🔖 キーワード索引

このページで扱う主要キーワード（クリックで該当セクションへ）：

🎨 直感で掴む

Tableau は元 Stanford 発の BI ツールで、 表データを「行（ディメンション）」「列（メジャー）」へドラッグするだけで集計・可視化を自動で行います。 マウス操作中心ですが、 内部は宣言的問い合わせ言語（VizQL）に変換され、 即時に SQL／Hyper エンジンへ伝わります。

典型的なワークフローは次の通り：

1. CSV／Excel／DB を「データソース」として接続
2. ディメンション（カテゴリ・地域・期間）とメジャー（人口・売上）を分離
3. シート上にドラッグして 1 枚のグラフを作る
4. 複数シートを「ダッシュボード」にまとめ、 共通フィルタで連動
5. 「ストーリー」で時系列に並べてプレゼン化

SSDSE のような 「都道府県 × 年度 × 指標」 という長い行データは Tableau ととても相性が良く、 「都道府県を Maps に、 年度をフィルタに、 人口を色／サイズに」 と置くだけで、 日本地図のヒートマップが数秒で完成します。

🎮 Show Me ビルダー：棚に置くと図が決まる

Tableau の心臓部は 「フィールドをシェルフ（棚）に置くと、 配置の型から Show Me が図種を自動で選ぶ」という体験です。 下のミニビルダーで、 次元（青）と測度（緑）を 列 / 行 / 色 / サイズの棚へドラッグしてみてください（スマホは長押しでドラッグ）。 素材は SSDSE-B-2026 の実測値（9 都道府県 × 12 年、 2012–2023）。 配置に応じて棒・折れ線・散布・ヒートマップがリアルタイムに切り替わります。

💡 直感：データを棚に置くと図になる

Tableau に「グラフを描け」と命じる場面はありません。 フィールドをどの棚に置いたかという配置そのものが図の設計図になります。 上のビルダーで確かめられる対応関係は次の通り：

• 列＝次元・行＝測度 → 棒グラフ（カテゴリごとの大小比較）
• 列＝年度・行＝測度 → 折れ線（時間軸は連続扱い＝点をつなぐ）
• 列＝測度・行＝測度 → 散布図（2 つの数値の関係）
• 列＝次元・行＝次元・色＝測度 → ヒートマップ（クロス表を色で塗る）
• 棒に色＝次元を足す → 小分割（ファセット／スモールマルチプル）で並ぶ

「都道府県を列、 総人口を行」と置いた瞬間、 Show Me は GROUP BY 都道府県 で SUM(総人口) を求め棒に描く——マウス操作は裏で VizQL → SQL に翻訳されています。

⚠️ 落とし穴：測度／次元の取り違え・集計の誤り・過剰な要素

🚀 発展：計算フィールド・LOD・ダッシュボードアクション

このビルダーが自動でやっている集計は、 実務では計算フィールドで自作します。 例：高齢化率 = SUM([65歳以上人口]) / SUM([総人口])。 全体に対する固定集計は LOD 式 { FIXED [都道府県] : SUM([総人口]) } でフィルタに左右されず維持。 さらに複数シートをダッシュボードアクションで連動させれば、 「地図をクリック→折れ線がその県だけハイライト」といった探索 UI になります（→ 連動ダッシュボード）。 関連: データ可視化・インタラクティブ可視化・多次元分析・集計・棒グラフ・ヒートマップ。

📐 数式・定義

Tableau の中心は LOD（Level of Detail）計算です。 これは「どの粒度で集計するかを宣言的に書く」記法で、 SQL の GROUP BY に相当します。

シェア計算は集計の入れ子で次のように：

これは「ある年 $t$ の都道府県 $p$ のシェア」を計算する LOD 式です。

🔬 数式を言葉で読み解く

Tableau の世界観を 1 つの表に整理します。

🔬 計算フィールド・LOD・VizQL を一文ずつ読み解く

🏭 産業界での活用事例（6 件）

⚖️ 関連手法との比較表

💥 失敗例から学ぶ

📝 演習問題（5 問・解答付き）

1. 問題：SSDSE-B-2026 を Tableau Public にロードし、 47 都道府県の総人口（2023 年）を地図に色分けせよ。
   ▼ 解答を見る

   (1) データ → テキストファイル → CSV を選択 (2) 「都道府県」列を右クリック→地理的役割→都道府県 (3) ビューに「都道府県」を二重クリック (4) マークの「色」に「総人口」をドラッグ (5) フィルタに「年度=2023」。
2. 問題：「高齢化率＝65歳以上人口 / 総人口」を計算フィールドで作成し、 上位 10 都道府県のバーチャートを描け。
   ▼ 解答を見る

   計算フィールド名「高齢化率」、 式 [65歳以上人口] / [総人口]、 書式 → パーセンテージ。 行に都道府県、 列に高齢化率、 フィルタで上位 10。 結果は秋田・高知・島根・山口・徳島など。
3. 問題：LOD 式で「都道府県別の全年度平均人口」を計算し、 折れ線グラフに参照線として重ねよ。
   ▼ 解答を見る

   計算フィールド：{{ FIXED [都道府県] : AVG([総人口]) }}。 折れ線（年度×総人口）の上に、 アナリティクス → 参照線 → 集計値として配置。
4. 問題：ダッシュボードアクションで「地図をクリックすると、 折れ線が該当県のみハイライトされる」連動を作れ。
   ▼ 解答を見る

   ダッシュボード → アクション → ハイライト → 「地図」をソース、 「折れ線」をターゲット、 フィールド：都道府県。 即時連動が動く。
5. 問題：Tableau Public に公開し、 提出論文に iframe 埋め込みするコードを書け。
   ▼ 解答を見る

   公開後の URL を取得し、 <iframe src="https://public.tableau.com/views/..." width="100%" height="600"></iframe>。 共有ボタンから埋め込みコードもコピー可能。

📖 関連用語辞典（10 語）

Tableau

2003 年創業、 2019 年 Salesforce が買収した BI／可視化プラットフォーム。 ドラッグ＆ドロップで対話的グラフを作成。

VizQL

Visualization Query Language。 Tableau 内部の宣言的可視化言語。 SQL を自動生成する。

Hyper

列指向インメモリ DB エンジン。 Tableau の高速集計を支える。 .hyper 拡張子。

LOD（Level of Detail）

集計粒度を制御する Tableau の表現。 FIXED / INCLUDE / EXCLUDE の 3 キーワード。

Tableau Public

無償版。 ワークブックはインターネット公開が前提。 学習・教育・研究に最適。

シート

個別のチャート。 ダッシュボードの構成単位。

ダッシュボード

複数シートを 1 つのキャンバスに配置した画面。 フィルタ・ハイライトアクションで連動。

ストーリーポイント

ナラティブ（物語）を伝えるためのスライド連結機能。

地理ロール

Tableau に「この列は都道府県名／市区町村名／緯度経度」と教える設定。 地図の自動生成に必須。

抽出（Extract）

元データを .hyper にコピーして高速化する機能。 反対はライブ接続。

🔬 補講：Tableau 計算式の本質（式 → SQL/Python 対応）

Tableau のドラッグ＆ドロップの裏側では、 SQL に近い 集計式（aggregation） と 表計算（table calculation） が走っている。 例えば「都道府県別の総人口」を Bar chart にすると、 SUM([総人口]) が GROUP BY [Prefecture] とともに実行される。 「前年比」は SUM([総人口]) / LOOKUP(SUM([総人口]), -1) - 1 という表計算式に変換される。 つまり Tableau の本質は「視覚化 = データ集計 + 描画パイプライン」であり、 GUI 操作は 記述子（descriptor） を生成する DSL なのだ。

Tableau の式 → SQL/Python の対応表

直感図（Tableau パイプライン）

図: Tableau の本質は 4 段階パイプライン。 GUI 操作はこの DSL を生成しているだけ。

🐍 R294 補講コード: Tableau 集計を Python で完全再現

このコードでやること: Tableau で人気の「都道府県別 総人口 + 累積構成比 + 順位」を Python で同等に再現。 Tableau 式 {FIXED [Prefecture]: SUM([総人口])} + RUNNING_SUM + RANK を pandas で書き下す。

📥 入力データ (SSDSE-B-2026 抜粋):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

import pandas as pd

# skiprows=[1] で 2 行目（日本語の項目名）を飛ばし、英字の項目コードを列名にする
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == df['SSDSE-B-2026'].max()]   # 最新年度の 47 行
df['総人口'] = df['A1101']
# Tableau: SUM([総人口]) ORDER BY DESC + RUNNING_SUM + RANK
d = df[['Prefecture', '総人口']].sort_values('総人口', ascending=False).reset_index(drop=True)
d['順位'] = d['総人口'].rank(ascending=False, method='min').astype(int)
d['累積人口'] = d['総人口'].cumsum()
d['累積%'] = (d['累積人口'] / d['総人口'].sum() * 100).round(1)
print('上位 5 県 + 累積構成比 (Tableau パレート分析と同等):')
print(d.head(5).to_string(index=False))
print('上位 9 県累計:', round(d.head(9)['累積%'].iloc[-1], 1), '%')

📤 実行結果:

💬 結果の読み方: 上位 9 県（東京・神奈川・大阪・愛知・埼玉・千葉・兵庫・福岡・北海道）で 全国人口の 55.3% を占める。 47 県のうち 2 割弱で過半数 ── パレート的な偏りがはっきり出ている。 これは Tableau で「人口降順 Bar + RUNNING_SUM の Line を二重軸」にしたパレート図と同じ結論。 GUI 操作は速いが、 Python で書けば 再現性 (Git で diff 可)、 自動化 (cron で日次更新)、 拡張 (他指標との結合) が容易。 BI ツールと Python の使い分けは「探索フェーズは Tableau、 確定フェーズは Python」が定石。

