Erstellen von Visualisierungen für „Wichtige Einflussfaktoren“

GILT FÜR: ️ Power BI Desktop Power BI-Dienst

Die wichtigsten visuellen Influencer helfen Ihnen, die Faktoren zu verstehen, die eine Metrik fördern, die Sie interessiert. Es analysiert die Daten, erstellt eine Rangfolge für wichtige Faktoren und stellt diese dar. Angenommen, Sie möchten beispielsweise ermitteln, wodurch die Personalfluktuation oder Abwanderung beeinflusst wird. Faktoren können z. B. die Länge des Anstellungsvertrags oder die Anfahrtszeit des Mitarbeiters sein.

Wann empfiehlt sich die Verwendung des Visuals „Wichtige Einflussfaktoren“?

Sie können das Visual in folgenden Fällen erfolgreich verwenden:

• Zur Übersicht über die Faktoren, die sich auf die analysierte Metrik auswirken.
• Zum Vergleich der relativen Wichtigkeit dieser Faktoren, z. B. bei der Frage, ob Kurzzeitverträge sich stärker als Langzeitverträge auf die Fluktuation auswirken.

Features des Visuals „Wichtige Einflussfaktoren“

1. Registerkarten: Wählen Sie eine Registerkarte aus, und wechseln Sie zwischen Ansichten. Auf der Registerkarte Wichtige Einflussfaktoren wird dargestellt, wodurch der ausgewählte Metrikwert beeinflusst wird. Auf der Registerkarte Wichtigste Segmente werden die Segmente dargestellt, die den größten Einfluss auf den ausgewählten Metrikwert haben. Ein Segment besteht aus einer Kombination mehrerer Werte. Ein Segment kann beispielsweise Verbraucher sein, die langfristige Kunden sind und in der Westregion leben.

2. Dropdown-Listenfeld: Der Wert der Metrik, die untersucht werden soll. In diesem Beispiel geht es um die Metrik Bewertung. Der ausgewählte Wert lautet Niedrig.

3. Neudarstellung: Diese Ansicht unterstützt Sie beim Interpretieren des Visuals im linken Bereich.

4. Linker Bereich: Im linken Bereich wird ein Visual dargestellt. In diesem Beispiel handelt es sich um eine Liste der wichtigsten Einflussfaktoren.

5. Neudarstellung: Diese Ansicht unterstützt Sie beim Interpretieren des Visuals im rechten Bereich.

6. Rechter Bereich: Im rechten Bereich wird ein Visual dargestellt. In diesem Fall werden im Säulendiagramm alle Werte für den links ausgewählten Faktor Theme (Thema) des Visuals „Wichtige Einflussfaktoren“ dargestellt. Der spezifische Wert Usability (Benutzerfreundlichkeit) im linken Bereich wird in Grün angezeigt. Alle anderen Werte für Theme (Thema) werden in Schwarz angezeigt.

7. Durchschnittslinie: Der Durchschnitt wird für alle möglichen Werte für Theme (Design) berechnet, außer für Usability (Benutzerfreundlichkeit) (dies ist der ausgewählte Einflussfaktor). Die Berechnung setzt sich also aus allen schwarz dargestellten Werten zusammen. Daraus wird ersichtlich, welcher Prozentsatz der anderen Designs eine niedrige Bewertung hatte. In diesem Fall hatten 11,35 % eine niedrige Bewertung (dargestellt durch die gepunktete Linie).

8. Kontrollkästchen: Filtert das Visual im rechten Bereich heraus, sodass nur Werte angezeigt werden, die Einflussfaktoren für dieses Feld sind. In diesem Beispiel wird das Visual nach Benutzerfreundlichkeit, Sicherheit und Navigation gefiltert.

Analysieren einer kategorischen Metrik

Power BI Desktop

1. Ihr Produkt-Manager möchte, dass Sie ermitteln, welche Faktoren dazu führen, dass Kunden negative Bewertungen zu Ihrem Clouddienst abgeben. Öffnen Sie die Datei customerfeedback.pbix in Power BI Desktop, um diesem Tutorial zu folgen.

Power BI-Dienst

1. Ihr Produkt-Manager möchte, dass Sie ermitteln, welche Faktoren dazu führen, dass Kunden negative Bewertungen zu Ihrem Clouddienst abgeben. Wenn Sie im Power BI-Dienst folgen möchten, laden Sie die Excel-Datei „Customer Feedback“ auf der GitHub-Seite herunter, die geöffnet wird.

   Wählen Sie im Power BI-Dienst Neuer Bericht aus, und wählen Sie dann Einfügen aus, oder geben Sie manuell Daten ein. Wählen Sie alle Daten im Arbeitsblatt aus, kopieren Sie sie, und fügen Sie sie im Fenster Daten eingeben ein.

   

Hinweis

Das Customer Feedback-Dataset basiert auf dem Werk [Moro et al., 2014] S. Moro, P. Cortez und P. Rita. „Eine datengesteuerte Methode, um den Erfolg von Telefonmarketing im Bankbereich vorherzusagen“. Unterstützende Systeme bei der Entscheidungsfindung, Elsevier, 62:22-31. Juni 2014.

2. Wählen Sie im Bereich Visualisierungen unter Visual erstellen das Symbol Wichtigste Einflussfaktoren aus.

   

3. Verschieben Sie die Metrik, die Sie analysieren möchten, in das Feld Analyse. Um festzustellen, warum Kunden den Service niedrig bewerten, wählen Sie Customer Table (Kundentabelle)>Bewertung aus.

4. Verschieben Sie die Felder, von denen Sie vermuten, dass sie sich auf die Bewertung auswirken, in das Feld Erläuterung nach. Sie können beliebig viele Felder verschieben. Beginnen Sie in diesem Beispiel mit den folgenden Feldern:

   • Country-Region
   • Role in Org (Rolle in der Organisation)
   • Subscription Type (Abonnementtyp)
   • Company Size (Unternehmensgröße)
   • Design

5. Lassen Sie das Feld Erweitern um leer. Dieses Feld wird nur beim Analysieren eines Measures oder eines zusammengefassten Felds verwendet.

