Tableau ile Veri Görselleştirme

1. Tableau’ya Giriş

Genel Bakış

Tableau Software, merkezi Seattle, Washington’da bulunan ve iş zekasına odaklanan etkileşimli veri görselleştirme ürünleri üreten bir yazılım şirketidir. Tableau, 1997 ile 2002 yılları arasında Stanford Üniversitesi Bilgisayar Bilimleri Bölümü’nde kurulmuştur(Vikipedi)

Tableau’nun sunduğu başlıca ürünler şunlardır:

Tableau Desktop, Tableau Public ve Tableau Online’ın tümü Veri Görseli Oluşturma olanağı sunar ve seçim yapılan işin türüne bağlıdır

Bu eğitimde Tableau Desktop ile çalışacağız. Başvuru kaynağının bağlantısı burada.

Kurulum

Seçtiğiniz ürüne bağlı olarak yazılımı bilgisayarınıza indirin. Lisans sözleşmesini kabul ettikten sonra, Tableau simgesine tıklayarak kurulumu doğrulayabilirsiniz. Aşağıdaki ekran görünüyorsa hazırsınız demektir.

2. Başlarken

Bu bölümde, Tableau’nun arayüzüne alışmak için bazı temel işlemleri öğreneceğiz.

Tableau Çalışma Alanı

Tableau çalışma alanı; çalışma sayfaları, menü çubuğu, araç çubuğu, işaret kartı (marks), raflar ve ilerleyen bölümlerde öğreneceğimiz daha birçok öğeden oluşur. Sayfalar; çalışma sayfaları, gösterge tabloları veya hikayeler olabilir. Aşağıdaki görsel, çalışma alanının başlıca bileşenlerini vurgular. Ancak gerçek verilerle çalıştığımızda çok daha iyi aşinalık kazanacağız.

Veri Kaynağına Bağlanma

Tableau ile çalışmaya başlamak için Tableau’yu veri kaynağına bağlamamız gerekir. Tableau pek çok veri kaynağıyla uyumludur. Tableau’nun desteklediği veri kaynakları açılış ekranının sol tarafında görünür. Yaygın kaynaklar arasında Excel, metin dosyaları, ilişkisel veritabanları ve sunucular yer alır. Google Analytics, Amazon Redshift gibi bulut veritabanı kaynaklarına da bağlanabilirsiniz.

Tableau Desktop’ın açılış ekranı, bağlanılabilecek veri kaynaklarını gösterir. Bu, kullanılan Tableau sürümüne de bağlıdır; ücretli sürüm daha fazla olasılık sunar. Ekranın sol tarafında, mevcut kaynakları vurgulayan bir Connect bölmesi vardır. Dosya türleri önce, ardından yaygın sunucu türleri veya yakın zamanda bağlanılan sunucular listelenir. Open sekmesi altında daha önce oluşturulmuş çalışma kitaplarını açabilirsiniz. Tableau Desktop ayrıca Sample Workbooks altında bazı örnek çalışma kitapları sağlar.

Hands On

Sample-Superstore veri setine bağlanma

Tableau ile birlikte ön yüklü gelen Superstore veri seti adlı bir örnek veri setiyle çalışacağız. Ancak, bir Excel veri kaynağına bağlanmayı görmek için dosyayı buradan indireceğiz. Veriler bir süpermarkete aittir. Ürünler, satışlar, kârlar vb. hakkında bilgi içerir. Veri Analistleri olarak amacımız, bu kurgusal şirkette iyileştirme yapılabilecek kritik alanları belirlemek için veriyi analiz etmektir.

Steps

1. Veriyi bilgisayardan Tableau çalışma alanına içe aktarın.

2. Sheets sekmesi altında, Orders, People ve Returns adlı üç sayfa görünür hale gelecektir. Ancak biz yalnızca Orders verisine odaklanacağız. Orders sayfasına çift tıklayın; bir hesap tablosu gibi açılır.

3. İlk üç veri satırının biraz farklı göründüğünü ve istenen formatta olmadığını gözlemleriz. Burada, Sheets sekmesi altında bulunan Data Interpreter’dan yararlanırız. Buna tıkladığımızda, güzel biçimlendirilmiş bir sayfa elde ederiz.

Hands On

Görünüm Oluşturma

Basit bir grafik oluşturarak başlayacağız. Bu bölümde, verimizi tanıyacak ve içgörü edinmek için veriye sorular sormaya başlayacağız. Bu bölümde karşımıza çıkacak bazı önemli terimler var.

Dimension

Measures

Aggregation

Boyutlar (Dimensions), ad veya tarih gibi nitel verilerdir. Varsayılan olarak Tableau, nitel veya kategorik bilgi içeren verileri boyut olarak sınıflandırır; örneğin metin veya tarih değerli alanlar. Bu alanlar genellikle veri satırlarının sütun başlığı olarak görünür (Customer Name veya Order Date gibi) ve görünümdeki ayrıntı seviyesini de tanımlar.

Ölçüler (Measures), nicel sayısal verilerdir. Varsayılan olarak Tableau, bu tür veriler içeren alanları ölçü olarak ele alır; örneğin satış işlemleri veya kâr. Ölçü olarak sınıflandırılan veriler, belirli bir boyuta göre birleştirilebilir; örneğin bölgeye (Dimension) göre toplam satış (Measure).

