Kể Chuyện và Trực Quan Hóa Dữ Liệu Với Tableau: Phương Pháp Thực Hành

Trong thời đại số hóa hiện nay, việc trực quan hóa dữ liệu trở thành một yếu tố quan trọng… 91 trang · Vishwakarma Institute of Information Technology · 2023.

• Tác giả: Prachi Manoj Joshi
• Trường học: Vishwakarma Institute of Information Technology
• Chuyên ngành: Artificial Intelligence and Data Science
• Đề tài: Data Storytelling and Visualization with Tableau
• Loại tài liệu: book
• Năm xuất bản: 2023
• Địa điểm: Pune

Mục lục chi tiết

• Preface
• About the Authors
• 1. Introduction
• 1.1. Internet to Internet of Everything (IoE)
• 1.2. Big Data, Properties and Analytics
• 1.3. Issues and Challenges
• 1.4. Conclusion
• 1.5. References
• 2. Data Storytelling
• 2.1. Communicating with Data
• 2.2. Conclusion
• 2.3. References
• 3. Data Visualization
• 3.1. Need for Visualization
• 3.2. Visualization Myths and Reality
• 3.3. Ethics in Visualization
• 3.4. Right Graph for Right Data
• 3.5. Visualization for Storytelling
• 3.6. Conclusion
• 3.7. References
• 4. Visualization with Tableau
• 4.1. Types of Visualizations
• 4.2. Calculated Fields and Null Values
• 4.3. Creating Stories – A Case Study
• 4.4. Conclusion
• 4.5. References
• 5. Conclusion
• 5.1. Research Openings and Future Outlook
• Index

Tóm tắt

I. Khám Phá Dữ Liệu Tổng Quan Về Trực Quan Hóa Với Tableau

Trong thời đại số hóa hiện nay, việc trực quan hóa dữ liệu trở thành một yếu tố quan trọng trong việc truyền tải thông tin. Tableau là một trong những công cụ mạnh mẽ giúp người dùng dễ dàng tạo ra các biểu đồ và dashboard hấp dẫn. Việc hiểu rõ về dữ liệu lớn và cách thức kể chuyện bằng dữ liệu sẽ giúp các nhà phân tích và doanh nghiệp đưa ra quyết định chính xác hơn.

1.1. Tại Sao Trực Quan Hóa Dữ Liệu Lại Quan Trọng

Trực quan hóa dữ liệu giúp người dùng dễ dàng nhận diện các xu hướng và mẫu trong dữ liệu. Điều này không chỉ giúp tiết kiệm thời gian mà còn nâng cao khả năng ra quyết định.

1.2. Giới Thiệu Về Tableau Công Cụ Trực Quan Hóa Hàng Đầu

Tableau cung cấp nhiều tính năng mạnh mẽ cho phép người dùng tạo ra các biểu đồ và dashboard một cách dễ dàng. Công cụ này hỗ trợ nhiều loại dữ liệu và có khả năng tương tác cao.

II. Những Thách Thức Trong Việc Kể Chuyện Bằng Dữ Liệu

Mặc dù kể chuyện bằng dữ liệu mang lại nhiều lợi ích, nhưng cũng tồn tại nhiều thách thức. Việc lựa chọn đúng loại biểu đồ, xác định thông điệp chính và đảm bảo tính chính xác của dữ liệu là những vấn đề cần được giải quyết.

2.1. Lựa Chọn Biểu Đồ Phù Hợp Với Dữ Liệu

Việc chọn loại biểu đồ không phù hợp có thể dẫn đến hiểu lầm thông tin. Cần phải hiểu rõ về loại dữ liệu và mục tiêu truyền tải để chọn biểu đồ thích hợp.

2.2. Đảm Bảo Tính Chính Xác Của Dữ Liệu

Dữ liệu không chính xác có thể dẫn đến những quyết định sai lầm. Việc kiểm tra và xác thực dữ liệu trước khi trực quan hóa là rất quan trọng.

