Oppdage og vise avvikende resultater i Lucky Templates

I denne opplæringen tar jeg deg gjennom en analyse av uteliggerdeteksjon, oppdager og visualiserer avvikende resultater. Dataene dine trenger ikke engang å være unike eller tilpasset. Det fine er at du kan gjøre dette på stort sett alle datasett. Du kan se hele videoen av denne opplæringen nederst på denne bloggen.

Jeg skal vise deg hvor fantastisk LuckyTemplates er som et analytisk verktøy.

Det innebærer bare å inkorporere en rekke DAX-formler og analytiske teknikker i modellene dine, og deretter visualisere det på en effektiv måte med alle de dynamiske visualiseringsfunksjonene vi har tilgjengelig for oss i LuckyTemplates.

Nøkkelen og viktigste konseptet som jeg vil at du skal ta bort når du ser på denne opplæringen, er at dette kan brukes på så mange forskjellige måter.

Så vi starter med en forklaring av uteliggere i et punktdiagram. Deretter skal jeg vise deg de forskjellige formelteknikkene du må implementere for å kunne visualisere det på denne spesifikke måten.

Innholdsfortegnelse

• Outliers i et punktdiagram
• Inne i datamodellen
• Outlier-deteksjon ved hjelp av DAX
• Konklusjon

Outliers i et punktdiagram

Hvis vi skulle oppdage en, det viktigste vi trenger å finne ut av er logikken bak det som utgjør uteliggeren.

Men først vil jeg vise frem hvordan det visuelt kan påvirke rapportene våre og hvor mye enklere og effektivt det er for forbrukere å finne ut hva vi prøver å vise dem .

Hvis vi nå ser på disse to diagrammene, viser det første diagrammet (til venstre) nøyaktig det samme som det andre (til høyre), bortsett fra at jeg har laget en legende eller et skjærefilter i det andre diagrammet, som viser oss hva våre uteliggere er.

Så hvis en kundes salg og fortjenestemarginer er på samme tid eller over et visst nivå, så er det en uteligger i datasettet vårt.

Vi ønsker å se hvem disse kundene er, og derfor kan vi praktisk talt se det i det andre diagrammet mye bedre enn å bare se på alle kundene våre og deres fortjenestemarginer i det første diagrammet.

Dessuten kan vi bore inn i kundene våre mye bedre. Vi kan velge et filter ,

eller lag et diagram og sett et filter i Filtrerfelt-delen .

Dette diagrammet gjør det mulig for oss å se nærmere på disse kundene som vi anser som uteliggere. La oss nå se på datamodellen vår for å se hvordan dette brukes.

Inne i datamodellen

Den første tingen å merke seg er at vi må gjøre dette på en dynamisk måte siden vi segmenterer, skaper grupper av våre kunder her. For å gjøre noe dynamisk, må vi gjøre det i formler .

Vi kan ikke fysisk lage en beregnet kolonne i modellene våre og håpe at hvis vi setter en annen tidsramme i denne modellen, så får vi de resultatene vi ønsker. Hvis vi setter beregnede kolonner, vil vi få den statiske informasjonen. Den oppdateres kun ved oppdatering.

Den første måten å gjøre logikk på en dynamisk måte er å ha et støttebord . Så som du kan se her i datamodellen, har jeg laget denne Outlier Detection Logic . Det er et støttebord, som betyr at det ikke er koblet til noe.

Inne i denne tabellen legger vi inn logikken vår for avvikdeteksjon.

Vi identifiserer våre uteliggere med en minimums fortjenestemargin på trettifem prosent og en maksimal margin på hundre prosent, mens våre ikke-uteliggere har fra null opp til trettifem.

Det samme for salg, vi har en viss logikk som vil identifisere uteliggere ved totalt salg på over femtifem tusen.

Så tenk på hvordan du kan bruke denne din egen logikk. Du kan ha tre forskjellige parametere eller variabler som skal oppdage uteliggeren.

La oss nå lage formlene som itererer gjennom denne tabellen og evaluere kundene om de samsvarer med outlier-logikken eller til no-outlier-logikken.

Outlier-deteksjon ved hjelp av DAX

Husk at vi må gå gjennom hver kunde og finne ut om de vurderes som en uteligger eller ikke-utligger.

For å identifisere uteliggeren bruker vi CALCUATE til vårt totale salg for hver kunde . Og det er det VALUES- funksjonen gjør, ettersom vi FILTRER gjennom alle våre kunder. Deretter går vi gjennom vår Outlier Detection Logic .

For vår ikke-outlier , derimot, kjører vi også gjennom noe logikk for hver kunde, men hovedforskjellen er denne doble linjen (||), som er for "eller" og ikke "og" (&&).

Hvis vi gjør "og" her, vil det bare vise frem resultatene som er både under femtifem tusen og under trettifem prosent, som angitt i vår Outlier Detection Logic.

Deretter må vi lage en formel som vi kan legge inn i visualiseringen vår, og det er vår salgsgrupperingsformel .

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

Det lar oss deretter integrere eller hente de forskjellige resultatene eller de forskjellige formlene for uansett valg eller filter som brukes i visualiseringen vår.

Det er ikke å nekte for at det er litt i det, men dette viser oss bare hvor fantastisk DAX er i LuckyTemplates, spesielt for analyse av avvikende gjenkjenning.

Opprette dynamiske avvikende triggerpunkter – avansert analyseteknikk for LuckyTemplates

Konklusjon

Tilnærmingen jeg viser frem i denne opplæringen er faktisk bare én måte, men forhåpentligvis har du lært mye av dette. Vi gjorde noe ganske avansert logikk der og viste det frem på en veldig effektiv måte ved å bruke punktdiagrammer.

Det er så mange applikasjoner for avviksdeteksjon. Hvis du virkelig ønsker å se nærmere på eller vise frem en veldig spesifikk innsikt, spesielt når du sammenligner med et punktdiagram, så er dette en perfekt måte å tilføre verdi og mer innsikt i visualiseringene dine.

Derfor, hvis du kan forstå alle elementene i formlene, inkludert å kombinere formlene og plassere dem i en visualisering, kan du bruke disse på mange måter for å vise frem resultater med dine egne datasett.

Jubel!