Top 15 LOD-Ausdrücke

Tableau Software hat sich das Ziel gesetzt, Daten für Benutzer sichtbar und verständlich zu machen. Mit unseren gut durchdachten Funktionen können Benutzer ihren Daten Ausdruckskraft verleihen. Ein Schwerpunkt liegt dabei auf Berechnungen. Je einfacher Ideen in einer Sprache für Berechnungen ausgedrückt werden können, desto verständlicher können sie für Benutzer dargestellt werden. Die Einführung von LOD-Ausdrücken in Tableau 9.0 bedeutet einen Durchbruch in diesem Bereich. Dank der neuen Ausdrücke können Benutzer mit einfachen Anweisungen komplexe Sachverhalte ausdrücken.

LOD-Ausdrücke erlauben eine unkomplizierte Berechnung von Aggregationen, die nicht dieselbe Detailgenauigkeit wie die Visualisierung aufweisen. Diese Werte lassen sich dann in beliebiger Form in Visualisierungen integrieren. Da dies vielleicht etwas verwirrend scheint, soll dieser Beitrag das Konzept anhand einer Reihe von allgemeinen Fragen veranschaulichen. Gegen Ende kommen wir noch zu etwas komplexeren Analysebeispielen. Das Whitepaper zu LOD-Ausdrücken gibt einen allgemeineren Überblick. Weitere Informationen zu Syntax und Verwendung finden Sie im Abschnitt zu LOD-Ausdrücken in der Online-Hilfe von Tableau Desktop.

Jede der folgenden 15 Arbeitsmappen enthält angepasste Datenquellen und kann heruntergeladen werden, wenn Sie weitergehende Informationen wünschen. Falls Sie keine Version von Tableau Desktop besitzen, können Sie hier eine kostenlose 14-tägige Testversion herunterladen. Wir empfehlen, diese angepassten Datenquellen zu verwenden, wenn Sie den Anweisungen folgen und die Ansichten neu erstellen.

Herauszufinden, wie viele Bestellungen jeder Kunde platziert hat, ist relativ einfach. Wie gehen wir aber vor, wenn wir wissen möchten, wie viele Kunden eine Bestellung, zwei Bestellungen, drei Bestellungen usw. aufgegeben haben. Um diese Ansicht zu erstellen, müssen wir die Anzahl der Kunden nach der Anzahl der platzierten Bestellungen aufschlüsseln. Die Frage ist einfach, doch wäre das Aufschlüsseln einer Kennzahl nach einer anderen Kennzahl ohne LOD-Ausdrücke schon schwieriger.

Stellen Sie sich die Vertriebsdatenbank eines Superstores mit mehreren Artikeln pro Bestellung vor. Die eindeutige Zahl der Bestellungen nach Kunde stellt die Anzahl der Bestellungen dar, die der einzelne Kunden aufgegeben hat. Ein einfacher LOD-Ausdruck kann die Anzahl der Bestellungen in eine Dimension umwandeln, die die Anzahl der Kunden aufschlüsselt.

Tragen längerfristige Kundenbeziehungen stärker zum Umsatz bei? In der Ansicht unten werden Kunden nach dem Jahr ihres ersten Kaufs gruppiert und der jährliche Umsatzanteil entsprechend der Kohorten verglichen. Der Mindestwert für das Bestelldatum pro Kunde ergibt das Datum des ersten Einkaufs. Da jedoch das Datum in der Ansicht nicht nach Kunden angezeigt wird, müssen wir den Mindestwert für das Bestelldatum pro Kunde mit einem LOD-Ausdruck bestimmen.

Wir können sicherlich Gewinntendenzen im Zeitverlauf darstellen, aber was wäre, wenn wir unseren Erfolg am Gesamtgewinn pro Geschäftstag messen möchten? Wir würden sicherlich wissen wollen, wie viele profitable Tage wir pro Monat oder Jahr erzielt haben, insbesondere, wenn wir saisonbedingte Auswirkungen untersuchen wollen. Die folgende Ansicht zeigt, wie wir mit LOD-Ausdrücken auf unkomplizierte Weise Partitionen zu aggregierten Daten wie Gewinn pro Tag erstellen, während die zugrunde liegenden Daten auf Transaktionsebene aufgezeichnet werden.

Wie hoch ist der Anteil der einzelnen Länder am internationalen Umsatz? Wenn wir den Prozentsatz auf Farbe ziehen, sehen wir sofort, dass der Anteil am internationalen Umsatz in den USA am höchsten ist. Aber vielleicht möchten wir uns auf einen Markt wie die EU konzentrieren, der absolut gesehen einen kleinen Anteil aufweist. Ohne LOD-Ausdruck würde beim Filtern nach Markt der Prozentsatz des Gesamtwerts neu berechnet, sodass der Anteil jedes Landes am jeweiligen Markt angezeigt würde. Mit einem einfachen LOD-Ausdruck können wir nach einem Markt filtern und weiterhin den Anteil am internationalen Umsatz ermitteln.