III. Phương Pháp Trực Quan Hóa Dữ Liệu Hiệu Quả Với Tableau

Để tối ưu hóa việc trực quan hóa dữ liệu, người dùng cần nắm vững một số phương pháp cơ bản. Việc sử dụng các tính năng của Tableau một cách hiệu quả sẽ giúp tạo ra những biểu đồ ấn tượng và dễ hiểu.

3.1. Sử Dụng Các Tính Năng Nâng Cao Của Tableau

Tableau cung cấp nhiều tính năng như tính toán trường, lọc dữ liệu và tạo dashboard. Việc sử dụng đúng các tính năng này sẽ giúp tối ưu hóa quá trình trực quan hóa.

3.2. Tạo Dashboard Tương Tác Để Kể Chuyện

Dashboard tương tác cho phép người dùng khám phá dữ liệu một cách linh hoạt. Việc này không chỉ giúp người xem dễ dàng hiểu thông tin mà còn tạo ra trải nghiệm thú vị.

IV. Ứng Dụng Thực Tiễn Của Trực Quan Hóa Dữ Liệu Trong Doanh Nghiệp

Việc trực quan hóa dữ liệu không chỉ hữu ích trong nghiên cứu mà còn có nhiều ứng dụng trong doanh nghiệp. Các case study thực tế cho thấy rằng việc sử dụng Tableau có thể cải thiện hiệu suất làm việc và ra quyết định.

4.1. Case Study Tăng Trưởng Doanh Thu Nhờ Trực Quan Hóa

Một số doanh nghiệp đã áp dụng Tableau để phân tích dữ liệu bán hàng và từ đó đưa ra các chiến lược marketing hiệu quả, giúp tăng trưởng doanh thu.

4.2. Ứng Dụng Trong Quản Lý Dự Án

Tableau cũng được sử dụng để theo dõi tiến độ dự án và phân tích hiệu suất. Việc này giúp các nhà quản lý đưa ra quyết định kịp thời và chính xác.

V. Kết Luận Tương Lai Của Trực Quan Hóa Dữ Liệu Với Tableau

Trực quan hóa dữ liệu sẽ tiếp tục phát triển và đóng vai trò quan trọng trong việc ra quyết định. Với sự phát triển của công nghệ, Tableau sẽ ngày càng trở nên mạnh mẽ hơn, giúp người dùng dễ dàng hơn trong việc kể chuyện bằng dữ liệu.

5.1. Xu Hướng Tương Lai Trong Trực Quan Hóa Dữ Liệu

Các xu hướng như AI và Machine Learning sẽ được tích hợp vào Tableau, giúp nâng cao khả năng phân tích và trực quan hóa dữ liệu.

5.2. Tầm Quan Trọng Của Kỹ Năng Trực Quan Hóa Trong Thế Kỷ 21

Kỹ năng trực quan hóa dữ liệu sẽ trở thành một trong những kỹ năng quan trọng nhất trong thế kỷ 21, đặc biệt trong bối cảnh dữ liệu ngày càng trở nên phong phú và phức tạp.

Nội dung chính

Phân Tích Giáo Trình: Khám Phá Dữ Liệu: Kể Chuyện và Trực Quan Hóa Với Tableau

Tổng quan về giáo trình

Giáo trình Data Storytelling and Visualization with Tableau: A Hands-on Approach (tác giả: Dr. Prachi Manoj Joshi và Prof. Parikshit Narendra Mahalle; xuất bản lần đầu năm 2023 bởi Nhà xuất bản CRC Press thuộc Tập đoàn Taylor & Francis) là tài liệu học thuật thuộc lĩnh vực Khoa học Dữ liệu (Data Science), Trí tuệ Nhân tạo (AI) và Trí tuệ Doanh nghiệp (Business Intelligence - BI). Trong chương trình đào tạo bậc đại học và sau đại học, tài liệu này được định vị như một giáo trình cơ sở chuyên ngành hoặc chuyên sâu dành cho các khối ngành Kỹ thuật Dữ liệu, Khoa học Máy tính, Kỹ thuật Công nghiệp, cũng như các chương trình đào tạo danh dự (Honors programs) về AI và Data Science.

