Poikkeamien havaitseminen

KOSKEE: Power BI -palvelu kuluttajille Power BI -palvelu suunnittelijoille ja kehittäjillePower BI Desktop edellyttää Pro- tai Premium-käyttöoikeutta

Poikkeamien tunnistuksen avulla voit parantaa viivakaavioitasi tunnistamalla aikasarjatiedoissa olevat poikkeamat automaattisesti. Se tarjoaa myös poikkeamien selitykset, jotka auttavat syiden analysoinnissa. Vain muutamalla napsautuksella voit helposti löytää merkityksellisiä tietoja ilman tietojen ositusta ja käsittelemistä. Voit luoda ja tarkastella poikkeamia sekä Power BI Desktopissa että Power BI -palvelu. Tämän artikkelin vaiheet ja kuvat ovat peräisin Power BI Desktopista.

Muistiinpano

Tässä videossa saatetaan käyttää Power BI Desktopin tai Power BI -palvelu aiempia versioita.

Aloittaminen

Tässä opetusohjelmassa käytetään eri tuotteiden online-myyntitietoja. Jos haluat seurata tätä opetusohjelmaa, lataa online-myyntiskenaarion mallitiedosto .

Voit ottaa poikkeamien tunnistamisen käyttöön valitsemalla kaavion ja valitsemalla Etsi poikkeamat analytiikkaruudusta.

Tämä kaavio näyttää esimerkiksi tuoton ajan kuluessa. Poikkeamien tunnistamisen lisääminen lisää automaattisesti kaavioon poikkeavuuksia ja odotettua arvoaluetta. Kun arvo ylittää tämän odotetun rajan, se merkitään poikkeamaksi. Tässä teknisessä blogissa on lisätietoja Poikkeamien tunnistus-algoritmista.

Poikkeamien muotoilu

Tämä käyttökokemus on hyvin muokattavissa. Voit muotoilla poikkeaman muotoa, kokoa ja väriä sekä odotetun alueen väriä, tyyliä ja läpinäkyvyyttä. Voit myös määrittää algoritmin parametrin. Jos lisäät herkkyyttä, algoritmin herkkyys tietoihisi muutoksille kasvaa. Tällöin pienikin poikkeus merkitään poikkeamaksi. Jos vähennät herkkyyttä, algoritmin herkkyys tieto sille, mitä se pitää poikkeamana, pienenee.

Selityksiä

Poikkeamien tunnistamisen lisäksi voit myös selittää tiedoissa olevat poikkeamat automaattisesti. Kun valitset poikkeaman, Power BI analysoi tietomallisi kentät ja selvittää mahdolliset selitykset. Se antaa luonnollisella kielellä selityksen poikkeamalle ja siihen liittyville tekijöille selittävän vahvuuden mukaan lajiteltuna. Tässä näkyy, että 30. elokuuta tuotto oli 5187 dollaria, joka ylittää odotetun alueen 2447–3423 dollaria. Voin avata kortit tässä ruudussa nähdäkseni lisää selityksen yksityiskohtia.

Selitysten määrittäminen

Voit hallita myös kenttiä, joita käytetään analyysissa. Kun esimerkiksi myyjä ja kaupunki vedetään Selitysperuste-kenttäsäilöön Power BI rajoittaa analyysin vain kyseisiin kenttiin. Tässä tapauksessa 31. elokuuta ilmennyt poikkeama näyttää liittyvän tiettyyn myyjään ja tiettyihin kaupunkeihin. Tässä Fabrikam-myyjän vahvuus on 99 %. Power BI laskee vahvuuden odotetun arvon poikkeaman suhteena, kun se suodatetaan dimension mukaan kokonaisarvon poikkeamaan. Se on esimerkiksi poikkeamapisteelle koosteaikasarjan Fabrikam ja koosteaikasarjan yleinen tuotto välinen suhde, jossa todellisesta arvosta on vähennetty odotettu arvo. Tämän kortin avaaminen näyttää visualisoinnin, jossa näkyy tuottopiikki tämän myyjän kohdalla 31. elokuuta. Lisää tämä visualisointi sivulle Lisää raporttiin -vaihtoehdon avulla.

Huomioitavat asiat ja rajoitukset

• Poikkeamien tunnistamista tuetaan vain viivakaaviovisualisoinneissa, joiden Akseli-kentässä on aikasarjatietoja.
• Poikkeamien tunnistusta ei tueta viivakaaviovisualisoinnin selittissä, useissa arvoissa eikä toissijaisissa arvoissa.
• Poikkeamien tunnistaminen edellyttää vähintään neljää arvopistettä.
• Ennuste-, Minimi-, Maksimi-, Keskiarvo-, Mediaani- ja Prosenttipiste-viivat eivät toimi poikkeamien tunnistamisessa.
• SAP-tietolähteen suora kysely, Power BI -raporttipalvelin, reaaliaikaista Näyttöyhteys Azure Analysis Servicesiin ja SQL Server Analysis Servicesiin ei tueta.
• Poikkeamien selitykset eivät toimi Näytä arvo muodossa -asetusten kanssa.
• Porautumista alaspäin hierarkian seuraavalle tasolle ei tueta.

Liittyvä sisältö

Lisätietoja poikkeamien tunnistamista suorittavasta algoritmista on Tony Xingin julkaisussa SR-CNN-algoritmissa Azure Poikkeamien tunnistus