Tableau با استفاده از قدرت داده و Generative AI توانسته است فرآیندهای تحلیل و تصمیم‌گیری را در ابزارهای خود به طرز چشم‌گیری بهبود بخشد. از جمله توانایی‌های کلیدی این پلتفرم می‌توان به Einstein Discovery اشاره کرد که از یادگیری ماشین برای تجزیه و تحلیل داده‌ها، کشف الگوها و ارائه پیشنهادات به شکل زبان طبیعی استفاده می‌کند. این ویژگی به کاربران امکان می‌دهد تا بدون نیاز به دانش برنامه‌نویسی، بینش‌های ارزشمندی از داده‌های پیچیده به دست آورند.
در رویداد Gartner BI Bake-Off، تبلو با استفاده از ویژگی‌های Tableau Prep برای آماده‌سازی سریع داده‌ها و Show Me برای تجسم بهتر و داستان‌پردازی از طریق داده‌ها توانست قدرت خود را در استفاده از Generative AI به نمایش بگذارد. این ابزارها فرآیند آماده‌سازی و تحلیل داده‌ها را برای کاربران بسیار ساده‌تر و مؤثرتر می‌کنند و به راحتی قابلیت پردازش داده‌های مختلف از منابع مختلف مانند فایل‌های CSV یا حتی PDF را دارند.
موضوع Bake-Off امسال درباره‌ی مقابله با فقر و چگونگی بهبود وضعیت جهان بود. برای پرداختن به این موضوع، انتظار می‌رفت که Tableau و سایر پلتفرم‌های تحلیلی استفاده از هوش مصنوعی را در تحول داده‌ها و تحلیل‌ها به نمایش بگذارند. از زمانی که Tableau وجود داشته، همواره به نوآوری پرداخته و به تکامل و رشد به سمت یک پلتفرم تحلیلی یکپارچه و کامل ادامه داده است که از رشد فردی و سازمانی پشتیبانی می‌کند.
رویداد Bake-Off مانند همیشه هیجان‌انگیز و روشنگر بود، با پلتفرم‌های مختلفی که قابلیت‌های خود را با استفاده از یک مجموعه داده‌ی مشترک و در یک محیط کنترل‌شده به نمایش گذاشتند. قوت‌های متعدد Tableau در زمینه‌های هوش مصنوعی، جامعه و خیرخواهی داده‌ها باعث شد که همگان برای مقابله با چالش‌های رویداد Bake-Off هیجان‌زده شوند.
Data Management
با انتقال به Tableau Prep Builder، با داده‌های اصلی OECD که ارائه شده بود، Andy Cotgreave از اسکریپت Python در Tableau (TabPy) برای برآورد داده‌های گمشده استفاده کرده است. اما TabPy یک ویژگی قدرتمند است که امکان دسترسی به تمام الگوریتم‌های پیشرفته یادگیری ماشین تیم‌های مهندسی داده شما را فراهم می‌کند.
علاوه بر معیارهای OECD برای مسکن و بهداشت، یک مجموعه داده سوم از شاخص جهانی خیرخواهی (World Giving Index) از بنیاد خیریه‌ها اضافه کرده است، که کشورهای مختلف را بر اساس میزان خیرخواهی شهروندان (اهدا و زمان داوطلبانه) رتبه‌بندی می‌کند.
در این مقاله Andy Cotgreave بیان می‌کند:
قبل از ترکیب داده‌ها، همه چیز را با Tableau Prep پاک‌سازی کردم که به طور خودکار انواع فیلدها را شناسایی کرد، جریان و حضور داده‌ها را در مجموعه‌های داده به صورت بصری نمایش داد و پیشنهادات هوشمندانه Tableau Prep را اعمال کرد. برای این رویداد، Tableau Prep پیشنهاد داد که یک فیلد خاص بهتر است به عنوان نوع داده جغرافیایی (geospatial) تنظیم شود. همچنین از این که توانستم فیلدها را اصلاح کنم، مانند اشتباه تایپی در نام کشور، درست در جریان پیش‌پردازش بدون نیاز به ویرایش داده‌های منبع، بسیار خوشحال شدم. توانستم سه منبع داده با روش‌ها، ساختارها و انواع مختلف را بدون مشکل ترکیب کنم. ترکیب داده‌ها همچنین رنگ‌ها را برای نمایش منبع داده‌ها و نشان دادن داده‌های ناسازگار قبل از بارگذاری آن در Tableau Cloud کدگذاری کرد. همچنین می‌توانید به داده‌های موجود در محل یا در ابر متصل شوید—چه پایگاه داده باشد و چه صفحه‌گسترده—و داده‌های خود را صادر کرده و به طور امن در هر جایی که بخواهید میزبان کنید.
