Multi-Fact Analysis in Tableau 2024.2
Het wachten is beloond: Tableau maakt het vanaf versie 2024.2 mogelijk om Multi-Fact analysis toe te passen in haar datamodel! Ik neem jullie graag mee in deze nieuwe ontwikkeling, waarbij we ingaan op hoe dit jou kan helpen en met welke voorwaarden je rekening moet houden.
Voordat we verder gaan:
- Nog niet eerder gehoord van de term ‘Relationships’ in combinatie met Tableau? Lees dan vooral eerst deze blog van mijn collega Roland van Leeuwen.
- Raad ik je aan om de sessie ‘New Multi-Fact Analyses Using the Tableau Data Model’ van de Tableau Conference 2024 terug te kijken.
Eenvoudig meerdere feitentabellen in een model
Multi-Fact Relationships biedt jou de mogelijkheid om Tableau datasources op te bouwen met meerdere base tables. Deze base tables (veelal een feitentabel, in de afbeelding rechts tabel A en X) kunnen, ondanks een mogelijk verschil in granulariteit, een relatie krijgen door een gedeelde dimensie. Daarbij kunnen ook dimensies worden toegevoegd die geen gedeelde relatie hebben.
Met deze toevoeging kun je binnen één datasource eenvoudig meerdere datamodellen creëren, waardoor je meer vragen kunt beantwoorden met dezelfde databron en het analyseren (in Tableau) eenvoudiger wordt. Hoe dat werkt? We lichten deze feature (One) toe aan de hand van meerdere onderdelen (Many).

Many impact op de interface
Eerst de wijzigingen qua interface, omdat dit relevant is voor zowel degene die de datasource opbouwt (Datasource Pane), als voor degene die ermee werkt (Worksheet). Gebruiksvriendelijkheid was één van de uitgangspunten bij de ontwikkeling van deze functionaliteit en dat uit zich in het resultaat.
Veranderingen bij het opbouwen van een model in de Datasource Pane:
- Multiple base tables. De basis voor het opbouwen van meerdere datamodellen binnen het Tableau datamodel. In het voorbeeld zie je er 4, waaronder de blauw gekleurde tabel.
- Meatball. Het icoon (+ teken in een cirkel) achter een tabel, waarmee meerdere relaties tussen tabellen gelegd kunnen worden.
- Highlight related tables. Hover over een tabel en alle tabellen met een relatie worden ge-highlight. In het voorbeeld hieronder gebeurt dit voor alles met een relatie naar ‘Support Base Table’.
- Collapse tables. Verberg onderdelen van het datamodel binnen de datasource. Erg prettig om overzicht te bewaren, wetende dat verbergen niet betekent dat het achterwege wordt gelaten. In de laatste stap van het voorbeeld wordt dit getoond.
- Global error. Duidelijke error-melding bij een niet volledig of onjuist datamodel (denk aan: tabel zonder relaties of relatie zonder koppelvelden). Niet in het voorbeeld zichtbaar, maar test het gerust eens zelf.
- Extract filter for each logical table. Het toepassen van een Extract-filter werkt op de specifieke tabel in de logische laag van de datasource. Bijvoorbeeld: Sales Base Table terugbrengen van 10 naar 3 jaar historie.

- Breadcrumb. Een icoon achter een veld (in de Data-tab of pill), dat verschijnt wanneer het veld geen directe relatie heeft met de velden die in een worksheet worden gebruikt (bijvoorbeeld: SUM(Quantity) en Support Type in de GIF).
- Grey-out fields. Velden die niet een directe relatie hebben met hetgeen op de Worksheet, worden grijs gemaakt (velden uit Marketing.csv).
- Warning. Breng je toch een veld binnen de Worksheet zonder directe relatie? Dan krijg je een (te negeren) waarschuwing te zien. Vooral eens gaan uitproberen!
- Unified Tooltip. De tooltip van een pill wordt verrijkt met informatie over geldende relaties.
- Hide fields. Voorheen konden verborgen velden zichtbaar gemaakt worden als grijze velden (grey-out). Met de komst van de nieuwe functionaliteit, is dit vervangen door een icoon (een oog) achter de naam van het veld.

Many Usecases
Na de korte inleiding en de wijzigingen qua interface, stippen we hieronder enkele uitdagingen aan waar jij met Multi-Fact Relationships winst kan behalen:
De werkelijke omzet kunnen afzetten tegen het vastgestelde budget per product- en klantgroep.
Doordat een Tableau datamodel uit meerdere base tables kan bestaan, met relaties naar dezelfde dimensies, kun je twee of meer feitentabellen gemakkelijk combineren met meerdere dimensietabellen. De afbeelding illustreert de tekortkoming van de oude situatie, waardoor oplossingen werden gezocht in een circular relationship (dupliceren van dezelfde tabellen binnen één datamodel), het Joinen en opblazen van cijfers of de feitentabellen te combineren door een Union.

