{"id":3220,"date":"2024-03-18T09:05:52","date_gmt":"2024-03-18T09:05:52","guid":{"rendered":"https:\/\/p659644.mittwaldserver.info\/wordpress\/?post_type=blog&#038;p=3220"},"modified":"2025-09-30T10:55:22","modified_gmt":"2025-09-30T10:55:22","slug":"integration-von-zielwerten-bzw-vorhersagewerten-unterschiedlicher-granularitaet-in-tableau","status":"publish","type":"blog","link":"https:\/\/www.hopmann.com\/en\/blog\/integration-of-target-values-or-predicted-values-of-different-granularity-in-tableau\/","title":{"rendered":"INTEGRATION OF TARGET VALUES OR PREDICTED VALUES OF DIFFERENT GRANULARITY IN TABLEAU"},"content":{"rendered":"<hr>\n<ul>\n<li><a href=\"#\">social<\/a>\n<\/li>\n<li><a href=\"#\">social<\/a>\n<\/li>\n<li><a href=\"#\">social<\/a>\n<\/li>\n<\/ul>\n<hr>\n<div>\n<p><em><strong>Wichtig: Die Anpassung der verwendeten Daten muss f\u00fcr dieses Vorgehen m\u00f6glich sein!<\/strong><\/em><\/p>\n<p>Um Zielwerte in einer Tableau Visualisierung unterzubringen, m\u00fcssen diese Werte in den Daten in der richtigen Struktur vorhanden sein. Wir schauen uns in diesem Artikel an, wie wir die Daten am besten in der Datenquelle aufbereiten, damit wir diese sp\u00e4ter in der Visualisierung flexibel einsetzen k\u00f6nnen.<\/p>\n<p><span><strong><br \/>Fall 1: Zielwerte liegen f\u00fcr jede Granularit\u00e4t der Beobachtungsdimension vor oder sind nur auf einer Ebene vorhanden<\/strong><\/span><\/p>\n<p><span>F\u00fcr diesen Fall schauen wir uns eine Metrik an, die mit verschiedenen Dimensionen gefiltert werden kann. Falls es sich bei Eurer Metrik um eine Prozentzahl handeln sollte, solltet Ihr den Zielwert am besten mit seinen absoluten Werten hinterlegen, damit Ihr sp\u00e4ter in der Ansicht auch auf beliebige Dimensionen filtern k\u00f6nnt. Falls Ihr f\u00fcr jede Granularit\u00e4t einen Zielwert habt, ist die Aufbereitung der Daten relativ simpel, indem Ihr einfach \u00fcber alle vorhandenen Dimensionen joined. Damit ist die Arbeit an den Daten auch schon erledigt und Ihr k\u00f6nnt gleich zum Visualisierungsteil \u00fcbergehen.<\/span><\/p>\n<\/div>\n<p><img decoding=\"async\" src=\"\/wp-content\/uploads\/fall-1.png\" alt=\"\"><\/p>\n<div>\n<p><span><strong>Fall 2: Zielwerte liegen nur f\u00fcr einzelne Granularit\u00e4ten der Beobachtungsdimension vor oder sind auf mehreren Ebenen vorhanden<\/strong><\/span><\/p>\n<p>F\u00fcr den Fall, dass die Zielwerte nur auf einer bestimmten Granularit\u00e4t vorhanden sind und f\u00fcr andere nicht, m\u00fcssen wir ein etwas anderes Vorgehen w\u00e4hlen, da wir mit einem Join \u00fcber die Daten hier vervielfachen w\u00fcrden und somit die Zahlen verf\u00e4lschen. Als erstes w\u00fcrde einem hier das Blending einfallen oder eine Relationship im logical Layer von Tableau. Wenn sich die Zielwerte alle auf der gleichen Granularit\u00e4tsebene befinden, ist dies der einfachste Weg.<\/p>\n<p><strong>Beispiel f\u00fcr den Zielwert mit einer Granularit\u00e4tsebene<\/strong><\/p>\n<p>Wir haben die Einwohner aller Regionen in Europa als Daten. Der Zielwert ist eine Vorhersage, wie viele Einwohner in zehn Jahren erwartet werden. Dieser Zielwert liegt allerdings nicht auf Regionenebene, sondern auf L\u00e4nderebene vor.<\/p>\n<\/div>\n<p><img decoding=\"async\" src=\"\/wp-content\/uploads\/fall-2.png\" alt=\"\"><\/p>\n<div>\n<div class=\"mb-1\">\n<p>In diesem Fall lohnt es sich, eine Relationship in Tableau anzulegen und den Zielwert dar\u00fcber in die Visualisierung zu bringen. Aufpassen m\u00fcssen wir hier dann allerdings bei der Darstellung auf niedrigeren Granularit\u00e4tsebenen. Falls wir jetzt nur<span>\u00a0<\/span><em>Frankreich \u2013 Bretagne<\/em><span>\u00a0<\/span>anzeigen, bekommen wir den Prognosewert f\u00fcr ganz Frankreich. Wir m\u00fcssen hier also entweder eine Berechnung verwenden, um zu \u00fcberpr\u00fcfen, auf welcher Ebene wir uns in der Darstellung befinden und davon abh\u00e4ngig einen Wert anzeigen oder wir verwenden auch f\u00fcr diesen Fall die Methode aus Fall 3.