당신은 주제를 찾고 있습니까 “측정 데이터 분석 – 측정데이터분석“? 다음 카테고리의 웹사이트 you.maxfit.vn 에서 귀하의 모든 질문에 답변해 드립니다: https://you.maxfit.vn/blog. 바로 아래에서 답을 찾을 수 있습니다. 작성자 측정자동화 전문 DEVA 이(가) 작성한 기사에는 조회수 8회 및 좋아요 2개 개의 좋아요가 있습니다.
측정 데이터 분석 주제에 대한 동영상 보기
여기에서 이 주제에 대한 비디오를 시청하십시오. 주의 깊게 살펴보고 읽고 있는 내용에 대한 피드백을 제공하세요!
d여기에서 측정데이터분석 – 측정 데이터 분석 주제에 대한 세부정보를 참조하세요
에어게이지 측정데이터를 업체의 요구사항으로 주문제작을 완료하여 출고 전 이상유무를 시스템 전체테스트 및 점검을 합니다.
측정후 데이터를 SPC관리를 하여 실시간 혹은 지난데이터를 호출하여 분석을 할수도 있도록 구성을 하였습니다.
문의 [email protected]
측정 데이터 분석 주제에 대한 자세한 내용은 여기를 참조하세요.
측정 데이터 분석
1. 정밀도가 높은 측정 데이터인지를 파악할 수 있는 방법은 주로 통계적인 표준편차, 가변도, 변동계수 등으로 나타낼 수 있으며, 정확도는 상대오차와 절대오차로 구분 …
Source: daihanscience.koreasme.com
Date Published: 2/13/2022
View: 5214
데이터 분석 및 측정 도구
데이터 & 측정. 데이터와 분석을 통해 플랫폼 전반에 걸쳐 사용자가 내 브랜드를 어떻게 경험하는지 파악할 수 있습니다. 마케팅 믹스의 각 채널별 퍼포먼스 분석을 …
Source: www.thinkwithgoogle.com
Date Published: 9/12/2022
View: 9472
제9장 조사데이터의 분석
데이터분석을 위한 준비. 2. 측정의 수준. 1) 명목척도 2) 순서척도(서열척도) 3) 구간척도(등간척도) 4) 비율척도(비척도).
Source: contents.kocw.net
Date Published: 5/9/2022
View: 9405
CRM효과 측정을 위한 분석법 알아보기! | 뷰저블 – Beusable
지난 ABC분석, 롱테일 법칙에 이어 고객 관리를 위한 개념과 데이터 분석에 대해 이야기해보려고 합니다. 오늘은 고객을 이해하기 위한 개념인 CRM에 대해서 알아보고, …
Source: www.beusable.net
Date Published: 4/10/2022
View: 535
데이터 분석 도구 – 브런치
Google Analytics는 웹사이트 방문자의 데이터를 수집해서 분석함으로써 온라인 비즈니스의 성과를 측정하고 개선하는 데 사용하는 웹로그분석 도구이다.
Source: brunch.co.kr
Date Published: 1/8/2021
View: 195
통계적 측정 | Adobe Analytics
통계적 측정. 통계에 도움이 되도록, Data Workbench은 안내가 있는 분석 시각화에서 세 가지 통계 측정을 제공합니다. 노트. 수학은 데이터의 상관 관계를 판단하는 …
Source: experienceleague.adobe.com
Date Published: 4/4/2022
View: 5645
분석을 위한 구조 데이터 – Tableau Help
데이터를 준비하고 분석을 위해 데이터를 구조화하는 방법을 이해하는 데 기초가 … Tableau Desktop의 필드는 차원이거나 측정값(데이터 패널의 테이블에서 선으로 …
Source: help.tableau.com
Date Published: 9/9/2021
View: 2863
주제와 관련된 이미지 측정 데이터 분석
주제와 관련된 더 많은 사진을 참조하십시오 측정데이터분석. 댓글에서 더 많은 관련 이미지를 보거나 필요한 경우 더 많은 관련 기사를 볼 수 있습니다.
주제에 대한 기사 평가 측정 데이터 분석
- Author: 측정자동화 전문 DEVA
- Views: 조회수 8회
- Likes: 좋아요 2개
- Date Published: 2022. 5. 6.
- Video Url link: https://www.youtube.com/watch?v=WK3Cf1xnLD0
CRM효과 측정을 위한 분석법 알아보기!
안녕하세요, 뷰저블입니다. 지난 ABC분석, 롱테일 법칙에 이어 고객 관리를 위한 개념과 데이터 분석에 대해 이야기해보려고 합니다. 오늘은 고객을 이해하기 위한 개념인 CRM에 대해서 알아보고, CRM 측정을 위한 분석법까지 소개해드릴게요!
여러분 CRM이라는 단어를 들어보신 적 있으신가요?
Customer Relationship Management의 약자로 ‘고객 관계 관리’로 해석되고, ‘고객을 깊이 있게 이해함으로써 기업과 고객간의 장기적이고 우호적인 관계를 형성하는 전략법’을 의미합니다. 보통 대기업에서는 실행 전략을 수립하기 위한 CRM팀이 따로 존재하기도 합니다.
다양하게 정의되는 CRM의 의미들
가트너 그룹 : 기업의 현재 고객과 잠재 고객 관련 정보를 정확히 파악하여 고객 관계 관리를 효과적으로 지원하기 위한 경영 전략의 일종
오범(Ovum) : 기업이 우수 고객을 지속적으로 유지하는 동시에, 신규 고객을 학보하고 고객 관련 비용을 최소화하여 기업의 경쟁력을 향상시킴으로써 기업 가치를 극대화하기 위한 경영 개념
오범(Ovum)은 영국 런던에 본사를 둔 시장 조사 및 컨설팅 기업입니다.
위에서 설명한 것처럼,CRM이란 서비스의 지속적인 성장을 유지하기 위해 ‘가치’ 있는 고객 특성을 파악하여 획득 및 유지하는 일련의 활동이라고 볼 수 있으며 단순히 전산 시스템의 변화에 그치지 않고 경영전략과 조직 프로세스, 고객접점 채널상의 모든 변화를 아우르는 개념입니다.
일반적으로 CRM팀에서 수행하는 역할
보통 CRM팀은 기업의 규모와 업태에 따라 하는 일이 달라지지만 보통은 데이터웨어하우스부터 멤버십 정책 관리까지 폭넓게 담당하는데요, 백오피스부터 프론트 오피스, 데이터 웨어하우스, 데이터 마이닝, 마케팅 접점까지 모두를 아울러 전략을 수립합니다.
