Registrering og fremvisning af afvigende resultater i Lucky Templates

I denne tutorial vil jeg tage dig gennem en afvigende-detektionsanalyse, der detekterer og visualiserer afvigende resultater. Dine data behøver ikke engang at være unikke eller tilpassede. Det fantastiske er, at du kan gøre dette på stort set ethvert datasæt. Du kan se den fulde video af denne tutorial nederst på denne blog.

Jeg vil vise dig, hvor fantastisk LuckyTemplates er som et analytisk værktøj.

Det involverer blot at inkorporere en række DAX-formler og analytiske teknikker i dine modeller og derefter i sidste ende visualisere det på en effektiv måde med alle de dynamiske visualiseringsfunktioner, vi har til rådighed for os i LuckyTemplates.

Det vigtigste og vigtigste koncept, som jeg vil have dig til at tage væk, når du ser denne tutorial, er, at dette kan anvendes på så mange forskellige måder.

Så vi starter med en forklaring af outliers i et punktdiagram. Derefter vil jeg vise dig de forskellige formelteknikker, som du skal implementere for at kunne visualisere det på denne specifikke måde.

Indholdsfortegnelse

• Outliers i et punktdiagram
• Inde i datamodellen
• Outlier-detektion ved hjælp af DAX
• Konklusion

Outliers i et punktdiagram

Hvis vi skulle opdage en, det vigtigste, vi skal finde ud af, er logikken bag, hvad der udgør den udestående.

Men først vil jeg vise, hvordan det visuelt kan påvirke vores rapporter , og hvor meget nemmere og effektivt det er for forbrugeren at finde ud af, hvad vi prøver at vise dem .

Hvis vi nu ser på disse to diagrammer, viser det første diagram (venstre) nøjagtig det samme som det andet (højre), bortset fra at jeg har oprettet en forklaring eller et udsnitsfilter i det andet diagram, som viser os, hvad vores outliers er.

Så hvis en kundes salg og overskudsmarginer er på samme tid eller over et vist niveau, så er det en outlier i vores datasæt.

Vi vil gerne se, hvem disse kunder er, og så kan vi praktisk talt se det i det andet diagram meget bedre end blot at se på alle vores kunder og deres avancer i det første diagram.

Desuden kan vi bore meget bedre ind i vores kunder. Vi kan vælge et filter ,

eller opret et diagram og indsæt et filter i sektionen Filterfelter .

Dette diagram gør det muligt for os at bore i disse kunder, som vi anser for at være outliers. Lad os nu se på vores datamodel for at se, hvordan dette anvendes.

Inde i datamodellen

Den første ting at bemærke er, at vi er nødt til at gøre dette på en dynamisk måde, da vi segmenterer og skaber grupper af vores kunder her. For at gøre noget dynamisk, skal vi gøre det inde i formler .

Vi kan ikke fysisk oprette en beregnet kolonne i vores modeller og håbe, at hvis vi skulle sætte en anden tidsramme i denne model, så får vi de resultater, vi ønsker. Hvis vi sætter beregnede kolonner, så får vi den statiske information. Det vil kun opdatere ved opdatering.

Den første måde at lave logik på på en dynamisk måde er at have en understøttende tabel . Så som du kan se her i datamodellen, har jeg lavet denne Outlier Detection Logic . Det er et støttebord, hvilket betyder, at det ikke er forbundet med noget.

Inde i denne tabel er det, hvor vi indtaster vores logik til detektering af outlier.

Vi identificerer vores outliers med en minimumsavance på femogtredive procent og en maksimal margin på hundrede procent, mens vores ikke-outliers har fra nul op til femogtredive.

Det samme for salg, vi har en vis logik, der vil identificere outliers ved et samlet salg på over femoghalvtreds tusinde.

Så tænk over, hvordan du kan anvende denne din egen logik. Du har måske tre forskellige parametre eller variabler, der vil opdage outlieren.

Lad os nu oprette formlerne, der itererer gennem denne tabel, og evaluere kunderne, om de passer til outlier-logikken eller til no-outlier-logikken.

Outlier-detektion ved hjælp af DAX

Husk, at vi skal gennemgå hver enkelt kunde og afgøre, om de vurderer som en outlier eller ikke-outlier.

For at identificere outlier bruger vi CALCUATE til vores samlede salg for hver kunde . Og det er, hvad VALUES- funktionen gør, da vi FILTERER gennem alle vores kunder. Derefter gennemgår vi vores Outlier Detection Logic .

For vores ikke-outlier kører vi på den anden side også en vis logik for hver kunde, men den største forskel er denne dobbelte linje (||), som er for "eller" og ikke "og" (&&).

Hvis vi gør "og" her, så ville det kun vise resultaterne, der både er under femoghalvtreds tusinde og under femogtredive procent, som angivet i vores Outlier Detection Logic.

Dernæst er vi nødt til at oprette en formel, som vi kan lægge i vores visualisering, og det er vores salgsgrupperingsformel .

Denne beregning siger, HVIS SELECTEDVALUE (Outlier Detection Logic) er en Outlier , så ønsker vi at returnere Outlier Sales . Hvis ikke, så returnerer vi ikke-outlier-salg .

Det giver os så mulighed for at integrere eller hente de forskellige resultater eller de forskellige formler for det valg eller filter, der anvendes i vores visualisering.

Der er ingen tvivl om, at der er en lille smule til det, men dette viser os bare, hvor fantastisk DAX er i LuckyTemplates, især til analyse af afvigende detektering.

Oprettelse af dynamiske outlier-triggerpunkter – avanceret LuckyTemplates-analyseteknik

Konklusion

Den tilgang, jeg viser på denne tutorial, er faktisk kun én måde, men forhåbentlig har du lært meget af dette. Vi lavede noget ret avanceret logik derinde og fremviste det på en virkelig effektiv måde ved hjælp af punktdiagrammer.

Der er så mange applikationer til outlier-detektion. Hvis du virkelig ønsker at bore i eller fremvise en meget specifik indsigt, især når du laver en sammenligning med et punktdiagram, så er dette en perfekt måde at tilføje værdi og mere indsigt i dine visualiseringer.

Derfor, hvis du kan forstå alle elementerne i formlerne, herunder at kombinere formlerne og placere dem i en visualisering, så kan du anvende disse på mange måder for at vise resultater med dine egne datasæt.

Skål!