La nouvelle API TabPy vous permet d'utiliser du code Python directement depuis un classeur Tableau.

Avec ce nouvel outil et Tableau, vous pouvez définir des champs calculés en Python. Vous êtes ainsi libre d'exploiter de nombreuses et puissantes bibliothèques de machine learning au sein de vos visualisations.

Cette intégration de Python dans Tableau multiplie vos possibilités. Par exemple, il vous suffit à présent de rédiger quelques lignes de Python pour obtenir les scores de sentiment portant sur les produits vendus par une boutique en ligne. À vous d'explorer par la suite les résultats dans Tableau.

Vous pouvez filtrer les données de façon à étudier uniquement les avis négatifs, pour comprendre ce qui les justifie. Vous pouvez dégager une liste des clients à contacter, ou même représenter l'évolution des sentiments au fil du temps.

TabPy peut vous venir en aide pour de nombreux autres scénarios :

  • Évaluation des leads : optimisez l'efficacité de votre cycle de conversion en évaluant le comportement de vos utilisateurs à l'aide d'un modèle prédictif.
  • Prévisions de l'attrition : découvrez les situations et les motifs associés aux départs de vos utilisateurs, établissez des prévisions et adoptez des mesures de fidélisation.

Vous pouvez facilement installer le serveur TabPy sur votre ordinateur ou sur un serveur à distance. Pour vous connecter à ce service dans Tableau Desktop, accédez à Aide > Paramètres et Performances > Gérer la connexion au service externe, puis indiquez l'URL du service ainsi que le numéro du port. Vous pourrez ensuite utiliser des scripts Python dans vos champs calculés Tableau. Cette intégration fonctionne tout comme celle de R, disponible depuis la version 8.1 de la plate-forme Tableau.

TabPy exploite Anaconda, un environnement particulièrement apprécié par la communauté. Il est préinstallé et peut être utilisé avec de nombreux packages Python courants, comme scipy, numpy et scikit-learn. Mais vous pouvez installer et utiliser n'importe quelle bibliothèque Python dans vos scripts.

Si vos data scientists conçoivent des modèles personnalisés, TabPy simplifie leur partage, via la publication de modèles, afin que chacun puisse les exploiter dans Tableau.

Une fois votre modèle de machine learning publié, peu importe sa nature ou sa complexité, il suffit d'une simple ligne de code Python pour l'exécuter dans Tableau. Pour estimer le taux d'attrition de vos clients à l'aide d'une régression logistique, d'un réseau neuronal de type perceptron multicouche ou encore d'arbres de décision optimisés par gradient boosting, il suffit de transmettre de nouvelles données au modèle.

Les modèles publiés présentent différents avantages. Ils simplifient la gestion, le partage et la réutilisation de fonctions complexes sous forme de méthodes déployées au sein d'un environnement prédictif. Vous pouvez améliorer et mettre à jour le modèle ainsi que le code du point de terminaison sans nuire aux champs calculés. De plus, les auteurs de tableaux de bord n'ont pas à se pencher sur tous les aspects techniques du modèle derrière le point de terminaison.

L'association de Tableau et de Python vous donne la possibilité de résoudre des scénarios analytiques complexes et de développer encore plus le potentiel de vos tableaux de bord. Pour en savoir plus sur TabPy et télécharger l'API, consultez notre page GitHub.

Toujours plus de possibilités avec Tableau et le Big Data

Découvrez comment Tableau résout de nombreux problèmes liés au Big Data pour des entreprises de toute taille.
En savoir plus

Abonnez-vous à notre blog