Home
» Power BI
»
Hogyan értékelje ki az adatokban lévő klasztereket a LuckyTemplates DAX-technika használatával
Hogyan értékelje ki az adatokban lévő klasztereket a LuckyTemplates DAX-technika használatával
Ebben az oktatóanyagban megmutatom, hogy a klaszterek adataiban való megjelenítése hogyan teszi lehetővé, hogy sokkal jobb betekintést nyerjen, mintha csak egy szóródiagramja lenne sok információval. Az oktatóanyag teljes videóját a blog alján tekintheti meg.
Végigmegyek néhány fejlett DAX-technikán, amelyeket az adatmodellel kombinálva kell használnia. Ha jól használja őket, az elemzési lehetőségek jelentősen megnyílnak az Ön számára, és valóban hatékonyan mutathatja be a betekintést.
Ebben a konkrét példában azt próbálom megvizsgálni, hogy van-e valami oka annak, hogy ügyfeleink bizonyos csoportosulását látjuk teljesítményük alapján .
Ha valamilyen logikát (a DAX-képleten belül) átfedek egy másodlagos táblára, akkor besorolhatom, hogy egy ügyfél jó, rendben, rossz vagy nagyszerű.
Majd ha ezt az új dimenziót használom a szóródiagrammon, láthatom, hogy megjelenik-e az eredmények klasztere az imént megvalósított logika alapján.
Hogyan lehet vizualizálni a klasztereket az adatokban
Ebben a vizualizációban az adatkészletünkben szereplő összes ügyfelet megvizsgáljuk. Nagyon sok ügyfél van, és az ügyfeleket a teljes értékesítésükből származó haszonkulcs alapján elemezzük. A jobb oldalon a jól teljesítő vagy magasabb fedezetű ügyfelekből álló klaszter található.
Ennek eléréséhez létre kell hoznunk egy olyan logikát, amely lehetővé teszi számunkra, hogy ezeket az információs klasztereket vizualizáljuk, és ezt a logikát az alapján építsük fel, hogy ezek az ügyfelek melyik profitcsoportba tartoznak.
A lényeg itt az, hogy ezek a profitcsoportok valójában nem léteznek az adatmodellben, ezért fel kell építeni ezt a logikát, majd át kell fedni.
Ez a példa csak egy a sok közül, amellyel ezt megtehetjük. Megvizsgálhatjuk a profitnövekedést, az árrés növekedését és sokféle dolgot, ahol bármilyen logikára van szükségünk, és behozhatjuk azt ide. Ezután azonosítani tudunk minden olyan mintát vagy információcsoportot, amely valóban betekintést nyerhet számunkra.
Az adatmodell belsejében
Az adatmodellt tekintve az első dolog, amit meg kell jegyeznünk, hogy itt létrehoztunk egy támogató táblázatot. A támogató táblát általában paramétertáblaként használjuk, de ebben az esetben olyan logikát fogunk használni, amely integrálja a támogató táblát az alapmodellünkbe.
Támogató táblázatunkban azt elemezzük, hogy a jövedelmezőség alapján melyik ügyfélcsoportban ülnek ezek az ügyfelek.
Így például, ha az ügyfél több mint 25 000 dollár nyereséget termel, akkor ő lesz a legjobb ügyfél, míg a 20 000 és 25 000 dollár közöttiek jó ügyfelek lesznek, így tovább és így tovább.
Logika integrálása a dimenzióba
Az ügyféltáblázatban felhasználjuk a támogató táblát, majd felépítettünk némi logikát.
Néhányan azt gondolhatják, hogy jobb ebben a kiszámított oszlopban ezt a logikát kifejleszteni – igen, feltétlenül –, de néha nem tartom praktikusnak, különösen akkor, ha a támogató táblázatban mondjuk 10 különböző logika van, amelyeken át kell dolgozni. .
Igen, lehet fejleszteni egy nagyon bonyolult számított oszlopot, de szerintem sokkal egyszerűbb lenne őket egy alátámasztó táblázatba helyezni, és utána ilyen egyszerű logikát írni, ami integrálná őket.
Ebben a logikában KISZÁMÍTJUK, hogy az egyes ügyfelek melyik csoportban ülnek. A csoportot a függvény visszaadja , majd a FILTER függvény az, ami iterációt hoz létre a logikán keresztüli iterációhoz.
Aztán itt minden vásárlónál mennyi az össznyereség ; bármelyik csoportunk MIN és MAX értéke közé esik-e . Ha igen, akkor küldje vissza a csoportot. És így hozzuk létre ezt a Profit Group-ot .
A vizualizáció létrehozása
Most, hogy megvan ez a dimenzió, felhasználhatjuk a vizualizációnkban, hogy azonosítsuk ezeket a klasztereket. Létrehozunk tehát egy szóródiagramot , majd bevisszük a haszonkulcsunkat az Y tengelybe és az értékesítést az X tengelybe .
De ha behúzzuk az Ügyfél nevét , akkor itt látni fogjuk, hogy létrehoztunk néhány információt, de nem igazán mutatnak értéket. Sokkal jobban megmutatkozna, ha információcsoportokat hoznánk létre.
Tehát ehhez csak kitöltjük a pontokat, és módosítunk néhány adatszínt, hogy biztosan kiemelkedjenek. Ezekkel az egyszerű beállításokkal sokkal több információt tudunk könnyen azonosítani és kinyerni vizualitásunkon belül .
A támasztóasztal valóban kulcsfontosságú fogalom, amelyet érdemes megkerülni és megérteni használat közbenmert nagyon sokféleképpen tudjuk integrálni.
Sokféleképpen azonosíthatjuk a klasztereket különféle mérőszámok alapján, mivel olyan sok különböző forgatókönyv létezik, hogy adataink elemzését igényelheti.
Ennek a technikának van egy kis része, de a fürtök logika segítségével történő megjelenítése az adatokban nagyon hatékony, és nagyon sokféleképpen megismételheti ezt más forgatókönyvekben vagy saját adatain keresztül.
Végül is ezt szeretném, ha ebből az általam készített oktatóanyagból kivonhatnád, mivel az elemzési lehetőségek exponenciálisan nőnek az ilyen típusú technikák körül.
Ez egy fejlett technika, ezért ne aggódjon, ha nincs értelme azonnal, de mindenképpen próbálja ki. Hamar rá fogsz jönni, hogy olyan igazán érdekes meglátásokat fedezhetsz fel, amelyekkel korábban nem rendelkeztél.