STEP 51：実践プロジェクト3 – 顧客分析ダッシュボード(両ツール比較)

ホーム > BIツール入門 > STEP 51

⚖️ STEP 51: 実践プロジェクト3 – 顧客分析ダッシュボード（両ツール比較）

同じデータを両ツールで実装し、違いを体感しよう！

📋 プロジェクト概要

テーマ 顧客セグメント分析ダッシュボード
ツール Tableau & Power BI（両方で同じものを作成）
データ 顧客マスタ + 購買履歴データ
目的 両ツールの実践的な比較と特性理解
所要時間 6時間（各ツール3時間）

ゴール：同じダッシュボードを両ツールで作成し、開発体験を通じて最適なツール選択ができるようになる

🎯 1. プロジェクトの目的

なぜ両ツールで同じダッシュボードを作るのか

同じデータで同じダッシュボードを両ツールで作成することで、実践的な違いを体験できます。理論だけでなく、実際の開発体験を通じて、どちらのツールが自分やプロジェクトに合っているかを判断できます。

🔍 6つの比較ポイント
比較項目 評価基準 なぜ重要か
開発スピード 同じ機能を実装するのにかかる時間 プロジェクトの納期とコストに直結
操作性 直感的に操作できるか 学習コストと日常の生産性
パフォーマンス ダッシュボードの表示速度 ユーザー体験と利用率
ビジュアル品質 見た目の美しさ・洗練度 経営層への説得力
機能性 計算能力・分析機能の豊富さ 複雑な分析への対応力
保守性 変更・更新のしやすさ 長期運用コスト

📊 2. ダッシュボード要件

共通仕様

両ツールで全く同じ機能を持つダッシュボードを作成します。顧客分析の代表的な手法を網羅した本格的なダッシュボードです。

📊 必須ビジュアル（5種類）
ビジュアル 分析手法 目的 表示形式
RFM分析 Recency, Frequency, Monetary 顧客をスコアで分類 ヒートマップ
LTV分析 顧客生涯価値 セグメント別の価値比較 横棒グラフ
購買パターン 曜日×時間帯分析 購買タイミングの把握 ヒートマップ
コホート分析 月次リテンション 顧客維持率の追跡 色分けヒートマップ
顧客推移 新規/既存/復帰/離脱 顧客基盤の健全性 積み上げ面グラフ
📊 RFM分析の基礎知識 
【RFM分析とは】

顧客を3つの指標でスコアリングし、セグメント分類する手法

┌─────────────┬──────────────────────────────────────────────────┐
│ 指標        │ 説明                                              │
├─────────────┼──────────────────────────────────────────────────┤
│ R: Recency  │ 最終購買日からの経過日数（最近買ったか）          │
│ F: Frequency│ 購買回数（何回買ったか）                          │
│ M: Monetary │ 購買金額合計（いくら使ったか）                    │
└─────────────┴──────────────────────────────────────────────────┘


【スコアリング例（1-3の3段階）】

R_Score:
├─ 3: 30日以内（最近購買）
├─ 2: 31-90日
└─ 1: 91日以上（休眠気味）

F_Score:
├─ 3: 10回以上（常連）
├─ 2: 5-9回
└─ 1: 4回以下（新規/非アクティブ）

M_Score:
├─ 3: 10万円以上（高額顧客）
├─ 2: 5-10万円
└─ 1: 5万円未満


【セグメント例】

RFMスコア → セグメント名
├─ 333 → VIP顧客（最重要、特別対応）
├─ 311 → 新規優良（育成候補）
├─ 133 → 休眠優良（呼び戻し対象）
├─ 111 → 離脱リスク（再活性化）
└─ その他 → 一般顧客
📊 使用するデータ構造 
【顧客テーブル: customers.csv】

┌────────────────────────────────────────────────────────────────┐
│ 顧客ID │ 顧客名     │ 登録日     │ 性別 │ 年代  │ 地域     │
├────────────────────────────────────────────────────────────────┤
│ C001   │ 田中太郎   │ 2022-01-15 │ 男   │ 30代  │ 東京     │
│ C002   │ 鈴木花子   │ 2022-03-20 │ 女   │ 40代  │ 大阪     │
│ C003   │ 佐藤次郎   │ 2023-05-10 │ 男   │ 20代  │ 福岡     │
└────────────────────────────────────────────────────────────────┘