Toplulaştırma (Aggregation), satır düzeyindeki verinin daha yüksek bir kategoriye toplanmasıdır; örneğin satışların toplamı veya toplam kâr.

Tableau, alanları Measures ve Dimensions altında otomatik olarak sıralar. Ancak bir anormallik durumunda bunu elle de değiştirebilirsiniz.

Steps

1. Çalışma sayfasına gidin. Tableau çalışma alanının sol altındaki Sheet 1 sekmesine tıklayın.

   

2. Çalışma sayfasındayken, Veri bölmesindeki Dimensions altından Order Date’i Sütun (Column) rafına sürükleyin.

   Order Date’i sütun rafına sürüklediğimizde, veri kümesinde siparişlerin her yılı için bir sütun oluşturulur. Her sütunun altında görünen ‘Abc’ göstergesi, buraya metin veya sayısal verilerin sürüklenebileceğini ifade eder. Öte yandan buraya Sales’i çekseydik, her yıl için toplam Satışları gösteren bir çapraz tablo oluşurdu.

3. Benzer şekilde, Measures sekmesinden Sales alanını Satırlar (Rows) rafına sürükleyin.

Tableau, satışları toplam olarak birleştirilmiş şekilde bir grafikle doldurur. Sipariş tarihine göre her yılın toplam birleştirilmiş satışları gösterilir. Tableau, zaman alanı içeren görünümler için her zaman bir çizgi grafik oluşturur; bu örnekte zaman alanı Order Date’tir.

Hands On

Yukarıdaki çizgi grafik ne anlatıyor? Satışların oldukça umut verici göründüğünü ve zamanla arttığını gösteriyor. Bu değerli bir içgörü, ancak artan satışlara katkıda bulunan ürünler hakkında fazla bir şey söylemiyor. Daha fazla içgörü elde etmek için derinleşelim.

Görünümü İyileştirme

Daha da derinleşerek hangi ürünlerin satışları artırdığını öğrenmeye çalışalım. Satış toplamlarına farklı bir açıdan bakmak için ürün kategorilerini ekleyerek başlayalım.

Steps

1. Category, Dimensions bölmesinde yer alır. Bunu sütun rafına sürükleyin ve YEAR(Order Date)’in yanına yerleştirin. Category, Year’ın sağına yerleştirilmelidir. Bunu yaptığınızda görünüm anında çizgiden çubuk grafiğe dönüşür. Grafik, her Product için yıllara göre genel Sales’i gösterir.

   Daha Fazla Bilgi

   Görünümdeki her veri noktası (işaret) hakkında bilgi görmek için çubuklardan birinin üzerine gelerek araç ipucunu (tooltip) görüntüleyin. Araç ipucu o kategori için toplam satışları gösterir. İşte 2016 yılı için Office Supplies kategorisinin araç ipucu:

   

   Görünüme etiket eklemek için araç çubuğunda Show Mark Labels’a tıklayın.

   

   Çubuk grafik, dikey yerine yatay da görüntülenebilir. Bunun için araç çubuğunda Swap’a tıklayın.

   

 2. Yukarıdaki görünüm category’ye göre sales’i; yani mobilya, kırtasiye ve teknoloji kategorilerini güzelce gösteriyor. Ayrıca, 2016 yılı hariç, mobilya satışlarının kırtasiye satışlarından daha hızlı büyüdüğünü de çıkarabiliriz. Bu nedenle satış çabalarını kırtasiye yerine mobilyaya odaklamak akıllıca olacaktır. Ancak mobilya geniş bir kategoridir ve birçok farklı üründen oluşur. En fazla satışa katkı sağlayan mobilya ürününü nasıl belirleyebiliriz?

Bu soruyu yanıtlamak için ürünlere Sub-category düzeyinde bakmaya karar veriyoruz; hangi ürünlerin çok satanlar olduğunu görmek için. Diyelim ki Furniture kategorisi için yalnızca kitaplıklar, sandalyeler, dekorasyon ve masalarla ilgili ayrıntılara bakmak istiyoruz. Sub-Category boyutunu sütun rafına çift tıklayarak veya sürükleyerek ekleyeceğiz.

Alt kategori de başka bir ayrık alandır. Category’yi daha da böler ve kategori ve yıla göre kırılarak her sub-category için bir çubuk görüntüler. Ancak bu, görsel olarak anlamlandırmak için çok büyük bir veri miktarıdır. Bir sonraki bölümde, görünümü daha anlaşılabilir kılmak için filtreler, renk ve diğer yolları öğreneceğiz.

Hands On

3. Sonuçları Vurgulama

Bu bölümde, belirli sonuçlara odaklanmaya çalışacağız. Filtreler ve renkler, ilgilendiğimiz ayrıntılara daha fazla vurgu yapmanın yollarıdır.

Görünüme filtre ekleme

Filtreler, görünümdeki değerleri dahil etmek veya hariç tutmak için kullanılabilir. Burada, belirli bir yıl için alt kategoriye göre ürün satışlarına bakmayı kolaylaştırmak amacıyla çalışma sayfasına iki basit filtre eklemeye çalışıyoruz.

