理方式、预测使用的模型（预测模型处选择自定义可以调整趋势因素和季节因素是累加还是累乘）等。和Excel相比这些过程都可以随时用可视化的方式看到预测和实际值之间的比较，对于时间序列这种需要反复调整参数的模型非常有帮助。

（3）聚类（群集）

此外Tableau中可以进行简化的聚类操作，例如想要基于销售额和利润对客户进行分类，首先是建立客户id上的销售额和利润散点图，如图5.2.9-7所示

接着点击左侧的分析，将模型中的群集拖入图表区域中

在图5.2.9-9出现的群集对话框中，可以设置想要聚类的个数。这里和在进阶分析中所介绍的一样，并没有绝对意义的对错，这里我们先选择4个群集来做尝试。

实际上在选择数字的时候，Tableau就已经在后台计算了分群。如图5.2.9-10所示，在右击标记卡下面出现的群集选项，在菜单中选择描述群集选项，则可以得到具体的群集数据，包括各个群集在销售和利润上的中心点数据（等同于我们进阶分析中所做的数据透视汇总），可以看到群集1是销售和利润都最小的，而群集4是销售利润双高客户群。对于基础的数据分层和探索，Tableau的快速聚类非常有助于了解数据背后的特征和规律。

5.3　整合图形打造高效数据产品

5.3.1　案例数据介绍

上一节我们以Tableau自带的超市数据来介绍基本图形的制作，本节我们以一个面向全球用户经营的游戏数据为例，讲解如何在基本的数据图表之上，用Tableau制作完整的数据仪表盘的过程。在第二章介绍互联网商业模式中，我们曾经提到了游戏行业的商业模式通常都是以免费游戏加上付费产品（皮肤，武器等）。这些付费的产品成为了游戏APP收入的主要来源，因此围绕用户分析如何能够产生更高的留存和充值氪金，就是游戏行业数据分析的共同目标。本案例中的游戏可以视为一个简单版的糖果传奇，通过将不同颜色的方块连在一起消除并达到通关目标，和糖果传奇一样，玩家可以充值获得更多的游玩机会，或者是额外的游戏道具。

这个游戏所记录的数据主要可以归纳为下面三类，主要数据已进行脱敏处理：

1. 访问数据

访问数据主要包含访问的用户ID，访问的日期，使用的操作系统、设备类别、访问来源，用户是否是首次访问游戏，用户是否有在界面与客服互动等其他操作，见下图5.3.1-1。这类系统数据多来自于访问日志等数据的提取，比如用户所使用的操作系统和来源渠道等。

图 5.3.1-1

1. 用户数据

用户数据主要包含访问用户的一些个人信息，例如用户的所在国家，性别，兴趣标签，年龄，使用的语言等等，见下图5.3.1-2。这类数据主要来自于用户在注册时所填写的信息，以及IP地址和系统信息生成。

图 5.3.1-2

1. 转化数据

转化数据主要包含用户访问后转化也就是下单的情况，主要有用户在哪个会话内完成的订单，订单发生的日期，订单相应的金额，见下图5.3.1-3。这里重点解释下不同的转化场景，在这个游戏中用户会在不同的场景中收到充值的提示，分别是每个关卡开始和结束的屏幕（level_start和level_end），用户将自己的游戏总分发布在排行榜时（post_score），用户在关卡不能通过以及其他促销活动时收到的推送提示（engagement），以及用户在进入游戏时的主界面(main screen)。

图 5.3.1-3

在了解和整理好这些数据后，我们先从访问，用户和转化三个方面去搭建工作表和可视化图形，最后再将他们汇总成仪表盘。

5.3.2　访问概况工作表

对于决策人员即看板使用者而言，最先想要知道的是整体有多少用户，用户访问了多少次，用户总共在游戏平台消费了多少金额，才会对游戏整体大盘(即用户活跃情况及消费情况)有概念。另外会想要知道用户从哪里来即流量来源，新客老客的趋势怎么样，这样决策者会了解到用户更容易被哪个流量渠道吸引到该游戏。还可以展示用户习惯用什么系统和设备来玩这个游戏，以便后续游戏升级更新的时候有所侧重等等。

