📉 Визуализация и BI

Короткий ответ Чаще всего проблема в контексте фильтра: функция вроде SAMEPERIODLASTYEAR некорректно работает внутри матрицы, если дата не берётся из выделенной, помеченной непрерывной Date-таблицы, либо иерархия дат в матрице не связана с этой же таблицей. Как это работает подробнее DAX-мера вычисляется в контексте фильтра; внутри матрицы у каждой ячейки свой неявный контекст по заголовкам строк/столбцов, и функции временной аналитики корректно работают только при наличии выделенной, непрерывной, помеченной как Date table таблицы дат с правильной связью. Пример кода Что использовать на практике Применение. Создайте отдельную таблицу-измерение дат, пометьте её как Date table, используйте DATEADD/SAMEPERIODLASTYEAR/PARALLELPERIOD со ссылкой на колонку даты именно этой таблицы, убедитесь, что иерархия в матрице построена на той же таблице дат (а не на несвязанном текстовом поле), протестируйте меру сначала в простой таблице, а потом добавляйте в сложную матрицу. Проверка. вручную отфильтровать матрицу на один к

Читать полностьюcalculate

Короткий ответ LOD-выражения (например, FIXED) позволяют считать агрегат на заданном уровне детализации независимо от текущих фильтров и измерений представления, поэтому показатель вроде «доля от собственного общего значения клиента» остаётся корректным даже при фильтрации вида. Как это работает подробнее Обычные агрегации и table calculations в Tableau подчиняются фильтрам и гранулярности текущего представления; {FIXED [Customer] : SUM([Amount])} считает сумму по клиенту на фиксированном уровне независимо от остальных измерений в виде, с учётом порядка применения context-фильтров. Пример кода Что использовать на практике Применение. Используйте FIXED LOD для стабильных показателей по сущности (например, LTV клиента, отображаемый вместе с отфильтрованным видом); используйте INCLUDE/EXCLUDE, когда нужно добавить или убрать детализацию относительно уровня вида; учитывайте порядок вычислений между LOD, context-фильтрами и обычными фильтрами — он влияет на то, какие фильтры применяются до, а какие после агрегации

Читать полностьюdata-visualization

Короткий ответ Конверсия — это отношение числа заказов к числу сессий (или уникальных посетителей) за период; важно явно зафиксировать определение числителя и знаменателя. Как это работает подробнее Это простая метрика-отношение: COUNT заказов делится на COUNT сессий за одинаковый временной срез. Пример кода Что использовать на практике Рекомендация. Чётко документируйте, что считается сессией и что заказом (один заказ на сессию или возможны повторные), обрабатывайте деление на ноль, согласуйте определение со всеми потребителями дашборда. Подводные камни Риск. Несогласованность: в числителе все заказы (включая повторные), а в знаменателе — только уникальные пользователи. Риск. Отсутствие обработки NULLIF/деления на ноль в дни без сессий. Риск. Показ доли без явного формата процента.

Читать полностьюconversion-rate

Короткий ответ Строится матрица «когорта × период с момента привлечения» со значением доли удержанных пользователей в ячейке, отображаемая как heatmap с цветом, кодирующим процент; важно не путать ещё не наступившие периоды с нулевым удержанием и использовать согласованную цветовую шкалу. Как это работает подробнее Пользователи группируются по когорте привлечения (например, месяц регистрации), для каждого последующего периода считается доля всё ещё активных, результат раскладывается в матрицу когорта (строка) × номер периода (столбец) и раскрашивается по значению. Пример кода Что использовать на практике Применение. Используйте последовательную (не «радужную») цветовую шкалу, чтобы тренд читался однозначно; оставляйте пустыми/серыми ячейки периодов, которых когорта ещё не достигла (это не нулевое удержание, а отсутствие данных); выравнивайте когорты по номеру периода, а не по календарной дате, чтобы столбцы были сопоставимы. Проверка. pivot.loc[:, 0] должен быть равен 1.0 (100%) для каждой когорты в нулевом п

Читать полностьюcohort-analysis

Короткий ответ Для сравнения величин по категориям лучше всего подходит столбчатая диаграмма; круговая диаграмма с большим числом секторов плохо читается, потому что человеку сложно точно сравнивать углы и площади. Как это работает подробнее Столбцы кодируют значение длиной от общей базовой линии, и такие длины легко сравнивать визуально; круговая диаграмма кодирует долю через угол/площадь сектора, что человек воспринимает менее точно, особенно при похожих значениях. Пример кода Что использовать на практике Рекомендация. Сортируйте столбцы по убыванию значения для читаемости, объединяйте мелкие категории в «Прочее», если их много, используйте горизontal bar при длинных подписях категорий. Подводные камни Риск. Использование pie-диаграммы для 8+ категорий, 3D-эффекты у столбцов и секторов, отсутствие сортировки столбцов, начало оси Y не с нуля для столбчатой диаграммы.