고객 관리를 위한 전략 및 세부 실행 계획 수립 (고객 성장과, 이탈방어, 신규고객 확보)
고객의 실적 달성을 유도하기 위한 마케팅 실행 (로열티 강화, 업셀링 달성)
고객 행동 분석 (VOC 관리, 시장 조사, 데이터 분석 등)
자동화 시스템과 데이터를 활용한 마케팅 최적화와 리포팅, 주요 KPI 관리
마케팅팀도 아니고 데이터분석팀이라고 하기도 애매하죠. 그래서 상대적으로 기업의 히스토리가 짧은 젊은 조직(예를 들어 이커머스나 온라인 플랫폼 기업, 스타트업 등)에서는 다양한 역할이 여러 팀으로 나뉘어져 운영되고 있습니다.
기술이 발전하면서 기존 대규모 제품 판매 중심 마케팅에서 ‘실시간 타이밍’이 중요한 1:1 마케팅으로 변화하고, 일방적으로 고객에게 메시지를 보내는 것을 넘어 양방향 커뮤니케이션하는 것이 중요해졌는데요, 이에 따라 CRM팀의 역할 또한 날로 중요해지고 있습니다.
CRM에서 고객을 이해하기 위한 기본!
향상도 그래프(Lift Chart) 이해하기
CRM을 이해하고 전략들을 실행하기 위해서는 향상도(Lift)라는 개념을 가장 먼저 이해하고 분석할 수 있어야 합니다.
이 향상도(Lift)는 실행 전략이 얼마나 효율적인가를 계산할 수 있는 지표인데요, 전략을 실행하지 않았을 때에 비해 실행했을 때의 결과 값이 얼마나 어떻게 달라지는지를 파악할 수 있습니다! 하나씩 살펴볼까요?
향상도는 불특정 다수 고객을 대상으로 프로모션이나 캠페인, 개인화 추천 등을 집행하지 않았을 때의 결과에 대해 ‘세그먼트(또는 특정 조건)를 설정하여 전략을 실행하였을 때’와 같은 규칙을 만들어 집행하였을 때의 그 결과가 얼마나 개선되는지를 알 수 있는 개념입니다.
향상도(Lift)
캠페인 등의 방안을 집행했을 때의 결과 / 집행하지 않았을 때의 결과 (‘전체 반응률 대비 해당 분위의 반응률 비교’라고 이해할 수 있습니다. %개념이 아니기 때문에 ‘향상률’이라고 말하지 않아요!)
1. CRM 전략 집행 비용을 효과적으로 줄일 수 있는 향상도 차트 그려보기
향상도는 특정 상품A를 구입한 고객에게 상품B를 추천하는 것이 고객 ‘전체’에게 상품B를 추천한 것보다 얼마나 구매확률이 높아졌는지를 측정할 수 있는 지표입니다.
상품A를 구매한 고객에게 상품B를 추천함에 있어 애당초 상품A를 구매한 고객이 다른 고객에 비해 상품B를 구매할 확률이 높지 않다면 상품을 추천할 의미가 없어집니다.
CRM 방안을 효과적으로 실시하기 위해서는 ‘구매가 예상되는 고객인가?’를 정의내릴 수 있어야 하며, 향상률은 비용 절감을 위해 매우 중요하게 관리되는 지표가 되어야 합니다.
예를 들어 불특정 다수 10만명에게 MMS를 보냈을 때 약 1천명이 상품을 구매해주었다고 합시다. 그럼 최종적인 구매 확률은 1%입니다. MMS를 보내는 비용이 1명에게 약 1천원이 든다면 전체 비용은 1억원입니다. 1억원의 비용을 들이더라도 1명의 고객 당 10만원 정도의 상품만을 구매해주었다면 이익은 발생할 수 없습니다.
자, 다시 구매확률이 1.5%인 사람 5만명을 확보하였다고 합시다.
그럼 MMS를 보내는 비용은 똑같이 1천원이지만 5만명에게만 보내기 때문에 마케팅 집행 비용은 5천만원입니다. 그러면서도 구매확률은 1.5%이기 때문에 1.5배나 늘어나죠. 5만명에게 보내면 750명이 상품을 구매해주고 7500만원의 이익이 남습니다. 마케팅 집행 비용이 5천원 이었기 때문에 최종적으로 2,500만원 상당의 이익이 남습니다.
이처럼 구매확률이 높은 고객에게 집중적으로 프로모션을 실시한다면 굉장히 효과적으로 서비스를 운영할 수 있게 됩니다.
※ MMS는 Multimedia Messaging Service의 약자로 말그대로 멀티 문자 메시지 서비스입니다. 사진, 문서, 음악 파일 등을 첨부할 수 있어 SMS(Short Message Service, 단문 메시지 서비스), LMS(Long Message Service, 장문 메시지 서비스)에 비해 단가가 훨씬 비쌉니다.
2. 마케팅 집행 비용의 ROI 구하여 실행 최적화하기
ROI(투자수익률, Return on Investment)
다음으로는 불특정 다수가 아닌 구매확률이 높은 순으로 고객을 줄을 세워 분석해봅시다.
아래 표를 다시 살펴봐주세요. 왼쪽 고객일수록 구매확률이 높고 오른쪽으로 갈수록 구매확률이 낮아집니다. 이렇게 고객을 줄 세울 수 있다면 12,500명에게 MMS를 보낼 때 전체 매상의 50%인 500개의 상품이 판매됩니다. 또한 51,200명에게 MMS를 보내면 80%인 800개의 상품이 팔리게 됩니다.
그렇다면 이 때 얻을 수 있는 이익도 계산해 볼 수 있지 않을까요?
10만명의 고객에게 MMS를 보냈을 때는 위의 세로 축 상품 구매 수에서도 알 수 있듯 그렇게 큰 이익이 발생하지 않습니다. 게다가 마케팅 집행을 위한 초기 세팅 비용 등을 고려하면 오히려 적자일 수도 있죠. 영업 이익을 극대화하기 위해서는 몇 통의 MMS를 보내야할지 예측 표를 그려봅시다. 아래처럼 엑셀로 누구나 간단히 시각화할 수 있습니다.
세로축을 상품 구매 수가 아닌 영업 이익이나 매출로 바꿔보세요. 보이시나요? 약 19,000건의 MMS를 보냈을 때 가장 높은 ROI를 달성할 수 있었습니다. 그럼 CRM 담당자나 마케터는 19,000건보다 더 비용을 들여 굳이 MMS를 보낼 필요가 없어집니다!
뷰저블로 사용성 검증하고 구매확률 높이기!
전략을 실행하지 않았을 때에 비해 실행했을 때의 결과 값이 얼마나 어떻게 달라지는지, 좀 더 쉽고 확실하게 확인할 수 있는 방법은 없을까요?
