一、跨 Tableau Next 工作区引用分析资产（Reference Analytical Assets Across Tableau Next Workspaces）
发现工作区的差异（Discover the Workspace Difference）
Tableau Next 中的工作区（workspace）是协作环境，团队可以在其中访问回答业务问题所需的工具和资产。工作区为你作为分析师定义了一个具体的工作单元，范围从回答一个临时问题，到收集构建企业级仪表板（或任何其他内容）所需的全部资产。作为工作区的一部分，你可以即时访问数据分析所需的一切，包括连接数据、准备和建模数据，以及创建可视化和仪表板。
管理工作区权限与访问控制：作为工作区所有者，你负责管理各自空间的访问与权限。你控制以下访问：
- 工作区整体：这决定了谁能查看或编辑工作区及其全部内容。只有当用户对其原始工作区拥有编辑权时，才能编辑某个资产。
- 工作区内的单个资产：这允许对工作区中的某个资产进行细粒度的查看控制，而无需授予对整个工作区的访问权。
工作区是 Tableau Next 中创作内容的地方。通过共享工作区本身，工作区所有者提供了资产是如何构建的完整上下文。这种透明度让团队对数据更有信心，因为他们可以确切看到你是如何收集和组织信息的。
作为工作区作者，你可以选择仅以查看模式共享工作区中的单个资产。这种细粒度控制带来明显优势：
- 其他作者可以将你共享的资产作为可靠构建块，用于他们自己独立的工作区中。
- 业务用户获得干净、聚焦的体验，可以查看和交互内容，而无需了解底层工作区结构或资产创建的复杂性。
探索工作区类型：想象你是 Main Stage Analytics 的一员——这是一家虚构公司，使用两种用途截然不同的工作区，让数据分析更高效。
治理型长期工作区：在这个场景中，你是商业智能（BI）团队的成员。你使用一个持久工作区进行资产管理和治理，确保官方财务模型在公司内部保持单一事实来源。作为该工作区的所有者，你负责管理对你所创作内容的访问。例如，如果你想允许某人编辑某个资产，就必须与其共享整个工作区；或者你也可以根据需要，仅共享单个资产的查看权限。
临时调查工作区：现在想象你是一名数据分析师，需要处理销售经理的一个即时、临时的请求。你创建一个独立工作区，专门用于收集调查近期销售趋势所需的上下文。为了快速完成，你通过拉入几个现有资产来充实这个调查工作区：
- 来自治理工作区的已验证销售数据模型的只读引用
- 销售团队拥有的相关仪表板的引用
- 从营销团队工作区拉取的营销可视化
通过把这些资产集中到一个位置，你能快速获得向销售团队分享可操作洞察所需的认知。调查完成后，你可以归档或解散这个特定工作区，而基础治理资产完全不受影响。
在工作区中组织资产：工作区旨在让分析师更高效，它们是创建分析资产、或从其他地方收集有用资产（为团队提供关键业务数据整体视图）的地方。这些资产包括：
- Data 360 中的数据对象：数据模型对象（DMO）、数据湖对象（DLO）和计算洞察对象（CIO）。
- 数据连接：可以用专用连接器连接外部数据源（如 Snowflake、Databricks、AWS 等），也可以上传 .csv 和 Excel（.xlsx）文件，连接的数据会作为 DLO 保存到 Data 360。工作区保存指向数据的连接信息，但在 Tableau Next 中所做的更改不会影响源数据。
- 语义模型（semantic models）：构成语义层，包含数据模型和业务定义（如字段名、聚合、计算）。它们为数据添加含义和上下文，使用 Tableau Next 或 Data 360 中的 Semantic Model Builder 构建。
- 指标（metrics）：随时间跟踪的关键绩效指标（KPI）。可以在语义模型中创建指标。
- 可视化（visualizations，vizzes）：数据的可视化表示，如图表或图形，基于 DMO 或语义模型构建。
- 仪表板（dashboards）：关键信息的整合视图，由可包含指标和可视化的 widget 组成。
资产引用与语义模型扩展（Asset Referencing & Semantic Model Extension）
许多公司数据泛滥，却信息匮乏。要做出数据驱动的决策，分析师必须把数据转化为可操作的知识，这需要付出努力和专业技能。但如果别人不知道你的分析，或者更糟——根本找不到它，你的努力就无法帮助他人。这会导致多个团队重复劳动，却没有真正意义上的单一事实来源。
Tableau Next 的资产引用能力直接解决了这些问题。工作区可以轻松添加来自另一个 Tableau Next 工作区或 Data 360 的现有资产。