6. Um den Fokus auf die negativen Bewertungen zu richten, wählen Sie im Dropdownfeld What influences Rating to be (Welche Faktoren zu einer Bewertung im Bereich) den Eintrag Niedrig aus.

   

Die Analyse wird auf Tabellenebene des entsprechenden Felds ausgeführt. In diesem Beispiel wird die Metrik Bewertung verwendet. Diese Metrik wird auf Kundenebene definiert. Jeder Kunde gibt entweder einen Highscore oder eine niedrige Bewertung. Alle erläuternden Faktoren für das Visual müssen auf Kundenebene definiert werden, damit sie verwendet werden können.

Im obigen Beispiel weisen alle erläuternden Faktoren eine 1:1- oder eine n:1-Beziehung zur Metrik auf. In diesem Fall hat jeder Kunde seiner Bewertung ein einzelnes Design zugewiesen. Gleichermaßen stammen die Kunden aus einem Land oder einer Region, weisen einen Mitgliedschaftstyp auf und haben eine Rolle in der Organisation inne. Bei den erläuternden Faktoren handelt es sich um bereits vorhandenen Attribute eines Kunden, sodass keine Transformation nötig ist. Das Visual kann die Attribute direkt verwenden.

Im Verlauf des Tutorials werden komplexere Beispiele mit 1:n-Beziehungen behandelt. In solchen Fällen müssen Spalten zunächst auf Kundenebene aggregiert werden, bevor die Analyse ausgeführt werden kann.

Measures und Aggregate, die als erläuternde Faktoren verwendet werden, werden in der Metrik Analyse ebenfalls auf Tabellenebene ausgewertet. Im weiteren Verlauf des Artikels finden Sie hierfür Beispiele.

Interpretieren von kategorischen wichtigen Einflussfaktoren

Nun sehen wir uns die wichtigsten Einflussfaktoren für niedrige Bewertungen genauer an.

Faktor, der am wahrscheinlichsten zu einer niedrigen Bewertung führt

Der Kunde in diesem Beispiel kann drei Rollen haben: Verbraucher, Administrator und Verleger. Die Rolle des Verbrauchers führt dabei am wahrscheinlichsten zu einer niedrigen Bewertung.

Genauer gesagt ist es 2,57-mal wahrscheinlicher, dass ein Verbraucher eine negative Bewertung zu Ihrem Dienst abgibt. Im Diagramm „Wichtige Einflussfaktoren“ wird Role in Org is consumer (Rolle in der Organisation ist Verbraucher) auf der linken Seite ganz oben aufgeführt. Wenn Sie Role in Org is consumer (Rolle in der Organisation ist Verbraucher) auswählen, werden im rechten Bereich von Power BI weitere Details angezeigt. Die vergleichende Wirkung der einzelnen Rollen auf die Wahrscheinlichkeit einer niedrigen Bewertung wird angezeigt.

• 14,93 % der Verbraucher geben eine niedrige Bewertung ab.
• Im Durchschnitt geben nur 5,78 % aller anderen Rollen eine niedrige Bewertung ab.
• Die Wahrscheinlichkeit, dass Verbraucher eine im Vergleich zu anderen Rollen niedrigere Bewertung abgeben, ist 2,57-mal höher. Dieser Wert kann ermittelt werden, indem Sie den grünen Balken durch die rot gestrichelte Linie dividieren.

Faktor, der am zweitwahrscheinlichsten zu einer niedrigen Bewertung führt

Mit dem Visual „Wichtige Einflussfaktoren“ können die Faktoren aus vielen verschiedenen Variablen verglichen und nach Rangfolge sortiert werden. Der zweitgrößte Einflussfaktor unterscheidet sich sehr von Role in Org (Rolle in der Organisation). Wählen Sie in der Liste den zweitgrößten Einflussfaktor aus: Theme is usability (Thema ist gleich Benutzerfreundlichkeit).

Der zweitwichtigste Faktor bezieht sich auf das Thema der Kundenbewertung. Verbraucher, die Feedback zur Benutzerfreundlichkeit des Produkts abgegeben haben, haben 2,55-mal wahrscheinlicher eine schlechte Bewertung abgegeben als Kunden, die Feedback zu den Themen Zuverlässigkeit, Design oder Geschwindigkeit abgegeben haben.

Der durch die rot gestrichelte Linie dargestellte Durchschnitt hat sich im Vergleich zum vorherigen Visual von 5,78 % auf 11,35 % geändert. Der Durchschnittswert ist dynamisch, da er auf dem Durchschnitt aus allen anderen Werten basiert. Beim ersten Einflussfaktor wurde die Verbraucherrolle aus dem Durchschnitt ausgeschlossen. Beim zweiten Einflussfaktor wurde das Thema Benutzerfreundlichkeit ausgeschlossen.

Aktivieren Sie das Kontrollkästchen Nur Werte anzeigen, die Einflussfaktoren sind, um nur mithilfe der beeinflussenden Werte zu filtern. In diesem Beispiel sind sie die Rollen, die für eine niedrige Bewertung verantwortlich sind. Zwölf Designs werden auf die vier Designs reduziert, die Power BI als die Designs identifiziert, die niedrige Bewertungen fördern.

Interaktion mit anderen Visuals

Immer, wenn Sie auf einen Slicer, einen Filter oder ein anderes Visual im Zeichenbereich klickt, führt das Visual für wichtige Einflussfaktoren die Analyse für die neu ausgewählten Daten nochmals aus. Sie können beispielsweise Company Size (Unternehmensgröße) in den Bericht verschieben und als Slicer verwenden. Verwenden Sie es, um festzustellen, ob sich die wichtigen Einflussfaktoren für Unternehmenskunden von denen der restlichen Kunden unterscheiden. Ein Unternehmen definiert sich hierbei über eine Größe von mehr als 50.000 Mitarbeitern.

Wählen Sie >50.000 aus, um die Analyse noch mal auszuführen. Sie werden feststellen, dass sich die Einflussfaktoren ändern. Bei großen Unternehmenskunden ist das Thema Sicherheit der wichtigste Einflussfaktor für eine niedrige Bewertung. Sie sollten nun weiter untersuchen, ob es bestimmte Sicherheitsfeatures gibt, mit denen große Kunden nicht zufrieden sind.

