{"id":55144,"date":"2020-01-13T00:00:00","date_gmt":"2020-01-12T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/tableau-v-roznitse-realno"},"modified":"2020-02-18T14:03:13","modified_gmt":"2020-02-18T11:03:13","slug":"tableau-v-roznitse-realno","status":"publish","type":"post","link":"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/tableau-v-roznitse-realno","title":{"rendered":"Tableau nel retail, \u00e8 reale?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p><b>Il tempo per i report in Excel sta rapidamente svanendo: la tendenza verso strumenti intuitivi per la presentazione e l'analisi delle informazioni \u00e8 evidente in tutti i settori. Abbiamo da tempo discusso internamente della digitalizzazione nella creazione dei report e abbiamo optato per il sistema di visualizzazione e analisi self-service Tableau. Alexander Bezugly, responsabile del dipartimento soluzioni analitiche e reportistica del Gruppo 'M.Video-Eldorado', ha condiviso la sua esperienza e i risultati ottenuti nella creazione di un dashboard operativo.<\/b><\/p>\n<p>Dico subito che non tutto ci\u00f2 che era previsto \u00e8 stato realizzato, ma l'esperienza \u00e8 stata interessante e spero che sia utile anche per voi. E se qualcuno ha idee su come si potesse fare meglio, sarei molto grato per consigli e suggerimenti.<\/p>\n<p><img decoding=\"async\" alt=\"Tableau nel retail, \u00e8 reale?\" src=\"\/wp-content\/uploads\/2020\/01\/81c41899e9b3acf1858a4faa627c121b.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDi seguito, discuteremo delle sfide affrontate e delle scoperte fatte.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h4>Da dove siamo partiti<\/h4>\n<p>\nIn 'M.Video-Eldorado' esiste un modello di dati ben strutturato: informazioni organizzate con la necessaria profondit\u00e0 di archiviazione e un'infinit\u00e0 di report di forma fissa (vedi dettagli <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/mvideo\/blog\/462015\/\">questo articolo<\/a><\/noindex>). Da questi, gli analisti creano pivot table o mailing formattate in Excel, oppure presentazioni accattivanti in PowerPoint per gli utenti finali.<\/p>\n<p>Circa due anni fa, invece dei report in formato fisso, abbiamo iniziato a creare report analitici in SAP Analysis (un supplemento di Excel, fondamentalmente una tabella pivot sopra un motore OLAP). Tuttavia, questo strumento non \u00e8 riuscito a soddisfare le esigenze di tutti gli utenti, e la maggior parte ha continuato a utilizzare informazioni ulteriormente elaborate dagli analisti.<\/p>\n<p>I nostri utenti finali si suddividono in tre categorie:<\/p>\n<p><b>Top management<\/b>. Richiedono informazioni presentate in modo chiaro e comprensibile.<\/p>\n<p><b>Middle management<\/b>, utenti avanzati. Sono interessati all'analisi dei dati e sono in grado di creare report autonomamente quando dispongono degli strumenti. Sono diventati gli utenti chiave dei report analitici in SAP Analysis.<\/p>\n<p><b>Utenti di massa<\/b>. Non sono interessati all'analisi autonoma dei dati, utilizzano report con un grado limitato di libert\u00e0, in formato di newsletter e tabelle pivot in Excel.<\/p>\n<p>La nostra idea era coprire le esigenze di tutti gli utenti e fornire loro uno strumento unico e conveniente. Abbiamo deciso di iniziare con il top management. Avevano bisogno di pannelli pratici per analizzare i principali risultati aziendali. Cos\u00ec, abbiamo avviato Tableau e inizialmente abbiamo scelto due aree: le vendite al dettaglio e online con una profondit\u00e0 e ampiezza di analisi limitate, in grado di coprire circa l'80% dei dati richiesti dal top management.<\/p>\n<p>Poich\u00e9 gli utenti dei cruscotti erano il top management, \u00e8 emersa un'ulteriore KPI del prodotto: la velocit\u00e0 di risposta. Nessuno aspetter\u00e0 20-30 secondi perch\u00e9 i dati si aggiornino. La navigazione doveva rimanere entro i 4-5 secondi, o meglio ancora, essere immediata. Purtroppo, non siamo riusciti a raggiungere questo obiettivo.