举个例子：假设你在 Main Stage Analytics 工作区中创建了一个包含 Sales KPI 的可视化。为了构建该可视化，你通过向来自 Data 360 的数据对象添加 Sales 上下文，创建了一个新的语义模型。Main Stage 营销团队想把这个 Sales KPI 可视化放进他们的仪表板，但他们没有你的 Sales 语义模型的访问权。
通过选择 Add | Visualization，营销团队可以在他们的工作区中添加一个对你 Sales KPI 可视化的引用，并用于他们的仪表板。你仍然控制着谁能访问或更改你的 Sales KPI 可视化，但你对可视化所做的更改，也会同步更新所有对它的引用。
在扩展语义模型中添加特定上下文：Tableau Next 还支持在另一个工作区中扩展（extend）现有语义模型，即使用户没有基础模型的编辑权，也能灵活地自定义语义模型、添加特定上下文。
你已经添加了 Sales 上下文来创建 Sales 语义模型，但营销团队的一位分析师想做些调整。基础 Sales 语义模型包含核心营收指标，而营销团队分析师在另一个工作区扩展该模型，加入他们专有的 campaign cost（活动成本）表，用来计算 Marketing ROI 指标。这个扩展让他们无需更改可信的基础 Sales 模型，就能构建这个营销专属的计算。这些更改帮助营销团队为他们的团队创建相关可视化和仪表板，同时保持你的原始 Sales 模型原封不动。
扩展会保持与你的基础模型连接，以便保持最新——因此你对基础 Sales 模型所做的任何更改，也会自动同步到扩展的 Marketing 模型。
在个人 org 中重用生产资产：在 Tableau Next 中，分析可以发生在你的个人 org（Personal Org）或生产 org中。生产 org 是由 Tableau Next 管理员控制和运行的治理空间，用于维护对数据的控制与治理；个人 org 则是为你进行分析和实验而设计的沙盒环境。你可以在个人 org 中重用来自生产的可信、管理员批准的资产来进行分析。
对于 Main Stage Analytics，商业智能团队管理公司的 Tableau Next 生产环境，其中包含公司的最终财务模型。数据科学家 Awanasa 可以创建一个由 BI 拥有、并向 Main Stage Analytics 组织内数据分析师共享这些模型的工作区。
你可以在个人 org 中的一个或多个工作区里，重用来自生产 org 的可信、管理员批准的数据和分析。你无需重建或反复质疑核心数据，也拥有独立工作的自主权，而不会影响生产环境。
这种结构让分析师两全其美：既能访问可靠、可信的「事实来源」（生产 org），又拥有安全、灵活的「沙盒」（个人 org）来自主工作。扩展被重用的语义模型，还能确保分析师享受到植根于该可信来源的自助式体验。
用可发现的洞察推动更好决策：在 Tableau Next 中引用和重用分析资产，能带来几个关键优势，提升数据一致性、业务生产力和组织内洞察的整体质量。
- 避免重复：通过利用其他项目已有的数据连接、语义模型、可视化和仪表板，可以显著减少从头重建资产的时间和精力。例如，在语义数据模型中建模过的数据可直接用于分析，无需为每个新可视化或指标都设置一次数据模型。
- 增强数据的一致性与信任：Tableau Next 的语义层作为集中、治理的数据与指标层，确保所有团队和工具都使用相同的可信定义。这种一致性对于减少报表差异、建立数据信任至关重要。源资产的更新会自动反映到所有引用或扩展它的位置，保持一致且无需手动操作。
- 改善协作与可扩展性：Tableau Next 的工作区帮助分析师更好地协作。分析师可以邀请同事加入项目，甚至把工作拆分到多个工作区中。协调则通过在工作区之间共享相关资产来实现。这种方法让团队顺畅协作，确保每个人都使用最新数据、保持同步。
现在你已经看到在 Tableau Next 工作区中引用和扩展资产的好处，下一单元将介绍一些有效管理它们的最佳实践。
二、探索 Tableau Next 工作区最佳实践（Discover Best Practices for Tableau Next Workspaces）
目的、协作与治理（Purpose, Collaboration & Governance）
在深入技术构建之前，先理解你为什么要创建工作区、以及它将如何服务你的团队，这很重要。在 Tableau Next 中，工作区不只是一个文件夹，它是一个模块化环境，旨在简化你策展数据、构建可视化和利用 AI 能力的方式。通过有意识地组织工作区，你能为顺畅协作和受治理的数据发现打下基础。
当你开始构建 Tableau Next 工作区时，以下几个问题可以帮助你思考如何善用这个灵活、模块化的环境：
- 目的（Purpose）：你工作的整体目标是什么？