Mục tiêu học tập của giáo trình tập trung vào việc trang bị cho người học hệ thống năng lực xử lý dữ liệu hoàn chỉnh: từ khâu tiếp nhận dữ liệu thô, nhận diện bối cảnh, áp dụng quy trình tiền xử lý, phân loại các dạng phân tích dữ liệu, đến việc thiết kế đồ thị trực quan có cấu trúc và xây dựng câu chuyện dữ liệu (data storytelling) trên nền tảng Tableau.

Cấu trúc giáo trình được tổ chức theo phương pháp tiếp cận từ lý thuyết nền tảng đến thực hành ứng dụng (hands-on approach). Sách dẫn dắt người học qua lộ trình logic: từ khái niệm tổng quan về bùng nổ dữ liệu trong kỷ nguyên Vạn vật kết nối (Internet of Everything - IoE), các đặc tính của Dữ liệu lớn (Big Data 4Vs), quy trình trích xuất tri thức qua mô hình Tháp dữ liệu (DIKW), các nguyên lý nhận thức thị giác và chuẩn mực đạo đức trong thiết kế đồ thị, cho đến các thao tác kỹ thuật chuyên sâu trên phần mềm Tableau.

Điểm đặc trưng của tài liệu là sự kết hợp chặt chẽ giữa tư duy kinh doanh và kỹ thuật tính toán, minh họa trực tiếp thông qua các nghiên cứu tình huống cụ thể (case studies) với bộ dữ liệu thực tế trong ngành bán lẻ, khách sạn và quản lý hạ tầng.

---

Nội dung kiến thức cốt lõi

Các chương/chủ đề chính

Giáo trình được chia thành 5 chương chính với tiến trình học tập chặt chẽ:

• Chương 1: Introduction (Tổng quan về Bùng nổ Dữ liệu và Phân tích): Phân tích sự dịch chuyển từ Internet sang Internet of Everything (IoE) dựa trên dự báo mật độ kết nối thiết bị của Mark Weiser và khái niệm RFID/IoT của Kevin Ashton. Chương này thiết lập nền tảng về Dữ liệu lớn thông qua mô hình 4Vs (Volume - Dung lượng, Velocity - Tốc độ, Variety - Đa dạng, Veracity - Tính xác thực), phân biệt dữ liệu có cấu trúc và phi cấu trúc, nguồn dữ liệu nội bộ (Internal) và bên ngoài (External). Trọng tâm chương là Bảng 1.1 đối chiếu giữa thuật toán truyền thống và thuật toán phân tích, phân loại 3 cấp độ phân tích: Mô tả (Descriptive), Dự đoán (Predictive) và Đề xuất (Prescriptive). Đồng thời, chương trình bày 8 thách thức kỹ thuật lớn: Quy mô (Scale), Tốc độ (Pace), Môi trường tích hợp (Environment), Chuẩn bị dữ liệu (Data Preparation), Phần cứng chuyên dụng (Specialized Hardware/GPU/CUDA), Niềm tin (Trust), Tính minh bạch (Explainable AI - XAI) và Xử lý đầu-cuối (End-to-End Processing).
• Chương 2: Data Storytelling (Kể chuyện bằng Dữ liệu): Khảo sát cấu trúc vai trò nhân sự trong phân tích dữ liệu (Data Analyst/DBA, Data Scientist, BI Developer). Thiết lập mô hình phân cấp tri thức DIKW (Data - Information - Knowledge - Wisdom) thông qua ví dụ định danh số "57" theo ngữ cảnh. Chi tiết hóa quy trình phân tích dữ liệu 8 bước khép kín (Data Identification, Preparation, Algorithm Selection, Model Building, Evaluation, Deployment, Analyze, Assessment). Chương trình bày 4 giai đoạn tiến trình khoa học dữ liệu (Mô tả - Descriptive, Chẩn đoán - Diagnostic, Dự đoán - Predictive, Đề xuất - Prescriptive); 2 trạng thái kể chuyện dữ liệu (Khám phá - Exploratory và Diễn giải - Explanatory); cùng 6 thành tố cốt lõi của một câu chuyện dữ liệu (Nền tảng dữ liệu, Điểm trọng tâm, Trọng tâm diễn giải, Trình tự tuyến tính, Yếu tố kịch tính, Điểm tựa thị giác).
• Chương 3: Data Visualization (Trực quan hóa Dữ liệu): Giải thích sự cần thiết của biểu đồ trực quan so với bảng dữ liệu thô (text tables). Trình bày phương pháp giao tiếp thị giác dựa trên việc phân tích hồ sơ khán giả (Personas), giảm thiểu tải trọng nhận thức (Cognitive Load) và kích thích trí nhớ hình tượng (Iconic Memory). Phân tích các ngộ nhận trong trực quan hóa dữ liệu (mức độ phức tạp, tính thẩm mỹ thuần túy, chi phí đầu tư). Đặt ra các nguyên tắc đạo đức trong trực quan hóa (Ethics in Visualization), cảnh báo các lỗi thiết kế gây sai lệch bản chất dữ liệu như đảo ngược trục tọa độ (reversed x-axis/inverted y-axis) hoặc trục tung của biểu đồ cột không xuất phát từ giá trị 0 (non-zero baseline).
• Chương 4: Visualization with Tableau (Thực hành Trực quan hóa với Tableau): Hướng dẫn kỹ thuật xây dựng các dạng biểu đồ trong môi trường Tableau. Cung cấp phương pháp tạo trường tính toán (Calculated Fields), kỹ thuật xử lý giá trị khuyết thiếu (Null Values), gom nhóm dữ liệu và tạo trang tổng quan (Dashboards) cũng như mạch diễn tiến câu chuyện (Story Points).
• Chương 5: Conclusion & Research Openings (Kết luận và Định hướng Nghiên cứu): Tổng kết hệ thống phương pháp luận, đồng thời mở rộng các hướng nghiên cứu tiềm năng trong tương lai về tự động hóa phân tích, tích hợp trí tuệ nhân tạo giải thích được (XAI) và tối ưu hóa trải nghiệm trực quan hóa.

Kiến thức nền tảng được xây dựng

Giáo trình củng cố các cấu trúc lý thuyết và nguyên lý cốt lõi:

• Mô hình DIKW và Ngữ cảnh hóa Dữ liệu: Định nghĩa sự chuyển hóa từ các phần tử rời rạc (Data), thành phần tử liên kết có ý nghĩa (Information), thông tin có khả năng hành động (Knowledge), đến tri thức ứng dụng thực tiễn (Wisdom).
• Hệ thống phân loại Phân tích Dữ liệu: Mô hình hóa mối quan hệ giữa quá khứ, hiện tại và tương lai thông qua Descriptive Analytics, Predictive Analytics và Prescriptive Analytics.
• Nguyên lý Nhận thức Thị giác (Visual Perception): Ứng dụng các nguyên lý Gestalt và các thuộc tính chú ý sớm (Pre-attentive Attributes) về màu sắc, hình khối, kích thước nhằm kiểm soát sự tập trung của thị giác người xem.
• Khung Đạo đức Thiết kế Trực quan: Quy chuẩn về tính trung thực của tỷ lệ hình học biểu diễn so với biến thiên số liệu thực tế, tuân thủ các quy định bảo vệ dữ liệu như GDPR.