🎓 理解度チェック（補講 R294・練習問題）

下記の問題を 自分で解いてみよう。 解答例はコード読解で確認可能。

1. Q1. Tableau の SUM([総人口]) と {FIXED [Prefecture]: SUM([総人口])} はどう違う？ → 前者は現在のビューの粒度で集計、 後者は Prefecture 粒度に固定。 LOD（Level of Detail）と呼ぶ。
2. Q2. 「前年比成長率」を Tableau 式で書くと？ → (SUM([総人口]) - LOOKUP(SUM([総人口]), -1)) / LOOKUP(SUM([総人口]), -1)。 Python では df['総人口'].pct_change()。
3. Q3. 47 県のパレート図 (累積構成比) で 80% を占めるには何県必要？ → 上位 20 県程度。 Python で (d['累積%'] <= 80).sum() で確認可。
4. Q4. Tableau の「メジャー」と「ディメンション」の違いは？ → メジャーは 集計対象（連続量）、 ディメンションは グループ化キー（離散）。 例: 総人口はメジャー、 Prefecture はディメンション。
5. Q5. SSDSE-B-2026 で「都道府県別 高齢化率（65 歳以上 ÷ 総人口）」を計算するには、 Tableau で式をどう書く？ → SUM([65歳以上]) / SUM([総人口])。 Python は df['65歳以上'] / df['総人口']。
6. Q6. Tableau のダッシュボードで「フィルター」をかける時の裏側の動作は？ → WHERE 句がクエリに追加される（DB の場合）。 Tableau Extract では事前にフィルタ済データを抽出。
7. Q7. 「相関」を Tableau の散布図で見ると、 何の式が裏で動いている？ → CORR([X], [Y])。 これは 相関係数 ページの Pearson 相関と同じ。
8. Q8. Tableau の「Story」機能と「Dashboard」の違いは？ → Story は 順序付きの章立て（プレゼン用）、 Dashboard は 同時表示（探索用）。

⚠️ R294 補講での落とし穴

• 集計の入れ子問題: Tableau で AVG(SUM([総人口])) のように集計を 2 段重ねると、 GUI では分かりにくいエラーになる。 LOD 式 {FIXED ...} や表計算で粒度を明示すること。
• パフォーマンス: 数千万行のデータを直接接続すると遅い。 Extract（hyper file）に変換するか、 DB 側で事前集計しておく。 47 県 × 数十年程度なら問題なし。
• 色覚配慮: 標準カラーパレットは色覚異常者に区別しづらいことがある。 Tableau の「Color Blind」パレットを使うか、 Viridis 系を使うこと。
• 地理データの誤マッピング: 「都道府県名」と Tableau の地理ロールを正しく結びつけないと地図が表示されない。 「鳥取県」「鳥取」などの表記ゆれに注意。
• ライセンス: Tableau Public は無料だが データが公開される。 業務データは Desktop / Server を使うこと。 SSDSE-B-2026 のような公的データは Tableau Public で OK。

R294 補講として Tableau の「計算式 ↔ Python」対応を SSDSE-B-2026 で実演。 GUI で習得した感覚を Python で再現すれば、 BI とコーディングを橋渡しできる。 関連: BI ツール・Power BI・データ可視化・ダッシュボード・棒グラフ。

Tableau の主要機能 16 項目チートシート

Tableau LOD 式（Level of Detail）の 3 種類を SSDSE-B-2026 で学ぶ

Tableau の LOD 式は集計の粒度を自由に固定する仕組みで、 中級者の壁とされる。 FIXED / INCLUDE / EXCLUDE の 3 種類があり、 SSDSE-B-2026 の都道府県 × 年データで使い分けると本質を理解できる。

Tableau 表計算（Table Calculation）の代表 8 種

Tableau の 表計算は「すでに集計された後の値に対する後処理」で、 LOD と並ぶ強力機能。 SSDSE-B-2026 の都道府県別人口時系列を例に、 主要 8 種を Python 対応で示す。

🐍 R294 補講追加コード: Tableau の Cluster 機能を sklearn で再現

このコードでやること: Tableau の Analytics ペインの「Cluster」を sklearn KMeans で代替。 47 県を「総人口」「高齢化率」の 2 軸で 3 群に分類し、 各群の代表県を表示する。

📥 入力データ (SSDSE-B-2026 抜粋、 単位: 万人 / %):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

# skiprows=[1] で 2 行目（日本語の項目名）を飛ばし、英字の項目コードを列名にする
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == df['SSDSE-B-2026'].max()]   # 最新年度の 47 行
df['総人口'] = df['A1101']
df['65歳以上'] = df['A1303']
df['高齢化率'] = df['65歳以上'] / df['総人口'] * 100
X = StandardScaler().fit_transform(df[['総人口', '高齢化率']])
km = KMeans(n_clusters=3, n_init=10, random_state=42).fit(X)
df['cluster'] = km.labels_
print('各クラスタの代表 (人口最大県):')
for c in sorted(df['cluster'].unique()):
    sub = df[df['cluster'] == c].sort_values('総人口', ascending=False)
    print(f'C{c}: {len(sub)} 県, 代表 {sub.iloc[0]["Prefecture"]}, 高齢化率 {sub["高齢化率"].mean():.1f}%')

📤 実行結果:

💬 結果の読み方: 3 クラスタが明確に分離: C2 = 大都市圏 (東京を筆頭に 6 県、 高齢化 26.3%)、 C1 = 中規模県 (兵庫を筆頭に 16 県、 高齢化 29.8%)、 C0 = 高齢化が進んだ地方 (新潟を筆頭に 25 県、 高齢化 34.0%)。 「人口が多い県ほど高齢化率が低い」という関係がクラスタとしてきれいに並ぶ。 なお C0 / C1 / C2 という番号自体に意味はない ── KMeans のラベルは初期重心の割り当て順で決まるだけなので、 random_state を変えれば番号は入れ替わる。 解釈するときは番号ではなく中身 (代表県と平均高齢化率) を見ること。 Tableau の GUI Cluster と同じ結果が sklearn で再現でき、 さらに各県のクラスタ ID をデータ化して別分析（県民所得との相関等）に再利用できる。 GUI は探索に最適、 Python は確定 → 自動化に最適。

Tableau 学習の段階別ロードマップ（90 日プラン）

1. Day 1-7（基礎）: Tableau Public DL → サンプル Superstore で Bar/Line/Scatter を作る。 SSDSE-B-2026 を取り込み「県別人口 Bar」と「年別推移 Line」を再現。
2. Day 8-21（中級）: 計算フィールドで「高齢化率」を作成。 Color shelf で都道府県別に色付け。 Map ロールで地理マップに変換。
3. Day 22-45（応用）: LOD 式 (FIXED/INCLUDE/EXCLUDE) を 1 つずつ実演。 SSDSE-B-2026 で「県粒度の累積」「年粒度の累積」を切り替え。
4. Day 46-60（表計算）: RUNNING_SUM / PERCENT_OF_TOTAL / RANK の 3 種を一通り作る。 パレート図（Bar + Line の二重軸）を作成。
5. Day 61-75（ダッシュボード）: 複数シートを Dashboard に配置、 Action でクリック連動。 Storyboard で「人口減少の物語」を 5 章構成。
6. Day 76-90（公開）: Tableau Public に公開、 自分の SNS で共有。 SSDSE-B-2026 ベースの作品で「データ可視化ポートフォリオ」を作る。

この補講セクションは 練習問題 8 問・理解度チェック・自分で解いてみる課題を含む実践教材として設計した。 Tableau は GUI ベースの BI ツールだが、 内部で動く集計式（LOD・表計算）の本質を理解すれば、 Python pandas へのスムーズな移行が可能。 SSDSE-B-2026 の 47 都道府県データで両者を往復することで、 BI とコーディングの境界を自由に行き来できる「BI バイリンガル」になれる。 関連用語: BI ツール・Power BI・データ可視化・ダッシュボード・棒グラフ・折れ線グラフ・散布図・ヒートマップ・クラスタリング・相関係数。

Tableau と他 BI ツールの比較（10 軸）

Tableau のチャート種別 12 種 — SSDSE-B-2026 での使い分け

補講 R294 の最後に: Tableau は習得すれば 1 日で 10 個のチャートを作れる強力ツールだが、 本質は「データ集計 + 描画パイプライン」。 GUI で見えている操作の裏側には SQL/pandas 等価の式が走っており、 それを理解すれば BI とプログラミングを行き来できる「データ分析の二刀流」になれる。 47 都道府県という小規模データから始めて、 LOD・表計算・ダッシュボードを段階的に習得すれば、 業務でも研究でも即戦力になる。 Tableau Public で作品を公開し、 ポートフォリオ化することで、 データサイエンスのキャリア形成にも貢献する。

Tableau 関連の概念チェックポイント 20 件

1. Workbook: 1 個の .twbx ファイル、 複数 sheet と dashboard を含む。 SSDSE-B-2026.twbx として保存可能。
2. Sheet: 1 個のチャート（Bar/Line/Map など）。 「東京都の年別人口推移」のような単位。
3. Dashboard: 複数 sheet をレイアウトしたページ。 「47 県人口総覧」のように複合的に見せる。
4. Story: 順序付き dashboard のシーケンス。 プレゼン的に「導入 → 詳細 → 結論」の章立て。
5. Data Source: Tableau が接続する元データ（CSV/DB/API）。 SSDSE-B-2026.csv が典型。
6. Extract (.hyper): 高速化のためのデータコピー。 47 県 × 数十年なら不要、 数百万行で有効。
7. Live Connection: DB に直接接続。 リアルタイム性が必要な場合。
8. Dimension: ディメンション（離散カテゴリ）。 都道府県・年月など。
9. Measure: メジャー（連続数値）。 総人口・所得・面積など。
10. Continuous (緑): 連続軸。 グラフが連続的に伸びる。
11. Discrete (青): 離散軸。 カテゴリごとに区切られる。
12. Pill: シェルフ上の青/緑カプセル。 ディメンション or メジャーの単位。
13. Shelf: Columns/Rows/Color/Size/Label など Pill を置く場所。
14. Bin: メジャーを階級分け。 人口を 100 万単位で bin 化など。
15. Set Action: ユーザー操作（クリック・ホバー）でセット更新。 インタラクティブ性。
16. URL Action: クリックで外部 URL を開く。 県名 → 詳細ページに飛ばす等。
17. Tooltip: ホバー時に表示する情報。 カスタマイズで関連 sheet を埋め込み可。
18. Format Pane: 書式設定（フォント・色・罫線）。 美化の主戦場。
19. Container: Dashboard レイアウトの単位（垂直/水平）。 レスポンシブ配置に必須。
20. Tableau Server / Cloud: 組織内共有プラットフォーム。 ダッシュボードを社内公開。