Wie sieht der tägliche Trend für die gesamte Neukundengewinnung nach Markt aus? Wenn wir den Trend bei diesen Daten ermitteln, erkennen wir, wie erfolgreich die regionalen Marketing- und Vertriebsorganisationen bei der Akquisition neuer Kunden sind. Je steiler die Linie, desto erfolgreicher ist die Akquisition. Wenn eine Linie flacher wird, müssen Maßnahmen ergriffen werden, um die Neukundengewinnung zu erhöhen.

Ein LOD-Ausdruck stellt sicher, dass Stammkunden nicht irrtümlich als Neukunden gewertet werden. Denn die Auswertung der Daten muss auf Kundenebene erfolgen, auch wenn sie visuell nach Markt und Tag dargestellt werden.

Es ist relativ einfach, eine Abweichung vom Mittelwert zu ermitteln. Wie aber gehen Sie vor, wenn Sie eine Abweichung von einer ausgewählten Kategorie feststellen möchten? Zuerst müssen Sie die Umsätze der ausgewählten Kategorie isolieren. Anschließend muss der Wert mit einem EXCLUDE-Ausdruck in allen anderen Kategorien wiederholt werden. Dann ist es einfach, die Abweichung beim Umsatz in jeder Kategorie zu erkennen.

Wie hoch ist der größte Verkaufsabschluss jedes Vertriebsmitarbeiters? Wie hoch ist dann gemessen an diesen besten Abschlüssen nach Vertriebsmitarbeiter der Mittelwert je Land? Mithilfe eines LOD-Ausdrucks erhalten wir Detailgenauigkeit bis hin zu den Vertriebsmitarbeitern, obwohl die Daten visuell nach dem Land dargestellt werden. In der Ansicht unten ist der Mittelwert der besten Abschlüsse nach Vertriebsmitarbeiter in blau markierten Ländern höher als in orangefarben markierten Ländern. Wir können mit diesen Informationen eine Drilldown-Analyse vom Land zum Vertriebsmitarbeiter ausführen.

In dieser Visualisierung stellen wir den Vergleich zwischen dem tatsächlichen Gewinn und dem Zielwert für eine Kaffeehauskette nach Bundesstaat dar. In der oberen Ansicht sehen wir deutlich, welche Bundesstaaten den Zielwert übertroffen und welche ihn nicht erreicht haben. Wenn wir die Daten jedoch auf diese Weise aggregieren, könnten wir wichtige Nuancen übersehen. Einige Bundesstaaten liegen über dem Zielwert, weil jedes hier verkaufte Produkt über dem Zielwert liegt. Andere liegen über dem Zielwert, weil ein einzelnes Produkt den Zielwert so weit übersteigt, dass alle anderen Produkte nicht mehr ins Gewicht fallen, die den Zielwert nicht erreichen. Mit einem LOD-Ausdruck können wird den Prozentsatz der verkauften Produkte in einem Bundesstaat ermitteln, die über dem Zielwert liegen.

Daten, die den Status zu einem bestimmten Tag wiedergeben, wie Bestandszahlen, Anzahl der Beschäftigen oder der tägliche Schlusskurs eines Wertpapiers, müssen anders gehandhabt werden als aggregierbare Kennzahlen wie Umsatz oder Gewinn. In diesen Fällen möchten Sie den Wert vielleicht zum letzten Kalendertag eines Monats anzeigen. Zudem sollte ein Drilldown vom Monat zur Woche die Darstellung aktualisieren, sodass der Wert zum letzten Tag der Woche angezeigt wird. Das Beispiel unten zeigt Wertpapierdaten für mehrere Ticker auf Tagesbasis. In der Ansicht wird der durchschnittliche Tagesschlusskurs mit dem Schlusskurs am letzten Tag des Zeitraums verglichen. Mit einem einfachen LOD-Ausdruck können wir die einzelnen Tage betrachten, auch wenn die Daten visuell auf einer höheren Ebene dargestellt werden.

Die folgenden sechs Beispiele veranschaulichen, wie LOD-Ausdrücke in komplexeren Szenarien eingesetzt werden können, und zeigen Fallbeispiele, die auf die vielfältigen Funktionen von Tableau zurückgreifen. Weitere Beispiele zu allgemeineren Szenarien sehen Sie in den On-Demand-Schulungsvideos zu LOD-Ausdrücken.

