А известно на каком ПО это сделано?

Задам странный вопрос, но не осуждайте меня 🙂 Сколько нужно, на ваш взгляд, времени сильно мотивированному Tableau-новичку с большим опытом аналитики и датавиза в Excel/Python, чтобы разобраться, как строить в Tableau дашборды для банка (чекинг, кредит, ипотека, инвестиции - такое всё; попутно надо будет собирать требования к датавизу, а с меня обновляемые дашборды). Что в этом случае будет являться минимальным стартовым набором знаний? Пните меня в ту сторону, куда надо копать 🙂 Спасибо

Сильно зависит от сложности дашборда. Что-то простое можно научиться делать за неделю. Какие-то специфические фишки появляются с каждой новой версией + периодически открываешь лайфхаки, про которые не знал не смотря на 10-летный опыт работы с программой )

Задам странный вопрос, но не осуждайте меня 🙂 Сколько нужно, на ваш взгляд, времени сильно мотивированному Tableau-новичку с большим опытом аналитики и датавиза в Excel/Python, чтобы разобраться, как строить в Tableau дашборды для банка (чекинг, кредит, ипотека, инвестиции - такое всё; попутно надо будет собирать требования к датавизу, а с меня обновляемые дашборды). Что в этом случае будет являться минимальным стартовым набором знаний? Пните меня в ту сторону, куда надо копать 🙂 Спасибо

Есть два важных момента. В банках своя специфика, свой учет, свой план счетов. Надо немного их матан подучить, он отличается от жизни. Их дата сеты часто содержат много measures. У меня есть две работы по банкам (делал для Сингапура и Вьетнама), могу скинуть сэмплы. Еще хорошая тема зайти на kaggle - там есть готовые обезличенные датасеты по кредитам, скорингу и т.д. Я сам там видел пару испанских банков и русских. Качаете эти дата сеты и тренируетесь))

Есть два важных момента. В банках своя специфика, свой учет, свой план счетов. Надо немного их матан подучить, он отличается от жизни. Их дата сеты часто содержат много measures. У меня есть две работы по банкам (делал для Сингапура и Вьетнама), могу скинуть сэмплы. Еще хорошая тема зайти на kaggle - там есть готовые обезличенные датасеты по кредитам, скорингу и т.д. Я сам там видел пару испанских банков и русских. Качаете эти дата сеты и тренируетесь))

Есть два важных момента. В банках своя специфика, свой учет, свой план счетов. Надо немного их матан подучить, он отличается от жизни. Их дата сеты часто содержат много measures. У меня есть две работы по банкам (делал для Сингапура и Вьетнама), могу скинуть сэмплы. Еще хорошая тема зайти на kaggle - там есть готовые обезличенные датасеты по кредитам, скорингу и т.д. Я сам там видел пару испанских банков и русских. Качаете эти дата сеты и тренируетесь))

Задам странный вопрос, но не осуждайте меня 🙂 Сколько нужно, на ваш взгляд, времени сильно мотивированному Tableau-новичку с большим опытом аналитики и датавиза в Excel/Python, чтобы разобраться, как строить в Tableau дашборды для банка (чекинг, кредит, ипотека, инвестиции - такое всё; попутно надо будет собирать требования к датавизу, а с меня обновляемые дашборды). Что в этом случае будет являться минимальным стартовым набором знаний? Пните меня в ту сторону, куда надо копать 🙂 Спасибо

Эка невидаль)

я перепахал много датасетов из самых разных отраслей.  и рассматриваю аналитика не как робота, который зависит от структуры данных, которую ему дает dwh. Аналитик должен уметь думать мозгами.  А чтобы что-то анализировать, надо знать и понимать специфику отрасли. Вот в этом плане датасеты банков мне показались достаточно специфичными, нежели ритейл, мед, ИТ и все остальные)

я перепахал много датасетов из самых разных отраслей.  и рассматриваю аналитика не как робота, который зависит от структуры данных, которую ему дает dwh. Аналитик должен уметь думать мозгами.  А чтобы что-то анализировать, надо знать и понимать специфику отрасли. Вот в этом плане датасеты банков мне показались достаточно специфичными, нежели ритейл, мед, ИТ и все остальные)

Мы сейчас про картинки для банков, бизнес-процессы другие в банке и дата - согласен. Но матан в каком моменте вам пригодился? BI это не data science

Матан слегонца уже вшит в Tableau. Если data science - матан, а BI - не матан,  то я не согласен. Histogram, bins на measures, использование CNT и CNTD, regressions и разделение timestamp на всякие datetrunc - это уже начало матана и data science. Ты когда пилишь все эти штуки становишься немного data scientist, это ж его основы. во как. причем Tableau из всех BI-систем мне кажется лучше всего структурирует мозг аналитика для data science (деление на dim/meas и т.д.). Но это мое мнение

Матан слегонца уже вшит в Tableau. Если data science - матан, а BI - не матан,  то я не согласен. Histogram, bins на measures, использование CNT и CNTD, regressions и разделение timestamp на всякие datetrunc - это уже начало матана и data science. Ты когда пилишь все эти штуки становишься немного data scientist, это ж его основы. во как. причем Tableau из всех BI-систем мне кажется лучше всего структурирует мозг аналитика для data science (деление на dim/meas и т.д.). Но это мое мнение

Вы про картинки?)

"причем Tableau из всех BI-систем мне кажется лучше всего структурирует мозг аналитика для data science (деление на dim/meas и т.д.)" - а так не во всех системах разве?)

Табло это не картинки)