(1) 核心访问指标

结合商业模式，我们选择了三个指标作为核心指标：访问用户数，会话数以及订单金额。为了能突出对于整体概况而言，这里不建议使用太过复杂的图表，而是直接展示相应的数字，需要简单直观的让看板使用者看到最关注的内容。以整体的用户数为例，步骤如下图5.3.2-1所示：

第1步: 将访客id拖入标记卡功能区下面的文本选项里

第2步: 此时由于访客id是维度变量，图表里会显示所有的访客id。我们需要右击标记卡下面的访客ID, 在出现的菜单中选择度量，并将度量方式调整成计数(不同)，这样计算出的就是去重后的整体的用户数

图 5.3.2-1

重复上述步骤将会话数和订单金额也创建好，会话数我们使用会话Id且将度量方式同样调整成计数(不同)，对订单金额则选择默认的总和即可。为了能配合显示这三个KPI的名字，我们用计算字段生成用户数，会话数和订单金额三个纯文本，即在计算字段的公式区域分别输入“用户数”，"会话数"和"订单金额"，再将这三个生成的字段拖入到KPI的上方，调整格式后我们得到如图5.3.2-2所示的KPI指标模块。

我们现在来引入如何让Tableau产品“动起来”，即通过使用者点选让数据跟随时间或者其他维度变化。前面所提到的参数配置是互动的一种，在整体数据产品的搭建中，最常用的是筛选器功能。在Excel数据透视表也有类似的筛选器，但在Tableau中配置筛选器更加的自动化和高效。比如我们现在想通过月份的筛选，看到每个月的核心指标变化情况，只需要如下操作。

如图5.3.2-3左侧部分，将访问日期拖入筛选器功能区。并且因为访问日期是时间类型的字段，我们可以选择筛选器展示的时间格式，这里建议选择年/月。接着右击筛选器功能区里的访问日期，在出现的菜单中选择显示筛选器，在工作表界面的左侧就会出现相应的筛选控件，见下图 5.3.2-3右侧部分。此时在右侧就会出现筛选器，点选任何月份即可看到相应的核心指标数据发生变化。

图 5.3.2-3

(2) 新老用户趋势

在2C类的消费场景，关注新老客的贡献和趋势都对于决策有着重要意义。在游戏场景也不例外，如果持续的依靠拉新而玩家无法留存，这个游戏必然无法长期生存。事实上大部分的免费游戏都依赖于玩家的持续留存，带来长久的营收。分析新老用户的趋势是怎么样的，来了解这个游戏吸引新用户的能力怎么样。这时候我们可以先参考前面折线图的操作步骤，见下图 5.3.2-4：

第1步: 将访问日期拖到列，并右击将时间格式调整成天

第2步：将访客Id拖到行上，并右击行上的访客ID将度量方式调成计数(不同),因为需要展示的是新老用户数

第2步: 将是否首次访问拖到标记卡下面的颜色选项

图 5.3.2-4

(3) 流量来源分布

下面想要展示流量来源的分布情况，这里主要分为两个子问题：一个是用户从什么渠道而来，第二个是用户使用的是什么设备。这两个信息对于游戏的获客以及经营都有意义，可以指导后续为获客所做的广告投放。对于分布类型的场景，我们可以考虑用面积图来展示。面积图和叠加柱状图一样都用于显示随时间维度的内部结构变化，具体的步骤如下图 5.3.2-4所示：

第1步: 将访问日期拖到列上并右击将时间格式设置成天，将会话Id拖入行上并右击将度量方式调整成计数（不同）

第2步: 通过标记卡下的下拉选框将图表类型调成区域图

第3步：将流量渠道拖到标记卡下的颜色选项上

图 5.3.2-5

参考前面条形图的操作，我们可以创建条形图来展示用户对于操作系统和设备的偏好，见下图 5.3.2-6和图 5.3.2-7，到这里我们就形成了用户访问概况的工作表准备。

