Identifiera avvikande värden med visuella Power BI-objekt
Ett avvikande värde är en avvikelse i dina data, något som du inte förväntade dig eller som överraskade dig, baserat på historiska genomsnitt eller resultat. Du kommer att vilja identifiera avvikande värden för att isolera datapunkter som skiljer sig avsevärt från andra datapunkter, och sedan vidta åtgärder för att undersöka orsakerna till skillnaderna. Resultatet av den här analysen kan ha stor inverkan på företagets beslutsfattande.
Tänk dig att du analyserar data för ett speditionslager. Du ser att antalet beställningar har ökat över genomsnittet för en viss produktkategori. Först vill du identifiera produktkategorin. Sedan vill du ställa flera frågor om det avvikande värdet:
Var antalet leveranser över genomsnittet den dagen?
Inträffade denna avvikelse i ett särskilt lager?
Vad det en enskild händelse som orsakade det ökade antalet beställningar för den specifika kategorin?
Har den här händelsen förekommit under andra dagar den senaste månaden, det senaste kvartalet, det senaste året eller föregående år?
Med Power BI kan du identifiera avvikande värden i dina data, men du måste först fastställa logiken bakom de avvikande värdena. Du kan använda utlösarpunkter, till exempel beräkningar, för områden där du anser att avvikande värden kan finnas.
Processen med att identifiera avvikande värden inbegriper att segmentera dina data i två grupper: en grupp är för avvikande data och den andra gruppen är inte det. Du kan använda beräknade kolumner för att identifiera avvikande värden, men resultaten skulle vara statiska tills du uppdaterar data. Ett bättre sätt att identifiera avvikande värden är att använda en visualisering eller DAX-formel, eftersom dessa metoder ser till att dina resultat är dynamiska.
När du har identifierat avvikande värden i dina data kan du filtrera de avvikande värden med hjälp av utsnitt eller filter. Dessutom kan du lägga till en förklaring till dina visuella objekt så att de avvikande värdena kan identifieras bland andra data. Du kan sedan gå djupare i avvikande data för en mer detaljerad analys.
Använda ett visuellt objekt för att identifiera avvikande värden
Det bästa visuella objektet för att identifiera avvikande värden är punktdiagrammet, som visar relationen mellan två numeriska värden. Punktdiagram visar mönster i stora datamängder och är därför idealiska för att visa avvikande data.
När du lägger till ett punktdiagram i Power BI-rapporten lägger du till dina aktuella fält i avsnitten X-axeln och Y-axeln. I det här fallet finns fältet Levererade beställningar på X-axeln och fältet Antal beställningar på Y-axeln.
Det visuella objektet uppdateras för att visa data i enlighet med de valda fälten, och du kommer att kunna identifiera avvikande värden i dessa data. De är isolerade objekt som är avskilda från datamängden.
Nu när du kan identifiera avvikande värden i dina data kan du undersöka orsakerna till att de finns och vidta lämpliga åtgärder.
Använda DAX för att identifiera avvikande värden
Du kan använda DAX för att skapa ett mått som identifierar avvikande värden i dina data, till exempel som i följande formel:
Outliers =
CALCULATE (
[Order Qty],
FILTER (
VALUES ( Product[Product Name] ),
COUNTROWS ( FILTER ( Sales, [Order Qty] >= [Min Qty] ) ) > 0
)
)
Orderkvantitet är ett mått i tabellen Sales och Min Qty refererar till den lägsta orderkvantiteten i tabellen Sales
När du har skapat ett nytt mått för avvikande data kan du gruppera produkterna i kategorier med hjälp av grupperingsfunktionen, som du gjorde tidigare när du skapade ett histogram. Sedan måste du lägga till ett visuellt punktdiagram, som du gjorde i föregående avsnitt, eftersom det här är det bästa visualiseringsalternativet för att visa extremvärden. När du har lagt till punktdiagrammet fyller du det med fälten som är kopplade till din DAX-formel och mått för avvikande värden.
I punktdiagrammet kan du som vi tidigare nämnt identifiera avvikande värden i dina data. Du kan sedan undersöka orsakerna till att de finns och vidta lämpliga åtgärder.
