Small Multiples in Tableau: Nativer Chart-Typ und manuelle Methode im Vergleich
Ob für den direkten Vergleich von Verkaufszahlen, regionalen Dürremustern oder sportlichen Kennzahlen: Small Multiples gehören zu den wirkungsvollsten Visualisierungsformen in Tableau. Sie unterteilen große Datenmengen in ein klares Raster aus Mini-Diagrammen mit einheitlicher Achsenskalierung.
Wenn im American Football zwei Spitzen-Quarterbacks in einem echten „Shoot-Out“ aufeinandertreffen, greift man gerne auf das sogenannte Passer Rating zurück, um ihre Leistung in einer einzigen Kennzahl abzubilden. Diese Metrik setzt sich aus Touchdowns, Interceptions sowie den versuchten und erfolgreichen Pässen und Yards zusammen. Ein Paradebeispiel für solch ein Offensiv-Spektakel war der Super Bowl LII: Beide Quarterbacks lieferten ein herausragendes Spiel ab und hatten dementsprechend starke Werte. Nick Foles aufseiten der Philadelphia Eagles mit einem Rating von 106,1 und Tom Brady für die New England Patriots mit 115,4.
Doch wie sieht eine gute Visualisierung aus, wenn diese Werte über eine gesamte Saison hinweg dargestellt werden sollen? Hierbei können idealerweise Small Multiples verwendet werden. Doch warum Kleine Vielfache und nicht ein einfaches Liniendiagramm?
Die Grafik zeigt die zeitliche Entwicklung mehrerer Variablen über Wochen hinweg. Die verschiedenen Linien repräsentieren unterschiedliche Datenreihen und deren Schwankungen.
Schaut man sich den Saisonverlauf 2016/2017 für eine Vielzahl von Spielern an, wird schnell ersichtlich, dass ein klassisches Liniendiagramm bei so vielen parallelen Linien völlig unübersichtlich wird. An diesem Punkt kommt ein anderer Chart-Typ ins Spiel.
Was sind Small Multiples in Tableau eigentlich?
Um ein Trellis Chart in Tableau zu verwenden gibt es zwei Methoden: Den nativen Weg sowie den manuellen Weg per Tabellenkalkulation. Wenn eine schnelle, standardisierte Aufteilung gebraucht wird und die automatische Anordnung von Tableau für das Dashboard passt, dann reicht die native Methode. Für volle Kontrolle oder dynamische Sortierungen wird die manuelle Methode benötigt.
Der native Weg zum Trellis Chart in Tableau
Seit Tableau Version 2022.1 ist es sehr einfach ein Chart mit Standardraster zu erstellen:
- Erstelle ein Basisdiagramm (z. B. Umsatz auf Zeilen, Quartal auf Spalten).
- Die Dimension, nach der das Raster aufgeteilt werden soll (z. B. Region), kommt in den Spalten- oder Zeilen-Container vor die bestehenden Pillen.
- Tableau erstellt automatisch ein sauberes Raster.
Die manuelle Methode zum Kleinen Vielfachen in Tableau
Der klassische Ansatz bedarf ebenfalls drei einfacher Schritte, auch wenn diese etwas aufwändiger sind:
1. Die Spalten unterteilen
Hierzu wird ein berechnetes Feld erstellt, welches in diesem Fall „Column Divider“ genannt wird.
Hiermit werden die Spalten aufgesplittet, wodurch im späteren Verlauf die Ansicht dynamisch angepasst werden kann (speziell durch diverse Sortierungen). Zur genauen Erläuterung der Funktionsweise dieses Feldes ist auf den Bericht „Dynamic Visualisations with SIZE() and INDEX()“ unseres The Information Lab-Kollegen und Tableau Visionary (ehemals Tableau Zen Master) Chris Love zu verweisen, welcher als Inspiration für diesen Artikel dient.
