Hoe worden gegevens gestructureerd, ongestructureerd en semi-gestructureerd in bedrijfsintelligentie?

De wereld van bedrijfsintelligentie (BI) draait om het begrijpen en analyseren van gegevens om weloverwogen beslissingen te nemen. Gegevens kunnen echter op verschillende manieren worden gepresenteerd en geanalyseerd, afhankelijk van hun structuur. Er zijn drie hoofdtypen gegevensstructuren: gestructureerde, ongestructureerde en semi-gestructureerde gegevens. Elk van deze structuren heeft unieke eigenschappen die de manier waarop ze worden verwerkt en geanalyseerd beïnvloeden.

Gesloten gegevens, zoals een postcode in de Verenigde Staten of velden voor voornaam, tussenvoegsel en achternaam, bevatten altijd lettertekens en zijn voorspelbaar in hun opmaak. Deze gegevens conformeren zich aan een tabellenstructuur, wat betekent dat elke kolom en rij met elkaar verbonden is. Dit maakt gestructureerde gegevens eenvoudiger te analyseren. In tools zoals Power BI en Tableau, bijvoorbeeld, komen gestructureerde gegevens overeen met een formele specificatie van tabellen met rijen en kolommen, vaak aangeduid als een gegevensschema. Dit type gegevens wordt vaak weergegeven in tabellen, zoals te zien is in een spreadsheet van Microsoft Excel.

Anderzijds zijn ongestructureerde gegevens veel moeilijker te definiëren. Ze bevatten geen duidelijke structuur of vaste opmaak. Denk aan afbeeldingen, video’s of geluidsbestanden. Deze mediabestanden bevatten weliswaar metadata die het mogelijk maken bepaalde kenmerken te extraheren, zoals bestandsgrootte of datum van creatie, maar de daadwerkelijke inhoud — het beeld of geluid zelf — is onvoorspelbaar en uniek. Ongestructureerde gegevens zijn vaak moeilijker te verwerken in BI-systemen zoals Power BI of Tableau, omdat ze geen vaste formaten volgen die gemakkelijk te analyseren zijn. In plaats van directe analyse via tabellen, vereisen ongestructureerde gegevens geavanceerdere methoden zoals beeldherkenning of tekstanalyse.

Tussen deze twee structuren in ligt semi-gestructureerde data, die enige vorm van organisatie bevat, maar niet strikt vastligt in rijen en kolommen zoals bij gestructureerde gegevens. Semi-gestructureerde gegevens bevatten tags en labels die een bepaalde hiërarchie of structuur aangeven, maar de gegevens zelf zijn niet onderworpen aan een vast schema. Deze gegevens komen vaak voor in documenten zoals JSON-bestanden of XML-bestanden, die tags bevatten om verschillende data-elementen te identificeren en te organiseren. Hoewel deze gegevens niet in een relationele database passen, kunnen ze toch effectief worden verwerkt door BI-systemen, vooral als ze worden gecombineerd met tools die semi-gestructureerde talen zoals NoSQL ondersteunen. Dit maakt ze bruikbaar voor geavanceerde bedrijfsintelligentie, vooral wanneer ze in specifieke formaten zoals geautomatiseerde programmatuur (bijvoorbeeld geserialiseerde talen) worden verwerkt.

Bij het werken met semi-gestructureerde gegevens is het essentieel dat de gebruikte programmeertaal en de gegevenssysteemcommunicatie effectief kunnen omgaan met de flexibiliteit die deze gegevensstructuur vereist. Dit betekent dat hoewel semi-gestructureerde gegevens niet dezelfde mate van consistentie en striktheid bieden als gestructureerde gegevens, ze alsnog krachtig kunnen zijn voor het verkrijgen van waardevolle inzichten. Het juiste gebruik van geavanceerde analysemethoden kan helpen om belangrijke patronen en informatie te extraheren uit deze minder georganiseerde data.

Naast de manier waarop gegevens zijn gestructureerd, is het belangrijk voor bedrijven om niet alleen te begrijpen hoe deze gegevens in hun systemen passen, maar ook hoe ze in verschillende stadia van analyse kunnen worden benut. Gestructureerde gegevens bieden de basis voor eenvoudige analyses, zoals het volgen van prestaties via key performance indicators (KPI's) of andere meetbare bedrijfsdoelen. Semi-gestructureerde gegevens kunnen helpen bij complexere analyses waar een zekere mate van flexibiliteit vereist is. Ongestructureerde gegevens, hoewel uitdagend, kunnen waardevolle inzichten bieden, vooral wanneer ze met behulp van geavanceerde technieken zoals kunstmatige intelligentie en machine learning worden geanalyseerd.

