Cursus
Introductie tot Tableau
6 uur
330.3K
Data kan complex en tijdrovend zijn, en soms is het lastig om patronen te ontdekken. Stel dat je beschikt over verkoopgegevens van je bedrijf. Je wilt een patroon vinden in de bestedingscapaciteit van consumenten. Als je duidelijke groepen of verbanden in de data kunt blootleggen, kun je die groepen gericht benaderen om de verkoop te maximaliseren. Het basisidee achter deze intuïtie heet clustering, en Tableau heeft een ingebouwde functie die automatisch vergelijkbare datapunten kan clusteren op basis van bepaalde kenmerken. Laten we deze functionaliteit van Tableau verkennen en kijken hoe we clustering kunnen toepassen op een dataset uit de echte wereld.
K-means-clustering
Clustering, ook wel clusteranalyse genoemd, is een algoritme voor unsupervised machine learning dat vergelijkbare items groepeert op basis van een gelijkenismetric.
Tableau gebruikt onder de motorkap het algoritme k-means-clustering. K-means is een van de clusteringtechnieken die de data in K clusters opsplitst en valt onder centroidgebaseerde clustering. Bij k-means-clustering verdeelt het algoritme, voor een gegeven aantal clusters k, de dataset in k clusters waarbij elk cluster een centroid heeft die wordt berekend als de gemiddelde waarde van alle punten in dat cluster. De datapunten worden vervolgens geclusterd op basis van hun afstanden tot de centroids.
Hier zijn twee uitstekende tutorials op DataCamp die het concept clustering in detail behandelen:
Wil je meer leren over clustering in machine learning, volg dan DataCamp’s cursus Unsupervised Learning in Python of Clustering Methods with SciPy.
De onderstaande figuur visualiseert het k-means-algoritme voor een beter begrip. We definiëren aanvankelijk willekeurig 4 centroidpunten. Het k-means-algoritme wijst vervolgens elk datapunt toe aan het dichtstbijzijnde cluster (kruis). Het centroid verschuift naar een nieuwe positie doordat de gemiddelde waarde van alle datapunten verandert, en het hele proces wordt herhaald totdat er geen verdere verandering in de positie van de centroids optreedt.
Het criterium voor clustering in Tableau
Nu we enig idee hebben van de clustermethodologie, bekijken we hoe clustering in Tableau wordt uitgevoerd. Tableau gebruikt het Calinski-Harabasz-criterium om de clusterkwaliteit te beoordelen. Hier is de wiskundige interpretatie van het Calinski-Harabasz-criterium:
"waarbij SSB de totale variantie tussen clusters is, SSW de totale variantie binnen clusters, k het aantal clusters en N het aantal observaties" (Bron).
Deze verhouding geeft een waarde die de samenhang van de clusters bepaalt. Hoe hoger deze waarde, hoe nauwer de clusters samenhangen: een lage afstand binnen clusters en een hoge afstand tussen clusters.
Vereisten
Dit artikel gaat uit van enige bekendheid met Tableau. Ben je een complete beginner, dan is het aan te raden het volgende artikel op DataCamp te bekijken, dat dient als een uitstekende introductie.
Tableau-omgeving
In deze tutorial werken we met Tableau Public, de volledig gratis versie van Tableau. Download de Tableau Public-editie van de officiële website. Volg de installatie-instructies en als bij het klikken op het Tableau-icoon het volgende scherm verschijnt, ben je klaar om te beginnen.
Verbinden met de dataset
De dataset die we in dit artikel gebruiken heet de dataset World Economic Indicators. Deze dataset bevat enkele belangrijke indicatoren die de economie aansturen, zoals levensverwachting, het gemak van zakendoen, bevolking, enzovoort, van verschillende landen. Hij is afkomstig van de Verenigde Naties. De dataset is te vinden hier.
- Download de dataset naar je systeem.
- Importeer de data in je Tableau-werkruimte vanaf de computer. Gebruik de Data Interpreter, onder het tabblad Sheets, om de data te corrigeren en uit te lijnen.
De gegevensbron opmaken
Ga naar het werkblad en werp een blik op de tabbladen Measures en Dimensions. Er zijn veel velden onder het tabblad Measures die je kunt groeperen onder één categorie. Dit helpt ook om alle gegevensvelden beter weer te geven.
- Selecteer Business Tax Rate, Days to Start Business, Ease of Business, Hours to do Tax and Lending Interest > Create Folder.
- Noem de map Business, en alle bovenstaande velden staan nu in deze map.
- Maak op dezelfde manier mappen voor Development, Health en Population. Voeg respectievelijk de volgende velden toe. Zo ziet het tabblad Measures eruit na het opmaken:
Clusters maken op basis van World Economic Indicators-data
Clustering helpt om patronen in de dataset te ontdekken. Stel dat je analist bent bij een toerismebedrijf. Door de toename van de levensverwachting wereldwijd is er een groei in seniortoerisme. Oudere mensen zijn nu actiever en meer geïnteresseerd in reizen en de wereld zien. Jouw bedrijf wil op dit fenomeen inspelen, en jouw taak is om met de World Indicators-voorbeelddata de landen te identificeren waar voldoende klanten van het juiste type zijn. Clustering is een hulpmiddel dat ons kan helpen dit soort landen te identificeren.