뷰저블의 A/B Testing 기능을 활용하면 전략을 실행한 고객과 실행하지 않은 고객의 차이를 시각적으로 바로 확인할 수 있습니다.
A/B Testing이란 웹 사이트 방문자를 임의로 두 집단으로 나눠 한 집단에는 기존 사이트, 또 한 집단에는 새롭게 개선한 사이트를 보여준 뒤 어떤 집단의 성과가 더 뛰어난지를 평가하는 방식을 의미합니다. 여기서 말하는 성과, 즉 KPI는 웹 사이트 형태, 종류마다 다르며 보통 이커머스라면 회원가입, 구매 등을 예로 들 수 있습니다.
참고하면 좋을 글: 간과하기 쉬운 A/B 테스트에 대한 5가지 오해
뷰저블의 A/B Testing은 기준이 되는 A페이지와 비교할 B페이지의 URL만 있다면, 손쉽게 실행이 가능합니다. 등록 후, 충분한 표본 PV(Page View)가 누적된 이후에는 테스팅 리포트와 히트맵 비교를 통해 결과를 확인하실 수 있습니다.
1. 테스팅 리포트
테스팅 리포트에서는 간단한 A,B 페이지 정보와 a.요약, b.링크별 Conversion Rate, c.요소별 Clicks per PV Top 5를 확인할 수 있습니다.
a. 요약
요약에서는 A,B페이지의 결과값을 선 그래프로 비교해 보여줍니다. 비교해 보여주는 결과값은 Conversion Rate(전환율), Click per PV, Click PV Rate, Exit Rate, Avg Duration으로 총 5가지입니다. 하단 표에서는 각 요소에서 더 높은 결과가 나타난 부분을 강조해 한 눈에 결과값을 비교할 수 있습니다.
Conversion Rate: 전환 비율
Click per PV: PV 별 전체 클릭 수 비율
Click PV Rate: 전체 PV중, 클릭을 수행한 PV 의 비율
Exit Rate: 전환되지 않고 종료된 비율 (ConversionRate 의 반대 개념)
Avg Duration: 체류시간
b. 링크별 Conversion Rate
전환된 페이지의 URL 순위를 비교할 수 있는 기능입니다. 전반적인 전환율이 어떻게 나타나는지, 어떤 부분에서 차이가 나타나는지 살펴보세요!
c. 요소별 Clicks per PV Top 5
클릭이 가장 많이 발생한 콘텐츠의 차이를 순위별로 비교할 수 있는 기능입니다. A,B 페이지에서 각각 어떤 콘텐츠의 클릭이 높았는 지 확인하고 공통적인 콘텐츠와 차이가 나는 콘텐츠를 집중적으로 비교 분석해보세요!
2. 히트맵 비교
히트맵 비교는 위와 같이 A,B 페이지에서 나타난 고객의 행동 패턴을 한 눈에 확인할 수 있는 기능입니다. 디바이스, 유입경로, 신규/재방문과 같은 다양한 세그멘팅 기능을 활용해 고객의 행동 패턴이 어떤 차이를 보이는 지 확인해보세요! 어떤 콘텐츠에서 고객의 클릭이 많이 발생하는지, 어느 지점까지 스크롤 탐색을 하는지, 고객의 탐색 여정이 어떻게 달라지는 지 등 다양한 인사이트를 얻으실 수 있습니다.
CRM을 위해 마케팅을 집행하기 위해서는 비용이 반드시 발생하게 되고 이는 피할 수 없습니다. 보통 기업에서 ROI를 고려하지 못하고 전 고객을 대상으로 매스(MASS)로 캠페인이나 마케팅을 집행해버리곤 하는데요, 거꾸로 고객 입장에서 스팸이라고 받아들여질 수도 있고 고객과의 관계를 저해하는 요소로 자리잡게 됩니다.
향상도의 개념을 이용하여 전략의 효과성을 분석할 수 있게 된 여러분은 이제 더 똑똑히 고객과의 관계를 강화해나갈 거라 믿습니다!
[참고] 향상도를 활용할 수 있는 다양한 예시들
데이터 분석 도구
데이터 분석 도구
고객 데이터 분석을 위해서는 분석 방법 및 분석 모델을 설계해야 하고, 고객이 실제로 어떻게 행동하는지 등을 추적해야 하며 최종적으로 이를 수집하는 코드를 실제 IT 서비스 안에 내장해야 한다.
제품의 고객 행동을 추적하는 대표적인 고객 데이터 분석 도구로는 Google Analytics, Amplitude가 있다.
▷ Google Analytics
GA
Google Analytics는 웹사이트 방문자의 데이터를 수집해서 분석함으로써 온라인 비즈니스의 성과를 측정하고 개선하는 데 사용하는 웹로그분석 도구이다.
무료로 제공하는 서비스임에도 불고하고, 100여 가지가 넘는 표준 보고서(standard reports)를 제공하는 등 방문자에 관한 방대한 데이터를 제공 가지고 있다. 기본적으로 제공하는 표준보고서 외에 분석하고자 하는 데이터(측정기준과 측정항목)를 선택해 나만의 맞춤 보고서(custom reports)를 쉽게 만들어서 활용 가능하다.
시스템 세그먼트 및 맞춤 세그먼트 기능을 사용하여 심층적인 데이터 분석이 가능하고, 구매나 회원가입 등 매크로 전환(목표/전자상거래) 설정 외 상담신청, 자료 다운로드와 같은 마이크로 전환에 대한 이벤트 설정, 다양한 기기를 통한 유입 경로를 파악할 수 있는 사용자ID(User-ID) 설정 기능을 통해, 고객을 보다 심층적으로 이해하는 데 도움이 되는 데이터, 개별 웹사이트의 고유 데이터를 추가 수집할 수 있다.
구글의 강력한 클라우드 인프라에 힘입어 데이터 처리 속도가 빠르며, 유저 인터페이스(User Interface)가 간결하고 직관적이기 때문에 사용하기 쉽다. 그래프, 파이 차트 등 다양한 시각화 방식으로 지표를 제공한다.
또한 디지털 광고 솔루션인 구글 애드워즈뿐만 아니라 구글 태그관리자, 구글 데이터 스튜디오, 구글 옵티마이즈 등 디지털 분석 시 함께 활용하면 좋은 다른 구글 도구들과 쉽게 연동, 통합하여 사용이 가능하다.
▷ GA를 사용하는 PM 채용 공고
Cardoc
▶ No.1 Car Life Platform 카닥
카닥은 운전자 중심의 온라인 종합 차량관리 플랫폼으로 자동차 에프터 마켓 시장의 흐름을 바꾸고 있다. 운전자들이 비교 견적을 통한 자동차 관리로 최선의 선택과 합리적인 소비를 할 수 있도록 서비스를 제공하고 있다.
