Pipe In R: Koblingsfunksjoner med Dplyr
I denne opplæringen lærer du hvordan du kobler funksjoner sammen ved å bruke dplyr-røroperatøren i programmeringsspråket R.
I denne opplæringen vil jeg vise hvordan du kan lage logistikkrapporteringsapper i LuckyTemplates ved å bruke data fra den virkelige verden. Jeg ønsker å vise omfanget av det du kan gjøre i LuckyTemplates og dets store muligheter. Du kan se hele videoen av denne opplæringen nederst på denne bloggen.
Vi skal gå gjennom et eksempel fra et av våre medlemmer som en del av LuckyTemplates LuckyTemplates Challenge 12, og jeg vil dele hvordan jeg personlig ville tilnærme meg problemet og forbedringene som jeg tror kan brukes på modellen.
Innholdsfortegnelse
Eksempel på logistikkrapporteringsapper i LuckyTemplates
Det første jeg virkelig elsker med denne rapporten er den faktiske navigasjonsopplevelsen. Det er som en fullbygget webapplikasjon. Det er som et GIF-bilde der det er et overleggsaspekt når du klikker på det. Medlemmet har delt det ned i fire forskjellige analysesegmenter. Vi har segmentering av luft, vei, jernbane og sjø.
Hvis du klikker deg gjennom et av disse segmentene, si Road her, kommer du til en annen side som gir deg innsikt om all den forskjellige transporten som skjer via vei.
Jeg tror det er et bra sted å begynne. Når du vurderer et datasett, vil du virkelig prøve å forstå historien du prøver å fortelle. Historien du forteller kan endre seg ganske mye avhengig av hva du anser som dine viktigste filtre eller dine viktigste dimensjoner. I dette tilfellet var den viktigste dimensjonen å bryte opp dataene.
Og så, det er litt analyse og annen nøkkelinformasjon innenfor hvert segment, men det er også navigasjon på venstre side som du kan klikke deg gjennom. Du kan se nærmere på dataene for mer informasjon. Dette er de tingene som er gode for alt som har med logistikk å gjøre. Det viser allsidigheten til hva vi kan gjøre med.
Datamodell og datasett for logistikkrapporteringsapper
Nå vil jeg raskt gå gjennom hvordan jeg ser på datasett og hvor potensielt jeg ville gjort dette annerledes fordi det som har blitt gjort i dette tilfellet er at modellen har blitt holdt veldig enkel. For det første elsker jeg det faktum at medlemmet brukte fosseteknikken, der vi har oppslagstabellene våre øverst og faktatabellene nederst.
Dette en-til-en-forholdet på finans her er imidlertid ikke noe jeg vanligvis ville gjort. Jeg ville nok la dette være som et bord for seg selv. Men kanskje jeg ville opprettet en oppslagstabell for den vanlige kolonnen, for eksempel forsendelses-ID. Jeg ville prøve å bringe disse to forsendelses-ID-kolonnene sammen og slå dem sammen til én. Eller alternativt kan jeg fjerne duplikater, plassere dem som en oppslagstabell og deretter opprette en en-til-mange-relasjon fra den kolonnen med unike verdier.
La oss nå bare se på hvordan fraktdata ser ut. Med all logistikkinformasjon kommer du til å ha en ordrelinje som en del av transaksjonsinformasjonen, som egentlig kommer til å være forsendelses- IDen . Så kommer den til å stamme ut til når den dro, hvor den dro fra, og så hvor den dro til, når den landet, og så videre.
Det er mange ting som kan komme ut av akkurat den informasjonen, men det viktigste her er åpenbart forsendelses-IDen. Det kommer til å være vår indeks i faktatabellen vår. Du kan imidlertid se at dette faktisk er et stort bord. Selv om antallet rader er ganske lite, er det 121 kolonner. Det er alt for mange kolonner for en faktatabell.
Det du vil gjøre med datasett som dette er at du vil bryte ut informasjonssegmentene som gir mening. En ting som jeg raskt kan identifisere som ville være en god oppslagstabell, er Locations. Informasjon om koder om opprinnelseslandene, destinasjonslandene osv. er viktig for denne typen rapporteringsapper. På denne måten slipper du duplikater av informasjon om og om igjen. Det kommer til å redusere kompleksiteten til modellen din og redusere filstørrelsen.
Det er mange andre ting vi kan forbedre her, inkludert typen varer, klienter, fartøy og leveringstyper, som vi også kan dele inn i oppslagstabeller.
Det jeg også ser etter her er kolonnene med numeriske verdier fordi det er her jeg skal lage målene mine. Jeg skal bare gjøre enkle summer slik at jeg kan filtrere ved å bruke oppslagstabelldimensjonene som jeg lager.
Og derfor ville modellen se litt annerledes ut. Jeg ville ha kanskje fire eller fem flere oppslagstabeller øverst og flytt dem helt ned til respektive indekser i forsendelsestabellen.
Konklusjon
Dette er et eksempel på en logistikkrapporteringsapp i LuckyTemplates. I denne eksempelrapporten har jeg vist deg hvordan et logistikkdatasett og en datamodell ser ut, og jeg har delt mine tanker og forbedringspunkter med deg.
Jeg håper du har funnet denne opplæringen nyttig på egen håndbestrebelser. Sjekk ut lenkene nedenfor for mer relatert innhold.
Jubel!
**** * Relaterte innlegg i støtteforum *****
I denne opplæringen lærer du hvordan du kobler funksjoner sammen ved å bruke dplyr-røroperatøren i programmeringsspråket R.
RANKX fra LuckyTemplates lar deg returnere rangeringen til et spesifikt tall i hver tabellrad som utgjør en del av en liste med tall.
Lær hvordan du demonterer en PBIX-fil for å trekke ut LuckyTemplates-temaer og bilder fra bakgrunnen og bruke den til å lage rapporten din!
Excel Formulas Cheat Sheet: Mellomveiledning
LuckyTemplates-kalendertabell: Hva er det og hvordan du bruker det
Lær hvordan du installerer programmeringsspråket Python i LuckyTemplates og hvordan du bruker verktøyene til å skrive koder og vise visuelle elementer.
Lær hvordan du beregner dynamiske fortjenestemarginer ved siden av LuckyTemplates og hvordan du kan få mer innsikt ved å grave dypere inn i resultatene.
Lær hvordan du sorterer feltene fra kolonner med utvidet datotabell på riktig måte. Dette er en god strategi å gjøre for vanskelige felt.
I denne artikkelen går jeg gjennom hvordan du kan finne de beste produktene dine per region ved å bruke DAX-beregninger i LuckyTemplates, inkludert TOPN- og CALCUATE-funksjonene.
Lær hvordan du bruker en søppeldimensjon for flagg med lav kardinalitet som du ønsker å inkludere i datamodellen din på en effektiv måte.