Poikkeavien tulosten havaitseminen ja näyttäminen LuckyTemplatesissa

Tässä opetusohjelmassa opastan sinut poikkeavien havaitsemisanalyysin läpi, havaitsen ja visualisoin poikkeavien tulosten. Tietojesi ei tarvitse edes olla ainutlaatuisia tai mukautettuja. Hienoa on, että voit tehdä tämän periaatteessa millä tahansa tietojoukolla. Voit katsoa tämän opetusohjelman koko videon tämän blogin alaosasta.

Aion näyttää sinulle, kuinka upea LuckyTemplates on analyyttisenä työkaluna.

Siihen kuuluu vain sisällyttää useita DAX-kaavoja ja analyyttisiä tekniikoita malleihisi ja lopulta visualisoida se tehokkaasti kaikilla LuckyTemplatesissa käytettävissä olevilla dynaamisilla visualisointiominaisuuksilla.

Avain ja tärkein käsite, jonka haluan sinun ottavan pois katsoessasi tätä opetusohjelmaa, on se, että sitä voidaan soveltaa niin monella eri tavalla.

Joten aloitamme selittämällä poikkeamat sirontakaaviossa. Sitten näytän sinulle erilaisia ​​kaavatekniikoita, jotka sinun on otettava käyttöön, jotta voit visualisoida sen tällä erityisellä tavalla.

Sisällysluettelo

• Poikkeamat hajakaaviossa
• Tietomallin sisällä
• Outlier Detection käyttäen DAX
• Johtopäätös

Poikkeamat hajakaaviossa

Jos havaitsimme, tärkein asia, joka meidän on selvitettävä, on poikkeavan tuloksen muodostava logiikka.

Mutta ensin haluan esitellä, kuinka visuaalisesti se voi vaikuttaa raportteihimme ja kuinka paljon helpompaa ja tehokkaampaa kuluttajien on selvittää, mitä yritämme näyttää heille .

Jos nyt katsomme näitä kahta kaaviota, ensimmäinen kaavio (vasemmalla) näyttää täsmälleen saman asian kuin toinen (oikealla), paitsi että olen luonut selitteen tai viipalointisuodattimen toiseen kaavioon, joka näyttää mitä poikkeamat ovat.

Joten jos asiakkaan myynti- ja voittomarginaalit ovat samaan aikaan tai tietyn tason yläpuolella, se on poikkeava tietojoukkomme.

Haluamme nähdä, keitä nuo asiakkaat ovat, ja voimme siis käytännössä nähdä sen toisessa kaaviossa paljon paremmin kuin vain katsoa kaikkia asiakkaitamme ja heidän voittomarginaalejaan ensimmäisessä kaaviossa.

Lisäksi voimme perehtyä asiakkaisiimme paljon paremmin. Voimme valita suodattimen ,

tai luo kaavio ja aseta suodatin Suodatinkentät -osioon .

Tämän kaavion avulla voimme tarkastella näitä asiakkaita, joita pidämme poikkeavina. Katsotaan nyt tietomalliamme nähdäksemme, kuinka tätä sovelletaan.

Tietomallin sisällä

Ensimmäinen huomioitava asia on, että meidän on tehtävä tämä dynaamisella tavalla, koska segmentoimme ja luomme tänne asiakasryhmiä. Jotta voimme tehdä mitään dynaamista, meidän on tehtävä se kaavojen sisällä .

Emme voi fyysisesti luoda laskettua saraketta malleihimme ja toivoa, että jos laitamme erilaisen aikakehyksen tähän malliin, saamme haluamamme tulokset. Jos laitamme lasketut sarakkeet, saamme nämä staattiset tiedot. Se päivittyy vasta päivityksen yhteydessä.

Ensimmäinen tapa tehdä logiikkaa dynaamisella tavalla on tukea taulukkoa . Joten kuten näet tästä tietomallista, olen luonut tämän outlier Detection Logic -logiikan . Se on tukipöytä, mikä tarkoittaa, että sitä ei ole kytketty mihinkään.

Tämän taulukon sisällä syötämme logiikkamme poikkeamien havaitsemiseen.

Tunnistamme poikkeavamme vähintään 35 prosentin voittomarginaalilla ja maksimimarginaalilla sata prosenttia, kun taas ei-poikkeamat ovat nollasta 35:een.

Sama koskee myyntiä, meillä on logiikka, joka tunnistaa poikkeamat yli 55 tuhannen kokonaismyynnistä.

Joten mieti, kuinka voit soveltaa tätä omaa logiikkaasi. Sinulla voi olla kolme eri parametria tai muuttujaa, jotka havaitsevat poikkeaman.

Luodaan nyt kaavat, jotka toistuvat tämän taulukon läpi ja arvioivat asiakkaat, vastaavatko he outlier-logiikkaa vai ei-outlier-logiikkaa.

Outlier Detection käyttäen DAX

Muista, että meidän täytyy käydä läpi jokainen asiakas ja määrittää, arvioivatko he poikkeavan vai ei.

Poikkeaman tunnistamiseksi käytämme kunkin asiakkaan osalta laskennallista kokonaismyyntiämme . Ja sitä ARVOT -toiminto tekee, kun SUODATAMME kaikki asiakkaamme. Sitten käymme läpi Outlier Detection Logic - logiikkamme .

Toisaalta ei-outlierillemme käymme läpi myös jonkinlaisen logiikan jokaiselle asiakkaalle, mutta suurin ero on tämä kaksoisrivi (||), joka on "tai" eikä "ja" (&&).

Jos teemme "ja" tässä, se näyttää vain tulokset, jotka ovat sekä alle 55 000 että alle 35 prosenttia, kuten outlier Detection Logic -logiikka osoittaa.

Seuraavaksi meidän on luotava yksi kaava, jonka voimme sisällyttää visualisointiimme, ja se on myynnin ryhmittelykaavamme .

Tämä laskelma sanoo, JOS SELECTEDVALUE (Outlier Detection Logic) on outlier , haluamme palauttaa Outlier Sales -arvon . Jos ei, palautamme Ei-outlier-myynnin .

Sen avulla voimme sitten integroida tai noutaa eri tulokset tai erilaiset kaavat mille tahansa valinnalle tai suodattimelle, jota käytetään visualisoinnissamme.

Ei voida kiistää, että siinä on vähän perää, mutta tämä vain osoittaa meille, kuinka mahtava DAX on LuckyTemplatesissa, erityisesti poikkeavien havaitsemisanalyysien kannalta.

Dynaamisten outlier-trigger-pisteiden luominen – edistynyt LuckyTemplates-analyysitekniikka

Johtopäätös

Tässä opetusohjelmassa esittämäni lähestymistapa on itse asiassa vain yksi tapa, mutta toivottavasti olet oppinut tästä paljon. Teimme siellä melko kehittynyttä logiikkaa ja esittelimme sen todella tehokkaalla tavalla käyttämällä sirontakaavioita.

Poikkeamien havaitsemiseen on niin monia sovelluksia. Jos haluat todella perehtyä tai esitellä hyvin tarkan näkemyksen, varsinkin kun teet vertailun hajontakaavion kanssa, tämä on täydellinen tapa lisätä arvoa ja saada lisää tietoa visualisoinneistasi.

Siksi, jos ymmärrät kaikki kaavojen elementit, mukaan lukien kaavojen yhdistäminen ja sijoittaminen visualisoinnin sisään, voit käyttää niitä monin tavoin esitelläksesi tuloksia omilla tietojouksillasi.

Kippis!