<\/p>\n<p><strong>Tableau Berechnung:<span>\u00a0<\/span><\/strong><em>IF COUNTD([Region])&gt;1 THEN AVG(Einwohner Prognose in T]) END<\/p>\n<p><\/em><\/p>\n<\/div>\n<div class=\"mb-1\">\n<h3><\/h3>\n<p><span><strong>Fall 3: Zielwerte auf mehreren Granularit\u00e4tsebenen ohne einer 1:1 Beziehung von Beobachtungswert und Zielwert<\/strong><\/span><\/p>\n<p>Im schwierigeren Fall, in dem Euer Zielwert auf mehreren Ebenen, aber nicht allen Ebenen oder nicht f\u00fcr alle Eintr\u00e4ge auf allen Ebenen vorhanden ist, m\u00fcssen wir allerdings einen anderen Weg gehen, um eine gr\u00f6\u00dfere Komplexit\u00e4t bei der Berechnung und Darstellung zu umgehen.<\/p>\n<p>Meine favorisierte Methode daf\u00fcr ist, die Daten mithilfe eines Unions an die Tabelle anzuh\u00e4ngen. Daf\u00fcr k\u00f6nnt Ihr die Zielwerte in eine neue Spalte schreiben und nur die Dimensionen ausf\u00fcllen, f\u00fcr die die entsprechenden Zielwerte vorhanden sind. Falls es auf einer Granularit\u00e4tsebene keinen Zielwert gibt, sollte diese Zeile nicht ausgef\u00fcllt werden.<\/p>\n<\/div>\n<\/div>\n<p><img decoding=\"async\" src=\"\/wp-content\/uploads\/fall-3.png\" alt=\"\"><\/p>\n<div>\n<div class=\"mb-1\">\n<p>Mit diesem Datenmodell k\u00f6nnen wir nun auch auf verschiedenen Ebenen Zielwerte einf\u00fcgen, selbst wenn diese nicht auf allen Ebenen bef\u00fcllt sind, wie im Beispiel Frankreich, bei dem wir nur die Prognose f\u00fcr das komplette Land haben, aber nicht die Prognose-Werte f\u00fcr die einzelnen Regionen. Wichtig zu beachten ist dabei, dass wir IST-Werte f\u00fcr alle Regionen eines Landes ben\u00f6tigen, damit in der Visualisierung sp\u00e4ter realistische Zahlen f\u00fcr das jeweilige Land angezeigt werden k\u00f6nnen.<\/p>\n<\/div>\n<div class=\"mb-1\">\n<p>Als letzten Punkt m\u00fcssen wir nun noch beachten, dass wir die verschiedenen Hierarchien mithilfe eines Parameters austauschbar machen und in die Visualisierung einbauen.<\/p>\n<\/div>\n<\/div>\n<p><img decoding=\"async\" src=\"\/wp-content\/uploads\/bild-4-2.png\" alt=\"\"><\/p>\n<div>\n<p><span>Somit k\u00f6nnen wir nun auf den verschiedenen Ebenen die NULL-Werte herausfiltern und bekommen nur die Granularit\u00e4ten mit Ist-Werten und entsprechenden Prognose-Werten (falls vorhanden) angezeigt.<\/span><\/p>\n<\/div>\n<p><img decoding=\"async\" src=\"\/wp-content\/uploads\/bild-5-regions-with-targets.png\" alt=\"\"><\/p>\n<hr>\n<p><p>\n        Vorheriger Artikel    <\/p>\n<\/p>\n<p><p>\n        N\u00e4chster Artikel    <\/p>\n<\/p>\n<hr>\n<div>Neueste Artikel<\/div>\n<div>\n<\/div>\n<div>Kategorien<\/div>\n<div>\n<\/div>\n<p><!--more--><br \/>\n<!-- {\"type\":\"layout\",\"children\":[{\"type\":\"section\",\"props\":{\"animation\":\"slide-bottom-medium\",\"animation_delay\":\"50\",\"height\":\"page\",\"image_position\":\"center-center\",\"padding\":\"large\",\"padding_remove_top\":true,\"style\":\"default\",\"title_breakpoint\":\"xl\",\"title_position\":\"top-left\",\"title_rotation\":\"left\",\"vertical_align\":\"\",\"width\":\"large\"},\"children\":[{\"type\":\"row\",\"props\":{\"column_gap\":\"large\",\"layout\":\"2-3,1-3\",\"padding_remove_horizontal\":false,\"row_gap\":\"large\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_large\":\"2-3\"},\"children\":[{\"type\":\"headline\",\"props\":{\"content_en_us\":\"18.10.2021: AN EXPERT CONTRIBUTION\",\"margin_remove_bottom\":true,\"title_element\":\"div\",\"title_style\":\"text-meta\"},\"source_extended\":{\"props\":{\"content\":{\"composed\":{\"value\":\"{{ sources.6b78 }}: {{ sources.46d0 }}\",\"sources\":{\"6b78\":{\"name\":\"field.datum\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\",\"date\":\"d.m.Y\"}},\"46d0\":{\"name\":\"field.subline\",\"query\":{\"name\":\"#parent\"}},\"6ef0\":{\"name\":\"field.datum\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\",\"date\":\"d.m.Y\"}}},\"conditions\":[]}}}},\"source\":{}},{\"type\":\"headline\",\"props\":{\"content_en_us\":\"\n\n<h2>INTEGRATION OF TARGET VALUES OR PREDICTIVE VALUES OF DIFFERENT GRANULARITY IN TABLEAU - HOPMANN MARKETING ANALYTICS<\\\/h2>\",\"margin\":\"small\",\"margin_remove_top\":false,\"title_element\":\"h1\",\"title_style\":\"h1\"},\"source_extended\":{\"props\":{\"content\":{\"name\":\"title\",\"query\":{\"name\":\"#parent\"}}}},\"source\":{}},{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin\":\"medium\",\"margin_remove_bottom\":true}},{\"type\":\"fragment\",\"props\":{\"margin\":\"remove-vertical\"},\"children\":[{\"type\":\"row\",\"props\":{\"css\":\".el-row {\\n\\tmargin-top: 8px;\\n    margin-bottom: 8px;\\n}\",\"layout\":\"1-2,1-2\",\"margin\":\"large\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"vertical_align\":\"middle\",\"width_default\":\"1-2\"},\"children\":[{\"type\":\"panel\",\"props\":{\"content_column_breakpoint\":\"m\",\"content_en_us\":\"\n\n<p><span>Paul Batzdorf on 18.10.2021<\\\/span><\\\/p>\",\"icon_width\":80,\"image_align\":\"left\",\"image_border\":\"circle\",\"image_grid_breakpoint\":\"\",\"image_grid_column_gap\":\"small\",\"image_grid_row_gap\":\"medium\",\"image_grid_width\":\"auto\",\"image_height\":40,\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"image_width\":40,\"link_style\":\"default\",\"link_text\":\"Read more\",\"margin\":\"\",\"meta_align\":\"below-title\",\"meta_element\":\"div\",\"meta_style\":\"text-meta\",\"title_align\":\"top\",\"title_element\":\"h3\",\"title_font_family\":\"tertiary\",\"title_grid_breakpoint\":\"m\",\"title_grid_width\":\"1-2\",\"title_hover_style\":\"reset\",\"title_style\":\"text-small\"},\"source_extended\":{\"props\":{\"image\":{\"name\":\"field.foto.url\",\"query\":{\"name\":\"#parent\"}},\"title\":{\"composed\":{\"value\":\"\",\"sources\":[],\"conditions\":[]}},\"content\":{\"composed\":{\"value\":\"{{ sources.5d02 }} am {{ sources.67e8 }}\",\"sources\":{\"5d02\":{\"name\":\"field.autor\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\"}},\"67e8\":{\"name\":\"field.datum\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\",\"date\":\"d.m.Y\"}}},\"conditions\":[]}}}},\"source\":{}}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"vertical_align\":\"middle\",\"width_default\":\"1-2\"},\"children\":[{\"type\":\"yooessentials_social_sharing\",\"props\":{\"class\":\"social-sharing-blog\",\"grid\":\"horizontal\",\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"image_svg_inline\":true,\"link_style\":\"link\",\"margin\":\"default\",\"text_align\":\"right\"},\"children\":[{\"type\":\"yooessentials_social_sharing_item\",\"props\":{\"link_target\":\"_blank\",\"link_target_height\":\"\",\"link_target_width\":\"\",\"network\":\"linkedin\"}},{\"type\":\"yooessentials_social_sharing_item\",\"props\":{\"icon\":\"x\",\"link_target\":\"_blank\",\"link_target_height\":\"\",\"link_target_width\":\"\",\"network\":\"x\"}},{\"type\":\"yooessentials_social_sharing_item\",\"props\":{\"custom_link\":\"https:\\\/\\\/www.xing.com\\\/spi\\\/shares\\\/new?url={URL}\",\"icon\":\"xing\",\"link_target\":\"_blank\",\"link_target_height\":\"\",\"link_target_width\":\"\",\"network\":\"custom\"}}]}]}]}]},{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin\":\"medium\",\"margin_remove_top\":true}},{\"type\":\"html\",\"props\":{\"content\":\"\"},\"name\":\"--- \\\/\\\/ Content Start \\\/\\\/ ---\"},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"\n\n<p><em><strong>Wichtig: Die Anpassung der verwendeten Daten muss f\\u00fcr dieses Vorgehen m\\u00f6glich sein!