Top 15 des expressions LOD

Tableau s'est donné pour mission d'aider les utilisateurs à visualiser et à comprendre leurs données. Nos fonctionnalités sont spécialement conçues pour aider les utilisateurs à transformer des données en informations significatives. Une partie de ces fonctionnalités sont axées sur les calculs. Plus il est facile d'exprimer des idées dans un langage de calcul, plus les utilisateurs sont en mesure de générer des informations significatives à partir de leurs données. L'introduction des expressions LOD dans Tableau 9.0 constitue une grande avancée dans ce domaine. Ces nouvelles expressions permettent aux utilisateurs d'exprimer des concepts puissants à l'aide de formules simples.

Les expressions LOD sont un moyen de calculer facilement des agrégations qui ne sont pas adaptées au niveau de détail de la visualisation. Vous pouvez alors intégrer ces valeurs dans des visualisations de manière arbitraire. Cela peut paraître complexe de prime abord, mais ce billet a pour objectif d'illustrer ce concept à travers une série de questions fréquentes. Vers la fin du billet, nous examinerons quelques exemples d'analyses plus sophistiqués. Le livre blanc sur les expressions LOD fournit un aperçu plus général. Pour obtenir des détails sur la syntaxe et l'utilisation des expressions LOD, consultez la rubrique Expression LOD dans l'aide en ligne de Tableau Desktop.

Chacun des 15 classeurs suivants contient des sources de données personnalisées et peut être téléchargé pour plus de détails. Si vous ne disposez pas de Tableau Desktop, vous pouvez télécharger la version d'évaluation gratuite de 14 jours ici. Nous vous recommandons d'utiliser ces sources de données personnalisées si vous souhaitez suivre les instructions et recréer les vues.

1. Fréquence des commandes client

Déterminer le nombre de commandes effectuées par chaque client est relativement facile, mais imaginons que vous souhaitiez connaître le nombre de clients ayant effectué une, deux ou trois commandes, par exemple. Pour créer cette vue, vous devez décomposer le nombre de clients en fonction du nombre de commandes effectuées. Il s'agit d'une question simple, mais décomposer une mesure en fonction d'une autre mesure serait difficile sans l'aide des expressions LOD.

Prenons les bases de données des ventes d'un hypermarché présentant plusieurs articles par commande. Le total distinct des commandes par client donne le nombre de commandes effectuées par chaque client. Une expression LOD simple peut remplacer le nombre de commandes par une dimension permettant de décomposer le nombre de clients.

2. Analyse de cohorte

Les clients plus anciens apportent-ils une contribution plus importante aux ventes ? La vue ci-dessous regroupe les clients par l'année de leur premier achat afin de comparer les contributions annuelles en termes de ventes dans l'ensemble des cohortes. La date de commande minimum par client indiquera la date du premier achat. Toutefois, étant donné que les données incluses dans la vue ne sont pas affichées par client, vous devez utiliser une expression LOD pour déterminer la date de commande minimum par client.

3. Indicateur clé de performance des bénéfices par jour

Vous pouvez bien évidemment représenter vos bénéfices sur la durée, mais imaginons que vous souhaitiez mesurer vos résultats en déterminant les bénéfices totaux par jour ouvré. Vous souhaiteriez probablement connaître le nombre de jours rentables par mois ou par an, en particulier pour observer les effets de saison. La vue suivante illustre comment les expressions LOD permettent de créer facilement des compartiments avec des données agrégées telles que les bénéfices par jour, bien que les données de base soient enregistrées au niveau des transactions.

4. Pourcentage du total

Quelle est la contribution de chaque pays en termes de chiffre d'affaires dans le montant total des ventes ? Si vous appliquez un code couleur selon le pourcentage de contribution, vous constaterez immédiatement que les États-Unis apportent la contribution la plus importante dans le chiffre d'affaires global. Toutefois, vous pouvez également vouloir vous concentrer sur un marché tel que le marché européen qui, dans l'absolu, apporte une petite contribution. Sans expression LOD, le filtrage par marché entrainerait un nouveau calcul du pourcentage du total, affichant la contribution de chaque pays aux chiffres de son marché seul. Grâce à une expression LOD simple, vous pouvez afficher un seul marché tout en mesurant la contribution aux chiffres globaux.

