Jak mít uklizeno ve vizualizační platformě (GoodData) | Mňamka #126

Mít uklizeno ve vizualizační platformě je občas docela oříšek. Co dělat, abychom se z toho nezbláznili a nestrávili víc času hledáním metriky/reportu než analytickou prací samotnou? 

Máme tu pár tipů pro pořádek v GoodData, ale většina aktivit může být aplikována i na ostatní vizualizační tools.

Nepleťte si pojmy s dojmy

Vše začíná u výstižných a konzistentních názvů (aneb nenazývejte operátora v jedné tabulce agentem a v druhé userem :) To se hrozně lehce řekne, ale není to tak jednoduché dodržet že? Systémy i lidé se střídají/migrují a "entropie vzrůstá"...

Jak z toho ven? Zaveďte v podniku businessový slovník (ve kterém lze mimojiné fulltextově vyhledávat) a zařaďte ho do procesu validace nových či změnových požadavků. Jeho samotné vytváření vás donutí jasně definovat pojmy (včetně metrik), uživatelům nebudete muset furt vysvětlovat, kdo je a kdo už není nový zákazník a nám datařům toho operátora/agenta/usera můžete mlátit o hlavu dokud to jednoho krásného dne nesjednotíme. Předejdete tím i vytváření duplicitních metrik.

Utřiďte si Data Catalog

V novém GoodData si můžete zapnout roztřídění dle Folders, což vám atributy roztřídí dle tabulek a metriky dle složek. Já osobně preferuju zapnout rozbalení seznamu jako defaultní chování. Pokud toto roztřídění z jakéhokoliv důvodu nepoužíváte, tak se v GoodData vyplatí do každého názvu sloupce přidat i do závorky i název tabulky.

Využívejte Drill Down Paths

Naučte uživatele drillovat (nejen) do hierarchie atributu. Ušetříte tím nejen GoodData šťávu, ale hlavně se zbavíte spousty reportů, které vlastně ukazují to samé, jen přes jinou úroveň detailu.

Dolujte metadata

GoodData metadata lze používat pro optimalizaci LDM skrze identifikaci nepoužívaných tabulek či atributů, úklid nepoužívaných či duplicitních metrik i reportů, zajištění konzistence metrik napříč více projekty (metrika je stejně definovaná ve všech projektech) nebo i pro aktualizace výše zmíněného businessového slovníku (související objekty, definice, popis metriky).

Zapomněla jsem na něco? Chcete se na něco zeptat? Napište mi. 

Verča

Veronika Špryslová
datový detektiv
LinkedIn

UI/UX case study v analýze sentimentu | Mňamka #341

UI/UX case study v analýze sentimentu | Mňamka #341

Už jste se někdy zajímali o to jak lidé vaši značku vnímají? A pokud ano, využili jste k tomu data a postavili si na to dashboard? Že ne? Tak se pojďte podívat na případovku z Indonésie na nejmenované zdravotní organizaci. Autor nás provede celým procesem od výzkumu po realizaci.

Proč mít datový katalog? | Mňamka #340

Proč mít datový katalog? | Mňamka #340

Slovní spojení jako Datová kultura, datová inteligence atd. buď od nás anebo někde z internetů dávno znáte. Jak je ve společnosti co nejjednodušeji etablovat? Pomoci s tímto problémem by mohl takzvaný datový katalog. Pojďte se dozvědět co to je a proč je tak důležitou součástí datové infrastruktury mnoha firem.

Multi-barevné vizualizace a jak na ně | Mňamka #339

Multi-barevné vizualizace a jak na ně | Mňamka #339

Před barvami už jsme párkrát varovali, to ale neznamená, že občas nenarazíme na report (třeba v e-commerce), který se tváří jako firemní logo v červnu. To může vést k mentální únavě a vizuálnímu přetížení publika, což žádný datový detektiv nechce. V článku se dozvíte na co si dávat pozor a jakou alternativu u různých typů grafů zvolit.