جریان آماده‌سازی داده‌ای که برای این نمایشگاه ساختیم، نسبتاً پیچیده بود، اما Tableau Prep به خوبی از عهده آن برآمد و به من این امکان را داد که خطاها، تاریخچه اجراها را مشاهده کرده و جریان‌ها را در هر زمان یا با هر فراوانی برنامه‌ریزی کنم. مهم‌تر از همه، توانستم نسب‌سنجی (lineage) را مشاهده کنم، که به من اطلاع می‌دهد کدام منابع داده تحت تاثیر قرار گرفته‌اند. هنگامی که تغییری اعمال می‌شود، این تغییر به تمامی برگه‌ها، دفترچه‌های کار و مالکان منتقل می‌شود.
حالا داده‌های OECD با منبع شاخص جهانی خیرخواهی آماده و ترکیب شده‌اند و داده‌های قابل اعتماد برای دسترسی افراد فراهم شده است. پس از این کار، همکارم از داده‌ها راضی بود و من توانستم آن‌ها را برای استفاده در سراسر سازمان تأیید کنم. قبل از انتشار این داشبورد، از Workbook Optimizer استفاده کردم که به من پیشنهادهایی درباره‌ی قواعدی برای اطمینان از این که داشبورد منابع را بار زیاد نکند و همه چیز با بیشترین سرعت ممکن عمل کند، ارائه داد.
علاوه بر تأثیر مثبت نرخ بالای فارغ‌التحصیلی بر کاهش فقر، ما به بررسی داشبورد پرداختیم و رابطه‌ای بین افزایش هزینه‌های بهداشتی و کاهش نرخ فقر پیدا کردیم، با این استثنا که ایالات متحده به طور قابل توجهی متفاوت بود. همچنین یک همبستگی جدید در داده‌های شاخص جهانی خیرخواهی کشف کردیم: درصد بالاتری از شهروندان که پول خود را به امور خیریه اهدا می‌کنند با کاهش نرخ فقر در کشورها همبستگی دارد.
Analysis, content creation, and collaboration
Tableau یک پلتفرم امن و انعطاف‌پذیر است که می‌تواند خلاقیت‌های بی‌پایانی را از طریق تجسم داده‌ها به نمایش بگذارد و همچنین بینش‌های قدرتمندی را برای اقدام ارائه دهد. این چیزی است که ما در داشبورد “مسیرهای خروج از فقر” سعی کرده‌ایم انجام دهیم، که عواملی را که ممکن است راه‌حل‌هایی برای مقابله با فقر ارائه دهند، نمایان می‌سازد.
پیش از ورود به جزئیات داستان، از ابزار خوشه‌بندی (clustering) Tableau استفاده کردیم تا به راحتی با کشیدن و رها کردن داده‌ها، سطوح مختلف فقر را در کشورهای OECD شناسایی کنیم.
یک ماه پیش، احساس کردیم که داستان فقر ما چندان جذاب نیست، اما پس از استفاده از ویژگی Explain Data که بینش‌های مبتنی بر هوش مصنوعی را برای کاوش عمیق‌تر ارائه می‌دهد، همبستگی‌های جالبی نمایان شد. Explain Data به پروفایل داده‌های شما نگاه می‌کند و بینش‌هایی را مانند این نمودار پراکندگی (scatterplot) ارائه می‌دهد که به شما کمک می‌کند داستان‌های داده‌ای را پیدا کنید.
پس چگونه می‌توان از یک داستان داده‌ای قانع‌کننده به یک استراتژی قابل اجرا برای بهبود وضعیت جهان دست یافت؟ من به همبستگی بین نرخ‌های بالای کمک‌های شهروندان و نرخ‌های پایین‌تر فقر برگشتم تا ببینم آیا می‌توانیم اقداماتی در این زمینه انجام دهیم.