- 协作（Collaboration）：如果有多个贡献者，工作将如何划分？
- 治理（Governance）：分析工作流中，有哪些方面适合作为重用对象并加强治理？
- AI 优化（AI optimization）：如何设置工作区，才能最大程度发挥 Tableau Next 中 AI 驱动功能的价值？
定义目的：最好基于团队的具体目标来设计工作区。
这可能意味着为每个独立项目或分析问题创建一个新工作区。这样有助于保持分析资产井然有序、聚焦清晰。即使某些资产相似，只要分析问题不同，新建一个工作区也可能是好主意。
你也可以区分快速调查和构建结构化资产：
- 临时调查（ad-hoc investigations）（如寻找根本原因、为业务决策收集洞察、或测试数据集）：可以创建一个新的临时工作区来捕获所有相关资产和实验，然后在调查工作完成后，用另一个工作区来构建具体资产。
- 构建特定资产（如规格清晰的仪表板或语义模型）：工作区应包含所有直接相关的构建块，包括尝试、数据验证或失败的实验。
识别团队的协作风格：构建工作区时，要牢记协作，并考虑如何最好地支持团队的工作方式。每个团队的协作方式都不同（这没关系！）。以下是针对几种常见团队动态的建议：
- 「Wild West」（自由发挥/随心所欲）：对于协作紧密的团队，所有贡献者都可以在单一工作区内处理任何资产。
- 垂直划分（Vertical partitioning）：每个贡献者对工作的特定部分端到端负责（例如，一名成员管理可视化，另一名策展仪表板）。
- 水平划分（Horizontal partitioning）：按分析功能或「泳道」划分工作。例如，一个人可以在自己的工作区中策展数据，然后把该数据资产（如语义模型）共享给他人；其他成员可以在各自独立的工作区中引用这个共享资产来构建自己的分析内容（如仪表板或可视化）。这种方式让其他人无需亲自管理数据策展，就能受益于持续的数据改进。
- 组合划分（Combined partitioning）：对于较大团队，可以采用混合方式：一个中央团队创建并共享核心语义模型，其他团队引用该模型来构建自己的仪表板。这种方式既提供完整概览，又保持各自独立的工作区域。
确保数据治理：数据治理对于确保分析资产可重用、管理良好至关重要。
实现这一点的关键方法之一，是创建具有特定所有权的工作区。这允许不同团队或个人负责管理特定资产，从而形成清晰的结构，也更容易跟踪和治理整个分析工作流。通过在这一层面关注治理，你可以确保所有共享资产的一致性和可靠性。
有时，只有少数人应该访问某些分析资产。例如，如果你的团队处理敏感的财务模型，可以为关键内容创建一个受控访问的专用工作区。然后你可以把这个工作区以仅查看权限共享给其他分析师。通过控制谁能修改工作区，你确保只有你的团队能做出更改，从而保证组织内所有人都使用可信、准确的数据。
请记住：对数据模型对象（DMO）和数据湖对象（DLO）的访问，是由 Data 360 中的策略控制的，而不是直接通过共享工作区。要给用户访问语义模型的权限，需要先把他们加入该模型所属的数据空间（data space），然后再把工作区共享给他们。
面向 AI 优化进行构建（Build with AI Optimization in Mind）
Tableau Next 是一个AI 驱动的分析平台，而如何设置你的语义模型，是充分挖掘其价值的关键。遵循以下最佳实践，你就能确保 Concierge 和 Inspector 等 AI 功能大显身手：
- 为清晰而结构化数据：构建一个包含你所有业务逻辑和定义的语义层。这是 AI 所依赖的基础。
- 使用业务友好的名称：给字段和计算起清晰、简单的名字，比如 Product Name，而不是 Prd_id 这类技术名称。并添加简短描述来解释它们的用途。
- 定义你的指标：确保所有关键绩效指标（KPI）都明确定义为指标（metrics）。你定义的指标越多，Concierge 能给出的可信答案就越多。
- 避免歧义：通过清晰命名相似的字段和指标，帮助 AI 理解你的数据。例如，搜索「customer」这类通用术语，重命名或删除任何可能引起混淆的字段。
- 验证关系：仔细检查数据之间的所有关系是否逻辑正确。这能帮助 AI 正确地把各个点串联起来。
- 启用 AI 就绪：一旦语义模型遵循了这些最佳实践，就打开 Agentforce for Analytics Ready 标志。这告诉 Concierge：这是一个可信来源，可以用它来回答问题。
- 关注成本：为了保持低成本，只纳入特定用例所需的数据。你可以减少数据行、管理刷新计划，确保不会过度查询。
通过深思熟虑地组织你的 Tableau Next 工作区，你可以帮助团队更高效地工作，并获得更深入的洞察。