Analyse de clusters dans Tableau

Les données peuvent être complexes, fastidieuses, et il n’est pas toujours simple d’y déceler des motifs. Imaginez que vous disposiez de données de ventes pour votre entreprise. Vous souhaitez identifier des tendances liées à la capacité de dépense des consommateurs. Si vous parvenez à mettre au jour des groupes ou des associations distincts, vous pourrez cibler chaque segment pour maximiser les ventes. Cette intuition repose sur le principe du clustering, et Tableau propose une fonctionnalité native qui regroupe automatiquement des points de données similaires selon certains attributs. Explorons cette fonctionnalité de Tableau et voyons comment l’appliquer à un jeu de données réel.

Clustering K-means

Le clustering, ou analyse de grappes, est un algorithme d’apprentissage automatique non supervisé qui regroupe des éléments similaires sur la base d’une mesure de similarité.

Tableau utilise en coulisses l’algorithme de clustering K-means. K-means est une technique qui partitionne les données en K clusters et relève du clustering à centroïdes. Pour un nombre de clusters k donné, l’algorithme scinde l’ensemble de données en k groupes, chacun étant représenté par un centroïde calculé comme la moyenne des points du cluster. Les points de données sont ensuite rattachés aux clusters en fonction de leur distance aux centroïdes.

Voici deux excellents tutoriels sur DataCamp qui approfondissent le concept de clustering :

• K-Means Clustering in Python with scikit-learn
• K-Means Clustering in R Tutorial

Si vous souhaitez en savoir plus sur le clustering en apprentissage automatique, suivez les cours de DataCamp Unsupervised Learning in Python ou Clustering Methods with SciPy.

La figure ci-dessous illustre l’algorithme K-means pour une meilleure compréhension. Au départ, nous définissons aléatoirement 4 centroïdes. K-means assigne ensuite chaque point de données au cluster (croix) le plus proche. Le centroïde se déplace alors vers une nouvelle position au fur et à mesure que la moyenne des points évolue, et le processus est répété jusqu’à stabilisation de la position des centroïdes.

Visualizing K-Means algorithm

Le critère de clustering dans Tableau

Après avoir présenté la méthodologie de clustering, voyons comment elle est mise en œuvre dans Tableau. Tableau utilise le critère de Calinski-Harabasz pour évaluer la qualité des clusters. Voici l’interprétation mathématique du critère de Calinski-Harabasz :

Source

« where SSB is the overall between-cluster variance, SSW is the overall within-cluster variance, k is the number of clusters, and N is the number of observations » (Source).

Ce ratio produit une valeur qui indique la cohésion des clusters. Plus cette valeur est élevée, plus les clusters sont homogènes (faible distance intra-cluster) et bien séparés (forte distance inter-clusters).

Prérequis

Cet article suppose une certaine familiarité avec Tableau. Si vous débutez totalement, nous vous recommandons l’article suivant sur DataCamp, qui constitue une excellente introduction.

Data Visualisation with Tableau

Environnement Tableau

Dans ce tutoriel, nous allons utiliser Tableau Public, une version entièrement gratuite de Tableau. Téléchargez Tableau Public depuis le site officiel. Suivez les instructions d’installation, et si l’écran suivant apparaît au clic sur l’icône Tableau, vous êtes prêt.

Connexion au jeu de données

Le jeu de données utilisé dans cet article s’intitule World Economic Indicators. Il comprend des indicateurs macroéconomiques clés, comme l’espérance de vie, la facilité de faire des affaires, la population, etc., pour différents pays. Il provient des Nations unies. Vous pouvez y accéder ici.

• Téléchargez le jeu de données sur votre ordinateur.
• Importez-le dans votre espace de travail Tableau depuis votre machine. Utilisez le Data Interpreter, sous l’onglet Sheets, pour corriger et réaligner les données.

Mise en forme de la source de données

Passez à la feuille de calcul et jetez un œil aux onglets Mesures et Dimensions. De nombreuses rubriques de l’onglet Mesures peuvent être regroupées sous une même catégorie. Cela facilitera aussi la lisibilité de l’ensemble des champs.

• Sélectionnez Business Tax Rate, Days to Start Business, Ease of Business, Hours to do Tax and Lending Interest > Create Folder.

• Nommez le dossier Business. Tous les champs ci-dessus y sont désormais regroupés.

• De la même manière, créez des dossiers Development, Health et Population. Ajoutez-y les champs correspondants. Voici à quoi ressemble l’onglet Mesures après mise en forme :

Créer des clusters à partir des indicateurs économiques mondiaux

Le clustering permet de révéler des motifs dans un jeu de données. Supposons que vous soyez analyste dans une entreprise de tourisme. Avec l’augmentation de l’espérance de vie dans le monde, le tourisme des seniors est en plein essor. Les personnes âgées sont plus actives et plus enclines à voyager. Votre entreprise souhaite capitaliser sur cette tendance et votre mission consiste, à partir des World Indicators, à identifier les pays où se trouvent suffisamment de clients au bon profil. Le clustering est un moyen efficace pour repérer ces pays.