Het is ook belangrijk te begrijpen dat BI-tools niet altijd in staat zijn om ongestructureerde gegevens effectief te verwerken. In plaats daarvan wordt er vaak gebruik gemaakt van gespecialiseerde software en systemen die in staat zijn om ongestructureerde gegevens om te zetten in een bruikbare vorm. Het proces van het omzetten van ongestructureerde gegevens naar gestructureerde gegevens kan tijdrovend zijn en vereist veel technische kennis.

In de huidige bedrijfsomgeving is het vermogen om snel en efficiënt gegevens te verwerken en te analyseren van cruciaal belang. Door gebruik te maken van BI-tools kunnen organisaties gemakkelijker trends ontdekken, operationele inefficiënties identificeren en weloverwogen strategische beslissingen nemen. BI verandert de manier waarop bedrijven gegevens begrijpen en gebruiken — van het eenvoudig verzamelen van gegevens tot het creëren van gedetailleerde visualisaties en rapporten die inzichten op een begrijpelijke manier presenteren.

Hoe grafieken te maken in R: van basis tot geavanceerd

De grafiek die je in Figuur 3-8 ziet, is een dichtheidsplot van de verdeling van de prijzen in Cars93. De y-as meet de dichtheid, een concept dat nauw verwant is aan kansberekening. Dit type grafiek, dat de frequentie van een bepaalde variabele in de dataset weergeeft, is handig voor het visualiseren van de verdeling van gegevens. De initiële grafiek toont de algemene vorm van de data, maar je kunt deze aanpassen door bijvoorbeeld een extra lijn toe te voegen met de functie lines(). Dit zorgt voor een beter inzicht in de verdeling en maakt de grafiek interactiever. Na het uitvoeren van de code lines(density(Cars93$Price)), ziet de grafiek er uit zoals in Figuur 3-9.

In de basis-R grafieken kun je een grafiek maken en er later elementen aan toevoegen, net zoals een schilder eerst een meer schildert en vervolgens bergen en bomen toevoegt. Zo creëer je dynamische visualisaties die de evolutie van je gegevens duidelijk maken.

Wanneer je werkt met staafdiagrammen, moet je eerst een tabel maken met de gegevens die je wilt visualiseren. In de sectie "Patterns vinden" van dit hoofdstuk wordt bijvoorbeeld een staafgrafiek getoond die de frequentie en types van auto's in de dataset Cars93 weergeeft. Deze grafiek is gebaseerd op de tabel die je eerst moet genereren met de functie table(Cars93$Type). De R-code hiervoor is eenvoudig, maar krachtig, en de bijbehorende staafgrafiek, weergegeven in Figuur 3-10, maakt het mogelijk om de relatieve frequentie van verschillende autotypes te vergelijken. Voor geavanceerdere grafieken voeg je extra argumenten toe, zoals ylim om de y-as schaal in te stellen en xlab en ylab om de assen te labelen.

Naast staafgrafieken kun je ook taartgrafieken gebruiken, die bijzonder eenvoudig zijn in R. De functie pie(table(Cars93$Type)) creëert een taartgrafiek die de verhoudingen van de autotypen visueel weergeeft. Hoewel taartgrafieken intuitief zijn, heeft de barplot de voorkeur wanneer je de specifieke waarden wilt vergelijken, omdat de visuele perceptie van proporties in taartgrafieken vaak verwarrend kan zijn.

Daarnaast is er de dot chart, een alternatieve manier om gegevens te visualiseren. Deze grafiek werd gepopulariseerd door de beroemde grafiekenexpert William Cleveland, die ontdekte dat mensen beter waarden langs een gemeenschappelijke schaal kunnen waarnemen dan gebieden in een taartgrafiek. De dot chart toont de frequenties van verschillende auto types, maar in plaats van de waarde van de y-as als een hoogte, worden de frequenties als stippen weergegeven. Dit maakt de verschillen tussen de data vaak gemakkelijker waar te nemen, vooral als de frequenties niet te groot variëren. De functie dotchart() is eenvoudig te gebruiken en biedt een interessant alternatief voor de gebruikelijke barplot.

In de meeste grafieken in dit hoofdstuk wordt de afhankelijke variabele als frequentie gepresenteerd, maar vaak wil je de werkelijke data-punten zelf visualiseren. Dit kan bijvoorbeeld met de gegevens uit Tabel 3-2, die de commerciële ruimte-inkomsten in de VS van 1990 tot 1994 weergeeft. Door een matrix van de gegevens te maken, kun je een gegroepeerd staafdiagram creëren dat de omzet per jaar voor verschillende sectoren toont. Deze gegevens worden omgezet in een vector en vervolgens in een matrix met behulp van de R-code. Een belangrijk punt is dat, voordat je de plot maakt, je de matrix moet voorzien van rij- en kolomnamen, zodat je grafiek duidelijk wordt. De kleuren van de staven kun je aanpassen met de parameter col, waarbij je gebruik kunt maken van grijstinten om de visualisatie meer diepte te geven.

Door de functie legend() toe te voegen, kun je een legenda aan de grafiek toevoegen, die aangeeft welke kleur voor welke sector staat. Dit maakt je grafiek niet alleen visueel aantrekkelijker, maar ook informatief, zodat de lezer gemakkelijk de verschillende datareeksen kan onderscheiden.

Naast de basiselementen die hierboven zijn genoemd, is het belangrijk om te begrijpen dat de keuze van grafiektype en de manier waarop je de data verwerkt, sterk afhankelijk is van de aard van de gegevens die je wilt visualiseren. Het is belangrijk om grafieken te kiezen die het beste de inzichten bieden die je wilt overbrengen, en soms kan het nodig zijn om meerdere grafieken te combineren om het volledige verhaal van je gegevens te vertellen. R biedt de flexibiliteit om grafieken te maken die visueel aantrekkelijk zijn, maar het vereist wel dat je een goed begrip hebt van de onderliggende data en de impact van de keuzes die je maakt bij het visualiseren van de gegevens.

Hoe gegevens te visualiseren in rapporten en datamodellen: inzichten en benaderingen

In de wereld van data-analyse is het cruciaal om zowel de verzameling als de presentatie van gegevens goed te begrijpen. Een effectief datarapport kan niet alleen inzichten verschaffen, maar ook richting geven aan strategische beslissingen binnen een organisatie. Bij het ontwerpen van een rapport spelen verschillende aspecten een belangrijke rol: de structuur van de gegevens, de keuze van visualisaties, en de manier waarop de informatie gedeeld wordt.

Het proces begint met de selectie van de juiste gegevensbron en het normaliseren van deze gegevens. Normalisatie is essentieel om onregelmatigheden te voorkomen en om gegevens consistent en gestructureerd weer te geven. Het is belangrijk te begrijpen dat er verschillende benaderingen zijn voor het inrichten van datamodellen, afhankelijk van het uiteindelijke doel van het rapport. Hierbij speelt de keuze tussen relationele en niet-relationele databases een belangrijke rol. In relationele databases worden gegevens vaak in tabellen georganiseerd, terwijl niet-relationele databases flexibeler zijn en een andere structuur vereisen, vaak geschikt voor grootschalige data-analysemethoden.

Zodra de gegevens correct zijn georganiseerd, komt het proces van het ontwerpen van de visualisatie aan bod. Het kiezen van het juiste type grafiek is van cruciaal belang. Bijvoorbeeld, het gebruik van een staafdiagram kan handig zijn om verdelingen te visualiseren, terwijl een lijn- of spreidingsdiagram vaak beter geschikt is voor het weergeven van trends in tijd. In dat verband speelt het gebruik van "conditional formatting" een belangrijke rol, waarbij specifieke waarden of bereiken in de grafiek worden gemarkeerd om de aandacht van de gebruiker te trekken. Dit is niet alleen esthetisch aantrekkelijk, maar helpt ook om de belangrijkste informatie in één oogopslag zichtbaar te maken.

Het ontwerpen van een rapport voor distributie is eveneens van groot belang. Hierbij moet rekening gehouden worden met het platform waarop het rapport gedeeld zal worden, of dit nu via een cloud-gebaseerde service is zoals Tableau of Power BI, of via een eenvoudig geëxporteerd bestand. Elk platform heeft zijn eigen set van best practices voor het delen van rapporten, zoals het aanpassen van de weergave van gegevens afhankelijk van de schermgrootte of het dynamisch laden van gegevens.