<\/p>\n<p>Ecco come si presentava il layout del nostro cruscotto principale:<\/p>\n<p><img decoding=\"async\" alt=\"Tableau nel retail, \u00e8 reale?\" src=\"\/wp-content\/uploads\/2020\/01\/a7a028feee6542dfbc1fd3c2feeaa3de.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nL'idea chiave era quella di unire i principali driver KPI, che alla fine sono stati 19, a sinistra e rappresentare la loro dinamica e suddivisione per i principali attributi a destra. L'operazione sembra semplice, la visualizzazione logica e comprensibile, finch\u00e9 non ci si immerge nei dettagli.<\/p>\n<h2>Dettaglio 1. Volume dei dati<\/h2>\n<p>\nLa tabella principale delle vendite annuali contiene circa 300 milioni di righe. Poich\u00e9 \u00e8 necessario mostrare anche la dinamica rispetto all'anno scorso e a quello precedente, il volume dei dati relativi alle vendite effettive \u00e8 di circa 1 miliardo di righe. Inoltre, sono memorizzate separatamente le informazioni sui dati pianificati e sul blocco delle vendite online. Quindi, nonostante abbiamo utilizzato un DB in-memory a colonne SAP HANA, la velocit\u00e0 della query per recuperare tutti gli indicatori di una settimana dai magazzini attuali in tempo reale era di circa 15-20 secondi. La soluzione a questo problema si propone da sola: una materializzazione aggiuntiva dei dati. Tuttavia, anche questa presenta delle insidie, di cui parleremo dopo.<\/p>\n<h2>Dettaglio 2. Indicatori non additivi<\/h2>\n<p>\nMolti dei nostri KPI sono legati al numero di scontrini. Questo indicatore rappresenta il COUNT DISTINCT del numero di righe (testate degli scontrini) e mostra somme diverse a seconda degli attributi selezionati. Per esempio, come questo indicatore e quelli derivati da esso dovrebbero essere calcolati:<\/p>\n<p><img decoding=\"async\" alt=\"Tableau nel retail, \u00e8 reale?\" src=\"\/wp-content\/uploads\/2020\/01\/0a6d676f0a5c2b779a5e7892b1f54929.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nPer garantire l'accuratezza dei calcoli, \u00e8 possibile:<\/p>\n<ul>\n<li>Eseguire il calcolo di indicatori simili in tempo reale nel magazzino;\n<\/li>\n<li>Effettuare il calcolo su tutta la volumetria dei dati in Tableau, ovvero, su richiesta in Tableau restituire tutti i dati in base ai filtri selezionati con granularit\u00e0 delle posizioni dei ricevute;\n<\/li>\n<li>Creare una vista materializzata in cui saranno calcolati tutti gli indicatori in tutte le varianti di campionamento che forniscono risultati non additivi diversi.\n<\/li>\n<\/ul>\n<p>\nChiaramente, nell'esempio UTE1 e UTE2 sono attributi del materiale che rappresentano la gerarchia dei prodotti. Non \u00e8 una cosa statica; attraverso di essa avviene la gestione all'interno dell'azienda, poich\u00e9 diversi manager sono responsabili di diversi gruppi di prodotto. Abbiamo effettuato molte revisioni globali di questa gerarchia, in cui sono stati modificati tutti i livelli, rivedendo le relazioni, cos\u00ec come cambiamenti puntuali costanti, quando un gruppo passa da un nodo all'altro. Nella reportistica ordinaria, tutto ci\u00f2 viene calcolato al volo dagli attributi del materiale; nel caso di materializzazione di questi dati, \u00e8 necessario sviluppare un meccanismo per monitorare tali cambiamenti e ricaricare automaticamente i dati storici. Un compito piuttosto non triviale.<\/p>\n<h2>Dettaglio 3. Confronto dei dati <\/h2>\n<p>\nQuesto punto \u00e8 simile al precedente. La sostanza \u00e8 che, durante l'analisi in azienda, si tende a creare diversi livelli di confronto con il periodo precedente:<\/p>\n<p><i>Confronto con il periodo precedente (giorno per giorno, settimana per settimana, mese per mese)<\/i><\/p>\n<p>In questo confronto si presuppone che, a seconda del periodo selezionato dall'utente (ad esempio, la 33esima settimana dell'anno), dobbiamo mostrare la dinamica rispetto alla 32esima settimana; se avessimo scelto i dati di un mese, ad esempio maggio, questo confronto mostrerebbe la dinamica rispetto ad aprile.