Compartir a través de


Aplicación de conclusiones en Power BI para explicar las fluctuaciones en objetos visuales

SE APLICA A: Power BI Desktop Servicio Power BI

A menudo, en los objetos visuales se ve un gran aumento y después un descenso brusco en los valores y se pregunta cuál es la causa de esas fluctuaciones. Con las conclusiones de Power BI, puede conocer las causas con unos pocos clics.

Por ejemplo, fíjese en el objeto visual siguiente que muestra el Importe de venta por Año y Trimestre. En 2014 se produce una gran disminución en las ventas, con un descenso drástico en las ventas entre el T1 y el T2. En tales casos, puede explorar los datos para ayudar a explicar el cambio que se ha producido.

Captura de pantalla de un objeto visual con aumentos y disminuciones.

Puede indicarle a Power BI que explique los aumentos o disminuciones en los gráficos, ver los factores de distribución en los gráficos y obtener un análisis rápido, automatizado y detallado sobre los datos. Solo tiene que hacer clic con el botón derecho en un punto de datos y seleccionar Analizar > Explicación de la disminución (o del aumento, si la barra anterior era inferior), o Analizar > Buscar en qué se diferencia esta distribución y se le proporcionará una información detallada en una ventana fácil de usar.

Captura de pantalla de las conclusiones mostradas en el objeto visual.

La característica de información detallada es contextual y se basa en el punto de datos inmediatamente anterior como, por ejemplo, la barra o columna anterior.

Nota:

La característica de información detallada está habilitada y activa de forma predeterminada en Power BI.

Uso de información

Para usar información detallada para explicar los aumentos o las disminuciones en los gráficos, solo tiene que hacer clic con el botón derecho en cualquier punto de datos de un gráfico de líneas o barras y seleccionar Analizar > Explicación del aumento (o Explicación de la disminución, ya que toda la información detallada se basa en el cambio con respecto al punto de datos anterior).

Captura de pantalla de un objeto visual, que resalta Analizar y Explicación del aumento en el menú contextual.

A continuación, Power BI ejecuta sus algoritmos de aprendizaje automático sobre los datos y rellena una ventana con un objeto visual y una descripción que muestra qué categorías influyeron más en el aumento o disminución. De forma predeterminada, se proporciona la información detallada como un objeto visual de cascada, como se muestra en la siguiente imagen.

Captura de pantalla de una ventana emergente de conclusiones.

Si selecciona los pequeños iconos situados en la parte inferior del objeto visual de cascada, puede elegir si la información detallada se muestra como un gráfico de dispersión, un gráfico de columnas apiladas o un gráfico de la barra de herramientas.

Captura de pantalla de la información de tres objetos visuales.

Los iconos de pulgar hacia arriba y pulgar hacia abajo de la parte superior de la página se incluyen para que pueda proporcionar comentarios sobre el objeto visual y la característica. Si lo hace, efectivamente aporta comentarios, pero no entrena el algoritmo para que influya en los resultados que se devuelvan la próxima vez que use la característica.

Y lo que es más importante, el botón + situado en la parte superior del objeto visual le permite agregar el objeto visual seleccionado al informe, como si lo hubiera creado manualmente. A continuación, puede aplicar formato o ajustar de cualquier forma el objeto visual agregado al igual que lo haría con cualquier otro objeto visual del informe. Solo puede agregar un objeto visual seleccionado de información detallada cuando vaya a editar un informe en Power BI.

Puede usar la información detallada si el informe está en modo de lectura o de edición, lo cual lo hace muy versátil a la hora de analizar datos o de crear objetos visuales que puede agregar fácilmente a los informes.

Detalles de los resultados devueltos

Los detalles que devuelven las conclusiones están destinados a destacar las diferencias entre los dos períodos, para ayudarle a comprender el cambio entre ellos.

Por ejemplo, si las Ventas se han incrementado de forma general un 55 % del T3 al T4, y esto se aplica igualmente en cada Categoría de producto (las ventas de equipos informáticos aumentaron un 55 %, al igual que las de audio, etc.), y también se aplica a todos los países o regiones y todos los tipos de cliente, entonces se puede identificar muy poco en los datos para ayudar a explicar el cambio. Sin embargo, esa situación no suele ser el caso. Normalmente podemos encontrar diferencias en lo que ha sucedido. Por ejemplo, entre esas categorías, Equipos informáticos y Electrodomésticos han crecido un 63 %, mientras que TV y audio ha crecido solo un 23 % y, por tanto, Equipos informáticos y Electrodomésticos han contribuido más al total del T4 que al del T3. Dado este ejemplo, una explicación razonable del aumento sería: ventas particularmente eficaces de los equipos informáticos y de TV y audio.

El algoritmo no devuelve simplemente los valores que significan la mayor suma del cambio. Por ejemplo, si la inmensa mayoría (98 %) de las ventas procede de Estados Unidos, entonces lo normal sería que la mayoría del aumento también viniera de Estados Unidos. Pero, a menos que Estados Unidos u otros países o regiones hayan tenido un cambio significativo en su contribución relativa al total, el país o región no se consideraría interesante en este contexto.