Interpretieren von kontinuierlichen wichtigen Einflussfaktoren

Bisher haben Sie gelernt, wie Sie mithilfe des visuellen Elements untersuchen können, wie verschiedene kategorisierte Felder niedrige Bewertungen beeinflussen. Im Feld Erläuterung nach können jedoch auch kontinuierliche Faktoren wie Alter, Höhe und Preis verwendet werden. Beobachten Sie, was geschieht, wenn Tenure (Verwendungsdauer) aus „Customer Table“ (Kundentabelle) in Erläuterung nach verschoben wird. Tenure zeigt, wie lange ein Kunde den Dienst nutzt.

Bei einem höheren Wert für „Tenure“ (Verwendungsdauer) steigt die Wahrscheinlichkeit, dass eine niedrige Bewertung abgegeben wird. Dieser Trend lässt darauf schließen, dass Langzeitkunden häufiger eine negative Bewertung abgeben. Diese Information ist interessant. Sie sollten sie später weiterverfolgen.

Aus dem Visual ist ersichtlich, dass sich die Wahrscheinlichkeit einer niedrigen Bewertung um das 1,23-Fache erhöht, wenn die Verwendungsdauer um 13,44 Monate erweitert wird. In diesem Fall stellen 13,44 Monate die Standardabweichung der Verwendungsdauer dar. Sie ziehen also Erkenntnisse daraus, wie sich die Erweiterung der Verwendungsdauer um eine Standardmenge, d. h. die Standardabweichung der Verwendungsdauer auf die Wahrscheinlichkeit einer niedrigen Bewertung auswirkt.

Im Punktdiagramm im rechten Bereich wird durchschnittliche Prozentsatz der niedrigen Bewertungen für die einzelnen Werte der Verwendungsdauer dargestellt. Die Steigung wird mit einer Trendlinie hervorgehoben.

Klassifizierte kontinuierliche wichtige Einflussfaktoren

In einigen Fällen stellen Sie möglicherweise fest, dass Ihre kontinuierlichen Faktoren automatisch in kategorische Faktoren umgewandelt wurden. Wenn die Beziehung zwischen den Variablen nicht linear ist, können wir die Beziehung nicht so beschreiben, dass sie einfach zunimmt oder abnimmt (wie im vorherigen Beispiel).

Wir führen Korrelationstests durch, um zu bestimmen, wie linear der Influencer mit dem Ziel verglichen wird. Ist das Ziel kontinuierlich, werden Pearson-Korrelationstests ausgeführt, und ist das Ziel kategorisch, werden punktbiseriale Korrelationstests ausgeführt. Wenn wir feststellen, dass die Beziehung nicht ausreichend linear ist, führen wir überwachte Binning durch und generieren maximal fünf Container. Um herauszufinden, welche Bins am sinnvollsten sind, verwenden wir eine beaufsichtigte Binning-Methode. Die überwachte Binning-Methode untersucht die Beziehung zwischen dem erklärenden Faktor und dem zu analysierenden Ziel.

Interpretieren von Measures und Aggregaten als wichtige Einflussfaktoren

Sie können Measures und Aggregate als erläuternde Faktoren in Ihren Analysen verwenden. Welche Auswirkungen hat beispielsweise die Anzahl der Kundensupporttickets auf die Bewertung, die Sie erhalten. Oder welche Auswirkungen hat die durchschnittliche Dauer eines offenen Tickets auf die Bewertung, die Sie erhalten.

In diesem Fall müssen Sie ermitteln, ob die Anzahl der Supporttickets, die ein Kunde erstellt, sich auf die Bewertung auswirkt. Hierfür beziehen Sie die Supportticket-ID aus der Tabelle „Support Ticket“ (Supportticket) ein. Da ein Kunde mehrere Supporttickets öffnen kann, aggregieren Sie die ID auf die Kundenebene. Die Aggregation ist wichtig, da die Analyse auf Kundenebene ausgeführt wird, weshalb alle Treiber auf dieser Ebene definiert werden müssen.

Betrachten wir nun die Anzahl der IDs. Jeder Kundenzeile ist eine Anzahl Supporttickets zugeordnet. In diesem Fall geht daraus hervor, dass mit dem Anstieg der Supporttickets auch die Wahrscheinlichkeit einer niedrigen Bewertung um das 4,08-Fache steigt. Der Screenshot zeigt die durchschnittliche Anzahl von Supporttickets nach unterschiedlichen Bewertungswerten , die auf Kundenebene ausgewertet werden.

Interpretation der Ergebnisse: Wichtigste Segmente

Mithilfe der Registerkarte Wichtige Einflussfaktoren können Sie die jeweiligen Faktoren einzeln bewerten. Sie können auch die Registerkarte Wichtigste Segmente verwenden, um zu ermitteln, wie sich eine Kombination aus verschiedenen Faktoren auf die Metrik auswirkt, die Sie analysieren.

Auf der Registerkarte „Wichtigste Segmente“ wird zunächst eine Übersicht über alle von Power BI ermittelten Segmente angezeigt. Das folgende Beispiel zeigt, dass sechs Segmente gefunden wurden. Der Prozentsatz der niedrigen Bewertungen innerhalb des Segments bestimmt die Rangfolge. Daraus geht beispielsweise hervor, dass 74,3 % aller Kundenbewertungen in Segment 1 niedrig sind. Je höher der Kreis positioniert ist, desto größer ist der Anteil der niedrigen Bewertungen. Die Größe des Kreises gibt an, wie viele Kunden in einem Segment vorhanden sind.

Wenn Sie eine Blase auswählen, werden die Details dieses Segments angezeigt. Wenn Sie beispielsweise Segment 1 auswählen, stellen Sie fest, dass es etablierte Kunden darstellt. Sie sind seit mehr als 29 Monaten Kunden und haben mehr als vier Supporttickets. Außerdem handelt es sich bei diesen Benutzern nicht um Herausgeber. Daher muss es sich also um Verbraucher oder Administratoren handeln.

