🔖 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。

📐 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・概念を言葉で読み解く

Tableau の世界観を 1 つの表に整理します。

🧮 実値で計算してみる（SSDSE-B-2026）

🐍 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）

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

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

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

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 県内総生産の散布図を描き、 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。

🗺 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

⚠️ 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

🗺 概念マップ

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）

📚 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.
• Few, S. (2009). Now You See It: Simple Visualization Techniques for Quantitative Analysis. Analytics Press.
• 公式ラーニング：https://www.tableau.com/ja-jp/learn