Daarnaast komt de rol van dashboards naar voren. Dashboards bieden de mogelijkheid om verschillende visualisaties in één overzicht te integreren, wat de besluitvormers helpt om snel tot inzicht te komen. Het gebruik van interactieve elementen in dashboards kan de ervaring voor de gebruiker aanzienlijk verbeteren door hen in staat te stellen gegevens te filteren en specifieke inzichten te krijgen op basis van hun interesse.

Bij het creëren van rapporten en dashboards is het ook belangrijk om te letten op de mogelijkheid van samenwerking. Het delen van rapporten binnen een organisatie moet niet alleen eenvoudig zijn, maar ook veilig en gecontroleerd. Door gebruik te maken van functies die het delen van gegevens mogelijk maken, kan men ervoor zorgen dat alleen bevoegde gebruikers toegang hebben tot bepaalde informatie, en dat aan de privacy- en beveiligingsnormen wordt voldaan.

Ten slotte, het testen en valideren van een datamodel is van groot belang. Dit kan door verschillende scenario’s door te lopen en te controleren of de gegevens correct worden weergegeven en of de rapporten voldoen aan de gestelde verwachtingen. Dit garandeert dat de uiteindelijke visualisatie van de gegevens zowel accuraat als informatief is.

Een ander belangrijk aspect is het vermogen om rapporten aan te passen aan de behoeften van de eindgebruiker. Dit kan bijvoorbeeld door het toevoegen van specifieke functies zoals drill-down mogelijkheden, waarmee gebruikers verder in de gegevens kunnen duiken om gedetailleerdere inzichten te verkrijgen. Dit zorgt voor een meer interactieve en op maat gemaakte ervaring, wat de effectiviteit van het rapport vergroot.

Bij het ontwerpen van een rapport moet men zich realiseren dat het einddoel altijd is om de gebruiker te voorzien van de meest relevante en bruikbare informatie op een manier die zowel begrijpelijk als visueel aantrekkelijk is. De keuze van de juiste visualisatie, het structureren van de gegevens, en het zorgen voor een gebruiksvriendelijke interface zijn de sleutelcomponenten voor succes. Het is essentieel om niet alleen de technische kant van data-analyse te begrijpen, maar ook de manier waarop deze gegevens op een efficiënte manier kunnen worden gepresenteerd aan de juiste mensen binnen de organisatie.

Hoe merge- en append-query's werken in Power BI

Het combineren van datasets in Power BI is een essentieel onderdeel van datavoorbereiding, vooral wanneer je te maken hebt met meerdere tabellen die je wilt samenvoegen of uitbreiden. Of je nu kiest voor het combineren van gegevens door middel van het append- of merge-proces, het uiteindelijke doel blijft hetzelfde: de data efficiënt samenvoegen en structureren voor verdere analyse en visualisatie. Het proces kan echter complex zijn, afhankelijk van het soort gegevens waarmee je werkt, de relaties tussen de tabellen, en de keuzes die je maakt tijdens het bewerkingsproces.

In Power BI kun je gebruik maken van de Merge interface om twee of meer kolommen samen te voegen. Nadat je de kolommen hebt geselecteerd, kun je de type van join kiezen die je wilt uitvoeren. De keuze van het type join heeft invloed op de manier waarop de gegevens uit beide tabellen gecombineerd worden. Nadat je de kolommen hebt geselecteerd, is de laatste stap het definiëren van een scheidingsteken via het Separator drop-down menu. Je hebt de mogelijkheid om een vooraf gedefinieerd scheidingsteken te kiezen, of een eigen scheidingsteken in te stellen door de optie Custom te kiezen. Wanneer je dit hebt gedaan, kun je een nieuwe kolomnaam invoeren. Bijvoorbeeld, als je een dubbele punt als scheidingsteken kiest, wordt de nieuwe kolom in het voorbeeld Agency-Sub Agency genoemd.

Soms komt het voor dat de gegevens die je importeert niet het juiste datatypes hebben. Power Query doet zijn best om automatisch het juiste datatype te detecteren, maar dit kan leiden tot fouten, vooral wanneer de gegevens een ander type hebben dan wat Power Query verwacht. Een typisch voorbeeld is het verkeerd behandelen van postcodes, die met een nul beginnen. Power Query beschouwt deze postcodes vaak als gehele getallen, waarbij de nul aan het begin van het getal verloren gaat. In dit geval zou het postcodeveld een Text datatype moeten zijn, en niet een Whole Number.

