INTEGRATION VON ZIELWERTEN BZW. VORHERSAGEWERTEN UNTERSCHIEDLICHER GRANULARITÄT IN TABLEAU
Wichtig: Die Anpassung der verwendeten Daten muss für dieses Vorgehen möglich sein!
Um Zielwerte in einer Tableau Visualisierung unterzubringen, müssen diese Werte in den Daten in der richtigen Struktur vorhanden sein. Wir schauen uns in diesem Artikel an, wie wir die Daten am besten in der Datenquelle aufbereiten, damit wir diese später in der Visualisierung flexibel einsetzen können.
Fall 1: Zielwerte liegen für jede Granularität der Beobachtungsdimension vor oder sind nur auf einer Ebene vorhanden
Für diesen Fall schauen wir uns eine Metrik an, die mit verschiedenen Dimensionen gefiltert werden kann. Falls es sich bei Eurer Metrik um eine Prozentzahl handeln sollte, solltet Ihr den Zielwert am besten mit seinen absoluten Werten hinterlegen, damit Ihr später in der Ansicht auch auf beliebige Dimensionen filtern könnt. Falls Ihr für jede Granularität einen Zielwert habt, ist die Aufbereitung der Daten relativ simpel, indem Ihr einfach über alle vorhandenen Dimensionen joined. Damit ist die Arbeit an den Daten auch schon erledigt und Ihr könnt gleich zum Visualisierungsteil übergehen.
Fall 2: Zielwerte liegen nur für einzelne Granularitäten der Beobachtungsdimension vor oder sind auf mehreren Ebenen vorhanden
Für den Fall, dass die Zielwerte nur auf einer bestimmten Granularität vorhanden sind und für andere nicht, müssen wir ein etwas anderes Vorgehen wählen, da wir mit einem Join über die Daten hier vervielfachen würden und somit die Zahlen verfälschen. Als erstes würde einem hier das Blending einfallen oder eine Relationship im logical Layer von Tableau. Wenn sich die Zielwerte alle auf der gleichen Granularitätsebene befinden, ist dies der einfachste Weg.
Beispiel für den Zielwert mit einer Granularitätsebene
Wir haben die Einwohner aller Regionen in Europa als Daten. Der Zielwert ist eine Vorhersage, wie viele Einwohner in zehn Jahren erwartet werden. Dieser Zielwert liegt allerdings nicht auf Regionenebene, sondern auf Länderebene vor.
In diesem Fall lohnt es sich, eine Relationship in Tableau anzulegen und den Zielwert darüber in die Visualisierung zu bringen. Aufpassen müssen wir hier dann allerdings bei der Darstellung auf niedrigeren Granularitätsebenen. Falls wir jetzt nur Frankreich – Bretagne anzeigen, bekommen wir den Prognosewert für ganz Frankreich. Wir müssen hier also entweder eine Berechnung verwenden, um zu überprüfen, auf welcher Ebene wir uns in der Darstellung befinden und davon abhängig einen Wert anzeigen oder wir verwenden auch für diesen Fall die Methode aus Fall 3.
Tableau Berechnung: IF COUNTD([Region])>1 THEN AVG(Einwohner Prognose in T]) END
Fall 3: Zielwerte auf mehreren Granularitätsebenen ohne einer 1:1 Beziehung von Beobachtungswert und Zielwert
Im schwierigeren Fall, in dem Euer Zielwert auf mehreren Ebenen, aber nicht allen Ebenen oder nicht für alle Einträge auf allen Ebenen vorhanden ist, müssen wir allerdings einen anderen Weg gehen, um eine größere Komplexität bei der Berechnung und Darstellung zu umgehen.
Meine favorisierte Methode dafür ist, die Daten mithilfe eines Unions an die Tabelle anzuhängen. Dafür könnt Ihr die Zielwerte in eine neue Spalte schreiben und nur die Dimensionen ausfüllen, für die die entsprechenden Zielwerte vorhanden sind. Falls es auf einer Granularitätsebene keinen Zielwert gibt, sollte diese Zeile nicht ausgefüllt werden.
Mit diesem Datenmodell können wir nun auch auf verschiedenen Ebenen Zielwerte einfügen, selbst wenn diese nicht auf allen Ebenen befüllt sind, wie im Beispiel Frankreich, bei dem wir nur die Prognose für das komplette Land haben, aber nicht die Prognose-Werte für die einzelnen Regionen. Wichtig zu beachten ist dabei, dass wir IST-Werte für alle Regionen eines Landes benötigen, damit in der Visualisierung später realistische Zahlen für das jeweilige Land angezeigt werden können.
Als letzten Punkt müssen wir nun noch beachten, dass wir die verschiedenen Hierarchien mithilfe eines Parameters austauschbar machen und in die Visualisierung einbauen.
Somit können wir nun auf den verschiedenen Ebenen die NULL-Werte herausfiltern und bekommen nur die Granularitäten mit Ist-Werten und entsprechenden Prognose-Werten (falls vorhanden) angezeigt.