ابتدا، نظری برای همکارم، کریستیان، اضافه کردم تا بپرسم آیا داده‌ای برای پیگیری کمک‌های مالی و زمانی در Tableau و Salesforce دارد. در حین انتظار برای پاسخ کریستیان، از Tableau Pulse استفاده کردم تا به صورت شخصی، متنی و هوشمندانه، معیارهایی را که توسط هوش مصنوعی پشتیبانی می‌شود، با استفاده از منابع موجود دریافت کنم. در Tableau Pulse، من منبع داده Salesforce و Tableau داوطلبی را انتخاب کردم تا پیگیری آن را در طول زمان داشته باشم. دو فیلتر برای موقعیت جغرافیایی و توسعه پایدار اضافه کردم تا معیار ساعت‌های داوطلبی شرکت را تولید کنم.
داده‌های زنده نشان داد که کمک‌های مالی کارکنان کمی کاهش یافته است و همچنین خلاصه‌ای تولید شده توسط هوش مصنوعی ارائه داد. در حین پیگیری این معیار در طول زمان، همچنین برای تغییرات در روندها اعلان‌هایی تنظیم کردم. در این مرحله، کریستیان من را به سه معیار جدید اضافه کرده است تا داشبورد Pulse من شامل خلاصه‌ای از خیرخواهی شهروندان در سازمان ما باشد.
- Analysis: در این بخش، به بررسی داده‌ها و شناسایی الگوها و همبستگی‌ها پرداخته شد. تحلیل‌ها شامل بررسی روابط بین متغیرهای مختلف، مانند ارتباط بین هزینه‌های بهداشتی و نرخ فقر، و نیز بررسی همبستگی‌های جدیدی که از داده‌های شاخص جهانی خیرخواهی به دست آمده بود، می‌شد.
- Content Creation: در این مرحله، داده‌های تحلیل‌شده به صورت بصری و قابل فهم به نمایش درآمدند. این شامل طراحی داشبوردها و گزارش‌هایی بود که به وضوح داستان داده‌ها را روایت می‌کردند و بینش‌های کلیدی را به نمایش می‌گذاشتند.
- Collaboration: در این بخش، به نحوه اشتراک‌گذاری و همکاری در زمینه داده‌ها پرداخته شد. این شامل ابزارهایی بود که به کاربران امکان می‌دادند به راحتی به داده‌ها دسترسی پیدا کنند، نتایج را به اشتراک بگذارند و بازخوردهای لازم را دریافت کنند تا تصمیمات بهتری اتخاذ شود.
این سه بخش به صورت یکپارچه برای ایجاد یک راه‌حل جامع و موثر در تحلیل و مدیریت داده‌ها کار کردند.
Sharing
در این مرحله، ما بینش‌ها و معیارهای کلیدی عملکرد (KPIs) مربوط به کمک‌های مالی داریم، اما سوال اصلی این است که چگونه می‌توانیم با اقدام‌های محلی، به مسئله جهانی فقر بپردازیم؟ می‌توانیم با اشتراک‌گذاری بینش‌های داشبورد و اشتراک‌گذاری افراد برای گسترش استراتژی در Salesforce و بهبود معیارهای خیریه شروع کنیم. می‌توانم از طریق اشتراک‌گذاری گزارش‌های فوری با افراد در سراسر سازمان اقدام کنم، یا می‌توانم هشدارهایی تنظیم کنم تا افراد فقط زمانی که آستانه‌ای به دست آمده است، اطلاعات دریافت کنند.
بالا بردن سطح استراتژی به هیئت مدیره برای جلب حمایت و تأیید اجرایی و ایجاد تأثیر بیشتر در کاهش فقر حیاتی است. برای ارائه به هیئت مدیره، تصمیم گرفتم از نقاط داستانی (story points) به عنوان مکانیزم ارائه استفاده کنم. نقاط داستانی، برگه‌های فردی در داخل یک داستان Tableau هستند که به صورت توالی از تجسم‌ها یا برگه‌ها عمل می‌کنند که با هم کار می‌کنند تا یک روایت را بگویند یا نشان دهند که چگونه تصمیمات به هم مرتبط هستند. این نقاط داستانی کار خود را انجام داده و رهبری را قانع کرده‌اند که در استراتژی ما سرمایه‌گذاری کنند.