In dieser Gruppe haben 74,3 % der Kunden eine niedrige Bewertung abgegeben. Im Durschnitt gaben 11,7 % aller Benutzer eine negative Bewertung ab. Somit ist der Anteil der niedrigen Bewertung in diesem Segment also größer. Er ist 63 Prozent größer. Segment 1 enthält zudem 2,2 % aller Daten und stellt damit einen adressierbaren Anteil aller Benutzer dar.

Hinzufügen von Zählungen

Manchmal kann ein Einflussfaktor eine signifikante Auswirkung haben, aber nur wenige Daten darstellen. Theme is usability („Thema ist Benutzerfreundlichkeit“) ist z. B. der drittgrößte Einflussfaktor für niedrige Bewertungen. Es gibt jedoch möglicherweise nur wenige Kunden, die sich über die Benutzerfreundlichkeit beschwert haben. Mit Zählungen können Sie priorisieren, auf welche Einflussfaktoren Sie sich konzentrieren möchten.

Sie können die Zählung über die Analysekarte im Formatierungsbereich aktivieren.

Sobald die Darstellung des Anteils aktiviert ist, wird ein Ring um die Blase der einzelnen Einflussfaktoren angezeigt, der den ungefähren Prozentsatz der Daten darstellt, die der Einflussfaktor enthält. Je mehr die Blase von dem Ring eingeschlossen ist, desto mehr Daten sind in ihr enthalten. Sie sehen, dass „Theme is usability“ einen kleinen Teil der Daten enthält.

Sie können auch die Option „Sortieren nach“ unten links im Visual verwenden, um die Blasen zuerst nach Zählung anstelle von Auswirkung zu sortieren. „Subscription Type is Premier“ ist der wichtigste Einflussfaktor, der auf Zählung basiert.

Wenn Sie einen vollständigen Ring um den Kreis sehen, bedeutet dies, dass der Einflussfaktor 100 % der Daten enthält. Sie können den Zählungstyp so ändern, dass er relativ zum maximalen Einflussfaktor ist, indem Sie die Dropdownliste Zählungstyp in der Analysekarte des Formatierungsbereichs verwenden. Nun wird der Influencer mit der meisten Datenmenge durch einen vollständigen Ring dargestellt, und alle anderen Zählungen sind relativ zu ihr.

Analysieren einer numerischen Metrik

Wenn Sie ein nicht numerisches Feld in das Feld Analyse verschieben, können Sie entscheiden, wie dieses Szenario behandelt wird. Sie können das Verhalten des Visuals ändern, indem Sie den Formatierungsbereich aufrufen und zwischen dem Analysetyp „Kategorisch“ und dem Analysetyp „Kontinuierlich“ wechseln.

Ein kategorisiererischer Analysetyp wird weiter oben in diesem Artikel beschrieben. Wenn Sie z. B. die Umfrageergebnisse von 1 bis 10 betrachten, können Sie fragen: "Welche Auswirkungen haben Umfrageergebnisse auf 1?"

Beim Analysetyp „Kontinuierlich“ ändert sich die Fragestellung in eine kontinuierliche Frage. Im vorherigen Beispiel lautet unsere neue Frage "Was beeinflusst Umfrageergebnisse, um zu erhöhen/zu verkleinern?"

Diese Unterscheidung ist hilfreich, wenn im zu analysierenden Feld zahlreiche Einzelwerte vorhanden sind. Im nächsten Beispiel sehen wir uns die Hauspreise an. Es ist nicht sinnvoll, "Was beeinflusst hauspreis 156.214 zu sein?", da das spezifisch ist und wir wahrscheinlich nicht genügend Daten haben, um ein Muster abzuleiten.

Stattdessen möchten wir fragen: "Was beeinflusst den Hauspreis zu erhöhen", was es uns ermöglicht, Hauspreise als Eine Reihe statt als unterschiedliche Werte zu behandeln.

Interpretation der Ergebnisse: Wichtigste Einflussfaktoren

Hinweis

In den Beispielen in diesem Abschnitt werden Immobilienpreisdaten aus der Public Domain verwendet. Sie können das Beispieldataset herunterladen, wenn Sie die Schritte nachvollziehen möchten.

In diesem Szenario betrachten wir "Was beeinflusst den Hauspreis zu erhöhen.". Eine Reihe von erklärenden Faktoren könnte sich auf einen Hauspreis wie Year Built auswirken (Jahr wurde das Haus gebaut), KitchenQual (Küchenqualität) und YearRemodAdd (Jahr wurde das Haus umgestaltet).

Im folgenden Beispiel betrachten wir unseren top Influencer, was die Küchenqualität ist ausgezeichnet. Die Ergebnisse sind mit den Ergebnissen der Analyse kategorischer Metriken vergleichbar. Es gibt jedoch einige wichtige Unterschiede:

• Mit dem Säulendiagramm im rechten Bereich werden anstelle der Prozentsätze die Durchschnittswerte untersucht. Es stellt den durchschnittlichen Immobilienpreis für ein Haus mit einer sehr guten Küchenqualität (grüne Säule) im Vergleich zum durchschnittlichen Immobilienpreis für ein Haus ohne sehr gute Küchenqualität (gestrichelte Linie) dar.
• Im Kreis wird auch hier die Differenz zwischen der rot gestrichelten Linie und der grünen Säule angegeben, jedoch als Zahl (USD 158.000,49) und nicht als Wahrscheinlichkeit (1,93-fach). So im Durchschnitt sind Häuser mit ausgezeichneten Küchen fast $ 160 K teurer als Häuser ohne ausgezeichnete Küchen.