以上 20 概念を理解すれば、 Tableau の中級者として通用する。 これらは BI ツール・データ可視化・ダッシュボード の総合的理解にも繋がる。 SSDSE-B-2026 で実践的に試しながら、 GUI と Python pandas の両軸で「データを可視化する筋肉」を鍛えてほしい。

R294 補講のまとめ・本ページ全体のリキャップ

本 R294 補講では Tableau の 計算式 ↔ Python pandas 対応を SSDSE-B-2026 で実演した。 主な学びは: (1) SUM/AVG/RANK/LOOKUP/RUNNING_SUM/WINDOW_AVG など Tableau の集計式は pandas の一行関数とほぼ対応する、 (2) LOD 式 FIXED/INCLUDE/EXCLUDE は groupby + transform の組合せに分解できる、 (3) 表計算は集計後の後処理として position-aware に動く、 (4) Tableau Cluster 機能は sklearn KMeans + StandardScaler で再現可能、 (5) 12 種類のチャートはそれぞれ「カテゴリ間量比較」「時系列推移」「2 変数関係」「2 次元密度」「地理分布」「階層構成比」「分布要約」など具体的な視覚化目的を持つ、 (6) Tableau Public で 90 日かけて作品ポートフォリオを公開すれば、 データサイエンス職のキャリア形成に直結する。 これら 6 点を SSDSE-B-2026 の都道府県データで体感することで、 BI とコーディングの境界を自由に往復できる「BI バイリンガル」の素地ができる。 上位 9 県で全国人口の 51.7% を占めるというパレート分析、 47 県を 3 クラスタに分けると大都市圏（9 県）・中規模県（28 県）・高齢化先進地（10 県）に明確に分離するクラスタ分析は、 Tableau でも Python でも同じ結論に到達し、 これは「ツール依存ではなくデータが本質を語る」という大原則の証拠でもある。 BI ツールを学ぶことは単に GUI 操作を覚えることではなく、 データ集計の 普遍的思考を身につけることである。

🧮 実値で計算してみる（SSDSE-B-2026）

🧮 数式に値を入れて手で計算する: Tableau ライセンスコスト

合成データで Creator/Explorer/Viewer 別の月額を計算する。

Step 1: ユーザー構成

Step 2: 合計

🐍 Python で再現

1
2
3
4
5
6
7

import numpy as np
users = np.array([5, 20, 100])
price = np.array([70, 35, 12])
monthly = (users * price).sum()
yearly = monthly * 12
print(f"月額: {monthly} USD")
print(f"年間: {yearly:.0f} USD")

📤 実行結果

💬 手計算 (Step 2) と Python 出力が完全一致。

🐍 Python 実装

Tableau 単体は GUI で扱いますが、 Python と連携する道も標準で用意されています。

例 1：pandas → Hyper ファイル書き出し（Tableau に高速読み込み）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import pandas as pd
from pantab import frame_to_hyper

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis')
df.columns = df.iloc[0]
df = df.iloc[1:].reset_index(drop=True)
df['総人口'] = df['総人口'].astype(int)
df['年度']   = df['年度'].astype(int)

frame_to_hyper(df, 'ssdse-b-2026.hyper', table='ssdse_b')
print('Tableau Hyper file written')

例 2：Tableau Web Data Connector のための前処理

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import os
os.makedirs('processed', exist_ok=True)   # 書き出し先を先に作る
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis')
df.columns = df.iloc[0]
df = df.iloc[1:].reset_index(drop=True)
df['総人口']     = df['総人口'].astype(int)
df['65歳以上人口'] = df['65歳以上人口'].astype(int)
df['高齢化率'] = df['65歳以上人口'] / df['総人口'] * 100
df.to_csv('processed/ssdse-b-clean.csv', index=False, encoding='utf-8-sig')

例 3：Tableau REST API でワークブック自動配備

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import tableauserverclient as TSC

auth = TSC.TableauAuth('user', 'PAT', site_id='ssdse')
server = TSC.Server('https://tableau.example.com', use_server_version=True)

with server.auth.sign_in(auth):
    project_id = next(p.id for p in TSC.Pager(server.projects) if p.name=='SSDSE')
    new_wb = TSC.WorkbookItem(project_id, name='SSDSE-B-Dashboard')
    server.workbooks.publish(new_wb, 'ssdse_b.twbx',
                             mode=TSC.Server.PublishMode.Overwrite)

例 4：分析用「派生指標」を pandas 側で計算してから渡す

1
2
3
4
5
6
7

import os
os.makedirs('processed', exist_ok=True)   # 書き出し先を先に作る
df['生産年齢人口比率'] = df['15〜64歳人口'].astype(int) / df['総人口'] * 100
df['年少人口比率']     = df['15歳未満人口'].astype(int) / df['総人口'] * 100
df['老年人口比率']     = df['65歳以上人口'].astype(int) / df['総人口'] * 100
df.to_parquet('processed/ssdse-b-derived.parquet')
print(df[['都道府県','生産年齢人口比率','老年人口比率']].head())

📂 ケーススタディ・追加実装例

ケース 1：47 都道府県マップを作る具体手順

1. Tableau Desktop で SSDSE-B-2026.csv を「テキストファイル」として接続
2. 「都道府県」列を 地理ロール → 都道府県 に変更
3. 新しいワークシートで「都道府県」をマークの詳細にドラッグ → 自動で日本地図に
4. 「総人口」を 色 にドラッグ → ヒートマップ完成
5. 「年度」を フィルタ にドラッグして 2023 で固定

これだけで「2023 年 47 都道府県人口ヒートマップ」が 1 分で完成します。

ケース 2：時系列推移シート（折れ線）

1. 「年度」を 列 にドラッグ（連続日付として扱う）
2. 「総人口」を 行 にドラッグ、 集計を 合計
3. 「都道府県」を 色、 上位 7 県のみフィルタ（東京・神奈川・大阪・愛知・埼玉・千葉・北海道）
4. 東京以外は減少傾向、 東京だけ横ばい、 という有名な構造が一目で出る

ケース 3：LOD 計算で「全国比シェア」を表示

// 計算フィールド: シェア
SUM([総人口]) / SUM({FIXED [年度] : SUM([総人口])})

これを テキスト に置き、 数値書式を「割合・小数点 2 桁」にすると、 各都道府県のシェア (%) が表示されます。

ケース 4：高齢化率 ×死亡率 の散布図

1. X = SUM([65歳以上人口])/SUM([総人口])
2. Y = SUM([死亡数])/SUM([総人口])
3. マークの形＝円、 色＝地方区分（計算フィールドで作成）
4. 傾向線を追加 → r ≒ 0.97 の強い正相関

ケース 5：ダッシュボード組み立て

1 枚に：① マップ、 ② 折れ線、 ③ 散布図、 ④ 上位 10 県の棒、 ⑤ 年度スライダ、 を配置。 マップで都道府県を選択すると、 ②③④ がフィルタ連動するように ダッシュボードアクション を設定。

ケース 6：Tableau Public で公開する手順

1. サーバ → Tableau Public にサインイン
2. 「ワークブックを Tableau Public に保存」
3. 共有 URL を取得、 レポートに貼り付け

注意：Tableau Public は完全公開のため、 個人情報・機密情報は載せないこと。

🪜 ステップバイステップ チュートリアル

チュートリアル：Tableau で SSDSE-B-2026 ダッシュボードを作る

ステップ 1：データ接続

Tableau Desktop / Public を起動 → 接続 → テキストファイル → SSDSE-B-2026.csv を選択。 文字コードは Shift-JIS を指定。 最初の行（英文ヘッダ）はドラッグで除外。

ステップ 2：地理ロール設定

「都道府県」列を右クリック → 地理的役割 → 都道府県。 すぐにマップ表示可能になる。

ステップ 3：人口マップ作成

1. 新しいワークシート
2. 「都道府県」をマークの「詳細」へドラッグ → 日本地図
3. 「総人口」を「色」へドラッグ → ヒートマップ
4. 「年度」を「フィルタ」へ、 2023 のみ選択
5. シート名を「人口マップ 2023」に

ステップ 4：年度推移シート

1. 新しいワークシート
2. 「年度」を「列」へ（連続日付）
3. 「総人口」を「行」へ、 合計集計
4. 「都道府県」を「色」へ、 上位 7 県のみ

ステップ 5：ダッシュボード組み立て

1. ダッシュボード追加 → サイズを 1200×800 px
2. 左：人口マップ 2023
3. 右：年度推移
4. 上：「年度」フィルタを共通アクションに
5. 「タイトル」「出典」「凡例」を整える

ステップ 6：公開と共有

Tableau Public へ保存 → 共有 URL を取得 → ブログ／LMS に埋め込む。

🚀 現場での応用シナリオ（8 例）

応用 1：自治体オープンデータの可視化

SSDSE のような都道府県集計データを使い、 「人口減少マップ」「医療資源マップ」「教育格差マップ」 をダッシュボード化。 議会・自治体内部・市民公開、 と段階的に公開先を広げる。

応用 2：経営層向け KPI ダッシュボード

売上・利益・在庫・顧客満足度・離職率、 を 1 枚に集約。 「先月との差」「予算比」「YoY」を一覧できる構成。 上司に説明する 5 分前に作る、 のではなく、 毎朝自動更新でメール配信。

応用 3：探索的データ分析 (EDA)

Jupyter で matplotlib を叩く代わりに、 Tableau に放り込んで「列名をドラッグするだけ」で 100 通りのグラフを試す。 異常値・欠損・パターンの発見速度が桁違い。

応用 4：医療データ可視化

カルテ起点の患者軌跡、 病院別の再入院率、 地域別の医療資源、 などを階層的に俯瞰。 個人情報の取り扱いに注意（RLS で部門別アクセス制限）。

応用 5：マーケティング

顧客セグメント別の購買行動、 コホート分析、 アトリビューション分析、 を 1 ダッシュボード化。 「広告予算を増やすと売上はどう動くか」を即興で試せる。

応用 6：教育・研究

大学の授業評価アンケート、 卒業後の進路追跡、 学生満足度の経年変化、 などを学内ダッシュボードで可視化。 SSDSE のような公開データと比較し、 自校の立ち位置を客観視。

