数据杂谈&：Tableau 推动智能分析时代

数据杂谈&：Tableau 推动智能分析时代

标语：管窥 Tableau 的智能数据准备、发现、推荐以及推出的查询功能

文章目录

​​前言​​​​1.0 关于 TABLEAU 的新兴智能功能​​​​2.0 自助式BI和分析先驱​​​​3.0 实用功能的时间线​​​​4.0 Tableau 智能功能的竞争性定位​​​​5.0 从最佳做法着手​​​​6.0 解决信任和透明度的问题​​

前言

在商业智能 (BI) 及分析领域即将迎来的后续突破中,我们将见证使用机器学习和人工智能改善数据访问 和数据质量，揭示以前未被发现的深入见解，建议分析，提供预测分析和行动建议。更重要的是，在 自然语言 (NL) 界面的帮助下，不具备数据科学知识或查询语言知识的业务用户 将能够更容易地探索信 息、获得见解并更好地做出数据驱动型决策 。

BI 和分析供应商正在至少四个领域开发“智能”功能，涵盖数据准备、数据分析和发现、NL 查询和预 测。这些智能功能有助于推动实现超越自助式分析的发展，帮助向业务用户进一步普及数据分析。本报 告探讨 Tableau Software 已经推出并正在着力开发的智能功能，以及这些功能将如何使 Tableau 客户受 益。报告结尾就筹划实施智能分析功能的企业提供了建议。

下面是我用processon 做的一个大致的数据分析模式的大致流程图，可以看出现在提倡的自助性分析模式，当中涉及到的很多环节业务人员可以直接参与，这样的好处不言而喻，让更多的业务人员了解数据并使用数据去做下一步业务的决策，这个正是tableau的宗旨。

在忙碌的工作和学习间隙中，自行tableau是一件了不起的事！而如何有效的学习tableau？如何正确‘打开”tableau的方式？让我们少走点数据分析的弯路？相信大家一定会说看视频或者直播之类的。哦对了，国内最早获得Tableau官方双认证的顾问袁勋老师最近直播带路，带领大家一起学习，并且解答您在学习或者工作当中Tableau遇到的问题。

1.0 关于 TABLEAU 的新兴智能功能

第一代商业智能 (BI) 系统的复杂性和 IT 技术的要求使企业一度心灰意冷，而大约十年前，企业开始采 用自助式产品进行数据发现和数据可视化。这种自助式分析方法解放了分析师和精通数据的业务用户， 使他们无需等待 IT 部门的帮助就可以分析数据。在过去的五年中，自助式分析需求不断增长，并已经 扩展到数据准备和基础预测分析领域。 而这五年间的另一个趋势是机器学习 (ML) 及人工智能 (AI) 方面的重大突破。云计算推动了 ML、神经 网络、机器视觉和自然语言 (NL) 理解技术的进步。上述进步促进了面向消费者“智能”个人助理产品 的创新，例如 Alexa、Google Assistant 和 Siri，而这些产品则又激起了人们对 ML 和 AI 驱动型商业软 件智能功能的兴趣, Tableau 用户目前可利用的智能功能有：最佳匹配可视化建议、自动聚类分析和预测，以及个性化 意图驱动型建议。Tableau 通过 Tableau Prep 添加了自助式数据准备功能，其中包括数 据清理和数据联接等智能功能。下面是智能推荐可视化图形(每个Tableau desktop都有)

2.0 自助式BI和分析先驱

而且从软件收入和客户数量来看，过去的几年里，Tableau 一直是 市场领导者。然而，分析市场正在不断演变，朝着所谓的智能分析时代迈进。

新兴的智能功能利用 ML 辅助人们完成各项任务，包括数据准备、数据发现和用户查询意图（基于历史 数据访问模式）的理解。当自然语言理解功能与 AI 驱动 NL 查询相关联时，ML 同样也会促进新兴自动 预测功能的发展。自助式服务使得 BI 和分析获得了更广泛的用户基础，而智能功能则有望开辟一个新 的普及时代，让所有用户都能够更容易地进行数据发现、分析、预测甚至基础数据准备。