<\/p>\n<p><i>Confronto con l'anno precedente<\/i><\/p>\n<p>Qui il punto principale \u00e8 che, quando confronti i giorni e le settimane, non prendi lo stesso giorno dell'anno scorso, ossia non puoi semplicemente sottrarre uno dall'anno corrente. Devi considerare il giorno della settimana che stai confrontando. Al contrario, quando si confrontano i mesi, \u00e8 necessario prendere esattamente lo stesso giorno del mese dell'anno scorso. Ci sono anche aspetti specifici riguardanti gli anni bisestili. Negli archivi originali, tutte le informazioni sono distribuite per giorni, non ci sono campi separati per settimane, mesi o anni. Pertanto, per ottenere un'analisi completa nel pannello, \u00e8 necessario calcolare non un solo periodo, ad esempio una settimana, ma quattro settimane e poi confrontare questi dati, riflettendo dinamiche e deviazioni. Di conseguenza, questa logica di creazione di confronti dinamici pu\u00f2 essere implementata sia in Tableau che sul lato del front-end. S\u00ec, e conoscevamo naturalmente questi dettagli e ne abbiamo discusso gi\u00e0 nella fase di progettazione, ma era difficile prevedere il loro impatto sulle prestazioni del dashboard finale.<\/p>\n<p>Nell'implementazione del dashboard, abbiamo seguito un lungo percorso Agile. Il nostro obiettivo era fornire il prima possibile uno strumento funzionante con i dati necessari per i test. Pertanto, ci siamo mossi a sprint, concentrandoci sulla minimizzazione del lavoro sul sistema di archiviazione esistente.<\/p>\n<h2>Parte 1. Fiducia in Tableau<\/h2>\n<p>\nPer semplificare il supporto IT e accelerare l'implementazione delle modifiche, abbiamo deciso di gestire la logica di calcolo degli indicatori non additivi e il confronto dei periodi passati in Tableau.<\/p>\n<h3>Fase 1. Tutto in Live, nessun adeguamento delle vetrine.<\/h3>\n<p>\nIn questa fase, abbiamo collegato Tableau alle vetrine esistenti e abbiamo deciso di vedere come sarebbe stato calcolato il numero di ricevute in un anno.<\/p>\n<p><b>Risultato:<\/b><\/p>\n<p>La risposta \u00e8 stata deludente: 20 minuti. Trasferimento dei dati in rete, alta sovraccarico su Tableau. Abbiamo capito che la logica degli indicatori non additivi doveva essere implementata su HANA. Questo non ci ha spaventati, poich\u00e9 avevamo gi\u00e0 esperienza con BO e Analysis e sapevamo costruire vetrine veloci in HANA che forniscono correttamente gli indicatori non additivi. Ora rimaneva solo da adattarli a Tableau.<\/p>\n<h3>Fase 2. Ottimizziamo le vetrine, nessuna materializzazione, tutto al volo.<\/h3>\n<p>\nAbbiamo creato una nuova vetrina separata che generava al volo i dati richiesti per TABLEAU. In generale, abbiamo ottenuto un buon risultato, riducendo il tempo di generazione di tutte le metriche da una settimana a 9-10 secondi. Ci aspettavamo onestamente che in Tableau il tempo di risposta del dashboard sarebbe stato di 20-30 secondi al primo accesso e poi, grazie alla cache, tra 10 e 12 secondi, il che ci avrebbe soddisfatti.<\/p>\n<p><b>Risultato:<\/b><\/p>\n<p>Primo accesso ai dashboard: 4-5 minuti<br \/>\nQualsiasi clic: 3-4 minuti<br \/>\nNessuno si aspettava un tale aumento delle prestazioni della vetrina.<\/p>\n<h2>Parte 2. Immersione in Tableau<\/h2>\n<p><\/p>\n<h3>Fase 1. Analisi delle prestazioni di Tableau e ottimizzazione rapida<\/h3>\n<p>\nAbbiamo iniziato ad analizzare a cosa Tableau dedicava gran parte del tempo. A questo scopo, esistono strumenti piuttosto buoni, il che \u00e8 sicuramente un vantaggio di Tableau. Il principale problema che abbiamo riscontrato erano le query SQL molto complesse generate da Tableau. Queste erano principalmente legate a:<\/p>\n<p> \u2014 trasposizione dei dati. Poich\u00e9 Tableau non ha strumenti per la trasposizione dei dataset, per costruire la parte sinistra del dashboard con una rappresentazione dettagliata di tutti gli KPI, abbiamo dovuto formulare una tabella tramite case. La dimensione delle query SQL nel database raggiungeva i 120.000 caratteri.