2. Die Zeilen unterteilen
Bei diesem Schritt wird ein weiteres berechnetes Feld mit der Bezeichnung „Row Divider“ erstellt:
Wichtig: „Column Divider“ kommt auf Spalten und „Row Divider“ auf Zeilen. Da in den berechneten Feldern Tabellenkalkulationen verwendet werden, ist nun die Basis der Tabellenberechnung festzulegen. In diesem Fall soll für jeden Spieler ein eigenes Diagramm erstellt werden. Durch einen Klick mit der rechten Maustaste auf „Column Divider“ kann im Bereich „Berechnen per“ (Compute Using) die Dimension gewählt werden, nach der unterteilt werden soll. In diesem Fall ist es die Variable „Spielername“.
Das Ganze muss ebenfalls für „Row Divider“ wiederholt werden, damit die Aufteilung abgeschlossen ist.
Nachdem diese beiden Felder für das Projekt erstellt wurden, können die eigentlichen Daten hinzugefügt werden.
3. Schritt: Die Daten für die jeweiligen Charts einfügen
In diesem Fall ist der Verlauf des Passer-Ratings über die jeweilige Woche von Relevanz. Um eine Achse zu erstellen, wird das Feld „Week“ als fortlaufendes Feld in den Spalten-Container gezogen. Das Passer-Rating wird auf „Zeilen“ gezogen, wodurch die Liniendiagramme erzeugt werden.
Nach ein paar optischen Anpassungen sieht die finale Version nun folgendermaßen aus:
Nach ein paar optischen Anpassungen sieht die finale Version nun folgendermaßen aus:
Anhand der dynamischen Struktur des Arbeitsblattes lassen sich die Diagramme beliebig filtern (in diesem Fall absteigend nach dem durchschnittlichen Passer-Rating). Die vertikale Linie repräsentiert das Ende der regulären Saison und somit den Beginn der Playoffs. Es wird ersichtlich, dass nur eine sehr geringe Anzahl von Quarterbacks überdurchschnittliche Leistungen in den Playoffs verzeichnen können und dass ihr Zenit meist in der Regular Season liegt.
Eine große Ausnahme wird anhand von Matt Ryan ersichtlich, doch auch dieses außergewöhnliche Rating verhalf den Atlanta Falcons nicht zum Superbowl-Sieg.
Diese Verläufe wären im ersten Beispiel mit dem Liniendiagramm nicht so gut ersichtlich gewesen. Somit sind Small Multiples gerade zur Aufschlüsselung solcher Daten perfekt geeignet und gut anwendbar.
Der Praxis-Check: Wann kommt welche Methode zum Einsatz?
| Feature / Anforderung | Native Small Multiples | Manuelle Methode (INDEX/SIZE) |
| Geschwindigkeit | Extrem schnell (Drag & Drop) | Benötigt etwas Setup |
| Flexibilität im Layout | Eingeschränkt (Tableau entscheidet) | Vollständig anpassbar (z. B. exakte Zeilen-/Spaltenanzahl) |
| Sortierung | Standard | Dynamisch nach Kennzahlen sortierbar |
| Lückenhafte Daten | Robust | Erfordert saubere Daten (Lücken können das Grid verschieben) |
Fazit: Bereite deine Daten vor und leg los
Small Multiples sind der Schlüssel, um komplexe Zeitreihen-Vergleiche elegant und verständlich zu visualisieren. Unabhängig davon, ob der schnelle nativen Weg gewählt oder das präzise manuelle Layout bevorzugt wird. Die Datenbasis sollte idealerweise keine Lücken haben, damit sie den einzelnen Diagrammen korrekt zugeordnet werden kann.
In dem obigen Anwendungsfall liegen Lücken beispielweise bei Tom Brady vor, da er in Woche 18 gar nicht gespielt hat und somit keinen Eintrag für diese Woche hat. Grund hierfür waren die Wildcard-Games in der Woche, welche für die New England Patriots nicht relevant waren. Dies kann dazu führen, dass einige Werte in eines der Small Multiples rutschen, in das sie nicht gehören.
Du möchtest das Beste aus deinen Tableau-Dashboards herausholen oder suchst nach maßgeschneiderten Visualisierungslösungen?
Ähnliche Beiträge
Information Lab Blog
Data, Analytics und AI: Unser Portfolio entwickelt sich weiter
Datenstrategie
Cloud-Migration analytischer Data Warehouses: Warum Strategie wichtiger ist als Lift & Shift
AI in BI
