こちらは2019/5/15にQiita:Teamに投稿した記事をリライトしたものです。

DATA DAY OUT 2019

Tableau社主催のTableau導入各社の事例紹介やテクニカルセッションが実施されるセミナー
https://www.tableau.com/ja-jp/event/data-day-out-tokyo-20190514

AWS summitのTableau版みたいなものです。

こんな話を聞いてきたよーっていう軽い感じの共有です。

データドリブンでフロント組織を強くする方法 - Sansan が挑戦した”実践的”アプローチ

SalesForceにデータは貯めていたけど分析できない
データの欠損、分断、汚れ

課題

データの分散
打ち手につながらない
見た目の難しさ

当時データが活用されていなかった理由

結果とその過程のデータが散在し、因果がわからないことが活用につながらない原因
Tableau化(1):メンバーの活動・結果一覧（ボトルネックの可視化・一覧化）
- 各メンバーの活動履歴と結果が直感的にわかるように一覧化
  - メンバーの成功パターンや伸び代がすぐにわかる
Tableau化(2):ABMダッシュボード（アプローチ方法・伸び代の可視化）
- 顧客ごとにどの部署・役職と接点があるかリアルタイムで可視化
  - アプローチルートやおさえるべきキーマンが一目でわかる
Tableau化(3):リアルタイム受注予測（AIの利用）
- AIとも連携、過去の実績を踏まえ各案件ごとに受注予測

次のアクションがわかるようにダッシュボードを作成する
相手にこのレポートで何を伝えたいかわかるデザインにするということを大事に　

所感

そんなに難しいことはやっていないが、きちんとポイントを抑えているなという印象をうけた

極めるー組織で使うTableau ダッシュボードデザイン

必要なのはセンスじゃなくて理論

ダッシュボードとは
- そもそもは自動車のやつ。これを見て判断して運転を行う
組織で使うべきダッシュボード
- 見てすぐ判断ができ次の行動に移れるもの
- 必要な情報に入れ替えることができるもの

“”"「見て」「すぐに」「判断できる」“”"
対象者が見て、目的が明確で、必要な情報がある
見やすく、パフォーマンス良く、必要な情報に集中できる
対象者と目的が明確ならダッシュボードの型は決まる

ダッシュボードの型

Strategic（意思決定層）
- KPI型
  - 一覧性を重視
  - 数字と補足情報の組み合わせ
  - 詳細な情報はない
  - 色は OK/NG 情報のみ
  - 操作はしない
- トピック特化型
  - ある部門/タスク/プロジェクトの全貌が把握できる
  - 概要(KPI)とより詳細な情報の組み合わせ
  - 操作はほとんどしない
Analytical（データアナリスト層）
- QA型
  - 必要そうな情報をあらかじめ列挙
- 自由探索型
  - ユーザー自身が操作して答えを得る
Operational（意思決定層とデータアナリスト層の中間）
- 横断型
  - 頻繁に更新される
  - 頻繁に確認する（ディスプレイ表示など）
  - ある期間内の全貌が確認できる
  - チーム/トピック間を比較する
  - 操作しない

型が決まったら必要なVizを決める
バッドプラクティス

「これまでの報告書にあったから」、XXチャートを作りたい
グッドプラクティス
この指標の時間による変化を示したい
他の項目との比較をしたい
地域による偏りの有無を示したい

ビジュアライズの参考:Visual Vocabulary

https://github.com/ft-interactive/chart-doctor/tree/master/visual-vocabulary
https://public.tableau.com/ja-jp/s/gallery/visual-vocabulary

ダッシュボードにおける見易さ

可読性
- テキスト（文字）
  - ダッシュボードの意図を的確に伝える手段
    - タイトル、判例
視認性
- 配置（レイアウト）
  - 情報はただ並べればいいというわけではない
    - グリッド、レイアウトコンテナー、パティング
判読性
- 色
  - 避けるべきは意味のない色使い
    - 色相、色の濃淡
    - どの色を使うべきか
      - 色の印象に合致するもの、（悩んだときのおすすめ）自社のロゴから選べば間違い無い
    - 何色使うべきか
      - 3~4色
    - 色に意味はないが、詳細は残したい場合
      - 不要な色は灰色に
        パフォーマンスよく
        デザイン観点からのパフォーマンス
データの粒度/量
- マークの数≒表示速度
  - マークの数＝クエリの結果の数
    - 最初の表示が最大のクエリ
    - マークの数が多くなるとCPU/メモリに負荷
    - そもそもどこを見るべきかがわからない
    - クロス集計/散布図/カスタムポリゴンには注意
フィルターカード
- 列挙型のフィルターは遅い
  - フィルターのメンバー数＝クエリの結果の数
    - 表示するだけでもクエリが流れる
    - とりわけ列挙型はすべての値を取得する
    - 「関連値のみ」は処理が長くなる
固定サイズ
- 固定サイズでキャッシュ利用
  - ダッシュボードサイズを固定するとキャッシュが活用できる
    - サイズが自動だと都度描画される
      必要な情報に注目させるために、視線を誘導させよ
F字型orZ字型
理解速度=集計の粒度
- 情報量が少なければ少ないほど理解が早い
- 概要から詳細へ
  - 大きな数字（KPI）→概要→より詳細