Menentukan granularitas data
Granuralitas data adalah detail yang direpresentasikan dalam data Anda, artinya semakin banyak granuralitas data Anda, semakin besar tingkat detail dalam data Anda.
Granularitas data adalah topik penting untuk semua analis data, terlepas dari alat Power BI yang Anda gunakan. Menentukan granularitas data yang benar dapat berdampak besar pada performa dan kegunaan laporan dan visual Power BI Anda.
Granularitas data ditentukan
Pertimbangkan skenario di mana perusahaan Anda mengelola 1.000 semi truk berpendingin. Setiap beberapa menit, setiap truk menggunakan aplikasi Microsoft Azure IoT untuk merekam suhunya saat ini. Suhu ini penting bagi organisasi Anda karena, jika pendinginan tidak berfungsi, itu bisa merusak seluruh beban, biaya ribuan dolar. Dengan begitu banyak truk dan begitu banyak sensor, data ekstensif dihasilkan setiap hari. Pengguna laporan Anda tidak ingin menyaring banyak catatan untuk menemukan rekaman yang sangat mereka minati.
Bagaimana Anda dapat mengubah granularitas data untuk membuat model semantik lebih dapat digunakan?
Dalam skenario ini, Anda mungkin ingin mengimpor data dengan menggunakan rata-rata harian untuk setiap truk. Pendekatan itu akan mengurangi catatan dalam database menjadi satu catatan untuk setiap truk untuk setiap hari. Jika Anda memutuskan bahwa pendekatan tersebut cukup dapat diterima untuk melacak biaya dan kesalahan, maka Anda dapat menggunakan granularitas data tersebut. Atau, Anda dapat memilih suhu terakhir yang direkam, atau Anda hanya dapat mengimpor rekaman yang berada di atas atau di bawah rentang suhu normal. Salah satu metode ini akan mengurangi total rekaman yang Anda impor, sambil tetap membawa data yang komprehensif dan berharga.
Untuk skenario yang berbeda, Anda dapat menyelesaikan granularitas data yang ditentukan mingguan, bulanan, atau triwulanan. Umumnya, semakin sedikit rekaman yang sedang Anda kerjakan, semakin cepat laporan dan visual Anda akan berfungsi. Pendekatan ini diterjemahkan ke laju refresh yang lebih cepat untuk seluruh model semantik, yang mungkin berarti Anda dapat lebih sering menyegarkan.
Namun, pendekatan itu memiliki kelemahan. Jika pengguna Anda ingin menelusuri setiap transaksi, meringkas granularitas akan mencegah mereka melakukan itu, yang dapat berdampak negatif pada pengalaman pengguna. Penting untuk menegosiasikan tingkat granularitas data dengan pengguna laporan sehingga mereka memahami implikasi dari pilihan ini.
Mengubah granularitas data untuk membangun hubungan antara dua tabel
Granularitas data juga dapat berdampak saat Anda membangun hubungan antar tabel di Power BI.
Misalnya, pertimbangkan bahwa Anda membuat laporan untuk tim Penjualan di Tailwind Traders. Anda telah diminta untuk membangun matriks total penjualan dan anggaran dari waktu ke waktu dengan menggunakan tabel Kalender, Penjualan, dan Anggaran. Anda melihat bahwa tingkat terendah dari detail berbasis waktu yang dimasukkan ke dalam tabel Penjualan adalah berdasarkan hari, misalnya 1/5/2020, 7/6/2020, dan 18/6/2020. Tabel Anggaran hanya sampai ke tingkat bulanan, misalnya data anggaran 5/2020 dan 6/2020. Tabel ini memiliki granularitas berbeda yang perlu direkonsiliasi sebelum Anda dapat membangun hubungan antar tabel.
Gambar berikut menunjukkan model semantik Anda saat ini.
Seperti yang ditunjukkan pada gambar sebelumnya, hubungan antara Anggaran dan Kalender hilang. Oleh karena itu, Anda perlu membuat hubungan ini sebelum Anda dapat membangun visual Anda. Perhatikan bahwa jika Anda mengubah kolom Tahun dan Bulan di tabel Kalender menjadi kolom baru, dan melakukan transformasi yang sama dalam tabel Anggaran, Anda bisa mencocokkan format kolom Tanggal di tabel Kalender. Kemudian, Anda dapat membangun hubungan antara dua kolom. Untuk menyelesaikan tugas ini, Anda akan menggabungkan kolom Tahun dan Bulan lalu mengubah format.
Pilih Transformasi Data pada pita. Pada Langkah yang Diterapkan, di panel kanan, klik kanan langkah terakhir lalu pilih Sisipkan Langkah Setelahnya.
Di bawah Tambahkan Kolom pada pita Beranda, pilih Kolom Kustom. Masukkan persamaan berikut, yang akan menggabungkan kolom Tahun dan Bulan , lalu tambahkan tanda hubung di antara nama kolom.
Column = Table.AddColumn(#"Renamed Columns", "Custom", each [Year] & "-" &[Month])
Ubah jenis data menjadi Tanggal lalu ganti nama kolom. Tabel Anggaran Anda harus menyerupai gambar berikut.
Sekarang, Anda dapat membuat hubungan antara anggaran dan tabel Kalender.
Create hubungan antar tabel
Power BI secara otomatis mendeteksi hubungan, tetapi Anda juga bisa masuk ke Kelola Hubungan > Baru dan membuat hubungan pada kolom Tanggal. Hubungan harus menyerupai gambar berikut.
Dengan menyelesaikan tugas ini, Anda telah memastikan bahwa granularitasnya sama di antara tabel Anda yang berbeda. Sekarang, Anda perlu membuat langkah-langkah DAX untuk menghitung Total Penjualan dan BudgetAmount. Buka panel Data di Power BI Desktop, pilih Pengukuran Baru, lalu buat dua pengukuran dengan persamaan berikut ini:
TotalSales = SUM(Sales[Total Sales])
BudgetAmount = SUM (Budget[BudgetAmount])
Pilih visual tabel pada panel Visualisasi , lalu masukkan pengukuran ini dan Tanggal ke dalam bidang Nilai . Anda sekarang telah mencapai tujuan membangun matriks dari total penjualan dan anggaran dari waktu ke waktu.
