數(shù)據(jù)可視化分析：分析原理和Tableau、SQL實(shí)踐（第2版 全彩）

內(nèi)容及說明 XVIII
第1篇  奠基：數(shù)字化轉(zhuǎn)型與業(yè)務(wù)分析原理
第1章  數(shù)字化轉(zhuǎn)型：21世紀(jì)的機(jī)遇與挑戰(zhàn) 2
1.1  理解數(shù)據(jù)的層次及分析的價(jià)值 2
1.2  數(shù)據(jù)應(yīng)用的3個(gè)階段 4
1.2.1  初級(jí)·報(bào)表展現(xiàn)：信息的整理與固定展現(xiàn) 5
1.2.2  中級(jí)·業(yè)務(wù)分析：分析輔助決策，決策創(chuàng)造價(jià)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(zhuǎn)型到底“轉(zhuǎn)”什么 10
1.3.1  塑造實(shí)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(zhuǎn)型源自各個(gè)業(yè)務(wù)場(chǎng)景的數(shù)字化和持續(xù)進(jìn)化 12
1.3.3  業(yè)務(wù)和技術(shù)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(zhǔn)確性 15
參考資料 18
第2章  “業(yè)務(wù)—數(shù)據(jù)—分析”體系與企業(yè)數(shù)據(jù)地圖 19
2.1  “業(yè)務(wù)—數(shù)據(jù)—分析”體系：BDA分析框架 19
2.1.1  分析層：指標(biāo)體系建設(shè)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(cāng)庫(kù) 22
2.1.3  業(yè)務(wù)層：業(yè)務(wù)流程與“業(yè)務(wù)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(jí)分析推進(jìn)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(biāo)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(jí)分析 30
2.5  Tableau：大數(shù)據(jù)敏捷業(yè)務(wù)分析的“代表作” 32
參考資料 34
第3章  業(yè)務(wù)可視化分析：關(guān)鍵概念與方法論 35
3.1  解析問題結(jié)構(gòu)、理解聚合過程和指標(biāo) 35
3.1.1  問題的結(jié)構(gòu)及其相互關(guān)系 36
3.1.2  聚合是問題分析的本質(zhì) 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(biāo)是聚合度量的業(yè)務(wù)形態(tài) 41
3.2  明細(xì)表與聚合表：聚合的邏輯過程 42
3.2.1  業(yè)務(wù)明細(xì)表和問題聚合表：聚合的起點(diǎn)和終點(diǎn) 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(qiáng)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(jiǎn)單問題的“三步走”方法和Tableau示例 56
3.5  聚合度和詳細(xì)級(jí)別：構(gòu)建復(fù)雜問題層次理論 58
3.5.1  數(shù)據(jù)明細(xì)表和聚合度：多個(gè)問題的基準(zhǔn)點(diǎn)和衡量尺度 59
3.5.2  詳細(xì)級(jí)別：不同“聚合度”問題對(duì)應(yīng)的抽象依據(jù) 60
3.5.3  結(jié)構(gòu)化分析的兩個(gè)應(yīng)用方向 62
3.5.4  關(guān)鍵概念匯總：聚合、聚合度、詳細(xì)級(jí)別、顆粒度 64
參考資料 66
練習(xí)題目 66
第2篇  數(shù)據(jù)準(zhǔn)備、可視化、交互設(shè)計(jì)
第4章  數(shù)據(jù)合并與關(guān)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(guān)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(jí)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(gè)合并位置 78
4.3  行級(jí)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(jí)連接的形式：僅左側(cè)連接、交叉連接與“自連接” 89
4.3.4  明細(xì)表并集與連接的異同點(diǎn)與局限性 93
4.4  從數(shù)據(jù)關(guān)系匹配到關(guān)系模型 96
4.4.1  “臨時(shí)”數(shù)據(jù)關(guān)系：基于問題層次創(chuàng)建數(shù)據(jù)關(guān)系匹配 96
4.4.2  數(shù)據(jù)模型：在最詳細(xì)且有業(yè)務(wù)意義的詳細(xì)級(jí)別預(yù)先構(gòu)建數(shù)據(jù)關(guān)系 98
4.4.3  【關(guān)鍵】層次分析方法：從數(shù)據(jù)合并到數(shù)據(jù)關(guān)系模型 100
4.4.4  【難點(diǎn)】關(guān)系模型優(yōu)化（上）：匹配類型（基數(shù)） 106
4.4.5  【難點(diǎn)】關(guān)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(shí)踐：業(yè)務(wù)關(guān)系模型的可視化表達(dá) 117
4.4.8  案例：圖書及銷售的數(shù)據(jù)關(guān)系模型 118
4.5  重說數(shù)據(jù)混合：編輯匹配關(guān)系和匹配詳細(xì)級(jí)別 120
4.5.1  數(shù)據(jù)混合設(shè)置：自定義混合條件和自定義匹配字段 121
4.5.2  高級(jí)數(shù)據(jù)混合：數(shù)據(jù)匹配詳細(xì)級(jí)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(jié)合 128
4.7.1  Tableau和SQL的結(jié)合 128
4.7.2  SQL中的連接 129
4.7.3  Tableau Table Extension：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(xí)題目 133
第5章  可視化分析與探索 134
5.1  數(shù)據(jù)準(zhǔn)備：理解業(yè)務(wù)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(wù)過程及數(shù)據(jù)表詳細(xì)級(jí)別 134
5.1.2  字段：理解業(yè)務(wù)過程的對(duì)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(jí)可視化：“三圖一表” 139
5.2.3  中級(jí)可視化：分布分析、相關(guān)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(qiáng) 156
5.3.1  像油畫一樣做可視化：可視化三步驟和標(biāo)記的使用 156
5.3.2  度量雙軸及其綜合處理 158
5.3.3  多個(gè)坐標(biāo)軸的“公共基準(zhǔn)”：度量值 160
5.4  高級(jí)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(biāo)準(zhǔn)甘特圖和標(biāo)靶圖：條形圖與參考線的兩種結(jié)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(shì)線與預(yù)測(cè)線 168
5.4.6  群集 169
5.5  格式設(shè)置：必要調(diào)整，但不要過度 170
5.5.1  常見的設(shè)置格式工具欄 170
5.5.2  設(shè)置“標(biāo)簽”格式，自定義文本表 171
5.5.3  工具提示的格式設(shè)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(xí)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(diǎn) 176
6.1.1  篩選的兩類位置：獨(dú)立篩選和“條件計(jì)算” 176
6.1.2  使用不同工具完成“獨(dú)立篩選” 177
6.2  篩選的分類方法：基于詳細(xì)級(jí)別的視角 182
6.2.1  【入門】數(shù)據(jù)表行級(jí)別的篩選：維度篩選器 183
6.2.2  【進(jìn)階】指定詳細(xì)級(jí)別的聚合篩選：簡(jiǎn)單條件和頂部篩選 186
6.2.3  【難點(diǎn)】指定詳細(xì)級(jí)別聚合的篩選：建立在自定義計(jì)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(rèn)篩選到最新日期 196
6.3.3  參數(shù)控制：完全獨(dú)立和依賴引用 197
6.4  多個(gè)篩選的處理：交集計(jì)算和優(yōu)先級(jí) 199
6.4.1  多個(gè)篩選的基礎(chǔ)知識(shí)：數(shù)據(jù)集及運(yùn)算 199
6.4.2  多個(gè)篩選的計(jì)算原則（上）：相同類型取交集 200
6.4.3  多個(gè)篩選的計(jì)算原則（下）：不同類型按優(yōu)先級(jí)計(jì)算交集 200
6.4.4  調(diào)整篩選器優(yōu)先級(jí)（上）：上下文篩選器和表計(jì)算篩選器 202
6.4.5  調(diào)整篩選器優(yōu)先級(jí)（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(jì)算的優(yōu)先級(jí) 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(zhì) 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(dòng)態(tài)條件集 209