<\/p>\n<p><img decoding=\"async\" alt=\"Tableau nel retail, \u00e8 reale?\" src=\"\/wp-content\/uploads\/2020\/01\/8fc4d99017ddd604bbabb5ea0a19b38d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\n \u2014 scelta del periodo di tempo. Tale richiesta a livello di database richiedeva pi\u00f9 tempo per la compilazione che per l'esecuzione:<\/p>\n<p><img decoding=\"async\" alt=\"Tableau nel retail, \u00e8 reale?\" src=\"\/wp-content\/uploads\/2020\/01\/a9b9cc6ddd6b03c643935d070532728e.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nCio\u00e8, l'elaborazione della richiesta 12 secondi + 5 secondi di esecuzione.<\/p>\n<p>Abbiamo deciso di semplificare la logica dei calcoli sul lato di Tableau e spostare un'altra parte dei calcoli nel livello del database. Questo ha portato buoni risultati.<\/p>\n<p>Inizialmente abbiamo effettuato la trasposizione al volo, realizzandola mediante un full outer join nell'ultima fase di calcolo della VIEW, secondo questo approccio descritto su wiki <noindex><a rel=\"nofollow\" href=\"http:\/\/en.wikipedia.org\/wiki\/Transpose\">Transpose \u2014 Wikipedia, the free encyclopedia<\/a><\/noindex> e <noindex><a rel=\"nofollow\" href=\"http:\/\/en.wikipedia.org\/wiki\/Elementary_matrix#Row-addition_transformations\">Elementary matrix \u2014 Wikipedia, the free encyclopedia<\/a><\/noindex>.<\/p>\n<p><img decoding=\"async\" alt=\"Tableau nel retail, \u00e8 reale?\" src=\"\/wp-content\/uploads\/2020\/01\/5259995831dc8ae379a34bfe84e52daa.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nCio\u00e8, abbiamo creato una tabella di configurazione \u2013 una matrice di trasposizione (21x21) e abbiamo ottenuto tutti gli indicatori in modo dettagliato per riga.<\/p>\n<p>Era:<br \/>\n<img decoding=\"async\" alt=\"Tableau nel retail, \u00e8 reale?\" src=\"\/wp-content\/uploads\/2020\/01\/9382ee65a1482cc137a52b5f80c39eeb.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nRisultato:<br \/>\n<img decoding=\"async\" alt=\"Tableau nel retail, \u00e8 reale?\" src=\"\/wp-content\/uploads\/2020\/01\/1d6653ec427ce0621b441943f589d860.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nLa trasposizione del database richiede quasi zero tempo. La query per tutti gli indicatori della settimana continuava a essere eseguita in circa 10 secondi. Tuttavia, si \u00e8 persa la flessibilit\u00e0 nella costruzione del dashboard per indicatori specifici, cio\u00e8, per la parte destra del dashboard dove \u00e8 mostrata la dinamica e la suddivisione dettagliata di un indicatore specifico, la vista funzionava prima in 1-3 secondi, poich\u00e9 la query riguardava un solo indicatore, ma ora il database seleziona sempre tutti gli indicatori e filtra il risultato prima di restituirlo a Tableau.<\/p>\n<p>Di conseguenza, la velocit\u00e0 di lavoro del dashboard \u00e8 diminuita di quasi 3 volte.<\/p>\n<p><b>Risultato:<\/b><\/p>\n<ol>\n<li>5 sec \u2014 parsing del dashboard, visualizzazioni<\/li>\n<li> 15-20 sec \u2014 preparazione alla compilazione delle query con esecuzione dei calcoli preliminari in Tableau<\/li>\n<li> 35-45 sec \u2014 compilazione delle query SQL e loro esecuzione sequenziale in Hana<\/li>\n<li> 5 sec \u2014 elaborazione dei risultati, ordinamento, ricalcolo delle visualizzazioni in Tableau<\/li>\n<li>Certamente, tali risultati non soddisfacevano il business, e abbiamo continuato l'ottimizzazione.<\/li>\n<\/ol>\n<p><\/p>\n<h3>Fase 2. Minima logica in Tableau, completa materializzazione<\/h3>\n<p>\nSapevamo che costruire un dashboard con tempi di risposta di pochi secondi su una vetrina che funziona in 10 secondi fosse impossibile, e abbiamo valutato opzioni per materializzare i dati sul lato del database specificamente per il dashboard richiesto. Tuttavia, ci siamo imbattuti in un problema globale, come descritto sopra: indicatori non aggiuntivi. Non siamo riusciti a fare in modo che, al cambiamento dei filtri o delle espansioni, Tableau commutasse in modo flessibile tra le diverse vetrine e livelli, precalcolati per diverse gerarchie di prodotto (nel esempio tre query senza UTE, con UTE1 e UTE2 producono risultati diversi). Pertanto, abbiamo deciso di semplificare il dashboard, rinunciando alla gerarchia di prodotti e verificando quanto potesse essere veloce nella versione semplificata.