Tableau:ビジュアルアナリティクスの要素5W1Hをサンプルデータでサクッと再現してみる | VizHacker

Tableau:ビジュアルアナリティクスの要素5W1Hをサンプルデータでサクッと再現してみる

今回は、ビジュアルアナリティクスでは不可欠となってくる「ストーリー性」についての内容をサクッとご紹介します。

内容はTableau Jedi講師のKaori Tanakaさんの講義内容をヒントに作成しています。

 

 

ダッシュボードに必要な「5W1H」

 

様々なシートを組み合わせ作るダッシュボードですが、その中のストーリー性が重要になってきます。

①見た人の心を動かすこと ②人の記憶に残ること

がビジュアルアナリティクス の大きな目的であり、それにより最適かつ高速な意思決定が可能になります。

2つの例を出してみます。

 

例1「2039576 3205835 6583729 4395730 5198504 」

 

Q「25文字目の文字は??」
A「5」

 

例2「私はTableauのやり過ぎて徹夜をし、授業に遅刻しました。そのせいで教授に激怒されました。」

 

Q「何故教授は激怒した?」
A「遅刻したから」

 

上の例は、ストーリー性がないのですぐに忘れそうです。歴史の語呂合わせに似てますね。

一方下は、ストーリー性があるので頭に残りますし「何してんだw」という人の気持ちも動きます。

両者とも、答えの情報の位置は25文字目付近になるのですが、印象が違います。

 

そんな「ストーリー性」を作っていく為には、まずは「5W1H」を意識するのが基本です。

 

「〜の売上は?」「1番売れている/売れていない製品は?」などの問いは、データ解析をする上での最初の問いになります。

 

そこから「何故〜なのか?」というより深い問いを投げかけていくのですが、その為にはどこで・いつ・誰が・どのように、な

ど様々な観点から分析をしていくことになります。このサイクルを何度も循環して、問いに答えていきます。

 

何だか抽象的な話なので今回はそういった「5W1H」を「サンプルスーパーストア」で超サクッと表現してみます。

 

サンプルデータで「5W1H」を表現する

 

「売上データ」のサンプルデータを使って、今回は「製品の売上情報の深掘り」をテーマにします。

そうすると、5W1Hの要素は具体的に、

What(何が売れたか):どのカテゴリの製品が売れたか

Where(どこで売れたか):どの地域(都道府県)で売れたか

Who(誰に売れたか):顧客の売上の分布はどうか

When(いつ売れたか):売上の時系列の推移はどうか

Why(そもそもなぜ見たいのか?):売上の悪い状況に施策を打ちたい

How(どうするのか):以上の5Wを踏まえてアクションを決める

 

あくまで1つの例ですが、次のように当てはめることができます。

↓完成図はこんな感じになりました。(Tableau Public)

では、パーツごとにみていきます。

What(何が売れたか)

ここでは、カテゴリ別の売上を棒グラフに、利益を色でグラデーションしています。

テーブルがまあまあ売上があるのに、利益面ではイマイチというサインが出ていますね。

これではまだ具体的なアクションを起こせないのでさらに調べてみます。

 

Where(どこで売れたか)

都道府県ごとの売上を色分けしてみます。

カテゴリで絞ると、全国的に売上が芳しくありません。

特に中部エリアが赤く、静岡県ピンポイントで売上の改善・逆に青のエリアで集中的な展開、などのアクション案が思い浮かびますね。

 

Who(誰に売れたか)

次に、顧客一人一人の取引について利益と売上の相関関係を見てみます。

加えて、割引率の高低でグラデーションしてみると……

利益と売上には負の相関関係があり、割引率が高いほど、利益が芳しくないみたいです。

割引しないほうがいいのかも…..?

 

When(いつ売れたか?)

次に指標を時間的推移にして可視化してみます。

線グラフが売上推移・棒グラフが前年度成長率ですが、売上は増加傾向にありますね。

一方で毎年7月にガクッと下がっているので何か問題があるのかもしれません。

 

これら4つのWを通して、どうやってビジネスアクションを取るか(How)、売上が低迷しているには何故が(Why)が分かってきます。

 

 

問いは繰り返していくことが重要

 

ザッと5W1Hそれぞれの観点で可視化をしてみましたが、
これらに順番があるわけでなくサイクルを回していくことでより深い洞察や、新しいインスピレーションが生まれてきます。

「割引率が高い家具の静岡県での7月の売上が芳しくない」という洞察が得られたら、「じゃあ出荷までの日数はどうなのか?」「逆に売れている商品との違いは何か」などなどより深く、具体的な問いをすることが可能になります。

このサイクルを何度も回していくことでより良い分析が可能になっていきます。

さらにデータがこのサイクルを回せそうな形を取っていると、分析する前からあげぽよなわけです。

『The cycle of Visual Analytics』(参照:http://datafoam.com/2017/02/18/big-data-live-with-impala-tableau/

 

また、このサイクルを高速で回せる=素早く試行錯誤ができる、Tableauはよりビジュアルアナリティクス のサイクルで威力を発揮するのかもしれません。

 

 

 

本サイトではリクエスト募集しています。