6.5.4  集動(dòng)作：以視圖交互方式更新集成員 211
6.6  集的運(yùn)算、優(yōu)先級(jí)和應(yīng)用 212
6.6.1  多個(gè)集的合并與“合并集”運(yùn)算 212
6.6.2  集和篩選的關(guān)系及優(yōu)先級(jí) 215
6.6.3  集的高級(jí)應(yīng)用：控制用戶權(quán)限的“用戶篩選器” 217
6.7  中級(jí)交互：儀表板中的快速篩選、集交互 218
6.7.1  交互設(shè)計(jì)的基本分類 218
6.7.2  “以圖篩圖”：儀表板中的多表快速關(guān)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(jiǎn)單的多表關(guān)聯(lián) 223
6.8  更多實(shí)用工具：分組、數(shù)據(jù)桶、分層結(jié)構(gòu)、排序 224
6.8.1  作為數(shù)據(jù)準(zhǔn)備的“組” 224
6.8.2  分層結(jié)構(gòu)鉆取分析與僅顯示相關(guān)值 225
6.8.3  排序：對(duì)離散字段的數(shù)據(jù)值排序 226
參考資料 228
練習(xí)題目 228
第7章  儀表板設(shè)計(jì)、進(jìn)階與高級(jí)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(shè)計(jì)的基本過程和常見功能 231
7.1.2  儀表板大小、布局和對(duì)象 233
7.1.3  常用的交互對(duì)象：隱藏按鈕、導(dǎo)航按鈕 237
7.1.4  儀表板布局中的分層結(jié)構(gòu) 239
7.1.5  跨設(shè)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(shè)置 241
7.2.2  故事的闡述方式 242
7.3  儀表板進(jìn)階：指標(biāo)、初始模板、性能優(yōu)化與“數(shù)據(jù)指南” 243
7.3.1  指標(biāo)：聚焦儀表板關(guān)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(yè)面 252
7.4.1  突出顯示：以聚焦實(shí)現(xiàn)間接篩選 253
7.4.2  頁(yè)面輪播：快速篩選的連續(xù)疊加 255
7.5  兩類高級(jí)交互工具：參數(shù)、集交互 257
7.5.1  關(guān)鍵原理：參數(shù)、集的共同點(diǎn)和差異 257
7.5.2  參數(shù)與邏輯判斷結(jié)合：切換視圖度量 260
7.5.3  動(dòng)態(tài)參數(shù)：動(dòng)態(tài)更新范圍和初始值 262
7.5.4  集控制：以控件方式手動(dòng)更新集成員 264
7.6  參數(shù)動(dòng)作：參數(shù)、計(jì)算和交互（Tableau 2019.2 版本） 264
7.6.1  參數(shù)動(dòng)作：使用動(dòng)作更新度量值 265
7.6.2  動(dòng)態(tài)篩選：參數(shù)動(dòng)作和計(jì)算實(shí)現(xiàn)差異化篩選 266
7.6.3  動(dòng)態(tài)基準(zhǔn)分析：使用參數(shù)動(dòng)作控制參考線和計(jì)算基準(zhǔn) 268
7.6.4  自定義分層結(jié)構(gòu)：使用參數(shù)展開指定的類別 270
7.7  高級(jí)交互：指定區(qū)域?qū)ο蟮膭?dòng)態(tài)可見性（Tableau 2022.3 版本） 272
7.8  高級(jí)互動(dòng)的巔峰：集動(dòng)作和集控制 275
7.8.1  經(jīng)典集動(dòng)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(qiáng)大的靈魂 278
7.8.3  使用集完成對(duì)比分析和標(biāo)桿分析 279
7.8.4  高級(jí)互動(dòng)的使用建議 282
練習(xí)題目 283
第3篇  以有限字段做無(wú)盡分析：Tableau、SQL函數(shù)和計(jì)算體系
第8章  計(jì)算的底層框架：行級(jí)別計(jì)算與聚合計(jì)算 286
8.1  計(jì)算的演進(jìn)及分類：從Excel、SQL到Tableau 287
8.1.1  計(jì)算的本質(zhì)及其與業(yè)務(wù)過程的關(guān)系 287
8.1.2  以Excel理解詳細(xì)級(jí)別與計(jì)算的兩大分類 288
8.1.3  從Excel“存取一體”到“數(shù)據(jù)庫(kù)-SQL”的存取分離 292
8.1.4  集大成者Tableau：將查詢、計(jì)算和展現(xiàn)融為一體 294
8.2  計(jì)算的兩大分類：分析是聚合的抽象過程 297
8.2.1  行級(jí)別計(jì)算、聚合計(jì)算的差異和關(guān)系 297