Die Akquisition von Neukunden kann teuer sein. Deshalb möchten wir sicherstellen, dass bestehende Kunden wieder bei uns kaufen. Bei wie vielen Kunden dauert es ein, zwei, drei oder n Quartale, bis ein Wiederholungskauf zustande kommt? Wie viele haben überhaupt keinen Wiederholungskauf getätigt? Wie zeigt sich dieses Verhalten aufgeschlüsselt in Quartalskohorten? Wir können mit einem FIXIERTEN Ausdruck die Datumsangaben zum ersten Kauf und Folgekauf pro Kunde ermitteln und daraus die Anzahl der Quartale bis zum Wiederholungskauf ableiten.

Beispiel 6 zeigt einen Vergleich mit einem einzelnen ausgewählten Element. Wie gehen Sie jedoch vor, wenn Sie einen Wertebereich vergleichen möchten? Vielleicht soll der Tagesschlusskurs mit dem durchschnittlichen Tagesschlusskurs vor dem Eintreten eines wichtigen Ereignisses verglichen werden, das sich auf die fragliche Branche ausgewirkt hat.

Eine übliche Kennzahl für die Leistungsanalyse besteht in Vergleichen seit Jahresbeginn oder Monatsbeginn in Relation zum vorherigen Jahr. Das lässt sich einfach mit einem auf heute bezogenen Filter erreichen. Was geschieht jedoch, wenn die Daten wöchentlich aktualisiert werden? Angenommen Ihre letzte Aktualisierung wurde am 1. März durchgeführt, aber das heutige Datum ist der 7. März. Ein Vergleich seit Monatsbeginn würde den 1. März bis zum 7. März des Vorjahres im Vergleich zum 1. März des laufenden Jahres zeigen. Dies würde sämtliche Alarmglocken aktivieren, obwohl gar kein Grund dafür besteht! Mit einem einfachen LOD-Ausdruck können wir das höchste zulässige Datum im Datensatz ermitteln.

Wie viele Benutzer melden sich bei einer Website oder Anwendung einmal monatlich an, einmal alle zwei Monate, einmal alle drei Monate usw.? Wie hoch ist die durchschnittliche Anmelderate? Wie stellt sich die Verteilungsschiefe um diesen Mittelwert dar? Die Granularität der Daten zeigt sich im Anmeldedatum pro Benutzer-ID. Anders ausgedrückt gibt es eine Zeile für jeden Tag, an dem sich ein Benutzer angemeldet hat. Zum Erstellen dieser Ansicht muss die Anzahl der Kunden nach der Anmelderate aufgeschlüsselt werden, d. h. wir müssen eine Kennzahl nach einer anderen Kennzahl aufschlüsseln. Wir haben im 1. Beispiel gesehen, wie LOD-Ausdrücke diese Art von Analysen vereinfachen können.

Die grundlegende Frage jeder Analyse lautet. „Im Vergleich zu was?“ Wenn wir Daten filtern, möchten wir vielleicht die Auswahl mit dem Gesamtwert vergleichen, anstatt nur die Auswahl als Filter zu verwenden. Dieses Verfahren bezeichnen wir als proportionales Bürsten (Proportional Brushing).

Sind langjährige Kunden treuer, wobei die Dauer der Kundenbeziehung nach dem Jahr des Kundenzugangs und die Treue nach der jährlichen Kauffrequenz gemessen wird?

Wir haben im 1. Beispiel gesehen, wie viele Kunden genau einmal, zweimal usw. gekauft haben. Ein Marketer will jedoch selten alle Kunden ermitteln, die genau fünfmal kauften. Stattdessen ist es vermutlich sinnvoller, zu wissen, wie viele Kunden mindesten fünfmal einen Kauf getätigt haben.

Außerdem haben wir im 2. Beispiel erfahren, dass die meisten Kunden 2011 und die wenigsten 2014 akquiriert wurden. Bei einem Blick auf die absoluten Kundenzahlen zeigt sich auch nur wieder dieser Trend. Deshalb ist es vielleicht interessanter, den Prozentsatz der Kunden insgesamt nach Kohorte als Maß für die Kundentreue zu betrachten.

Um also die Ausgangsfrage etwas genauer zu formulieren: Wie viel Prozent der Kunden tätigten in einem Jahr mindestens einen, zwei, drei oder n Käufe?

Dieses Beispiel kombiniert eine Variante des LOD-Ausdruck zur Anzahl der Bestellungen aus dem 1. Beispiel, den Kohortenausdruck aus dem 2. Beispiel und eine Variante des Ausdrucks zum Prozent des Gesamtwerts aus dem 4. Beispiel.