Bij het evalueren van je data in de kolommen is het belangrijk om te weten dat Power Query probeert om de gegevens om te zetten naar een van de beschikbare datatypes. Deze omvatten eenvoudige datatypes zoals tekst en getallen, maar ook complexere types zoals lijsten, records en tabellen. Soms kun je het datatype van een kolom veranderen door met de rechtermuisknop op de kolomkop te klikken en de optie Change Type te selecteren. Dit stelt je in staat om het datatype van de kolom te wijzigen, bijvoorbeeld van een getal naar tekst.

Wat betreft het combineren van queries, zijn er twee belangrijke technieken: appending en merging. Wanneer je een query appendt, voeg je gegevens toe aan een bestaande set van queries, wat resulteert in een grotere tabel (verticaal gezien). Dit wordt vaak gedaan door meerdere datasets samen te voegen, waarbij elke query dezelfde kolommen bevat. Het resultaat is een langere tabel, waarbij nieuwe rijen worden toegevoegd aan de bestaande data.

Merging queries, aan de andere kant, leidt tot een bredere tabel, aangezien je nieuwe kolommen toevoegt van de tweede query. Dit proces is gebaseerd op de relaties tussen de tabellen, meestal door het gebruik van sleutels zoals primaire en vreemde sleutels. Bij het merge-proces moet je een JOIN statement instellen om te bepalen hoe de gegevens worden gecombineerd. Je kunt kiezen uit zes verschillende types van joins: Inner, Left Outer, Right Outer, Full Outer, Left Anti, en Right Anti. Elk van deze heeft een andere manier van omgaan met de bijpassende rijen in de tabellen.

Als de gegevens niet perfect overeenkomen, biedt Power Query de mogelijkheid om fuzzy matching te gebruiken. Fuzzy matching kan worden ingesteld om overeenkomsten te vinden, zelfs als de gegevens niet exact identiek zijn. Je kunt de tolerantie en de drempel voor overeenkomsten instellen, afhankelijk van hoe nauwkeurig de match moet zijn. Daarnaast biedt Power Query diverse andere opties voor fuzzy matching, zoals het negeren van hoofdletters of het combineren van tekstvelden om betere overeenkomsten te vinden.

Wanneer je een query merge, is het belangrijk om te weten dat je altijd kunt kiezen of je een nieuwe query maakt of de huidige query gebruikt. Het kiezen van de juiste join type is cruciaal voor het verkrijgen van het gewenste resultaat. Na het selecteren van de juiste tabel en kolommen, kun je het JOIN-type kiezen, en Power BI zal de gegevens voor je combineren. In sommige gevallen kan het resultaat een nieuwe kolom bevatten, die dan wordt weergegeven als een hyperlink naar de onderliggende gegevens, of als een dubbele pijl, die wordt gebruikt om gegevens verder te filteren of te doorzoeken.

Het begrijpen van het proces van query-merging en -appending is essentieel voor een effectieve data-analyse in Power BI. Het kan je helpen om complexe datasets op een efficiënte manier samen te voegen, terwijl je ervoor zorgt dat de integriteit van de gegevens behouden blijft.

Hoe verbind je met verschillende databronnen in Tableau?

Bij het werken met gegevens in Tableau zijn er verschillende manieren om verbinding te maken met databronnen. Dit hangt af van het type databron en de specifieke infrastructuur die binnen een organisatie wordt gebruikt. Veel bedrijfsapplicaties en databronnen vallen onder de categorie 'onbewerkte gegevens', waaronder populaire platforms zoals Oracle, SAP, IBM, Salesforce en Microsoft. Deze bronnen kunnen eenvoudig worden geïntegreerd met Tableau via native connectors of met behulp van data virtualisatieplatformen zoals Denodo en Snowflake. Daarnaast kunnen gebruikers verbinding maken met databases die draaien op Java Database Connectivity (JDBC) of Microsoft Open Database Connectivity (ODBC).

