W Power BI mamy do wyboru kilka wizualizacji danych przestrzennych:

• Mapa (czyli wykres bąbelkowy na podkładzie mapowym – kartodiagram);
• Kartogram,
• Mapa kształtów,
• Mapy ArcGIS dla usługi Power BI,
• Niestandardowe wizualizacje (Mapbox, Drilldown Choropleth, Route Map, Flow Map, mapy generowane skryptem R i inne).

Gdzie znaleźć ArcGIS Map dla Power BI?

Komponent ArcGIS for Power BI dostarczany jest przez firmę Esri, w związku z czym korzystanie z tego komponentu objęte jest dodatkowymi warunkami, na które użytkownicy Power BI muszą wyrazić zgodę (w oknie dialogowym).

Tworzenie wizualizacji przy pomocy mapy ArcGIS

Aby przedstawić dane na mapie, wśród dostępnych pól w danych źródłowych musi znajdować się wymiar geograficzny. Dla prezentacji rozwiązań narzędzia wykorzystam dane dotyczące trzęsień ziemi.

Z dostępnych wizualizacji wybieram ArcGIS Map, w Szerokości geograficznej umieszczam pole Lat, w Długości geograficznej pole Lon, zaś jako rozmiar Magnitude (średnia). Dzięki temu otrzymuję mapę z punktami wystąpień trzęsień ziemi i ich średnią siłą w danym punkcie.

Punkty mają bardzo zbliżone wielkości, a mapa sama w sobie jest mało interesująca, dlatego warto przyjrzeć się dodatkowym opcjom. Kryją się one w prawym górnym rogu wizualizacji, pod przyciskiem wielokropka > Edytuj.

Po wyborze nad wizualizacją pojawia się pasek z całym dodatkowym wachlarzem możliwości.

By wrócić do widoku raportu należy wybrać przycisk Wróć do raportu w lewym górnym rogu, nad wizualizacją.

Opcje edycji Map ArcGIS

Mapa bazowa

Dostępne są cztery rodzaje: ciemne, szare płótno, jasnoszare płótno, OpenStreetMap oraz Ulice (czyli mapa podstawowa ArcGIS). Są to kolorystyki map, na których wizualizowane będą dane.

Typ lokalizacji

Umożliwia wybór prezentacji lokalizacji jako punkty lub jako granicy. Prz tej drugiej opcji definiujemy jeszcze, z jaką kategorią danych mamy do czynienia: kraje, prowincje, kody pocztowe itd. Niestety geokodowanie może nie wykryć wszystkich obszarów czy granic.

Motyw mapy

Dostępne są cztery motywy map. Lokalizacja i Rozmiar dobierane są automatycznie na podstawie pól powiązanych z daną lokalizacją oraz dodanych do zasobnika Rozmiar.

• Tylko lokalizacja ­– nakreślenie punktów danych lub wypełnionych granic na podstawie ustawień w opcji Typ lokalizacji
• Heat Map (Mapa cieplna/skupień) – nakreślenie na mapie intensywności danych
• Rozmiar – nakreślenie punktów na mapie, których wielkość odpowiada wartości w zasobniku rozmiaru
• Klastrowanie – nakreślenie / podsumowanie ilości punktów danych regionie na mapie

Styl symboli

Działają w zależności od tego jaki motyw mapy zostanie wybrany, wówczas dostępne są tu różne opcje edycji wybranego motywu np. skale kolorów, przezroczystość, kształt, rozmiar symbolu itd.

Pinezki

Zupełnie jak w usługach Google możemy zwracać uwagę na istotne punkty oznaczone przy pomocy pinezek. Można ustawić ich maksymalnie 10. Poprzez wyszukiwarkę można odnaleźć interesujący punkt. Zostanie on później zapisany na karcie Pinezek, a zaznaczonym punktom możesz zmienić kolory.

Czas dojazdu

Pozwala na wybranie danej lokalizacji (w postaci pinezki) i określenie na mapie, jakie lokalizacje znajdują się w określonej odległości lub określonym czasie dojazdu.

Przy pomocy jednokrotnego lub wielokrotnego wyboru (z przyciskiem Ctrl) wybieram lokalizację, a następnie decyduję, czy chcę zobaczyć punkty w określonej odległości czy też czasie dojazdu (od 1 do 30 min). Domyślnie promień od wybranego punktu oznaczony jest kolorem fioletowym jak na rysunku. Oczywiście można zmienić te ustawienia.

Ważną funkcją jest tu możliwość zaznaczenia strefy dojazdu poprzez wybór odpowiedniego zaznaczenia. Dzięki temu wiemy, ile punktów znajduje się w środku strefy.

Warstwa referencyjna

Dane demograficzne

ArcGIS Maps for Power BI oferuje różne warstwy danych demograficznych, które pozwalają na zaprezentowanie danych ze źródła na tle danych demograficznych dot. ludności danego obszaru. W części Demografia do wyboru jest kilka warstw, poprzez zaznaczenie pola wyboru przy niej, zostanie wykorzystana na mapie.

Dodatkowo, po nałożeniu na mapę warstwy referencyjnej, jest ona interaktywna. Co oznacza że wybierając na mapie punkty czy obszary, w etykietce pojawia się podpowiedź dotycząca danego wycinka zależna od wybranej warstwy. Niestety wbudowane warstwy są tylko dla USA.

Warstwa ArcGIS

To wyszukiwarka map internetowych, które są udostępniane publicznie przez różne organizacje oraz zestaw wybranych map z witryny Living Atlas. Z tego miejsca można wyszukiwać, wybierać i dodawać dostępne mapy jako warstwę referencyjną.

Na poniższym przykładzie wśród dostępnych map wyszukałem mapy dotyczące huraganów. W ten sposób powstała ciekawa mapa Ameryki Środkowej z nałożeniem na siebie miejsc wstępowania huraganów oraz trzęsień ziemi (w postaci linii).

Infografiki

To świetna funkcja, która do wizualizacji dodaje również kontekstualną (zmieniającą się od zaznaczonych/widocznych danych) informację, z bardzo szerokiego zakresu (np. populacji, wieku czy dochodu). Niestety dane w infografice (ze względu na podstawowe usługi ArcGIS) dotyczą jedynie Stanów Zjednoczonych.

Wybieranie punktów na mapie

W ArcGIS Maps istnieją trzy tryby wybierania danych:

1. Wybieranie poszczególnych punktów danych.
2. Zaznaczenie na mapie przy pomocy prostokąta, wszystkich punktów które w jego obszarze się znajdą.
3. Pozwala na wybranie granic lub wielokątów w ramach warstwy referencyjnej i wybrania zawartych w nich punktów danych.

Należy pamiętać że jednocześnie można zaznaczyć jedynie 250 punktów danych. Jeśli z tą opcją działałoby grupowanie danych, wiele analiz byłoby prostszych. Niestety na ten moment nie jest to wspierane.

ArcGIS Pro

Istnieje możliwość wykupienia dostępu ArcGis Pro dla indywidualnego użytkownika jest to koszt $5 miesięcznie. Poniżej tabela ze strony Esri dotycząca opłat w zależności od liczby użytkowników Pro.

W porównaniu do wersji Basic, czyli dostępnej za darmo w Power BI, subskrypcja Plus pozwala na:

• dostęp do danych demograficznych na całym świecie (Basic – tylko dane dla USA)
• dostęp do danych zweryfikowanych, gotowych do użycia pochodzących ze źródeł  autoryzowanych (nie tylko publicznych)
• szerszy dostęp do map i lokalizacji
• dostęp do tych samych motywów map  (mapy ciepła, czasy napędów)
• szerszy dostęp do map bazowych (wersja podstawowa jedynie 4)

Wady i zalety mapy ArcGIS dla Power BI

Zalety

• ciekawe narzędzia analityczna – mapa cieplna, klastrowanie, mapa dojazdu
• właściwe skalowanie wielkości punktów
• możliwość wyświetlenia większej liczby punktów niż w standardowej wizualizacja Mapa w Power BI
• automatyczne geokodowanie
• możliwość wczytania własnych współrzędnych
• wybieranie punktów na mapie
• przy braku geokodowania pojawia się ostrzeżenie

Wady

• automatyczne geokodowanie może być niedokładne
• wersja bezpłatna ograniczona do podstawowych funkcji i wbudowanych danych (dodatkowe warstwy i infografiki)
• brak wsparcia dla hierarchii (na półce Location możemy umieścić tylko 1 pole)
• kontury dla Polski nie działają dla powiatów, gmin, kodów pocztowych

W omawianym narzędziu mamy do wyboru kilka wizualizacji danych przestrzennych:

• Mapa (czyli wykres bąbelkowy na podkładzie mapowym – kartodiagram);
• Kartogram,
• Mapa kształtów,
• Mapy ArcGIS dla usługi Power BI,
• Niestandardowe wizualizacje (Mapbox, Drilldown Choropleth, Route Map, Flow Map, mapy generowane skryptem R i inne).

Każdy z tych sposobów wizualizacji ma nieco inną charakterystykę, implikującą ich wykorzystanie. W niniejszym tekście znajdzie się opis dwóch podstawowych wizualizacji – Mapę oraz Kartogram.

Mapa w Power BI

Pod tą ogólną nazwą w Power BI kryje się kartodiagram kołowy – jest to sposób przedstawiania wybranych danych przy pomocy wykresu kołowego naniesionego na odpowiednie miejsce na mapie na przykład miasto bądź województwo. Sposób ten służy do prezentacji danych bezwzględnych, takich jak zysk z danego obszaru czy też liczba mieszkańców. W opozycji do tego typu danych stoją dane względne, czyli takie które obrazują udział interesującej nas cechy w odniesieniu do ogółu –  do takich zestawień możemy zaliczyć liczbę wegetarian przypadającą na ogół ludności na danym obszarze, czy też liczbę maszyn rolniczych przypadających na powierzchnię pól w danym powiecie bądź województwie.

W Power BI mamy do wyboru kilka różnych wariantów przedstawiania danych przy pomocy kartodiagramu – wynika to z opcji dostępnych użytkownikowi we wstążce Wizualizacje, zakładce Pola:

Obszary definiujące charakter naszych diagramów kołowych będących składowymi kartodiagramu to pola Legenda, Rozmiar oraz Nasycenie koloru.

Pole Rozmiar odpowiada oczywiście za rozmiar bąbelka w danym punkcie. Wielkość diagramu jest najczęściej wykorzystywaną zmienną w tego typu wizualizacjach – w prosty sposób pokazuje wielkość zjawiska.

Wartość liczbowa jest pokazywana przez powierzchnię koła, ale trzeba z tym uważać, gdyż wizualizacja ma problem ze skalowaniem przy dużych różnicach między punktami.

Warto zauważyć, iż przy zastosowaniu wykresu bąbelkowego pojawia się pewna trudność w porównywaniu lokacji między sobą – dość łatwo jest powiedzieć który bąbelek jest większy, ale trudno jest oszacować o jaką wartość  (pisałem o tym w artykule o wykresie bąbelkowym). W takich przypadkach niezbędne jest zaimplementowanie interakcji details on demand – szczegóły na żądanie. Znajdziemy ją także w Power BI – wystarczy najechać kursorem na interesujące nas koło, aby wyświetliły się szczegółowe dane.

Kolejnym atrybutem pozwalającym na zaprezentowanie wartości jest nasycenie koloru: Im bardziej nasycony kolor, tym większą wartość prezentuje. Oczywiście oszacowanie wartości na podstawie nasycenia koloru jest bardzo trudne, a dla niedoświadczonego w tym konkretnym oprogramowaniu użytkownika praktycznie niewykonalne; możliwe jest jedynie stwierdzenie, który bąbelek ma bardziej wyrazistą barwę, a więc większą wartość którą reprezentuje nasycenie. Na szczęście i w tym przypadku w sukurs przychodzi nam interakcja Etykietki, umożliwiająca użytkownikowi odczytanie dokładnych danych.

Oprócz przedstawiania wielkości zjawiska przy pomocy rozmiaru bądź nasycenia, możemy także przedstawić jego strukturę, zamieniając bąbelki na małe wykresy kołowe. W tym celu musimy umieścić odpowiednią kolumnę w polu Legenda.

Uwaga: aby umieścić jakikolwiek element w obszarze Legenda, pole Nasycenie koloru musi być puste. Nie ma możliwości stworzenia wykresów kołowych o różnym nasyceniu koloru.

Obszar Etykietki jest ściśle powiązany z interakcją – po dodaniu dowolnej kolumny w te pole, informacje w niej zawarte będą pojawiały się w okienku pojawiającym się po skierowaniu kursora na wykres kołowy.

Mając zaznaczoną wizualizację danych w postaci mapy możemy przejść do zakładki Format na wstążce wizualizacje:

Bez wątpienia bogate możliwości edycji mapy są znacznym progresem w stosunku do map w Power View. Użytkownik ma możliwość:

– edycji legendy, włączając w to nie tylko zmianę jej położenia, ale także koloru, kroju i rozmiaru użytej czcionki;

– edycji koloru danych – istnieje możliwość zmiany każdego koloru osobno; w Power View mogliśmy jedynie wybierać odgórnie narzucone palety barw. Warto jednak pamiętać, iż z reguły domyślne kolory są już dobrane zgodnie z zasadami ich skutecznego użycia; wszelkie ich zmiany powinny być dobrze przemyślane.

– włączenia etykiet kategorii – w tym przypadku kategorie są rozumiane jako lokalizacja; ich włączenie powoduje wyświetlenie nazw lokacji.

– edycji rozmiaru bąbelków – jest do dostępne z poziomu rozwijanego menu Bąbelki:

– zmiany zachowania mapy w przypadku filtrowania – służy do tego chyba najmniej intuicyjne nazwane menu Kontrolki mapy:

W przypadku włączonej opcji Automatyczne powiększanie po przefiltrowaniu danych program powiększy mapę do obszaru w którym pozostały bąbelki. W przypadku wyłączenia tej opcji, program nie będzie automatycznie zmieniał widoczności mapy.

– zmiany stylu mapy – służy do tego menu Style mapy. Do wyboru mamy warianty dobrze nam znane z innych dodatków Excela: motyw mapy satelitarnej, ciemny, jasny, odcieni szarości oraz mapy drogowej.

– zmiany tytułu – nawet coś tak trywialnego jest bardzo istotną rzeczą; opcja ta daje nam możliwość nadania tytuły który będzie łatwiejszy do zrozumienia dla odbiorcy niż zwyczajne wyświetlanie nazw kolumn przy pomocy których dana wizualizacja została stworzona.

– zmiany koloru tła oraz obramowania;

– zablokowania proporcji mapy – w ten sposób projektant dashboardu może zabezpieczyć się przed zmianą kształtu danej wizualizacji przez użytkownika. Mając włączoną tą opcję, użytkownik może jedynie zmienić kształt mapy, a nie jej proporcje;

– zmiany pozycji mapy – oprócz przesuwania oraz zmiany kształtu przy pomocy myszki, istnieje możliwość wykonania tej operacji z poziomu menu Ogólne; należy pamiętać, że współrzędne podane w polach Położenie X, Położenie Y odnoszą się do lewego górnego punktu wizualizacji. W prawo rosną wartości współrzędnych X, a w dół współrzędnych Y. Nie jest to klasyczny matematyczny układ współrzędnych, ale układ wykorzystywany w programowaniu.

Kartogram w Power BI

Kolejnym sposobem prezentacji danych przy pomocy mapy jest kartogram. Najprościej rzecz ujmując, jest to przedstawienie wartości poprzez zabarwienie na określony kolor pewnego, określonego granicami, obszaru. Przy pomocy tego rodzaju wizualizacji powinno pokazywać się dane które mają charakter względny, tzn. są prezentowanie w odniesieniu do różnego rodzaju granic administracyjnych.

Tworzenie kartogramu jest identyczne jak tworzenie kartodiagramu ukrywającego się w Power BI pod ogólnym wyrazem Mapa – we wstążce wizualizacje znajdują się dokładnie te same pola.

Poniżej przykładowe użycie tego sposobu wizualizacji – mapa pokazująca gęstość zaludnienia w Polsce. Dane tabelaryczne zawierają liczbę osób przypadającą na jeden kilometr kwadratowy poszczególnych województw.

Na pierwszy rzut oka rzucają się pewnie niedogodności. Jedną z nich jest brak jest legendy ze skalą przypisującą wartości kolorom, w związku z czym na pierwszy rzut oka nie widzimy nie widzimy o jakiego rzędu wielkościach mówimy. W tej sytuacji pomaga niezawodna interakcja Etykietki – po najechaniu kursorem na dowolne województwo otrzymujemy informację o przypisanych mu wartościach. Mimo to, ciągła skala z przypisanym im wartościom – przynajmniej minimalna i maksymalną – jest czymś, co na pewno przydałoby się tej formie przedstawiania danych.

Kolejnym drobnym problemem jest widoczność poszczególnych obszarów na które podzielone jest mapa. W domyślnym ustawieniu – tzn. mapie w stylu drogowym i dość pastelowych kolorach skali – interpretacja kartogramu może okazać się odrobinę trudna, ponieważ powierzchnie na które podzielona jest mapa potrafią „zlewać” się ze sobą. Ponadto kompleksy leśne, widoczne na tym typie mapy, wpływają na kolor przedstawianych danych i wzmagają trudność odczytania mapy

Rozwiązaniem jest oczywiście ręczna modyfikacja poszczególnych parametrów – warto zmienić motyw mapy na ciemny, a kolory danych na odrobinę bardziej jaskrawe.

Oczywiście takie rozwiązanie ma także swoje wady – kolor czarny silnie przyciąga uwagę użytkownika. Umiejscowienie takiej mapy w dashboardzie spowoduje, że zostanie on przez nią całkowicie zdominowany. W rzeczywistości każda kompozycja wizualna kartogramu powinna zostać dobrana indywidualnie, w zależności od charakterystyki danych oraz dashboardu.

Oprócz tworzenia kartogramu przedstawiającego natężenie dowolnego zjawiska, mamy także możliwość stworzenia mapy podziału interesującego nasz obszary na mniejsze jednostki, np. mapa województw Polski. W tym celu umieszczamy w obszarze Legenda tą samą kolumnę co w obszarze Lokalizacja.

Możliwości zmiany kartogramu są takie same, jak w przypadku mapy – różnica polega na tym, że w kartogramie nie znajdziemy opcji związanych z przedstawianiem danych przy pomocy bąbelka, tzn. Etykiety kategorii oraz Bąbelki:

Lokalizacja

Niezależnie od sposobu prezentacji danych, w obszarze Lokalizacje we wstążce Wizualizacje umieszczamy kolumnę z naszej tabeli, która będzie określała odniesienie geograficzne naszych danych – mogą być to nazwy miast, województw, kody pocztowe i inne atrybuty określające położenie. Niestety, bardzo często zdarza się, iż na świecie istnieje więcej niż jedno miejsce o tej samej bądź bardzo zbliżonej nazwie. W takim przypadku może okazać się, że Power BI może błędnie wyświetlić dane.

Przykładowo, zamiast miejscowości Orły w województwie łódzkim program może wskazać podparyską miejscowość Orly:

Innym przykładem może także być miejscowość Linia – okazuje się bowiem, że nazwa ta nie jest jedynie nazwą miejscowości w Polsce, ale także w Czadzie:

Nie ma możliwości ręcznego zmienienia pozycji poszczególnych punktów – jedynym rozwiązaniem jest powiązanie poszczególnych miejsc z odpowiednimi współrzędnymi – o ile takimi dysponujemy. W przeciwnym przypadku pozostaje nam skorzystanie z różnych stron internetowych, np. https://www.doogal.co.uk/BatchGeocoding.php. Niestety, prawdopodobnie wszystkie darmowe witryny internetowe nadające współrzędne miejscom mają ograniczenia co do liczby przetwarzanych rekordów.

Niejednoznaczność może objawiać się także wskazywaniem nie tyle nieprawidłowych miejsc, co nieprawidłowych jednostek administracyjnych. Klasycznym przykładem są stany i miasta znajdujące się Stanach Zjednoczonych – znajdziemy tam miasto, stan oraz hrabstwo o nazwie Washington, które to znajdują się w zupełnie innych częściach kraju. Nowy Jork jest zarówno nazwą stanu, jak i miasta będącego jego stolicą. Nazwa „Georgia” może oznaczać stan, małe miasteczko w innym stanie, bądź też angielską nazwę Gruzji. Przykłady można mnożyć, pojawia się więc pytanie – czy istnieje możliwość uściślenia o jaką jednostkę nam chodzi?

Z pomocą przychodzi nam zakładka Modelowanie oraz obszar Właściwości. Staje się on aktywny po zaznaczeniu dowolnej kolumny we wstążce Pola.

Znajdują się w niej trzy pola, z których nasz interesuje środkowe – Kategoria danych. Mając zaznaczoną kolumnę z wykazem miejsc wybieramy jedną z pożądanych przez nas kategorii.

Trudno porównywać podział administracyjny poszczególnych krajów (np. Polski oraz Stanów Zjednoczonych) ze względu na znaczne różnice. W takich przypadkach warto wiedzieć, iż tłumacze postanowili przetłumaczyć jako województwa kategorię która w oryginale brzmiała State or Province.

Po załadowaniu tabeli w której znajdują się niejednoznaczne nazwy lokacji program zaproponuje jedno z rozwiązań, które zmieniamy poprzez omówione kategorie danych. Przykładowo, bo wczytaniu tabeli z nazwami Washington oraz Georgia program przypisze wartości do konkretnych stanów:

Definiując wartości opisujące lokalizację jako miasta zmieniamy mapę na poniższą:

Przy omawianiu geograficznych kategorii danych warto zauważyć, iż program bardzo dobrze radzi sobie z lokalizacją terenów przypisanych poszczególnym kodom pocztowym:

Wady i zalety Mapy oraz Kartogramu

Zalety

• automatyczne geokodowanie
• możliwość wgrania własnych współrzędnych (Mapa)
• wsparcie interakcji filtrowania, drążenia, grupowania
• dostępnych jest kilka podkładów mapowych
• dla Polski działają województwa i kody pocztowe (choć tu nie ma pewności, co do jakości mapy)

Wady

• nieprawidłowe skalowanie bąbelków
• ograniczona liczba kształtów i punktów wyświetlanych jednocześnie (wg moich szacunków 1000-1500)
• niewielkie możliwości sterowania kolorem w postaci bardziej rozbudowanych palet
• automatyczne geokodowanie może prowadzić do błędów
• brak możliwości śledzenia elementów niewyświetlonych
• brak wsparcia powiatów i gmin (tu proste rozwiązanie dla kartogramu to Mapa kształtów Power BI)

Masz swoje obserwacje nt. Mapy lub Kartogramu w Power BI?

Podziel się w komentarzu.

Spotkanie odbędzie się w Warszawie 6 marca o 18:00. Spotykamy się w sali 211 w budynku A SGH – wejście od ulicy Rakowieckiej 24. Meetup do bezpłatna i otwarta forma spotkania, która pozwoli Ci zdobyć nowe umiejętności i poznać ludzi o podobnych zainteresowaniach.

Jak zapisać się na spotkanie?

Aby potwierdzić swoje przybycie, zarejestruj się na stronie grupy Data Visualization & BI Meetup.

Co zabrać na meetup?

Spotkanie ma charakter praktyczny, więc zabierz ze sobą komputer z zainstalowaną aplikacją Power BI Desktop. Więcej o Power BI i link do pobrania.

Wykres liniowy w Power BI

Budowę wykresu kontynuuję w oparciu o dane sprzedaży. W obszarze wizualizacji wybieram wykres liniowy.

Następnie kolumnę Sprzedaż umieszczam w obszarze wartości, Datę zamówienia w obszarze Oś oraz Region jako legendę. Dzięki takiemu zamieszczeniu kolejnych kolumn, wykres na osi y będzie zawierać wartość sprzedaży, na osi x daty, a pole region jako legenda pokaże każdy z regionów jako oddzielną linię.

Wykres jest niestety nieczytelny, a wynika to z faktu, że dane na osi x czyli data zamówienia, są danymi dziennymi. Aby wykres stał się dużo bardziej czytelny, dane zagreguję. W tym celu, zaznaczam wykres tak by uaktywnić menu po prawej stronie. W sekcji Pola, gdzie w obszarze Oś znajduje się Data zamówienia, wybieram trójkącik po prawej stronie.

Aby rozwinąć menu dotyczące tego obiektu danych. Z listy rozwijalnej wybieram Date Hierarchy, dzięki czemu z daty dziennej będę mógł wybrać wymiary takie jak Rok,  Kwartał, Miesiąc, Dzień.

Od razu po tej operacji wykres wygląda zupełnie inaczej, jest bardziej klarowny, ponieważ dane są zagregowane do najwyższego poziomu hierarchii z obiektu danych Data zamówienia.

W prawym górnym rogu wykresu są widoczne dwa aktywne (ciemniejsze)  „przyciski” ze strzałkami w dół (w poprzednim artykule wykorzystałem dwa pierwsze ze strzałką w górę i podwójną w dół).

Przycisk aktywny numer jeden czyli „przejdź do następnego poziomu w hierarchii” pozwala na drążenie danych na podstawie zbudowanej hierarchii z Data zamówienia. Gdy wybiorę w tym momencie ten przycisk, przejdę do agregacji danych na osi x na kolejnym szczeblu hierarchii czyli kwartale (przy czym dane będę zawierały agregację dla danego kwartału na przestrzeni wszystkich lat).

Jak na wykresie poniżej.

Jeżeli wykorzystam przycisk numer dwa, czyli Rozwiń wszystko o jeden poziom w dół w hierarchii.

efekt, jak mówi nazwa przycisku, będzie zupełnie inny w poprzednim przypadku – otrzymuję agregację do roku, a w jego ramach do kolejnych kwartałów. Oczywiście jedna i druga opcja w zależności od potrzeb może być przydatna. Poniżej efekt działania drugiej strzałki w dół (grupowanie rok – kwartał, oczywiście można zejść jeszcze niżej w hierarchii).

Budowanie mapy w Power BI

Wstawiam kolejną stronę do projektu gdzie zbuduję wizualizację na mapie. W sekcji Wizualizacja wybieram Kartogram.

W polu Lokalizacja zamieszczam kolumnę Województwo, jako Legendę umieszczam Region.

Następnie z pola Legenda wyrzucam Region, a w Nasycenie koloru umieszczam Zysk.

Zmieniam wizualizację na Mapę.

Sprzedaż ustawiam jako Rozmiar a Zysk jako Nasycenie koloru.

Zmieniam kolory bąbelków które pojawiają się na mapie > Format > Kolory danych > włączam rozbieżność > Ustawiam kolory od czerwonego , przez biały do morskiego.

Do Lokalizacji dorzucam Miasto, przechodzę do widoku szczegółów, wybieram w filtrach województwo śląskie, oraz zawężam do miast które przynoszą zysk (jest większy od zera).

Całość zabiegów przynosi taki oto widok

.

By powrócić do wcześniejszego, muszę zdjąć/wyczyścić wcześniej założone filtry oraz przejść do widoku ogólnego poprzez przycisk przy mapie, w lewym górnym rogu.

Zagadka

[/vc_column_text][vc_raw_html]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[/vc_raw_html][vc_column_text]

Odpowiedź

Chodzi o piosenkę „Last Christmas”. Wg danych z serwisu Google Trends, pobranych do wizualizacji 22.12.2015 r., Polska jest na pierwszym miejscu na świecie pod względem wyszukiwania piosenki zespołu Wham!, przez co otrzymała indeks 100, stanowiąc punkt odniesienia do innych krajów.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_video link=”https://www.youtube.com/watch?v=E8gmARGvPlI” align=”center”][/vc_column][/vc_row]

Jak działa raport końcowy?

Przygotowanie danych w programie Mapa Polski Excel

Wstęp jest analogiczny do odcinka 22, zatem przygotowujemy tabelę z przepływami, wstawiając kolejno punkt początkowy (Miejscowość, Długość, Szerokość) oraz analogicznie końcowy (punkt 1). Jeżeli mamy do czynienia z transportem łączonym (tzw. wahadłem systemowym – transport do magazynu 2 przez magazyn 1), oddzielamy je pustą linijką, powtarzając jednak wpisy dla kategorii, takich jak Grupa czy Dzień (punkt 2).

Po ustawieniu przedziałów, skopiowaniu wykresu i zmiany go na wykres punktowy z liniami otrzymamy następujący obraz przepływów:

Budowa interaktywnego raportu z użyciem fragmentatorów

Do budowy filtrów wykorzystamy fragmentator. Do Excela 2010 był on wykorzystywany tylko w tabeli przestawnej, jednak w wersji 2013 możemy go wstawić także na zwykłej tabeli, pod warunkiem stworzenia Tabeli nazwanej. W tym celu przechodzimy do tabeli znajdującej się w arkuszu Miasta i klikamy Ctrl+T. Upewniamy się, że Excel automatycznie złapał zasięg tabeli wraz z nagłówkami i klikamy OK:

W ten sposób otrzymujemy tabelę:

Na pierwszy rzut oka nic poza formatowaniem się nie zmieniło, jednak utworzenie tabeli otwiera przed nami możliwość zastosowania fragmentatora. Na karcie Projektowanie klikamy Wstaw fragmentator:

Excel zapyta, na których kolumnach ma on bazować – zaznaczamy więc kolumny Grupa i Dzień, a następnie klikamy OK:

Otrzymane w ten sposób fragmentatory wycinamy z arkusza Miasta i wklejamy do arkusza Mapa.

Analiza przepływów na Mapie Polski Excel

Teraz czas na wykorzystanie fragmentatorów do analizy przepływów w podziale na kategorie, dni tygodnia czy inne parametry umieszczone przy punktach. Fragmentator działa oczywiście także dla „zwykłego” wykresu bąbelkowego.

Tutorial wideo

[youtube]https://youtu.be/HM01rzACiHU[/youtube]

Pobranie danych do Tableau bezpośrednio do Google Analytics

Tytułem wstępu warto dodać, że pobranie danych z Google Analytics do Tableau jest dziecinnie proste – wystarczy wybrać odpowiednią opcję połączenia danych, zalogować się, wybrać miary i wymiary, które nas interesują i można zacząć pracę.

Czego szuka analityk? – Interaktywna wizualizacja ruchu na stronie

Efektem końcowym jest poniższa wizualizacja prezentująca chmurę słów, które szukający informacji – Czytelnicy – wpisują w wyszukiwarkę Google, trafiając w konsekwencji na SkuteczneRaporty.pl. Wizualizacja posiada filtr, który czeka na Twoje słowa kluczowe. Można też zobaczyć kiedy i gdzie frazy były wyszukiwane, a po kliknięciu na konkretne sformułowanie, zobaczyć wyniki wyszukiwania na stronie Google. Miłego przeglądania!

Pierwszym ze sposobów przedstawiania danych przestrzennych na mapie jest stworzenie odpowiedniej wizualizacji w dodatku PowerView. Metoda ta zostało już szczegółowo opisana w artykule o raportach na mapach w PowerView.

Drugą opcją (której poświęcony jest niniejszy artykuł) jest zainstalowanie dodatku, który służy wyłącznie przedstawianiu danych przestrzennych – PowerMap. Niestety, jest on obsługiwany jedynie przez najnowszą wersję programu Excel (2013). Można go pobrać za darmo z tej strony. Jeśli subskrybujemy usługę Microsoft Office 365, będziemy mieli dostęp do tego dodatku w ramach narzędzi do samoobsługowej analizy danych biznesowych. Oficjalne informacje na temat dostępności powyższego dodatku znajdziemy tutaj.

PowerMap możemy włączyć i wyłączyć w opcjach. Wystarczy zaznaczyć odpowiednie pole w oknie dodatków COM (PLIK -> Opcje -> Dodatki -> Zarządzaj: Dodatki COM (wybieramy z listy) -> Przejdź):

Procedura aktywacji dodatku jest analogiczna jak w przypadku PowerPivot oraz PowerView – z nią możemy zapoznać się tutaj.

Wcześniej nie było możliwym zamieszczenie map oraz przedstawienie danych przestrzennych w nieprzygotowanym do tego arkuszu Excela. Dzięki wspomnianym powyżej dwóm dodatkom  – PowerView oraz PowerMap aktualnie jest to możliwe. Możemy powiedzieć, iż program Microsoft Excel zawiera w sobie elementy GIS – Sytemu Informacji Geograficznej (ang. Geographic Information System). Zgodnie z definicją, system taki służy do wprowadzania, gromadzenia, przetwarzania oraz wizualizacji danych geograficznych, którego jedną z funkcji jest wspomaganie procesu decyzyjnego.

Uruchomianie i dane

PowerMap uruchamiamy klikając na przycisk Mapa w zakładce WSTAWIANIE:

Otworzy nam się okno dodatku. Składa się ono z Edytora przewodnika (wstążka po lewej stronie) oraz okienka warstwy (wstążka po prawej). Wyświetlaniem poszczególnych elementów sterujemy przy pomocy przycisków w obszarze Widok.

Jeżeli uruchomimy dodatek nie mając zaznaczonych żadnych danych, w okienku warstwy wyświetli nam się informacja o braku danych i instrukcja postępowania. Zgodnie z nią zaznaczamy dane przestrzenne które chcemy przedstawić i klikamy Dodaj zaznaczone dane do aplikacji Power Map.

Danie nie muszą być w formie tabeli; może to być po prostu zakres komórek. Program i tak zinterpretuje takie dane jako tabele, należy więc zadbać o ich odpowiednią strukturę. Z tego też powodu zalecanym jest, aby dodawane do mapy dane miały postać tabeli – w ten sposób mamy pewność co do ich konstrukcji.

Nie jest to jedyny sposób dodawania danych do Power Map. Możemy mieć zaznaczone odpowiednie dane już podczas tworzenia i klikania w przycisk Mapa – w takim przypadku zostaną one od razu wczytane do dodatku.

Jeżeli mamy utworzony model w PowerPivot, to zostanie on automatycznie podczytany do dodatku Power Map – niezależnie od tego, czy mamy zaznaczone jakiekolwiek dane przy uruchomianiu tego narzędzia.

Geokodowanie

Po wczytaniu wskazanej przez nas tabeli program prosi nas w okienku warstwy o wybór geografii – czyli parametr po którym przeprowadzać będziemy geokodowanie.

Geokodowaniem nazywamy zamianę różnych danych geograficznych (nazwa miejscowości, kraju, kod pocztowy itp.) na współrzędne. PowerMap w większości wypadków sam wykryje kolumnę przy pomocy której ma przeprowadzić tą czynność, niemniej w wypadku gdy jednak tego nie dokona bądź gdy jest więcej niż jedna kolumna danych przestrzennych, użytkownik może ustawić ręcznie odpowiednią kolumnę w obszarze POZIOM GEOGRAFII MAPY. Tam to przeciągamy odpowiednią kolumnę oraz wybieramy definicję znajdujących się w niej danych. Jak widać na poniższym obrazku, mamy stosunkowo szeroki wachlarz wyboru.

Już na tym etapie na mapie powinny pojawić się punkty symbolizujące zawarte we wskazanej kolumnie lokalizacje.

Oprócz tego w danym oknie możemy zmienić nazwę tworzonej przez nas warstwy – wystarczy kliknąć w ikonę ołówka obok roboczej nazwy Warstwa 1:

Dodatek Power Map korzysta z systemu warstw, znanych z programów GIS czy też CAD. Oznacza to, iż mamy możliwość wyświetlania wielu warstw, a o przesłanianiu siebie nawzajem decyduje kolejność na liście.

Po kliknięciu przycisku Dalej przechodzimy do dalszej części tworzenia naszej wizualizacji.

Uwaga: Znalezienie odpowiednich współrzędnych może zająć komputerowi chwilę czasu – szczególnie, jeżeli danych jest bardzo dużo a my nie dysponujemy bardzo szybkim komputerem. Czasem może wydawać się, iż komputer się zawiesił, jednak w dolnym lewym rogu znajdziemy pasek postępu tworzenia wizualizacji:

Przedstawienie danych

W dalszej części tworzenia naszej mapy wybieramy dane oraz sposób ich przedstawiania na mapie. Odbywa się to na zasadzie obszarów do których są przeciągane nazwy odpowiednich kolumn. Mechanizm jest bardzo podobny do tego zastosowanego w tabeli przestawnej czy też PowerView, dlatego też każdy użytkownik, który jest obeznany z tymi sposobami prezentacji danych odnajdzie się bardzo dobrze także w PowerMap.

Nazwy obszarów i ich znaczenie jest zależne od sposobu wizualizacji danych na mapie, którą chcemy zastosować. Sposób ten możemy zamieniać przy pomocy przycisków widniejących nad omawianymi obszarami:

Sposób pierwszy: wykres kolumnowy skumulowany

Służący przede wszystkim do przedstawiania jednego zjawiska w rozbiciu na elementy. Przykładem może być przedstawienie migracji ludności w rozbiciu na emigrację i imigrację czy też podział klientów ze względu na ich segment.

Wykres skumulowany możemy uzyskać na dwa sposoby. Pierwszym z nich jest umieszczenie dwóch wartości w oknie WYSOKOŚĆ. W ten sposób uzyskamy wykres w którym wysokość słupka będzie determinowana przez wartości w dwóch kolumnach.

Drugim sposobem wymaga stworzenia modelu danych – to jest co najmniej dwóch tabel powiązanych ze sobą relacjami. W takich przypadkach możemy dzielić dane według przypisanych im kategorii.

Parametrami wyświetlanych słupków sterujemy we wstążce opcji warstwy, do której przechodzimy klikając w okienku warstwy na koło zębate:

W tym miejscu możemy zmienić nazwę warstwy (wystarczy kliknąć na ołówek obok aktualnej nazwy – domyślnie będzie to Warstwa 1), zmienić przezroczystość (parametr Krycie), wysokość oraz grubość słupków.

Opcja Zablokuj bieżącą skalę służy zachowaniu wielkości kolumn podczas skalowania mapy – a więc jej przybliżaniu oraz oddalaniu. W domyślnym ustawieniu – bez zaznaczenia tej opcji – rozmiar kolumn zmienia się wraz ze zmianą skali.

Jeżeli ją zaznaczymy, to rozmiar kolumn pozostanie taki sam, jaki był w momencie jej uaktywnienia.

Zaznaczenie opcji Pokaż negatywy spowoduje pojawienie się kolumn znajdujących się pod powierzchnią mapy.

Jak łatwo się domyślić, opcje Pokaż zera oraz Pokaż wartości null powodują, iż w przypadku, gdy w komórce znajduje się zero lub nie znajduje się nic (wartość null), to na mapie istnieje punkt – bez kolumny. W wypadku ich nieaktywności dane miejsce nie jest w żaden sposób oznaczone.

Sposób drugi: wykres kolumnowy grupowany

Jak powszechnie wiadomo, wykres kolumnowy grupowany służy przede wszystkim porównywaniu wartości między sobą. W przeciwieństwie do wykresu skumulowanego, przedstawia dane w postaci dwóch lub więcej słupków stojących obok siebie. W ten sposób możemy np. sprawdzić czy w danym kraju większa jest emigracja, czy imigracja. Trudność może sprawiać nam mówienie o ogólnej liczbie ludzi migrujących – musimy sumować długość obu słupków.

Tak jak w przypadku wykresu skumulowanego, wykres grupowany możemy utworzyć poprzez dwie kolumny jak i podział danych umieszczonych w kolumnie według kategorii. Obsługa pozostałych elementów także jest taka sama jak w przypadku poprzedniej wizualizacji.

Sposób trzeci – wykres bąbelkowy

Choć po najechaniu kursorem na wyżej zaznaczoną ikonkę wyświetla nam się napis Zmień wizualizację na bąbelkowy, mamy tutaj do czynienia bardziej z wieloma wykresami kołowymi. Bąbelek jest z założenia tworem przestrzennym i okrągłym, tymczasem dane są przedstawione przy pomocy płaskiego dysku:

Choć wykres kołowy nie jest zalecanym sposobem wizualizacji danych, w przypadku PowerMap sprawdza się całkiem dobrze, szczególnie w przypadku danych które odnoszą się do odległych od siebie miejsc – w tym przypadku wyjątkowo dużo łatwiej jest porównać wielkość koła, bo jest to możliwe z góry. Wysokość słupków możemy porównywać jedynie z bocznej perspektywy, a i wtedy nie jest ona zbyt efektywna – właśnie ze względu na odległości.

Opcje warstwy są bardzo podobne jak w przypadku poprzednich wykresów:

Różnic w zasadzie jest trzy:

1.  Zamiast wartości Wysokość mamy tutaj Rozmiar. Przy jej pomocy sterujemy wielkością promienia koła. Przy pomocy parametru Grubość zmieniamy wysokość koła – odległość od powierzchni mapy do górnej krawędzi walca.

2. Po zaznaczeniu opcji Pokaż zera oraz pokaż wartości null, punkty reprezentujące te wartości są okrągłe, a nie kwadratowe, tak jak miało to miejsce w przypadku wykresów kolumnowych

3. Opcja Pokaż negatywy  jest realizowana poprzez okrąg z białym wypełnieniem, którego wielkość zależy od wielkości liczby ujemnej.

Uwaga: jeżeli będziemy przy pomocy wykresu bąbelkowego przedstawiać więcej niż jedną wartość o różnych znakach – np. dwie wartości, z czego jedną ujemną, a drugą dodatnią – to wartość ujemna zostanie przedstawiona wartość dodatnia, tzn. utworzy się zwykły wykres kołowy sugerujący że obie wartości są dodatnie.

Sposób czwarty – mapa konturowa

Mapa konturowa jest dosyć specyficznym sposobem przedstawiania danych – dane przedstawiamy przy pomocy „wysp ciepła”:

W ten sposób możemy przedstawiać tylko jedną zmienną, stąd tez nieco inny zestaw pól we wstążce Okienko warstwy  – brak tam pola KATEGORIA, a w obszarze WARTOŚĆ możemy zamieścić jedynie jedną kolumnę z wartościami.

Do korzystania z tej wizualizacji musimy posiadać odpowiednie dane – świetnie nadadzą się takie, które są przestrzennie odniesione do regularnej siatki. Dysponując siatką z wysokością terenu moglibyśmy przy pomocy mapy konturowej stworzyć klasyczną mapę hipsometryczną. Nieźle też spiszą się dane nieregularne, ale o dużym zagęszczeniu. Zdecydowanie źle natomiast przedstawione będą dane odniesione do bardzo dużych obszarów.

W opcjach warstwy, w stosunku do poprzednich wizualizacji, nie można wskazać wielu zmian:

Parametr Skala kolorów reguluje zakres wyświetlanych wartości oraz przypisanych im kolorów. Im niższa wartość tego parametru, tym węższa jest skala, im wyższa – tym skala jest szersza.

Promień wpływu steruje wielkością obszaru, na jaki oddziaływają wartości położone w punkcie w przestrzeni. Im większy promień, tym większe „plamy” reprezentujące interesujące nas wartości. Opcja ta jest szczególnie przydatna przy danych reprezentujących punkty położone stosunkowo rzadko – wizualizacja metodą konturową wygląda zdecydowanie lepiej, jeżeli pomiędzy poszczególnymi „plamami” nie ma zbyt wiele niezajętej przestrzeni.

Opcje Pokaż zera, Pokaż negatywy oraz Pokaż wartości null, mimo iż obecne, nie zmieniają nic w wyświetlaniu niniejszej wizualizacji. Zera, negatywy oraz wartości null nie są w żaden sposób przedstawiane, bez względu na to czy te opcje są zaznaczone, czy nie.

Sposób piąty – wizualizacja Region

W ten sposób dotarliśmy do piątego – ostatniego już sposobu prezentacji dostępnego w PowerMap. Po najechaniu kursorem na zaznaczoną ikonę pojawi się opcja zmień wizualizację na Region – pod tą nazwą kryje się stary, dobry kartogram.

Co się kryje pod tą nazwą?

Kartogram to sposób przedstawiania danych względnych odniesionych do pewnego obszaru, zwanego jednostką odniesienia bądź też polem podstawowym. Takim obszarem najczęściej są jednostki administracyjne (gminy, powiaty, województwa, kraje), aczkolwiek zdarzają się kartogramy skonstruowane na podstawie siatki, gdzie dane odniesione są do każdego oczka siatki.

W PowerMap mamy możliwość tworzenia kartogramów na podstawie jednostek administracyjnych. To ważne, ponieważ ten sposób wizualizacji nie jest dostępny w żadnym innym dodatku PowerMap.

Układ pól w okienku warstwy pokazuje nam, że tak jak w przypadku wykresów kolumnowych oraz bąbelkowego możemy przy pomocy kartogramu przedstawiać więcej niż jedną zmienną:

Tak samo jak w przypadku wymienionych wizualizacji możemy użyć dwóch kolumn bądź też podzielić wartości mieszczące się w jednej kolumnie według kategorii.

Istotną wadą jest brak przedstawienia zmiennej metodą bez agregacji, tak jak było to możliwe w przypadku poprzednich wizualizacji:

Trudno jednoznacznie powiedzieć, co jest tego przyczyną; być może jest to po prostu jakieś niedopatrzenie poprawione w przyszłych wersjach programu.

Zanim przejdziemy do opisania sposobu cieniowania więcej niż jednej kategorii, zajmijmy się opcjami warstwy.

Domyślnie po utworzeniu wizualizacji skala kolorów dobrana jest w ten sposób, iż ciężko wskazać różnice pomiędzy poszczególnymi obszarami. Aby to zmienić, należy zmienić parametr Skala kolorów, najlepiej na wartość minimalną – tj. 0 %. Różnica jest bardzo wyraźna.

W wypadku zaznaczenia którejkolwiek z opcji Pokaż zera, Pokaż wartości null oraz Pokaż negatywy program weźmie pod uwagę jednostki administracyjne, w których to wartość będzie wynosiła odpowiednio zero, null bądź też będzie ujemna. Oznacza to, iż skala zostanie rozszerzona w ten sposób, aby obejmowała również te wartości, a dany obszar zostanie zacieniowany.

W przypadku przedstawienia jednej wartości mamy do czynienia ze skalą jednobarwną ciągłą. Cieniowanie w dwóch kolorach uzyskujemy poprzez umieszczanie w obszarze WARTOŚCI więcej niż jednej kolumny. Aby mapa miała sens, wybór tych wartości musi być logicznie uzasadniony – nie powinniśmy przedstawiać dwóch bezpośrednio niezwiązanych ze sobą zjawisk (np. urbanizację i bezrobocie) na jednej mapie, ponieważ jej wartość poznawcza będzie zerowa.

Przykładem dobrego zastosowania jest porównanie wartości emigracji i imigracji. Kraj w którym przeważa zjawisko emigracji będzie innego koloru, niż ten w którym dominuje imigracja – w ten sposób szybko poznamy z jaką sytuacją mamy do czynienia, a poprzez stopień zacieniowania dowiemy się o skali zjawiska.

Sposób w jaki cieniowane są poszczególne kraje wybiera się we wstążce Okienko warstwy – należy kliknąć w małą ikonkę obok obszaru WARTOŚĆ:

Mówiąc o tej wizualizacji należy również zaznaczyć, że może ona tworzona na podstawie powiatów oraz kodów pocztowych. Niestety nie ma możliwości zejścia na poziom gmin – w takich wypadkach możemy tworzyć inne typy wykresów.

To już wszystkie sposoby wizualizacji danych, jakie mamy do dyspozycji w PowerMap. Po zapoznaniu się z nimi, możemy pokusić się o kilka generalnych wniosków:

– Wykresy kolumnowe w PowerMap lepiej sprawdzają się, jeżeli przedstawiamy dane dotyczące niewielkiego terenu – zbyt duże odległości pomiędzy poszczególnymi kolumnami i konieczność używania rzutu bocznego znacznie utrudnia ich porównywanie i wyciąganie jakichkolwiek wniosków;

– Wykres bąbelkowy, choć zazwyczaj niezalecany, w PowerMap świetnie się spisuje podczas przedstawiania danych dotyczących dużych obszarów; równie dobrze spisuje się forma kartogramu.

– Cztery pierwsze sposoby wizualizacji – czyli wykres kolumnowy skumulowany, kolumnowy grupowany, konturowy oraz bąbelkowy służą przedstawianiu danych bezwzględnych – czyli po prostu pewnych liczbowych wartości nieodniesionych do całości (do 100 %) czy też powierzchni. Wizualizacja Rejony przeznaczona jest do przedstawiania danych względnych – odniesionych do powierzchni jednostki administracyjnej, do ogólnej liczby ludności itp.

Przykładem danych bezwzględnych może być liczba osób które wyemigrowały z kraju, natomiast danych względnych – procent ludności który wyemigrował z kraju.

Krótka historia czasu

We wszystkich wizualizacjach możemy uwzględnić wpływ czasu – wystarczy w obszarze CZAS zamieścić kolumnę w której będą znajdowały się daty odnoszące się do naszych danych. W ten sposób tworzymy animację, która w pewnych elementach może przypominać animację w wykresie bąbelkowym w dodatku PowerView.

Ważnym jest, aby format danych w kolumnie był odpowiedni („Data”). W innym przypadku nie będzie możliwe umieszczenie tam kolumny, a co za tym idzie – stworzenie animacji. Przykładowo, jeżeli w kolumnie będą się znajdywały lata w postaci liczbowej, to nie będziemy mogli ich użyć.

Po umieszczeniu kolumny z datami w obszarze CZAS w przestrzeni mapy pojawią się dwa dodatkowe elementy: półprzezroczyste pole z datą oraz pasek odtwarzania wraz z przyciskiem play:

Jak łatwo zauważyć, format daty nie jest typowym polskim formatem: w pierwszej kolejności mamy rok, następnie miesiąc, dzień, a potem godzinę. Niestety, nie mamy żadnej możliwości jego zmiany; zmiana sposobu wyświetlania w arkuszu w żadne sposób nie wpływa na wyświetlanie w PowerMap. Możemy jedynie zmieniać ilość wyświetlanych informacji poprzez zmianę rozmiaru obszaru:

Przeanalizujmy teraz oś odtwarzania; Wciśnięcie przycisku play spowoduje odtworzenie animacji, na której to możemy zobaczyć zmianę wysokości słupków (i pośrednio zmianę danych) na daną datę, widoczną w tym momencie w okienku daty.

Domyślnie słupki przedstawiają dane skumulowane w miarę upływu czasu. Zmienić to możemy klikając na małą ikonę zegara znajdująca się nieopodal obszaru CZAS:

Oprócz przycisku play na osi odtwarzania znajdują się na nim także inne: zaczynając od lewej, pierwszy z nich powoduje zapętlenie się animacji – będzie ona odtwarzania aż do jej zatrzymania. Koło zębate uruchamia wstążkę opcji sceny:

Czas trwania sceny to po prostu określona liczbą sekund długość animacji. Jest to zdecydowanie ważna opcja – w PowerView animacja trwała zawsze 15 sekund, co uniemożliwiało przedstawianie długich okresów. Prócz ręcznego wpisywania czasu trwania mamy także opcję jej ustalenia przy pomocy suwaka Szybkość.

W powyższej wstążce możemy jeszcze nazwać naszą scenę oraz określić efekt przejścia oraz czas jego trwania – o tym dokładniej w następnym artykule z tego cyklu.

Zarówno okienko z datą, jak i pasek odtwarzania możemy zamknąć klikając na X. Ich przywrócenie na obszar mapy odbywa się poprzez kliknięcie przycisków Oś czasu oraz Data i godzina na wstążce NARZĘDZIA GŁÓWNE.

Zapisywanie raportu

Po utworzeniu raportu w dodatku i jego zamknięciu zostaje on zapisany w danym pliku Excela. Aby rozpowszechnić więc dany raport i dać możliwość dowolnego ich edytowania odbiorcom, należy udostępnić im właśnie ten plik.

Raport otwieramy w ten sam sposób, jak tworzymy nowe raporty – klikamy wstążkę WSTAWIANIE > Mapa

Jeżeli w tym pliku są zapisane mapy PowerMap, otworzy nam się okno wyboru. Możemy w nim zdecydować którą prezentację wybierzemy bądź stworzyć nową:

Nazwę poszczególnych raportów zmieniamy w górnej części wstążki Edytor Przewodnika, już po otworzeniu interesującego nas okna.

W ten sposób zapoznaliśmy się ze wszystkimi podstawowymi opcjami PowerMap. Co o nich sądzicie? Czy dodatek PowerMap pozwala w przystępny sposób przedstawić dane? Swoim zdaniem podzielcie się w komentarzach.

Dane na temat migracji zostały pobrane ze strony instytucji Eurostat – http://ec.europa.eu/eurostat

Termin big data jest obecnie bardzo popularny – zetknął się z nim zapewne każdy, nawet jeśli nie interesuje się ani nie zajmuje tą tematyką na co dzień. Pojęcie to ciągle nie jest w pełni rozumiane, bowiem określa się nim niesłusznie każdy duży zbiór danych.

Tymczasem big data pojawia się dopiero tam, gdzie tradycyjna eksploracja danych (data mining) nie jest w stanie wyszukać ukrytych w tych danych znaczeń i wzorców. Wynika to z faktu, że znakomita większość gromadzonych obecnie danych jest nieustrukturyzowana (nie jest przechowywana w formie uporządkowanych tabel), wymaga przetwarzania w czasie rzeczywistym lub jest po prostu bardzo duża, wobec czego nie można do nich zastosować relacyjnych baz danych czy hurtowni danych.

Równolegle jednak do rosnącej popularności big data rośnie także świadomość problemu oraz zainteresowanie tworzeniem i rozwijaniem narzędzi, algorytmów i technologii zdolnych „udźwignąć” big data. Wymienić tutaj można np. Hadoop, MapReduce czy bazy danych NoSQL. Technologie te stanowią centralną część ram oprogramowania open-source, co ułatwia przetwarzanie ogromnych zbiorów na systemach klastrowych.

Same narzędzia jednak nie wystarczą. Fascynacja trendem big data zrodziła zapotrzebowanie na odpowiednio przygotowanych analityków, którzy będą umieli w pełni wykorzystać możliwości ukryte w tych ogromnych zbiorach danych poprzez wyciąganie odpowiednich wniosków – dopiero bowiem wtedy zgromadzone dane stają się wartościowe. Analityków tych określa się mianem data scientists, zaś całą naukę – data science. O ogromnym znaczeniu big data oraz samych data scientists świadczy chociażby fakt, że zawód ten okrzyknięty został przez „Harvard Business Review” najbardziej pożądanym zawodem XXI wieku. Co więcej, Wielka Brytania uznała badania nad Big Data za jeden z ośmiu strategicznych kierunków rozwoju nowych technologii, a rząd USA przeznaczył w 2012 roku 200 milionów dolarów na badania i rozwój nowych inicjatyw big data.

Big Data w liczbach

Podobnych wniosków dostarczają też dane statystyczne i prognozy na temat big data i całego związanego z nimi rynku. Świat produkuje coraz większą ilość danych. Każdego dnia wysyłanych jest ponad 500 milionów tweetów, a miesięcznie na Facebooku pojawia się ponad 30 miliardów nowych wpisów – każdy zawierający informacje o zachowaniach i upodobaniach konsumentów. W każdej godzinie Walmart przetwarza milion transakcji swoich klientów. Eric Schmidt z Google twierdzi, że obecnie co 2 dni wytwarzamy tyle danych, ile cała ludzkość wyprodukowała od początku cywilizacji do początku XXI wieku, a dane na świecie co najmniej podwajają się co 2 lata. Jak podano na konferencji Hadoop Summit 2014 w San Jose w Kalifornii, szacuje się, że obecnie na świecie jest 3,2 zetabajtów danych (1 zetabajt to miliard terabajtów), a do 2020 roku ilość ta urośnie do 40 zetabajtów. Interesujący jest fakt, że ponad 70% tych danych generowana jest przez jednostki, natomiast przedsiębiorstwa odpowiedzialne są za przechowywanie i zarządzanie 80% z nich. Warto również dodać, że do 2020 roku około jedna trzecia wszystkich danych będzie przechowywana bądź przetwarzana w chmurze.

Mówiąc zaś językiem wymiernych korzyści, wystarczy nadmienić, nawiązując do raportu Digital Trends 2013, opracowanego przez specjalistów z Deloitte i Allegro, że globalny rynek big data – a więc wszelkie technologie, sprzęt, oprogramowanie, jak i usługi z nimi związane – wart będzie w 2015 roku prawie 50 miliardów dolarów, z prognozowanym wzrostem 40% rok-do-roku.

