目錄
內(nèi)容及說明 XVIII
第1篇 奠基：數(shù)字化轉型與業(yè)務分析原理
第1章 數(shù)字化轉型：21世紀的機遇與挑戰(zhàn) 2
1.1 理解數(shù)據(jù)的層次及分析的價值 2
1.2 數(shù)據(jù)應用的3個階段 4
1.2.1 初級·報表展現(xiàn)：信息的整理與固定展現(xiàn) 5
1.2.2 中級·業(yè)務分析：分析輔助決策，決策創(chuàng)造價值 7
1.2.3 終極·智能商業(yè)：大數(shù)據(jù)重塑商業(yè)模式 8
1.3 數(shù)字化轉型到底“轉”什么 10
1.3.1 塑造實事求是的數(shù)據(jù)文化：一切用數(shù)據(jù)說話 10
1.3.2 數(shù)字化轉型源自各個業(yè)務場景的數(shù)字化和持續(xù)進化 12
1.3.3 業(yè)務和技術兼?zhèn)涞淖吭街行暮头治鲂腿瞬?13
1.3.4 統(tǒng)一并持續(xù)優(yōu)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(yè)務—數(shù)據(jù)—分析”體系與企業(yè)數(shù)據(jù)地圖 19
2.1 “業(yè)務—數(shù)據(jù)—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(shù)據(jù)層：數(shù)據(jù)管理與數(shù)據(jù)倉庫 22
2.1.3 業(yè)務層：業(yè)務流程與“業(yè)務在線化” 23
2.2 建立全局視角：企業(yè)數(shù)據(jù)地圖 24
2.3 兩種企業(yè)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(shù)據(jù)出發(fā)的分析之路 26
2.3.2 自上而下：從問題和指標出發(fā)的分析之路 27

2.4 可視化是大數(shù)據(jù)分析的橋梁和媒介 28
2.4.1 數(shù)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(shù)據(jù)敏捷業(yè)務分析的“代表作” 32
參考資料 34
第3章 業(yè)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系 36
3.1.2 聚合是問題分析的本質 38
3.1.3 基于聚合的字段分類：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(yè)務形態(tài) 41
3.2 明細表與聚合表：聚合的邏輯過程 42
3.2.1 業(yè)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(shù)據(jù)表的抽象類型 45
3.2.3 字段的數(shù)據(jù)類型：數(shù)據(jù)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 可視化背后的數(shù)據(jù)類型：連續(xù)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：構建復雜問題層次理論 58
3.5.1 數(shù)據(jù)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(jù) 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(shù)據(jù)準備、可視化、交互設計
第4章 數(shù)據(jù)合并與關系模型（Tableau/SQL） 68
4.1 概論：數(shù)據(jù)合并與連接數(shù)據(jù)源 69
4.1.1 理解數(shù)據(jù)合并、數(shù)據(jù)模型的重要性 69
4.1.2 數(shù)據(jù)合并和數(shù)據(jù)模型的相關概念 71
4.2 數(shù)據(jù)合并的分類矩陣與數(shù)據(jù)模型案例 72
4.2.1 “所見即所得”的行級別數(shù)據(jù)合并：Union和Join 72
4.2.2 Excel的局限：基于數(shù)據(jù)透視表的數(shù)據(jù)合并 74
4.2.3 Tableau數(shù)據(jù)混合初探，在聚合后完成連接 76
4.2.4 數(shù)據(jù)合并分類矩陣：兩種合并方法、兩個合并位置 78
4.3 行級別并集、連接與TABLEAU/SQL方法 81
4.3.1 數(shù)據(jù)并集 81
4.3.2 數(shù)據(jù)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 明細表并集與連接的異同點與局限性 93
4.4 從數(shù)據(jù)關系匹配到關系模型 96
4.4.1 “臨時”數(shù)據(jù)關系：基于問題層次創(chuàng)建數(shù)據(jù)關系匹配 96
4.4.2 數(shù)據(jù)模型：在最詳細且有業(yè)務意義的詳細級別預先構建數(shù)據(jù)關系 98
4.4.3 【關鍵】層次分析方法：從數(shù)據(jù)合并到數(shù)據(jù)關系模型 100
4.4.4 【難點】關系模型優(yōu)化（上）：匹配類型（基數(shù)） 106
4.4.5 【難點】關系模型優(yōu)化（下）：匹配范圍（引用完整性） 111
4.4.6 共享維度表：從雪花模型到網(wǎng)狀模型 116
4.4.7 通往最佳實踐：業(yè)務關系模型的可視化表達 117
4.4.8 案例：圖書及銷售的數(shù)據(jù)關系模型 118
4.5 重說數(shù)據(jù)混合：編輯匹配關系和匹配詳細級別 120
4.5.1 數(shù)據(jù)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(shù)據(jù)混合：數(shù)據(jù)匹配詳細級別不同于主視圖 123
4.6 不同數(shù)據(jù)合并類型的相互影響 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 Extensions：給數(shù)據(jù)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(shù)據(jù)準備：理解業(yè)務過程與整理數(shù)據(jù)字段 134