データ量: 約5,000人


【購買テーブル: purchases.csv】

┌────────────────────────────────────────────────────────────────┐
│ 注文ID │ 顧客ID │ 注文日時           │ 商品カテゴリ │ 売上金額 │
├────────────────────────────────────────────────────────────────┤
│ P001   │ C001   │ 2024-01-15 10:30   │ 電化製品     │ 45,000   │
│ P002   │ C001   │ 2024-02-20 14:15   │ 家具         │ 32,000   │
│ P003   │ C002   │ 2024-01-18 09:45   │ 文房具       │ 8,500    │
└────────────────────────────────────────────────────────────────┘

データ量: 約50,000件（2年分）


【リレーションシップ】

┌───────────┐     ┌───────────┐
│ customers │────│ purchases │
│  (顧客)   │ 1:n │  (購買)   │
└───────────┘     └───────────┘
    顧客ID で結合

🔵 3. Tableau実装

Tableauでの開発手順

まずTableauでRFM分析ダッシュボードを作成します。LOD表現を活用して、顧客単位の集計を行います。

🔵 Tableau: RFM計算フィールドの作成 
【Step 1: Recency（最終購買からの日数）】

名前: Recency
計算式:
DATEDIFF('day', 
    { FIXED [顧客ID] : MAX([注文日]) },
    TODAY()
)

解説:
├─ { FIXED [顧客ID] : MAX([注文日]) }
│  └─ 各顧客の最終購買日を取得（LOD表現）
├─ DATEDIFF('day', ..., TODAY())
│  └─ 今日との日数差を計算
└─ 結果: 顧客ごとの「最終購買からの経過日数」

─────────────────────────────

【Step 2: Frequency（購買回数）】

名前: Frequency
計算式:
{ FIXED [顧客ID] : COUNTD([注文ID]) }

解説:
├─ COUNTD([注文ID]): 注文IDのユニーク数
├─ FIXED [顧客ID]: 顧客単位で集計
└─ 結果: 顧客ごとの「総購買回数」

─────────────────────────────

【Step 3: Monetary（購買金額合計）】

名前: Monetary
計算式:
{ FIXED [顧客ID] : SUM([売上金額]) }

解説:
├─ SUM([売上金額]): 売上金額の合計
├─ FIXED [顧客ID]: 顧客単位で集計
└─ 結果: 顧客ごとの「累計購買金額」

─────────────────────────────

【Step 4: RFMスコア計算（各1-3）】

名前: R_Score
計算式:
IF [Recency] <= 30 THEN 3
ELSEIF [Recency] <= 90 THEN 2
ELSE 1
END

名前: F_Score
計算式:
IF [Frequency] >= 10 THEN 3
ELSEIF [Frequency] >= 5 THEN 2
ELSE 1
END

名前: M_Score
計算式:
IF [Monetary] >= 100000 THEN 3
ELSEIF [Monetary] >= 50000 THEN 2
ELSE 1
END

─────────────────────────────

【Step 5: RFMセグメント】

名前: RFM_Segment
計算式:
STR([R_Score]) + STR([F_Score]) + STR([M_Score])

結果例: "333", "211", "132" など

─────────────────────────────

【Step 6: セグメント名】

名前: Segment_Name
計算式:
IF [RFM_Segment] = "333" THEN "VIP顧客"
ELSEIF LEFT([RFM_Segment], 1) = "3" AND 
       RIGHT([RFM_Segment], 1) = "1" THEN "新規優良"
ELSEIF LEFT([RFM_Segment], 1) = "1" AND 
       RIGHT([RFM_Segment], 1) = "3" THEN "休眠優良"
ELSEIF [RFM_Segment] = "111" THEN "離脱リスク"
ELSE "一般顧客"
END
🔵 Tableau: RFMヒートマップの作成 
【Step 1: 新しいワークシート作成】

名前: "RFM_ヒートマップ"


【Step 2: ディメンション・メジャー配置】

行: R_Score（離散に変更）
列: F_Score（離散に変更）
マーク: 四角

設定:
├─ 色: COUNTD([顧客ID])
├─ サイズ: COUNTD([顧客ID])
└─ ラベル: COUNTD([顧客ID])


【Step 3: 色の設定】

色の編集:
├─ パレット: 青から赤（または順次）
├─ ステップカラー: 5段階
└─ 濃い色 = 顧客数が多い

    R=3  ┌────┬────┬────┐
    (最近)│ 50 │ 80 │120 │
         ├────┼────┼────┤
    R=2  │ 30 │ 45 │ 60 │
         ├────┼────┼────┤
    R=1  │ 15 │ 20 │ 25 │
    (休眠)└────┴────┴────┘
          F=1   F=2   F=3
        (少)        (多)