Kỹ năng phát triển

Tài liệu định hướng phát triển đồng bộ 3 nhóm kỹ năng cho người học:

• Kỹ năng kỹ thuật (Technical Skills): Làm sạch dữ liệu, xử lý giá trị ngoại lai (outliers), mã hóa biến phân loại thành biến số nguyên (Getting dummies), chuẩn hóa và co giãn dữ liệu (Feature scaling), giảm chiều dữ liệu (Column reduction), thiết lập biểu thức tính toán (Calculated fields) trên Tableau.
• Kỹ năng phân tích (Analytical Skills): Năng lực đặt câu hỏi giả thuyết trên dữ liệu, phân tích tương quan (Correlation analysis), đánh giá độ tin cậy của nguồn dữ liệu và lựa chọn loại đồ thị phù hợp với từng cấu trúc dữ liệu cụ thể (Right graph for right data).
• Kỹ năng giao tiếp và kể chuyện (Practical Competencies): Khả năng xây dựng chân dung người dùng (Persona), cấu trúc hóa dữ liệu thành câu chuyện tuyến tính phục vụ ra quyết định kinh doanh (Business Intelligence), và thiết kế giao diện Dashboard theo chuẩn mực nhận thức thị giác.

---

Phương pháp giảng dạy và học tập

Giáo trình áp dụng phương pháp sư phạm định hướng thực nghiệm (Hand-on and Problem-Based Learning), trong đó các khái niệm toán học và phân tích trừu tượng được gắn liền với quy trình xử lý dữ liệu qua các bài tập tình huống chi tiết.

Nghiên cứu tình huống (Case Studies) trong giáo trình

Tài liệu tích hợp các tình huống nghiên cứu có cấu trúc rõ ràng:

1. Case Study 1: Đánh giá hiệu quả kinh doanh cụm rạp chiếu phim (Light Speed Cinemas):

   • Mục tiêu: Xác định rạp chiếu phim có quầy nhượng quyền (concession stand) hoạt động hiệu quả nhất trong 3 rạp, dựa trên tập dữ liệu gồm số lượng vé bán, đơn giá sản phẩm và doanh thu hàng tháng trong 3 tháng.
   • Phương pháp giải quyết: Giáo trình chỉ rõ việc phân tích số liệu tuyệt đối (tổng vé bán hay tổng doanh thu) dẫn đến kết luận thiên lệch (Rạp 3 bán nhiều vé nhất - 120.000 vé và đạt doanh thu lớn nhất - $589.936). Thông qua việc xây dựng chỉ số phái sinh "Doanh thu trên mỗi vé" (Revenue per ticket), tài liệu chứng minh Rạp 2 có hiệu quả tối ưu nhất (chênh lệch cao hơn gần 2 đơn vị tiền tệ) nhờ chiến lược định giá thông minh kết hợp giữa bắp rang (popcorn), nước ngọt (soda) và kẹo (candy).

2. Case Study 2: Tiền xử lý dữ liệu đặt phòng khách sạn (Hotel Reservation Preprocessing):

   • Mục tiêu: Tiền xử lý bộ dữ liệu 32 biến (22 biến phân loại, 10 biến số) với hơn 120.000 quan sát từ hệ thống khách sạn nghỉ dưỡng (resort hotel) và khách sạn thành phố (city hotel).
   • Quy trình 4 bước thực nghiệm:
     1. Thống kê mô tả và vẽ biểu đồ phân tán tương quan (Scatterplot/Correlation plot) nhằm nhận diện các tham số không hợp lệ hoặc chứa nhiễu.
     2. Chuyển đổi dữ liệu định tính sang số nguyên (ví dụ mã hóa loại bữa ăn: BB = 1, HB = 2, SC = 3, FB = 4).
     3. Co giãn thuộc tính (Feature scaling) trên các cột giá trị thực như chia lead time cho 200 để tối ưu hóa tính toán cho mô hình học máy.
     4. Giảm chiều cột (Column reduction) bằng cách loại bỏ các thuộc tính không có phương sai như số tuần (week number) hoặc số lần hủy phòng trước đó (previous bookings cancellation).

Phương pháp đánh giá và hướng dẫn tự học

Giáo trình cung cấp khung tự học có cấu trúc:

• Mỗi chương đều có phần tóm tắt kết luận và hệ thống tài liệu tham khảo khoa học (như các bài báo từ IEEE, CAISE, Springer, sách giáo khoa của Tom Mitchell).
• Người học được hướng dẫn tự thực hành độc lập bằng các công cụ tính toán từ bảng tính Excel cơ bản đến phần mềm Tableau, kiểm tra tính đúng đắn của dữ liệu bằng ma trận tương quan trước và sau khi xử lý.