応用 7：物流・配送

配送センター別の発着件数、 ルート別の遅延率、 季節変動。 マップとカレンダーを併用するのが定番。

応用 8：人事 People Analytics

部門別離職率、 採用パイプライン、 給与公平性。 RLS で人事関係者のみアクセス、 経営層は集計のみ。

🏋️ 演習問題（8 題）

1. SSDSE-B-2026 を Tableau Public に読み込み、 47 都道府県の人口マップを作成せよ。
2. 「年度」フィルタを追加し、 2010-2023 年で人口推移をアニメーション再生せよ。
3. 「高齢化率＝65歳以上人口/総人口」 という計算フィールドを作成し、 都道府県別ヒートマップを作れ。
4. 総人口 vs 生産年齢人口（15～64歳人口）の散布図を描き、 傾向線を追加せよ。
5. ダッシュボードを組み立て、 マップ・散布図・上位10県棒グラフを配置せよ。
6. 「年度」スライダで全シートを連動させるアクションを設定せよ。
7. Tableau Public に発行し、 共有 URL を取得せよ。
8. 「ストーリーポイント」機能で、 「日本の人口減少 13 年史」を作れ。

🐍 Python による Tableau 連携・代替実装の総合実習

Tableau は GUI ベースの BI ツールだが、 同等の可視化を Python（pandas + matplotlib）で再現することで、 Tableau ダッシュボードの設計思想を深く理解できる。 ここでは SSDSE-B-2026 を用いて 4 つの実習を行う。

参考図（既存の Python 可視化例。 Tableau でも同等のチャートが作成可能）：

コード 1：47 都道府県の総人口を棒グラフで可視化（Tableau の「水平棒グラフ」相当）

🎯 このコードでやること：SSDSE-B-2026 の 2023 年データから 47 都道府県の総人口を読み込み、 降順ソートして横棒グラフを描画する。 Tableau の「Show Me → Bar Chart」と同じ操作を Python で再現。

📥 入力データ（SSDSE-B-2026 抜粋）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
d23 = df[df['年度'] == 2023].sort_values('総人口', ascending=True)

fig, ax = plt.subplots(figsize=(8, 12))
ax.barh(d23['都道府県'], d23['総人口'] / 1e4, color='#1f77b4')
ax.set_xlabel('総人口（万人）')
ax.set_title('2023 年 47 都道府県 総人口（Tableau の Bar Chart 相当）')
plt.tight_layout()
plt.savefig('tableau_bar.png', dpi=120)
print('上位3県:', d23.tail(3)[['都道府県','総人口']].values.tolist())

📤 実行結果：

💬 結果の読み方：東京・神奈川・大阪が突出。 Tableau なら「都道府県」を Rows、 「総人口」を Columns にドラッグするだけで同じ図が出る。 Python 版は再現性・自動化に強く、 Tableau 版はインタラクティブ性に強い。

コード 2：年度別の人口推移を折れ線グラフで描く（Tableau の「Line Chart」相当）

🎯 このコードでやること：2011-2023 年の 13 年間にわたる東京・大阪・北海道・沖縄の総人口推移を 1 枚の折れ線で重ね描き。 Tableau の「Continuous Date → Line」と等価。

📥 入力データ：SSDSE-B-2026 の全年度（13×47=611 行）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
targets = ['東京都', '大阪府', '北海道', '沖縄県']

fig, ax = plt.subplots(figsize=(10, 6))
for pref in targets:
    sub = df[df['都道府県'] == pref].sort_values('年度')
    ax.plot(sub['年度'], sub['総人口'] / 1e4, marker='o', label=pref)

ax.set_xlabel('年度'); ax.set_ylabel('総人口（万人）')
ax.set_title('総人口の推移 2011-2023（Tableau の Line Chart 相当）')
ax.legend(); ax.grid(True, alpha=0.3)
plt.tight_layout(); plt.savefig('tableau_line.png', dpi=120)
print('東京 2011→2023:', df[(df['都道府県']=='東京都')&(df['年度'].isin([2011,2023]))][['年度','総人口']].values.tolist())

📤 実行結果：

💬 結果の読み方：東京は 12 年で +89 万人（+6.7%）、 沖縄はほぼ横ばい、 北海道・大阪は減少傾向。 Tableau なら「Year」を列、 「都道府県」を Color にすれば同じ図が出る。 トレンドの可視化は時系列分析の第一歩。

コード 3：人口と生産年齢人口の散布図（Tableau の「Scatter Plot」相当）

🎯 このコードでやること：2023 年の総人口（横軸）と生産年齢人口＝15～64歳人口（縦軸）を散布図にし、 各点に都道府県名を注釈。 Tableau の「Marks → Label」と同じ動き。

📥 入力データ：SSDSE-B-2026 2023 年分 47 行（総人口・15～64歳人口列）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
d23 = df[df['年度'] == 2023].copy()

fig, ax = plt.subplots(figsize=(10, 8))
ax.scatter(d23['総人口']/1e4, d23['15～64歳人口']/1e4, s=60, alpha=0.7, color='#ff7f0e')

# Top 5 県にラベル
top5 = d23.nlargest(5, '総人口')
for _, r in top5.iterrows():
    ax.annotate(r['都道府県'], (r['総人口']/1e4, r['15～64歳人口']/1e4))

ax.set_xlabel('総人口（万人）'); ax.set_ylabel('生産年齢人口（万人）')
ax.set_title('総人口 vs 生産年齢人口 2023 年（Tableau Scatter 相当）')
plt.tight_layout(); plt.savefig('tableau_scatter.png', dpi=120)
print('相関係数:', round(d23[['総人口','15～64歳人口']].corr().iloc[0,1], 3))

📤 実行結果：

💬 結果の読み方：r=0.999 とほぼ完全な正の相関。 生産年齢人口（15～64歳人口）は総人口の一部分なので、 定義上ほぼ比例するのが当然の結果。 このように「一方が他方に含まれる指標」の散布図は相関が過度に高く出るため、 分析では人口比（生産年齢人口÷総人口）に直すなど注意が要る。 Tableau なら同じ図を 30 秒で作れるが、 Python は「相関係数の数値」「ラベル制御」を細かく扱える。

コード 4：都道府県別ヒートマップ（Tableau の「Highlight Table」相当）

🎯 このコードでやること：47 都道府県 × 13 年度の総人口を 2D マトリクスに整形し、 ヒートマップで濃淡表示。 Tableau の「Show Me → Heatmap」と等価。

📥 入力データ：SSDSE-B-2026 全 611 行をピボット。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
pv = df.pivot(index='都道府県', columns='年度', values='総人口') / 1e4
pv = pv.sort_values(2023, ascending=False)

fig, ax = plt.subplots(figsize=(10, 14))
im = ax.imshow(pv.values, aspect='auto', cmap='YlOrRd')
ax.set_yticks(range(len(pv))); ax.set_yticklabels(pv.index, fontsize=8)
ax.set_xticks(range(len(pv.columns))); ax.set_xticklabels(pv.columns, rotation=45)
plt.colorbar(im, label='総人口（万人）')
ax.set_title('都道府県 × 年度 ヒートマップ（Tableau Highlight Table 相当）')
plt.tight_layout(); plt.savefig('tableau_heatmap.png', dpi=120)
print('東京 2023:', round(pv.loc['東京都', 2023], 1), '万人')
print('鳥取 2023:', round(pv.loc['鳥取県', 2023], 1), '万人')

📤 実行結果：

💬 結果の読み方：東京は鳥取の約 26 倍。 ヒートマップは「絶対値の大小」と「時系列の変化」を一目で見せる。 Tableau ではセルの色濃淡が自動で、 Python では cmap='YlOrRd' のように細かく指定できる。 BI ツールと Python の使い分け軸は「速度（Tableau）」と「再現性（Python）」。

これら 4 つのコードは、 Tableau の代表的なチャート種別（Bar / Line / Scatter / Heatmap）を Python で再現したもの。 Tableau ユーザーは「Python ではこう書く」、 Python ユーザーは「Tableau ならドラッグ＆ドロップで作れる」と理解しておけば、 BI とコーディングの橋渡しがスムーズ。

⚠️ よくある落とし穴

❓ よくある質問（FAQ）

📜 歴史と背景

歴史と位置づけ：Tableau は 2003 年に Stanford 大学発のスピンオフとして創業（Pat Hanrahan、 Chris Stolte、 Christian Chabot）。 同大の VizQL（Visualization Query Language）研究が源流で、 「データに対して問いを投げると、 視覚化が自動的に返ってくる」という設計思想を持ちます。 2013 年 NYSE 上場、 2019 年 Salesforce が約 157 億ドルで買収。

製品系列：

• Tableau Desktop — ローカルでの作成（Windows/Mac）
• Tableau Public — 無償版、 作品はインターネットに公開
• Tableau Server / Cloud — 配信・共有プラットフォーム
• Tableau Prep — データ準備専用ツール
• Hyper — 列指向の高速インメモリ DB エンジン

競合との位置関係：Power BI（Microsoft）と並ぶ 2 大商用 BI。 Looker（Google 傘下）、 Qlik Sense、 Metabase、 Superset がそれに続きます。 学習教材・コミュニティの厚さでは Tableau が頭一つ抜けています。

🌐 関連手法・派生・対概念

🔗 関連用語（前提・並列・発展）

📘 前提となる用語

🤝 並列・関連する用語

🚀 発展・応用

📚 関連グループ教材

このページの内容を、より広い文脈で学びたいときは：

• 📚 可視化と探索的分析 — 見せる図を計画的に組み立てる
• 📚 データエンジニアリング — 取り込み・整形の前提
• 📚 コンペ攻略：可視化編 — 提出に映える図の作り方

📚 参考文献・出典

• Stolte, C., Tang, D., Hanrahan, P. (2002). Polaris: A System for Query, Analysis, and Visualization of Multidimensional Relational Databases. IEEE TVCG.
• Tableau Software (2024). Tableau Public 公式ヘルプ. https://www.tableau.com/ja-jp/learn
• Few, S. (2009). Now You See It: Simple Visualization Techniques for Quantitative Analysis. Analytics Press.
• Murray, D. (2013). Tableau Your Data!. Wiley.
• Tufte, E. R. (2001). The Visual Display of Quantitative Information. Graphics Press.
• 松本健太郎 (2020). 『Tableau データ分析〜入門から実践〜』. 秀和システム.
• 独立行政法人統計センター. SSDSE-B-2026. https://www.nstac.go.jp/use/literacy/ssdse/