Steps

Veri bölmesinde, Dimensions altında Order Date’e sağ tıklayın ve Show Filter’ı seçin. Aynısını Sub->category alanı için de tekrarlayın.

Filtreler bir kart türüdür ve basit sürükle-bırak ile çalışma sayfası üzerinde taşınabilir

Görünüme renk ekleme

Renkler, desenleri görsel olarak tanımlamada yardımcı olabilir.

Steps

Veri bölmesinde, Measures altında Profit’i Marks kartında Color’a sürükleyin.

Kitaplıklar, masalar ve hatta makinelerin negatif kâra, yani zarara katkıda bulunduğu görülebilir. Güçlü bir içgörü.

Hands On

Temel Bulgular

Kârsız ürünler hakkında daha fazla bilgi bulmak için filtrelere yakından bakalım.

Steps

1. Görünümde, Sub-Category filtre kartında Bookcases, Tables ve Machines dışında tüm kutuların işaretini kaldırın. Bu, ilginç bir gerçeği ortaya çıkarır. Bazı yıllarda, Bookcases ve Machines aslında kârlıydı. Ancak 2016’da Machines kârsız hale geldi.
2. Tüm alt kategorileri tekrar göstermek için Sub-Category filtre kartında All’ı seçin.
3. Dimensions’tan Region’ı Rows rafına sürükleyin ve Sum(Sales) sekmesinin soluna yerleştirin. Güneyde makinelerin, diğer bölgelerinize kıyasla toplamda daha yüksek negatif kâr raporladığını fark ederiz.
4. Şimdi sayfaya bir ad verelim. Çalışma alanının sol alt köşesinde Sheet 1’e çift tıklayın ve Sales by Product and Region yazın.
5. Görünümü korumak için, Tableau çalışma sayfamızı çoğaltmamıza izin verir; böylece başka bir sayfada kaldığımız yerden devam edebiliriz.
6. Çalışma kitabınızda Sales by Product and Region sayfasına sağ tıklayın ve Duplicate’i seçin ve kopyalanan sayfayı Sales-South olarak yeniden adlandırın.
7. Yeni çalışma sayfasında, Dimensions’tan Region’ı görünümde filtre olarak eklemek için Filters rafına sürükleyin.
8. Filter Region ileti kutusunda South dışındaki tüm kutuların işaretini kaldırın ve OK’ye tıklayın. Artık South’taki satış ve kâra odaklanabiliriz. 2014’te ve yine 2016’da makine satışlarının negatif kârı olduğunu buluyoruz. Bunu bir sonraki bölümde inceleyeceğiz
9. Son olarak, File > Save As’i seçerek sonuçları kaydetmeyi unutmayın. Çalışma kitabımıza Regional Sales and Profits adını verelim.

Hands On

4. Harita Görünümü

Harita Görünümü Oluşturma

Harita görünümleri, coğrafi verilere baktığımızda (Region alanı) faydalıdır. Mevcut örnekte Tableau, Country, State, City ve Postal Code alanlarının coğrafi bilgi içerdiğini otomatik olarak tanır.

Steps

1. Yeni bir çalışma sayfası oluşturun.
2. Veri bölmesinden State ve Country’yi Marks kartındaki Detail’a ekleyin. Harita görünümünü elde ederiz.
3. Region’ı Filters rafına sürükleyin ve yalnızca South’a filtreleyin. Harita görünümü yalnızca Güney bölgesine yakınlaşır ve her eyaleti bir işaret temsil eder.
4. Sales ölçüsünü Marks kartındaki Color sekmesine sürükleyin. Her eyaletteki satış aralığını gösteren renklerle doldurulmuş bir harita elde ederiz.
5. Marks kartında Color’a tıklayıp Edit Colors’ı seçerek renk düzenini değiştirebiliriz. Mevcut paletlerle deney yapabilirsiniz.
6. Florida’nın satış açısından en iyi performansı gösterdiğini gözlemleriz. Florida’nın üzerine geldiğimizde, örneğin yalnızca 8.482 USD satışa sahip Güney Carolina ile karşılaştırıldığında toplam 89.474 USD satış gösterir. Şimdi performansı Profit ile değerlendirelim; zira yalnızca Satıştan daha iyi bir göstergedir.
7. Marks kartında Profit’i Color’a sürükleyin. Şimdi Tennessee, North Carolina ve Florida’nın, satışlarda iyi görünüyor olsalar da negatif kâra sahip olduğunu görüyoruz. Sayfayı Profit Map olarak yeniden adlandırın

Hands On

Ayrıntılara İnme

Haritalar veriyi geniş açıdan görselleştirmemizi sağlar. Son adımda Tennessee, North Carolina ve Florida’nın negatif kâra sahip olduğunu keşfettik. Bu bölümde, negatif kârın nedenini keşfetmek için bir çubuk grafik çizelim.

Steps

1. Profit Map çalışma sayfasını çoğaltın ve Negative Profit Bar Chart olarak adlandırın.

2. Negative Profit Bar Chart çalışma sayfasında Show Me’ye tıklayın. Show Me, çalışma sayfasındaki öğeler arasında grafiğin kaç farklı şekilde çizilebileceğini sunar. Show Me’den yatay çubuk seçeneğini seçin; görünüm anında dikeyden yataya güncellenir.