---

Điểm nổi bật và cập nhật

• Tích hợp bối cảnh công nghệ mới: Giáo trình phản ánh các bước tiến của hạ tầng máy tính trong kỷ nguyên IoE, bao gồm sự sụt giảm chi phí cảm biến (từ 100 INR năm 2000 xuống 10 INR năm 2020), sự phát triển của điện toán đám mây, các bộ xử lý mật độ cao, cũng như vai trò của GPU/CUDA trong xử lý dữ liệu phức tạp.
• Liên kết giữa Phân tích Dữ liệu và Trí tuệ Nhân tạo Giải thích được (XAI): Giáo trình không chỉ dừng lại ở các đồ thị tĩnh mà kết nối trực quan hóa với khái niệm XAI (trích dẫn nghiên cứu của Yu-Liang Chou, Catarina Moreira, Peter Bruza, Chun Ouyang, Joaquim Jorge và Mythreyi Velmurugan), nhấn mạnh tính minh bạch và độ tin cậy của mô hình đối với các ngành rủi ro cao như y tế và công trình xây dựng.
• Tính tuân thủ pháp lý và quản trị dữ liệu: Cập nhật các yêu cầu pháp lý quốc tế về an toàn thông tin như Quy định chung về bảo vệ dữ liệu của Liên minh Châu Âu (GDPR), nguyên tắc đặc quyền tối thiểu (least privilege) và công bố thông tin có chọn lọc (selective disclosure).
• Ứng dụng thực tiễn đa ngành: Nội dung sách minh họa khả năng ứng dụng trực quan hóa trong các lĩnh vực: Quản lý bảo trì cầu đường tại Ấn Độ (phân tích tuổi thọ công trình, dự báo sự cố), quản lý hạ tầng tòa nhà thông minh (Smart Home IoT), quản trị dịch vụ thẻ tín dụng ngân hàng và kinh doanh giải trí/du lịch.

---

Đối tượng sử dụng giáo trình

Giáo trình Data Storytelling and Visualization with Tableau: A Hands-on Approach được thiết kế cho các nhóm độc giả học thuật và chuyên môn:

• Sinh viên đại học (Năm thứ 3 và năm cuối): Thuộc các chuyên ngành Trí tuệ Nhân tạo và Khoa học Dữ liệu (Artificial Intelligence and Data Science), Khoa học Máy tính, Kỹ thuật Công nghệ Thông tin, Kỹ thuật Chế tạo (Manufacturing Engineering), Kỹ thuật Cơ khí và Xây dựng (Civil and Mechanical Engineering).
• Học viên cao học và Nghiên cứu sinh: Các nhà nghiên cứu thuộc lĩnh vực Công nghệ Thông tin và Truyền thông (ICT) cần công cụ trực quan hóa kết quả mô hình hóa và phân tích dữ liệu nghiên cứu.
• Điều kiện tiên quyết (Prerequisites): Người học cần nắm vững kiến thức xác suất và thống kê căn bản (Probability and Statistics), khái niệm cấu trúc dữ liệu hàng/cột cơ bản và tư duy logic về luồng dữ liệu. Không bắt buộc phải thành thạo lập trình nâng cao trước khi tiếp cận phần mềm Tableau.
• Giảng viên: Sử dụng tài liệu làm khung bài giảng cho học phần Trực quan hóa Dữ liệu, Phân tích Kinh doanh hoặc chuẩn bị đồ án môn học với hệ thống case study mẫu đã được chuẩn hóa.
• Kỹ sư thiết kế và Doanh nhân (Start-up Entrepreneurs): Tài liệu cung cấp cơ sở phương pháp luận để các kỹ sư ứng dụng khoa học dữ liệu vào các sản phẩm thực tế trong y tế, hóa chất, cơ khí và quản trị doanh nghiệp.