<\/p>\n<p>Cos\u00ec, in quest'ultima fase abbiamo creato un deposito separato, dove abbiamo collocato in forma trasposta tutti gli KPI. Sul lato del database, qualsiasi query a tale deposito viene eseguita in 0,1 \u2013 0,3 secondi. Nel dashboard abbiamo ottenuto i seguenti risultati:<\/p>\n<p>Prima apertura: 8-10 secondi<br \/>\nQualsiasi clic: 6-7 secondi<\/p>\n<p>Il tempo che impiega Tableau \u00e8 composto da:<\/p>\n<ol>\n<li>0,3 sec. \u2014 parsing del dashboard e compilazione delle query SQL\n<\/li>\n<li>1,5-3 sec. \u2014 esecuzione di query SQL in Hana per le principali visualizzazioni (eseguito in parallelo con il p.1)\n<\/li>\n<li>1,5-2 sec. \u2014 rendering, ricalcolo delle visualizzazioni\n<\/li>\n<li>1,3 sec. \u2014 esecuzione di query SQL aggiuntive per ottenere valori rilevanti dei filtri (Brand, Divisione, Citt\u00e0, Negozio), parsing dei risultati\n<\/li>\n<\/ol>\n<p><\/p>\n<h3>In breve<\/h3>\n<p>\nCi \u00e8 piaciuto lo strumento Tableau per la visualizzazione. Durante la fase di progettazione, abbiamo esaminato diverse componenti di visualizzazione e le abbiamo trovate tutte nelle librerie, comprese complesse segmentazioni multilivello e waterfall multi-driver.<\/p>\n<p>Implementando dashboard con indicatori di vendita principali, abbiamo riscontrato difficolt\u00e0 nelle prestazioni che finora non siamo riusciti a superare. Abbiamo impiegato oltre due mesi e ottenuto una dashboard funzionalmente incompleta, la cui velocit\u00e0 di risposta \u00e8 al limite del tollerabile. E abbiamo tratto le seguenti conclusioni:<\/p>\n<ol>\n<li>Tableau non \u00e8 in grado di gestire grandi volumi di dati. Se nel modello di dati sorgente hai pi\u00f9 di 10 GB di dati (circa 200 milioni x 50 righe), allora il dashboard si ralentisce notevolmente \u2013 da 10 secondi a diversi minuti per ogni clic. Abbiamo sperimentato sia con il live-connect che con l'estrazione. La velocit\u00e0 di elaborazione \u00e8 comparabile.\n<\/li>\n<li>Limitazione nell'uso di pi\u00f9 archivi (dataset). Non \u00e8 possibile specificare la relazione tra dataset con strumenti standard. Se si utilizzano soluzioni alternative per connettere i dataset, questo avr\u00e0 un forte impatto sulle prestazioni. Nel nostro caso, abbiamo considerato la possibilit\u00e0 di materializzare i dati in ogni vista necessaria e su questi dataset materializzati effettuare il passaggio mantenendo i filtri precedentemente selezionati \u2013 questo si \u00e8 rivelato impossibile da realizzare in Tableau.\n<\/li>\n<li>In Tableau non \u00e8 possibile creare parametri dinamici. Non puoi utilizzare un parametro, che viene utilizzato per filtrare un dataset nell'estrazione o tramite live-connect, per riempire il risultato di un'altra selezione dal dataset o il risultato di un'altra query SQL, solo input nativo dell'utente o una costante.\n<\/li>\n<li>Limitazioni relative alla creazione di dashboard con elementi OLAP|Tabella pivot. <br \/>\nIn MSTR, SAP SAC, SAP Analysis, quando aggiungi un dataset al report, tutti gli oggetti su di esso sono collegati tra loro per impostazione predefinita. In Tableau questo non avviene, la connessione deve essere configurata manualmente. Questo \u00e8 probabilmente pi\u00f9 flessibile, ma per tutte le nostre dashboard \u00e8 un requisito fondamentale per gli elementi \u2013 quindi comporta costi aggiuntivi. Inoltre, se crei filtri collegati, ad esempio per limitare l'elenco delle citt\u00e0 solo a quelle di una determinata regione durante il filtraggio, ti ritrovi immediatamente con richieste sequenziali al database o all'estratto, il che rallenta notevolmente la dashboard.