5.1.1 數(shù)據(jù)表：理解業(yè)務過程及數(shù)據(jù)表詳細級別 134
5.1.2 字段：理解業(yè)務過程的對象并做分組分類 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(shù)據(jù)圖像角色可視化（Tableau 2022.4+版本） 155
5.3 可視化繪制方法與可視化增強 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(qū)間 161
5.4.1 參考線的創(chuàng)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(qū)間 166
5.4.4 置信區(qū)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“標簽”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 理解不同工具背后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：基于詳細級別的視角 182
6.2.1 【入門】數(shù)據(jù)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 篩選范圍的交互方法：快速篩選和參數(shù)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(shù)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(yōu)先級 199
6.4.1 多個篩選的基礎知識：數(shù)據(jù)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(yōu)先級計算交集 200
6.4.4 調整篩選器優(yōu)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(yōu)先級（下）：數(shù)據(jù)源篩選器和數(shù)據(jù)提取篩選器 204
6.4.6 篩選與計算的優(yōu)先級 206
6.5 集（SET）：把篩選保留下來的“神奇容器” 207
6.5.1 創(chuàng)建自定義集及集的本質 207
6.5.2 自定義集內(nèi)成員：“集控制”（Tableau 2020.2+版本） 209
6.5.3 創(chuàng)建動態(tài)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(yōu)先級和應用 212
6.6.1 多個集的合并與“合并集”運算 212
6.6.2 集和篩選的關系及優(yōu)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(lián)篩選 218
6.7.3 共用篩選器、集和參數(shù)：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(lián) 223
6.8 更多實用工具：分組、數(shù)據(jù)桶、分層結構、排序 224
6.8.1 作為數(shù)據(jù)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(shù)據(jù)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(xiàn)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、布局和對象 233
7.1.3 常用的交互對象：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(shù)據(jù)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(yōu)化與“數(shù)據(jù)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(fā)布工作簿和“工作簿優(yōu)化器” 247
7.3.4 數(shù)據(jù)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(xiàn)間接篩選 253
7.4.2 頁面輪播：快速篩選的連續(xù)疊加 255
7.5 兩類高級交互工具：參數(shù)、集交互 257
7.5.1 關鍵原理：參數(shù)、集的共同點和差異 257
7.5.2 參數(shù)與邏輯判斷結合：切換視圖度量 260
7.5.3 動態(tài)參數(shù)：動態(tài)更新范圍和初始值 262
7.5.4 集控制：以控件方式手動更新集成員 264
7.6 參數(shù)動作：參數(shù)、計算和交互（TABLEAU 2019.2+版本） 264
7.6.1 參數(shù)動作：使用動作更新度量值 265
7.6.2 動態(tài)篩選：參數(shù)動作和計算實現(xiàn)差異化篩選 266
7.6.3 動態(tài)基準分析：使用參數(shù)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(shù)展開指定的類別 270
7.7 高級交互：指定區(qū)域對象的動態(tài)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(jīng)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(shù)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(yè)務過程的關系 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(shù)據(jù)庫-SQL”的存取分離 292
8.1.4 集大成者Tableau：將查詢、計算和展現(xiàn)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系 297
8.2.2 從業(yè)務角度理解計算的結果：業(yè)務字段VS分析字段 300
8.3 數(shù)據(jù)準備類函數(shù)（上）：字符串函數(shù)、日期函數(shù) 302
8.3.1 字符串函數(shù)：截取、查找替換等清理函數(shù) 302
8.3.2 日期函數(shù)：日期獨特性與轉換、計算 306