5. Acquisition de nouveaux clients

Quelle est la tendance quotidienne en termes d'acquisition de clients totale par marché ? Établir une tendance à partir de ces données vous permettra de déterminer l'efficacité du marketing régional et de votre réseau commercial en matière d'acquisition de clients. Plus la pente de la ligne est forte, plus la tendance d'acquisition est favorable. Si la ligne est plutôt plate, il est nécessaire de prendre des mesures pour encourager l'acquisition de clients.

Une expression LOD garantit que les clients réguliers ne sont pas comptés en tant que nouveaux clients, étant donné que les données doivent être évaluées au niveau du client, même si celles-ci sont affichées dans la vue par marché et par jour.

6. Analyse comparative des ventes

Il est relativement simple de calculer la différence par rapport à la moyenne, mais imaginons que vous souhaitiez déterminer la différence par rapport à une catégorie sélectionnée. Vous devez d'abord isoler les ventes de la catégorie sélectionnée. Ensuite, vous devez créer une expression EXCLUDE afin de répéter cette valeur dans toutes les autres catégories. Il est alors facile d'isoler la différence entre les ventes d'une catégorie par rapport à celles des autres catégories.

7. Montant moyen des meilleurs contrats par commercial

Quel est le plus gros contrat remporté par chaque commercial ? Et, en ce qui concerne les meilleurs contrats par commercial, quel est le montant moyen par pays ? Une expression LOD vous permet d'examiner le niveau de détail du commercial, même si les données affichées dans la vue sont au niveau du pays. Dans la vue ci-dessous, le montant moyen des meilleurs contrats par commercial est plus élevé dans les pays en bleu, et plus faible dans ceux en orange. Vous pouvez utiliser ces informations pour permettre une exploration détaillée, des résultats d'un pays entier à ceux d'un commercial donné.

8. Valeur réelle par rapport à un objectif

Dans cette visualisation, vous observez la différence entre les bénéfices réels et les objectifs prévus par État pour une chaîne de cafés. Dans la vue supérieure, vous pouvez observer les États qui ont dépassé leurs objectifs et ceux qui ne les ont pas atteints. Toutefois, lorsque vous agrégez des données de cette manière, des nuances importantes peuvent vous échapper. Certains États dépassent les objectifs, car l'objectif de chaque produit vendu dans les États concernés est dépassé. D'autres pays dépassent les objectifs, car un seul produit vendu dépasse suffisamment son objectif pour compenser tous les autres produits qui n'ont pas atteint le leur. Vous pouvez utiliser une expression LOD pour déterminer le pourcentage de produits vendus au sein d'un État ET ayant dépassé leur objectif.

9. Valeur observée le dernier jour d'une période

Les données représentant l'état d'un jour en particulier, tels que les chiffres d'inventaire, le nombre d'employés ou la valeur quotidienne de clôture d'une action, doivent être traitées différemment des mesures pouvant être agrégées, telles que les ventes ou les bénéfices. Dans ces cas-là, vous pouvez afficher la valeur au dernier jour civil d'un mois. En outre, lorsque vous descendez dans la hiérarchie et passez des mois aux semaines, vous souhaitez que la valeur soit modifiée pour afficher la valeur du dernier jour de la semaine. Dans l'exemple ci-dessous, vous pouvez observer des données relatives à différentes actions au niveau des jours. La vue compare la valeur de clôture quotidienne moyenne à la valeur de clôture au dernier jour de la période. Grâce à une expression LOD simple, vous pouvez examiner la valeur quotidienne, même si les données sont affichées dans la vue à un niveau de détail plus large.

Les six exemples suivants illustrent comment les expressions LOD peuvent être appliquées à des scénarios plus complexes, ainsi qu'à des scénarios impliquant l'utilisation d'un plus vaste ensemble de fonctionnalités de Tableau. Pour d'autres exemples de scénarios basiques, regardez les vidéos de formation à la demande sur les expressions LOD.