3. Aynı anda birden fazla çubuğu, imleci üzerlerinden tıklayıp sürükleyerek seçebiliriz. Yalnızca üç eyalete; yani Tennessee, North Carolina ve Florida’ya odaklanmak istiyoruz. Bu nedenle yalnızca onlara ait çubukları seçeceğiz.

   Daha Fazla Bilgi

   Hiyerarşi Oluşturma
   Hiyerarşiler, benzer alanları gruplamak ve görselleştirmede seviyeler arasında hızlıca derinleşmek istediğimizde işe yarar.

   1. Veri bölmesinde bir alanı sürükleyip doğrudan başka bir alanın üstüne bırakın veya alana sağ tıklayıp seçin
   2. Hiyerarşiye ek alanlar sürükleyin. Alanlar, yeni bir konuma sürüklenerek hiyerarşi içinde yeniden sıralanabilir. Mevcut görselleştirmede şu hiyerarşileri oluşturacağız: Location, Order ve Product.
      

4. Rows rafında, State alanındaki artı simgesine tıklayarak City düzeyine derinleşin.

   1. Bu çok fazla veri. N-Filter kullanarak en zayıf performans gösterenleri filtreleyip ortaya çıkarabiliriz. Bunun için City’yi Data bölmesinden Filters rafına sürükleyin. By field’a tıklayın, ardından Top açılır menüsünden Bottom’ı seçerek en zayıf performans gösterenleri ortaya çıkarın. Veri setindeki en zayıf 5 performans göstereni göstermek için kutuya 5 yazın.

Artık Jacksonville ve Miami (Florida); Burlington (North Carolina); ile Knoxville ve Memphis (Tennessee) şehirlerinin kâra göre en kötü performans gösterenler olduğunu görüyoruz. Görünümde bir başka işaret daha var—Jacksonville, North Carolina—ki kârlı satışlara sahip olduğundan burada olmaması gerekir. Bu, uyguladığımız filtrede bir sorun olduğu anlamına gelir. Tableau’nun İşlem Sırası’ndan yararlanacağız.

1. Filters rafında, Inclusions (Country, State) kümesine sağ tıklayın ve Add to Context’i seçin. Şimdi Concord (North Carolina)’ın görünümde belirdiğini, Miami’nin (Florida) ise kaybolduğunu görürüz. Bu şimdi mantıklı.

2. Ancak Jacksonville (North Carolina) hâlâ mevcut; bu yanlış. Rows rafında City sekmesindeki artı simgesine tıklayarak Posta Kodu düzeyine derinleşin. Jacksonville, NC için posta koduna (28540) sağ tıklayın ve Exclude’u seçerek Jacksonville’i elle hariç tutun.

3. Rows rafından Postal Code’u sürükleyerek kaldırın. Bu nihai görünümdür.

   

Hands On

Temel Bulgular

Şimdi yalnızca zarar ettiren unsurlara, yani Ürünlere odaklanalım ve bu ürünlerin satıldığı yerleri de belirleyelim.

Steps

1. Sub-Category’yi Rows’a sürükleyerek daha da derinleşin.
2. Benzer şekilde, Marks kartında Profit’i Color’a sürükleyin. Bu, negatif kâr eden ürünleri hızlıca tespit etmemizi sağlar.
3. Order Date’e sağ tıklayın ve Show Filter’ı seçin. Görünüşe göre Machines, tables ve binders zayıf performans gösteriyor. Peki ne yapmalıyız? Bir çözüm, bu ürünlerin Jacksonville, Concord, Burlington, Knoxville ve Memphis’te satışını durdurmak olabilir mi? Kararımızın doğru olup olmadığını doğrulayalım.
4. Önceden oluşturduğumuz Profit Map sayfa sekmesine geri dönelim.
5. Şimdi Sub-Category alanında Show Filter seçeneğini işaretleyin.
6. Measures altından Profit’i Marks kartındaki Label’a sürükleyin.
7. Yine Order Date’e tıklayıp Show Filter’ı seçin. Filtrede, negatif kâra katkıda bulunduğunu düşündüğümüz öğeleri temizleyelim. Dolayısıyla Binders, Machines ve Tables’ın yanındaki kutuların işaretini kaldırın. Artık yalnızca kâr getiren unsurlar kaldı. Bu, Binders, machines ve tables gibi öğelerin bazı bölgelerde gerçekten zarara yol açtığını ve bulgularımızda haklı olduğumuzu gösterir.

Hands On

5. Gösterge Tablosu (Dashboard)

Gösterge tablosu, aynı anda çeşitli verileri karşılaştırmayı sağlayan, birden fazla görünümden oluşan bir derlemedir.