اکنون می‌توانید تجربه‌ای ساده و مشابه «newsfeed» از KPIهای کلیدی که خودتان انتخاب کرده‌اید، داشته باشید. به مرور زمان، این تجربه نتایج شخصی‌سازی‌شده‌تری ارائه می‌دهد زیرا Pulse یاد می‌گیرد کدام بینش‌ها برای شما اهمیت بیشتری دارند.
با بررسی کمک‌های مالی کارکنان، می‌توانم تحلیل روندها را مشاهده کنم و به سوالاتی که Tableau Pulse تولید می‌کند، مانند “کدام کشور بیشترین افزایش در کمک‌های خیریه را داشته است؟” (در این مورد، مکزیک) پاسخ دهم. می‌توانم فیلترهای Pulse را تنظیم کنم تا اهداف توسعه مختلف را ببینم و به همکارانم کمک کنم تا نیازهای فقر را پیش ببریم. همچنین می‌توانم اطمینان حاصل کنم که افراد مناسب به دنبال این معیار باشند. با به اشتراک‌گذاری بینش‌ها با همکارانم، کریستیان و جان، تحلیل را به صورت همکاری بیشتری انجام داده‌ام. اکنون، به عنوان یک تیم، می‌توانیم استراتژی‌هایی برای تشویق و تطبیق کمک‌های مالی و زمانی کارکنان توسعه دهیم تا به مشکلات کلان فقر جهانی پرداخته و اقدام کنیم.
مرحله بعدی این است که کارکنان را با ایجاد یک پورتال کارکنان همراه کنیم. برای این کار نیاز دارم که تجسم‌ها (vizzes) خود را به پورتال وارد کنم، بنابراین از Tableau Embedding Playground استفاده خواهم کرد. من یک تحلیل‌گر داده هستم، اما برنامه‌نویس نیستم. مشکلی نیست: Playground Embedded به من این امکان را می‌دهد که از ویژگی‌های پیشرفته استفاده کنم بدون اینکه یک خط کد بنویسم. می‌توانم تغییرات مورد نظر را در ابعاد، نوع دستگاه و سایر فیلترها با کشیدن و رها کردن آن‌ها در playground اعمال کنم.
بیایید نگاهی به پورتال بیندازیم. یک داشبورد Tableau Pulse در اینجا تعبیه شده است، زیرا Pulse قابل تعبیه و سفارشی‌سازی از طریق APIها است. ما چندین معیار را که دنبال کرده‌ایم، مشاهده می‌کنیم و یکی از آن‌ها درباره‌ی کمک‌های مالی کارکنان است که کاهش یافته و نیاز به توجه بیشتر را نشان می‌دهد. علاوه بر نقاط داستانی و نمودارهای پراکندگی که قبلاً تعبیه کرده‌ایم، نقشه‌ای دقیق‌تر از تمام مشارکت‌های کارکنان در سراسر سازمان نیز وجود دارد. به نظر می‌رسد که آن‌ها در فلوریدا عملکرد خوبی داشته‌اند، بنابراین می‌خواستم ایمیلی به کارکنان ارسال کنم تا به خاطر تلاش‌ها و مشارکت‌هایشان تبریک و تشکر کنم. به سرعت نام‌ها را انتخاب کرده، راست کلیک کرده و آن‌ها را به صورت فایل‌های .CSV، .XLS یا .PDF صادر کرده و به اشتراک داخلی می‌گذارم.
چون فقر یک مشکل جهانی است، هر چه بیشتر بتوانیم پیام را به گوش دیگران برسانیم، بهتر است. و چه پلتفرم بهتری از Tableau Public برای معرفی تغییر در جهان و اشتراک‌گذاری داشبوردها به صورت خارجی وجود دارد؟ من دوست دارم بگویم که این پلتفرم “یوتیوب تجسم داده‌ها” است، با ۹ میلیون تجسم ساخته شده توسط افراد در سراسر جهان. در Tableau Public، به جستجوی عبارت “فقر” پرداختم و کشف کردم که بیش از ۱۰،۰۰۰ تجسم در این موضوع ساخته شده است. یکی از تجسم‌ها بیش از ۱.۵ میلیون بار دیده شده است! می‌توانید این تجسم‌های Tableau Public را از طریق Slack یا کانال‌های دیگر به اشتراک بگذارید و به مخاطبان وسیعی دسترسی پیدا کنید و قدرت اشتراک‌گذاری با Tableau را نشان دهید.