현재 약 250만 운전자들이 카닥을 통해 사진 한 장 만으로 차량 사고 견적 및 수리, 엔진 오일 교체 서비스, 타이어 교체 서비스, 자동차 보험 견적 및 가입 서비스를 이용하고 있으며, 카닥의 2021년 누적 거래액은 3,100억 원을 달성했다.
▶ 카닥의 PM 공고
카닥 PM 공고
카닥의 PM이라면 현재 진행 중인 비즈니스에 대해 유저 데이터와 파트너 데이터를 분석해 개선점을 찾아 프로덕트를 개선할 것 같다. A/B 테스트 환경 구축 및 운영에 필요한 고객 데이터도 추출할 수 있을 것이다.
현재 카닥은 ‘차량 사고 견적 및 수리, 엔진 오일 교체 서비스, 타이어 교체 서비스, 자동차 보험 견적 및 가입 서비스’를 제공 중인데, 이 외에 새로운 BM을 설계하고 실험 및 적용하는 일에 고객 데이터 분석 도구를 활용할 수 있을 것 같다.
Adobe Analytics
통계적 측정
통계에 도움이 되도록, Data Workbench은 안내가 있는 분석 시각화에서 세 가지 통계 측정을 제공합니다.
노트 수학은 데이터의 상관 관계를 판단하는 데 도움이 될 수 있지만 데이터를 둘러싼 컨텍스트 또한 고려해야 합니다.
Chi Sq 는 시각화에서 확인 표시의 모양을 제어하는 통계적 중요성의 테스트입니다. 수학적으로, 이것은 우리가 Null 가설을 거부할 수 있는 확률이며, 이것은 두 그룹 사이에 관찰되는 차이가 무작위 변형에 의해 설명될 수 있다는 것을 나타냅니다. 실제로 Chi Sq 값이 거의 100% 미만인 경우, 측정된 강도에 관계없이 상관 관계를 무시할 수 있습니다(다음 U 통계 및 V 통계 섹션에 설명된 대로).
는 시각화에서 확인 표시의 모양을 제어하는 통계적 중요성의 테스트입니다. 수학적으로, 이것은 우리가 Null 가설을 거부할 수 있는 확률이며, 이것은 두 그룹 사이에 관찰되는 차이가 무작위 변형에 의해 설명될 수 있다는 것을 나타냅니다. 실제로 Chi Sq 값이 거의 100% 미만인 경우, 측정된 강도에 관계없이 상관 관계를 무시할 수 있습니다(다음 U 통계 및 V 통계 섹션에 설명된 대로). U 통계란 통계적 상관관계의 강도를 측정하는 것입니다. 수학적으로, 그것은 정보 이론이라고 불리는 수학의 분기에서 나오고, 두 그룹의 분포들 사이의 상호 정보의 개념과 밀접한 관련이 있다. 또는 다른 그룹에 대해 최적의 코딩 방식을 사용하면 한 그룹의 압축성으로 생각할 수 있습니다. 실제로 이 측정은 방문자가 적은 많은 요소가 있는 차원의 일반적인 경우에 매우 잘 수행됩니다. 이 측정은 0(약함)부터 1(강함)까지 달라집니다.
통계란 통계적 상관관계의 강도를 측정하는 것입니다. 수학적으로, 그것은 정보 이론이라고 불리는 수학의 분기에서 나오고, 두 그룹의 분포들 사이의 상호 정보의 개념과 밀접한 관련이 있다. 또는 다른 그룹에 대해 최적의 코딩 방식을 사용하면 한 그룹의 압축성으로 생각할 수 있습니다. 실제로 이 측정은 방문자가 적은 많은 요소가 있는 차원의 일반적인 경우에 매우 잘 수행됩니다. 이 측정은 0(약함)부터 1(강함)까지 달라집니다. V 통계도 통계적 상관성의 강도지표다. 수학적으로, 이것은 선택 전환과 관련하여 측정의 대칭성을 향상시키기 위한 정규화 단계로만 달라지는 친숙한 Cramer의 V 통계와 관련되어 있습니다. 사실상, 이 측정은 많은 유형의 차원에서 상당히 잘 작동하며 일반적으로 사용되는 통계 측정과 관련되어 있습니다. 이 측정은 0(약함)부터 1(강함)까지 달라집니다.
노트 서로 보완하기 위해 U와 V 통계가 선택되었습니다. 각각 다른 U와 V가 강력하게 응답하지 않을 수 있는 상관 관계 유형을 감지하기 위해 조정되었습니다.
이 시각화를 안내서로 사용하면 작업 공간에 다른 시각화를 추가하여 선택 사항을 기반으로 데이터에 대한 자세한 통찰력을 제공할 수 있습니다.
다음 Site 예에는 1월, 2월, 3월 및 4월의 일 세션을 보여주는 막대 그래프가 포함되어 있습니다. 1월의 하루는 선택되어 있습니다.
작업 공간의 왼쪽 아래 모서리에 있는 안내가 있는 분석 시각화는 세션 번호 차원이 선택한 날짜에 대한 유용한 정보를 제공함을 나타냅니다.
작업 공간의 오른쪽 아래 모서리에 있는 세션 번호 막대 그래프를 조사하면 세션 번호 2에 대한 데이터가 벤치마크보다 훨씬 낮음을 확인할 수 있습니다. 따라서, 백분율로, 선택한 날에 평소보다 더 적은 두 번째 세션이 발생했음을 결론지을 수 있습니다. 안내가 있는 분석 시각화에 나열된 모든 차원에 대한 막대 그래프를 보려면 마우스를 사용하여 차원을 클릭하여 선택하기만 하면 됩니다.
분석을 위한 구조 데이터
데이터를 준비하고 분석을 위해 데이터를 구조화하는 방법을 이해하는 데 기초가 되는 몇 가지 개념이 있습니다. 데이터는 매우 다양한 형식으로 생성되고 표현되고 저장될 수 있지만 분석의 관점에서는 모든 데이터 형식을 동일하게 만들 수 있는 것은 아닙니다.
데이터 준비는 올바른 형식의 데이터를 단일 테이블이나 여러 관련 테이블로 변환하여 Tableau에서 분석할 수 있도록 만드는 프로세스입니다. 여기에는 행 및 열 같은 구조뿐만 아니라 올바른 데이터 유형과 올바른 데이터 값 같은 데이터 정확성 측면도 포함됩니다.