Gösterge Tablosu Oluşturma

Steps

1. New dashboard düğmesine tıklayın.
2. Sales in the South’u boş gösterge tablosuna sürükleyin
3. Profit Map’i gösterge tablosuna sürükleyin ve Sales in the South görünümünün üstüne bırakın. Her iki görünüm de aynı anda görülebilir. Verileri başkalarının anlayacağı şekilde sunabilmek için gösterge tablosunu dilediğimiz gibi düzenleyebiliriz.
4. Gösterge tablosu görünümünde Sales South çalışma sayfasında, Region altında tıklayın ve Show Header’ı kapatın. Diğer tüm başlıklar için de aynı işlemi tekrarlayın. Bu, yalnızca gerekli olanı vurgulamaya yardımcı olur ve daha az önemli bilgileri gizler.
5. Profit Map’te, Başlığı gizleyin ve aynı adımları Sales South haritası için de uygulayın.
6. Sub-Category filtre kartı ile Year of Order Date’in sağ tarafta tekrarlandığını görebiliriz. Basitçe kapatarak fazlalıkları kaldıralım. Son olarak Year of Order Date’e tıklayın. Bir açılır ok belirir ve Single Value (Slider) seçeneğini seçin. Şimdi sihrin gerçekleşmesine izin verin. Kaydırıcıda farklı yılları seçerek deneyin; Satışlar da buna bağlı olarak değişir.
7. Daha iyi bir görünüm için SUM(Profit) filtresini gösterge tablosunun altına, Sales in South’un altına sürükleyin.

Hands On

Etkileşimlilik Ekleme

Gösterge tablosunu daha etkileşimli hale getirmek—örneğin hangi alt kategorilerin hangi eyaletlerde kârlı olduğunu görmek—için birkaç değişiklik yapılmalıdır.

Steps

1. Profit Map ile başlayalım. Haritaya tıkladığınızda sağ üstte bir Use as filter simgesi belirir. Buna tıklayın. Herhangi bir haritayı seçersek, o eyalete karşılık gelen Satışlar Sales-South haritasında vurgulanır.
2. Year of Order Date için açılır seçeneğe tıklayın ve Apply to Worksheets > Selected Worksheets’e gidin. Bir ileti kutusu açılır. All seçeneğini seçin ve ardından OK’ye tıklayın. Bu seçenek ne yapar? Aynı veri kaynağına sahip tüm çalışma sayfalarına filtreleri uygular.
3. Keşfedin ve deney yapın. Aşağıdaki görselleştirmede, yalnızca North Carolina’da satılan ürünleri görmek için Sales South haritasını filtreleyebiliriz. Ardından kârları yıllara göre kolayca keşfedebiliriz.
4. Gösterge Tablosunu Regional Sales and Profit olarak yeniden adlandırın.

Hands On

Dolayısıyla North Carolina’da makine satmak şirkete herhangi bir kâr getirmedi.

6. Hikaye

Gösterge tablosu harika bir özellik olsa da Tableau, sonuçlarımızı sunum modunda hikayeler şeklinde sergileme olanağı da sunar; bu bölümde bunu ele alacağız.

Hikaye Oluşturma

Steps

1. New story düğmesine tıklayın.
2. Soldaki Story bölmesinden, (daha önce oluşturulan) Sales in the South çalışma sayfasını görünüme sürükleyin.
3. Çalışma sayfasının üstündeki gri kutudaki metni düzenleyin. Bu altyazıdır. Sales and profit by year olarak adlandırın.
4. Hikayeler oldukça özeldir. Burada North Carolina’da makine satma hakkında bir hikaye anlatacağız. Story bölmesinde Duplicate’a tıklayarak ilk altyazıyı çoğaltın veya yeni bir tane oluşturun.
5. Sub-Category filtresinde yalnızca Machines’ı select edin. Bu, makinelerin yıllara göre satış ve kârını değerlendirmeye yardımcı olur.
6. Altyazıyı Machine sales and profit by year olarak yeniden adlandırın.

Hands On

Sonuca Varma

North Carolina’daki makinelerin kâr kaybına yol açtığı açıktır. Ancak bu, bütüne bakarak Kâr ve Satışlarla gösterilemez. Bunun için bölgesel Kâr’a ihtiyacımız var.

Steps

1. Story bölmesinde Blank’i seçin. Önceden oluşturulmuş Regional Sales and Profit gösterge tablosunu tuvale sürükleyin.
2. Low performing items in the South olarak altyazı ekleyin.
3. Regional Profit gösterge tablosu ile başka bir hikaye noktası oluşturmak için Duplicate’i seçin. Daha fazlasını göstermek istediğimiz için çubuk grafikte North Carolina’yı seçin.
4. Tüm yılları seçin.
5. Profit in NC : 2013-2016 gibi netlik sağlayan bir altyazı ekleyin.
6. Herhangi bir yılı (örneğin 2014) seçin. Profit in NC : 2014 gibi bir altyazı ekleyin ve ardından Duplicate sekmesine tıklayın. Kalan tüm yıllar için aynı adımı tekrarlayın.
7. Sunum moduna tıklayın ve story’nin akmasına izin verin.

Hands On

Artık North Carolina pazarına hangi ürünlerin ne zaman sunulduğu ve nasıl performans gösterdiği hakkında bir fikrimiz var. Sadece negatif kârı ele almanın bir yolunu belirlemekle kalmadık, bunu verilerle de başarıyla destekledik. Tableau’da Hikaye özelliğinin avantajı budur.