10. Renvoi des achats par cohorte

L'acquisition de nouveaux clients peut s'avérer coûteuse, vous devez donc vous assurer que les clients existants effectuent des achats réguliers. Combien de clients laissent passer un, deux, trois ou N trimestres avant d'effectuer un nouvel achat ? Combien n'ont jamais effectué de nouvel achat ? Qu'obtient-on si l'on représente le comportement d'achat décomposé par cohorte trimestrielle ? Vous pouvez utiliser une expression FIXE pour trouver les dates du premier et du deuxième achat par client, puis déduire le nombre de trimestres entre deux achats à partir de ce résultat.

11. Différence de pourcentage par rapport à la moyenne d'une plage de valeurs

L'exemple 6 explique comment établir une comparaison par rapport à un seul élément sélectionné. Imaginons maintenant que vous souhaitiez faire une comparaison par rapport à une plage de valeurs. Par exemple, vous pouvez comparer la valeur de clôture quotidienne d'une action à la valeur de clôture quotidienne moyenne avant la survenue d'un évènement important ayant touché le secteur en question.

12. Filtrage d'une période relative

Les comparaisons impliquant les données de l'année ou du mois jusqu'à la date du jour sont souvent utilisées pour analyser les performances afin de les comparer à celles de l'année précédente. Pour cela, vous pouvez facilement filtrer les périodes relatives jusqu'à la date du jour, mais comment faire si les données sont actualisées toutes les semaines ? Admettons que la dernière actualisation ait eu lieu le 1er mars, mais qu'aujourd'hui soit le 7 mars. Une comparaison impliquant les données du mois jusqu'à la date du jour afficherait les données de la période du 1er au 7 mars de l'année précédente, pour les comparer à celles du 1er mars de l'année en cours. Une telle situation causerait de nombreux tracas, inutilement. Une expression LOD simple vous permet de déterminer la date maximum dans l'ensemble de données.

13. Fréquence des connexions des utilisateurs

Combien d'utilisateurs se connectent à un site Web ou à une application une fois par mois, une fois tous les deux mois, une fois tous les trois mois, et ainsi de suite ? Quel est le nombre de connexions moyen ? De quelle manière la répartition fausse-t-elle cette moyenne ? Ici, la granularité des données correspond à la date de connexion par ID utilisateur. En d'autres termes, il y a une ligne pour chaque jour lors duquel un utilisateur s'est connecté. La création de cette vue implique la décomposition du nombre de clients en fonction de la fréquence de connexion, ce qui signifie que vous devez répartir une mesure en fonction d'une autre mesure. Vous avez découvert dans l'exemple 1 comment les expressions LOD facilitent ce type d'analyse.

14. Balayage proportionnel

La question la plus fondamentale dans toute analyse est : « Par rapport à quoi ? ». Parfois, vous aimeriez pouvoir utiliser le filtrage afin de comparer la sélection au montant total, au lieu de simplement réduire l'affichage à la sélection en question. Cette technique est appelée le balayage proportionnel.

15. Fréquence d'achat annuelle par cohorte de clients

Les clients plus anciens sont-ils plus fidèles, sachant que l'ancienneté est mesurée par rapport à l'année d'acquisition du client et la fidélité par rapport à la fréquence d'achat annuelle ?

Vous pouvez déduire à partir de l'exemple 1 le nombre de clients ayant précisément effectué un achat, deux achats, et ainsi de suite. Toutefois, il est rare qu'un responsable marketing souhaite déterminer le nombre de clients ayant effectué précisément cinq achats. Il peut être plus utile de déterminer le nombre de clients ayant effectué au moins cinq achats.

En outre, vous pouvez déduire à partir de l'exemple 2 que la plupart des clients ont été acquis en 2011 et beaucoup moins en 2014. L'observation du nombre absolu de clients ne fera que démontrer de nouveau cette même tendance. Par conséquent, il peut s'avérer plus intéressant de déterminer le pourcentage du total de clients par cohorte pour mesurer la fidélité.

Reformulons donc la question initiale de manière plus concrète : quel est le pourcentage de clients par cohorte ayant effectué au moins un, deux, trois ou N achats en un an ?

Cet exemple associe une variation de l'expression LOD du nombre de commandes établie dans l'exemple 1, l'expression de cohorte établie dans l'exemple 2 et une variation de l'expression du pourcentage du total établie dans l'exemple 4.