A missão da Tableau é ajudar as pessoas a ver e a entender seus dados. Nossos recursos foram cuidadosamente projetados para ajudar as pessoas a extrair significado dos dados que possuem. Uma das áreas em que nos concentramos são os cálculos. Quanto mais fácil for expressar ideias em uma linguagem de cálculo, mais significado as pessoas podem gerar. A introdução de expressões de nível de detalhe no Tableau 9.0 é revolucionária nesse sentido. Essas novas expressões permitem que as pessoas representem conceitos avançados usando declarações simples.

As expressões de nível de detalhe oferecem uma forma de calcular agregações que não têm o mesmo nível de detalhe da visualização. Assim, você pode integrar esses valores nas visualizações a seu bel-prazer. Isso pode parecer complexo, então este post ilustrará o conceito através de uma série de perguntas comuns. Na parte final, abordaremos em maior detalhe alguns exemplos analíticos mais avançados. O whitepaper sobre expressões de nível de detalhe apresenta uma visão mais geral. Para obter detalhes sobre sintaxe e uso, consulte expressões de nível de detalhe na seção de ajuda on-line do Tableau Desktop.

Cada uma das 15 pastas de trabalho a seguir contém fontes de dados personalizadas e está disponível para download para uma análise mais detalhada. Se você não tem uma cópia do Tableau Desktop, pode obter uma avaliação gratuita de 14 dias aqui. Recomendamos que use essas fontes de dados personalizadas se optar por seguir as instruções e recriar as exibições.

1. Frequência de pedidos de clientes

Identificar o número de pedidos realizados por cada cliente é relativamente fácil, mas e se quiséssemos saber o número de clientes que realizaram um pedido, dois pedidos, três pedidos e assim por diante? Para criar essa visualização, precisamos dividir o número de clientes pelo número de pedidos realizados. Esta é uma pergunta simples, mas a divisão de uma medida por outra seria difícil sem as expressões de nível de detalhe.

Considere o banco de dados de vendas de uma superloja que tem vários itens por pedido. O número de pedidos distinto por cliente apresenta o número de pedidos realizados por cada cliente. Um expressão de LOD simples pode transformar o número de pedidos em uma dimensão que detalha o número de clientes.

2. Análise de coorte

Clientes mais antigos fazem uma contribuição maior para a vendas? A exibição a seguir agrupa clientes pelo ano de sua primeira compra para comparar as contribuições de vendas anuais entre coortes. A data mínima do pedido por cliente apresentará a data da primeira compra. No entanto, como os dados na exibição não são mostrados por cliente, temos que usar uma expressão de LOD para corrigir a data mínima de pedido por cliente.

3. KPI do lucro diário

Podemos muito bem analisar tendências de lucro ao longo do tempo, mas e se preferirmos medir nosso sucesso pelo lucro total por dia útil? Provavelmente iríamos querer saber o número de dias lucrativos de cada mês ou ano, especialmente se estivermos curiosos sobre os efeitos sazonais. A exibição a seguir mostra como as expressões de LOD nos permitem criar facilmente compartimentos de dados agregados, como lucro por dia, apesar de os dados subjacentes serem registrados em um nível transacional.

4. Percentual do total

Qual é a contribuição de cada país na receita global de vendas? Se atribuirmos cores às porcentagens de contribuição, imediatamente vemos que os EUA têm a maior contribuição na receita global de vendas. No entanto, podemos preferir que o foco seja uma linha de mercado como a União Europeia que, em termos absolutos, tem uma contribuição pequena. Sem as expressões de LOD, filtrar um mercado faria com que o percentual do total fosse recalculado, exibindo a contribuição de cada país para seu próprio mercado. Usando uma expressão de LOD simples, podemos filtrar um mercado e ainda assim medir a contribuição global.

5. Aquisição de novos clientes

Qual é a tendência diária de aquisição total de clientes por mercado? Encontrar a tendência nesses dados nos ajudará a entender o desempenho dos departamentos regionais de marketing e vendas na geração de novos negócios. Quanto mais íngreme a linha, melhor a aquisição de clientes. Se a linha perder inclinação, será necessário tomar providências para aumentar o fluxo de clientes potenciais.

Uma expressão de LOD garante que clientes repetidos não sejam indevidamente contabilizados como novos clientes, pois os dados devem ser avaliados no nível do cliente, mesmo que sejam exibidos visualmente por mercado e dia.

6. Análise comparativa de vendas

É relativamente fácil encontrar a diferença da média, mas e se você quisesse encontrar a diferença de uma categoria selecionada? Primeiro, é necessário isolar as vendas da categoria selecionada. Em seguida, uma expressão do tipo EXCLUDE é necessária para repetir esse valor em todas as outras categorias. Assim, fica fácil separar a diferença das vendas de cada categoria do restante.

7. Média dos maiores negócios por vendedor

Qual é o maior negócio realizado por cada vendedor? E, considerando esses maiores negócios por vendedor, qual é a média por país? Uma expressão de LOD nos permite analisar o nível de detalhe do vendedor, mesmo que os dados estejam exibidos visualmente no nível do país. Na exibição a seguir, o valor médio do maior negócio por vendedor é maior em países de cor azul e menor em países de cor laranja. Podemos usar essas informações para guiar a análise detalhada do país ao vendedor.