🌟 拡張ハンドブック

📖 Tableau の歴史・思想・エコシステム

Tableau は 2003 年、 Stanford 大学の Pat Hanrahan（コンピュータグラフィックス分野のチューリング賞受賞者）、 Chris Stolte（彼の博士課程の学生）、 Christian Chabot（CEO）の 3 人によって創業されました。 元になった研究は Stolte と Hanrahan の博士論文「Polaris」で、 多次元データベースに対する「視覚的クエリ言語」VizQL を提案したもの。 2003 年に商用化、 2013 年 NYSE 上場、 2019 年 Salesforce が 157 億ドルで買収。

設計思想の核は 「データに対して問いを投げると、 視覚化が自動的に返ってくる」。 SQL のクエリ結果を「表」ではなく「グラフ」として返すことで、 データ探索のサイクルを劇的に加速します。 マウス操作だけで「都道府県別の総人口を棒グラフ→地図→折れ線」へ自由に切替できるのが革新でした。

Tableau 製品系列

🎨 デザイン原則（Stephen Few 流）

Tableau の創業メンバーが影響を受けた可視化理論家 Stephen Few（『Show Me the Numbers』）の原則：

1. データインクの最大化（Tufte）：装飾を最小に、 情報量を最大に。 3D 円グラフは禁忌。
2. 事前注意属性（pre-attentive attributes）：色相、 強度、 サイズ、 位置の使い分け。 色相は質的データ、 強度は量的データに。
3. ゲシュタルト原則：近接、 類似、 連続、 閉合の活用。 凡例は近くに置け。
4. 適切なグラフ選択：時系列は折れ線、 カテゴリ比較は棒、 相関は散布図、 構成比は棒積み（円ではない）。
5. ストーリーは線形に：文脈 → 主張 → 根拠 → 行動指針の順。

🔧 SSDSE-B-2026 でのワークフロー詳細

Step 1: データ接続

Tableau を起動 → 「テキストファイル」を選択 → SSDSE-B-2026.csv を指定。 文字コードが Shift_JIS（cp932）なので、 接続時に 「テキストファイルプロパティ」→「文字セット」→「Shift_JIS」を選びます。 さもないと「東京都」が「??都」のように文字化けします。

Step 2: スキーマ確認

「データソース」タブで列の型を確認：年度＝数値、 都道府県＝文字列、 各指標＝数値。 「都道府県」列を右クリック → 「地理的役割」→「都道府県（日本）」を割り当てると、 自動で緯度・経度が生成され地図描画が可能に。

Step 3: 計算フィールドの作成

右クリック →「計算フィールドの作成」で派生指標を定義。 SSDSE-B-2026 でよく作る派生指標：

• 高齢化率 = [65歳以上人口] / [総人口]
• 出生率 = [出生数] / [総人口] * 1000（千人あたり）
• 持ち家率 = [持ち家世帯数] / [世帯数]
• 女性労働比率 = [就業者女] / [就業者総数]
• 世帯あたり人員 = [総人口] / [世帯数]

Step 4: ビュー作成

「シート 1」へ移動 → 列に「都道府県」、 行に「総人口」をドラッグ → 自動で棒グラフが生成。 マークの「色」に「高齢化率」をドラッグすれば 2 軸ダブルエンコーディング。 「マーク」を「マップ」に切り替えると地図表示。

Step 5: ダッシュボード組み立て

複数シート（地図、 折れ線、 棒グラフ）を作成後、 「ダッシュボード」タブで配置。 「アクション」メニューで連動を設定：地図クリック → 折れ線ハイライト。

Step 6: 公開

サーバー → Tableau Public → サインイン → ワークブック名を指定して公開。 URL を共有・iframe 埋め込みが可能。

📊 BI ツール徹底比較

❓ FAQ・20 問

🏭 産業界の事例詳細（6 件・各 200 字超）

📚 50 連発レシピ集

🧪 50 連発のレシピ（Tableau 計算フィールド）

1. [65歳以上人口] / [総人口] — 高齢化率
2. [出生数] / [総人口] * 1000 — 出生率（千人あたり）
3. [死亡数] / [総人口] * 1000 — 死亡率
4. [出生数] - [死亡数] — 自然増減
5. [転入者数] - [転出者数] — 社会増減
6. [15～64歳人口] / [総人口] — 生産年齢人口比率
7. [失業者数] / [労働力人口] — 失業率
8. {{ FIXED [都道府県] : SUM([総人口]) }} — 県別固定総和
9. {{ FIXED [年度] : AVG([総人口]) }} — 年別固定平均
10. {{ EXCLUDE [年度] : SUM([総人口]) }} — 年除外
11. {{ INCLUDE [都道府県] : AVG([総人口]) }} — 県を含む
12. IF [総人口] > 5000000 THEN '大都市' ELSEIF [総人口] > 1500000 THEN '中規模' ELSE '小規模' END
13. RANK(SUM([総人口]), 'desc') — ランキング
14. RANK_DENSE(SUM([総人口])) — 同順位
15. INDEX() — 行番号
16. FIRST(); LAST() — 先頭/末尾までの距離
17. LOOKUP(SUM([総人口]), -1) — 前期参照
18. ZN(SUM([総人口])) - LOOKUP(ZN(SUM([総人口])), -1) — 前年差
19. WINDOW_SUM(SUM([総人口]), -2, 0) — 3 期累積
20. WINDOW_AVG(SUM([総人口])) — 全期間平均
21. RUNNING_SUM(SUM([総人口])) — 累計
22. RUNNING_AVG(SUM([総人口])) — 移動平均
23. SUM([総人口]) / TOTAL(SUM([総人口])) — 全体比
24. STR(YEAR([年度])) + '年' — 文字列結合
25. DATEPART('year', [年度]) — 年抽出
26. DATEADD('year', 1, [年度]) — 年加算
27. DATEDIFF('year', [基準日], TODAY()) — 年差
28. LEFT([都道府県], 2) — 左 2 文字
29. CONTAINS([都道府県], '東') — 部分一致
30. UPPER([都道府県]) — 大文字
31. SPLIT([都道府県], '都', 1) — 分割
32. IFNULL([総人口], 0) — NULL 置換
33. ISNULL([総人口]) — NULL 判定
34. ZN([総人口]) — NULL を 0 に
35. MIN([総人口], 1000000) — 上限
36. MAX([総人口], 100000) — 下限
37. ROUND([総人口] / 10000, 1) — 万人単位
38. LN([総人口]) — 自然対数
39. POWER([総人口], 0.5) — 平方根
40. ABS([前年差]) — 絶対値
41. SIGN([前年差]) — 符号
42. CORR([総人口], [出生数]) — 相関
43. COVAR([総人口], [出生数]) — 共分散
44. PERCENTILE([総人口], 0.5) — 中央値
45. MEDIAN([総人口]) — 中央値
46. STDEV([総人口]) — 標準偏差
47. VAR([総人口]) — 分散
48. COUNT([都道府県]) — カウント
49. COUNTD([都道府県]) — ユニークカウント
50. SCRIPT_REAL("import sklearn; ...", SUM([総人口])) — TabPy 連携

📘 体系的解説（拡張版）

📜 BI ツールの歴史と Tableau の位置付け

第 1 世代 BI（1990 年代）

Cognos（1989）、 Business Objects（1990）、 MicroStrategy（1989）が登場。 SQL を意識せずに「データウェアハウス」から OLAP キューブを介してレポートを生成。 ただし IT 部門が事前にキューブを定義する必要があり、 ビジネスユーザーは固定的なダッシュボードしか扱えませんでした。

第 2 世代 BI：セルフサービス革命（2000 年代後半〜）

2003 年創業の Tableau（と QlikView）がセルフサービス BI を確立。 「IT 部門に頼らず、 ビジネスユーザー自身が探索的にダッシュボードを作る」というパラダイム。 IT による事前モデリングが不要で、 ドラッグ＆ドロップで任意の集計・可視化が可能。

第 3 世代 BI：クラウドネイティブ（2015 年〜）

Looker（2012、 後 Google 傘下）、 Power BI（2014、 Microsoft）、 Tableau Cloud（旧 Tableau Online）など、 クラウド前提の BI が登場。 大規模データウェアハウス（Snowflake、 BigQuery、 Redshift）との直接連携、 リアルタイム更新、 モバイル対応が標準化。

第 4 世代 BI：AI ネイティブ（2023 年〜）

ChatGPT 等の LLM が BI に統合され、 自然言語でデータを問い合わせる時代。 Tableau Pulse（2024 年〜）、 Microsoft Copilot for Power BI、 Looker Studio Pro の AI 機能などが代表例。 「自然言語 → SQL → 可視化」が瞬時に実行される。

🎓 Tableau 学習ロードマップ

レベル 1（1-2 週間）：基本操作

• データ接続：CSV、 Excel、 Google Sheets
• ピル（青/緑）、 ディメンション/メジャー
• 「データを表示」「ハイライト」「フィルタ」
• 基本グラフ：棒、 折れ線、 散布図、 地図
• SSDSE-B-2026 を使った都道府県別ダッシュボード

レベル 2（2-4 週間）：計算とパラメータ

• 計算フィールド：算術、 文字列、 論理
• 表計算：累計、 移動平均、 ランキング
• パラメータ：動的閾値、 シナリオ切替
• セット：上位/下位、 動的セット
• レベル別計算（LOD）：FIXED、 INCLUDE、 EXCLUDE

レベル 3（1-2 か月）：ダッシュボード・ストーリー

• ダッシュボードレイアウト：垂直/水平、 浮動
• ダッシュボードアクション：フィルタ、 ハイライト、 URL
• ストーリー：複数ダッシュボードの物語化
• パフォーマンスチューニング：抽出、 マークなど
• Tableau Public への公開

レベル 4（2-6 か月）：上級トピック

• Tableau Prep：データ準備の自動化
• Tableau Server / Cloud の管理
• Python（TabPy）／R 連携
• Tableau API：REST、 Hyper API、 JavaScript API
• カスタム拡張機能の開発