8.2.2  從業(yè)務(wù)角度理解計(jì)算的結(jié)果：業(yè)務(wù)字段VS分析字段 300
8.3  數(shù)據(jù)準(zhǔn)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(dú)特性與轉(zhuǎn)換、計(jì)算 306
8.3.3  數(shù)據(jù)類型轉(zhuǎn)換函數(shù) 315
8.4  數(shù)據(jù)準(zhǔn)備類函數(shù)（下）：正則表達(dá)式 316
8.5  分析函數(shù)：從明細(xì)到問題的“直接聚合” 318
8.5.1  描述規(guī)模：總和、計(jì)數(shù)、平均值 319
8.5.2  描述數(shù)據(jù)的波動(dòng)程度：方差和標(biāo)準(zhǔn)差 320
8.5.3  關(guān)注個(gè)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(duì)維度字段的聚合判斷 324
8.6  通用型計(jì)算：算術(shù)函數(shù)和邏輯函數(shù) 325
8.6.1  算術(shù)運(yùn)算、精度控制函數(shù) 325
8.6.2  邏輯表達(dá)式和邏輯判斷符 329
8.7  行級(jí)別計(jì)算與聚合計(jì)算的區(qū)別與結(jié)合 332
8.7.1  案例：各子類別的利潤(rùn)與盈利結(jié)構(gòu)分析 332
8.7.2  復(fù)習(xí)：行級(jí)別計(jì)算和聚合計(jì)算的差異 334
8.7.3  SUMIF條件聚合：將行級(jí)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(xí)題目 345
第9章  高級(jí)分析函數(shù)：Tableau表計(jì)算/ SQL窗口函數(shù) 346
9.1  合計(jì)的兩個(gè)方法及“廣義LOD表達(dá)式” 346
9.1.1  入門：從Excel理解“合計(jì)百分比”計(jì)算的層次關(guān)系 347
9.1.2  高級(jí)分析的層次框架：數(shù)據(jù)表詳細(xì)級(jí)別和聚合度 348
9.1.3  進(jìn)階：“合計(jì)百分比”的兩種SQL方法 349
9.1.4  Tableau敏捷BI，讓業(yè)務(wù)用戶輕松駕馭二次聚合分析 351
9.1.5  “廣義LOD表達(dá)式”與計(jì)算的分類 354
9.2  “同/環(huán)比”偏移計(jì)算及表計(jì)算設(shè)置方法 356
9.2.1  維度作為偏移計(jì)算依據(jù)：?jiǎn)我痪S度的同比差異 356
9.2.2  包含多個(gè)維度的同比（上）：區(qū)別范圍和依據(jù) 358
9.2.3  包含多個(gè)維度的同比（下）：設(shè)置多個(gè)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(jié)：表計(jì)算的獨(dú)特性及兩種設(shè)置方法 365
9.3.1  從差異計(jì)算的兩種方法理解窗口計(jì)算的獨(dú)特性 365
9.3.2  Tableau設(shè)置范圍的兩種方法：相對(duì)/絕對(duì)方法與適用場(chǎng)景 368
9.4  高級(jí)分析函數(shù)之排序計(jì)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(zhǔn)對(duì)比：不同時(shí)間的電影票房對(duì)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(jì)：最簡(jiǎn)單、常用的WINDOW（窗口）函數(shù) 381
9.5.2  累計(jì)聚合：RUNNING_SUM函數(shù)——累計(jì)汽車銷量 383
9.5.3  移動(dòng)聚合：移動(dòng)窗口計(jì)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(jì)算：快速表計(jì)算及其附加計(jì)算 389
9.6.1  快速表計(jì)算：預(yù)置的常見表計(jì)算應(yīng)用 390
9.6.2  快速表計(jì)算的嵌套：表計(jì)算的組合（TC3） 391
9.7  表計(jì)算應(yīng)用（1）：自定義參考線、“合計(jì)利潤(rùn)率” 393
9.7.1  聚合值參考線——表計(jì)算的“可視化形式” 393
9.7.2  “合計(jì)利潤(rùn)率”：理解參考線對(duì)應(yīng)的表計(jì)算 394
9.7.3  【難點(diǎn)】理解TOTAL（合計(jì)）與WINDOW_SUM（匯總）的差異 396
9.7.4  自定義參考線及其計(jì)算：箱線圖松散化與散點(diǎn)圖顏色矩陣 398
9.8  表計(jì)算應(yīng)用（2）：標(biāo)桿分析——多種類型的計(jì)算組合 402
9.9  表計(jì)算應(yīng)用（3）：帕累托分布——累計(jì)、合計(jì)及嵌套 406
9.10  表計(jì)算應(yīng)用（4）：金融ANR計(jì)算——表計(jì)算高級(jí)嵌套 409