【Step 4: ツールチップ設定】

ツールチップ編集:
┌─────────────────────────────┐
│ RFMセグメント               │
│ R_Score:          │
│ F_Score:          │
│ 顧客数:  │
│ 売上合計: │
└─────────────────────────────┘


【Step 5: タイトルと装飾】

タイトル: "RFM分析 - 顧客セグメント分布"
軸ラベル:
├─ 行: "Recency（最近度）"
└─ 列: "Frequency（頻度）"


開発所要時間: 約30分
🔵 Tableau: コホート分析の実装 
【コホート分析の計算フィールド】

// 1. 初回購買月（顧客のコホート）
名前: 初回購買月
計算式:
DATETRUNC('month',
    { FIXED [顧客ID] : MIN([注文日]) }
)

// 2. 経過月数
名前: 経過月数
計算式:
DATEDIFF('month', [初回購買月], DATETRUNC('month', [注文日]))

// 3. コホートサイズ（初月の顧客数）
名前: コホートサイズ
計算式:
{ FIXED [初回購買月] : COUNTD([顧客ID]) }

// 4. リテンション率
名前: リテンション率
計算式:
COUNTD([顧客ID]) / [コホートサイズ]


【ヒートマップ設定】

行: 初回購買月（月単位）
列: 経過月数
マーク: 四角
色: AVG(リテンション率)
ラベル: AVG(リテンション率) ※パーセント表示

色設定:
├─ 100%: 濃い緑
├─ 50%: 黄色
└─ 0%: 赤

完成イメージ:
         0月   1月   2月   3月   4月
2023/01  100%  45%   38%   32%   28%
2023/02  100%  48%   40%   35%   --
2023/03  100%  42%   36%   --    --

🟠 4. Power BI実装

Power BIでの開発手順

次にPower BIで同じダッシュボードを作成します。DAXを使って計算列とメジャーを作成します。

🟠 Power BI: RFM計算列の作成 
【Step 1: 集計テーブルの作成（推奨）】

顧客RFM = 
SUMMARIZE(
    購買,
    顧客[顧客ID],
    顧客[顧客名],
    "Recency", DATEDIFF(MAX(購買[注文日]), TODAY(), DAY),
    "Frequency", DISTINCTCOUNT(購買[注文ID]),
    "Monetary", SUM(購買[売上金額])
)

解説:
├─ SUMMARIZE: グループ化してテーブル作成
├─ 顧客IDごとに集計
└─ 新しいテーブルとしてモデルに追加


【Step 2: 計算列の追加（顧客RFMテーブルに）】

// R_Score
R_Score = 
SWITCH(
    TRUE(),
    顧客RFM[Recency] <= 30, 3,
    顧客RFM[Recency] <= 90, 2,
    1
)

// F_Score
F_Score = 
SWITCH(
    TRUE(),
    顧客RFM[Frequency] >= 10, 3,
    顧客RFM[Frequency] >= 5, 2,
    1
)

// M_Score
M_Score = 
SWITCH(
    TRUE(),
    顧客RFM[Monetary] >= 100000, 3,
    顧客RFM[Monetary] >= 50000, 2,
    1
)

─────────────────────────────

【Step 3: RFMセグメントとセグメント名】

// RFMセグメント
RFM_Segment = 
顧客RFM[R_Score] & 顧客RFM[F_Score] & 顧客RFM[M_Score]

// セグメント名
Segment_Name = 
SWITCH(
    TRUE(),
    顧客RFM[RFM_Segment] = "333", "VIP顧客",
    LEFT(顧客RFM[RFM_Segment], 1) = "3" && 
        RIGHT(顧客RFM[RFM_Segment], 1) = "1", "新規優良",
    LEFT(顧客RFM[RFM_Segment], 1) = "1" && 
        RIGHT(顧客RFM[RFM_Segment], 1) = "3", "休眠優良",
    顧客RFM[RFM_Segment] = "111", "離脱リスク",
    "一般顧客"
)
🟠 Power BI: RFMヒートマップの作成 
【Step 1: マトリックスビジュアル選択】

ビジュアライゼーション > マトリックス


【Step 2: フィールド配置】

行: 顧客RFM[R_Score]
列: 顧客RFM[F_Score]
値: 顧客数メジャー（下記作成）

// 顧客数メジャー
顧客数 = COUNTROWS(顧客RFM)