图 5.3.2-6

图 5.3.2-7

5.3.3　访问用户概况工作表

这里我们聚焦于用户的个人特征，具体来说包括用户来自于什么地区，以及用户的性别和年龄分布，用户使用的语言等。这类人口统计特征，不会像渠道和所使用设备那样发生变化，更多的是以此来判断游戏的目标人群，在后续营销投放和游戏升级更新时，可以基于用户的特征来更有针对性的设计

对于用户的地区分布，我们可以使用气泡图来进行展示，具体步骤如下：

第1步: 首先将国家拖拽至列上，再将用户id拖拽至行上，并且右击用户id在菜单中将度量方式调成计数不同，如下图 5.3.3-1所示

图 5.3.3-1

第2步: 点击界面右侧智能推荐里的最后一行里第三个气泡图小图标，如下图5.3.3-2所示，气泡图就快速创建好了

图 5.3.3-2

而对于用户的性别分布，这里我们可以考虑用环形图来展示。环形图是类饼图的结构，它的中间是圆形空白，用旁边的圆环来表示数据，每一个颜色标记着不同的数据类别。相对于饼图，环形图能让使用者的视觉重心集中在长度上，能够提升解读数据的效率。在Tableau中环形图具体实施步骤如下所示：

第1步: 首先先将标记卡功能区下面的下拉框也就是图表类型设置成饼图，见下图5.3.3-3

第2步: 将用户ID拖到标记卡下面的大小选项和标签选项，并右击将字段的度量方式调整成计数(不同)

第3步: 将性别拖到标记卡功能区下面的颜色选项

图 5.3.3-3

第4步: 在行上双击并输入0，再重复该操作，直至图表中出现两个相同的饼图，如下图5.3.3-4所示

第5步: 右击行上的第二个总和0，在出现的菜单中选择双轴，这样两个图表会共用相同的纵轴

图 5.3.3-4

第6步: 将标记卡下面的第二个总和（0）下面所有的字段都移除，并点击大小选项将滑块向左移，这步的目的是把第二个饼图缩小。点击颜色选项，并设置成白色，到这里环形图就基本完成了，如下图5.3.3-5所示

图 5.3.3-5

对于用户关于年龄的分布，由于年龄是连续的整数型变量，所以我们建议先使用前面提到的分组功能对年龄进行分组，操作步骤如下所示：

第1步：右击年龄字段，在出现的菜单中选择创建->组，如下图5.3.3-6左侧所示

第2步：在出现的弹窗中按住Shift键选择分组的区间，点击分组。全部取值都分好组后点击弹窗下方的确定，如下图5.3.3-6右侧所示

图 5.3.3-6

第3步：将分组后左侧字段列表中出现的年龄(组)拖到列上，将用户ID拖到行上并右击将度量方式调成计数（不同），如下图5.3.3-7所示

图 5.3.3-7

再参考上面柱状图的创建步骤，再创建出用户关于兴趣和语言的分布，到此用户特征方面的工作表就已经完成了。

5.3.4　访问转化工作表

最后我们来到决策者最关心的环节，也就是用户在进入游戏后的消费转化情况，这个过程会决定了游戏的收益。首先我们需要的是看到整体转化的趋势，在有了订单金额这个指标之外也应该计算出转化率指标，其次需要关注的是不同渠道带来的转化效果如何，这直接关系到了后续的投入，最后我们想知道的是什么场景带来的转化最多，是在关卡选择还是在拿到游戏分数的时候，以此可以判断对有关用户触达的策略。

在创建图表之前，我们首先需要进行转化率的计算，这里由于涉及到两个数据源，因此也更加复杂，步骤如下：

第1步: 在访问细节数据源右击左侧字段列表空白处，出现的菜单中选择创建计算字段，如下图5.3.4-1所示

图 5.3.4-1

第2步：在出现的计算字段创建对话框中，输入公式为COUNTD([会话id])，并命名为会话数（见下图5.3.4-2），公式的含义为会话Id的计数(不同)，

图 5.3.4-2

第3步: 跳转到访问转化数据源，重复上述创建计算的步骤，创建转化率字段，公式为：countd([会话id])/[访问细节数据 (仪表板) ].[会话数] （见下图5.3.4-3），含义为转化的会话数/全部的会话数，也就是会话中有消费的比例。