팁: 자신의 데이터 집합을 사용하여 다음 항목을 진행하는 것이 도움이 될 수 있습니다. 사용할 수 있는 데이터 집합이 아직 없는 경우 좋은 데이터 집합 찾기(링크가 새 창에서 열림)에서 팁을 참조하십시오.
구조가 분석에 미치는 영향
데이터 구조를 제어하지 못할 수 있습니다. 이 항목의 나머지 부분에서는 원시 데이터와 이를 구성하는 데 필요한 도구(예: Tableau Prep Builder)에 액세스할 수 있다고 가정합니다. 그러나 원하는 대로 데이터를 피벗하거나 집계할 수 없는 상황이 있을 수 있습니다. 여전히 분석을 수행할 수 있지만 계산이나 데이터 접근 방식을 변경해야 할 수도 있습니다. 다른 데이터 구조로 동일한 분석을 수행하는 방법에 대한 예는 Tableau Prep Day in the Life Scenarios: Tableau Desktop에서 두 번째 날짜를 사용한 분석(영문)(링크가 새 창에서 열림)을 참조하십시오. 그러나 데이터 구조를 최적화할 수 있다면 분석이 훨씬 쉬워질 것입니다.
데이터 구조
Tableau Desktop은 스프레드시트와 같이 테이블 형식이 지정된 데이터에서 가장 잘 작동합니다. 즉, 행 및 열로 저장되어 있고 첫 번째 행에 열 머리글이 있는 데이터를 사용하는 것이 좋습니다. 그렇다면 무엇이 행 또는 열이 되어야 할까요?
행이란?
레코드라고도 하는 행은 소매점의 거래와 관련된 정보부터 특정 위치의 날씨 측정값이나 소셜 미디어 게시물 관련 통계에 이르기까지, 무엇이든 될 수 있습니다.
데이터의 레코드(행)가 표현하는 대상이 무엇인지 아는 것이 중요합니다. 이것은 데이터의 세부 수준입니다.
여기서 각 레코드는 하루입니다. 여기서 각 레코드는 한 달입니다.
팁: 최상의 방법은 각 행을 고유한 데이터로 식별하는 값인 고유 식별자를 만드는 것입니다. 고유 식별자는 각 레코드의 주민등록번호나 URL 같은 것으로 생각할 수 있습니다. Superstore의 경우 행 ID가 있습니다. 모든 데이터 집합에 UID가 있는 것은 아닙니다. 그러나 하나 있는 것이 좋습니다.
“데이터 집합의 행이 나타내는 것은 무엇입니까?”라는 질문에 대답할 수 있어야 합니다. 이것은 “TableName(Count) 필드는 무엇을 나타냅니까?”라는 질문과 같습니다. 이러한 질문에 대답할 수 없다면 데이터가 분석에 적합하지 않는 구조일 수 있습니다.
집계 및 세부 수준 행 구성 요소와 관련된 개념은 집계와 세부 수준이며, 이 둘은 완전히 반대되는 개념입니다. 집계 여러 데이터 값이 단일 값으로 결합되는 방식을 나타냅니다. 예를 들어 Google에서 펌킨 스파이스 검색 결과 수를 집계하거나 지정된 날짜에 시애틀 주변의 모든 온도 판독값 평균을 구하는 것이 여기에 포함됩니다.
기본적으로 Tableau의 측정값은 항상 집계됩니다. 기본 집계는 SUM입니다. 이 집계를 평균, 중앙값, 고유 카운트, 최소값 등과 같은 옵션으로 변경할 수 있습니다. 세부 수준 데이터가 얼마나 자세한지를 나타냅니다. 데이터 집합의 행 또는 레코드가 나타내는 것은 무엇입니까? 말라리아에 감염된 사람은? 특정 주/도에서 한 달 동안 발생한 말라리아 총 건수는? 이런 것이 세부 수준입니다.
세부 수준(LOD) 식으로 작업하려면 데이터 세부 수준을 파악하는 것이 중요합니다. 여러 이유에서 집계 및 세부 수준이 핵심 개념이라는 것을 이해해야 합니다. 이들은 유용한 데이터 집합 찾기, 필요한 비주얼리제이션 작성, 올바른 연관 또는 조인, LOD 식 사용 등에 영향을 미칩니다. 팁: 자세한 내용은 도움말에서 집계 및 세부 수준 또는 Tableau의 데이터 집계 교육용 동영상을 참조하십시오.
필드 또는 열이란?
테이블 형식 데이터에서 열은 Tableau Desktop의 데이터 패널에 필드로 나타나지만 이 둘은 근본적으로 상호 대체 가능한 용어입니다. (Tableau Desktop에서는 가능한 경우 열이라는 용어를 열 및 행 선반에서 사용하고 특정 비주얼리제이션을 설명하기 위해서만 사용합니다.) 데이터의 필드는 더 포괄적 관계로 그룹화할 수 있는 항목을 포함해야 합니다. 항목 자체는 값 또는 멤버라고 합니다(불연속형 차원만 멤버를 포함함).
지정된 필드에서 허용되는 값의 유형은 필드의 도메인에 의해 결정됩니다(아래 참고 사항 확인). 예를 들어 “식품점 부서”에 대한 열에는 “식품부”, “제과점”, “농산물” 등이 멤버로 포함될 수 있지만 “빵” 또는 “소시지”와 같은 항목은 부서가 아니므로 멤버로 포함될 수 없습니다. 다른 방식으로 표현하면 부서 필드의 도메인은 식품점 부서로만 제한됩니다.
또한 잘 구조화된 데이터 집합에는 “Money(금액)”에 대한 열 하나만 있지 않고 “Sales(매출)”에 대한 열과 “Profit(수익)”에 대한 열이 있습니다. 매출과 수익은 모두 금액이지만 별개의 개념입니다.
Sales(매출) 필드의 도메인은 0보다 크거나 같은 값입니다. 매출은 음수일 수 없습니다.
그러나 Profit(수익) 필드의 도메인은 수익이 음수가 될 수 있으므로 모든 값일 수 있습니다.
참고: 도메인은 데이터가 나타내는 값을 의미할 수도 있습니다. “식품점 부서” 열에 실수로 “소시지”가 포함된 경우 정의에 따라 해당 값은 열 도메인에 포함될 수 있습니다. 정의가 약간 모순적입니다. 하나는 도메인에 속할 수 있거나 속해야 하는 값에 대한 정의이고 다른 하나는 실제 도메인이 있는 값에 대한 정의입니다.
필드 분류
데이터 테이블의 각 열은 Tableau Desktop에 필드로 제공되어 데이터 패널에 나타납니다. Tableau Desktop의 필드는 차원이거나 측정값(데이터 패널의 테이블에서 선으로 구분됨)이어야 하며 불연속형이거나 연속형(색상으로 구분됨: 파란색 필드는 불연속형이고 녹색 필드는 연속형임)이어야 합니다.
