Skip navigation
2018

Topic giới thiệu các dạng chart cơ bản được Tableau cung cấp để phân tích dữ liệu. Qua topic này các bạn sẽ biết được cách sử dụng các chart cũng như khi nào cần sử dụng chúng.

 

 

Tableau chart.png

 

 

 

Phần 1 của Topic sẽ giới thiệu 12 dạng chart đầu tiên

 

1. Text tables
2. Heat maps
3. Highlight tables
4. Simbol maps
5. Filled maps
6. Pie charts
7. Horizontal bars
8. Stacked bars
9. Side - by - side bars
10. Tree maps
11. Circle views
12. Side-by-side circles

 

1. Text tables

Text tables
dùng để hiển thị một bảng dữ liệu (dạng như crosstab hoặc pivot). Bạn kéo Dimension hoặc measure mà bạn muốn xem dữ liệu vào row và column. Sau đó bạn click vào Show me chọn Text tables

 

 

Tableau text tables chart.png

 

 

Bạn thu được một Text tables

 

 

Tableau text tables.png

 

 

2. Heat maps

Heat maps
(bản đồ nhiệt) là một biểu đồ gồm hai chiều trong đó các giá trị được thể hiện bằng màu sắc. Nó như một bảng tóm tắt các thông tin giúp người dùng nắm bắt thông tin một cách nhanh chóng.

 

Bạn có thể tạo một heat maps trên tableau bằng cách kéo một hoặc nhiều dimension vào column và row để tạo thành 2 chiều dữ liệu.

Sau đó kéo Measure vào Color hoặc Size để xem độ lớn của dữ liệu. Tiếp theo click vào Show me và chọn Heat maps

 

tableau heatmap chart.png

 

 

Ví dụ: Bạn tạo một Heat maps xem dữ liệu Doanh thu (Sales) và Lợi nhuận (Profit) của dòng sản phẩm (Category) và tỉnh (Province).

 

 

Tableau heat maps.png

 

 

Dựa vào Heat maps trên bạn có thể thấy được lợi nhuận của Hàng điện tử ở Hà Tĩnh là lớn nhất, tiếp theo là Thành phố HCM, đồng thời dựa vào độ lớn của những hình chữ nhật bạn cũng có thể thấy rằng doanh thu của Hàng điện tử ở TP Hồ Chí Minh là cao nhất.

 

Với một lượng dữ liệu lớn, bạn chỉ cần sử dụng Heat Maps là có thể dễ dàng phát hiện những vùng dữ liệu lớn (hoặc nhỏ) trong kho dữ liệu của bạn.

3. Highlight Tables

Highlight Tables
là một dạng giống với Heat Maps dùng để hiển thị dữ liệu qua màu sắc nhưng Highlight tables hiển thị dữ liệu chi tiết thay vì hiển thị hình chữ nhật như Heat maps.

 

Để tạo một Highlight tables bạn cũng thực hiện tương tự như Heat maps, bạn kéo các dimension vào column và row, kéo Measure vào color, sau đó click vào Show me và chọn Highlight tables

 

tableau highlight chart.png

 

Bạn có Highlight tables

 

 

Tableau Highlight.png

 

 

4. Symbol maps

 

5. Filled maps

 

Symbol Maps và Filled Maps là hai dạng bản đồ được Tableau cung cấp. Bạn có thể hiển thị dữ liệu của bạn lên bản đồ địa lí theo quốc gia, vùng, tỉnh, quận/huyện, điểm.

 

Điểm khác nhau giữa Symbol maps và Filled maps là:

  • Symbol maps: Hiển thị vùng theo dạng Marker (điểm)
  • Filled maps: Hiển thị vùng dạng phủ màu lên toàn vùng đó.

6. Pie charts

Là một dạng biểu hình tròn bao gồm nhiều phần. Pie charts thường dùng để thể hiện tỷ trọng đóng góp (%) của các đối tượng con vào số tổng.

 

Để tạo Pie charts trên tableau, bạn kéo Measure vào Size, dimension vào Color sau đó click vào Show me và chọn dạng Pie chart

 

Tableau chart.png

 

 

Ví dụ bạn tạo một Pie chart thể hiện tỷ trọng đóng góp của các dòng sản phẩm vào lợi nhuận tổng

 

 

Tableau Pie chart.png

 

7. Horizontal bars

Horizontal bars
là một dạng biểu đồ hình cột quen thuộc, dạng này được dùng để so sánh các đối tượng dữ liệu với nhau.