<\\\/strong><\\\/em><\\\/p>\\n\n\n<p>Um Zielwerte in einer Tableau Visualisierung unterzubringen, m\\u00fcssen diese Werte in den Daten in der richtigen Struktur vorhanden sein. Wir schauen uns in diesem Artikel an, wie wir die Daten am besten in der Datenquelle aufbereiten, damit wir diese sp\\u00e4ter in der Visualisierung flexibel einsetzen k\\u00f6nnen.<br \\\/><br \\\/><span><strong><br \\\/>Fall 1: Zielwerte liegen f\\u00fcr jede Granularit\\u00e4t der Beobachtungsdimension vor oder sind nur auf einer Ebene vorhanden<\\\/strong><\\\/span><\\\/p>\\n\n\n<p><span>F\\u00fcr diesen Fall schauen wir uns eine Metrik an, die mit verschiedenen Dimensionen gefiltert werden kann. Falls es sich bei Eurer Metrik um eine Prozentzahl handeln sollte, solltet Ihr den Zielwert am besten mit seinen absoluten Werten hinterlegen, damit Ihr sp\\u00e4ter in der Ansicht auch auf beliebige Dimensionen filtern k\\u00f6nnt. Falls Ihr f\\u00fcr jede Granularit\\u00e4t einen Zielwert habt, ist die Aufbereitung der Daten relativ simpel, indem Ihr einfach \\u00fcber alle vorhandenen Dimensionen joined. Damit ist die Arbeit an den Daten auch schon erledigt und Ihr k\\u00f6nnt gleich zum Visualisierungsteil \\u00fcbergehen.<\\\/span><\\\/p>\",\"content_en_us\":\"\n\n<p><em><strong>Important: It must be possible to adapt the data used for this procedure!<\\\/strong><\\\/em><\\\/p>\\n\n\n<p>In order to accommodate target values in a Tableau visualization, these values must be available in the data in the correct structure. In this article, we look at the best way to prepare the data in the data source so that we can use it flexibly later in the visualization.<\\\/p>\\n\n\n<p><br \\\/><strong>Case 1: Target values are available for each granularity of the observation dimension or are only available at one level<\\\/strong><\\\/p>\\n\n\n<p>In this case, we look at a metric that can be filtered with different dimensions. If your metric is a percentage, it is best to store the target value with its absolute values so that you can later filter on any dimension in the view. If you have a target value for each granularity, it is relatively easy to prepare the data by simply joining all existing dimensions. This completes the work on the data and you can move straight on to the visualization part.<\\\/p>\",\"margin\":\"xlarge\",\"margin_remove_top\":true,\"text_style\":\"small\"}},{\"type\":\"image\",\"props\":{\"image\":\"wp-content\\\/uploads\\\/fall-1.png\",\"image_svg_color\":\"emphasis\",\"image_width\":800,\"margin\":\"small\",\"margin_remove_bottom\":false,\"margin_remove_top\":false}},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"\n\n<p><span><strong>Fall 2: Zielwerte liegen nur f\\u00fcr einzelne Granularit\\u00e4ten der Beobachtungsdimension vor oder sind auf mehreren Ebenen vorhanden<\\\/strong><\\\/span><\\\/p>\\n\n\n<p>F\\u00fcr den Fall, dass die Zielwerte nur auf einer bestimmten Granularit\\u00e4t vorhanden sind und f\\u00fcr andere nicht, m\\u00fcssen wir ein etwas anderes Vorgehen w\\u00e4hlen, da wir mit einem Join \\u00fcber die Daten hier vervielfachen w\\u00fcrden und somit die Zahlen verf\\u00e4lschen. Als erstes w\\u00fcrde einem hier das Blending einfallen oder eine Relationship im logical Layer von Tableau. Wenn sich die Zielwerte alle auf der gleichen Granularit\\u00e4tsebene befinden, ist dies der einfachste Weg.