Las 15 expresiones LOD principales

La misión de Tableau es ayudar a las personas a ver y comprender los datos. Nuestras funcionalidades están cuidadosamente diseñadas para ayudar a la gente a descubrir el significado de los datos. Un área de especial atención es la de los cálculos. Cuanto más fácil sea expresar las ideas en un lenguaje de cálculo, más significado se podrá descubrir. La incorporación de las expresiones de nivel de detalle (LOD) en Tableau 9.0 es un avance en ese sentido. Estas nuevas expresiones permiten a las personas expresar conceptos interesantes con instrucciones simples.

Las expresiones LOD proporcionan un modo sencillo de calcular agregaciones que no tienen el mismo nivel de detalle de la visualización. Después, se pueden integrar esos valores en visualizaciones de maneras arbitrarias. Esto puede ser difícil de entender. Por lo tanto, en esta publicación se ilustra el concepto en una serie de preguntas frecuentes. Hacia el final, veremos algunos ejemplos de análisis más avanzados. El informe sobre expresiones de nivel de detalle brinda información más general. Para conocer más detalles acerca de la sintaxis y el uso, consulte Expresiones de nivel de detalle en la ayuda en línea de Tableau Desktop.

Cada uno de los 15 libros de trabajo siguientes contiene fuentes de datos personalizadas y puede descargarse si desea obtener más información. Si no cuenta con una copia de Tableau Desktop, puede obtener una versión de prueba gratuita de 14 días aquí. Recomendamos que use estas fuentes de datos personalizadas si decide seguir las instrucciones y recrear las vistas.

Conocer el número de pedidos que hizo cada cliente es relativamente fácil, pero ¿qué pasaría si quisiéramos saber el número de clientes que hicieron un pedido, dos pedidos, tres pedidos, etc.? Para crear esta vista, debemos dividir el número de clientes por el número de pedidos realizados. Es una pregunta sencilla, pero dividir una medida por otra sería difícil sin las expresiones de nivel de detalle.

Considere la base de datos de ventas de una supertienda que tiene múltiples artículos por pedido. El recuento específico de pedidos por cliente da el número de pedidos que hizo cada cliente. Una expresión LOD simple puede convertir el número de pedidos en una dimensión que divida al número de clientes.

¿Los clientes de más antigüedad hacen una mayor contribución a las ventas? En la vista que se presenta a continuación, se agrupa a los clientes por el año de su primera compra con el fin de comparar las contribuciones anuales a las ventas de todas las cohortes. La fecha mínima de pedido por cliente dará la fecha de la primera compra. Sin embargo, como los datos de la vista no se muestran por cliente, debemos usar una expresión LOD para establecer la fecha mínima de pedido por cliente.

Definitivamente, podemos ver tendencias de beneficios a través del tiempo. Sin embargo, ¿qué pasaría si nos interesara medir nuestro éxito con el total de beneficios de cada día laboral? Probablemente queramos saber el número de días rentables de cada mes o año, en especial si tenemos curiosidad sobre el efecto de las temporadas. En la siguiente vista se muestra cómo las expresiones LOD nos permiten crear agrupaciones fácilmente a partir de datos agregados, como beneficio por día, mientras que los datos subyacentes se registran en el nivel de las transacciones.

¿Cuál es la contribución con ingresos de cada país a las ventas globales? Si coloreamos por porcentaje de contribución, inmediatamente vemos que Estados Unidos hace la contribución más alta a los ingresos por ventas globales. No obstante, podríamos desear concentrarnos en un mercado como el de la UE que, en términos absolutos, hace una contribución más pequeña. Sin las expresiones LOD, filtrar por un mercado haría que el porcentaje del total se recalculara y mostraría la contribución de cada país a su mercado. Con una expresión LOD simple, podemos filtrar por un mercado y seguir midiendo la contribución global.

¿Cuál es la tendencia diaria de la adquisición total de clientes por mercado? Descubrir la tendencia de estos datos nos ayudará a comprender la eficacia de las organizaciones regionales de ventas y marketing para generar nuevos negocios. Cuanto más inclinada sea la línea, más alta será la tendencia de adquisición. Cuando la línea se aplana, se debe emprender alguna acción para incrementar el flujo de clientes potenciales.

Una expresión LOD garantiza que los clientes que vuelven a hacer una compra no se cuenten erróneamente como nuevos clientes, ya que los datos deben evaluarse en el nivel de los clientes aunque se representen visualmente por mercado y por día.

La diferencia del promedio se obtiene mediante un cálculo relativamente directo, pero ¿qué pasaría si deseara determinar la diferencia con respecto a una categoría seleccionada? Primero, debe separar las ventas de la categoría seleccionada. Después, se necesita una expresión con EXCLUDE para repetir el valor en todas las demás categorías. Luego, es muy fácil calcular la diferencia de ventas de cada categoría con las del resto.

¿Cuál es el trato más grande que cerró cada representante? Y considerando estos tratos más grandes por representante, ¿cuál es el promedio por país? Una expresión LOD nos permite analizar el nivel de detalle de representante de ventas aunque los datos se presenten visualmente en el nivel de detalle de país. En la vista de abajo, el tamaño promedio de los tratos más grandes por representante de ventas es más alto en los países de color azul y más pequeño en los países de color naranja. Podemos usar esta información para pasar de un análisis de exploración en el nivel de país a uno más específico del representante de ventas.