🎨 ダッシュボードデザインの黄金律 10 か条

1. 1 つの主張に絞る：「東京の特異性」「地方の人口減少」など、 ダッシュボードごとに 1 つの問いに答える。
2. 3-5 シートに絞る：それ以上だと読み手の認知負荷が高まる。
3. 色は 2-3 色：強調色 1 つ、 補助色 1-2 つ。 グレースケールを基調に。
4. 左上から右下へ：F 字読みパターンを意識し、 重要情報を左上に。
5. タイトルで問いを立てる：「全国の人口動向」より「なぜ秋田の出生率は最低なのか？」
6. 注釈・凡例を必ず：データ出典、 集計期間、 単位を明記。
7. インタラクティビティで誘導：フィルタ・ハイライトで読み手に「次の問い」を促す。
8. 負の空間を尊重：余白は情報の一部。 詰め込みすぎない。
9. モバイル対応：スマホ閲覧を想定し、 縦長レイアウトも準備。
10. 色覚バリアフリー：赤緑の組合せを避け、 青-オレンジを基本に。

⚙️ 完全実装例：SSDSE-B-2026 ダッシュボード

以下は SSDSE-B-2026 を使った「47 都道府県の人口動態ダッシュボード」の完全な構築手順：

Step 1: データ準備

1
2
3
4
5
6

# 事前に Python で軽い前処理
import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)   # 日本語の列名で読む（2 行目を見出しにする）
df['高齢化率'] = df['65歳以上人口'] / df['総人口']
df['出生率'] = df['出生数'] / df['総人口'] * 1000
df.to_csv('SSDSE-B-2026-cleaned.csv', encoding='utf-8', index=False)

Step 2: シート 1（地図）

• 列：経度（緯度・経度自動生成）
• 行：緯度
• マーク：マップ
• 色：高齢化率（緑→赤）
• サイズ：総人口
• ツールチップ：都道府県名、 総人口、 高齢化率、 出生率
• フィルタ：年度

Step 3: シート 2（折れ線）

• 列：年度
• 行：総人口
• マーク：線
• 色：都道府県（凡例非表示）
• 「上位 10 都道府県のみ」フィルタ

Step 4: シート 3（散布図）

• 列：高齢化率
• 行：出生率
• マーク：円
• サイズ：総人口
• 色：地方区分
• ラベル：都道府県名
• 傾向線：線形回帰

Step 5: ダッシュボード組み立て

• サイズ：1280×720（プレゼン用）
• レイアウト：左半分に地図、 右上に折れ線、 右下に散布図
• タイトル：「47 都道府県の人口動態 2010-2023」
• フィルタ：「年度」と「地方区分」を共通フィルタとして配置
• アクション：地図クリック → 他 2 シートでハイライト

Step 6: 公開と共有

• サーバー → Tableau Public
• ワークブック名：「Japan-Prefecture-2010-2023」
• iframe 埋め込みコードを生成、 ブログ等に貼付

🔬 Tableau と統計手法の組合せ

線形回帰

散布図上で「アナリティクス → 傾向線 → 線形」を選択するだけ。 R², p 値、 係数を自動表示。 SSDSE-B-2026 で「高齢化率 vs 出生率」の回帰を可視化可能。

クラスタリング

「アナリティクス → クラスター」をドラッグすると K-means（自動でクラスタ数決定）が走り、 色分け表示。 SSDSE-B-2026 の都道府県を 3-5 群に分類できる。

予測（時系列）

「アナリティクス → 予測」で指数平滑法による将来予測。 SSDSE-B-2026 の総人口 10 年予測など。 予測区間（95% CI）も自動描画。

Box Plot による外れ値検出

「マーク → 箱ひげ図」で都道府県別人口の分布を可視化、 IQR の外を外れ値として表示。

🌍 Tableau コミュニティとリソース

グローバルコミュニティ

• Tableau Public：4 万人超のユーザーが作品を公開
• Makeover Monday：毎週 1 つのデータセットで競うチャレンジ
• Workout Wednesday：毎週上級者向けの再現課題
• Iron Viz：年 1 回の世界大会（賞金 USD 5,000）
• Tableau Conference：年 1 回の大型カンファレンス

日本のコミュニティ

• JapanTUG（Japan Tableau User Group）：日本のユーザー会、 月例勉強会
• DATA Saber（データセーバー）：認定コミュニティ
• Tableau ユーザー会・各地区：東京、 大阪、 名古屋、 福岡で開催

学習リソース

• Tableau 公式 e-Learning（無料コース多数）
• YouTube：Tableau Tim、 Andy Kriebel、 The Information Lab Japan
• 書籍：『Tableau データ分析〜入門から実践〜』、 『The Big Book of Dashboards』
• Udemy：Tableau Desktop 講座（日本語含む）

🎯 実践演習・チェックリスト

🎓 Tableau 100 ステップ学習プラン

第 1 段階：基本操作（ステップ 1-20）

1. Tableau Public のインストール
2. SSDSE-B-2026.csv の接続（文字コード Shift_JIS）
3. データソースタブでの型確認
4. 「都道府県」に地理ロール設定
5. 新規シートで列「年度」、 行「総人口」
6. マークタイプを線に変更
7. 色に「都道府県」をドラッグ
8. フィルタで「上位 10 県」のみ表示
9. 軸の書式設定（数値、 単位）
10. タイトル・サブタイトル設定
11. 2 つ目のシート作成：地図表示
12. マークタイプをマップに変更
13. 色で「総人口」を表示
14. サイズで「総人口」を表示
15. ツールチップに高齢化率追加
16. 3 つ目のシート作成：散布図
17. 横軸「総人口」、 縦軸「出生数」
18. 傾向線を追加（線形）
19. 注釈を追加（外れ値の都道府県名）
20. シートをワークブックに保存

第 2 段階：計算とパラメータ（ステップ 21-40）

21. 計算フィールド「高齢化率」を作成
22. 計算フィールド「出生率」を作成
23. 計算フィールド「自然増減」を作成
24. パラメータ「対象年度」を作成
25. パラメータをフィルタに使用
26. パラメータ「上位 N」を作成
27. 計算フィールドで N の制御
28. セット「上位 10 都道府県」を作成
29. 動的セットの使用
30. 計算フィールド「カテゴリ分け」（IF...THEN...END）
31. 計算フィールドで Excel 関数（IIF、 SWITCH）
32. 日付関数（DATEPART、 DATEADD）
33. 文字列関数（LEFT、 CONCATENATE）
34. 論理関数（AND、 OR、 NOT）
35. NULL 処理（IFNULL、 ISNULL）
36. LOD 式：FIXED の基本
37. LOD 式：INCLUDE の基本
38. LOD 式：EXCLUDE の基本
39. FIXED と INCLUDE の使い分け
40. 表計算（QUICK TABLE CALCULATION）

第 3 段階：ダッシュボード（ステップ 41-60）

41. 新規ダッシュボード作成
42. サイズ設定（1280x720）
43. シートをドラッグして配置
44. 垂直/水平コンテナ
45. 浮動レイアウト
46. タイトルとフッタの追加
47. ダッシュボードフィルタ（全シート共通）
48. ダッシュボードアクション：フィルタ
49. ダッシュボードアクション：ハイライト
50. ダッシュボードアクション：URL（外部リンク）
51. ダッシュボードアクション：シートに移動
52. パラメータの表示位置
53. 凡例の表示・非表示
54. フィルタの「カードに表示」
55. テキスト解説の追加
56. 画像の埋め込み
57. 背景色・枠線の設定
58. スマホ用レイアウト
59. タブレット用レイアウト
60. プレゼンテーションモード

第 4 段階：高度な可視化（ステップ 61-80）

61. 箱ひげ図の作成
62. ヒストグラム（ビン使用）
63. ヒートマップ
64. ツリーマップ
65. パッキング円グラフ
66. ダンベルチャート
67. サンキー図（拡張）
68. レーダーチャート
69. ダブル軸グラフ
70. 同期軸 vs 独立軸
71. 参照線の追加（平均、 中央値）
72. 参照帯（範囲）の追加
73. 分布バンド
74. 予測（指数平滑法）
75. クラスタリング（K-means）
76. 傾向線（線形・指数・対数・多項式）
77. カスタム形状（マーカー画像）
78. カスタムカラーパレット
79. アニメーション（ページ機能）
80. ストーリーポイント

第 5 段階：上級機能（ステップ 81-100）

81. 抽出フィルタの最適化
82. ライブ接続 vs 抽出
83. パフォーマンス記録
84. 大量データ（1 億行以上）の扱い
85. Tableau Prep の起動
86. Prep でのデータクリーニング
87. Prep でのデータ結合
88. Prep のフロー保存
89. TabPy（Python 連携）の設定
90. SCRIPT_REAL で Python 関数呼び出し
91. R 連携（Rserve）
92. Tableau Server へのパブリッシュ
93. Tableau Cloud への共有
94. 権限設定（プロジェクト、 グループ）
95. 埋め込みコード生成
96. iframe 埋め込み
97. Webhook の利用
98. REST API での自動化
99. JavaScript API でのカスタマイズ
100. 認定資格（Specialist）受験

📊 SSDSE-B-2026 で作る 10 のダッシュボード例

🎨 配色パターン集

人口・経済データに合う配色

• Viridis（緑→黄→紫）：色覚バリアフリー、 量の順序を示す
• Inferno（黒→赤→黄）：強度を表現
• RdYlBu（赤→黄→青）：中立点ありの量比較
• Set2（パステル系）：質的データ（カテゴリ）
• Tableau 10：Tableau 公式の質的パレット

日本人向け配色の注意点

• 赤＝悪い、 緑＝良いの認識は世界共通だが、 中国では赤＝祝い事
• 白＝清浄、 黒＝喪、 紫＝高貴は日本独自の感覚
• 政治的中立を保つ報告書では、 政党カラー（自民赤、 立憲青等）を避ける
• 男女差を表すとき、 ピンク/水色のステレオタイプより、 オレンジ/紫など中立色

📚 包括的付録

📖 包括的付録：Tableauの完全ガイド

本付録は、 Tableauを初めて学ぶ人から、 実務でフル活用する人まで、 段階的に深掘りできるよう構成されています。 すべての例は SSDSE-B-2026 を使った実コードで、 そのままコピペで動作確認できます。

C.1 Tableau の全グラフタイプ完全リスト

C.2 主要ショートカット一覧

🎁 追加リファレンス

🎬 SSDSE-B-2026 で作る 20 のダッシュボード企画書

🎨 Tableau のテーマと感性

優れた Tableau ダッシュボードには「テーマ」「主張」「感性」が宿ります。 ただ数字を並べるだけでなく、 「データに込めた問い」を表現する技術が問われます。

テーマ別配色サンプル

📈 Tableau Public ベスト作品の特徴分析

Tableau Public で「Viz of the Day」に選出される作品の共通点を分析：

• 明確な問い：タイトルだけで「何を知りたいか」が伝わる
• 少ない要素：1 ダッシュボードに 3-5 シート
• 1 つの色強調：他はグレースケール
• 適切な余白：詰め込まない
• 説明的タイトル：「人口推移」より「20 年で 10% 減少した日本」
• 視線誘導：F 字パターンを意識
• サブタイトル：主要な発見を 1 文で
• 注釈・出典：データソース、 期間、 単位を明記
• インタラクティブ：クリックで深掘れる
• レスポンシブ：スマホでも読める

🔧 補足リソース

🎬 Tableau のキャリア・職種マップ

📖 Tableau 認定資格マップ

🌟 Tableau Public ベスト作品集（参考）

学習の刺激として、 世界的に評価されているダッシュボード例：

• "COVID-19 Tracker" by Tableau community（パンデミック可視化）
• "100 Years of Rock Music" by Pradeep Kumar G（音楽ジャンル進化）
• "Hidden Universe" by Adam McCann（天文データ）
• "World's Highest Paid Athletes" by Chantilly Jaggernauth
• "Olympic Medals" by Sarah Bartlett
• "Movie Industry" by Joshua Smith
• "Gender Pay Gap" by Lindsey Poulter
• "Climate Change" by Curtis Harris
• "Education Spending" by Wendy Shijia
• "Global Migration" by Marc Reid

📊 Tableau とビッグデータ

Tableau は数十億行のデータも扱えるが、 実装パターンが重要：

• 抽出（Hyper）：1 億行 までは抽出で快適
• ライブ接続 + DWH：BigQuery、 Snowflake、 Redshift と組合せ
• 集計テーブル：事前に集計しておく
• パーティショニング：日付・地域でデータを分割
• マテリアライズドビュー：DWH 側で事前計算
• Tableau Server / Cloud：抽出更新の自動化
• Hyper API：Python から直接 .hyper ファイル作成
• キャッシュ：頻繁にアクセスされる結果はキャッシュ
• パフォーマンス記録：「ヘルプ → 設定 → パフォーマンス記録の開始」
• クエリ最適化：EXPLAIN で実行計画確認

📖 完全マスター・ハンドブック

📋 Tableau ハンドブック：100 のヒント

1. データ接続時は文字コードを正しく指定（SSDSE-B-2026 は Shift_JIS）
2. 「都道府県」列は必ず地理ロールを設定
3. 大きなデータには抽出（Hyper）を使用
4. 計算フィールドの命名は「日本語＋単位」で明確に
5. LOD 式は計算順序を意識（FIXED → CONTEXT → DIMENSIONS）
6. 色は 1 つの主軸＋補助のグレースケール
7. 軸のタイトルとラベルは必ず明示
8. ツールチップに付加情報（出典、 期間）
9. フォントサイズは 12pt 以上
10. ダッシュボードはタブレットサイズで設計
11. パラメータ動作は「フィルタとして適用」
12. アクションの命名はチームで統一
13. パフォーマンスは「記録機能」で計測
14. 抽出ファイルは Git に含めない（.gitignore）
15. ワークブックは .twbx でなく .twb + 別データで管理
16. Tableau Server には「タグ」で整理
17. 権限は「グループ」ベースで管理
18. 本番デプロイ前に必ず「閲覧モード」確認
19. モバイル用レイアウトを忘れない
20. 「描画モード」で複雑な可視化
21. ヒストグラムの bin はデータに応じて
22. 箱ひげ図で外れ値の即座可視化
23. 散布図の点が重なる時はジッター
24. 傾向線の信頼区間を表示
25. 予測機能は時系列だけに使用
26. クラスタリングは標準化後に
27. 2 軸グラフは同期/非同期を選ぶ
28. 参照線は平均だけでなく中央値も
29. サブタイトルで主要発見を 1 文に
30. 「すぐ理解できる」をテストする
31. 色覚バリアフリーモード
32. アクセシビリティ機能を確認
33. ダッシュボードに「目次」シート
34. 「最終更新日」を必ず表示
35. 「データソース」を必ず注記
36. 計算フィールドは複雑化を避ける
37. テスト用「サンプルデータ」シート
38. レビュー用「コメント」シート
39. 変更履歴を Wiki/Notion で記録
40. 外部リンクは新規タブで開く
41. 埋め込み時の高さは固定値
42. iframe で sandbox 属性
43. SEO のためダッシュボード URL を覚えやすく
44. SNS で共有時は OG 画像を準備
45. ダッシュボードのスクリーンショットを別保存
46. 動画キャプチャでチュートリアル化
47. FAQ シートで想定質問に回答
48. 「How to read」シートで使い方説明
49. 競合ダッシュボードを定期的に観察
50. Makeover Monday に毎週参加
51. Tableau Public にポートフォリオを蓄積
52. JapanTUG のイベントに参加
53. 認定資格を計画的に取得
54. 業務効率化はテンプレ化
55. 共有データソースで重複排除
56. Excel との連携は「中間 CSV」
57. Python（TabPy）連携で機械学習結果可視化
58. R 連携で統計検定結果表示
59. SQL Server / PostgreSQL 連携で大規模分析
60. BigQuery 連携でクラウド分析
61. Snowflake 連携で DWH 分析
62. セキュリティ：行レベルアクセス制御
63. セキュリティ：列レベルアクセス制御
64. セキュリティ：パブリッシュ前にデータマスキング
65. レイアウトコンテナ「水平」「垂直」を使い分け
66. 浮動オブジェクトは最小限
67. 枠線で領域を区切らない（情報密度向上）
68. 背景色は白を基本に
69. テキストオブジェクトでナラティブ
70. 画像オブジェクトでロゴ・アイコン
71. Web ページオブジェクトで関連 URL
72. BLANK オブジェクトでスペース調整
73. ダッシュボードサイズ：1280×800 が標準
74. 1920×1080 のフル HD は要設計
75. iPad 横向き（1024×768）も検討
76. iPhone 縦向き（375×812）でモバイル
77. Auto レイアウトは最後の手段
78. 固定サイズ + デバイス別レイアウト
79. テスト：閲覧者の役割を想定
80. テスト：3 秒で意図が伝わるか
81. テスト：30 秒で結論が出るか
82. テスト：3 分で深掘りできるか
83. テスト：3 日後にも同じ意図か
84. 命名規則：シート名にエモジ
85. 命名規則：ダッシュボード名は問い形式
86. 命名規則：ストーリー名は物語形式
87. パッケージング：.twbx で配布
88. パッケージング：データ込み Hyper ファイル
89. パッケージング：READMEで使い方
90. バージョン管理：日付＋意味で命名
91. バージョン管理：v1.0、 v2.0 のセマンティック
92. バージョン管理：Git LFS 利用
93. パフォーマンス：抽出は週次更新
94. パフォーマンス：集計テーブル事前作成
95. パフォーマンス：フィルタはコンテキスト→ディメンション順
96. パフォーマンス：可視化要素は 200 以内
97. パフォーマンス：シート数は 5 以内
98. パフォーマンス：マーク数は 10,000 以内
99. パフォーマンス：データソースは 1 つに
100. パフォーマンス：データ結合は事前に
101. パフォーマンス：ライブよりも抽出
102. パフォーマンス：複雑な LOD は事前計算

🌐 Tableau ユーザーコミュニティ

• Tableau Public - 100 万人以上のクリエイター
• Tableau Community Forum - 公式 Q&A サイト
• Tableau Conference - 年 1 回、 米国開催
• Tableau User Group - 世界各地のローカルコミュニティ
• JapanTUG - 日本のユーザー会、 月例勉強会
• DATA Saber - 日本独自の認定コミュニティ
• Makeover Monday - 毎週月曜の課題
• Workout Wednesday - 上級者向けチャレンジ
• Iron Viz - 世界大会、 賞金 USD 5,000
• Viz of the Day - Tableau Public で日替わり紹介

🌟 まとめと次のステップ

📚 Tableauの総合チェックポイント

1. 基本理解

Tableauを学ぶ上で、 最初に押さえるべき概念とその関係性。 SSDSE-B-2026 を題材に、 47 都道府県 × 12 年 × 112 指標のデータを使って実際に試すことで、 理論と実践のギャップを埋めることができます。 統計学・データサイエンスの教育では、 ハンズオン形式での学習が最も効果的とされており、 本ページもその設計思想に従って構成されています。

2. 応用力

基本を押さえたら、 実務での応用力を養います。 教科書通りの「綺麗なケース」ではなく、 SSDSE-B-2026 のような現実のデータには、 表記揺れ・欠損・外れ値・分布の偏りなど、 様々な「現実のノイズ」が含まれています。 これらに対処しながら意味のある分析結果を導く力こそが、 データサイエンティストとしての真価です。

3. 倫理と社会的責任

データ分析者には、 単なる技術的能力以上のものが求められます。 (1) プライバシー保護：個人情報の取扱、 (2) バイアスへの自覚：データに含まれる社会的偏見、 (3) 透明性：分析手法と前提の開示、 (4) 再現可能性：他者が同じ結論に到達できる文書化、 (5) 社会的影響：分析結果が引き起こす意思決定の影響範囲。

4. 継続的な学習

データサイエンスは急速に進化する分野です。 新しい手法・ツール・データソースが次々と登場するため、 継続的な学習が不可欠。 (1) 論文購読：arXiv の関連分野を週次でチェック、 (2) ライブラリ追跡：scipy、 sklearn、 PyTorch のリリースノート、 (3) カンファレンス：NeurIPS、 ICML、 KDD、 PyData、 (4) コミュニティ：Twitter／X、 LinkedIn、 国内の勉強会、 (5) ハンズオン：Kaggle、 SIGNATE、 SSDSE コンペ。

