Edellinen

Seuraava

Poikkeavien arvojen tunnistaminen Power BI -visualisointien avulla

Valmis

Poikkeava arvo on tiedoissasi oleva poikkeama, jota et odottanut tai joka on yllättävä historiallisten keskiarvojen perusteella. Haluat tunnistaa poikkeavat arvot niiden arvopisteiden eristämiseksi, jotka eroavat huomattavasti muista arvoisteistä, ja tutkia erojen syitä. Tämän analyysin tuloksella voi olla merkittävä vaikutus liiketoiminnan päätöksentekoon.

Harkitse skenaariota, jossa analysoit lähetysvaraston tietoja. Huomaat, että tietyn tuoteluokan tilausten määrä on lisääntynyt keskiarvon yläpuolelle. Haluat ensin tunnistaa tuoteluokan. Sen jälkeen haluat esittää useita kysymyksiä, jotka koskevat poikkeavia arvoja:

• Tapahtuivatko keskiarvon ylittävät lähetykset tänä päivänä?

• Tapahtuiko tämä poikkeama tietyssä varastossa?

• Aiheuttiko yksittäinen tapahtuma tämän tietyn luokan tilausten nousun?

• Sattuiko tämä tapaus muina päivinä viimeisen kuukauden, vuosineljänneksen, vuoden tai edellisen vuoden aikana?

Power BI:n avulla voit tunnistaa omien tietojesi poikkeavat arvot, mutta sinun on ensin selvitettävä, mikä on poikkeavan arvon taustalla oleva logiikka. Voit käyttää käynnistyspisteitä, kuten laskutoimituksia, sen mukaan, mitä pidät poikkeavana arvona.

Poikkeavien arvojen tunnistusprosessi edellyttää tietojen segmentointia kahteen ryhmään: toinen ryhmä on poikkeaville arvoille ja toinen ei. Voit käyttää laskettuja sarakkeita poikkeamien määrittämiseen, mutta tulokset ovat tilastollisia tietojen päivittämiseen asti. Parempi tapa tunnistaa poikkeavat arvot on käyttää visualisointia tai DAX-kaavaa, koska nämä menetelmät varmistavat, että tuloksesi ovat dynaamisia.

Kun olet tunnistanut tietojesi poikkeamat, voit sitten käyttää osittajia tai suodattimia näiden poikkeamien korostamiseen. Lisäksi voit lisätä selitteen visualisointeihin, jotta poikkeamat voidaan tunnistaa muiden tietojen joukosta. Voit sitten porautua poikkeaviin arvoihin tarkempaa analysointia varten.

Poikkeavien arvojen tunnistaminen visualisoinnin avulla

Paras visualisointi poikkeavien arvojen tunnistamiseen on pistekaavio, joka näyttää kahden numeerisen arvon välisen suhteen. Pistekaaviot näyttävät toistuvuuden suurissa tietojoukoissa, joten ne sopivat erinomaisesti poikkeavien arvojen näyttämiseen.

Kun lisäät pistekaavion Power BI -raporttiin, sijoitat kiinnostavat kentät vastaaviin x-akselin ja y-akselin osiin. Tässä tapauksessa Lähetetyt tilaukset -kenttä on x-akselilla ja Tilausmäärä-kenttä y-akselilla.

Visualisointi päivittyy näyttämään tiedot valittujen kenttien mukaan, ja voit selkeästi tunnistaa poikkeavat arvot kyseisissä tiedoissa. Ne ovat eristettyjä arvoja, jotka poikkeavat suurimmasta osasta tietoja.

Nyt, kun tunnistat poikkeavat arvot tiedoissasi, voit tutkia niiden olemassaolon syitä ja ryhtyä korjaaviin toimiin.

Poikkeavien arvojen tunnistaminen DAX:n avulla

DAX:n avulla voit luoda mittarin, joka tunnistaa tietojesi poikkeavat arvot, kuten seuraavassa kaavassa:

Outliers =
CALCULATE (
    [Order Qty],
    FILTER (
        VALUES ( Product[Product Name] ),
        COUNTROWS ( FILTER ( Sales, [Order Qty] >= [Min Qty] ) ) > 0
    )
)

Order Qty on mittari Sales-taulukossa ja Min Qty viittaa Myynti-taulukon pienimpään tilausmäärään

Kun olet luonut uuden poikkeavien arvojen mittarin, voit ryhmitellä tuotteesi luokkiin ryhmittelytoiminnolla, kuten teit aiemmin histogrammia luodessasi. Sen jälkeen sinun on lisättävä pistekaaviovisualisointi, kuten teit edellisessä osiossa, koska tämä on paras visualisointivaihtoehto poikkeavien arvojen esittämiseen. Kun olet lisännyt pistekaavion, täytät sen DAX-kaavaan ja poikkeavien arvojen mittariin liittyvillä kentillä.

Pistekaaviosta voit tunnistaa poikkeavat arvot tiedoissasi. Sen jälkeen voit tutkia niiden olemassaolon syitä ja ryhtyä korjaaviin toimiin.

Jatka