<br \\\/><br \\\/><strong>Beispiel f\\u00fcr den Zielwert mit einer Granularit\\u00e4tsebene<\\\/strong><\\\/p>\\n\n\n<p>Wir haben die Einwohner aller Regionen in Europa als Daten. Der Zielwert ist eine Vorhersage, wie viele Einwohner in zehn Jahren erwartet werden. Dieser Zielwert liegt allerdings nicht auf Regionenebene, sondern auf L\\u00e4nderebene vor.<\\\/p>\",\"content_en_us\":\"\n\n<p><strong>Case 2: Target values are only available for individual granularities of the observation dimension or are available at several levels<\\\/strong><\\\/p>\\n\n\n<p>In the event that the target values are only available at a certain granularity and not for others, we have to choose a slightly different procedure, as we would multiply the data here with a join and thus falsify the figures. The first thing that comes to mind here is blending or a relationship in the logical layer of Tableau. If the target values are all at the same granularity level, this is the easiest way.<\\\/p>\\n\n\n<p><strong>Example of the target value with a granularity level<\\\/strong><\\\/p>\\n\n\n<p>We have the population of all regions in Europe as data. The target value is a prediction of how many inhabitants are expected in ten years. However, this target value is not available at region level, but at country level.<\\\/p>\",\"margin\":\"medium\",\"margin_remove_top\":true}},{\"type\":\"image\",\"props\":{\"image\":\"wp-content\\\/uploads\\\/fall-2.png\",\"image_svg_color\":\"emphasis\",\"image_width\":800,\"margin\":\"small\",\"margin_remove_bottom\":false,\"margin_remove_top\":false}},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"\n\n<div class=\\\"mb-1\\\">\\n\n\n<p>In diesem Fall lohnt es sich, eine Relationship in Tableau anzulegen und den Zielwert dar\\u00fcber in die Visualisierung zu bringen. Aufpassen m\\u00fcssen wir hier dann allerdings bei der Darstellung auf niedrigeren Granularit\\u00e4tsebenen. Falls wir jetzt nur<span>\\u00a0<\\\/span><em>Frankreich \\u2013 Bretagne<\\\/em><span>\\u00a0<\\\/span>anzeigen, bekommen wir den Prognosewert f\\u00fcr ganz Frankreich. Wir m\\u00fcssen hier also entweder eine Berechnung verwenden, um zu \\u00fcberpr\\u00fcfen, auf welcher Ebene wir uns in der Darstellung befinden und davon abh\\u00e4ngig einen Wert anzeigen oder wir verwenden auch f\\u00fcr diesen Fall die Methode aus Fall 3.<\\\/p>\\n\n\n<p><strong>Tableau Berechnung:<span>\\u00a0<\\\/span><\\\/strong><em>IF COUNTD([Region])&gt;1 THEN AVG(Einwohner Prognose in T]) END<br \\\/><br \\\/><br \\\/><\\\/em><\\\/p>\\n<\\\/div>\\n\n\n<div class=\\\"mb-1\\\">\\n\n\n<h3><\\\/h3>\\n\n\n<p><span><strong>Fall 3: Zielwerte auf mehreren Granularit\\u00e4tsebenen ohne einer 1:1 Beziehung von Beobachtungswert und Zielwert<\\\/strong><\\\/span><\\\/p>\\n\n\n<p>Im schwierigeren Fall, in dem Euer Zielwert auf mehreren Ebenen, aber nicht allen Ebenen oder nicht f\\u00fcr alle Eintr\\u00e4ge auf allen Ebenen vorhanden ist, m\\u00fcssen wir allerdings einen anderen Weg gehen, um eine gr\\u00f6\\u00dfere Komplexit\\u00e4t bei der Berechnung und Darstellung zu umgehen.<\\\/p>\\n\n\n<p>Meine favorisierte Methode daf\\u00fcr ist, die Daten mithilfe eines Unions an die Tabelle anzuh\\u00e4ngen. Daf\\u00fcr k\\u00f6nnt Ihr die Zielwerte in eine neue Spalte schreiben und nur die Dimensionen ausf\\u00fcllen, f\\u00fcr die die entsprechenden Zielwerte vorhanden sind. Falls es auf einer Granularit\\u00e4tsebene keinen Zielwert gibt, sollte diese Zeile nicht ausgef\\u00fcllt werden.