第十天了，今天想要學習三組數據結合之後可以帶給我們什麼樣的訊息？三組數據，就資料分析這個領域來說，馬上就會想到鼎鼎大名的ＲＦＭ模型。
　　ＲＦＭ是根據廣大客戶(消費者)的消費行為以進行分析，就這次手邊的數據來說，國家資料「Countries And Territories」跟廣大客戶的性質很接近，而「Cumulative number for 14 days of COVID-19 cases per 100000」、「Cases」和「Deaths」這三組數據個別的「總和」可以當作這次資料分析的ＲＦＭ。我們可以這樣的基礎假設下，開始進行吧！
　　
　　先「建立導出欄位」，把「Cases」的「總和」算出來。公式如下：
　　
　　「Cumulative number for 14 days of COVID-19 cases per 100000」和「Deaths」的作法與上面公式相同，這邊就不特別貼圖上來了。大家可以自行試試看。 ^_^
　　
　　接下來，我們把資料分成以20%為一個區間，分別給出1~5分。(Tips : 在這邊，我會把最嚴重的設定為1分，不嚴重的設定為5分)
　　

　　其他兩組公式的計算，可以比照辦理。
　　
　　
　　哈哈哈！「拖-拉-放」之後，畫出一個都是ABC的圖表.....
　　
　　
　　
　　原來，我們還沒有把前面公式中 FIXED 欄位的值告訴 Tableau。現在，我們再來創造一個「國家清單」的資料出來。然後拉到「標記」的地方。(Tips : 從解說與範例來看，這個公式很適合把「國家清單」找出來。)
　　
　　
　　接下來就是要調整調整。把「國家清單」設定為「顏色」標記之後，「醒目提示表」就可以選取了，隨後再改成自己喜歡的顏色。完成。
　　
　　
　　從這個圖表上來看，在210個國家中，有 14 個國家還挺嚴重的「1-1-1」。需要重點觀察。
　　可是，我們怎麼知道是哪幾個國家呢？其實還挺直覺的，把「Countries And Territories」拉到Y軸上就可以了哦！
　　
　　
　　把兩張工作表合在一起看，是不是有了不一樣的感覺呢！
　　
　　
　　趕緊下個結論吧！今天將三組資料透過ＲＦＭ的手法，確實增加了很多「待觀察名單」。不過，這次的實作還是以練習為主，就不特別分析了，因為「Cumulative number for 14 days of COVID-19 cases per 100000」這個數據跟「Cases」這個數據的關聯性太大，在分析上容易產生誤區。不過，ＲＦＭ模型的思維與應用還是很有研究價值的，當然，有幾個方向是可以考慮，以便進一步改善：
　　1. 改變分組的間隔大小。好比說，分成7組，或是分成2組，重建Matrix。
　　2. 改變時間週期。今天這邊的實作是「全部加總」，我們也可以只觀察「最近一週」或是「最近一個月」的結果。
　　3. 找出更有意義的數據組合。「Cases」和「Deaths」很有代表性，但是「Cumulative number for 14 days of COVID-19 cases per 100000」就有點重複的感覺。或許可以改成，「每日新增確診人數」。這樣的分析，應該會很精彩。
　　
　　看來，公式的應用機會越來越多了..... 我再好好研究研究，安排安排接下來的學習地圖。 ^_^