 

Để tạo Horizontal bars trong Tableau, bạn kéo một hoặc nhiều dimension vào column hoặc row, measure vào column hoặc row. Sau đó bạn vào Show me, chọn dạng chart là Horizontal bars

 

upload_2015-8-7_14-4-43.png

 

Ví dụ: Bạn tạo một horizontal bar để so sánh doanh thu giữa các tỉnh với nhau

 

 

 

tableau bar.png

 

 

8. Stacked bars

Stacked bars là một dạng biểu đồ hình cột như Horizontal bars nhưng mỗi cột nó có nhiều phần xếp lên nhau, vì vậy ngoài việc có thể so sánh dữ liệu các cột với nhau, bạn còn thể hiển thị thêm một chiều thể hiện chi tiết thành phần của mỗi cột.

 

Để tạo một Stacked bars trong Tableau bạn kéo dimension vào Columns, measure và rows tạo thành một horizontal bar, sau đó để tạo các stack, bạn kéo thêm một dimension vào color. Sau đó bạn chọn loại chart là Stacked bars

 

 

 

tableau stacked bars.png

 

 

Ví dụ: Bạn tạo một Stacked bars so sánh doanh thu của các Dòng sản phẩm, đồng thời xem chi tiết trong mỗi dòng sản phẩm thì tỉ lệ đóng góp doanh thu của các vùng như thế nào.

 

 

 

tableau stacked bars chart.png

 

9. Side - by - side bars

Side - by - side bars là một dạng biểu đồ hình cột để so sánh nhiều đối tượng dữ liệu trên một không gian làm việc.


Để tạo Side - by - side bars trên Tableau, bạn thực hiện tương tự như Stacked bars ở trên, nhưng bạn chọn dạng chart là Side - by - side bars

 

 

 

tableau side by side.png

 

Ví dụ: Bạn tạo một Side - by - side bars so sánh doanh thu các khu vực với nhau, trong mỗi khu vực bạn có thể thấy được doanh thu chênh lệch của các dòng sản phẩm.

tableau side by side bar.png

10. TreeMaps

Treemaps
là một dạng biểu đồ biểu diễn dữ liệu thành các hình chữ nhật, kích thước của mỗi hình chữ nhật thể hiện độ lớn của đối tượng. Bạn có rất nhiều đối tượng dữ liệu vậy bạn muốn xem những đối tượng nào đang chiếm tỉ trọng cao, dùng Treemaps để xem điều này.

 

Để tạo Treemaps trên Tableau, bạn kéo dimension vào column, measure vào row. Sau đó bạn vào Show me, chọn dạng chart là Treemaps

 

 

tableau tree map.png

 

 

Ví dụ: Bạn dùng Treemaps để xem số liệu doanh thu của các sản phẩm, trong dòng sản phẩm Nội thất thì những sản phẩm nào chiếm tỉ trọng cao nhất.

 

tableau treemap.png

11. Circle views


Circle views
là một dạng biểu đồ bao gồm nhiều hình tròn thể hiện độ phân tán dữ liệu của bạn.
Để tạo Circle views trong Tableau, bạn kéo dimension và measure vào column và row, kéo measure vào color. Bạn vào Show me, chọn loại chart là Circle views

tableau circle.png

Ví dụ: Bạn xem mức độ phân tán doanh thu của các sản phẩm, dựa vào circle views, bạn có thể thấy được doanh thu của mỗi dòng sản phẩm tập trung ở khoảng nào, trong đó có những sản phẩm nào vượt quá khoảng trung bình cần lưu ý.

 

circle views.png

12. Side - by - side circle


Side - by - side circle
tương tự như Circle views, nhưng nó cung cấp cho bạn một cách nhìn khác.

 

Để tạo Side - by - side circle trong tableau, bạn kéo 2 dimension vào column và measure vào row. Vào Show me chọn Side - by - side circle

side - by - side circle.png

Ví dụ: Bạn tạo một side - by - side circle để xem lợi nhuận của các dòng sản phẩm ở các vùng.