---

Câu hỏi thường gặp

1. Giáo trình này phù hợp với đối tượng nào?

Giáo trình phù hợp với sinh viên đại học năm cuối, học viên cao học thuộc khối ngành Trí tuệ Nhân tạo, Khoa học Dữ liệu, Công nghệ Thông tin, Kỹ thuật Xây dựng/Cơ khí, cùng các kỹ sư và chuyên viên phân tích nghiệp vụ đang làm việc trong lĩnh vực Business Intelligence.

2. Người học cần chuẩn bị kiến thức nền tảng gì?

Người học cần có kiến thức cơ bản về thống kê mô tả (mean, median, variance, correlation), hiểu biết về dữ liệu dạng bảng (bảng tính Excel, cơ sở dữ liệu quan hệ) và các khái niệm cơ bản về công nghệ thông tin. Giáo trình được viết từ mức độ cơ bản nên không yêu cầu kỹ năng lập trình chuyên sâu.

3. Điểm khác biệt của giáo trình này so với các tài liệu trực quan hóa khác là gì?

Tài liệu liên kết chặt chẽ giữa 3 yếu tố: Kỹ thuật tiền xử lý dữ liệu (Data Preprocessing), Bản chất phân tích kinh doanh (Business Intelligence/Context) và Kỹ thuật trực quan hóa trên Tableau. Sách nhấn mạnh vào tư duy phản biện (chẳng hạn như việc phát hiện bẫy số liệu ở Case Study Rạp chiếu phim) và các nguyên tắc đạo đức thị giác thay vì chỉ liệt kê các thao tác phần mềm thuần túy.

4. Phương pháp tự học giáo trình này như thế nào để đạt hiệu quả cao?

Người học nên tuân thủ lộ trình: Đọc hiểu các khái niệm lý thuyết và mô hình DIKW ở Chương 1-2, thực hành lại từng bước làm sạch và tiền xử lý dữ liệu theo Case Study 2, sau đó cài đặt phần mềm Tableau để tái lập các đồ thị và Dashboard theo hướng dẫn ở Chương 3-4.

5. Giáo trình có đề cập đến các tiêu chuẩn kỹ thuật và đạo đức nào?

Giáo trình phân tích chi tiết quy định bảo vệ dữ liệu GDPR, tính minh bạch trong Explainable AI (XAI), và đưa ra các quy chuẩn thiết kế đồ thị chuẩn mực nhằm tránh việc bóp méo thông tin do thao túng trục tọa độ (như trục không bắt đầu từ 0 hoặc trục bị đảo ngược).

---

Kết luận

Giáo trình Data Storytelling and Visualization with Tableau: A Hands-on Approach của Dr. Prachi Manoj Joshi và Prof. Parikshit Narendra Mahalle cung cấp hệ thống kiến thức hoàn chỉnh từ nền tảng bùng nổ dữ liệu IoE, quy trình tiền xử lý dữ liệu, phương pháp luận kể chuyện dữ liệu (DIKW) đến kỹ thuật trực quan hóa thực hành với Tableau.

Lộ trình học tập đề xuất cho người học là tiếp cận tuần tự từ khung lý thuyết phân tích (Chương 1-2), nắm vững các nguyên tắc nhận thức và đạo đức thị giác (Chương 3), thực thi các kỹ thuật tính toán và tạo câu chuyện trên Tableau (Chương 4), trước khi mở rộng sang các bài toán nghiên cứu nâng cao (Chương 5). Người học có thể khai thác thêm các tài liệu tham khảo học thuật được liệt kê ở cuối mỗi chương để đào sâu về các thuật toán học máy, lý thuyết nền tảng (Grounded Theory) và các mô hình Trí tuệ Nhân tạo Giải thích được (Explainable AI).