Tableau biedt ingebouwde connectors voor veelgebruikte bestandstypes en databases, te vinden onder de respectieve 'Connect' menu's. Als je de gewenste databron niet kunt vinden, zijn er verschillende opties beschikbaar. Je kunt bijvoorbeeld een JDBC- of ODBC-verbinding gebruiken om snel een dataverbinding tot stand te brengen. Als de connector die je zoekt helemaal niet beschikbaar is, kun je je eigen webconnector maken of zelfs een connectorplug-in ontwikkelen met de Tableau Connector SDK. Tableau ondersteunt echter alleen in beperkte mate de integratie van dergelijke oplossingen, en de details van het bouwen van deze functionaliteit gaan verder dan het bereik van dit boek.

Tableau voegt voortdurend nieuwe dataverbindingstypes toe aan zijn platform. Daarom kan de versie van Tableau die je gebruikt, invloed hebben op de beschikbaarheid van de connectors. Zo zullen gebruikers van de 2018-editie van Tableau Desktop en Tableau Prep merken dat ze veel minder dataverbindingen hebben dan gebruikers van de 2022-editie, de versie waarop dit boek is gebaseerd. Om bij te blijven met de nieuwste connectors, kun je de website van Tableau raadplegen.

Het verbinden van je gegevens binnen het Tableau-ecosysteem is relatief eenvoudig, maar het proces kan voor sommige gebruikers uitgebreider zijn, omdat Tableau twee publicatie-georiënteerde producten aanbiedt. De connectie kan worden gelegd via het 'Server' menu. Hier kun je inloggen op Tableau Server door de URL in te voeren en op 'Connect' te drukken, of je kunt via de Quick Connect-optie verbinding maken met Tableau Online. Tableau zal je vervolgens vragen om in te loggen op je Tableau Cloud-account.

De wereld van IT-producten die gegevens produceren is enorm, en Tableau biedt niet altijd elke denkbare connector. Het is daarom niet verrassend dat je misschien een connector nodig hebt die nog niet beschikbaar is. Het kan echter zijn dat iemand uit de Tableau-gemeenschap al een oplossing heeft ontwikkeld. Bezoek de 'Ideas on Community' sectie van de Tableau-website om te zoeken naar bestaande connectors. Als de connector die je nodig hebt al is gevraagd, kun je erop stemmen, zodat Tableau deze mogelijk toevoegt aan de commerciële productlijn. Soms heeft een ontwikkelaar met de SDK een eenmalige connector gecreëerd en gedeeld met de gemeenschap. Meestal zal je ontdekken dat jouw probleem al opgelost is, en kun je de oplossing eenvoudig downloaden.

Bij het verbinden met een gegevensbron is het belangrijk om te begrijpen dat de voorbereiding van de gegevens nog niet voltooid is. Het opzetten van de verbinding is slechts stap één. Het is essentieel om de gegevens te analyseren en te bewerken om de gewenste resultaatsets te verkrijgen. Dit is cruciaal voor een gedegen gegevensanalyse en visualisatie. De volgende vragen kunnen je helpen bij het plannen en beheren van je gegevensbron:

• Waar bevindt de gegevensbron zich? Is het on-premises of in de cloud? Is het een bestand of maakt het deel uit van een applicatie?

• Heb je toegang tot de benodigde gegevens en autorisatie? Wie moet toegang krijgen tot de gegevensbron, en welk beveiligingsniveau is vereist?

• Hoe goed gestructureerd en geformatteerd is de gegevensbron? Heb je tools zoals Tableau Prep nodig om de gegevens te schonen?

• Hoe goed moet de gegevensbron gepersonaliseerd worden? Zijn er specifieke vereisten, zoals berekeningen of aangepaste formaten?

• Hoe schaalbaar is de gegevensbron? Moet de gegevensbron verspreid zijn over verschillende systemen of centraal worden beheerd?

• Waar en hoe zal de gegevensbron worden gepubliceerd? Wat voor soort authenticatie en autorisatie is vereist?

Bij het plannen van een databron is het ook belangrijk om na te denken over de prestaties. Heeft de gegevensbron een live verbinding nodig, of is een extract voldoende? Als een extract volstaat, moet je een vernieuwingsschema inplannen via Tableau Server of Tableau Cloud.

Het belangrijkste is dat de databron voldoet aan de zakelijke behoeften en dat de kwaliteit van de gegevens in lijn is met de verwachtingen. De eerste stap is om een goed begrip te krijgen van de gegevens en te bepalen of verdere schoonmaak of manipulatie nodig is. Uiteindelijk zal dit helpen bij het creëren van visuele analyses die van echte waarde zijn.