 

tableau side by side circle viê.png

 


Với chart trên bạn có thể phát hiện được dòng sản phẩm Nội thất bán ở Miền Bắc bị lỗ và dòng sản phẩm Điện lạnh bán ở miền Tây Nam Bộ đạt doanh thu cao nhất

Chúng tôi liên tục gây ấn tượng bởi câu chuyện của khách hàng thúc đẩy sự đổi mới và tạo ảnh hưởng với dữ liệu. Kimberly-Clark , nhà cung cấp các sản phẩm chăm sóc cá nhân của Fortune 500, sử dụng Tableau kết hợp với kho dữ liệu của Amazon Redshift từ AWS và Panoply để thúc đẩy phân tích bán lẻ tự phục vụ ở quy mô lớn.

 

Ở châu Âu, dữ liệu thương mại điện tử của công ty đến từ nhiều vùng và nguồn dữ liệu rời rạc. Nhóm phân tích EMEA có trách nhiệm quản lý nó, nhưng các hệ thống kế thừa của họ không cung cấp sự linh hoạt cần thiết để giải quyết nhanh các câu hỏi đến họ và yêu cầu phân tích số liệu đáng kể. Lựa chọn sử dụng Tableau trên Panoply đã là một trò chơi thay đổi, tiết kiệm cho công ty 250.000 USD trong hai năm và lên đến tám giờ mỗi tuần, trong khi cũng đặt sức mạnh của phân tích dữ liệu an toàn trong tay nhiều hơn nữa. Đối với nhóm phân tích, lợi ích đã tăng đáng kể với thời gian thu được nhiều hơn để giải thích dữ liệu so với việc chi tiêu hàng giờ vô tận.

 

Kimberly-Clark tiết kiệm được hàng ngàn đô la, mà không làm mất nguồn tài nguyên

 

Hỏi Helena Carre, Giám sát Omnichannel của EMEA tại Kimberly-Clark, về nền tảng Tableau đang chạy trên Panoply và cô ấy sẽ nói với bạn rằng nó giống như có "siêu quyền lực phân tích".

 

Carre dành phần lớn thời gian của mình đắm mình trong dữ liệu, dẫn đầu nhóm phân tích EMEA Analytics. Dữ liệu thương mại điện tử của Kimberly Clark bắt nguồn từ 15 khu vực khác nhau, được tổng hợp từ nhiều nguồn khác nhau.

 

Khu vực EMEA đa dạng có các SKUs khác nhau và mô tả mặt hàng cho từng nhà bán lẻ. Nhóm cũng thu thập và phân tích dữ liệu người tiêu dùng từ nhiều nguồn nội bộ (bao gồm dữ liệu về chi tiêu bán hàng và tiếp thị), các nguồn bên ngoài (như SimilarWeb và Nielsen) và các ứng dụng web. Kết hợp những SKUs với dữ liệu bị đúc và trùng lặp các điểm dữ liệu vốn có trong các hệ thống kế thừa bao gồm phân tích kệ kỹ thuật số và nền tảng dựa trên nền web và cảnh quan của chúng khá bão hòa.

 

Đó là nhiệm vụ quan trọng để tìm ra một giải pháp nhanh nhẹn. Nhóm của Carre đã chọn sử dụng giải pháp lưu trữ dữ liệu thông minh dựa trên AI của Panopy kết hợp với Tableau. Sự kết hợp mạnh mẽ này đã giúp nhóm lưu trữ hơn 400 giờ trong một năm, tương đương với gần một phần tư triệu đô la, đồng thời cho phép truy cập dữ liệu tự động, an toàn cho nhiều chuyên gia trong tổ chức. Giờ đây, họ dành ít thời gian thu thập và lướt qua dữ liệu và có thêm thời gian để diễn giải nó. Điểm mạnh kết hợp của Tableau và Panoply cũng mang lại cho họ một "sân chơi" nơi họ có thể điều chỉnh các bộ dữ liệu để phát hiện ngẫu nhiên.

