Como parte de la materia Data Visualización II, del Máster en Business Intelligence e Innovación Tecnológica que estoy cursando en la EAE Business School en Madrid España, tuve la oportunidad de utilizar tableau y conocer mas, tanto a nivel de funcionalidades como de visualización.

Aunque anteriormente en mi carrera profesional, ya habia usado Tableau, en este post subiré mis prácticas académicas con Data Set sencillos descargados de internet.

Compartiré con ustedes las más interesantes.

Data Set de Desempleo

Marcas

Utilicé un data set super sencillo de desempleo, para probar las marcas de Tableau (como la foto de abajo)

Donde se puede enriquecer la visualización de los datos, ya sea por su color, por el tamaño, por el texto que se muestra (label) o el texto que se agrega en los detalles que se muestran cuando haces un «mouse hover» por las gráficas.

Puse en practica el concepto con la gráfica de abajo.

Análisis Porcentaje del total

Si ves la gráfica de arriba y la comparas con la que sigue, verás una pequeña diferencia en la manera en que se visualiza los datos, a mi me gusta en lo personal y para esta caso, esta segunda visualización, donde se muestra la diferencia en porcentaje de una manera mas visual.

La opción para lograr eso es en la barra de herramientas de tableau Analysis> Percentaje of> Column in pane

Explicación de la gráfica:

Se compararon la cantidad de desempleados por sexo, dividiéndolo en rangos de edad, en todos los rangos de edad se mostró la tendencia de mayor cantidad de desempleados hombres, excepto para las mujeres mayores de 65 años que cuentan con mayor cantidad de desempleo.

Visualización de líneas

 

Explicación de gráfica

Con esta gráfica se planea comparar también la cantidad de desempleados entre hombres y mujeres, pero esta vez dividido por los años, en un rango del 2005 al 2015.
Cuando se le analiza por años, se ve la tendencia marcada que para todas las fechas, siempre va a haber mayor cantidad de desempleados hombres que desempleados mujeres.
Aunque para algunas fechas las líneas se topan, no se muestra de una diferencia significativa una fecha en la que las mujeres superen en cantidad a los hombres en desempleo.
Agrupando la cantidad de desempleados por medio de estas dos variables, una con rango de edades y otra con fechas, se concluye que el rango de edad si tuvo un impacto en una diferenciación entre los sexos, haciendo que las mujeres desempleadas de 65 años para arriba,
superen en número a los hombres, las mujeres de estas edades son las que pudieron haber causado que en la gráfica 2, haya ciertos topes entre las lineas de hombres y mujeres para ciertas fechas.

 

Dashboard

Uniendo las gráficas que había creado anteriormente

Data Set de Universidades

Crear Campo Calculado

En esta gráfica se calcula una nueva variable con el objetivo de sacar un Top 10 de Universidades a las cuales es más difícil ser aceptado, esto quiere decir que la división entre los que fueron admitidos y los que se postularon. Se le llamó Índice de aceptación y se hizo una lista de las 10, que se está mostrando en el eje X.
Siendo Standford University la universidad que más postulantes recibe pero que menos son admitidos.
Se quiso analizar también, de esos estudiantes admitidos, cuantos llegaron a matricularse, osea cuales si concretaron la oportunidad de inscribirse en la universidad.
Dado que no todos los admitidos llegan al punto de inscribirse, se quiso analizar por medio de intensidad de rojos, cuales universidades son más eficientes en captar al alumno una vez admitido.
En este caso University of Chicago tiene la mejor tasa de conversión, de estudiantes que aplican y que finalmente deciden inscribirse.
Se aplicó la marca de tamaño a la cantidad de mujeres que hay en cada universidad.

Se utilizó la marca de colores y de tamaño

Mapas para visualización

Mapa con la ubicación del top 10 de las Universidades según nuestro índice de aceptación.

DASHBOARD Conclusiones

Se hizo el top 10 de las universidades con un “índice de aceptación” y nos enfocamos en analizar estas 10 universidades utilizando algunas otras variables y explorando un poco la diversidad de la población que es admitida dentro de las mismas.
También se tomó en cuenta el “Índice de conversión” para encontrar universidades con admitidos más “fieles” o universidades que logran captar a ese estudiante hasta convertirlo en “cliente”. Se puede en próximos análisis relacionar otras variables como costos de los estudios para analizar si esto puede influir en que los admitidos no concreten la oportunidad y no lleguen a matricularse.

Descargar Reporte completo

analisisdeDataSet