9.11  表計(jì)算篩選器：優(yōu)先級(jí)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(jì)算延伸應(yīng)用：預(yù)測(cè)建模函數(shù) 416
9.12.1  MODEL_QUANTILE預(yù)測(cè)模型 417
9.12.2  MODEL_PERCENTILE預(yù)測(cè)模型 419
練習(xí)題目 420
第10章  結(jié)構(gòu)化問題分析：LOD表達(dá)式與SQL聚合子查詢 421
10.1  業(yè)務(wù)解析：理解LOD表達(dá)式的邏輯和本質(zhì) 421
10.1.1  簡(jiǎn)單詳細(xì)級(jí)別：“不同購(gòu)買頻次的客戶數(shù)量” 421
10.1.2  多維詳細(xì)級(jí)別：“各年度、不同矩陣年度的銷售額貢獻(xiàn)” 424
10.2  LOD表達(dá)式的“詳細(xì)級(jí)別”及其與視圖關(guān)系 428
10.2.1  從問題詳細(xì)級(jí)別出發(fā)，理解高級(jí)問題的構(gòu)成 428
10.2.2  主視圖引用“更高聚合度”的詳細(xì)級(jí)別聚合：占比分析 429
10.2.3  主視圖引用“更低聚合度”的詳細(xì)級(jí)別之聚合：購(gòu)買力分析 432
10.2.4  主視圖引用獨(dú)立詳細(xì)級(jí)別的聚合：客戶矩陣分析 433
10.3  相對(duì)指定的LOD表達(dá)式及運(yùn)算優(yōu)先級(jí) 435
10.3.1  絕對(duì)指定和相對(duì)指定的LOD表達(dá)式 435
10.3.2  INCLUDE LOD引用更低聚合級(jí)別的聚合及優(yōu)先級(jí) 437
10.3.3  EXCLUDE LOD引用更高聚合級(jí)別的聚合，以及優(yōu)先級(jí)對(duì)比 439
10.4  超越LOD：計(jì)算的詳細(xì)級(jí)別體系及其優(yōu)先級(jí) 441
10.4.1  不同計(jì)算類型的應(yīng)用場(chǎng)景與作用 442
10.4.2  層次分析法：理解計(jì)算的運(yùn)算邏輯及其組合形式 443
10.4.3  Tableau計(jì)算、篩選、數(shù)據(jù)關(guān)系的優(yōu)先級(jí) 445
10.5  走向?qū)嵺`：多遍聚合問題與結(jié)構(gòu)化分析方法 446
10.5.1  方法論：高級(jí)問題分析的4個(gè)步驟 446
10.5.2  LOD多遍聚合：客戶購(gòu)買力分析的嵌套LOD計(jì)算 447
10.5.3  嵌套LOD的語(yǔ)法和SQL表示 452
10.6  客戶分析專題：客戶RFM相關(guān)案例分析 454
10.6.1  客戶分析概論與常見指標(biāo)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(jié)構(gòu)分析：與“客戶獲客時(shí)間”相關(guān)的分析案例 461
10.6.5  復(fù)購(gòu)間隔：行級(jí)別計(jì)算和LOD計(jì)算的結(jié)合 464
10.6.6  客戶留存分析：LOD表達(dá)式、表計(jì)算的結(jié)合 465
10.6.7  客戶矩陣分析：客戶價(jià)值分類 468
10.7  產(chǎn)品分析高級(jí)專題：購(gòu)物籃分析的多個(gè)角度 470
10.7.1  購(gòu)物籃比率：任意子類別相對(duì)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(guān)聯(lián)推薦 472
10.7.3  指定類別的關(guān)聯(lián)比率：篩選中包含“引用詳細(xì)級(jí)別” 475
10.8  總結(jié)：高級(jí)計(jì)算的最佳實(shí)踐 480
10.8.1  問題的3大構(gòu)成與計(jì)算的4種類型 480
10.8.2  如何選擇計(jì)算類型 482
練習(xí)題目 484
第11章  從數(shù)據(jù)管理到數(shù)據(jù)倉(cāng)庫(kù)：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(kù)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(jí)別權(quán)限 495
11.2  從數(shù)據(jù)管理（DM）到數(shù)據(jù)倉(cāng)庫(kù)（DW） 499
11.2.1  數(shù)據(jù)倉(cāng)庫(kù)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(cāng)庫(kù)的邏輯分層 502
11.3  ETL：數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)處理 504
11.3.1  敏捷ETL工具Prep Builder簡(jiǎn)介 504
11.3.2  敏捷ETL工具對(duì)數(shù)據(jù)分析的影響 505
11.4  建議：視Tableau為DW/BI平臺(tái) 506
參考資料 507