【Step 3: 条件付き書式（背景色）】

1. 値フィールドの「...」をクリック
2. 「条件付き書式」>「背景色」
3. 設定:
   ├─ 書式設定スタイル: カラースケール
   ├─ 最小値の色: 白 (#FFFFFF)
   ├─ 最大値の色: 濃い青 (#1565C0)
   └─ 中間値: 自動


【Step 4: テーブルデザイン調整】

書式設定:
├─ グリッド線: オフ
├─ 行ヘッダー: 太字、左寄せ
├─ 列ヘッダー: 太字、中央寄せ
├─ 値: 中央寄せ
├─ セルパディング: 10px
└─ フォントサイズ: 12pt


【Step 5: タイトル設定】

タイトル: "RFM分析 - 顧客セグメント分布"
サブタイトル: "R: 最近度、F: 頻度"


開発所要時間: 約25分
🟠 Power BI: コホート分析の実装 
【コホート分析のDAXメジャー】

// 1. 初回購買月（計算列として顧客テーブルに追加）
初回購買月 = 
CALCULATE(
    MIN(購買[注文日]),
    ALLEXCEPT(顧客, 顧客[顧客ID])
)

// 2. コホートサイズ
コホートサイズ = 
VAR CurrentCohort = SELECTEDVALUE(顧客[初回購買月])
RETURN
    CALCULATE(
        DISTINCTCOUNT(顧客[顧客ID]),
        ALL(購買),
        顧客[初回購買月] = CurrentCohort
    )

// 3. リテンション率
リテンション率 = 
VAR CurrentCustomers = DISTINCTCOUNT(顧客[顧客ID])
VAR CohortSize = [コホートサイズ]
RETURN
    DIVIDE(CurrentCustomers, CohortSize, 0)


【マトリックスビジュアル設定】

行: 顧客[初回購買月]（月単位）
列: 購買[経過月数]（別途計算列作成）
値: [リテンション率]

条件付き書式:
├─ 100%: 緑 (#4CAF50)
├─ 50%: 黄色 (#FFEB3B)
└─ 0%: 赤 (#F44336)

⚖️ 5. 両ツール比較結果

開発スピード比較

同じダッシュボードを両ツールで作成した結果、以下のような時間差が出ました。

⏱️ 開発時間比較
タスク Tableau Power BI 勝者と理由
データ接続 5分 8分 🔵 Tableau（UI直感的）
計算フィールド作成 30分 25分 🟠 Power BI（DAX効率的）
ビジュアル作成 45分 50分 🔵 Tableau（ドラッグ&ドロップ）
ダッシュボード統合 20分 25分 🔵 Tableau（コンテナ直感的）
調整・仕上げ 30分 35分 🔵 Tableau（書式設定容易）
合計 2時間10分 2時間23分 🔵 Tableau（13分短縮）
📊 機能・品質比較
評価項目 Tableau Power BI 総合評価
操作性 ⭐⭐⭐⭐⭐
直感的、学習しやすい		 ⭐⭐⭐⭐
慣れが必要		 🔵 Tableau優位
ビジュアル美しさ ⭐⭐⭐⭐⭐
洗練されたデザイン		 ⭐⭐⭐⭐
標準的だが実用的		 🔵 Tableau優位
計算能力 ⭐⭐⭐⭐
LOD表現強力		 ⭐⭐⭐⭐⭐
DAX超強力		 🟠 Power BI優位
パフォーマンス ⭐⭐⭐⭐
3.2秒（10万行）		 ⭐⭐⭐⭐⭐
2.8秒（10万行）		 🟠 Power BI優位
共有・連携 ⭐⭐⭐⭐
Tableau Server		 ⭐⭐⭐⭐⭐
Teams/M365連携		 🟠 Power BI優位
モバイル対応 ⭐⭐⭐⭐
良好		 ⭐⭐⭐⭐⭐
非常に優秀		 🟠 Power BI優位
💡 ツール選択の指針
こんな場合は… おすすめツール 理由
経営層向けプレゼン 🔵 Tableau ビジュアルの美しさが説得力に
Microsoft環境が中心 🟠 Power BI Teams/Excel連携がスムーズ
探索的データ分析 🔵 Tableau ドラッグ&ドロップで試行錯誤
複雑な計算が必要 🟠 Power BI DAXの計算能力が強力
コスト重視 🟠 Power BI M365ライセンスに含まれる場合も
大規模データ分析 🟠 Power BI パフォーマンスが優秀