自助式分析的时代正让位于 ML 和 AI 辅助型智能分析的时代

3.0 实用功能的时间线

查阅了大量的Tableau官方文档，咨询了资深的Tableau用户，在这里感谢Tableau community 的 Waqas Tufail大佬给我纠正了Tableau的发展的时间线。现在带领大家正确的回顾一下Tableau的功能”发展史”。 Tableau 对智能功能最初的投资可以追溯到 2007 年，但是于 2016 年随着智能分析趋势的到来，开始对 智能功能加大投资力度，如图 1 所示。自 2016 年起，Tableau 不断而稳定地发布了一系列智能功能。 下文依照时间顺序逐一介绍这些智能功能。 2007 年 智能显示。2007 年 Tableau 引入“智能显示”功能，起初是一系列可供使用的可视化选项。根据所选 择的分析数据，“智能显示”缩小了可用可视化类型的选择范围，并还能突出显示建议的方法。推荐可 视化加快了分析的速度，同时为给定类型的数据或分析提供最适当的可视化建议 2016 年 聚类分析。这是一种基于数据中的 ML 点相关性、模式、趋势和影响因素的自动发现方法，为业务用 户呈现具有深入分析价值的特定数据维度或数据组合。2016 年，Tableau 将发现导向型聚类分析引入 Tableau Desktop，帮助用户识别数据中的隐藏关系。在 2018 年春季发布的版本中，Tableau 添加了群 集自拟合功能，可以刷新和自动重新计算已保存的群集数据，包括 Tableau Server 上的数据提取。 预测。初期的智能预测功能只是简单的趋势预测，凭借简单算法推断历史趋势的未来走向，但这仅是一 个没有将季节性等因素考虑在内的生硬工具。2016 年，Tableau 引入自动预测功能，并能够生成指数 平滑模型。该功能可自动从八种不同的时间预测模型系列中进行选择，自动挑选出合适的超参数。 2017 年 智能数据表、数据联接和数据源建议。意图驱动型建议功能运用 ML 技术，并基于数据连接模式和用 户行为，根据个人、群组、工作角色、权限和其他变量对数据表、数据联接和数据源提出建议。2017 年，Tableau 引入智能数据表和数据联接建议功能，挖掘 Tableau Server 上现有的数据连接模式。同年 年底，Tableau 添加了更为复杂的数据源建议功能，该功能能够基于用户特定模式推断用户的意图。 2018 年 Tableau Prep。一些 BI 和分析供应商引入自助式数据准备功能，并内置于他们的 BI 和分析产品 中。2018 年 4 月，Tableau 推出 Tableau Prep 功能。这是一种新型可视化数据准备功能，脱胎于此前 代号为 Project Maestro，前后进行了两年的研发项目。 Tableau Prep 为数据准备提供了专用的功能集和独立的用户界面，然而工具集仍与 Tableau 工作流的其 余部分集成在一起。例如，Tableau Prep 用户可以利用任何连接到 Tableau 的数据源，一旦在 Prep 中 完成组织和清理，数据就可以在 Tableau Desktop 或基于浏览器的用户界面中供预览和检索。 2020年更是引入了数据问答的划时代功能。帮助人们输入关键字就能可视化的查看数据。

4.0 Tableau 智能功能的竞争性定位

正如关于 NL 查询的“优势和不足”分析中提到的，Tableau 并不是第一家提供多种智能功能的公司， 但是它自 2016 年起加快了投资步伐。Tableau 在提供预期智能功能方面已经拥有良 好的开端。Tableau Prep 的引入和即将发布的 NL 查询功能，智能功能系列正在持续壮大。针对基于可用智能功能的公司级别标准分析平台，相比之下，Tableau 通过为成千上万 的客户提供内置功能，正推动着智能分析时代的前进。 对于 Tableau 而言，存在的风险来自于大型供应商收购创新型初创企业，并将其智能功能推广为主流产 品。Tableau正在跟进大型供应商的智能分析举措，其中包括 IBM、Microsoft、Oracle、Salesforce 和 SAP；独立企业如 Qlik 和 Tibco Spotfire；以及一些创新型初创企业。自 2018 年年起到现在2021年10月，Tableau 就开 始紧跟这股潮流。客户和潜在客户应该紧跟智能分析领域的最新研发项目和 Tableau 路线图。

5.0 从最佳做法着手

市场可能正在从自助式时代转向智能时代，但只要企业需要考虑、测试和部署这些新技术，就不可避免 地会用到以下三种基于 ML 和 AI 的最佳做法：

• 建立一个涉猎广泛的跨职能团队不要光着眼于培养众所周知的商业/ IT 合作关系，要确 保双方团队都有全能代表，包括关键业务相关者以及 IT、软件开发和数据、分析部和数 据科学专家。

• 选对项目无论选择哪种智能功能或供应商（注意事项如下），您都应该选择正确的项目 作为试点测试案例。选择不太大、不太耗时、不太冒险但又不至于太小、太不重要而被 忽略的项目。从简单、快速胜利，可以看到明显回报的项目开始入手。积累一定的成功经 验之后，开始做一些难度稍微增加的项目。

• 采用敏捷方式敏捷系统性开发运维 (DevOps) 的特点是开发周期快速迭代、多功能团队 代替业务部和 IT 部门进行反复评审，以及在尽可能多的地方应用自动化和监控系统。

6.0 解决信任和透明度的问题

信任和透明度是企业在采用 ML 和 AI 技术时将面临的两个最大问题。根据需要改 变管理和培训，从而增强基于 ML 和 AI 的建议和建议行动的可信度。如果能够了解如何以及为什么做 出这些决定和建议，人们就会更容易接受计算机的辅助并接受此流程中的变化。这就是透明度发挥作用 的地方。智能系统应该是可解释的，而非不可思议的。 为了简化复杂的技术并支持自助式功能，包括 Tableau 在内的供应商正在将自动化和幕后决策应用于内 部复杂过程，例如算法的选择。“黑盒”（不透明的）预测系统的危险在于，它可能不会做出最符合组 织或客户利益的决策或建议。总的来说，Tableau 的理念是用算法来辅助人类。值得一提的是，Tableau 的自动预测和自动聚类功能可以转换为手动控制。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。