Im folgenden Beispiel untersuchen wir die Auswirkungen eines kontinuierlichen Faktors (Jahr, in dem das Haus modernisiert wurde) auf den Immobilienpreis. Im Vergleich zur Analyse von kontinuierlichen Einflussfaktoren gibt es bei kategorischen Metriken folgende Unterschiede:

• Im Punktdiagramm im rechten Bereich wird der durchschnittliche Immobilienpreis für jeden einzelnen Wert für das Jahr dargestellt, in dem das Haus modernisiert wurde.
• Der Wert in der Blase zeigt, wie viel der durchschnittliche Hauspreis steigt (in diesem Fall $ 2,87k), als das Jahr, in dem das Haus umgestaltet wurde, um seine Standardabweichung erhöht wurde (in diesem Fall 20 Jahre)

Abschließend betrachten wir bei Measures den Durchschnittswert für das Jahr, in dem das Haus gebaut wurde. Die Analyse sieht wie folgt aus:

• Im Punktdiagramm im rechten Bereich wird der durchschnittliche Immobilienpreis für jeden einzelnen Wert dargestellt.
• Der Wert in der Blase zeigt, wie viel der durchschnittliche Hauspreis steigt (in diesem Fall $ 1,35 K), wenn das durchschnittliche Jahr um seine Standardabweichung erhöht (in diesem Fall 30 Jahre)

Interpretation der Ergebnisse: Wichtigste Segmente

In den wichtigsten Segmenten für numerische Zielsetzungen werden Gruppen angegeben, bei denen die Immobilienpreise im Durchschnitt höher sind als im Dataset insgesamt. Im Folgenden ist beispielsweise zu sehen, dass sich Segment 1 aus Häusern zusammensetzt, bei denen GarageCars (Anzahl der Kraftfahrzeuge, die in der Garage untergebracht werden können) größer als 2 und für RoofStyle die Option „Hip“ (Walmdach) festgelegt ist. Häuser mit diesen Merkmalen haben einen durchschnittlichen Preis von $ 355 K im Vergleich zum Gesamtdurchschnitt in den Daten, die $ 180 K.

Analysieren einer Metrik, die ein Measure oder eine zusammengefasste Spalte ist

Bei einer Maß- oder Zusammenfassungsspalte wird standardmäßig der weiter oben in diesem Artikel beschriebene Fortlaufende Analysetyp verwendet. Diese Einstellung kann nicht geändert werden. Der größte Unterschied zwischen der Analyse eines Measures oder einer zusammengefassten Spalte und einer nicht zusammengefassten numerischen Spalte ist die Ebene, auf der die Analyse ausgeführt wird.

Bei nichtmargierten Spalten wird die Analyse immer auf Tabellenebene ausgeführt. Im Hauspreisbeispiel haben wir die Metrik Hauspreis analysiert, um zu sehen, was einen Hauspreis beeinflusst, um zu erhöhen/zu verkleinern. Die Analyse wird automatisch auf Tabellenebene ausgeführt. Unsere Tabelle verfügt über eine eindeutige ID für jedes Haus, damit die Analyse auf Hausebene ausgeführt wird.

Bei Measures und zusammengefassten Spalten wissen wir nicht sofort, auf welcher Ebene Sie analysiert werden. Wenn House Price (Hauspreis) als Average (Mittelwert) zusammengefasst würde, müssten wir festlegen, auf welcher Ebene dieser Durchschnittspreis für das Haus berechnet werden soll. Handelt es sich um den Durchschnittshauspreis auf Nachbarschaftsebene? Oder vielleicht auf regionaler Ebene?

Measures und zusammengefasste Spalten werden automatisch auf der Ebene der verwendeten Erläuterung nach-Felder analysiert. Stellen Sie sich vor, wir wollen drei Felder in "Explain By" untersuchen: Küchenqualität, Gebäudetyp und Klimaanlage. Der Wert Average House Price (durchschnittlicher Hauspreis) würde für jede eindeutige Kombination dieser drei Felder berechnet werden. Häufig ist es hilfreich, zu einer Tabellenansicht zu wechseln, um zu sehen, wie die auszuwertenden Daten aussehen.

Diese Analyse ist sehr zusammengefasst, sodass es für das Regressionsmodell schwierig sein könnte, muster in den Daten zu finden, aus denen sie lernen können. Wir sollten die Analyse detaillierter ausführen, um bessere Ergebnisse zu erzielen. Wenn wir den Hauspreis auf der Hausebene analysieren möchten, müssen wir das ID-Feld der Analyse explizit hinzufügen. Trotzdem möchten wir nicht, dass die Haus-ID als Einflussfaktor angesehen wird. Es hilft uns nicht, zu erfahren, dass der Preis für ein Haus steigt, wenn die Haus-ID sich erhöht. An dieser Stelle ist die Option Erweitern um praktisch. Mithilfe der Feldoption Erweitern durch können Sie Felder hinzufügen, die Sie verwenden möchten, um die Ebene der Analyse festzulegen, ohne nach neuen Einflussfaktoren suchen zu müssen.

Sehen Sie sich an, wie die Visualisierung aussieht, nachdem Sie die ID für die Feldoption Erweitern durch hinzugefügt haben. Nachdem Sie die Ebene definiert haben, auf der Ihr Measure ausgewertet werden soll, ist die Interpretation von Influencern genau dasselbe wie bei nicht numerischen Spalten.

Informationen dazu, wie ML.NET hinter den Kulissen von Power BI genutzt wird, um Daten zu analysieren und Erkenntnisse auf natürliche Weise zu gewinnen, finden Sie unter Power BI identifies key influencers using ML.NET (Power BI ermittelt wichtige Einflussfaktoren mit ML.NET).

Zu beachtende Aspekte und Problembehandlung

Welche Einschränkungen gibt es für das Visual?

Für das Visual „Wichtige Einflussfaktoren“ gibt es einige Einschränkungen:

• Direct Query wird nicht unterstützt.
• Liveverbindung mit Azure Analysis Services und SQL Server Analysis Services wird nicht unterstützt.
• Veröffentlichen im Web wird nicht unterstützt
• .NET Framework 4.6 oder höher ist erforderlich.
• Die SharePoint Online-Einbettung wird nicht unterstützt.

Es wird ein Fehler angezeigt, dass keine Einflussfaktoren oder Segmente gefunden wurden. Woran liegt das?

Dieser Fehler tritt auf, wenn Sie Felder in Erläuterung nach eingeschlossen haben, aber keine Einflussfaktoren gefunden wurden.