图 5.3.4-3

第4步: 参照前面折线图的创建步骤，将访问日期拖到列上并右击将格式调整成天，将转化率拖到行上，这样我们就可以看到转化率的趋势了。另外需要注意的是，在左侧的字段列表里，只用把访问日期关联上就好（原因是此处是按天的转化率），如下图5.3.4-4所示

图 5.3.4-4

第5步: 将订单金额拖入到行上，并右击订单金额字段，在出现的菜单中选择双轴，如下图5.3.4-5所示

图 5.3.4-5

第6步: 点击标记卡功能区下面的总和(订单金额)下的下拉选框, 将图表类型设置成区域图，如下图5.3.4-6所示

图 5.3.4-6

再参照前面的条形图的操作方式，创建如下图5.3.4-7所示图表来展示各个流量来源的转化情况。这里可以看出Direct直接来源的用户带来的订单数最多，且转化率也比较高

图 5.3.4-7

另外使用者还会关心不同转化场景贡献的订单占比，以及不同转化场景的转化随着时间的趋势是怎么样。若要查看不同转化场景贡献的订单占比，我们可以使用环形图来展示，具体的操作步骤可以参考上面性别分布的的步骤，创建的图表如下图5.3.4-8所示。这里我们可以看到关卡开始转化的占比最高

图 5.3.4-8

而想要看转化场景带来的转化订单趋势，同样的我们可以考虑用折线图来展示，将访问日期拖入列上，将订单金额拖入行上，并右击列上的访问日期将格式调整成月，这样我们就可以看到不同转化场景带来的转化订单金额随时间的变化趋势了，见下图5.3.4-9所示

图 5.3.4-9

5.3.5　从工作表到仪表盘

到此我们想展示的工作表基本已经完成了，下面需要做的就是把这些图表整合到一个仪表板里，形成一个完整的可视化报表页面。在Tableau仪表板的创建有以下两种方式

1. 通过点击界面下方仪表板小图标创建，见下图 5.3.5-1

图 5.3.5-1

1. 通过点击界面上方工具栏上的仪表板，在出现的菜单中选择新建仪表板，如下图 5.3.5-2所示

图 5.3.5-2

下面我们简单介绍一下仪表板界面左侧的工具栏：

(1）仪表板大小调整

见下图5.3.5-3，在大小功能区我们可以调整仪表板的宽度和高度

图 5.3.5-3

(2）创建的工作表列表

见下图 5.3.5-4，在工作表功能区，我们可以看到当前制作好的工作表

图 5.3.5-4

（3）可插入对象

如下图 5.3.5-5所示，对象功能区包含除了工作表外我们可以拖入仪表板的对象

水平和垂直容器，可以使放入仪表板的内容可以美观的分布

文本对象可以方便我们在仪表板中添加备注和说明等信息

图像和网页可以让我们在仪表板中插入图片和网页链接

图 5.3.5-5

1. 格式

如下图 5.3.5-6所示，点击仪表板旁边的布局。在布局这里我们就可以调整仪表板内对象的格式，包括对象的大小、边框、背景等等。

图 5.3.5-6

下面我们就把创建好的工作表往仪表板的空白处拖拽就好，如下图 5.3.5-7，拖入的时候建议选择平铺的方式。

图 5.3.5-7

首先我们把访问概况部分的工作表以上面平铺的方式拖入仪表板中，再经过格式和布局的调整，我们就可以得到初步的可视化报表，如下图 5.3.5-8所示。

图 5.3.5-8

在日常的分析场景中，我们经常需要是让仪表板中工作表之间有所交互。我们可以考虑在仪表板中把用户数工作表包含的月份筛选器给添加进来，然后让这个月份筛选器同时控制这个仪表板内的所有工作表，具体在Tableau中的实现步骤如下所示：