Cool Innovations
برای پیشبرد اشتراک‌گذاری داده‌ها، می‌خواهم داده‌ها را به جلسات خود بیاورم و بینش‌ها را با همکارانم به اشتراک بگذارم. یکی از قابلیت‌های بهینه‌شده برای جلسات مجازی، Tableau Gestures است که امکان تعامل با پوشش‌های تجسم داده‌ها را تنها با اشاره به آن‌ها در ویدیوهای زنده وب‌کم فراهم می‌کند. بیایید نگاهی به آنچه که در طول سال گذشته با Tableau Gestures انجام داده‌ایم بیندازیم.
می‌خواهم در طول جلسه به طور کامل در داده‌ها غوطه‌ور شوم، بنابراین بتوانم با تعامل با عناصر مختلف داده‌ها، از جمله اشاره به، انتخاب، جابجایی، بزرگ‌نمایی و پان کردن عناصر تجسم داده‌ها، کار کنم. اکنون قادر به تعامل با نقشه‌ها و داده‌های جغرافیایی در جلسات هستم، بنابراین یک کره‌زمین را که شامل خوشه‌هایی است که پیش‌تر شناسایی کرده‌ایم، به اشتراک گذاشتم تا توزیع جهانی سطوح فقر را نشان دهم. در حالی که کره‌زمین برای مشاهده روابط جغرافیایی مفید است، می‌خواستم به راحتی با داده‌های کشورهای کوچک تعامل داشته باشم، بنابراین کره‌زمین را به یک نقشه کاشی تبدیل کردم. آنچه در شکل جغرافیایی از دست دادم، در فضای نسبی به دست آوردم.
بیایید نگاهی به تغییرات سطح فقر در طول زمان بیندازیم. متوسط فقر برای کشورهایی که روی صفحه نمایش می‌دهم در طول زمان واقعاً تغییر نکرده و در محدوده ۱۲ تا ۱۳ درصد باقی مانده است، اما اگر خوشه‌ها را اضافه کنیم، شروع به مشاهده داستان‌های جالبی می‌کنیم. با بررسی منطقه بالتیک، می‌بینیم که نرخ فقر در لتونی بدتر شده است، اما اخیراً بهبود یافته است. در حالی که نگاهی به استونی، که همسایه لتونی است، نشان می‌دهد که روند برعکس است: ابتدا به سمت خوشه فقر کم میل می‌کند، اما اکنون به نرخ‌های فقر بالاتر که باقی مانده‌اند، برگشته است.
سپس به بررسی آمریکای شمالی پرداختم و مشاهده کردم که مکزیک با نرخ فقر بالاتر شروع کرد، اما در سال‌های اخیر توانسته است آن را کاهش دهد. وضعیت مشابهی برای کانادا وجود داشت، اما آن‌ها موفق به انتقال به خوشه نرخ‌های فقر کم شده‌اند. تنها استثنا ایالات متحده است که در طول این دوره زمانی ثابت باقی مانده است.
Tableau innovates with data and AI
در طول رویداد Bake-Off و با استفاده از روش‌های مختلف، توانستیم قابلیت‌های خود را در زمینه آشکارسازی بینش‌ها برای کاهش نرخ فقر جهانی و اقدام بر اساس استراتژی‌های داده‌محور نشان دهیم.
از مدیریت داده‌ها تا تحلیل‌ها و همکاری، و حتی تعاملات مبتنی بر اشاره برای ارائه داده‌ها، Tableau به نوآوری ادامه می‌دهد و از داده‌ها و هوش مصنوعی بهره می‌برد. ما به مشتریان کمک می‌کنیم تا با داده‌ها شروع کنند و با Tableau پیش بروند.
