Der Fokus liegt auf der Verzahnung von Tableau mit Data-Science-Abläufen. Tableau visualisiert Modelle konsistent, macht Datenqualität sichtbar und steuert explorative Analysen über Segmente und Zeit. Tableau bindet Scores, Wahrscheinlichkeiten und Erklärgrößen reproduzierbar ein, ohne die Nachvollziehbarkeit zu verlieren. Begriffe wie Precision/Recall (Klassifikationsmetriken), Konfusionsmatrix und Kalibration werden sachlich dargestellt. Tableau priorisiert einheitliche Definitionen, klare Schwellen und dokumentierte Vergleiche zu Baselines, damit Ergebnisse prüfbar und wiederholbar sind.
Inhaltsübersicht1. Datenfluss - Inputs und Validierung2. Tableau - Score- und KPI-Darstellung3. Analyse - Segmente, Zeitreihen, Vergleich4. Tableau - Governance und Monitoring1. Daten und Inputs
- Strukturierte Exporte: IDs, Zeitachsen, Segmentfelder
- Qualitätsindikatoren und Datenlücken sichtbar machen
- KPI-Definitionen und Messlogik festschreiben
2. Tableau - Modelle sichtbar machen
- Scores/Wahrscheinlichkeiten konsistent visualisieren
- Precision/Recall, F1, ROC-AUC standardisiert berichten
- Schwellenwahl begründen; Tooltips/Legenden vereinheitlichen
3. Explorative Analyse und Betrieb
- Drilldowns, Filter/Actions und Vergleichsstände
- Baseline- und Vorperiodenvergleiche integrieren
- Versionen, Seeds, Aktualisierungszyklen dokumentieren