Trích đoạn nội dung tài liệu

CRC FOCUS DATA STORYTELLING AND VISUALIZATION WITH TABLEAU A Hands-on Approach Prachi Manoj Joshi and Parikshit Narendra Mahalle Data Storytelling and Visualization with Tableau With the tremendous growth and availability of the data, this book covers understanding the data, while telling a story with visualization including basic concepts about the data, the relationship and the visualizations. All the technical details that include installation and building the different visualizations are explained in a clear and systematic way. Various aspects pertaining to storytelling and visualization are explained in the book through Tableau. Features • Provides a hands-on approach in Tableau in a simplified manner with steps • Discusses the broad background of data and its fundamentals, from the Internet of Everything to analytics • Emphasizes the use of context in delivering the stories • Presents case studies with the building of a dashboard • Presents application areas and case studies with identification of the impactful visualization This book will be helpful for professionals, graduate students and senior undergraduate students in Manufacturing Engineering, Civil and Mechanical Engineering, Data Analytics and Data Visualization.

Data Storytelling and Visualization with Tableau A Hands-on Approach Prachi Manoj Joshi and Parikshit Narendra Mahalle CRC Press, Boca Raton and London First edition published 2023 by CRC Press 6000 Broken Sound Parkway NW, Suite 300, Boca Raton, FL 33487-2742 and by CRC Press 4 Park Square, Milton Park, Abingdon, Oxon, OX14 4RN CRC Press is an imprint of Taylor & Francis Group, LLC © 2023 Prachi Manoj Joshi and Parikshit Narendra Mahalle Reasonable efforts have been made to publish reliable data and information, but the author and publisher cannot assume responsibility for the validity of all materials or the consequences of their use. The authors and publishers have attempted to trace the copyright holders of all material reproduced in this publication and apologize to copyright holders if permission to publish in this form has not been obtained. If any copyright material has not been acknowledged please write and let us know so we may rectify in any future reprint. Except as permitted under U.

Copyright Law, no part of this book may be reprinted, reproduced, transmitted, or utilized in any form by any electronic, mechanical, or other means, now known or hereafter invented, including photocopying, microfilming, and recording, or in any information storage or retrieval system, without written permission from the publishers. For permission to photocopy or use material electronically from this work, access www.com or contact the Copyright Clearance Center, Inc. (CCC), 222 Rosewood Drive, Danvers, MA 01923, 978- 750-8400. For works that are not available on CCC please contact [e-mail] Trademark notice: Product or corporate names may be trademarks or registered trademarks and are used only for identification and explanation without intent to infringe.

Library of Congress Cataloging‑in‑Publication Data A catalog record has been requested for this book ISBN: 978-1-032-30991-0 (hbk) ISBN: 978-1-032-31035-0 (pbk) ISBN: 978-1-003-30774-7 (ebk) DOI: 10.1201/9781003307747 Typeset in Times by MPS Limited, Dehradun Contents Preface vii About the Authors ix 1 Introduction 1 1.1 Internet to Internet of Everything (IoE) 1 1.2 Big Data, Properties and Analytics 2 1.3 Issues and Challenges 7 1.4 Conclusion 9 References 9 2 Data Storytelling 11 2.2 Communicating with Data 14 2.5 Conclusion 30 References 31 3 Data Visualization 33 3.1 Need for Visualization 33 3.3 Visualization Myths and Reality 37 3.4 Ethics in Visualization 39 3.5 Right Graph for Right Data 43 3.6 Visualization for Storytelling 46 3.7 Conclusion 47 References 47 4 Visualization with Tableau 49 4.3 Types of Visualizations 56 4.4 Calculated Fields and Null Values 67 v vi Contents 4.6 Creating Stories – A Case Study 72 4.7 Conclusion 74 References 74 5 Conclusion 75 5.3 Research Openings and Future Outlook 76 Index 79 Preface ‘You can claim your right on the work but not on the result’. – Bhagwad Gita Artificial Intelligence (AI) and Machine Learning (ML) are the buzzwords that are now heard. Their applicability is wide and they possess tremendous potential to unveil meaningful insights with analytics. Understanding the data, the patterns and the relationship is a critical factor prior to the selection, development or usage of any AI/ML approaches.