📝 STEP 51 のまとめ

✅ このプロジェクトで学んだこと
  • 実践比較：両ツールの実際の開発体験を通じた違いの理解
  • RFM分析：顧客セグメンテーションの実装方法（LOD/DAX）
  • コホート分析：リテンション率の計算と可視化
  • 開発効率：ツールによる生産性の違い（Tableauがやや優位）
  • 強み弱み：Tableauはビジュアル、Power BIは計算・連携
  • 選択基準：プロジェクトに応じた使い分け方法
📊 両ツール比較まとめ
観点 🔵 Tableau 🟠 Power BI
得意分野 探索的分析、ビジュアル重視 定型レポート、M365連携
学習曲線 緩やか（直感的） やや急（DAX習得必要）
向いている組織 分析チーム、データドリブン企業 Microsoft中心の企業
🎯 最重要ポイント

「どちらが優れているか」という問いに絶対的な答えはありません。

用途・組織・スキルによって最適なツールは変わります。
– Tableauはビジュアル重視・探索的分析に強い
– Power BIはMicrosoft連携・大規模展開に強い

両方の特性を理解し、プロジェクトに応じて適切に選択・使い分けることが、プロフェッショナルBIアナリストの条件です！

📝 実践演習

演習 1 基礎

RFMスコアの閾値を自社データに合わせてカスタマイズしてください。売上分布を確認し、適切な閾値を設定してください。

【閾値カスタマイズ手順】

Step 1: データ分布の確認

  1. ヒストグラムでRecency/Frequency/Monetaryの分布を確認
  2. パーセンタイル（25%, 50%, 75%）を計算
  3. ビジネス的に意味のある区切りを検討

Step 2: 分布確認の計算（Tableau）

// Recencyの分布確認
Recency_P25 = PERCENTILE([Recency], 0.25)
Recency_P50 = PERCENTILE([Recency], 0.50)
Recency_P75 = PERCENTILE([Recency], 0.75)

例:
├─ P25: 15日
├─ P50: 45日
└─ P75: 120日

→ 閾値を 15日, 45日 に設定

Step 3: カスタマイズ後のスコア

R_Score_Custom = 
IF [Recency] <= 15 THEN 3
ELSEIF [Recency] <= 45 THEN 2
ELSE 1
END

ポイント:

  • 業界特性を考慮（日用品は短期、高額商品は長期）
  • 各スコアの顧客数がバランス良くなるよう調整
  • ビジネス部門と閾値を合意しておく
演習 2 応用

自分が使いやすいと感じたツールで、コホート分析のヒートマップを作成してください。初回購買月をコホートとし、リテンション率を可視化してください。

【コホート分析実装（Power BI例）】

Step 1: 計算列の追加（顧客テーブル）

// 初回購買月
初回購買月 = 
CALCULATE(
    EOMONTH(MIN(購買[注文日]), 0),
    ALLEXCEPT(顧客, 顧客[顧客ID])
)

Step 2: 経過月数の計算（購買テーブル）

// 経過月数
経過月数 = 
VAR 初回月 = RELATED(顧客[初回購買月])
RETURN
    DATEDIFF(初回月, EOMONTH(購買[注文日], 0), MONTH)

Step 3: メジャーの作成

// コホートサイズ
コホートサイズ = 
VAR CurrentCohort = MAX(顧客[初回購買月])
RETURN
    CALCULATE(
        DISTINCTCOUNT(顧客[顧客ID]),
        ALL(購買),
        顧客[初回購買月] = CurrentCohort
    )

// リテンション率
リテンション率 = 
DIVIDE(
    DISTINCTCOUNT(顧客[顧客ID]),
    [コホートサイズ],
    0
)

Step 4: マトリックス設定

  1. 行: 顧客[初回購買月]
  2. 列: 購買[経過月数]
  3. 値: [リテンション率]
  4. 条件付き書式: 緑→黄→赤のグラデーション

完成イメージ:

         0月    1月    2月    3月    4月
2023/01  100%   45%    38%    32%    28%
2023/02  100%   48%    40%    35%    --
2023/03  100%   42%    36%    --     --
2023/04  100%   50%    --     --     --
チャレンジ 発展

両ツールで「購買パターン分析」（曜日×時間帯ヒートマップ）を作成し、どちらが作りやすかったか、どちらの見た目が良いか、比較レポートを作成してください。

【購買パターン分析の両ツール実装】

🔵 Tableau実装

// 曜日（計算フィールド）
曜日 = DATENAME('weekday', [注文日])

