Upptäcka och visa avvikande resultat i Lucky Templates

I den här handledningen tar jag dig genom en analys av avvikande upptäckt, upptäcker och visualiserar avvikande resultat. Din data behöver inte ens vara unik eller anpassad. Det fina är att du kan göra detta på i princip vilken datauppsättning som helst. Du kan se hela videon av denna handledning längst ner på den här bloggen.

Jag ska visa dig hur fantastiska LuckyTemplates är som ett analytiskt verktyg.

Det innebär bara att införliva en rad DAX-formler och analytiska tekniker i dina modeller, och sedan i slutändan visualisera det på ett effektivt sätt med alla dynamiska visualiseringsfunktioner vi har tillgängliga för oss i LuckyTemplates.

Det viktigaste och viktigaste konceptet som jag vill att du ska ta bort när du tittar på den här handledningen är att detta kan tillämpas på så många olika sätt.

Så vi börjar med en förklaring av extremvärden i ett punktdiagram. Sedan ska jag visa dig de olika formelteknikerna som du behöver implementera för att kunna visualisera det på det här specifika sättet.

Innehållsförteckning

• Outliers I Ett Scatter Chart
• Inuti datamodellen
• Outlier-detektion med DAX
• Slutsats

Outliers I Ett Scatter Chart

Om vi ​​skulle upptäcka en, det viktigaste vi behöver reda ut är logiken bakom vad som utgör avvikelsen.

Men först vill jag visa hur visuellt det kan påverka våra rapporter och hur mycket enklare och effektivt det är för konsumenterna att ta reda på vad vi försöker visa dem .

Om vi ​​nu tittar på dessa två diagram, visar det första diagrammet (vänster) exakt samma sak som det andra (höger), förutom att jag har skapat en förklaring eller ett skivfilter i det andra diagrammet, som visar oss vad våra extremvärden är.

Så om en kunds försäljning och vinstmarginaler är samtidigt eller över en viss nivå, så är det en outlier i vår datamängd.

Vi vill se vilka dessa kunder är, så vi kan praktiskt taget se det i det andra diagrammet mycket bättre än att bara titta på alla våra kunder och deras vinstmarginaler i det första diagrammet.

Dessutom kan vi borra in i våra kunder mycket bättre. Vi kan välja ett filter ,

eller skapa ett diagram och placera ett filter i avsnittet Filterfält .

Det här diagrammet gör det möjligt för oss att borra i dessa kunder som vi anser vara extrema. Låt oss nu titta på vår datamodell för att se hur detta tillämpas.

Inuti datamodellen

Det första att notera är att vi måste göra detta på ett dynamiskt sätt eftersom vi segmenterar och skapar grupper av våra kunder här. För att göra något dynamiskt måste vi göra det i formler .

Vi kan inte fysiskt skapa en beräknad kolumn i våra modeller och hoppas att om vi skulle lägga någon annan tidsram i den här modellen, så kommer vi att få de resultat vi vill ha. Om vi ​​sätter beräknade kolumner, kommer vi att få den statiska informationen. Det kommer bara att uppdateras vid uppdatering.

Det första sättet att göra logik på ett dynamiskt sätt är att ha en stödtabell . Så som du kan se här i datamodellen har jag skapat denna Outlier Detection Logic . Det är ett stödbord, vilket betyder att det inte är kopplat till någonting.

I den här tabellen matar vi in ​​vår logik för avvikande upptäckt.

Vi identifierar våra extremvärden med en lägsta vinstmarginal på trettiofem procent och en maximal marginal på hundra procent, medan våra icke-avvikande värden har från noll upp till trettiofem.

Samma sak för försäljning, vi har en viss logik som skulle identifiera extremvärden med en total försäljning på över femtiofem tusen.

Så tänk på hur du kan tillämpa denna din egen logik. Du kanske har tre olika parametrar eller variabler som kommer att upptäcka extremvärdet.

Låt oss nu skapa formlerna som itererar genom den här tabellen och utvärdera kunderna om de matchar outlier-logiken eller no-outlier-logiken.

Outlier-detektion med DAX

Tänk på att vi måste gå igenom varje kund och avgöra om de utvärderar som en extremvärd eller icke-avvikande.

För att identifiera extremvärdet använder vi BERÄKNA till vår totala försäljning , för varje kund . Och det är vad VALUES -funktionen gör, eftersom vi FILTRER genom alla våra kunder. Sedan går vi igenom vår Outlier Detection Logic .

För vår icke-outlier , å andra sidan, kör vi också igenom viss logik för varje kund, men den största skillnaden är denna dubbla linje (||), som är för "eller" och inte "och" (&&).

Om vi ​​gör "och" här, så skulle det bara visa upp resultaten som är både under femtiofemtusen och under trettiofem procent, som indikeras i vår Outlier Detection Logic.

Därefter måste vi skapa en formel som vi kan lägga in i vår visualisering, och det är vår säljgrupperingsformel .

Den här beräkningen säger att OM SELECTEDVALUE (Outlier Detection Logic) är en Outlier , då vill vi returnera Outlier Sales . Om inte, returnerar vi Non-outlier Sales .

Det låter oss sedan integrera eller hämta de olika resultaten eller de olika formlerna för vilket urval eller filter som än används i vår visualisering.

Det går inte att förneka att det ligger lite bakom det, men det här visar oss bara hur fantastiskt DAX är i LuckyTemplates, särskilt för analys av avvikande upptäckt.

Skapa dynamiska outlier-triggerpunkter – avancerad analysteknik för LuckyTemplates

Slutsats

Tillvägagångssättet jag visar upp i denna handledning är faktiskt bara ett sätt, men förhoppningsvis har du lärt dig mycket av detta. Vi gjorde en ganska avancerad logik där och visade upp den på ett riktigt effektivt sätt med hjälp av punktdiagram.

Det finns så många applikationer för avvikande upptäckt. Om du verkligen vill borra i eller visa upp en mycket specifik insikt, särskilt när du gör en jämförelse med ett punktdiagram, så är detta ett perfekt sätt att lägga till mervärde och mer insikt i dina visualiseringar.

Därför, om du kan förstå alla element i formlerna, inklusive att kombinera formlerna och placera dem i en visualisering, kan du tillämpa dessa på många sätt för att visa upp resultat med dina egna datamängder.

Skål!