<\/li>\n<li>Limitazioni delle funzionalit\u00e0. Non \u00e8 possibile effettuare trasformazioni di massa sia sull'estratto che sul dataset di Live-connecta. Questo pu\u00f2 essere fatto tramite Tableau Prep, ma comporta ulteriori costi di lavoro e un altro strumento da studiare e mantenere. Per esempio, non puoi trasporre dati o fare un join su se stessi. Questo viene limitato da trasformazioni su singole colonne o campi, che devono essere selezionati tramite case o if, il che genera query SQL molto complesse, in cui il database spende la maggior parte del tempo a compilare il testo della query. Queste rigidit\u00e0 dello strumento sono state risolte a livello di vetrina, il che porta a una maggiore complessit\u00e0 del magazzino, a carichi e trasformazioni aggiuntive.\n<\/li>\n<\/ol>\n<p>\nNon abbiamo rinunciato a Tableau. Tuttavia, non lo consideriamo come uno strumento in grado di costruire dashboard industriali e come un mezzo attraverso il quale poter sostituire e digitalizzare l'intero sistema di reportistica aziendale.<\/p>\n<p>Attualmente stiamo sviluppando un dashboard simile con un altro strumento e, parallelamente, stiamo cercando di rivedere l'architettura del dashboard in Tableau per semplificarla ulteriormente. Se alla comunit\u00e0 interessa, condivideremo i risultati.<\/p>\n<p>Siamo anche in attesa delle vostre idee o suggerimenti su come creare dashboard veloci in Tableau su volumi cos\u00ec grandi di dati, poich\u00e9 abbiamo anche un sito con molte pi\u00f9 informazioni rispetto al settore retail.<br \/>\n<br \/>Fonte: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/mvideo\/blog\/483656\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u0412\u0440\u0435\u043c\u044f \u043e\u0442\u0447\u0451\u0442\u043d\u043e\u0441\u0442\u0438 \u0432 Excel \u0441\u0442\u0440\u0435\u043c\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0443\u0445\u043e\u0434\u0438\u0442 \u2014 \u0442\u0440\u0435\u043d\u0434 \u043d\u0430 \u0443\u0434\u043e\u0431\u043d\u044b\u0435 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u044b \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0438 \u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u0432\u0438\u0434\u0435\u043d \u0432\u043e \u0432\u0441\u0435\u0445 \u0441\u0444\u0435\u0440\u0430\u0445. \u041c\u044b \u0434\u0430\u0432\u043d\u043e \u043e\u0431\u0441\u0443\u0436\u0434\u0430\u043b\u0438 \u0432\u043d\u0443\u0442\u0440\u0438 \u0446\u0438\u0444\u0440\u043e\u0432\u0438\u0437\u0430\u0446\u0438\u044e \u043f\u043e\u0441\u0442\u0440\u043e\u0435\u043d\u0438\u044f \u043e\u0442\u0447\u0451\u0442\u043d\u043e\u0441\u0442\u0438 \u0438 \u0432\u044b\u0431\u0440\u0430\u043b\u0438 \u0441\u0438\u0441\u0442\u0435\u043c\u0443 \u0432\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438 \u0438 self-service \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u043a\u0438 Tableau. \u0410\u043b\u0435\u043a\u0441\u0430\u043d\u0434\u0440 \u0411\u0435\u0437\u0443\u0433\u043b\u044b\u0439, \u0440\u0443\u043a\u043e\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c \u043e\u0442\u0434\u0435\u043b\u0430 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0440\u0435\u0448\u0435\u043d\u0438\u0439 \u0438 \u043e\u0442\u0447\u0451\u0442\u043d\u043e\u0441\u0442\u0438 \u0413\u0440\u0443\u043f\u043f\u044b \u00ab\u041c.\u0412\u0438\u0434\u0435\u043e-\u042d\u043b\u044c\u0434\u043e\u0440\u0430\u0434\u043e\u00bb, \u0440\u0430\u0441\u0441\u043a\u0430\u0437\u0430\u043b \u043e\u0431 \u043e\u043f\u044b\u0442\u0435 \u0438 \u0438\u0442\u043e\u0433\u0430\u0445 \u043f\u043e\u0441\u0442\u0440\u043e\u0435\u043d\u0438\u044f \u0431\u043e\u0435\u0432\u043e\u0433\u043e \u0434\u0430\u0448\u0431\u043e\u0440\u0434\u0430. \u0421\u043a\u0430\u0436\u0443 \u0441\u0440\u0430\u0437\u0443, \u043d\u0435 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-55144","post","type-post","status-publish","format-standard","hentry","category-novosti-interneta"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.0.1 