• Sie haben die analysierte Metrik in Analysieren und Erläuterung nach eingeschlossen. Entfernen Sie sie aus Erläuterung nach.
• Die erläuternden Felder enthalten zu viele Kategorien, in denen nur wenige Beobachtungen vorhanden sind. In dieser Situation ist es für das Visual schwierig zu erkennen, welche Faktoren Einflussfaktoren sind. Eine Generalisierung auf Basis weniger Beobachtungen ist schwierig. Bei der Analyse eines numerischen Felds sollten Sie im Formatierungsbereich auf der Karte Analyse von der kategorischen Analyse zur kontinuierlichen Analyse wechseln.
• Die erläuternden Faktoren enthalten zwar ausreichend Beobachtungen für eine Generalisierung, aber das Visual konnte keine sinnvollen Korrelationen ermitteln, aus denen ein Bericht erstellt werden kann.

Es wird ein Fehler angezeigt, dass die zu analysierende Metrik nicht genügend Daten für eine Analyse enthält. Woran liegt das?

Das Visual funktioniert so, dass in den Daten für eine Gruppe nach Mustern gesucht und mit anderen Gruppen verglichen wird. So wird beispielsweise nach Kunden gesucht, die im Vergleich zu anderen Kunden, die hohe Bewertungen abgegeben haben, niedrige Bewertungen abgegeben haben. Wenn die Daten in Ihrem Modell nur wenige Beobachtungen enthalten, können Muster nur schwer ermittelt werden. Wenn im Visual nicht genügend Daten enthalten sind, um aussagekräftige Einflussfaktoren zu ermitteln, wird angezeigt, dass mehr Daten benötigt werden, um die Analyse durchzuführen.

Für den ausgewählten Zustand sollten mindestens 100 Beobachtungen vorhanden sein. In diesem Beispiel steht der Zustand für Kunden, die abwandern. Ferner benötigen Sie mindestens 10 Beobachtungen für die Zustände, die Sie für den Vergleich verwenden. In diesem Beispiel steht der Vergleichszustand für Kunden, die nicht abwandern.

Bei der Analyse eines numerischen Felds sollten Sie im Formatierungsbereich auf der Karte Analyse von der kategorischen Analyse zur kontinuierlichen Analyse wechseln.

Es wird eine Fehlermeldung angezeigt, dass die Analyse immer auf Zeilenebene der übergeordneten Tabelle ausgeführt wird, wenn „Analysieren“ nicht zusammengefasst ist. Das Ändern dieser Ebene über die „Erweitern durch“-Felder ist nicht zulässig. Woran liegt das?

Wenn eine numerische Spalte oder eine kategorische Spalte analysiert wird, wird die Analyse immer auf der Tabellenebene ausgeführt. Wenn Sie beispielsweise Hauspreise analysieren und Ihre Tabelle eine ID-Spalte enthält, wird die Analyse automatisch auf Haus-ID-Ebene ausgeführt.

Bei der Analyse von Measures oder zusammengefassten Spalten müssen Sie explizit angeben, auf welcher Ebene die Analyse ausgeführt werden soll. Mithilfe der Feldoption Erweitern durch können Sie die Ebene der Analyse für Measures und zusammengefasste Spalten ändern, ohne neue Einflussfaktoren hinzuzufügen. Wenn House Price (Hauspreis) als Measure definiert wurde, können Sie die Spalte „House ID“ (Haus-ID) der Feldoption Erweitern um hinzufügen, um die Analyseebene zu ändern.

Es wird ein Fehler angezeigt, dass ein Feld in Erläuterung nach keine eindeutige Beziehung zu der Tabelle aufweist, die die analysierte Metrik enthält. Woran liegt das?

Die Analyse wird auf Tabellenebene des entsprechenden Felds ausgeführt. Wenn Sie beispielsweise Kundenfeedback für Ihren Dienst analysieren, besitzen Sie möglicherweise eine Tabelle, aus der hervorgeht, ob ein Kunde eine hohe oder eine niedrige Bewertung abgegeben hat. In diesem Fall wird die Analyse auf Ebene der Kundentabelle durchgeführt.

Wenn eine verknüpfte Tabelle auf einer granulareren Ebene als die Tabelle definiert ist, die Ihre Metrik enthält, wird dieser Fehler angezeigt. Hier sehen Sie ein Beispiel:

• Sie analysieren, was Kunden dazu bewegt, eine niedrige Bewertung für Ihren Dienst abzugeben.
• Sie möchten wissen, ob sich das Gerät, auf dem Ihre Kunden den Dienst verwenden, auf die Bewertung auswirkt.
• Kunden können den Dienst auf unterschiedlichen Geräten verwenden.
• Im folgenden Beispiel verwendet Kunde 10000000 sowohl einen Browser als auch ein Tablet, um auf den Dienst zuzugreifen.

Wenn Sie versuchen, die Spalte „device“ als erläuternden Faktor zu verwenden, wird folgender Fehler angezeigt:

Dieser Fehler wird angezeigt, da das Gerät nicht auf Kundenebene definiert wurde. Kunden können den Dienst auf mehreren Geräten verwenden. Damit das Visual Muster ermitteln kann, muss „device“ ein Attribut von „customer“ sein. Es gibt verschiedene Lösungen, die von Ihren Kenntnissen des Geschäfts abhängen:

• Sie können die Zusammenfassung von zu zählenden Geräten ändern. Verwenden Sie beispielsweise „count“, wenn sich die Anzahl von Geräten möglicherweise auf die Bewertung auswirkt, die ein Kunde abgibt.
• Sie können die Spalte „device“ pivotieren, um festzustellen, ob sich die Verwendung des Diensts auf einem bestimmten Gerät auf die Kundenbewertung auswirkt.

In diesem Beispiel wurden die Daten pivotiert, um neue Spalten für Browser, Mobilgeräte und Tablets zu erstellen (Sie dürfen nicht vergessen, die Beziehungen in der Modellierungsansicht zu löschen und neu zu erstellen, nachdem Sie die Daten pivotiert haben). Nun können Sie diese Geräte in Erläuterung nach verwenden. Daraus ergibt sich, dass alle Geräte Einflussfaktoren sind, wobei der Browser jedoch die größte Auswirkung auf die Kundenbewertung hat.

Genauer gesagt ist die Wahrscheinlichkeit, dass Kunden eine niedrige Bewertung abgeben, 3,79-mal höher, wenn sie den Dienst nicht über den Browser verwenden. Für mobile Geräte weiter unten in der Liste gilt das Gegenteil. Die Wahrscheinlichkeit, dass Kunden eine niedrige Bewertung abgeben, ist höher, wenn sie die mobile App verwenden.