 

Carre cho biết: "Việc sử dụng Tableau trên Panoply là giải pháp tốt nhất có thể cho đội của tôi. "Nó mang lại cho tôi những điều tôi cần - tốc độ, tự động hóa, hiệu quả, linh hoạt - mà không thổi ngân sách của tôi, tăng số lượng nhân viên của tôi. Nó tiếp tục là một bổ sung tuyệt vời cho các nguồn lực hiện có của tôi. "Các tính năng mới giúp cho nhóm có thể dễ dàng so sánh hiệu suất theo cách lưu trữ (tức là trực tuyến, cửa hàng, định dạng nhanh, superstore ...). Ví dụ về số liệu hiệu suất được phân tích bao gồm: giá cả và khuyến mại, quy mô gói, thị phần và tăng trưởng.

 

Mở rộng khả năng phân tích mà không yêu cầu nhiều nhân viên

 

Carre và nhóm của cô hỗ trợ Kimberly-Clark bằng cách báo cáo về sự chia sẻ thị trường, độ co giãn giá cả và xu hướng tiêu dùng. Vì những bộ dữ liệu phức tạp và phức tạp của công ty, Carre thường gọi các nguồn lực CNTT để giúp các truy vấn thiết kế và quy trình ETL cho các câu hỏi về tình báo kinh doanh trước khi cô có thể hình dung chúng trong Tableau. Mặc dù quá trình này đã hoạt động nhưng nó không đủ nhanh để họ có thể nhanh chóng trả lời các câu hỏi kinh doanh đòi hỏi.

 

Giải pháp Tableau on Panoply giải quyết nhu cầu phân tích số liệu và phân tích của nhóm Carre, và đã cứu công ty này một khoảng thời gian và số lượng lớn người lao động. Chẳng hạn, chỉ trong một báo cáo bán lẻ khu vực, nhóm đã tiết kiệm tám giờ mỗi tuần - tương đương với 250.000 đô la mỗi hai năm, như được đề cập ở trên. Báo cáo này là một ví dụ về "lợi tức đầu tư lớn của Kimberly Clark" mang lại những năng lực mới mà không cần thêm một Nhà phân tích Kinh doanh khác vào nhóm hoặc trải qua các quá trình thu thập hoặc phát triển khách hàng dài.

 

Bạn biết đấy, dữ liệu khảo sát thường rất phức tạp, với nhiều fields thể hiện với nhiều giá trị ý nghĩa riêng. Chúng tôi đã khảo sát các dữ liệu này với quy mô lớn nhỏ, theo nhiều mục đính khác nhau. Từ đây, chúng tôi có một cách thức chung giúp xử lý dữ liệu để phân tích trong Tableau.

 

Trong bài viết này chúng tôi sẽ hướng dẫn bạn một số cách định hình lại bộ dữ liệu, để phân tích dễ hàng hơn ở Taleau.

 

Bước 1: Thông thường, dữ liệu khảo sát được định dạng sao cho mỗi hàng tương ứng với một người trả lời và một cột tương ứng với mỗi câu hỏi. Điều này dẫn đến kết quả là chúng tôi muốn gọi dữ liệu này là dữ liệu ‘short and fat’,khi đó hàng là người trả lời, nhưng nhiều cột cho tất cả các câu hỏi. Tuy nhiên, Tableau thích dữ liệu đó là ‘tall and thin’. Để tuân thủ tùy chọn này, chúng tôi cần xoay dữ liệu để chúng tôi sẽ có ít cột hơn và nhiều hàng hơn.

 

Khi bạn xoay dữ liệu của mình, bạn muốn giữ bất kỳ Dimensions nào - nghĩa là các trường bạn muốn ‘slice and dice’ ra khỏi trục quay để chúng được lưu trữ dưới dạng các cột riêng biệt không phụ thuộc vào các dimensions là 'Câu hỏi'. Với dữ liệu điều tra, điều này có xu hướng là bất kỳ thông tin nhân khẩu học nào về người trả lời của bạn. Ví dụ: độ tuổi, giới tính, quốc gia, v.v ...

 

upload_2018-3-15_16-59-43.png

 

Điều này dẫn đến nhiều cột của bạn được chuyển đổi thành hai 'Pivot Field Names' (đổi tên thành Questions) và 'Pivot Field Values' (đổi tên thành Responses).Số lượng này nhân với số lượng hàng ban đầu trong nguồn dữ liệu của bạn bằng số câu hỏi có trong trục chính.Bây giờ, mỗi hàng trong bộ dữ liệu tương ứng với một câu hỏi cho mỗi người trả lời.