8. Real x Meta

Nesta visualização, exibimos a diferença entre o lucro real e a meta de lucro por estado de uma rede de cafeterias. Na exibição superior, podemos ver claramente os estados que excederam a meta e os que não a atingiram. No entanto, ao fazer essa agregação, podemos perder nuances importantes. Alguns estados estão acima da meta porque todos os produtos vendidos nesse estado estão acima da meta. Outros estão acima da meta porque um único produto excedeu a meta o suficiente para compensar todos os outros produtos que não a atingiram. Podemos usar uma expressão de LOD para identificar a porcentagem de produtos vendidos em um determinado estado que estão acima da meta.

9. Valor no último dia de um período

Os dados que representam o status de um dia específico, como números de estoque, número de funcionários ou valor de fechamento diário de uma ação, precisam ser tratados de forma diferente de métricas que podem ser agregadas, como vendas ou lucros. Nesses casos, pode ser útil exibir o valor no último dia de determinado mês. Além disso, esperaríamos que filtrar de mês para semana atualizaria a exibição para mostrar o valor no último dia da semana. No exemplo abaixo, temos dados de ações de vários painéis no nível do dia. A exibição compara o valor de fechamento médio diário no último dia do período. Usando uma expressão de LOD simples, podemos analisar no nível do dia, mesmo se os dados forem exibidos visualmente em um intervalo maior.

Os seis exemplos a seguir ilustram como as expressões de LOD podem ser aplicadas a cenários mais avançados, bem como em casos de uso que aproveitam um conjunto mais amplo de recursos do Tableau. Para conferir mais exemplos de cenários mais básicos, assista aos vídeos de treinamento sob demanda sobre expressões de LOD.

10. Retornar compra por coorte

A aquisição de novos clientes pode ser cara, então queremos nos assegurar de que os clientes existentes estejam realizando compras repetidas. Quantos clientes demoram um, dois, três, N trimestres para repetir uma compra? Quantos nunca realizaram uma compra repetida? Qual é a aparência desse comportamento dividido por coortes trimestrais? Podemos usar uma expressão do tipo FIXED para encontrar as datas da primeira e da segunda compra e extrair dessa informação o número de trimestres até a repetição de uma compra.

11. Diferença de percentual da média em um intervalo

O exemplo 6 mostra como fazer uma comparação com um único item selecionado, mas e se você quisesse fazer uma comparação entre um intervalo de valores? Por exemplo, você talvez queira comparar o valor de fechamento diário de uma ação com o valor de fechamento diário médio antes de um acontecimento importante que afetou o mercado em questão.

12. Filtragem de período relativo

Um métrica comum para analisar o desempenho são comparações entre ano até a data e mês até a data em relação ao ano anterior. Podemos fazer isso facilmente filtrando os dados em relação à data de hoje, mas e se os dados forem atualizados semanalmente? Vamos supor que a última atualização tenha sido em 1º de março, mas a data de hoje é 7 de março. Uma comparação mês até a data mostraria de 1º a 7 de março do ano anterior em relação a 1º de março do ano atual. Isso poderia causar um susto daqueles sem necessidade! Uma expressão de LOD simples nos permite encontrar a data máxima no conjunto de dados.

13. Frequência de login do usuário

Quantos usuários fazem login em um site ou aplicativo uma vez por mês, uma vez a cada dois meses, uma vez a cada três meses e assim por diante? Qual é a taxa média de login? Como a distribuição distorce essa média? A granularidade dos dados é a data de login por ID do usuário. Em outras palavras, há uma linha para cada dia em que o usuário fez login. Para criar essa exibição, é preciso dividir o número de clientes pela taxa de login, ou seja, dividir uma medida por outra. No exemplo 1, vimos como as expressões de LOD facilitam esse tipo de análise.

14. Pincel proporcional

Em qualquer análise, a questão mais essencial é: “Em relação a quê?” Às vezes, ao filtrar dados, não queremos simplesmente ver a seleção filtrada, mas sim compará-la com o valor total. Essa técnica é conhecida como pincel proporcional.

15. Frequência de compra anual por coorte de cliente

Quando medimos o tempo de clientela pelo ano da aquisição do cliente e a fidelidade do cliente pela frequência anual de compra, isso significa que os clientes mais antigos são mais fieis?

Com base no exemplo 1, sabemos quantos clientes compram exatamente uma vez, exatamente duas vezes e assim por diante. No entanto, raramente um profissional de marketing deseja identificar todos os clientes que compraram exatamente cinco vezes. Em vez disso, pode ser mais útil saber quantos clientes compraram pelo menos cinco vezes.

Além disso, com base no exemplo 2, sabemos que a maioria dos clientes foi adquirida em 2011 e a minoria, em 2014. Analisar o número absoluto de clientes só revelará essa mesma tendência novamente. Assim, talvez seja mais interessante ver o percentual do total de clientes por coorte como uma medida de fidelidade.

Portanto, para reformular a pergunta inicial de forma mais concreta, qual porcentagem de clientes em cada coorte comprou pelo menos uma, duas, três, N vezes em determinado ano?

Este exemplo combina uma variação da expressão de LOD de número de pedidos do exemplo 1, a expressão de coorte do exemplo 2 e uma variação da expressão de percentual do total no exemplo 4.

Você também pode gostar de...

Comentar

Assine nosso blog