Identificere afvigende værdier med Power BI-visuelle elementer

Fuldført

En afvigende værdi er en form for uregelmæssighed i dine data – noget, du ikke forventede, eller som overrasker dig, baseret på historiske gennemsnit eller resultater. Du skal identificere afvigende værdier for at isolere datapunkter, der adskiller sig markant fra andre datapunkter, og derefter undersøge årsagen til forskellene nærmere. Resultatet af analysen kan have stor betydning for virksomhedens beslutninger.

Forestil dig et scenarie, hvor du analyserer data for et forsendelseslager. Du bemærker, at antallet af ordrer er steget mere end gennemsnittet for en specifik produktkategori. Du skal først identificere produktkategorien. Du skal derefter stille flere spørgsmål om den afvigende værdi:

• Har antallet af forsendelser været over gennemsnittet for den pågældende dag?

• Har der været uregelmæssigheder i forbindelse med et bestemt lager?

• Skyldes stigningen i antallet af ordrer for den bestemte kategori en enkeltstående hændelse?

• Er det en hændelse, som har fundet sted på andre dage den seneste måned, det seneste kvartal, det seneste år eller det foregående år?

Power BI gør det muligt for dig at identificere afvigende værdier i dine data, men du skal først bestemme logikken for, hvad der udgør en afvigende værdi. Du kan bruge tærskelværdier, f.eks. beregninger, for, hvad du betragter som en afvigende værdi.

Processen med at identificere afvigende værdier involverer segmentering af dine data i to grupper: én gruppe med afvigende værdier og en anden gruppe med ikke-afvigende værdier. Du kan bruge beregnede kolonner til at identificere afvigende værdier, men resultaterne vil være statiske, indtil du opdaterer dataene. En bedre metode til at identificere afvigende værdier er derfor at bruge en visualiserings- eller DAX-formel, som sikrer, at resultaterne er dynamiske.

Når du har identificeret afvigende værdier i dine data, kan du bruge udsnitsværktøjer eller filtre til at fremhæve disse afvigende værdier. Du kan også tilføje en forklaring i dine visuelle elementer, så det er muligt at skelne afvigende værdier fra de øvrige data. Du kan derefter udføre en mere detaljeret analyse på de afvigende data.

Brug et visuelt element til at identificere afvigende værdier

Det bedste visuelle element til at identificere afvigende værdier er et punktdiagram, som viser relationen mellem to talværdier. Punktdiagrammer viser mønstre i store datasæt og er derfor velegnede til at vise afvigende værdier.

Når du tilføjer et punktdiagram i din Power BI-rapport, anbringer du de relevante felter i afsnittene med henholdsvis x-aksen og y-aksen. I dette eksempel findes feltet Afsendte ordrer på x-aksen, og feltet Antal ordrer på y-aksen.

Det visuelle element opdateres og viser dataene i de valgte felter, så du tydeligt kan identificere afvigende værdier i dataene. Det er de isolerede elementer, som ikke indgår i massedataene.

Nu, hvor du kan identificere afvigende værdier i dine data, kan du undersøge årsagerne til, at de er der og løse problemet.

Brug DAX til at identificere afvigende værdier

Du kan bruge DAX til at oprette en måling, som identificerer afvigende værdier i dine data, f.eks. følgende formel:

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

Ordreantal er en måling i tabellen Sales, og Min. antal refererer til det laveste ordreantal i tabellen Sales

Når du har oprettet en ny måling for afvigende værdier, kan du gruppere dine produkter i kategorier ved hjælp af grupperingsfunktionen på samme måde, som da du tidligere oprettede et histogram. Du skal derefter tilføje et punktdiagramvisual, som du gjorde i det forrige afsnit, da dette er den bedste visualiseringsmulighed til visning af udenforliggende værdier. Når du har tilføjet punktdiagrammet, skal du udfylde det med de felter, der er knyttet til din DAX-formel og måling for afvigende værdier.

Du kan identificere afvigende værdier for dine data i punktdiagrammet. Du kan derefter undersøge årsagen til de afvigende værdier og løse problemet.