7. Tableau’nun R, Python ve SQL ile entegrasyonu

Tableau’nun sunduğu çeşitli görselleştirme avantajlarının yanı sıra kutudan çıktığı gibi harika bağlantı yetenekleri de vardır. Tableau, Python ve R gibi dillerle ve hatta SQL gibi VTYS’lerle kolayca entegre olabilir. Bu, işlevsellik açısından daha fazla avantaj sunar ve Python veya R ile çalışmaya alışkın Veri Bilimciler için faydalıdır. R ve Python betiklerini doğrudan Tableau’ya aktarabilir ve bu dillerin sunabildiğinden çok daha üstün görselleştirmelerinden yararlanabilirler. Ayrıca Tableau’nun görselleştirme yetenekleri kullanımı kolay ve oldukça sezgiseldir; bu da Veri Bilimciler için ciddi zaman tasarrufu sağlar.

Bu bölümde, Tableau’yu bu harici kaynaklara nasıl bağlayabileceğimizi ve bu bağlantıların avantajlarını göreceğiz.

Tableau ve R

R, doğrusal ve doğrusal olmayan modelleme, istatistiksel testler, zaman serisi analizi, sınıflandırma, kümeleme vb. gibi gelişmiş kestirimsel analitikler gerçekleştirmek için kullanılan popüler bir istatistik dilidir.(Tableau 8.1 and R) Tableau’nun R ile birlikte kullanılması şu avantajları sağlar:

• Kullanıcılarına, verilerden daha iyi ve derin içgörüler elde etmek için gelişmiş R kütüphanelerine erişim vererek tableau’nun istatistiksel gücünden yararlanır.
• Tableau’nun gelişmiş veri keşfi seçenekleri ve birden çok kaynağa bağlanabilmesi R kullanıcılarının işine yarar.
• Ayrıca, Tableau kullanıcılarının dili bilmek zorunda kalmadan R dilinin faydalarından yararlanmasını sağlar.

Tableau, R ile nasıl entegre olur?

R işlevleri ve modelleri, R motorunu dinamik olarak çağıran ve değerlere R’ye ileten yeni hesaplanmış alanlar oluşturarak Tableau’da kullanılabilir. Bu sonuçlar daha sonra görselleştirme amacıyla kullanılmak üzere Tableau’ya geri döndürülür.

Tableau Desktop’ı R ile kurma

• Rserve’i indirin ve kurun.

Tableau’nun R betik işlevlerini kullanabilmesi için Rserve paketini indirip kurmanız gerekir. R konsolunda aşağıdaki komutları girin:

install.packages(“Rserve”)
library(Rserve)
Rserve() / Rserve(args = ‘ — no-save’)

Tableau’yu R Sunucusuna bağlama

Rserve başarıyla kurulduktan sonra Tableau Desktop’ı açın ve aşağıdaki adımları izleyin.

1. Help > Settings and Preferences and select Manage External Service Connection’a gidin.

   

2. Sunucu adı olarak “Localhost” (veya “127.0.0.1”) ve bağlantı noktası olarak “6311” girin.

3. “Test Connection” düğmesine tıklayın. Başarılı bir mesaj görmelisiniz. Kapatmak için OK’e tıklayın.

Tableau’da R betiklerini kullanmaya başlama

Yukarıdaki adımları başarıyla tamamladıktan sonra, R işlev çağrıları yapmak için SCRIPT_* işlevlerini kullanan yeni hesaplanmış alanlar oluşturabileceğiz.

Hadi çalışmaya başlayalım ve Tableau yeteneklerini R ile nasıl kullanabileceğimizi görelim. Yerleşik Sample Superstore veri setini kullanarak kârı hem R betiğiyle hem de Tableau’nun sürükle-bırak özelliğiyle hesaplayacağız. Ardından her iki sonucu karşılaştıracağız.

Steps

1. Tableau çalışma kitabını açın ve örnek superstore verisine bağlanın.
2. Rserve’e bağlanın. Tableau Desktop Rserve’e bağlandıktan sonra, hesaplanmış alanlar aracılığıyla R motorunu çağırabilir.

3. Şimdi Expected Profit adlı bir hesaplanmış alan oluşturacağız.

   R ile kullanılabilecek dört işlev vardır ve hepsi script kelimesiyle başlar. İşlevler şunlardır:

   • SCRIPT_REAL: Sonuç olarak Gerçek sayılar döndürür
   • SCRIPT_STR: Metin döndürür
   • SCRIPT_INT : Tam sayı döndürür
   • SCRIPT_BOOL: Mantıksal değer döndürür
   • Bu örnekte SCRIPT_REAL işlevini kullanacağız. Tableau’da basit bir doğrusal regresyon oluşturacağız.

4. Hesaplanmış alanı açın ve aşağıdaki betiği ekleyin.

   SCRIPT_REAL("fit <- lm(.arg1 ~ .arg2 +  .arg3 + .arg4)
   fit$fitted
   ",
   SUM([Profit]),  AVG([Sales]),  AVG([Quantity]),   AVG([Discount]))
   

   Yukarıdaki betik, R’deki doğrusal regresyon modeline ilişkindir. Bu modelin bir bağımlı değişkeni (arg1) ve üç bağımsız değişkeni (arg2, arg3, arg4) olacaktır. Bu argümanlar yalnızca yer tutuculardır; betik R’ye geri gönderildiğinde argümanlar, karşılık geldikleri tableau sütunlarıyla değiştirilir. 5. Her değişkene karşılık gelen tableau alanlarını girin. Burada bağımlı değişken kâr olduğundan, SUM(Profit)’i birinci argümana karşılık geldiği için ilk sıraya koyacağız. Benzer şekilde diğer üç argüman için ortalama birim fiyat, ortalama sipariş miktarı ve ortalama indirim kullanacağız.