차원은 정성적입니다. 즉, 측정할 수 없지만 설명 가능합니다. 차원은 대개 도시나 국가, 눈동자 색상, 범주, 팀 이름 등과 같은 것들입니다. 차원은 일반적으로 불연속형입니다.
측정값은 정량적입니다. 즉, 측정할 수 있으며 숫자로 기록할 수 있습니다. 측정값은 매출, 키, 클릭 수 등과 같은 것들일 수 있습니다. Tableau Desktop에서 측정값은 자동으로 집계되며, 기본 집계는 SUM입니다. 측정값은 대개 연속형입니다.
불연속형은 개별적으로 구분된다는 의미입니다. 현대 자동차는 기아 자동차와 구별됩니다. Tableau Desktop에서 불연속형 값은 뷰에 레이블로 나타나고 패널을 만듭니다.
연속형은 단절이 없고 연속되는 전체를 형성한다는 의미입니다. 7 다음에는 8이 오고 9까지 거리가 같으며 7.5는 7과 8 중간에 위치합니다. Tableau Desktop에서 연속형 값은 뷰에 축으로 나타납니다.
차원은 대개 불연속형이고 측정값은 대개 연속형이지만 항상 그런 것은 아닙니다. 날짜는 불연속형이거나 연속형일 수 있습니다. 날짜는 차원이며 자동으로 뷰에 불연속형으로 나타나며, 날짜 부분이라고도 합니다. 예를 들어 “8월”은 연도 같은 다른 정보는 고려하지 않고 8월이라는 달로 간주됩니다. 불연속형 날짜와 함께 일정에 적용되는 추세선은 패널당 하나씩 여러 개의 추세선으로 분할됩니다. 원한다면 연속형 날짜를 사용하도록 선택할 수 있습니다. 이 기능을 날짜 잘림이라고 하며 “2017년 8월”은 “2018년 8월”과 다릅니다. 연속형 날짜와 함께 일정에 적용되는 추세선은 전체 날짜 축에 대해 단일 추세선을 갖습니다.
팁: 자세한 내용은 도움말에서 알약 모양 유형의 이해 또는 차원 및 측정값, 파란색 및 녹색 교육용 동영상을 참조하십시오.
Tableau Prep에서는 차원이나 측정값을 구분하지 않습니다. 그러나 프로필 패널의 데이터 세부 프레젠테이션과 요약 프레젠테이션 같은 것을 이해하려면 불연속형 또는 연속형에 대한 개념을 이해하는 것이 중요합니다.
세부: 세부 뷰에는 모든 도메인 요소가 불연속형 레이블로 표시되고 모든 데이터에 대한 시각적 개요를 제공하는 시각적 스크롤 막대가 있습니다.
요약: 요약 뷰에는 연속형 축에 구간으로 나뉜 값이 히스토그램으로 표시됩니다.
구간차원 및 히스토그램
나이 또는 급여와 같은 필드는 연속형으로 간주됩니다. 나이 34와 35 사이에는 관계가 있으며 34는 35에서 35가 36에서 떨어져 있는 만큼 떨어져 있습니다. 그러나 10살 정도가 넘게 되면 대개 “9살하고 반년”, “7살 9개월”과 같은 식으로 말하지 않게 됩니다. 우리는 이미 나이를 거의 연도 단위의 증분으로 구간차원화하고 있습니다. 12,850일 동안 산 사람은 12,790일 동안 산 사람보다 늙었지만 우리는 선형화해서 둘 모두 35살이라고 말합니다. 마찬가지로, 실제 나이 대신 연령 그룹화도 자주 사용합니다. 어린이용 영화표 가격은 12세 이하의 아이를 위한 것이고 설문조사에서는 20-24세, 25-30세 등과 같이 연령 그룹을 선택하도록 요청합니다.
구간차원을 사용하여 수치 데이터의 분포를 시각화하는 데에는 히스토그램이 사용됩니다. 히스토그램은 막대 차트와 유사하지만 막대별로 범주를 구분하는 대신, 꽃송이 수 범위(0-4, 5-9, 10-14 등)와 같이 히스토그램을 구성하는 사각형이 연속형 축의 구간 에 걸쳐 나타납니다. 사각형의 높이는 해당 값들의 빈도나 개수에 의해 결정됩니다. 여기서 y축은 각 구간에 속하는 식물의 개수입니다. 7개 식물은 꽃송이 수가 0-4개, 2개 식물은 꽃송이 수가 5-9개, 43개 식물은 꽃송이 수가 20-24개입니다.
Tableau Prep에서 요약 뷰는 구간차원으로 나뉜 값의 히스토그램입니다. 세부 뷰는 각 값의 빈도를 보여 주고 측면에 데이터의 전체 분포를 보여 주는 시각적 스크롤 막대가 있습니다.
요약 뷰 세부 뷰
분포 및 이상값
데이터 집합의 분포를 표시하는 것이 이상값을 감지할 때 도움이 됩니다.
분포: 히스토그램에서 데이터의 모양이며, 구간의 크기에 따라 달라집니다. 히스토그램 뷰에 모든 데이터를 표시할 수 있으면 데이터가 올바르고 완전하게 나타나는지 여부를 쉽게 확인할 수 있습니다. 분포의 모양은 데이터에 대해 알고 있고 분포가 의미가 있는지 여부를 해석할 수 있을 때에만 유용합니다. 예를 들어 1940년부터 2017년까지 광대역 인터넷을 사용하는 가구의 수에 대한 데이터 집합을 조사하는 경우 매우 왜곡된 분포를 보게 될 것이라 예상할 수 있습니다. 하지만 2017년 1월부터 2017년 12월까지 광대역 인터넷을 사용하는 가구의 수를 조사하는 경우 매우 균일한 분포를 보게 될 것이라 예상할 수 있습니다. Google에서 “펌킨 스파이스 라테”를 검색한 결과에 대한 데이터 집합을 조사하는 경우 가을에 상당히 가파르게 상승하는 결과를 보게 될 것이고 “섭씨를 화씨로 변환”에 대한 검색은 비교적 일정하게 유지될 것입니다.
이상값: 다른 값에 비해 극단적인 값입니다. 이상값은 올바른 값일 수도 있고 오류를 나타낼 수도 있습니다. 일부 이상값은 올바르며 실제 비정상 상태를 나타냅니다. 이러한 값은 제거하거나 수정해서는 안 됩니다. 일부 이상값은 데이터 정확성의 문제를 나타냅니다. 예를 들어 쉼표 대신 마침표를 입력하여 급여가 50,000달러 대신 50달러가 되는 경우입니다.