 

upload_2018-3-15_16-59-57.png

 

Thường có những câu trả lời 'không', có nghĩa là một bị đơn đã không trả lời câu hỏi. Bạn nên áp dụng một bộ lọc nguồn dữ liệu để loại trừ những điều này sao cho mỗi bản ghi đều tương ứng với câu trả lời cho mỗi câu trả lời.

 

Bạn có thể tìm hiểu thêm về xoay dữ liệu của bạn trong Tableau với Pivot dữ liệu trong Tableau này.

 

Bước 2: Làm sạch dữ liệu để phân tích:

 

Sau khi xoay dữ liệu, công việc khó khăn đã kết thúc! Bây giờ nó chỉ là vấn đề làm sạch bộ dữ liệu để phân tích là dễ dàng nhất có thể.

 

Một trong những bước đầu tiên tôi thực hiện là sao chép trường phản hồi và thay đổi kiểu dữ liệu thành số. Thao tác này sẽ chuyển đổi bất kỳ phím trả lời số (như xếp hạng) thành các biện pháp . Điều này làm cho nó dễ dàng hơn để tính toán, chẳng hạn như tính trung bình máy tính, ví dụ.

 

upload_2018-3-15_17-3-26.png

Một bước khác là nhóm các câu hỏi có các phím trả lời tương tự (như câu hỏi xếp hạng, thang đo Likert, có / không, v.v.).Điều này làm cho việc phân tích các câu hỏi cùng loại bằng cách sử dụng trường 'Question Type' và 'Questions' trên các kệ bộ lọc.

 

upload_2018-3-15_17-3-49.png

 

 

Bước 3: Bắt đầu phân tích bộ dữ liệu Khảo sát của bạn

 

Ngay khi dữ liệu có hình dạng phù hợp để phân tích trong Tableau, việc dễ dàng tạo các loại hình hình ảnh khác nhau và tương tác với chúng trong bảng điều khiển rất dễ dàng. Với một cú nhấp chuột vào 'use as filter', một viz ngay lập tức sẽ trở thành một bộ lọc cho phần còn lại của bảng điều khiển; và với bộ lọc nhanh , bạn có thể chop và thay đổi câu hỏi bạn đang xem phản hồi.

 

Mẫu Dashboard sau:

 

upload_2018-3-15_17-4-7.png

a.png

Công cụ Web Scraping của UiPath có thể trích xuất gần như bất kỳ loại dữ liệu nào từ các trang web và các ứng dụng web.

 

Scraping HTML là dễ dàng và chỉ cần một vài cú nhấp chuột.

 

Dưới đây là các bước cần thiết để nhanh chóng thực hiện việc này:

 

1. Pull up một page

Bước đầu tiên của quá trình này là chỉ cần kéo lên trang bảng HTML bạn muốn scrape.

 

2. Run Web Scraping

Đi đến Design menu và click Web Scraping.

 

upload_2018-3-6_8-31-14.png

 

Thao tác này sẽ kéo Extract Wizard. Bấm next.

 

3. Bảng HTML sẽ tự động phát hiện

Dưới đây là ví dụ về Danh bạ Google. Khi Recorder hoạt động (con trỏ bằng tay màu xanh), nhấp vào ô đầu tiên của bảng.

 

upload_2018-3-6_8-34-48.png

 

Đó là tất cả những gì bạn phải làm. Trình ghi sẽ tự động phát hiện loại dữ liệu bạn đang cố gắng trích xuất. Trong trường hợp này, dữ liệu ở định dạng bảng HTML.

 

upload_2018-3-6_8-35-52.png

 

Click Yes

 

4. Xem trước dữ liệu trước khi xuất

 

Điều này sẽ kéo lên một bản xem trước của dữ liệu được trích xuất. Bạn có thể đặt số kết quả sẽ được trích xuất. Nếu bạn muốn trích xuất tất cả dữ liệu từ bảng bạn có thể đặt số là 0.

 

upload_2018-3-6_8-37-21.png

 

5. Setup khoảng trang

 

Nếu bảng kéo dài nhiều trang, trình webscraper sẽ tiếp tục nắm bắt dữ liệu cho đến khi kết thúc bảng. Nhấp vào Yes và nhấp vào nút Next theo để cho phép tự động hóa chuyển sang một trang khác.