Identifier les pays à fort potentiel pour le tourisme des seniors

Passons en revue les étapes de l’analyse de clusters sur ces données.

• Double-cliquez sur Country dans Dimensions du volet Données. Tableau crée une carte avec un cercle rempli pour chaque pays. Changez le type de repère en Map sur la carte Marks,

Sélection des variables pour le clustering

L’étape suivante consiste à choisir les variables utilisées par l’algorithme. Dans Tableau, les variables correspondent aux champs. Il n’existe pas de liste « idéale » universelle : testez plusieurs combinaisons pour obtenir le résultat souhaité. Dans notre cas, utilisons les champs suivants :

• Population Urban

La population urbaine est un bon indicateur de la densité démographique d’un pays. Plus la densité est élevée, plus les opportunités d’affaires se multiplient.

• Population 65+

La population de 65 ans et plus représente notre segment cible de seniors.

• Life Expectancy Female et Life Expectancy Male

Des pays avec une espérance de vie élevée indiquent des populations qui vivent plus longtemps et sont susceptibles de voyager davantage.

• Tourism Per Capita

Ce champ n’existe pas par défaut et peut être créé comme champ calculé à partir de Tourism Outbound et Population Total comme suit :

Tourism Per Capita = SUM([Tourism Outbound])/SUM([Population Total])

Tourism Outbound représente le montant (en dollars US) que les habitants d’un pays dépensent chaque année pour les voyages internationaux. Pour obtenir une valeur moyenne par personne, nous devons diviser ce champ par la population de chaque pays.

Ajout des champs sélectionnés à la vue

Avant d’aller plus loin, changeons l’agrégation par défaut de SUM à AVERAGE. Tableau permet d’agréger des mesures ou des dimensions, même si l’agrégation des mesures est la plus courante. Lorsqu’une mesure est ajoutée à la vue, une agrégation lui est appliquée par défaut. Le type d’agrégation dépend du contexte de la visualisation.

Modifiez l’agrégation pour tous les champs sélectionnés puis déposez-les sur Detail de la carte Marks comme suit :

Clustering

Dans Tableau, le clustering s’effectue par simple glisser-déposer. Procédez comme suit :

• Cliquez sur le volet Analytics et faites glisser Cluster dans la vue : Tableau crée automatiquement des clusters.

• Bien que Tableau puisse déterminer automatiquement le nombre de clusters, vous pouvez aussi le fixer manuellement et choisir les variables utilisées. Glissez un champ dans la boîte pour l’inclure dans l’algorithme, ou retirez-le pour l’exclure.

• Nous allons conserver 4 clusters et les variables par défaut pour une analyse plus lisible. Remarque : certains pays ne sont associés à aucun cluster et apparaissent comme non clusterisés.

• Le cluster est créé comme une nouvelle pastille et visible sur l’étagère Couleur. Faites-la glisser vers le volet Données pour l’enregistrer comme groupe.

Nous avons ainsi regroupé les pays selon les mesures choisies. Mais comment interpréter ces résultats et les transformer en décisions business ? La section suivante répond à ces questions.

Décrire les clusters

Cliquez sur le champ Clusters dans la carte Marks puis sur Describe Clusters.

Un document détaillant les clusters s’affiche. Il comporte deux onglets :

Résumé

Il propose une synthèse des résultats et les valeurs moyennes de chaque variable pour chaque cluster.

À partir de ces résultats, on peut déduire que le cluster 3 présente :

• La plus forte espérance de vie pour les hommes comme pour les femmes
• Le plus haut niveau de dépenses touristiques par habitant
• La plus forte population urbaine

Cela indique une population urbaine aisée avec une espérance de vie élevée, donc un marché porteur pour l’industrie du tourisme des seniors. Voyons quels pays composent ce cluster.

Modèles

L’onglet Models affiche différentes métriques statistiques pour la valeur moyenne de toutes les variables/champs et indique leur significativité.

En tant qu’analyste, vous pouvez transmettre cette liste à l’équipe commerciale afin qu’elle se concentre sur ces clients potentiels. Le clustering nous a fourni des insights pertinents. Vous pouvez maintenant expérimenter d’autres champs, définir des seuils de population ou de revenus, etc. Les approches pour regrouper les données sont nombreuses, mais le principe reste le même.

Conclusion

Dans cet article, nous avons appris à réaliser une analyse de clusters d’un jeu de données dans Tableau via un simple mécanisme de glisser-déposer. Le clustering est un outil précieux qui, associé à Tableau, met la puissance des techniques d’analyse statistique à la portée des analystes. Consultez notre hub Tableau pour tout ce dont vous avez besoin afin de maîtriser Tableau. 

Références

Tableau Documentation