<\\\/p>\\n<\\\/div>\",\"content_en_us\":\"\n\n<p>In this case, it is worth creating a relationship in Tableau and using it to bring the target value into the visualization. However, we have to be careful when displaying at lower granularity levels. If we now only display <em>France - Brittany<\\\/em>, we get the forecast value for the whole of France. We must therefore either use a calculation to check which level we are at in the display and display a value depending on this, or we can also use the method from case 3 for this case.<\\\/p>\\n\n\n<p><strong>Tableau calculation:<\\\/strong> <em>IF COUNTD([Region])&gt;1 THEN AVG(Population forecast in T]) END<\\\/em><\\\/p>\\n\n\n<p><strong>Case 3: Target values at several levels of granularity without a 1:1 relationship between observed value and target value<\\\/strong><\\\/p>\\n\n\n<p>However, in the more difficult case where your target value is available at multiple levels but not all levels or not for all entries at all levels, we need to take a different approach to avoid greater complexity in calculation and visualization.<\\\/p>\\n\n\n<p>My favorite method for this is to append the data to the table using a union. To do this, you can write the target values in a new column and only fill in the dimensions for which the corresponding target values are available. If there is no target value at a granularity level, this row should not be filled in.<\\\/p>\",\"margin\":\"medium\"}},{\"type\":\"image\",\"props\":{\"image\":\"wp-content\\\/uploads\\\/fall-3.png\",\"image_svg_color\":\"emphasis\",\"image_width\":800,\"margin\":\"small\",\"margin_remove_bottom\":false,\"margin_remove_top\":false}},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"\n\n<div class=\\\"mb-1\\\">\\n\n\n<p>Mit diesem Datenmodell k\\u00f6nnen wir nun auch auf verschiedenen Ebenen Zielwerte einf\\u00fcgen, selbst wenn diese nicht auf allen Ebenen bef\\u00fcllt sind, wie im Beispiel Frankreich, bei dem wir nur die Prognose f\\u00fcr das komplette Land haben, aber nicht die Prognose-Werte f\\u00fcr die einzelnen Regionen. Wichtig zu beachten ist dabei, dass wir IST-Werte f\\u00fcr alle Regionen eines Landes ben\\u00f6tigen, damit in der Visualisierung sp\\u00e4ter realistische Zahlen f\\u00fcr das jeweilige Land angezeigt werden k\\u00f6nnen.<\\\/p>\\n<\\\/div>\\n\n\n<div class=\\\"mb-1\\\">\\n\n\n<p>Als letzten Punkt m\\u00fcssen wir nun noch beachten, dass wir die verschiedenen Hierarchien mithilfe eines Parameters austauschbar machen und in die Visualisierung einbauen.<\\\/p>\\n<\\\/div>\",\"content_en_us\":\"\n\n<p>With this data model, we can now also insert target values at different levels, even if these are not filled at all levels, as in the example of France, where we only have the forecast for the entire country, but not the forecast values for the individual regions. It is important to note that we need actual values for all regions of a country so that realistic figures for the respective country can be displayed later in the visualization.<\\\/p>\\n\n\n<p>The last point to note is that we need to make the different hierarchies interchangeable using a parameter and incorporate them into the visualization.<\\\/p>\",\"margin\":\"medium\",\"margin_remove_top\":true}},{\"type\":\"image\",\"props\":{\"image\":\"wp-content\\\/uploads\\\/bild-4-2.png\",\"image_svg_color\":\"emphasis\",\"image_width\":800,\"margin\":\"small\",\"margin_remove_bottom\":false,\"margin_remove_top\":false}},{\"type\":\"text\",\"props\":{\"column_breakpoint\":\"m\",\"content\":\"\n\n<p><span>Somit k\\u00f6nnen wir nun auf den verschiedenen Ebenen die NULL-Werte herausfiltern und bekommen nur die Granularit\\u00e4ten mit Ist-Werten und entsprechenden Prognose-Werten (falls vorhanden) angezeigt.