 

upload_2018-3-6_8-39-24.png

 

6. Đó là nó! Một khi bạn đã hoàn tất, bạn có thể chạy tự động hóa.

 

Tệp sẽ được trích xuất trong một bảng dữ liệu và cũng được lưu ở định dạng CSV. Bạn có thể kéo nó lên qua bảng điều khiển Workspace. Nhấp chuột phải vào Workflow mà bạn đang làm việc và nhấp vào Open Containing Folder.

 

upload_2018-3-6_8-40-40.png

1. DATEADD Function

 

DATEADD(date_part, interval, date)

 

- Hàm DATEADD cho phép bạn chỉ định một số ngày và tăng nó. số lượng mà chỉ đơn giản là bạn sử dụng trong khoảng thời gian này có thể sửa đổi ngày bằng cách tăng date_part.

 

- Ví dụ: DATEADD(‘day’, 15, #2014-09-15#) = 2014-09-30 12:00:00 AM

 


upload_2018-3-23_9-18-12.png

 

2. DATEDIFF Function

 

DATEDIFF (date_part, date1, date2, start_of_week)

 

- Hàm Date này cho phép bạn thấy sự khác biệt giữa date1 và date2 thể hiện trong các đơn vị được xác định bởi date_part. Tham số start_of_week không bắt buộc và nếu nó không được phác thảo, thì điểm bắt đầu của the week được thiết lập bởi nguồn cung cấp thông tin liên quan.

 

- Ví dụ: DATEDIFF(‘day’, #2014-09-15#, #2014-09-20#) = five
upload_2018-3-23_9-18-48.png

 

3. DATENAME Function

 

DATENAME(date_part, date, [start_of_week])

 

- Bạn có thể sử dụng hàm Date này để thấy tham số date_part của date như là một chuỗi. Một lần nữa, tham số start_of_week là không bắt buộc.

 

- Ví dụ: DATENAME(‘month’, #2014-09-01#) = “September”
upload_2018-3-23_9-19-12.png

 

4. DATEPARSE Function

 

DATEPARSE(format, string)

 

- Hàm Date này chủ yếu hoạt động trong phạm vi đảo ngược của DATENAME bằng cách thay đổi một chuỗi thành một date/time cùng với định dạng cụ thể của bạn. Nếu chuỗi không khớp với định dạng date/time, thì nó sẽ có giá trị của Null.

 

- Ví dụ: DATEPARSE(“dd.MMMM.yyyy”, “29.September.2014”) = #September twenty nine, 2014#
upload_2018-3-23_9-21-34.png

 

5. DATEPART

 

DATEPART(date_part, date, start_of_week)

 

- Hàm DATEPART cho phép bạn xem một date_part cụ thể dưới dạng kết hợp số nguyên. Một lần nữa, các tham số start_of_week là không bắt buộc.

 

- Ví dụ: DATEPART(‘year’, #2014-09-30#) = 2004
upload_2018-3-23_9-21-53.png

 

6. DATETRUNC

 

DATETRUNC(date_part, date, start_of_week)

 

- Hàm Date này cắt ngắn ngày để tính chính xác của date_part mà chỉ đơn giản là bạn chỉ định trong phép tính. Nói cách khác, nó quay về date_part đó.

 

- Nếu start_of_week bị bỏ qua, thì nó được xác định bởi việc cung cấp thông tin.

 

- Ví dụ: DATETRUNC(‘quarter’, #2014-09-29#) = 2014-07-01 12:00:00 AM

 

upload_2018-3-23_9-23-31.png

 

7. DAY Function

 

DAY(date)

 

- Hàm Date này trả lại ngày kể từ date yêu cầu như là một số nguyên liên kết.

 

- Ví dụ: DAY(#09-29-2014#) = twenty nine
upload_2018-3-23_9-23-53.png

 

8. ISDATE Function

 

ISDATE(string)

 

- Trả về true nếu một chuỗi cho trước là một ngày hợp lệ.