En resumen, se puede considerar el algoritmo de la siguiente forma: se toman todas las demás columnas del modelo y se calcula el desglose por esa columna para los períodos de tiempo de antes y después. Esto determina el cambio que se ha producido en ese desglose y después devuelve las columnas con el mayor cambio. Por ejemplo, Categoría se seleccionó en el ejemplo anterior. La contribución realizada por TV y vídeo ha caído un 7 %, del 33 % al 26 %, mientras que la contribución de Electrodomésticos ha crecido de cero a más de un 6 %.

Para cada columna devuelta, se pueden mostrar cuatro objetos visuales. Tres de esos objetos visuales están diseñados para destacar el cambio de la contribución entre los dos períodos. Por ejemplo, en el caso de la explicación del aumento del T2 al T3.

Gráfico de dispersión

El objeto visual del gráfico de dispersión muestra el valor de la medida en el primer período en el eje X con respecto al valor de la medida en el segundo período en el eje Y para cada valor de la columna Categoría. Por tanto, tal como se muestra en la siguiente imagen, los puntos de datos están en la región de color verde si aumenta el valor y en la región de color rojo si disminuye.

La línea de puntos muestra la mejor opción y, por tanto, los puntos de datos situados encima de esta línea han aumentado más que la tendencia general y los que están situados debajo, menos.

Captura de pantalla de un gráfico de dispersión con línea de puntos.

Los elementos de datos cuyo valor estaba en blanco en cualquier período no aparecerán en el gráfico de dispersión (por ejemplo, Electrodomésticos en este caso).

Gráfico de columnas 100 % apiladas

El objeto visual del gráfico de columnas 100 % apiladas muestra el valor de la medida antes y después por la columna seleccionada, y se muestra como una columna 100 % apilada. Esto permite una comparación en paralelo de la contribución de antes y después. La información sobre herramientas muestra la contribución real del valor seleccionado.

Captura de pantalla de un gráfico de columnas 100 % apiladas.

Gráfico de la barra de herramientas

El objeto visual del gráfico de la barra de herramientas también muestra el valor de la medida antes y después. Resulta útil para mostrar los cambios de las contribuciones cuando en estas ha cambiado la ordenación de colaboradores. Un ejemplo es si los Equipos informáticos eran el primer colaborador antes, pero después pasaron a ser el tercero.

Captura de pantalla de un objeto visual de un gráfico de cintas.

Gráfico de cascada

El cuarto objeto visual es un gráfico de cascada, que muestra los aumentos y las disminuciones reales entre los períodos. Este objeto visual muestra con claridad los cambios reales, pero no indica los cambios en el nivel de contribución que señalan por qué se ha elegido la columna como interesante.

Captura de pantalla de un objeto visual de un gráfico de cascada.

Cuando se clasifica la columna con respecto a cuál tiene las mayores diferencias en las contribuciones relativas, se contempla lo siguiente:

  • La cardinalidad se tiene en cuenta, ya que una diferencia es menos significativa estadísticamente y menos interesante cuando una columna tiene una gran cardinalidad.

  • Las diferencias de las categorías en las que los valores originales son muy altos o muy cercanos a cero tienen una ponderación superior a otras. Por ejemplo, si una categoría solo ha contribuido con un 1 % a las ventas y esto ha cambiado al 6 %, esto es más significativo estadísticamente. Por tanto, se considera más interesante que una categoría cuya contribución ha cambiado del 50 % al 55 %.

  • Se emplean diferentes heurísticas para seleccionar los resultados más significativos, por ejemplo, al tener en cuenta otras relaciones entre los datos.

Después de examinarse diferentes columnas en la información, aquellas que muestran el mayor cambio en la contribución relativa son las que se eligen y se muestran. Para cada una de ellas, se indican en la descripción los valores que han tenido el cambio más significativo en la contribución. Además, también se indican los valores que han tenido los mayores aumentos y disminuciones reales.

Consideraciones y limitaciones

Como estas conclusiones se basan en los cambios que se han producido desde el punto de datos anterior, estas no estarán disponibles al seleccionar el primer punto de datos de un objeto visual.

La siguiente lista es una recopilación de los escenarios que no se admiten actualmente para explicar el aumento o la disminución:

  • Filtros TopN
  • Filtros de inclusión o exclusión
  • Filtros de medidas
  • Medidas no numéricas
  • Uso de "Mostrar valor como"
  • Medidas filtradas: las medidas filtradas son cálculos de nivel del objeto visual con un filtro específico aplicado (por ejemplo, Total de ventas en Francia) y se usan en algunos de los objetos visuales creados por la característica de conclusiones
  • Columnas de categorías en el eje X a menos que defina una ordenación por columna que sea escalar. Si usa una jerarquía, todas las columnas de la jerarquía activa deben coincidir con esta condición
  • Modelos de datos habilitados para RLS u OLS

Además, los siguientes orígenes de datos y tipos de modelos no se admiten para la característica de información detallada:

  • DirectQuery
  • Live connect
  • Reporting Services local
  • Inserción

La característica de conclusiones no admite informes distribuidos como aplicación.

Para obtener más información sobre Power BI y cómo empezar, consulte: