Hankooktire Success Story !

디포커스의 고객사 한국타이어에서 태블로를 도입한 디포커스와 협업하여 우수한 업무 성과를 이룬 사례에 대한 내용입니다.

 

한국 타이어는 국내 타이어 시장 1 기업으로, 승용차, 전기차, SUV 다양한 종류의 차량에 장착되는 타이어를 제조합니다. 뿐만 아니라 2020 유럽의 유명 자동차 전문지가 실시한 타이어 테스트에서 1 위를 차지할만큼 세계적으로 최고 수준의 기술을 인정 받고 있습니다. 최근에는 4 산업 혁명 시대로의 전환에 맞추어 인공 지능 (AI) 러닝 기술을 접목 주행 도로 위험 탐지 솔루션, 타이어 컴파운드의 물성 예측 모델 개발에 성공하면서 업계의 디지털 전환을 선도하고 있습니다. 아시아와 미국, 유럽의 8 생산 기지에서 타이어를 생산하여 전세계 180 단위로 판매하고 매출액은 2019 기준으로 6.8 조에 달합니다. 전세계에서 2만여명의 직원이 일하고 있습니다. 한국 타이어는 디지털 전환, 데이터 문화 구축, 데이터 기반의 의사 결정, 비즈니스 부서 현업 직원의 셀프 서비스 분석 스마트 팩토리 프로젝트를 위해 태블로를 사용합니다. 태블로를 통해 방대한 양의 데이터에서 유의미한 인사이트를 가장 빠른 속도로 발견하고 공유하면서 업무 효율성을 높이고 외부 환경 변화에 맞서서 비즈니스 성장을 주도하고 있습니다. 특히 태블로로 전세계 8 생산 공장의 데이터를 연동한 통합 데이터 거버넌스 체계를 구축하며, 스마트팩토리 고도화에 필요한 빅데이터 분석 프로그램을 개발하는 중입니다.

전사적인 데이터 문화 구축을 통해 75% 보고 업무 시간 단축

현재 한국타이어는 태블로를 통해 경영, 재무, 판매, 제품, 제조, 생산 관리 연구하고, 전사 공유된 대시보드를 기반으로 논의하여 실시간 의사결정을 내립니다. 전사적인 데이터웨어하우스(DW) 태블로를 연결해 분석에 필요한 8~9TB(테라 바이트) 규모의 데이터세트를 구축하고 데이터를 표준화함으로써 부서간 협업, 성과측정 등의 업무를 개선하고 있습니다. 또한 최대 30 만줄의 데이터를 빠르게 처리하고 있습니다. 과거엔 현업에서 데이터 분석 보고서 개발에 대한 아이디어를 IT부서로 전달하면, IT부서에서 적합한 데이터 세트를 구축한 리포트 개발, 현업과의 협업을 통한 수정 고도화, 실제 사용에 이르기까지 많은 시간이 걸렸습니다. 뿐만 아니라 데이터 표준화가 되어 있지 않아 서로 다른 업무들에 일관되게 적용 가능한 분석 보고 시스템을 구축하기 어려웠습니다. 한편, 한국타이어는 전세계 규모로 운영되는 비즈니스에 핵심적인 시스템의 데이터를 활용해 리포트를 개발하고 비즈니스 성과 향상으로 이어질 있는 인사이트를 도출하고자 하는 현업 직원의 수요가 증가하고 있습니다. 이에 경영진은 전사적인 분석 시스템 기반의 데이터 문화를 구축하고, 현업 직원의 데이터 활용 역량 향상을 적극 장려하길 원했습니다. 태블로는 드래그앤드롭 기반의 직관적인 시각화 작업을 통해 모든 비즈니스 부서 직원이 초기에 IT기술 교육 지원만으로 빠른 시간 안에 정교한 리포트 개발이 가능하다는 때문에 도입했습니다. 또한, IT담당자가 현업의 요구사항에 즉시 대응이 가능하다는 점도 장점이라고 판단했습니다. 태블로 도입 한국타이어는 부서의 현업 직원이 표준화된 데이터를 분석할 있는 '셀프서비스 분석' 환경을 구축했습니다. 다양한 종류의 데이터를 표준화하면서, 사내 상이한 조직 간의 원활한 데이터 기반 협업을 위한 일관된 기준을 수립했습니다. 태블로를 통해 서로 다른 부서의 현업 직원은 데이터에 대한 공통된 이해를 바탕으로 업무에 맞춰 데이터를 범용적으로 활용합니다. 현업 부서의 직원들은 사용 편의성이 뛰어난 태블로를 통해 리포트 개발에 활용할 있는 데이터를 자유롭게 탐색하고, 요구사항을 체계적으로 구체화시키고 있습니다. 이에 IT부서는 고난이도의 리포트 개발 데이터 관리만을 담당하여 업무의 디지털화 측면에서 보다 전사적인 전략업무에 집중하고 있습니다.

태블로 GUI 환경의 손쉬운 데이터 처리 기능 덕분에, 한국타이어는 1개의 리포트를 개발하는 걸리는 시간을 달에서 주로 75%만큼 단축시켰습니다. 현업 직원은 태블로 포털에 공유된 대시보드, 그리고 전사의 7 비즈니스 시스템에 내장된 태블로 대시보드를 통해 방대한 양의 데이터를 생각의 속도만큼 빠른 시간 안에 시각화합니다. 한국타이어 정보전략실 G.IT기획팀 이재상 책임은태블로는 제조를 포함한 다양한 산업 분야와 대학에서 대중화 만큼 뛰어난 사용편의성을 자랑합니다. 특히, 워드 클라우드 또는 히트맵과 같이 국내 기업에서 사용하지 않는 형태의 대시보드도 쉽게 개발할 수있어 분석과 인사이트 기반으로 업무 프로세스를 향상시키도록 지원합니다.”라고 전했습니다. 현재 한국타이어의 경영진은 전세계 비즈니스의 환경 변화에 대응해 중요한 의사결정을 실시간으로 내려야 하는데, 태블로 기반으로 연결된 환경은 경영진이 언제 어디서든 핵심 비즈니스 성과 지표를 바탕으로 현업과 논의하고 의사결정을 내리도록 합니다. 한국타이어 정보전략실 G.IT 기획팀 이재상 책임은모던BI 개척한 것으로 평가받으며 실제로 국내 유수의 레퍼런스를 보유한 태블로와 파트너십을 통해 전사 조직에 걸쳐 데이터 기반의 업무 지원을 강화하고 있습니다. 앞으로도 표준화된 데이터 기반의 협업과 의사결정을 통해 제조업계의 디지털 전환을 선도할 것입니다.”라고 말했습니다.

스마트 팩토리 프로젝트를 통해 제조업 디지털 전환 선도

현재 제조업 분야에서는 제조업 밸류 체인과 업무 환경을 디지털화하고 5G, AI, IoT, 로봇 등의 첨단기술을 결합 운영 효율성, 생산성 제품 품질을 높이고 안전을 강화하고 있습니다. 한국타이어는 재료 수급, 디자인, 연구개발, 생산 유통 그동안의 타이어 제조업 운영을 통해 쌓아온 데이터를 바탕으로 스마트 팩토리 기술을 고도화하는 프로젝트를 추진 중입니다. 프로젝트를 담당하는 한국타이어 연구소와 생산 본부는 한국타이어의 각종 공장 설비에서 단위로 발생하는 방대한 데이터를 태블로를 통해 빠르게 시각화하고 있습니다. 태블로 대시보드를 통해 향후 설비 유지보수 관리, 개발 스마트팩토리 애플리케이션에 필요한 데이터만을 따로 분류하고, 차트 로직을 통해 해당 데이터를 분석하며, 이를 바탕으로 데이터 기반의 의사결정 문화를 만들어가는 것을 목표로하고 있습니다. 특히 한국 타이어 연구소는 아마존 환경에서의 타이어 컴파운드 분석 결과를 태블로로 시각화함으로써 AI 기술을 타이어 컴파운드 물성 예측 모델에 결합하도록 도왔습니다. 여기서 나아가 한국타이어는 본사의 혁신 이니셔티브와 데이터 표준화 체계를 전세계 오피스로 확장할 있도록, 글로벌 오피스와 공장의 데이터를 빠르게 취합하여 제공할 있는 시스템 환경을 구축하고 데이터의 연계를 강화할 계획입니다. 한국타이어 정보 전략실 G.IT 기획팀 이광원 사원은현재 제조 산업에서는 IoT AI 기반의 스마트 팩토리 구축이 화두입니다. 태블로를 활용한 데이터 분석은 스마트 팩토리에서 발생한 수많은 종류의 데이터를 통합하여 제조 공정의 안정성과 효율성을 향상시키는 필요한 인사이트를 발견하도록 지원하므로 디지털 시대의 선도적인 경쟁력을 갖추는 핵심적입니다."라고 강조했습니다.

비즈니스 부서가 외부의 상황 변화에 민첩하게 대응할 있도록 지원

태블로 도입 이전, 한국타이어에는 시스템의 데이터 사일로 현상으로 인하여 비즈니스 의사결정 성과 평가에 활용되는 데이터의 투명성이 낮았습니다. 실제로 데이터 조회, 정리 보고의 과정에서 현업 담당자의 주관 으로 인해 데이터가 변형되는 일이 잦았기 때문에, 경영진 단에서 데이터 표준화와 분석 체계화에 대한 요구가 급증해 왔습니다.
신뢰도 낮은 데이터는 민첩한 의사결정 변화 대응에 장애물로 작용했습니다. 한국타이어는 빠르게 변화하는 비즈니스 환경 변화에 대응하여 보다 정확한 데이터와 분석 결과를 기반으로 업무를 진행할 있도록 태블로의 리포트 공유 포털에서 실시간으로 비즈니스 정보를 공유합니다. 해당 포털에서 현업 직원은 태블로 지도 또는 그래프로 시각화된 전세계 지역별 한국타이어 제품 수요 현황 데이터를 확인합니다. 과거에는 전세계 한국타이어의 재고 판매 현황 데이터를 업데이트하는 8시간이나 걸려 위기 상황에 상황에 대처하기 어려웠지만, 태블로 도입 후에는 30 단위로 해당 데이터를 판매, 물류 영업 담당 직원에게 제공하고 있습니다한국타이어의 정보 전략실 G.IT 기획팀 이재상 책임은지금과 같이 급변하는 시대에 비즈니스를 안정적으로 운영하기 위해 비용 절감 최적화를 추구해야 합니다라며, “태블로를 통해 전세계 영업장의 판매 실적 재고 데이터를 현업 직원과 거의 실시간으로 공유하여 판매 측면에서 사용 가능한 재고의 범위를 넓혀 지원하였으며, 비즈니스의 회복탄력성을 향상시킬 있었습니다라고 설명했습니다.

 

경영 재무 관리 부문에서는 태블로 대시보드를 도입하여 보고 업무 시간을 대폭 단축했으며, 전사에서 가장 빠르게 모든 엑셀 리포트를 태블로로 전환할 예정입니다. 특히 업무에 태블로가 많은 비중을 차지하는 재무 관리 부문에서는 태블로로 구축한 대규모 데이터 세트를 바탕으로 외부 IT 전문가의 리소스 없이 자체적으로 리포트를 개발하고 있습니다.또한 비용 관리 부문은 메일 구독 기능을 통해 부문, 팀별 예산 사용 현황을 보여주는 직관적인 대시보드를 공유합니다.한국타이어의 정보전략실 G.IT기획팀 이재상 책임은태블로는 실시간 데이터 리포트 공유, 민첩한 리포트 개발기능을 통해 급변하는 상황 속에서도 비즈니스 기회를 쉽게 모색할 있도록 합니다. '디지털 전환' 시대를 선도하기 위한 다양한 노력을 전개하는 한국타이어는 앞으로도 태블로 셀프-서비스 BI 분석을 활용하여 전세계 시장의 프리미엄 브랜드로서의 선도적인 포지셔닝을 유지할 있으리라 예상합니다.”라고 말했습니다. 한편, 한국타이어의 태블로 도입 서비스 구현 과정에 파트너사 디포커스가 많은 기여를 했습니다. 디포커스는 BI 구축 영역에서 폭넓은 경험을 지닌 회사로 한국타이어 내부의 다양한 요구사항을 태블로로 구현할 있도록 지원했습니다. 태블로 도입 초기, 디포커스는 주로 태블로 대시보드 개발과 직원 교육을 진행했으나, 점차 데이터 개발, 시각화 디자인 컨설팅까지 지원을 확대하여 프로젝트 참가자와 산출물에 대한 만족도 향상에 중요한 역할을 했습니다. 나아가, 태블로 구축 프로젝트 과정에서 BI 아니라 정보계를 아우르는 다양한 레퍼런스 방법론을 바탕으로 태블로 활용을 위한 최적의 방식을 찾을 있도록 했습니다.

 

<<본 기사 내용은 태블로 공식 홈페이지(tableau.com )에서 발췌하였습니다.>>

https://www.tableau.com/ko-kr/solutions/customer/hankook-leads-digital-transformation-business-efficiency-with-tableau

"태블로를 이용한 쉽고 빠른 데이터 시각화는 디포커스의 전문가(https://www.dataqrator.com)가 도와드립니다."

안녕하세요 여러분~^^ 디포커스 태블로 둥이입니다!

태블로 차트를 알아보는 여섯 번째 시간입니다.

오늘은 'TabPy 분석 확장 프로그램'을 알아보겠습니다.

1.Python 설치

하기의 링크로 접속하여 Linux Mac 또는 Windows용 최신 버전의 Python을 다운로드하여 설치합니다

Download Python | Python.org

Python Script를 사용하는 이유?

Python은 범용 프로그래밍에 널리 사용되는 고급 프로그래밍 언어입니다. Python 명령을 분석 확장 프로그램에 전송하는 방식으로, 고객 변동 예측이나 정서 분석 실행과 같은 작업을 수행할 수 있습니다.

2.TabPy 설치

Tableau Python 서버 = TabPy

하기의 링크로 접속하여 TabPy를 다운로드하여 설치합니다.

GitHub - tableau/TabPy: Execute Python code on the fly and display results in Tableau visualizations:

우측의 Code 버튼을 클릭해 Download Zip을 눌러 설치를 진행합니다

다운로드 된 Zip 파일을 압축을 풀어 저장합니다.

3.Anaconda 설치

하기의 링크로 접속하여 Anaconda를 설치합니다.

Anaconda | Individual Edition

설치 후 프로그램의 Anaconda Prompt를 관리자 권한으로 실행합니다.

4.Python pip 명령어를 이용한 패키지 설치

Prompt에 pip 명령어를 사용하셔서 해당 명령어에 대한 옵션을 확인 후

python -m pip install --upgrade pip를 입력하여 패키지 매니저를 최신버전으로 업그레이드합니다.

pip install tabpy 명령어를 사용해 tabPy설치를 진행합니다.

이후 pip install sklearn 명령어로 scikit_learn 패키지를 설치합니다.

설치 완료 후 ​tabpy 명령어를 사용해 해당 패키지가 이용하는 port등의 상세내역을 확인할 수 있습니다.

* pip : Package Manager로 Python에서 작성된 패키지 소프트웨어 설치 시 사용

** port 9904 : TabPy 기본 port 번호

*** pip install sklearn : 머신러닝을 위한 scikit_learn 패키지 설치

5.분석 확장 프로그램 구성

Tableau에서는 SCRIPT 함수 집합을 통해 분석 확장 프로그램에 연결할 수 있습니다.

SCRIPT 함수를 외부 서비스에 전달하기 전에 서비스에 대한 연결을 구성해야 합니다.

Tableau Desktop에서 상단의 도움말 > 설정 및 성능 > Analytics 확장 프로그램 연결관리를 선택합니다.

연결하려는 외부 서비스를 선택 (TabPy) 합니다.

도메인 또는 IP 주소를 사용하여 서버 이름을 입력하거나 선택합니다.

드롭다운 목록에 가장 최근에 연결된 서버 및 localhost가 포함되며 초기 설정 시 변경하지 않았다면 localhost 9004를 입력합니다.

이후 연결 테스트를 클릭하여 진행 후 저장하면 tableau python script를 사용할 수 있습니다.

* 서버가 SSL 암호화를 사용하는 경우 SSL 필요 옵션을 선택합니다.

Tableau Server는 운영 체제 키 저장소에 설치되어 있는 인증서를 읽고 보안 연결을 설정합니다.

6.Tabpy 활용 데이터 셋 설명

다음으로는 GermanCreditData.csv 를 사용하여 tabpy를 통해 고객의 대출 상환 여부 예측치를 나타내는 시각화를 진행해보겠습니다.

해당 데이터 셋은 대출을 요청한 은행 고객의 다양한 특징(예: 나이, 고용 상태, 개인 상태, 성별 등), 대출 상환 여부 등으로 구성되어 있습니다.

해당 데이터셋을 통해 시각화를 진행하기 위해 predictions.csv 파일을 이용합니다.

해당 데이터 셋은 GermanCreditData.csv을 학습시켜 어떤 고객들이 대출 상환을 기한 내에 할 수 있는지 여부를 시각화로 표현하게 됩니다.

머신 러닝 알고리즘의 경우 파이썬의 scikit-learn 라이브러리에서 찾을 수 있는 의사 결정 트리 분류를 사용할 것입니다.

추가적인 라이브러리는 링크를 참조하시어 사용하시길 바랍니다.

7.Tabpy 활용

새 워크북을 열어 Analytics 확장 프로그램 연결 관리의 TabPY와 연결해 줍니다.

Predictions.csv 파일을 tableau와 연결해 줍니다.

계산된 필드를 named Prediction 을 이름으로 하여 스크립트를 작성합니다.

※결정트리 알고리즘 스크립트 설명

*데이터의 기준을 세워 이를 사용하여 규칙을 작성해 효율적인 분류를 하는 알고리즘

SCRIPT_INT(" 스크립트의 결과를 정수로 반환

import numpy as np numpy 라이브러리 import

import pandas as pd pandas 라이브러리 import

from sklearn.tree import DecisionTreeClassifier sklearn.tree 라이브러리의 결정 트리 실습 모듈 import

data=pd.read_csv(r'C:\Users\SAMSUNG\Desktop\tabpy\GermanCreditData.csv') 학습시킬 .csv 파일 불러오기

X=data.drop(['ID','Class'],axis=1) X에 해당 csv.의 ID와 Class 칼럼을 제외한 나머지를 할당

y=data['Class'] Y에 해당 csv.의 Class 칼럼만을 할당

clf = DecisionTreeClassifier(random_state=2) 결정트리 알고리즘을 생성하고 학습의 결과과 변경되지 않도록 number 지정

clf.fit(X,y) 결정트리 알고리즘 학습

X_pred=np.transpose(np.array([_arg1,_arg2,_arg3,_arg4,_arg5,_arg6,

_arg7,_arg8,_arg9,_arg10,_arg11,_arg12,_arg13, _arg14, _arg15,

_arg16, _arg17, _arg18, _arg19, _arg20])) 컬럼 값들 (답을 얻고 싶은 데이터들)을 numpy 행렬로 변환해 X_pred에 할당

 

pred = clf.predict(X_pred) X_pred 의 데이터들을 학습하여 예측한 결과를 pred에 할당

return pred.tolist( ) pred에 할당된 행렬을 list로 변환해 결과로 도출

",

SUM([Status of account]),SUM([Duration(months)]),SUM([Credit History]),

SUM([Purpose]),SUM([Credit amount]), SUM([Savings account/bonds]),

SUM([Employment]), SUM([Installment rate]), SUM([Personal status/sex]),

SUM([Debtors/Guarantors]), SUM([Residence since]), SUM([Property]),

SUM([Age]), SUM([Other installment plans]), SUM([Housing]),

SUM([Existing credits at bank]), SUM([Job]),

SUM([People liable to provide maintenance for]),

SUM([Telephone]), SUM([Foreign worker])) csv.의 칼럼 값들을 계산해 위의 배열에 할당

과는 다음과 같이 1 좋음, 2 나쁨 2가지로 나누어집니다.

고객별로 대출 상환여부를 보기 위해 Customer Id와 Customer Name을 행에 올리고 만든 계산된 필드를 마크의 모양에 올립니다.

해당 마크의 모양을 1은 초록색 체크 모양으로 2는 빨간 엑스 모양으로 편집하여 다음과 같은 화면을 만듭니다.

위의 화면처럼 체크 표시된 고객들은 대출 상환을 할 수 있는 고객으로 차후 대출 시 대출 허가 승인이 되는 고객들이며, 엑스표인 고객들은 대출 상환을 제때 할 수 없어 대출시 승인이 나지 않거나 주의해야 될 고객임을 알 수 있습니다.

지금까지 TABLEAU에서 확장기능을 통해 PYTHON을 이용한 딥러닝 사례에 대해 살펴보았습니다~!

그럼 다음 시간에 만나요!

"태블로를 이용한 쉽고 빠른 데이터 시각화는 디포커스의 전문가(https://www.dataqrator.com)가 도와드립니다."

 

"태블로를 이용한 쉽고 빠른 데이터 시각화는 디포커스의 전문가(https://www.dataqrator.com)가 도와드립니다."

안녕하세요^^ 디포커스 태블로 둥이입니다~!!

태블로 차트를 알아보는 다섯 번째 시간입니다.

오늘은 '블렌딩&와플차트'를 알아보겠습니다~!

블렌딩은 태블로에만 있는 데이터를 가공하는 방법이라고 이해하시면 됩니다.

기본적인 데이터 형태 가공은 ‘Join’ 형태가 있는데,

이 경우에는 데이터에서 이미 가공을 하고 데이터를 갖고 오게 됩니다.

▶JOIN(데이터 편집)

블렌딩은 각각의 데이터를 갖고 와서 주 데이터 기준으로 공통의 데이터를 집계하는 형태를 말합니다.

▶블렌딩 (워크시트 화면)

각각의 데이터를 갖고 와서 주 테이블의 특정필드(지역)에 집계의 단위를 맞추고 결합시키는 것입니다.

블렌딩은 물리적으로 데이터를 붙이지 않고, 하나의 화면에 두 테이블이 붙어 있는 듯하게 보여지는 것입니다.

본 실습에 데이터는 Tableau에서 기본적으로 제공하는 Sample 슈퍼스토어 - 주문 시트와플 차트를 만들기 위해서 가공된 데이터 SET를 갖고 와서 만들도록 하겠습니다.

*Tableau Desktop 버전에 따라 슈퍼스토어에 데이터 값이 상이할 수 있습니다.

Waffle dataset은 1%를 칸으로 표현하기 때문에 각 항목을 5줄로 표현하고 칸을 100개를 만든 데이터가 필요합니다.

Sample 슈퍼스토어에 주문 시트 추가 후 위에서 만든 가공된 Data Set도 갖고 와줍니다.

블랜딩을 이용하여 와플차트를 만들기 위해 데이터에 혼합관계 편집(블랜딩)을 해줍니다.

*Tableau 버전마다 Blending을 의미하는 한글 표현은 상이할 수 있음, 편집 위치는 동일함.

혼합 관계 편집을 이용하여 슈퍼스토어 Data와 가공한 와플 차트 Data 의 대분류로 맵핑 시켜줍니다.

대분류 별 수익율을 와플 차트로 만들기 위해 수익율 계산식을 만들어 줍니다.

상단의 데이터에서 슈퍼스토어-샘플 클릭 후 계산식을 이미지와 같이 작성 후 확인을 누릅니다.

수익율 계산식을 만든 후 데이터에 SHEET1을 클릭하여 수익률이 Percentage보다 큰 부분만 표시할 수 있도록 계산식을 만들어둡니다.

혼합 관계 편집을 이용하여 슈퍼스토어 Data와 가공한 와플 차트 Data 의 대분류로 맵핑 시켜줍니다.

측정값 집계가 되어있는 것을 선택 해제 하게 되면, 칸으로 쪼개지면서 각 항목에 맞게 막대처럼 생기게 됩니다.

대분류의 색상 마크를 넣게 되면 대분류 별로 색상이 달라지는 것이 보이게 됩니다.

위에 만들었던 값 범위에 대한 항목을 색상에 넣게 되면 ‘참,거짓’으로 값이 나뉘게 되고 거짓인 부분은 하얀색으로 표시가 되지 않도록 만들어줍니다.

위에 색상에 값을 넣은 것을 확인하게 되면 아래와 같이 각각 자기의 %만 표시가 되는 것을 확인할 수 있습니다.

차트 위에 항목 이름과 수익률(%)를 표시하기 위해서 레이블에 넣고 표시하면 되는데, 자동으로 하게 되면 모든 항목에 값이 표시되므로 값 표시 계산식을 만들고 필드에서 값 표시를 선택해주시면 됩니다.

그럼 아래와 항목과 수익률%가 하나만 값이 표시 되는 것을 볼 수 있습니다.

마크의 크기를 중간 사이즈로 하게 되면 공간이 있던 부분이 꽉 채워져서 표현되게 됩니다.

마크의 색상에서 테두리 색상을 선택하게 되면 칸 별로 나눠서 표현되게 됩니다.

오늘은 순서대로 와플 차트를 만드는 방법을 소개해봤습니다.

그럼 다음 시간에 만나요~!

"태블로를 이용한 쉽고 빠른 데이터 시각화는 디포커스의 전문가(https://www.dataqrator.com)가 도와드립니다."

 

+ Recent posts