다양한 시각화 툴 소개
-
대시보드, 혹은 BI(Business Intelligence) 툴이라고 부르기도 한다
-
중요한 데이터 포인트들(KPI, 각종 지표)를 계산/분석/시각화 해주는 도구
-
Excel, Google Spreadsheet : 가장 많이 사용되며 가장 쉬운 시각화 툴
-
Python : EDA에 더 적합함
-
Power BI
-
Apache Superset
-
AWS Quicksight
-
Looker
- LookML이라는 자체언어를 사용. 처음 대시보드를 만들 때 어렵지만, 유지/보수가 쉽다는 장점이 있음. 즉, 전문 인력이 없어도 유지/보수를 할 수 있다.
-
Tableau
- 유지/보수가 어려우며 배우기 어렵다. 즉, 전문 인력이 있어야 한다
-
ReDash
- SQL로 query를 작성할 수 있지만, 몰라도 사용 가능하다.
-
Mode Analytics
- SQL, R, Python을 기반으로 데이터 분석이 가능하다. 조금 더 전문적인 인력을 위한 도구이며, KPI 대시보드라기 보다는 EDA 툴에 가깝다
-
보통 Looker / Tableau를 많이 사용한다
-
데이터 민주화(self-service dashboard) 관점에서 봤을때는 Looker가 승리
Superset 소개
- 오픈소스이며, 다양한 형태의 시각화 및 손쉬운 인터페이스를 지원한다
- 대시보드 공유 기능이 있다
- 꽤 높은 수준의 보안 및 권한 제어 기능을 제공한다
- SQLAlchemy와 연동이 가능하다
- Druid.io와 연동하여 실시간 데이터의 시각화도 가능하다
- API를 제공하며, 플러그인 아키텍쳐 제공으로 인해 확장성이 좋다
- Superset의 용어 설명
- Database : 관계형 데이터베이스 ex. Redshift
- Dataset : 테이블
- Chart : 하나의 시각화
- Dashboard : 하나 이상의 Chart로 구성된 시각화
Google Spreadsheet로 시각화 연습해보기
-
저번 시간에 사용한 Snowflake에서 "COHORT_SUMMARY"라는 테이블을 만들어준다.
-
새로운 worksheet를 사용해 원하는 형태를 갖는 csv파일로 만들어 준 뒤 다운받는다.
-
Spreadsheet에서 해당 데이터를 pivot table로 시각화 해준다.
Superset 실습 준비 (Docker 설치 및 Redshift 연결 설정)
-
실습을 진행할 Table은 아래와 같다
- raw_data.user_session_channel
- raw_data.session_timestamp
- raw_data.session_transaction
- analytics.user_session_summary
- analytics.cohort_summary
-
Docker를 이용하여 설치하는 방법과 Preset.io에 있는 서비스로 사용하는 방법이 있다.
-
Preset.io의 경우는 회사 이메일이 있는 경우에만 사용 가능하기 때문에, Docker로 실습 진행
- Docker : OS나 설치된 software에 dependent하지 않게 가상환경 위에서 특정 프로그램을 실행할 수 있도록 도와주는 오픈소스 플랫폼. 특정 프로그램에 대해 Docker Image라는 패키지를 만들어 다른 사람들과 공유가 가능하다.
MAU 차트 만들어 보기
-
우선 실습용 Redshift DB에 연결한다
-
필요한 Dataset을 추가해준다
-
Superset에서 사용 가능한 차트의 종류는 아래와 같이 다양하다
-
line chart를 사용하여 MAU 차트를 만들어보자
-
dimension (채널)을 추가한 차트는 아래와 같다
Cohort 차트 만들어 보고 Dashboard 만들어 보기
-
필요한 데이터셋을 추가한 후 pivot chart를 만들어준다
-
앞에서 만든 MAU 차트 및 Cohort 차트로 하나의 DashBoard를 만든다