8.3.3 數(shù)據(jù)類型轉換函數(shù) 315
8.4 數(shù)據(jù)準備類函數(shù)（下）：正則表達式 316
8.5 分析函數(shù)：從明細到問題的“直接聚合” 318
8.5.1 描述規(guī)模：總和、計數(shù)、平均值 319
8.5.2 描述數(shù)據(jù)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(shù)及最大值、最小值、中位數(shù) 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(shù)和邏輯函數(shù) 325
8.6.1 算術運算、精度控制函數(shù) 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(qū)別與結合 332
8.7.1 實例：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(shù)” 338
參考資料 345
練習題目 345
第9章 高級分析函數(shù)：Tableau表計算/ SQL窗口函數(shù) 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”計算的層次關系 347
9.1.2 高級分析的層次框架：數(shù)據(jù)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(yè)務用戶輕松駕馭二次聚合分析 351
9.1.5 “廣義LOD表達式”與計算的分類 354
9.2 “同/環(huán)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(jù)：單一維度的同比差異 356
9.2.2 包含多個維度的同比（上）：區(qū)別范圍和依據(jù) 358
9.2.3 包含多個維度的同比（下）：設置多個依據(jù) 360
9.2.4 SQL窗口函數(shù)：偏移類窗口函數(shù)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設置范圍的兩種方法：相對/絕對方法與適用場景 368
9.4 高級分析函數(shù)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(shù)（TC4） 376
9.5 最重要的二次聚合函數(shù)：WINDOW（窗口）函數(shù) 380
9.5.1 合計：最簡單、常用的WINDOW（窗口）函數(shù) 381
9.5.2 累計聚合：RUNNING_SUM函數(shù)——累計汽車銷量 383
9.5.3 移動聚合：移動窗口計算函數(shù)MOVING AVG 385
9.5.4 “大一統(tǒng)”：千變?nèi)f化的窗口函數(shù)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(yōu)先級最低的篩選類型 413
9.11.1 使用RANK函數(shù)聚合判斷完成篩選 413
9.11.2 使用偏移函數(shù)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(shù) 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(yè)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(shù)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”及其與視圖關系 428
10.2.1 從問題詳細級別出發(fā)，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(yōu)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(yōu)先級 437
10.3.3 EXCLUDE LOD引用更高聚合級別的聚合，以及優(yōu)先級對比 439
10.4 超越LOD：計算的詳細級別體系及其優(yōu)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(shù)據(jù)關系的優(yōu)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 會員分析專題：會員RFM相關案例分析 454
10.6.1 會員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：會員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(chǎn)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：任意子類別相對于所有訂單的比率 471
10.7.2 支持度、置信度和提升度分析：類別之間的關聯(lián)推薦 472
10.7.3 指定類別的關聯(lián)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(shù)據(jù)管理到數(shù)據(jù)倉庫：敏捷分析的基石 486
11.1 數(shù)據(jù)管理功能：以數(shù)據(jù)為中心 486
11.1.1 Tableau Catalog：數(shù)據(jù)資產(chǎn)目錄和世系管理 487
11.1.2 Tableau Prep Conductor：數(shù)據(jù)ETL流程管理 491
11.1.3 Virtual Connections：數(shù)據(jù)庫和分析之間的橋梁 492
11.1.4 Data Policy：為數(shù)據(jù)訪問增加行級別權限 495
11.2 從數(shù)據(jù)管理（DM）到數(shù)據(jù)倉庫（DW） 499
11.2.1 數(shù)據(jù)倉庫是數(shù)據(jù)分析發(fā)展到一定階段的產(chǎn)物 499
11.2.2 數(shù)據(jù)倉庫的邏輯分層 502
11.3 ETL：數(shù)據(jù)倉庫中的數(shù)據(jù)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(shù)據(jù)分析的影響 505
11.4 建議：視TABLEAU為DW/BI平臺 506
參考資料