[Tableau] Tableau Bootcamp Day6

6일차 퀘스트에서는

📁"주식 데이터", 📁"주문+반품 추출 데이터"를 이용해 시각화된 데이터에 따라 유연하게 계산 기준을 설정하는 테이블 계산식과, 고정된 기준으로 집계를 수행하는 세부 수준 계산식(LOD)을 실습하며 이해해 보았다.

[1]  전일 대비 종가 등락
[2]  테이블 계산식 - 전국 기준 시도별 매출 구성비율
[3]  세부 수준 계산식(LOD) - 전국 기준 구성비율 고정
[4]  세부 수준 계산식(LOD) - 최초 구매년도별 매출 분해
[5]  고객별 최초 재구매 시점 코호트 분석

---

테이블 계산식의 원리에 대해 정리해 보자.

기본적으로 Tableau는 집계 값을 통해 시각화를 한다. 테이블 계산식은 Raw Data를 "집계한 값 (Aggregation)"을 가지고 테이블 계산을 실행한다.

이때 집계의 기준은 시각화의 세부 수준에 따라 결정된다. 시각화에 추가되는 차원에 따라 집계가 되는 기준이 변경되는데, 여기서 말하는 측정값의 집계 기준을 "시각화의 세부 수준" 또는 "뷰의 수준"이라고 한다.

측정값은 시각화의 세부 수준에 따라 집계가 되고, 이 집계 값을 통해 재계산하는 테이블 계산은 어떤 기준으로 계산할지 지정해야 되는 것이다. 재계산이 되는 범위(테이블, 패널, 셀), 방향, 기준에 따라 값이 달라 질 수 있기 때문에 범위와 방향을 신중하게 설정할 수 있어야 한다.

[1]  전일 대비 종가 등락

내가 보유한 주식은 전일 대비 종가가 상승했을까? 하락했을까? 전일 종가와 당일 종가를 비교해 주가의 등락을 시각화해 본다.

라인과 원 마크를 이중축으로 사용하고, 테이블 계산식을 통해 상승/하락 여부를 색상(상승: 파란색, 동일: 주황색, 하락: 빨간색)으로 표현해 본다. 차원에 있는 "코드명"을 이용해서 해당 주식에 대한 정보 사이트로 이동하는 작업을 추가한다.

💡 테이블 계산을 통해 시계열 데이터를 변화 값 중심으로 재해석할 수 있다. 핵심은 이미 집계된 데이터의 '이전 값'과 비교한다는 점이다.

LOOKUP 함수로 전일 종가를 참조하고 이를 현재 값과 비교함으로써 상승, 하락, 동일 여부를 구분할 수 있다.
등락의 추세를 직관적으로 파악할 수 있게 해주며, 사용자가 특정일의 주식 움직임을 빠르게 탐색할 수 있게 한다.

💡 마크에 '코드명'을 넣고 URL 링크를 설정함으로써 데이터 기반 인터렉션을 수행할 수 있다.

[2]  테이블 계산식 - 전국 기준 시도별 매출 구성비율

내가 담당하는 상품의 전국 매출 구성비율을 한눈에 살펴볼 수 있을까?

시도별 매출 합계를 바탕으로 전체 대비 구성 비율을 시각화한다. 퀵 테이블 계산의 "구성 비율" 기능을 사용하여 간편하게 % 값을 도출할 수 있고, 필터에 따라 값이 변화하는 성질도 함께 확인한다.

💡 Tableau의 테이블 계산 범위는 "뷰에 보이는 데이터"에 종속적이다. 따라서 필터로 수도권만 선택하면 TOTAL(SUM([매출]))의 범위가 전체에서 수도권으로 축소되어 비율 값이 왜곡된다. 이처럼 뷰와 필터의 관계를 이해하는 것이 중요하다.

💡 Quick Table Calculation은 빠르게 결과를 도출할 수 있지만, 계산 기준을 명확히 하지 않으면 잘못된 해석으로 이어질 수 있다.

[3]  세부 수준 계산식(LOD) - 전국 기준 구성비율 고정

앞선 구성비율 계산에서 발생했던 필터 영향 문제를 해결하기 위해 LOD 계산식을 사용한다. 시각화 뷰의 수준과 무관하게 '국가' 단위로 매출 합계를 고정하여 구성비율을 계산한다.

💡 테이블 계산식이 뷰의 세부 수준에 종속된다면, LOD 계산은 뷰의 세부 수준을 무시하고 지정한 차원 기준으로 고정되기 때문에 지역 필터를 적용해도 전국 기준이 유지될 수 있었다.

💡 지역 구성비율과 전국 구성비율을 함께 표시함으로써, 지역적 특성과 전체 기여도 간의 차이를 동시에 관찰할 수 있는 효과적인 대시보드를 구성할 수 있었다.

이처럼 LOD는 '고정된 기준'의 비교 대상값을 만드는 데 매우 유용하다.

[4]  세부 수준 계산식(LOD) - 최초 구매년도별 매출 분해

고객별 최초 구매 연도를 기준으로, 연도별 매출에 대한 기여도를 시각화한다.

고객 유입 시점을 색상으로 표현해 장기 고객과 신규 고객 간의 매출 기여도 차이를 확인한다.

💡 고객별 최초 구매일을 FIXED로 고정시켜 그룹핑할 수 있었고, 이를 통해 연도별 매출에 대한 기여 패턴을 추적할 수 있다. 마찬가지로 연도 수준의 집계와 고객 수준의 집계를 병행하려면 LOD 계산이 필수적이다.

💡 특정 연도에 유입된 고객이 이후 연도에도 꾸준히 기여한다는 사실은 충성 고객 유지의 중요성을 잘 보여준다.

시각적으로 각 연도별 기여 고객층의 분포를 쉽게 파악하는 것은 재구매율 및 장기 고객 유지율 분석의 기반이 된다.

[5]  고객별 최초 재구매 시점 코호트 분석

최초 구매가 일어난 후, 두 번째 구매가 발생하기까지의 기간이 어느 정도 되는지를 시각화한다. (즉, 2015년 2분기에 처음 구매한 고객은 → 2분기가 지난 후 가장 많이 재구매를 했음을 나타낸다.)

고객별 구매 이력 데이터를 기반으로, 유입 시점과 재구매 시점 간의 시간 차이를 계산하고, 이를 분기별로 재구성한다.

💡 특정 분기에 유입된 고객이 이후 몇 분기에 재구매를 했는지를 분기 간격별로 분포시켜, 마케팅 시점 혹은 리텐션 전략의 효과를 평가할 수 있다.

💡 Tableau에서 이러한 분석을 구현하려면 단일 날짜 기준이 아니라 고객별 최소값, 조건부 필터링, 시간 간격 계산을 조합한 복합적인 LOD 계산 로직이 필요하다.

---

인사이트 및 회고

테이블 계산식은 뷰의 기준을 정확히 설정해야 올바른 결과를 도출할 수 있으며, 세부 수준 계산식(LOD)은 필터나 뷰에 의존하지 않고 특정 기준으로 집계를 고정할 수 있었다. 이를 통해 사용자가 집계 기준을 직접 정의하여 고정된 비교 기준을 제공하는 방법을 알게 되었다.

두 계산식을 적절히 조합하면 필터 적용에도 영향받지 않는 비교 분석이 가능하며, 시각화의 정확성과 신뢰도를 확보할 수 있을 것이다.

6일차 퀘스트를 통해 정확한 계산 방식 선택과 시각화 전략이 설득력을 어떻게 높일 수 있는지 고민해 보는 시간이 되었다.