第1步：首先点击用户数工作表，再点击边框旁边出现小倒三角，如下图5.3.5-9

第2步: 在出现的菜单中选择筛选器，再点击我们想要添加的筛选器，这里我们选择访问日期 年/月

图 5.3.5-9

第3步：右击仪表板界面左侧出现的筛选器，再点击旁边的小倒三角，在出现的菜单中选择应用于工作表，在点击选定工作表，见下图 5.3.5-10左侧

第4步：在出现的筛选器应用对话框中勾选上我们想要让月份筛选器控制的图表，如下图 5.3.5-10右侧所示。

图 5.3.5-10

到这里展示访问概况的首页仪表板就制作完成了

同样的，我们将访问用户概况部分创建的图表也整合到一起，形成访问用户概况的仪表板，如下图5.3.5-11所示。在这个仪表板中，我们可以清晰的看到用户各个维度的特征，例如所在地区、兴趣、性别、年龄等等。基于这些特征信息，后续进行营销触达以及吸引新用户的时候才能够有的放矢。

图 5.3.5-11

另外在此基础上，如果想要在点击地图上某个国家时，其他工作表也只展示该国家的分布，这个效果在Tableau中也可以非常快捷的实现，具体操作如下图5.3.5-12所示:

第1步：首先需要先选中气泡图，再点击旁边出现的小倒三角

第2步: 在出现的菜单中选择用作筛选器选项。这样点击地图中的某一国家，仪表板内其他工作表也会随之仅展示该国家的用户分布

图 5.3.5-12

最后同样将访问转化部分创建好的图表也整合一下，就完成了展示访问转化情况的看板，如下图5.3.5-13所示。

图 5.3.5-13

在创建好上面三个想展示的仪表板后，我们需要将这几个仪表板之间互动起来，进一步优化决策者的使用体验。比如在首页看到不同流量来源的访问情况的时候，想看到相应的访问后转化情况，这时可以使用仪表板上的操作功能来实现仪表板之间的跳转，具体的步骤如下所示：

第1步：首先点击界面上方的仪表板，在出现的菜单中选择操作，如下图5.3.5-14所示

图 5.3.5-14

第2步：在出现的操作对话框中，点击下方的添加动作，并选择筛选器选项，再点击右下角的确定，如下图5.3.5-15所示

图 5.3.5-15

第3步：在出现的添加筛选器动作对话框中(如下图5.3.5-16所示)，源工作表我们选择流量来源分析，也就是点击哪个工作表会实现跳转的动作。跳转的启动方式一般会设置成选择，即单击源工作表时触发跳转。目标工作表选择仪表板3下面的两张转化相关的工作表，也就是点击后想要跳转的工作表。并且当我们取消选择的时候，目标工作表会显示所有值，恢复初始状态。

图 5.3.5-16

到此围绕游戏APP的数据产品就初步建设完成，在视频课程中我们也将展示这个Tableau工作报表的操作，以便读者更好的理解Tableau产品的互动性。

总结与思考

提升数据可视化的能力在于实践中不断地打磨，在我所做的企业数据分析培训中，有个颇受欢迎的环节叫做“一页纸挑战“，就是拿出一张A4大小的纸在上面设计仪表盘，来实现能一页纸看清楚业务现状的目标。在线上环境，一页纸代表的就是让使用者不滚动屏幕就能看到尽可能充分信息的要求。因此本章留给读者的思考题就是，选择一个品牌（推荐服饰或者快消零售类）自有的电商平台（网站/app/小程序皆可），设计一页或者一屏的可视化看板。这个看板的服务对象是公司的决策层，了解公司在该平台的经营状况。完成这个挑战首先要求的是对商业模式和指标体系的理解，读者可以结合第二章中的介绍和自己对这家公司的理解，其次是根据本章所介绍的方法选择合适的可视化图形。我们也将在视频讲解中介绍一个真实的企业案例，读者可以对照自己的设计做进一步思考。