<\\\/span><\\\/p>\",\"content_en_us\":\"\n\n<p>This means we can now filter out the NULL values at the various levels and only display the granularities with actual values and corresponding forecast values (if available).<\\\/p>\",\"margin\":\"medium\"}},{\"type\":\"image\",\"props\":{\"image\":\"wp-content\\\/uploads\\\/bild-5-regions-with-targets.png\",\"image_svg_color\":\"emphasis\",\"image_width\":800,\"margin\":\"small\",\"margin_remove_bottom\":false,\"margin_remove_top\":false}},{\"type\":\"html\",\"props\":{\"content\":\"\"},\"name\":\"--- \\\/\\\/ Content Ende \\\/\\\/ ---\"},{\"type\":\"fragment\",\"props\":{\"margin\":\"default\"},\"children\":[{\"type\":\"row\",\"props\":{\"css\":\".el-row {\\n\\tmargin-top: 70px;\\n}\",\"margin_remove_bottom\":true},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\"},\"children\":[{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\"}}]}]},{\"type\":\"row\",\"props\":{\"class\":\"blog-pager\",\"layout\":\"1-2,1-2\",\"margin\":\"small\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_medium\":\"1-2\"},\"children\":[{\"type\":\"button\",\"props\":{\"class\":\"blog-pager\",\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"margin\":\"remove-vertical\"},\"children\":[{\"type\":\"button_item\",\"props\":{\"button_style\":\"\",\"content\":\"Vorheriger Artikel\",\"content_en_us\":\"Previous article\",\"dialog_layout\":\"modal\",\"dialog_offcanvas_flip\":true,\"icon\":\"chevron-left\",\"icon_align\":\"left\"},\"source\":{\"query\":{\"name\":\"blogs.singlePreviousBlog\"},\"props\":{\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_medium\":\"1-2\"},\"children\":[{\"type\":\"button\",\"props\":{\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"margin\":\"remove-vertical\",\"text_align\":\"right\"},\"children\":[{\"type\":\"button_item\",\"props\":{\"button_style\":\"\",\"content\":\"N\\u00e4chster Artikel\",\"content_en_us\":\"Next article\",\"dialog_layout\":\"modal\",\"dialog_offcanvas_flip\":true,\"icon\":\"chevron-right\",\"icon_align\":\"right\"},\"source\":{\"query\":{\"name\":\"blogs.singleNextBlog\"},\"props\":{\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]}]},{\"type\":\"row\",\"props\":{\"margin_remove_top\":true},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\"},\"children\":[{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin\":\"medium\",\"margin_remove_top\":true}}]}]}]}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky\":\"column\",\"position_sticky_breakpoint\":\"m\",\"position_sticky_offset\":\"120\",\"width_large\":\"1-3\"},\"children\":[{\"type\":\"headline\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"content\":\"Neueste Artikel\",\"content_en_us\":\"Latest articles\",\"margin_remove_bottom\":false,\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"title_element\":\"div\",\"title_style\":\"h6\"}},{\"type\":\"grid\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"class\":\"articles-sm\",\"content\":\"Neueste