Kapitel 79. Wie man Anomalie-Erkennung betreibt
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
I Ich glaube, das kennen wir alle: Wir teilen eine aussagekräftige Geschichte, die wir in den Daten gefunden haben, nur damit unsere Endnutzer sich auf einen früheren Höhepunkt oder ein Tal in unserer Visualisierung fixieren. Das lenkt oft vom eigentlichen Thema ab oder verhindert, dass unsere Zuhörer/innen den Rest unserer Botschaft verstehen, und verringert unsere Chancen, etwas zu bewirken.
Eine der größten Herausforderungen für uns als Datenvisualisierer ist es, unsere Endnutzer nicht abzulenken. Wenn unsere Endnutzer abgelenkt werden, wird es schwieriger, die Geschichte der Daten und unsere Handlungsempfehlungen zu vermitteln. Ironischerweise liegt einer der Gründe für die Ablenkung darin, dass die Visualisierung von Daten es viel einfacher macht, interessante Punkte zu erkennen. Leider ist etwas, das Interesse wecken könnte, nicht immer relevant für das Gespräch.
In diesem Kapitel wird ein Ansatz für die Erkennung von Anomalien in Tableau vorgestellt. Mit der Anomalieerkennung kannst du dich auf die Datenpunkte konzentrieren, die wichtig sind, und deinen Endnutzern eine statistische Erklärung geben, um ablenkende Unterhaltungen zu vermeiden.
Tabellenberechnungen für die statistische Erkennung von Anomalien in Tableau verwenden
Um einen Ansatz für die Erkennung von Anomalien in Tableau zu veranschaulichen, ...
Get Innovative Tabelle now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