분포를 사용하는 시각적 이상값 감지 다음과 같은 목록이 있다는 가정합니다. 언뜻 보기에는 이상해 보이지 않습니다. 그러나 레이블 목록 대신 연속형 구간차원 축에 그리면 다음과 같이 보입니다. 이렇게 보면 마지막 관측값이 첫 번째 관측값과 멀리 떨어져 있으며 오류로 인한 이상값일 수 있습니다.
데이터 유형
스프레드시트와 달리 데이터베이스는 대개 데이터 집합에 엄격한 규칙을 적용합니다. 데이터 유형은 지정된 필드에서 데이터를 분류하고 데이터에 서식을 지정하고 데이터를 해석하는 방법과 데이터에 수행할 수 있는 작업에 대한 정보를 제공합니다. 예를 들어 숫자 필드에는 수학적 연산을 적용할 수 있고 지리적 필드는 매핑할 수 있습니다.
Tableau Desktop은 필드에 차원 또는 측정값을 할당하지만 필드는 데이터 유형에 따라 다른 특성을 가질 수 있습니다. 이러한 특성은 각 필드에 있는 아이콘으로 표시됩니다(일부 유형은 아이콘을 공유함). Tableau Prep은 동일한 데이터 유형을 사용합니다. 데이터 유형이 열에 적용되고 기존 값이 할당된 데이터 유형과 일치하지 않는 경우 값이 null로 표시될 수 있습니다(예: “purple”은 숫자로는 아무 의미가 없음).
일부 함수에는 특정 데이터 유형이 필요합니다. 예를 들어 CONTAINS와 숫자 필드를 함께 사용할 수 없습니다. 유형 함수는 필드의 데이터 유형을 변경하는 데 사용됩니다. 예를 들어 DATEPARSE는 특정 형식의 텍스트 날짜를 가져와 날짜로 만들 수 있으므로 뷰에서 자동 드릴다운과 같은 기능을 설정하는 데 사용할 수 있습니다.
아이콘 데이터 유형 텍스트(문자열) 값 날짜 값 날짜 및 시간 값 숫자 값 부울 값(관계형에만 해당) 지리적 값(맵에 사용)
팁: 자세한 내용은 데이터 유형에 대한 도움말 항목을 참조하십시오.
데이터 피벗 및 언피벗
사람이 인식하기 쉬운 데이터는 많은 열이 있는 가로 형식으로 표현되고 기록되는 경우가 많습니다. Tableau와 같은 시스템이 읽기 쉬운 데이터는 열이 적고 행이 많은 세로로 긴 형식입니다.
참고: 전통적으로 데이터 피벗은 세로를 가로로(행을 열로) 변환하는 것이고 언피벗은 가로를 세로로(열을 행으로) 변환하는 것입니다. 하지만 Tableau에서는 피벗이라는 단어를 ‘열을 행으로 변환하여 가로(사람이 인식하기 쉬운 형식)를 세로(시스템이 읽기 쉬운 형식)로 변환한다’는 의미로 사용합니다. 이 문서에서 피벗은 Tableau 관점의 단어를 나타냅니다. 명확성을 위해 “열을 행으로 피벗” 또는 “행을 열로 피벗”을 지정하는 것이 좋습니다.
자세한 내용은 데이터 피벗 및 데이터 작업을 위한 팁 도움말 문서를 참조하십시오.
가로 데이터
WHO 말라리아 데이터 집합에는 국가에 대한 열과 연도별 열이 있습니다. 각 셀은 해당 국가와 연도의 말라리아 사례 수를 나타냅니다. 이 형식에는 108개 행과 16개 열이 있습니다.
이 형식은 사람이 읽고 이해하기 쉽습니다. 그러나 이 데이터를 Tableau Desktop으로 가져오는 경우 열별로 필드가 만들어집니다. 2000년에 대한 필드, 2001년에 대한 필드, 2002년에 대한 필드 등이 만들어집니다.
이것을 다른 방식으로 생각하면, 모두 동일한 기본 사항(보고된 말라리아 사례 수)을 나타내는 15개 필드가 있지만 시간에 대한 단일 필드가 없습니다. 해당 데이터는 서로 다른 필드에 저장되어 있으므로 시간에 대한 분석을 하기가 매우 어렵습니다.
예: 가로 데이터 작업 질문: 2000년부터 2014년까지 국가별 총 말라리아 사례 수를 보여 주는 지도를 만들려면 어떻게 해야 합니까? 답변: 모든 연도의 합계를 구하는 계산된 필드를 만듭니다.
이 형식이 분석에 적합하지 않다는 또 다른 증거는 실제 값이 무엇을 의미하는지에 대한 정보를 얻을 수 있는 위치가 없다는 사실에서도 확인할 수 있습니다. 2012년 알제리의 경우 값이 55입니다. 무엇이 55입니까? 데이터 구조 관점에서 명확하지 않습니다.
열 이름이 값이 무엇인지 설명하는 대신 부가적인 정보를 제공하는 경우 데이터를 피벗해야 한다는 신호입니다.
세로 데이터
데이터를 피벗하면 데이터를 가로에서 세로로 모양을 바꿀 수 있습니다. 이제 연도별 열 대신 Year(연도)라는 단일 열이 있고 Reported Cases(보고된 사례 수)라는 새 열이 있습니다. 이 형식에는 1,606개 행과 3개 열이 있습니다. 이 데이터 형식은 가로로 넓기 보다는 세로로 깁니다.
이제 Tableau Desktop에는 Year(연도)에 대한 필드와 Reported Cases(보고된 사례 수)에 대한 필드, 그리고 원래 Country(국가) 필드가 있습니다. 각 필드가 데이터 집합의 고유한 특성(위치, 시간 및 값)을 나타내기 때문에 분석을 훨씬 쉽게 수행할 수 있습니다.
예: 세로 데이터 작업 질문: 2000년부터 2014년까지 국가별 총 말라리아 사례 수를 보여 주는 지도를 만들려면 어떻게 해야 합니까? 답변: Reported Cases(보고된 사례 수) 필드를 사용합니다.
이제 2012년 알제리에 대한 숫자를 쉽게 확인할 수 있습니다. 55는 보고된 사례 수를 나타냅니다(이 새 열에 레이블을 지정할 수 있음).
참고: 이 예에서 가로 데이터는 국가별 단일 레코드로 구성되어 있습니다. 세로 데이터 형식에는 국가별로 15개 행이 있습니다(데이터의 15개 연도마다 하나씩). 이제 국가별로 여러 행이 있다는 것을 기억하는 것이 중요합니다.