5. Bu girdilerin tümü artık beklenen kâr seviyelerini belirlemek için modele dahil edilecektir. Bu hesabı artık Tableau görselleştirmelerinde kullanmaya hazırız. Kategoriyi satırlara sürükleyin ve ardından Profit’i sütunlara ekleyin. Şimdi Expected Profit’i de sütunlara sürükleyin.

6. Artık R’de hesaplanan beklenen kârın gerçek kârlarla nasıl karşılaştırıldığını analiz edebiliriz. Müşteri segmentlerini renkler üzerine alarak analizi sürdürebilir; böylece yığılmış bir çubuk grafik oluşturmuş oluruz; ayrıca veriyi yıllara ya da çeyreklere ayırmak için sipariş tarihlerini de kullanabiliriz.

Hands On

Birisi, yukarıdaki hesaplamaların R olmadan Tableau’da da yapılabileceğini düşünebilir. Öyleyse neden Tableau’da Rserve indirme ve yapılandırma sürecinden geçip betikler yazalım? R, yaygın olarak kullanılan ve bilinen algoritmaları içeren kütüphaneler sayesinde güçlü bir öngörü (tahmin) dilidir. Basit bir R betiğini çağırarak işletmemiz için Tableau’da tahminler yapabildiğimizi ve bunu Tableau’nun görselleştirmelerine entegre edebildiğimizi hayal edin.

Tableau ve Python

Python, yaygın olarak kullanılan genel amaçlı bir programlama dilidir. Python, istatistiksel analiz, kestirimsel modelleme veya makine öğrenimi yapmak için çok sayıda kütüphane sağlar. Tableau’yu Python ile bağlamak, kestirimsel analitik için en iyi yaklaşımlardan biridir. Tabpy, bunun için geliştirilmiş bir pakettir. Tableau’nun Python’un gücünden yararlanabilmesi için, Python kodunu anlık çalıştırmak ve sonuçları görselleştirme olarak göstermek üzere TabPy sunucusuna bağlanabilir.

Tableau, Python ile nasıl entegre olur?

Tableau ile TabPy kullandığımızda, hesaplanmış alanları Python’da tanımlayabilir ve böylece görselleştirmelerimizden doğrudan çok sayıdaki makine öğrenimi kütüphanesinin gücünden yararlanabiliriz.

Tableau Desktop’ı Python ile kurma

Tabpy’yi indirin ve kurun.

Bir Tableau çalışma kitabında Python kodu çalıştırmak, onu çalıştıracak bir Python sunucusu gerektirir. TabPy çerçevesi bu işi yapar. TabPy’yi şu bağlantıdan Github’tan indirin. Alternatif olarak aşağıdaki adımları izleyebilirsiniz:

conda install -c anaconda tabpy-server

Ardından indirilen tabpy sunucusunun bulunduğu dizine cd ile geçin ve çalıştırın.

python setp.py

Tableau’yu TabPy ile bağlama

Bir sonraki adım, Tableau’yu TabPy ile bağlamaktır. Bu işlem Help > Settings and Performance > Manage External Service Connection: yoluyla yapılabilir:

Bağlantıyı test edin. Her şey sorunsuz giderse “successfully connected” uyarısıyla karşılanmalısınız.

Tableau’da Python betiklerini kullanmaya başlama

Tableau’da Python entegrasyonu çok kullanışlı bir özelliktir. Örneğin Duygu Analizi (Sentiment Analysis) sorununu ele alın. Makine Öğrenimi topluluğunda yaygın bir problemdir ve çeşitli makine öğrenimi algoritmalarıyla gerçekleştirilebilir. Ancak Tableau ve Python kombinasyonunu kullanarak aynı şeyi birkaç satır Python koduyla yapmak mümkündür. Sonuçlar daha sonra daha fazla içgörü için Tableau’da görselleştirilebilir. Bunu bir örnekle görelim(TabPy ile Tableau’da Python’un gücünden yararlanın)

Tabpy ile Duygu Analizi

buradan indirilebilen mobil yorumları veri setini kullanacağız.

Steps:

1. Veri setini Tableau Desktop’a aktarın
2. Tabpy’ye bağlanın. Tableau Desktop Tabpy’ye bağlandıktan sonra, hesaplanmış alanlar aracılığıyla Python motorunu çağırabilir.