Es wird ein Fehler angezeigt, dass die Measures nicht in die Analyse einbezogen wurden. Woran liegt das?

Die Analyse wird auf Tabellenebene des entsprechenden Felds ausgeführt. Wenn Sie die Abwanderung von Kunden analysieren, haben Sie möglicherweise eine Tabelle erstellt, die aussagt, ob ein Kunde den Anbieter gewechselt hat. In diesem Fall wird die Analyse auf Ebene der Kundentabelle durchgeführt.

Measures und Aggregate werden standardmäßig auf Tabellenebene analysiert. Wenn Sie ein Measure für die durchschnittlichen monatlichen Ausgaben erstellt hätten, würde dieses auf Ebene der Kundentabelle analysiert werden.

Wenn die Kundentabelle keinen eindeutigen Bezeichner aufweist, können deren Measures nicht ausgewertet werden, und die Tabelle wird aus der Analyse ausgeschlossen. Sorgen Sie zur Vermeidung dieser Situation dafür, dass die Tabelle in Ihrer Metrik einen eindeutigen Bezeichner enthält. In diesem Fall ist es die Kundentabelle, und der eindeutige Bezeichner ist die Kunden-ID. Mithilfe von Power Query können Sie zudem einfach eine Indexspalte hinzufügen.

Es wird eine Warnung angezeigt, dass die analysierte Metrik mehr als 10 Einzelwerte aufweist und somit die Qualität der Analyse beeinträchtigen kann. Woran liegt das?

Mit dem KI-Visual können Kategoriefelder und numerische Felder analysiert werden. Bei kategorisierten Feldern kann ein Beispiel "Churn" "Ja" oder "Nein" sein, und die Kundenzufriedenheit ist "Hoch", "Mittel" oder "Niedrig". Wenn Sie die Anzahl der zu analysierenden Kategorien erhöhen, gibt es weniger Beobachtungen pro Kategorie. Dann ist es für das Visual schwierig, in den Daten Muster zu erkennen.

Beim Analysieren numerischer Felder haben Sie die Wahl zwischen der Behandlung der numerischen Felder wie Text, in diesem Fall führen Sie dieselbe Analyse wie bei kategorisierten Daten (Kategorisierungsanalyse) aus. Wenn viele Einzelwerte vorliegen, sollten Sie zu einer kontinuierlichen Analyse wechseln, damit die Zahlen nicht einzeln betrachtet, sondern Muster abgeleitet werden, wenn sich Zahlen erhöhen oder verringern. Sie können im Formatierungsbereich auf der Karte Analyse von der kategorischen Analyse zur kontinuierlichen Analyse wechseln.

Es wird empfohlen, ähnliche Werte in einer einzigen Einheit zu gruppieren, um aussagekräftigere Einflussfaktoren zu ermitteln. Bei einer Metrik für den Preis erhalten Sie beispielsweise bessere Ergebnisse, wenn Sie ähnliche Preise in Kategorien wie „Hoch“, „Mittel“ oder „Niedrig“ gruppieren, anstatt einzelne Preispositionen zu verwenden.

In den Daten sind Faktoren vorhanden, bei denen es sich nicht um wichtige Einflussfaktoren handelt, obwohl sie es sein sollten. Wie kann es dazu kommen?

Im folgenden Beispiel geben Kunden, die Verbraucher sind, niedrige Bewertungen ab. Dabei sind 14,93 % der Bewertungen niedrig. Der Anteil der niedrigen Bewertungen ist bei Benutzern mit der Rolle Administrator ebenfalls hoch (13,42 %), aber diese werden nicht als Einflussfaktoren gewertet.

Der Grund dafür ist, dass vom Visual beim Auffinden von Einflussfaktoren auch die Anzahl der Datenpunkte berücksichtigt werden. Im folgenden Beispiel geht es um mehr als 29.000 Verbraucher und 10-mal weniger Administratoren, also etwa 2.900. Nur 390 Administratoren haben eine niedrige Bewertung abgegeben. Das Visual verfügt nicht über genügend Daten, um zu ermitteln, ob bei den Administratoren ein Muster vorliegt oder ob es sich um einen Zufall handelt.

Welche Datenpunktgrenzwerte bestehen für die wichtigsten Einflussfaktoren? Wir führen die Analyse an einer Stichprobe von 10.000 Datenpunkten durch. Die Blasen auf der einen Seite zeigen alle gefundenen Einflussfaktoren. Die Säulendiagramme und Streudiagramme auf der anderen Seite halten sich an die Stichprobenentnahmestrategien für diese wichtigen visuellen Elemente.

Wie werden wichtige Einflussfaktoren für die kategorische Analyse ermittelt?

Das KI-Visual verwendet ML.NET im Hintergrund, um eine logistische Regression zum Berechnen der wichtigen Einflussfaktoren auszuführen. Bei einer logistischen Regression handelt es sich um ein Statistikmodell, das verschiedene Gruppen miteinander vergleicht.

Während Sie sich darauf konzentrieren, was Benutzer zu niedrigen Bewertungen bewegt, ermittelt die logistische Regression, was der Unterschied zwischen den Kunden ist, die eine niedrige oder eine hohe Bewertung abgegeben haben. Bei Verwendung mehrerer Kategorien wie „Hoch“, „Neutral“ und „Niedrig“ können Sie untersuchen, wie sich die Kunden, die eine niedrige Bewertung abgegeben haben, von denjenigen Kunden unterscheiden, die keine niedrige Bewertung abgegeben haben. In diesem Fall untersuchen Sie, wie sich Kunden, die eine niedrige Bewertung abgegeben haben, von denjenigen Kunden, die eine hohe oder neutrale Bewertung abgegeben haben.

Im Rahmen der logistischen Regression wird in den Daten nach Mustern gesucht, um zu ermitteln, wie sich die Kunden, die eine niedrige abgegeben haben, von denjenigen Kunden unterscheiden, die eine hohe Bewertung abgegeben haben. So lässt sich möglicherweise feststellen, dass Kunden mit vielen Supporttickets einen höheren prozentualen Anteil an den niedrigen Bewertungen ausmachen als die Kunden mit wenigen oder keinen Supporttickets.