Artikel\",\"content_column_breakpoint\":\"m\",\"filter_align\":\"left\",\"filter_all\":true,\"filter_grid_breakpoint\":\"m\",\"filter_grid_width\":\"auto\",\"filter_position\":\"top\",\"filter_style\":\"tab\",\"grid_default\":\"1\",\"grid_divider\":true,\"grid_medium\":\"\",\"grid_row_gap\":\"small\",\"icon_width\":80,\"image_align\":\"top\",\"image_grid_breakpoint\":\"\",\"image_grid_width\":\"auto\",\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"item_animation\":true,\"lightbox_bg_close\":true,\"link_style\":\"default\",\"link_text\":\"\",\"margin\":\"default\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"meta_align\":\"above-title\",\"meta_element\":\"div\",\"meta_style\":\"text-small\",\"panel_expand\":false,\"panel_image_no_padding\":true,\"panel_link\":true,\"show_content\":true,\"show_hover_image\":true,\"show_hover_video\":true,\"show_image\":true,\"show_link\":true,\"show_meta\":true,\"show_title\":true,\"show_video\":true,\"title_align\":\"top\",\"title_element\":\"div\",\"title_font_family\":\"tertiary\",\"title_grid_breakpoint\":\"m\",\"title_grid_width\":\"1-2\",\"title_hover_style\":\"reset\",\"title_margin\":\"remove\"},\"children\":[{\"type\":\"grid_item\",\"props\":{\"yooessentials_access_conditions\":[],\"yooessentials_access_mode\":\"AND\"},\"source\":{\"query\":{\"name\":\"blogs.customBlogs\",\"arguments\":{\"users\":[],\"users_operator\":\"IN\",\"offset\":0,\"limit\":5,\"order\":\"date\",\"order_direction\":\"DESC\",\"terms\":[],\"blog_kategorie_operator\":\"IN\"}},\"props\":{\"title\":{\"filters\":{\"search\":\"\"},\"name\":\"title\"},\"meta\":{\"filters\":{\"search\":\"\"},\"name\":\"field.subline\"},\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]},{\"type\":\"headline\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"content\":\"Kategorien\",\"margin\":\"large\",\"margin_remove_bottom\":true,\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"title_element\":\"div\",\"title_style\":\"h6\",\"yooessentials_access_conditions\":[{\"type\":\"yooessentials_access_dynamic\",\"id\":\"ci_AD8A0F\",\"props\":{\"condition\":\"!\",\"reversed\":true},\"source_extended\":{\"props\":{\"value\":{\"name\":\"blog_kategorieString\",\"query\":{\"name\":\"#parent\"}}}}}],\"yooessentials_access_mode\":\"AND\"}},{\"type\":\"list\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"class\":\"tag-list\",\"column_breakpoint\":\"m\",\"content\":\"Kategorien\",\"image_align\":\"left\",\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"list_element\":\"ul\",\"list_horizontal_separator\":\"\",\"list_type\":\"horizontal\",\"margin\":\"small\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"show_image\":true,\"show_link\":true},\"children\":[{\"type\":\"list_item\",\"source\":{\"query\":{\"name\":\"blogs.singleBlog\",\"field\":{\"name\":\"blog_kategories\",\"directives\":[{\"name\":\"slice\",\"arguments\":{\"offset\":0}}]}},\"props\":{\"content\":{\"filters\":{\"search\":\"\"},\"name\":\"name\"},\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]}]}],\"name\":\"Blog-Artikel (Yootheme)\",\"source\":{\"query\":{\"name\":\"blogs.singleBlog\"}}}],\"version\":\"4.5.24\",\"yooessentialsVersion\":\"2.4.5\"} --><\/p>\n","protected":false},"featured_media":3222,"template":"","blog-kategorie":[53,56],"class_list":["post-3220","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-kategorie-data-visualization","blog-kategorie-deep-dive"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/blog\/3220","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/types\/blog"}],"version-history":[{"count":1,"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/blog\/3220\/revisions"}],"predecessor-version":[{"id":3937,"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/blog\/3220\/revisions\/3937"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/media\/3222"}],"wp:attachment":[{"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/media?parent=3220"}],"wp:term":[{"taxonomy":"blog-kategorie","embeddable":true,"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/blog-kategorie?post=3220"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}