En esta visualización, plasmamos la diferencia entre el beneficio real y el beneficio objetivo por estado de una cadena de cafeterías. En la vista superior, podemos ver claramente qué estados superaron el objetivo y cuáles no lo alcanzaron. Sin embargo, cuando hacemos una agregación de este modo, podemos perder detalles importantes. Algunos estados superaron el objetivo porque todos los productos de ese estado superaron el objetivo. Otros superaron el objetivo porque un solo producto superó el objetivo lo suficiente para compensar a todos los demás productos que no lo alcanzaron. Podemos usar una expresión LOD para identificar el porcentaje de productos vendidos en un estado que superaron su objetivo.

Los datos que representan el estado de un día en particular, como los números de inventario, la cantidad de empleados o el valor de cierre diario de una acción, deben tratarse de manera diferente que las métricas que pueden agregarse, como las ventas o los beneficios. En estos casos, es posible que desee mostrar los valores del último día natural del mes. Además, damos por hecho que al profundizar y pasar del mes a la semana, se mostraría el valor del último día de la semana. En el ejemplo que aparece a continuación, observamos datos de acciones de múltiples teletipos bursátiles en el nivel de día. En la vista se comparan el promedio del valor de cierre diario con el valor de cierre del último día del período. Con una expresión LOD sencilla, podemos profundizar al nivel de día, aunque los datos se visualicen en un nivel superior.

En los siguientes 6 ejemplos se ilustran aplicaciones de las expresiones de nivel de detalle en situaciones más avanzadas y aplicaciones específicas que hacen uso de un conjunto más amplio de funciones de Tableau. Para conocer otros ejemplos de situaciones más sencillas, vea los videos de capacitación a pedido acerca de expresiones LOD.

Adquirir nuevos clientes puede ser costoso, por lo que queremos asegurarnos de que los clientes existentes vuelvan a hacer compras. ¿Cuántos clientes tardan uno, dos, tres o N trimestres en volver a hacer una compra? ¿Cuántos nunca volvieron a hacer una compra? ¿Qué apariencia tiene este comportamiento por cohortes trimestrales? Podemos usar una expresión con la palabra clave FIXED para encontrar las fechas de la primera y la segunda compra por cliente y así obtener el número de trimestres que los clientes tardan en volver a hacer una compra.

En el ejemplo 6 se muestra cómo hacer una comparación con un único elemento seleccionado, pero ¿qué pasaría si deseara hacer una comparación con un rango de valores? Por ejemplo, podría desear comparar el valor de cierre diario de una acción con el valor de cierre diario promedio antes de que ocurriera un evento importante que afectara a la industria en cuestión.

Una métrica comúnmente usada para analizar el rendimiento es la comparación hasta la fecha del año y hasta la fecha del mes en relación con el año anterior. Podemos hacer esto fácilmente con un filtro relativo a hoy. Sin embargo, ¿qué sucede si los datos se actualizan semanalmente? Suponga que su última actualización fue el 1 de marzo, pero hoy es 7 de marzo. Una comparación hasta la fecha del mes mostraría del 1 al 7 de marzo del año pasado frente al 1 de marzo de este año. Esto podría alarmarnos innecesariamente. Una expresión LOD sencilla nos permite hallar la fecha máxima del conjunto de datos.

¿Cuántos usuarios inician sesión en un sitio web o una aplicación una vez al mes, cada dos meses, cada tres meses, etc.? ¿Cuál es el porcentaje promedio de inicios de sesión? ¿Cómo se comporta la distribución respecto a este promedio? La granularidad de los datos consiste en la fecha de inicio de sesión por ID de usuario. En otras palabras, hay una fila por cada día en que el usuario inició sesión. Para crear esta vista se requiere dividir el número de clientes por el porcentaje de inicios de sesión, lo que significa que debemos dividir una medida por otra. En el ejemplo 1, vimos que las expresiones LOD facilitan este tipo de análisis.

La pregunta fundamental de cualquier análisis es: ¿comparado con qué? A veces, al filtrar nos gustaría comparar la selección con la cantidad total, en vez de solo filtrar la selección. Esta técnica se conoce como aplicación proporcional de color.

Si se mide la antigüedad con el año de adquisición del cliente y la lealtad con la frecuencia de compra anual, ¿los clientes más antiguos son los más leales?

Por el ejemplo 1, sabemos qué cantidad de clientes hacen exactamente una compra, dos compras, etc. No obstante, no es común que un comerciante desee identificar a todos los clientes que hicieron exactamente cinco compras. En cambio, puede resultar más útil saber cuántos clientes hicieron al menos cinco compras.

Además, por el ejemplo 2, sabemos que la mayoría de los clientes se adquirieron en 2011 y la menor cantidad se adquirió en 2014. El número absoluto de clientes confirmará esta misma tendencia. Por lo tanto, sería más interesante ver el porcentaje del total de clientes por cohorte como una medida de lealtad.

Volvamos a formular la pregunta inicial más claramente: ¿qué porcentaje de clientes de cada cohorte hizo al menos una, dos, tres y N compras en un año?

En este ejemplo se combinan una versión de la expresión LOD del número de pedidos del ejemplo 1, la expresión de cohorte del ejemplo 2 y una versión de la expresión de porcentaje del total del ejemplo 4.