 

- Ví dụ: ISDATE(“September twenty-nine, 2014”) = true
upload_2018-3-23_9-24-18.png

 

9. MAX Function

 

MAX(expression) or MAX(expr1,expr2)

 

- Trả về mức tối đa của một biểu thức trên tất cả các bản ghi hoặc tối đa 2 biểu thức cho mỗi bản ghi. 2 đối số phải được sắp xếp không đổi. Hàm date này trong tableau có thể có giá trị NULL nếu đối số là NULL.

 

- Ví dụ: MAX(#2014-09-15#,#2014-10-15#) = 2014-10-15 12:00:00 AM
upload_2018-3-23_9-25-4.png

 


10. MIN Function

 

MIN(expression) or MIN(expr1,expr2)

 

- Trả về mức tối thiểu của một biểu thức trên tất cả các bản ghi hoặc tối thiểu 2 biểu thức cho mỗi bản ghi. MIN trả về giá trị NULL nếu một trong hai đối số là NULL.2 đối số phải là một loại hằng số.

 

- Ví dụ: MIN(#2014-09-15#,#2014-10-15#) = 2014-09-15 12:00:00 AM
upload_2018-3-23_9-25-34.png

 

11. MONTH

 

MONTH(date)

 

- Hàm Date này trả lại tháng của date yêu cầu như là một số nguyên liên kết, tương tự như phép tính DAY sẽ cho ngày.

 

Ví dụ: MONTH(#09-29-2014#) = nine

upload_2018-3-23_9-28-57.png

 

12. NOW

 

NOW()

 

- Trả về Ngày và Thời gian hiện tại.

- Ví dụ: NOW() = 2014-11-07 12:00:00 AM

 

 

upload_2018-3-23_9-29-37.png

 

13. TODAY

 

TODAY()

 

- Trả lại Ngày hiện tại

 

- Ví dụ: TODAY() = 2014-11-07

 

upload_2018-3-23_9-31-8.png

 

14. YEAR

 

YEAR(date)

 

- Hàm Date này trả về Year của date yêu cầu như là số nguyên liên kết.

 

- Ví dụ: YEAR(#09-29-2014#) = 2014

upload_2018-3-23_9-31-37.png

 

15. MAKEDATE

 

MAKEDATE(year,month,day)

 

- Trả về giá trị date được xây dựng từ năm, tháng và ngày của tháng.

 

- Ví dụ: MAKEDATE(2004, 4, 15) = #April 15, 2004#

 

upload_2018-3-23_9-31-56.png

 

16. MAKEDATETIME

 

MAKEDATETIME(date, time)

 

- Trả về một datetime kết hợp một ngày và thời gian.

 

- Ví dụ: MAKEDATETIME("1899-12-30", #07:59:00#) = #12/30/1899 7:59:00 AM#

 

upload_2018-3-23_9-32-17.png

 

17. MAKETIME

 

MAKETIME(hour, minute, second)

 

- Trả về một giá trị date xây dựng từ các quy định giờ, phút và giây.

 

- Ví dụ: MAKETIME(14, 52, 40) = #14:52:40#

upload_2018-3-23_9-32-55.png

Sử dụng Sample - Superstore thực hiện ví dụ này.

 

Bước 1: Tạo 1 chart như hình vẽ. Kéo Sub - Category vào Rows, Order Date vào Columns => chọn Month. Tại thẻ Marks, Kéo Sales vào Text.

 

upload_2018-3-27_14-3-7.png

 

Bước 2: Vào Create Calculated Field, tạo công thức:

 

upload_2018-3-27_14-9-20.png

 

Bước 3: Kéo Min or Max vào Color. Click phải vào field Max or Min => Compute Using => Table (down).

 

upload_2018-3-27_14-11-52.png

 

Bước 4: Tại thẻ Marks chọn kiểu chart Bar. Ở Columns, tạo 1 công thức như hình bên dưới => click phải vào field WINDOW_AVG(1) => Compute Using => Table (down).

 

upload_2018-3-27_14-15-58.png

 

Bước 5: Click phải vào Axis => Edit Axis

 

upload_2018-3-27_14-21-42.png

 

Sau khi cửa sổ Edit Axis hiện lên, chọn như hình bên dưới:

 

upload_2018-3-27_14-23-29.png


Kết quả:

 

upload_2018-3-27_14-25-3.png

 

Chúc bạn thành công!