Читать полностьюbar-chart

Короткий ответ Нужно подтвердить, что разрыв совпадает по дате с известным релизом (по логам деплоя/changelog), оценить размер скачка и явно сообщить на дашборде, что данные до и после этой даты не полностью сопоставимы, при необходимости рассмотрев пересчёт истории. Как это работает подробнее Резкий ступенчатый сдвиг именно в дату релиза (а не постепенный тренд) сильно указывает на изменение в логике трекинга, а не на реальное изменение поведения пользователей; сверка с датой деплоя подтверждает эту гипотезу. Пример кода Что использовать на практике Применение. Сопоставьте точную дату/время сдвига с логами деплоя, оцените размер скачка в % для понимания влияния на исторические сравнения (YoY, тренд), добавьте видимую аннотацию на дашборде в эту дату, рассмотрите пересчёт истории по новой логике (если это технически возможно) либо явно разделите ряд на «до/после» с отдельными базовыми линиями. Проверка. если расхождение между сырыми и дедуплицированными событиями появляется в дату релиза, разрыв связан с ново

Читать полностьюdata-quality

Короткий ответ Drill-down раскрывает детализацию внутри одного визуала по заранее заданной иерархии (например, год → квартал → месяц); drill-through переходит на отдельную страницу/отчёт, отфильтрованную по выбранному значению — drill-down быстрее для беглого исследования, drill-through лучше для показа принципиально более детального представления без перегрузки основного дашборда. Как это работает подробнее Drill-down использует заранее заданную иерархию внутри одного визуала и обычно переагрегирует тот же запрос на более мелкой гранулярности; drill-through передаёт контекст клика (фильтры) на отдельную страницу/отчёт, который может показывать построчную детализацию или совершенно другой макет. Что использовать на практике Применение. Используйте drill-down для быстрого исследования по естественной иерархии (регион → страна → город), где влияние на производительность небольшое; используйте drill-through, когда детальное представление требует другой гранулярности данных (например, отдельные транзакции), котор

Читать полностьюdashboard-design

Короткий ответ Derived table нужна, когда метрика требует многошаговой агрегации/предварительного джойна (например, когортное удержание фиксирует дату когорты и отдельно считает активность в последующих периодах), что невозможно выразить одной мерой над базовым explore. Как это работает подробнее Меры и измерения LookML работают в рамках одного дерева джойнов на запрос; когортное удержание требует сначала зафиксировать когорту пользователя (например, месяц регистрации), а затем отдельно посчитать активность в каждом последующем периоде относительно неё — такая двухшаговая логика естественно выражается через derived table, которую Looker затем открывает как новый explore. Пример кода Что использовать на практике Применение. Стройте derived table с явным шагом агрегации (cohort_month, period_number, active_users), кэшируйте результат через persist_for, если вычисление дорогое, джойньте обратно для дашборда; явно документируйте гранулярность derived table для тех, кто будет строить на ней джойны. Проверка. сумма

Читать полностьюcohort-analysis

Короткий ответ Slicer — это визуальный, видимый на холсте интерактивный элемент фильтрации, которым может управлять конечный пользователь; фильтр на панели Filters настраивается автором отчёта и часто скрыт от обычного зрителя. Как это работает подробнее Slicer сам является визуалом (выпадающий список, диапазон дат и т.п.), привязанным к полю, и влияет на другие визуалы страницы или всего отчёта в зависимости от области применения; панель Filters задаёт условия на уровне визуала/страницы/отчёта, настроенные автором. Что использовать на практике Рекомендация. Используйте slicer для фильтров, которыми пользователь должен управлять сам (период, регион). Рекомендация. Используйте Filter pane для фиксированной бизнес-логики (например, исключение тестовых аккаунтов), которую нельзя случайно снять. Подводные камни Риск. Вынос критичного фильтра «исключить тестовые данные» в slicer, который пользователь может случайно сбросить. Риск. Избыточное число slicer'ов, замедляющее работу отчёта на большой модели данных.

Читать полностьюdashboards