Landen identificeren met een hoge slagingskans voor seniortoerisme
Laten we nu de verschillende stappen doornemen om clusteranalyse op de data uit te voeren.
- Dubbelklik op
Countryin de Dimensions onder de Data-pane. Tableau maakt een kaartweergave met een gevulde cirkel voor elk land. Wijzig het marktype in Map, op de kaart Marks,
De variabelen voor clustering bepalen
De volgende stap bij clustering is het bepalen van de variabelen die in het clusteringalgoritme worden gebruikt. In Tableau komen variabelen overeen met velden. Er is niet één juist antwoord op de vraag welke variabelen de ideale clusters geven, maar je kunt met verschillende variabelen experimenteren om te zien wat het gewenste resultaat oplevert. In ons geval werken we met de volgende velden:
- Population Urban
De stedelijke bevolking is een goede indicator voor de bevolkingsdichtheid in een land. Hoe hoger de dichtheid, hoe meer zakelijke kansen er ontstaan.
- Population 65+
Bevolking ouder dan 65 staat voor senioren, wat ook onze doelgroep is.
- Life Expectancy Female en Life Expectancy Male
Landen met een hogere levensverwachting duiden erop dat mensen daar langer leven en meer geïnteresseerd zullen zijn in reizen.
- Tourism Per Capita
Dit veld bestaat niet en kan worden aangemaakt als een berekend veld, met gebruik van de velden Tourism Outbound en Population Total als volgt:
Tourism Per Capita = SUM([Tourism Outbound])/SUM([Population Total])
Tourism Outbound staat voor het bedrag (in Amerikaanse dollars) dat mensen van een land jaarlijks uitgeven aan internationale reizen. Om de gemiddelde waarde te krijgen, moeten we dit veld delen door de bevolking van elk land.
Geselecteerde velden aan de view toevoegen
Voordat we verdergaan, moeten we de standaardaggregatie wijzigen van SUM naar AVERAGE. Tableau maakt het mogelijk om measures of dimensions te aggregeren, al komt het aggregeren van measures vaker voor. Telkens wanneer we een measure aan de view toevoegen, wordt standaard een aggregatie op die measure toegepast. Het type aggregatie dat moet worden toegepast, hangt af van de context van de view.
Wijzig de aggregatie voor alle geselecteerde velden en sleep ze vervolgens naar Detail op de kaart Marks zoals hieronder:
Clusteren
Clusteren in Tableau is simpelweg slepen en neerzetten. De volgende stappen schetsen het clusteringproces:
- Klik op het paneel
Analyticsen sleepClusternaar de view; de data wordt dan automatisch door Tableau geclusterd.
- Hoewel Tableau automatisch het aantal te maken clusters kan bepalen, kunnen we ook zelf het aantal clusters en de variabelen die voor de berekening worden gebruikt instellen. Sleep simpelweg een veld in het vak om het in het clusteringalgoritme op te nemen of sleep het eruit om het uit te sluiten.
- We kiezen voor 4 clusters en de standaardvariabelen voor een betere analyse. Let op: sommige landen vallen in geen enkel cluster en zijn gemarkeerd als niet geclusterd.
- De cluster wordt aangemaakt als een nieuwe pill en is te zien op de kleurenshelf. Sleep deze pill naar het Data-pane om hem als groep op te slaan.
We hebben de landen nu geclusterd op basis van de gekozen measures. Maar hoe geven we hier betekenis aan en hoe nemen we zakelijke beslissingen op basis van de clusters? In de volgende sectie komen deze vragen aan bod.
Clusters beschrijven
Klik op het veld Clusters in de Marks-kaart en klik op de optie Describe Clusters.
Dit opent een document met een gedetailleerde beschrijving van de clusters. Het document heeft twee tabbladen:
Samenvatting
Dit geeft een samenvatting van de resultaten en de gemiddelde waarden van elke variabele voor elk cluster.
Uit bovenstaande resultaten kunnen we afleiden dat cluster 3 het volgende heeft:
- De hoogste levensverwachting voor zowel mannen als vrouwen
- De hoogste totale toeristische uitgaven per hoofd
- De hoogste stedelijke bevolking
Dit betekent dat het een welvarende stedelijke bevolking heeft met een hogere levensverwachting en dus een goede markt lijkt voor de seniortoerismesector. Laten we bekijken welke landen in dit cluster zijn opgenomen.
Modellen
Het tabblad Modellen toont de verschillende statistische waarden voor de gemiddelde waarde van alle variabelen/velden en geeft hun statistische significantie weer.
Als analist kun je deze lijst vervolgens aan het salesteam presenteren, zodat zij zich op deze potentiële klanten kunnen richten. Clustering heeft ons waardevolle inzichten gegeven. Vanaf hier kun je experimenteren met verschillende velden, een drempel instellen voor bevolking of inkomen, enzovoort. Er zijn veel manieren om de data te clusteren, maar het basisprincipe blijft hetzelfde.
Conclusie
In dit artikel hebben we geleerd hoe je in Tableau een clusteranalyse uitvoert op een gegeven dataset met een eenvoudige drag-and-dropmethode. Clustering is een waardevol hulpmiddel en geeft, in combinatie met Tableau, de kracht van een statistische analysetechniek in de handen van analisten. Bekijk onze Tableau-hub voor alles wat je nodig hebt om Tableau onder de knie te krijgen.
Referenties