Land Area(국토 면적)에 대한 열이 있다면 해당 값은 세로 데이터 구조에서 각 국가에 대한 15개 행 각각에 대해 반복될 것입니다. Country(국가)를 행으로 가져오고, Land Area(국토 면적)를 열로 가져와 막대 차트를 만드는 경우 기본적으로 뷰는 국가별 15개 행 모두에 대한 국토 면적의 합계가 될 것입니다.
일부 필드의 경우 합계나 필터링 대신 평균이나 최소값을 사용하여 집계하여 값 중복 계산을 보상해야 할 수 있습니다.
정규화
관계 데이터베이스는 어떤 방식으로 서로 관련되거나 연결될 수 있는 여러 테이블로 구성됩니다. 각 테이블은 레코드별로 고유한 식별자 또는 키를 포함합니다. 키를 연관 또는 조인하여 레코드를 연결하면 단일 테이블에 포함된 것보다 많은 정보를 제공할 수 있습니다. 각 테이블에 들어가는 정보의 유형은 사용되는 데이터 모델에 따라 다르지만 일반적인 원칙은 중복을 줄이는 것입니다.
예를 들어 결혼식과 같은 행사의 행사 계획을 생각해 보십시오. 개인 수준뿐만 아니라 그룹(예: 가족 또는 부부) 수준에서 정보를 추적해야 합니다.
모든 정보를 함께 결합하는 테이블을 만들 수 있습니다.
하지만 주소가 잘못되어 수정해야 하는 경우 여러 행을 수정해야 하므로 오류나 충돌이 발생하기 쉽습니다. 더 나은 구조는 두 개의 테이블을 만드는 것입니다. 즉, 그룹과 관련된 정보(예: 주소 및 초대장 발송 여부)에 대한 테이블 하나와 개인과 관련된 정보(예: 좌석 배치 및 식단 제한 사항)에 대한 테이블 하나를 만듭니다.
그룹 테이블 개인 테이블
그룹 테이블에서 그룹 수준 정보를, 개인 테이블에서 개인 수준 정보를 추적하고 분석하는 것이 훨씬 쉽습니다. 예를 들어 필요한 좌석 수는 개인 테이블의 Attending = Yes 레코드 수에서 구할 수 있으며 필요한 감사장의 수는 Gift가 null이 아닌 그룹 테이블의 레코드 수에서 구할 수 있습니다.
모든 데이터를 여러 테이블로 분할하는 프로세스, 즉 어떤 테이블에 어떤 열이 포함되어 있는지 알아내는 프로세스를 정규화라고 합니다. 정규화를 사용하면 중복 데이터를 줄이고 데이터베이스 구조를 간소화할 수 있습니다.
그러나 여러 테이블에 걸쳐 있는 정보가 필요한 때가 있습니다. 예를 들어 신부측의 그룹과 신랑측의 그룹이 적절히 혼합되도록 좌석 배치(개인)의 균형을 유지하려면 어떻게 해야 할까요? (신부측 친척과 신랑측 친척은 그룹 수준에서 추적합니다.) 이 목표를 달성하려면 개인이 해당 그룹과 관련된 정보와 연관되도록 테이블을 다시 연결해야 합니다. 적절한 정규화는 단지 테이블을 분할하는 것이 아니라 데이터를 다시 결합하는 데 사용할 수 있는 공유된 관련 필드 또는 고유한 식별자를 필요로 합니다. 여기에서 관련 필드는 Group(그룹)입니다. 해당 필드는 두 테이블 모두에 존재하므로 이 필드를 기반으로 조인하여 원래 단일 테이블 형식을 구할 수 있습니다. 이것은 비정규화 구조입니다.
그렇다면 비정규화된 원래 테이블을 유지하지 않는 이유는 무엇일까요? 이 테이블은 유지 관리하기가 더 어렵고 중복 정보를 저장합니다. 규모가 커지면 데이터 중복 수준이 엄청나게 커질 수 있습니다. 동일한 정보를 반복적으로 저장하는 것은 효율적이지 않습니다.
정규화된 테이블에는 소수의 키 속성이 있습니다.
각 행에는 고유 식별자가 필요합니다.
각 테이블에는 다른 테이블과 다시 연결하는 데 사용할 수 있는 하나 이상의 열(키)이 있어야 합니다.
이러한 공유(키) 열은 테이블을 다시 연결하거나 조인하는 데 사용됩니다. 이 데이터의 경우 관계 또는 조인 절은 각 테이블의 Group(그룹) 필드에 있습니다.
조인 유형
Tableau Desktop에서 데이터를 결합하는 기본 방법은 관계이지만 Tableau Desktop 또는 Tableau Prep Builder에서 테이블을 조인해야 할 경우가 있습니다. 조인 및 조인 유형에 대한 기본적인 개요는 데이터 조인을 참조하십시오.
데이터 “정리”
Hadley Wickham이 2014년에 통계 소프트웨어 저널(Journal of Statistical Software)에 “Tidy Data(데이터 정리)”라는 논문을 발표했습니다(2014년 8월, 59권, 10호). 이 논문은 분석을 위해 잘 구조화된 데이터에 대한 프레임워크를 설계하는 뛰어난 업적을 달성했습니다. 이 논문은 여기(Hadley Wickham의 학술 자료 일람표)(링크가 새 창에서 열림) 또는 여기(r-project.org에서 호스팅)(링크가 새 창에서 열림)에서 찾을 수 있습니다.
참고: 이 논문은 외부 웹 사이트에서 호스팅됩니다. Tableau는 외부 공급자에 의해 유지 관리되는 페이지가 정확하며 최신 상태인지에 대해 책임을 지지 않습니다. 콘텐츠와 관련된 질문이 있는 경우 해당 소유자에게 문의하십시오.
키워드에 대한 정보 측정 데이터 분석
다음은 Bing에서 측정 데이터 분석 주제에 대한 검색 결과입니다. 필요한 경우 더 읽을 수 있습니다.
이 기사는 인터넷의 다양한 출처에서 편집되었습니다. 이 기사가 유용했기를 바랍니다. 이 기사가 유용하다고 생각되면 공유하십시오. 매우 감사합니다!
사람들이 주제에 대해 자주 검색하는 키워드 측정데이터분석
- 에어게이지
- spc
- 전용소프트웨어
- 데바
- deva
- jig
- 지그
측정데이터분석
YouTube에서 측정 데이터 분석 주제의 다른 동영상 보기
주제에 대한 기사를 시청해 주셔서 감사합니다 측정데이터분석 | 측정 데이터 분석, 이 기사가 유용하다고 생각되면 공유하십시오, 매우 감사합니다.