// 時間帯
時間帯 = 
IF HOUR([注文日時]) >= 6 AND HOUR([注文日時]) < 12 THEN "朝"
ELSEIF HOUR([注文日時]) >= 12 AND HOUR([注文日時]) < 18 THEN "昼"
ELSEIF HOUR([注文日時]) >= 18 AND HOUR([注文日時]) < 22 THEN "夜"
ELSE "深夜"
END

// ビジュアル設定
行: 時間帯（並べ替え: 朝→昼→夜→深夜）
列: 曜日（並べ替え: 月→日）
マーク: 四角
色: SUM(売上金額)
ラベル: SUM(売上金額)

開発時間: 約15分

🟠 Power BI実装

// 曜日（計算列）
曜日 = FORMAT(購買[注文日], "dddd")

// 時間帯
時間帯 = 
VAR Hour = HOUR(購買[注文日時])
RETURN
    SWITCH(
        TRUE(),
        Hour >= 6 && Hour < 12, "朝",
        Hour >= 12 && Hour < 18, "昼",
        Hour >= 18 && Hour < 22, "夜",
        "深夜"
    )

// ビジュアル設定
マトリックスビジュアル
行: 時間帯
列: 曜日
値: SUM(売上金額)
条件付き書式: カラースケール

開発時間: 約20分

比較レポート

観点 Tableau Power BI
開発時間 15分 ✓ 20分
操作性 直感的 ✓ 設定が多い
見た目 美しい ✓ 標準的
並べ替え 簡単 ソート列必要

結論:

  • このタスクではTableauが優位
  • ヒートマップの作成はTableauの得意分野
  • Power BIでも同等の結果は得られるが、設定がやや煩雑

❓ よくある質問

Q1: 実務では両方使えるようになるべきですか？
理想は両方ですが、まずは一方を深く習得しましょう。

推奨アプローチ:
1. 一つのツールを3-6ヶ月集中して学習
2. 実務で使いこなせるレベルに到達
3. もう一方のツールを2-3ヶ月学習
4. 比較しながら理解を深化

両方使えると、プロジェクトに応じた最適選択ができ、市場価値が高まります。転職時にも有利です。
Q2: RFM分析の閾値はどう決めればいいですか？
データ分布とビジネス要件の両方を考慮します。

閾値決定のステップ:
1. データのパーセンタイル（25%, 50%, 75%）を確認
2. 業界の標準的な基準を参考
3. ビジネス部門と議論して合意
4. 定期的に見直し（四半期ごと推奨）

業界別の目安:
- ECサイト（日用品）: Recency 14日/30日
- 高額商品: Recency 90日/180日
- サブスク: Frequency 毎月/3ヶ月
Q3: コホート分析のリテンション率が低い場合、どう改善しますか？
離脱タイミングを特定し、適切な施策を実施します。

分析ステップ:
1. どの月で大きく低下しているか確認
2. 離脱顧客の共通点を分析
3. 成功コホート（リテンション高い月）との違いを比較

一般的な改善施策:
- 初月離脱が多い → オンボーディング改善
- 3ヶ月目離脱 → リマインドメール、特典
- 季節変動 → 時期に合わせたキャンペーン
Q4: TableauとPower BIを同時に使う組織はありますか？
はい、大企業では両方使う組織もあります。

使い分けパターン:
- 経営層向け: Tableau（ビジュアル重視）
- 現場向け: Power BI（Teams配信）
- 分析チーム: Tableau（探索的分析）
- 財務部門: Power BI（Excel連携）

注意点:
- ライセンスコストが二重になる
- スキルセットの分散
- データ整合性の確保が必要

明確な使い分けルールがあれば両立可能です。
Q5: LOD表現とDAX、どちらが難しいですか？
一般的にDAXの方が学習曲線が急です。

LOD表現（Tableau）:
- 構文がシンプル（FIXED, INCLUDE, EXCLUDE）
- 概念理解が重要
- 1-2週間で基本習得可能

DAX（Power BI）:
- 関数が豊富（数百種類）
- フィルターコンテキストの理解が必須
- 本格習得には1-2ヶ月必要

ただし、DAXを習得するとより複雑な計算が可能になるため、投資価値は高いです。
← 前のステップ
STEP 50: 実践プロジェクト2 - KPIダッシュボード 次のステップへ →
STEP 52: 実践プロジェクト4 - リアルタイム監視ダッシュボード

📝

学習メモ

BIツール入門 - Step 51

💾 自動保存 · 0文字
📋 過去のメモ一覧 ▼
#artnasekai #学習メモ
LINE
ホーム
BIツール入門（Tableau・Power BI）