3. Şimdi Sentiment adlı bir hesaplanmış alanı şu şekilde oluşturacağız: `

   SCRIPT_REAL("from vaderSentiment.vaderSentiment import  SentimentIntensityAnalyzer  
   vs = []  
   analyzer  = SentimentIntensityAnalyzer()  
   for i in range(0,len(_arg1)):  
    a = analyzer.polarity_scores(_arg1[i])['compound']  
    vs.append(a)  
   return vs",ATTR([Reviews]))`
   

   Burada VADER sentiment analysis aracını kullanıyoruz. Bu, özellikle sosyal medyada ifade edilen duygulara uyarlanmış bir sözlük ve kural tabanlı duygu analizi aracıdır. Bu aracı kullanmak için önce kurmanız gerekir. Daha fazla bilgi için github sayfalarını okuyun.

4. Şimdi Reviews’u satırlara, Sentiment’i ise Text ve Color Marks kartına sürükleyin ve sihrin gerçekleştiğini görün. Herhangi bir zahmete girmeden yorumların duygu analizini elde ediyoruz. Ayrıca sonuçları görselleştirmek de son derece kolaylaşıyor. Pozitif yorumlar artan yeşil tonlarında, negatif olanlar ise kırmızıdır.

   

Yukarıdaki örnek, Tableau’nun Python ile entegrasyonunun getirdiği gücü açıkça gösterir. Duygu puanları elimizin altındayken ayrıntılara inmek için onlarla çalışabiliriz. Örneğin bir işletme sahibi olarak negatif yorumları filtreleyip nedenlerini düşünebilirim. Ayrıca tüketicileri mutlu eden ürünler hakkında fikir edinmek için pozitif yorumları da filtreleyebilirim.

Tableau ve SQL Server

Microsoft SQL Server verilerimizde, standart raporların ve karmaşık iş zekası araçlarının altında gizli bir değer bulunur. Tableau, herkesi SQL Server verilerinin sofistike görsel analizini yapacak donanıma kavuşturarak her yerde içgörü sunar. Tableau’yu, ayarlanmış ve platforma özgü sorgular için SQL Server’a canlı bağlayabilir veya veriyi doğrudan Tableau’nun analitik motoruna getirerek veritabanının yükünü azaltabiliriz.

Tableau, verilerimizle doğrudan çalışırken grafikler, raporlar ve gösterge tabloları oluşturabilmemiz için SQL Server’a optimize edilmiş, canlı bir bağlayıcı sağlar. Analizimize daldığımızda Tableau, SQL Server’da kullanılan herhangi bir şemayı tanır; bu nedenle verimizi değiştirmek zorunda kalmayız.

SQL Server veritabanını Tableau Desktop’a bağlamayı ve ardından bunu kullanarak görselleştirmeler oluşturmayı gösteren bir örneği inceleyelim.

Steps:

1. SQL Server’a giriş yapın
2. Tableau Desktop’ı açın ve Sunucular altında MS SQL’e bağlanın.
3. Açılan ileti kutusuna sunucu adını yapıştırın ve tamam’a tıklayın. Bu, Tableau’yu SQL Server’a bağlar. İstediğiniz veritabanını seçin. Bu örnekte salesDB’yi seçiyoruz. Ardından TABLES listesinden de seçim yapabiliriz; örn. Sales Log. Tablo, Tableau ortamına aktarılır. Artık verinin tamamını ya da bir kısmını yeni bir çalışma sayfasına çıkarmayı seçebiliriz. Çıkartılacak satır sayısını da belirtebiliriz.
4. Yeni çalışma sayfasında MS SQL’den çıkardığımız veriler bulunur; buradan itibaren herhangi bir Tableau Çalışma Sayfası gibi onunla çalışabiliriz.

Hands On:

SQL Server’ı Tableau’ya bu şekilde kolayca bağlayabilir ve veriyi doğrudan içeri aktarabiliriz. Tableau, kullanıcıların tek tıkla bağlantılar arasında geçiş yapmasına olanak tanıyarak bellek içi sorguları daha büyük bir veri setine uygulamasını sağlar.

8. Çalışmayı Kaydetme

Tableau Desktop

Bir Tableau çalışma kitabını yerel olarak kaydetmek için File > Save’i seçin. Save As ileti kutusunda çalışma kitabı dosya adını belirtin. Tableau dosyayı varsayılan olarak .twb uzantısıyla kaydeder.

Tableau Public

Tableau Public ile tüm görünümler ve veriler herkese açıktır ve internetteki herkes bunlara erişebilir. Select Server > Tableau Public > Save to Tableau Public’i seçin ve kimlik bilgilerini girin.

Tableau Server

Veri gizliyse ve hikayenin tüm ekiple paylaşılması gerekiyorsa Tableau Server kullanışlıdır. Bir hikayeyi Tableau Server’a yayımlamak için Select Server > Publish Workbook’u seçin veya araç çubuğunda Share’a tıklayın. Ancak önce bir hesap oluşturduğunuzdan emin olun.

Sonuç

Tableau’da iyi bir görselleştirme oluşturmak için gerekenler bu kadar; yine de her aşamada burada yaptığımızdan daha fazla revizyon yapmanız gerekebilir. Deneme ve pratikle Tableau çok daha tanıdık hale gelir ve verileri analiz edip sunmanıza yardımcı olacak harika özellikler sunar. Her türlü soru ve sorunuz için lütfen aşağıya yorum bırakın; keyifli görselleştirmeler.

AirBnB Veri Seti ile Tableau Görselleştirmeleri Oluşturma Eğitimi’mize göz atın.