Het verschil in granulariteit oplossen bij de ontwikkeling van een KPI-overzicht met daarin onder andere verkoopcijfers (per dag), voorraden (per week) en marketingbudget (per maand).
Ga je cijfers opblazen om vervolgens met LOD-calculaties het juiste te kunnen tonen (nadelig voor performance) of kies je ervoor om alle feiten te combineren in een Union (minder beheersbaar)? Met Multi-Fact Relationships kun je komen tot een oplossing, gemakkelijker te begrijpen voor een analist.

Data is, ondanks een grote gemene deler, verspreid over meerdere Published Datasources, waardoor voor het beantwoorden van alle vragen altijd meerdere databronnen nodig zijn.
De inleiding gaf al een goed antwoord op waarom Multi-Fact Relationships bijdraagt aan een oplossing voor deze uitdaging. Hierdoor hoeft de analist geen databronnen meer te blenden, en behoudt de admin of data steward gemakkelijker grip op de beschikbare data.
Leads vanuit Online kanalen (Marketing) vergelijken met de totale verkoopcijfers (Sales orders) op productgroep niveau.
Een uitdaging voor de analist waarbij men in het verleden gebruik zou maken van Sets, Parameters en/of calculaties om tot het gewenste resultaat te komen. Met de komst van Multi-Fact Relationships is het filter for all facts, filter for specific facts ontstaan. Dimensies gedeeld door alle feitentabellen worden gefilterd over alle feitentabellen, voor dimensies zonder dat geldt het alleen voor de gerelateerde feitentabellen. Hiermee wordt het mogelijk om bijvoorbeeld ratio’s te realiseren en te analyseren met enkel een Quick Filter.

Many nuance
Kan en moet vanaf nu alles via Multi-Fact Relationships opgelost worden? En loont het om alle datasources om te gaan bouwen? Nee. We gaan Multi-Fact Relationships in perspectief plaatsen.
Daarvoor doen we eerst een stap terug in de flow van data binnen jouw organisatie en kijken we naar de wijze waarop data opgeslagen wordt. Want; Hoe wordt data beschikbaar gesteld voor analyse? Kan men aan de slag met platgeslagen views (stermodel al ontwikkeld), losse feiten- en dimensietabellen (stermodel nog te ontwikkelen) of in een hybride omgeving, daar waar beiden mogelijk zijn? Als gekozen is voor een oplossing, waarmee het datamodel (deels) in de analysetool opgebouwd kan worden, dan komen uiteraard Multi-Fact Relationships meer tot hun recht. Maar dit volstaat niet alleen.
Het analysevraagstuk speelt ook een grote rol. Eerder genoemde voorbeelden, zijn voorbeelden geschreven voor Multi-Fact Relationships. Maar er zijn ook legio voorbeelden, waarbij Multi-Fact Relationships niet de meest voor de hand liggende oplossing is. Denk aan al die analyses waarbij het niet nodig is om verschillende (feiten-) tabellen, met verschillende granulariteit, te combineren om te komen tot juiste antwoorden. In deze gevallen volstaat een platgeslagen view of een Tableau datamodel met Joins. En met het oog op voorspelbaarheid en performance, vormt dit vaak ook de betere oplossing.
Daarbij zullen sommigen zich nu afvragen of de uitdagingen al niet opgelost konden worden zonder deze nieuwe uitbreiding. Denk bijvoorbeeld aan het combineren van feitentabellen middels een Union, om dit te verrijken met dimensietabellen, of door het blenden van verschillende (published) datasources, waarmee order-, voorraad- en marketingdata ook gecombineerd kunnen worden (op eenzelfde aggregatieniveau). Dat het al mogelijk was valt in veel gevallen niet te ontkennen.
De toegevoegde waarde van Multi-Fact Relationships zit met name op gebruiksgemak. Het opzetten en gebruiken van een complex datamodel wordt gemakkelijker, meer beheersbaar en begrijpelijker ten opzichte van eerder genoemde alternatieven. Het resultaat is dat men sneller, meer antwoorden kan verkrijgen vanuit één databron. Het werken met verschillende data, met verschillende granulariteit, zal voor de analist het kenmerkende drag-and-drop benaderen.
Onze conclusie
Tableau zet, zoals we gewend zijn, een grote stap om gebruikers meer vertrouwen te geven en transparantie te bieden in een gebied van data-analytics dat tot voorheen weggelegd was voor data engineers. Het gaat, onder de juiste omstandigheden (zie bovenstaand), drempelverlagend zijn en de kans op het succesvol (zelfstandig) werken met data vergroten. Dat maakt mij erg enthousiast over deze uitbreiding!
Ondanks mijn enthousiasme, wil ik toch eindigen met een oproep. Ik noem het niet voor niets drempelverlagend. Het is namelijk niet dat alle complexiteit wordt weggenomen. Sterker nog, het blijft ontzettend belangrijk goed na te denken over jouw analysevraag, de granulariteit van en relaties tussen tabellen, het efficiënt en toekomstbestendig samenbrengen van data en het blijven valideren van de uitkomsten in Tableau.