5. 本ページから次のステップへ

Tableauを理解したら、 次は関連概念へ。 本サイトの「関連用語」セクションから派生概念へ進み、 「関連グループ教材」で全体像を把握。 さらに「論文一覧」では、 統計データ分析コンペティションで実際に提出された 159 件の論文を、 ハンズオン形式で再現することができます。 ぜひ自分のテーマで、 SSDSE-B-2026 を使った独自の研究にも挑戦してみてください。

🔬 用語固有の具体例（10 個）

1. SSDSE-B-2026 の総人口を地図に塗り分け、 東京の特異性を可視化（赤色強調）
2. 都道府県別出生率の散布図に、 線形回帰の傾向線と 95% 信頼区間を重ねる
3. 47 都道府県を 4 つにクラスタリング（K-means、 Tableau のアナリティクス機能）
4. 年度スライダで人口推移をアニメーション化（Tableau の「ページ」機能）
5. 高齢化率（65歳以上÷総人口）を計算フィールドで作成、 ヒートマップ表示
6. LOD 式 { FIXED [都道府県]: AVG([総人口]) } で 14 年平均を固定計算
7. ダッシュボードアクションで「地図クリック→折れ線ハイライト」連動
8. Tableau Public で公開、 iframe で本サイトに埋め込み
9. TabPy 連携で scikit-learn の予測結果を Tableau に流し込む
10. Story Points でナラティブ「日本の人口減少の真実」を構築

🎯 SSDSE-B-2026 で学べること

SSDSE-B-2026 は単なるデータセットではなく、 「日本のデータサイエンス教育のための共通言語」として設計されています。 47 都道府県という馴染みのある単位、 12 年間という適切な期間、 112 個という網羅的な指標。 すべての受講生が同じデータを扱うことで、 結果を比較・議論・批判できるという、 教育的価値を持っています。

本ページで紹介した Tableau の理論と実装は、 SSDSE-B-2026 という共通の素材を介して、 全国の学習者・研究者・実務家が共有できる知識基盤となります。 学習を通じて、 ぜひ「自分の県」「自分の地域」「自分の興味」を切り口に、 オリジナルの分析にチャレンジしてみてください。

📞 困ったときのサポート

• 本サイト内：用語集トップ → 概念マップ → 論文一覧
• 関連書籍：本ページの参考文献セクションを参照
• オンラインフォーラム：Stack Overflow、 Cross Validated、 teratail
• 公的サポート：統計センター、 e-Stat ヘルプデスク
• 勉強会：PyData Tokyo、 R-bloggers、 JapanTUG

本ページの内容は、 統計・データサイエンスを学ぶすべての方の参考となれば幸いです。 Tableau を深く理解し、 実務・研究・教育の様々な場面で活用してください。 ご質問・ご指摘がある場合は、 本リポジトリの GitHub Issues にお寄せください。

tableau を学ぶ際に併読すると理解が深まる関連グループ教材を以下にまとめる。

• 📚 用語集トップ — 全 514 用語のインデックス
• 🌐 関連手法・派生 — tableau と関連する具体的な手法群
• 🔗 隣接手法への橋渡し — tableau と組み合わせる前段・後段手法
• 🌳 手法選択フロー — tableau を含む手法の使い分け判断
• 🗺 全体概念マップ — 用語集全体の関係図

これらを順に参照することで、 tableau を中核とした分析の体系的理解が得られる。

🗺 学習ロードマップ

1. レベル 1 — ドラッグ＆ドロップで棒・線・円グラフを作る。 ディメンション／メジャーの区別。
2. レベル 2 — 地理ロール、 マップ、 フィルタ、 計算フィールド。
3. レベル 3 — LOD 計算 (FIXED/INCLUDE/EXCLUDE)、 表計算、 セット。
4. レベル 4 — ダッシュボード、 アクション、 パラメータ、 ストーリー。
5. レベル 5 — Tableau Prep でデータ準備、 Hyper エクストラクト、 REST API。
6. レベル 6 — Tableau Server / Cloud 配信、 RLS、 認証統合、 大規模運用。

📊 比較表（兄弟手法・選択肢）

主要 BI ツールの比較

📖 用語ミニ辞典

🍳 コードレシピ（コピペ用 15 連発）

[65歳以上人口] / [総人口]

{ FIXED [都道府県] : SUM([総人口]) }

{ EXCLUDE [年度] : AVG([総人口]) }

IF [高齢化率] > 0.35 THEN '高高齢化' ELSE '通常' END

[都道府県] + '（' + STR(YEAR([年度])) + '）'

RANK(SUM([総人口]), 'desc')

ZN(SUM([総人口])) - LOOKUP(ZN(SUM([総人口])), -1)

SUM([総人口]) / SUM({FIXED [年度] : SUM([総人口])})

「都道府県」列を右クリック → 地理的役割 → 都道府県

ダッシュボード → アクション → フィルタアクションを追加

「年度切替」 整数 / リスト / 範囲指定

ストーリー → 新規ストーリー → ダッシュボード追加

サーバ → Tableau Public → Workbook 保存

ワークシート → 表示画像コピー / 書き出し

データソース → 抽出 → 全データを Hyper に

Tableau をハブにした BI／可視化エコシステムの俯瞰：

            ┌── ストーリー ─ ダッシュボード ─ シート ──┐
            │                                          │
            │                Tableau                   │
            │   （VizQL → SQL / Hyper エンジン）       │
            │                                          │
            └── データ取り込み（接続 / Tableau Prep） ─┘
                       ↑
       CSV / Excel / SQL / BigQuery / Salesforce …
                       ↑
              （SSDSE-B-2026 もここに）

🔗 隣接手法への橋渡し

Tableau は Salesforce 傘下の代表的 BI ツール。 SSDSE-B-2026 を Tableau Desktop に取り込み、 都道府県別の総人口を日本地図上にコロプレス図 (色塗り地図) として可視化、 高齢化率 (65歳以上人口÷総人口) とのスキャッターと連動するダッシュボードを作るのが定番ユースケース。 ドラッグ&ドロップ操作で SQL 知識なしに集計と可視化が完結する。

• 上流: CSV / Excel 取り込み、 SQL コネクタ (BigQuery / Snowflake / PostgreSQL)、 前処理 (Tableau Prep)。
• 並列: Power BI (Microsoft)、 Looker / Looker Studio (Google)、 Qlik Sense、 OSS は Apache Superset / Metabase。
• 下流: ダッシュボード公開 (Tableau Server / Online)、 アラート、 埋め込み (Embed API)、 Tableau Pulse による AI 連携。

Tableau は対話的探索 (EDA) と意思決定者向けプレゼン両方をカバー。 SSDSE 分析では「Python で前処理 → CSV 書き出し → Tableau で可視化」のパイプラインが現実的で、 47 都道府県という少ない行数を効果的に見せる地図機能が特に有効。

🌳 手法選択フロー

SSDSE 分析で BI ツールを選ぶ際のフロー。

1. ① 個人 / 小規模か組織展開か? 個人学習 → Tableau Public (無料) または Looker Studio。 組織展開 → Tableau / Power BI (有償ライセンス)。 BigQuery 利用なら Looker Studio が連携良。
2. ② データソースは? CSV のみ → どの BI でも対応。 RDB → 各 BI のネイティブコネクタ。 SaaS データ (Salesforce / Marketo) → Tableau が強い。
3. ③ 表現の自由度は? 標準的な棒/線/地図 → 全 BI で同等。 高度な数値演算 (LOD 式、 表計算) → Tableau。 Excel ライクな操作 → Power BI。 SSDSE の都道府県地図は Tableau / Power BI / Looker Studio すべて対応。

BI ツール選択は機能差より「組織の標準」「データソースとの相性」で決まることが多い。 SSDSE-B-2026 程度のサイズなら Tableau Public で十分、 学習用には最適。

🧭 さらに深掘り ── ピル文法と「集計が図の意味を決める」（追記）

姉妹ページの Power BI（スタースキーマ／DAX メジャー）や BI ツール総論（図の読み方）とは角度を変え、 ここでは Tableau 固有の「ピル（丸薬）の色＝データ型のグラマー」と、 そこから生まれる最大の落とし穴 ── 棚に何を置くか（＝集計の粒度）が、 同じデータでも相関やマークの意味をこっそり変えてしまう ── を、 SSDSE-B-2026 の実測値（2023 年・47 都道府県）だけで解説する。 数値はすべて pd.read_csv(encoding='cp932', skiprows=[1]) で実際に出力・転記したもの。

💡 直感：緑は「連続＝測度」、青は「離散＝次元」

Tableau のピルには 2 色しかない。 緑（連続 / Continuous）は軸を連続量として引く「測度（メジャー）」、 青（離散 / Discrete）はヘッダを刻む「次元（ディメンション）」。 [総人口] を軸に置けば緑で SUM(総人口) と自動集計され、 [Prefecture] を「詳細（Detail）」に置けば青でマークが 47 個に割れる。 1 つのマーク＝棚に置いた青ピルの組み合わせ 1 通り。 これが VizQL の核心で、 「棚に置くと図が決まる」（本ページ上部の Show Me ビルダー）の正体はこの色分けである。

⚠️ 落とし穴（重要）

🚀 発展：LOD 式と表計算で「粒度」を意図的に制御する

• 計算フィールドで率を定義： [高齢化率] = SUM([A1303]) / SUM([A1101]) と集計式で書けば、 どの粒度に置いても常に「その粒度での加重平均」になり、 落とし穴 3 を構造的に回避できる。
• LOD（Level of Detail）式： { FIXED : SUM([A1303]) / SUM([A1101]) } はビューの粒度を無視して全国固定の 29.13% を返す。 各県の率と全国 29.13% の差（偏差）を色で塗る「全国比マップ」が 1 行で作れる。
• 表計算（Table Calculation）： 時系列 [年] を列に置き SUM([A1303])/SUM([A1101]) を行に取れば、 全国高齢化率は 2012 年 24.13% → 2023 年 29.13%。 これに「前年比」表計算を重ねれば増加ペースが読める。 表計算は画面に出ているマークの並び順に依存するので、 LOD（データ側の粒度）との違いを意識すること。

🔗 関連ページ