Coraz częściej zresztą słyszymy o fascynujących przykładach wykorzystania big data w różnych branżach. Jako przykład posłużyć może sytuacja Tesco w Malezji, które miało problem z odbudowaniem lojalności wśród klientów. By jak najlepiej spersonalizować ofertę, rozpoczęli analizy trendów rynkowych, danych z kart lojalnościowych, które prezentowały jak, kiedy i co kupowali ich klienci. W efekcie udało im się reaktywować 3000 klientów, lojalność klientów wzrosła o 30%. Z kolei T-mobile w USA, dzięki analizie danych z systemów CRM i mediów społecznościowych, zmniejszył o 50% liczbę rezygnacji klientów z usług firmy. Sięgając do przykładów z europejskiego podwórka, warto między innymi wspomnieć o sukcesie platformy Tipp24 AG do obstawiania zakładów w loteriach. Dzięki analizie miliardów transakcji i tysięcy czynników determinujących przyzwyczajenia swoich klientów udało się firmie spersonalizować komunikację marketingową w czasie rzeczywistym oraz skrócić aż o 90% czas potrzebny na budowanie modeli predykcyjnych przyszłych zachowań konsumentów.

Kolejnym i chyba jednym z najbardziej medialnych przykładów zastosowania big data w dosyć rewolucyjny, nieoczywisty sposób jest przygotowanie produkcji serialu „House of Cards”. Firma Netflix zrealizowała produkcję serialu w oparciu o analizę wzorców zachowań, przyzwyczajeń i gustów swoich klientów. Serial odniósł ogromny sukces, ale producenci byli o nim przekonani, zanim ktokolwiek na planie zdążył krzyknąć pierwsze „Akcja!”.

Big Data a wizualizacja danych

O co więc tak naprawdę chodzi w analityce big data? O dostrzeganie tego, co niewidoczne w niezliczonej ilości danych z chociażby takich źródeł, jak portale społecznościowe, filmy, różnego rodzaju czujniki, kamery, satelity czy transakcje zakupowe. O zhumanizowanie tych danych i uczynienie ich bardziej zrozumiałymi dla innych użytkowników – zatem big data to także nowe wyzwanie dla dziedziny wizualizacji danych. Mimo że zmienia się ona wraz z rozwojem coraz to nowych technologii, ciągle musi przestrzegać starych zasad – wizualizacje muszą być dobrze zaprojektowane, łatwe w użyciu, zrozumiałe, przejrzyste i dostarczać odpowiednich informacji. W stosunku do big data standardowe wykresy czy grafy nie są już wystarczającymi narzędziami, bowiem ograniczają się tylko do jednego bądź dwóch wymiarów i nie są w stanie objąć całej „głębi” ogromnych zbiorów danych. Pojawiła się potrzeba opracowania i rozwijania solidnych, interaktywnych narzędzi, które będą funkcjonalne i „aktualizowalne” – zdolne do przetwarzania danych w czasie rzeczywistym. W żargonie mówi się o 3xV – Volume, Variety, Velocity – i to właśnie z tymi 3 aspektami: dużą objętością, różnorodnością czy też złożonością, a także przetwarzaniem w czasie rzeczywistym muszą poradzić sobie nowe metody.

Infografika, Dashboard, Mapa

Infografiki, które w ostatnim czasie stały się szczególnie popularne, są doskonałym środkiem, by przedstawić złożone problemy w sposób, który będzie zrozumiały dla każdego użytkownika. Infografiki są zwykle starannie przygotowane w formie plakatu bądź prezentacji i w przejrzysty sposób obejmują wieloaspektowe, wielowymiarowe problemy. Ich dużą wadą jednak jest fakt, że zwykle są one stałe w czasie, a zatem ograniczone są możliwości wykorzystania ich w interaktywnej analizie danych. Co więcej, ich autorzy raczej skupiają się na aspektach estetycznych, a nie na danych i wnioskach, które z nich płyną. Z infografikami należy więc uważać.

Dashboardy łączą wiele aspektów danych na jednym ekranie i najczęściej pozwalają odbiorcy na interakcję. Są przeznaczone dla grona przeszkolonych odbiorców. Więcej o tego typu raportach biznesowych dowiesz się z artykułu Co to jest dashboard?.

Mapy są idealne do przedstawiania danych zróżnicowanych geograficznie, a ich popularność stale rośnie dzięki coraz większej ilości map i danych dostępnych publicznie.

Warto tutaj odnotować, że znani dostawcy narzędzi business intelligence, jak IBM, Cognos czy SAS, w dalszym ciągu są dużymi graczami na dynamicznie rozwijającym się rynku odkrywania danych, wizualizacji i umiejętności wyciągania właściwych wniosków, lecz ich udział w tym rynku maleje. Obecnie firmy nie muszą wydawać ogromnych kwot, by poradzić sobie z wizualizacją danych, bowiem narzędzia temu dedykowane stają się nie tylko coraz powszechniej dostępne, lecz także proste w użytkowaniu, co jest szczególnie ważne dla użytkowników spoza branży IT. Jako przykład mogą posłużyć Vizify, D3.js, Visual.ly, GNU R i wiele innych.

Najlepszym podsumowaniem będzie chyba wniosek, że problem big data jest nierozerwalnie związany z wizualizacją danych, która obok coraz to lepszych narzędzi hardware’owych i software’owych stanowi jeden filarów analityki big data.

Jak zmienia się świat analityki biznesowej? – Tableau, QlikView, Microsoft PowerBI

Podążając za wymaganiami klientów, dostawcy programów zmienili paradygmat, uznając, że centralną postacią w kwestii przetwarzania danych i ich obróbki powinien być każdy zwykły użytkownik, a nie tylko wyspecjalizowane zespoły działów IT. Każda szanująca się firma software’owa zaczęła więc – z różnym skutkiem – przygotowywać narzędzia, które pozwolą podłączyć się do źródła danych, zaprezentować je poprzez ich wizualizację, przeanalizować w interaktywny sposób i udostępnić innym pracownikom. Te 4 filary łączą produkty tworzone m.in. przez Tableau (Tableau Desktop), QlikView (QlikSense Desktop) i Microsoft (Power BI Designer).

Możliwości wizualizacyjne każdego z tych programów omówimy szczegółowo w kolejnym artykule, warto jednak podkreślić jedno – przyszłość analityki biznesowej nierozłącznie wiąże się z wizualizacją danych i dashboardami, a umiejętność analizy danych z pomocą jednego z tych programów będzie kluczem do rozwoju własnego i organizacji, w której pracujemy.

Infografika Big Data

Jako ciekawostkę zamieszczamy poniżej infografikę, prezentującą nieco więcej danych statystycznych na temat big data.

Źródło: https://hrboss.com/blog/2014-02-03/what-big-data-infographic

Grafika podsumowująca „aferę madrycką”

Jak powstawał dashboard?

Krok 1. Pobranie danych ze strony Kancelarii Sejm, konwersja formatu PDF na Word i skopiowanie danych do programu Excel.

Krok 2. Oczyszczenie danych (usunięcie zbędnych wierszy za pomocą funkcji PRZESUNIĘCIE i sortowania, ujednolicenie nazw posłów).

Krok 3. Formatowanie dat za pomocą narzędzia Tekst jako kolumny oraz funkcji tekstowych (DŁ, FRAGMENT.TEKSTU, ZNAJDŹ, LEWY), JEŻELI oraz DATA.

Krok 4. Utworzenie kolumny „Partia” z kolumny zawierającej nazwisko za pomocą narzędzia Tekst jako kolumny.

Krok 5. Obliczenie dystansu za pomocą nowych funkcji w programie Excel 2013 WEBSERVICE i FILTERXML (wkrótce cały artykuł o tych funkcjach, będący kontynuacją serii „Co nowego w programie Excel 2013?”.

Krok 6. Geokodowanie miast, analogicznie jak opisaliśmy w artykule o tym, jak wykonać geokodowanie bazy punktów.

Krok 7. Przygotowanie i publikacja dashboardu przy użyciu bezpłetnego narzędzia do wizualizacji danych i tworzenia dashboardów Tableau Public.

Plik do pobrania

Wszystkie kroki i dane z dzisiejszego artykułu tradycyjnie umieściliśmy w pliku do ściągnięcia: Gdzie_posłowie_jeździli_samochodami.xlsx

Czy podoba Ci się artykuł?

Jeśli tak, prosimy o komentarz, polubienie lub podzielenie się ze znajomymi. Jeżeli widzisz błędy, napisz w komentarzu.