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0412\u0440\u0435\u043c\u044f \u043e\u0442\u0447\u0451\u0442\u043d\u043e\u0441\u0442\u0438 \u0432 Excel \u0441\u0442\u0440\u0435\u043c\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0443\u0445\u043e\u0434\u0438\u0442 \u2014 \u0442\u0440\u0435\u043d\u0434 \u043d\u0430 \u0443\u0434\u043e\u0431\u043d\u044b\u0435 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u044b \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0438 \u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u0432\u0438\u0434\u0435\u043d \u0432\u043e \u0432\u0441\u0435\u0445 \u0441\u0444\u0435\u0440\u0430\u0445.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/tableau-v-roznitse-realno\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.0.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"it_IT\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47Tableau \u0432 \u0440\u043e\u0437\u043d\u0438\u0446\u0435, \u0440\u0435\u0430\u043b\u044c\u043d\u043e? | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u0412\u0440\u0435\u043c\u044f \u043e\u0442\u0447\u0451\u0442\u043d\u043e\u0441\u0442\u0438 \u0432 Excel \u0441\u0442\u0440\u0435\u043c\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0443\u0445\u043e\u0434\u0438\u0442 \u2014 \u0442\u0440\u0435\u043d\u0434 \u043d\u0430 \u0443\u0434\u043e\u0431\u043d\u044b\u0435 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u044b \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0438 \u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u0432\u0438\u0434\u0435\u043d \u0432\u043e \u0432\u0441\u0435\u0445 \u0441\u0444\u0435\u0440\u0430\u0445.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/tableau-v-roznitse-realno\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-01-12T21:00:00+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-02-18T11:03:13+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47Tableau nel retail, \u00e8 reale? | ProHoster","description":"Il tempo per la reportistica in Excel sta rapidamente svanendo: la tendenza verso strumenti intuitivi di presentazione e analisi delle informazioni \u00e8 evidente in tutti i settori.","canonical_url":"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/tableau-v-roznitse-realno","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"it_IT","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47Tableau \u0432 \u0440\u043e\u0437\u043d\u0438\u0446\u0435, \u0440\u0435\u0430\u043b\u044c\u043d\u043e? | ProHoster","og:description":"\u0412\u0440\u0435\u043c\u044f \u043e\u0442\u0447\u0451\u0442\u043d\u043e\u0441\u0442\u0438 \u0432 Excel \u0441\u0442\u0440\u0435\u043c\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0443\u0445\u043e\u0434\u0438\u0442 \u2014 \u0442\u0440\u0435\u043d\u0434 \u043d\u0430 \u0443\u0434\u043e\u0431\u043d\u044b\u0435 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u044b \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0438 \u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u0432\u0438\u0434\u0435\u043d \u0432\u043e \u0432\u0441\u0435\u0445 \u0441\u0444\u0435\u0440\u0430\u0445.","og:url":"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/tableau-v-roznitse-realno","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-01-12T21:00:00+00:00","article:modified_time":"2020-02-18T11:03:13+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"55144","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":null,"breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 19:50:02","updated":"2022-10-05 23:10:07","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/55144","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/comments?post=55144"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/55144\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/media?parent=55144"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/categories?post=55144"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/tags?post=55144"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}