Bei der logistischen Regression wird auch die Anzahl der Datenpunkte berücksichtigt. Wenn Kunden mit Administratorrolle beispielsweise anteilig mehr negative Bewertungen abgeben, aber es nur sehr wenige Administratoren gibt, wird dieser Faktor nicht als Einflussfaktor gewertet, da zum Ableiten eines Musters nicht genügend Datenpunkte vorhanden sind. Es wird ein statistischer Test (Wald-Test) verwendet, um zu bestimmen, ob ein Faktor als Einflussfaktor gewertet werden kann. Im Visual wird ein p-Wert von 0,05 verwendet, um den Schwellenwert zu berechnen.

Wie werden wichtige Einflussfaktoren für die numerische Analyse ermittelt?

Das KI-Visual verwendet ML.NET im Hintergrund, um eine lineare Regression zum Ermitteln der wichtigen Einflussfaktoren auszuführen. Die lineare Regression ist ein Statistikmodell, mit dem untersucht wird, wie sich das Ergebnis des Felds, das Sie analysieren, basierend auf den erläuternden Faktoren ändert.

Wenn wir beispielsweise Hauspreise analysieren, untersucht eine lineare Regression den Effekt, dass eine ausgezeichnete Küchen-HAs auf den Hauspreis hat. Lassen sich mit Häusern mit einer sehr guten Küchenqualität generell niedrigere oder höhere Immobilienpreise erzielen als mit Häusern ohne sehr gute Küchenqualität?

Bei der linearen Regression wird auch die Anzahl der Datenpunkte berücksichtigt. Wenn sich mit Häusern mit Tennisplatz höhere Preise erzielen lassen, jedoch nur wenige Häuser mit einem Tennisplatz im Angebot sind, wird dieser Faktor nicht als Einflussfaktor gewertet, da zum Ableiten eines Musters nicht genügend Datenpunkte vorhanden sind. Es wird ein statistischer Test (Wald-Test) verwendet, um zu bestimmen, ob ein Faktor als Einflussfaktor gewertet werden kann. Im Visual wird ein p-Wert von 0,05 verwendet, um den Schwellenwert zu berechnen.

Wie werden Segmente berechnet?

Das KI-Visual verwendet ML.NET im Hintergrund, um eine Entscheidungsstruktur zum Ermitteln interessanter Untergruppen auszuführen. Das Ziel der Entscheidungsstruktur besteht darin, eine Untergruppe von Datenpunkten zu ermitteln, die in der relevanten Metrik relativ stark vertreten ist. Das können Kunden sein, die niedrige Bewertungen abgegeben haben, oder Häuser, mit denen sich hohe Preise erzielen lassen.

Anhand der Entscheidungsstruktur wird jeder erläuternde Faktor analysiert und versucht zu ermitteln, welcher die beste Aufteilung bietet. Wenn Sie beispielsweise die Daten so filtern, dass nur große Unternehmenskunden einbezogen werden, werden dadurch Kunden getrennt, die eine hohe Bewertung im Vergleich zu einer niedrigen Bewertung erhalten haben? Weiterhin stellt sich die Frage, ob es sich als besser erweist, die Daten so zu filtern, dass nur Kunden berücksichtigt werden, die eine Bewertung zum Thema Sicherheit abgegeben haben.

Nachdem im Rahmen der Entscheidungsstruktur eine Aufteilung vorgenommen wurde, wird für die Untergruppe von Daten die nächstbeste Aufteilung für diese Daten ermittelt. In diesem Beispiel besteht die Untergruppe aus Kunden, die eine Bewertung zum Thema Sicherheit abgegeben haben. Nach jeder Aufteilung berücksichtigt der Entscheidungsbaum auch, ob es genügend Datenpunkte für diese Gruppe hat, um ein Muster abzuleiten. Andernfalls handelt es sich um eine Anomalie in den Daten und nicht um ein echtes Segment. Ein weiterer statistischer Test mit dem p-Wert 0,05 wird durchgeführt, um die statistische Relevanz der Aufteilungsbedingung zu überprüfen.

Nach der Ausführung der Entscheidungsstruktur werden aus allen Aufteilungen wie Feedback zum Thema Sicherheit und große Unternehmen Power BI-Filter erstellt. Diese Filter werden im Visual zu einem Segment kombiniert.

Warum werden bestimmte zu Einflussfaktoren bzw. aus den Einflussfaktoren entfernt, wenn mehr Felder in das Feld Erläuterung nach verschoben werden?

Das Visual wertet alle erläuternden Faktoren zusammen aus. Ein Faktor kann allein ein Influencer sein, aber wenn er mit anderen Faktoren in Betracht gezogen wird, ist er möglicherweise nicht. Angenommen, Sie möchten analysieren, wodurch der Preis eines Hauses steigt und verwenden dabei die erläuternden Faktoren „Schlafzimmer“ und „Fläche“:

• Als einzelner Faktor kann die Anzahl der Schlafzimmer den Preis eines Hauses erhöhen.
• Unter Einbeziehung der Fläche in die Analyse wird untersucht, wie sich die Anzahl der Schlafzimmer bei konstanter Fläche des Hauses auswirkt.
• Wenn die Größe des Hauses auf 1.500 Quadratmeter festgelegt ist, ist es unwahrscheinlich, dass ein kontinuierlicher Anstieg der Anzahl der Schlafzimmer dramatisch den Hauspreis erhöht.
• Die Anzahl der Schlafzimmer stellt somit kein so wichtiger Faktor mehr dar wie vor der Berücksichtigung der Hausgröße.

Eine Freigabe Ihres Berichts für einen Power BI-Kollegen erfordert, dass Sie und Ihr Kollege jeweils eine eigene Power BI Pro-Lizenz haben oder dass der Bericht in der Premium-Kapazität gespeichert wird. Weitere Informationen finden Sie unter Freigeben von Berichten.

Zugehöriger Inhalt

• Kombinationsdiagramm in Power BI
• Visualisierungstypen in Power BI
• Power BI uses ML.NET to identify key influencers (Power BI ermittelt wichtige Einflussfaktoren mit ML.NET)