Power BI:n tukemat merkityksellisten tietojen tyypit

KOSKEE: Power BI -palvelu yrityskäyttäjille Power BI -palvelu suunnittelijoille ja kehittäjille Power BI Desktop vaatii Pro- tai Premium-käyttöoikeuden

Pyydä Power BI:tä etsimään tiedoistasi mielenkiintoisia trendejä ja malleja. Nämä trendit ja mallit esitetään merkityksellisiksi tiedoiksi kutsuttuina visualisointeina. Merkitykselliset tiedot ovat käytettävissä koontinäyttöjen visualisoinneissa, raporttien visualisoinneissa ja kokonaisissa raporttisivuissa.

Lisätietoja koontinäytön merkityksellisten tietojen käyttämisestä on artikkelissa Merkityksellisten tietojen tarkasteleminen koontinäytön ruuduissa Power BI:n avulla.

Merkityksellisten tietojen toiminta

Power BI hakee semanttisen mallisi eri alijoukkoja ja käyttää kehittyneitä algoritmeja, joiden avulla se voi löytää mahdollisesti merkityksellisiä tietoja. Voit suorittaa Merkitykselliset tiedot koontinäytön ruuduille, raportin visualisointeihin ja raporttisivuille.

Terminologiaa

Power BI käyttää tilastollisia algoritmeja merkityksellisten tietojen tunnistamiseen. Algoritmit luetellaan ja kuvataan tämän artikkelin seuraavassa osiossa. Ennen kuin käsittelemme algoritmeja, tässä on määritelmät termeille, jotka saattavat olla vieraita.

• Mittayksikkö – Mittayksikkö on määrällinen (numeromuotoinen) kenttä, jota voidaan käyttää laskutoimituksissa. Yleisiä laskutoimituksia ovat summa, keskiarvo ja pienin arvo. Jos yrityksemme esimerkiksi valmistaa ja myy rullalautoja, mittarimme voivat olla myytyjen rullalautojen määrä ja keskimääräinen vuosivoitto.

• Dimensio – Dimensiot ovat kategorista (teksti-) tietoa. Dimensio kuvaa henkilöä, objektia, kohdetta, tuotteita, paikkaa ja aikaa. Semanttisessa mallissa dimensiot ovat tapa ryhmitellä mittarit hyödyllisiin luokkiin. Rullalautayrityksessämme dimensiot voivat sisältää myynnin (mittarin) tarkastelemisen mallin, värin, maan/alueen tai markkinointikampanjan mukaan.

• Korrelaatio – Korrelaatio kertoo meille, miten asioiden käyttäytyminen liittyy toisiinsa. Jos niiden kasvun ja vähenemisen mallit ovat samanlaiset, ne korreloivat positiivisesti. Jos niiden mallit ovat vastakkaiset, ne korreloivat negatiivisesti. Esimerkiksi punaisten rullalautojen myynti kasvaa aina televisiomarkkinointikampanjan myötä. Punaisten rullalautojen myynti ja tv-markkinointikampanja korreloivat positiivisesti.

• Aikasarja – Aikasarja on tapa näyttää aika peräkkäisinä arvopisteinä. Nämä arvopisteet voivat olla esimerkiksi sekunteja, tunteja, kuukausia tai vuosia.

• Jatkuva muuttuja : Muuttuja, jolla voi olla mikä tahansa arvo minimin ja maksimin välillä, muuten kyseessä on diskreetti muuttuja. Esimerkkejä ovat lämpötila, paino, ikä ja aika. Jatkuviin muuttujiin voi sisältyä arvon osia tai murto-osia. Myytyjen sinisten rullalautojen kokonaismäärä on diskreetti muuttuja, koska emme voi myydä rullalaudan puolikasta.

Minkälaisia merkityksellisiä tietoja on olemassa?

Raporteissa Power BI tekee ennakoivasti analyysejä poikkeavuudet, trendit ja suorituskykyilmaisimet. Koontinäytön ruuduissa Power BI voi etsiä 10 erityyppistä merkityksellistä tietoa.

Luokan poikkeavat havainnot (ylä/ala)

Korostaa tapaukset, joissa yhdellä tai kahdella luokalla on suuremmat arvot kuin muilla luokilla.

Aikasarjan muutospisteet

Korostaa kohdat, jossa tietojen aikasarjan trendeissä on merkittäviä muutoksia.

Korrelaatio

Havaitsee tapaukset, joissa useat mittarit osoittavat samanlaisen mallin tai trendin, kun ne piirretään semanttisen mallin luokkaan tai arvoon.

Pieni varianssi

Havaitsee tapaukset, joissa dimension arvopisteet eivät ole kaukana keskiarvosta, joten varianssi on pieni. Oletetaan, että sinulla on mittari "myynti" ja dimensio "alue". Kun tarkastelet aluetta, huomaat, että arvopisteiden ja (arvopisteiden) keskiarvon välillä ei ole juurikaan eroa. Merkityksellinen tieto käynnistyy, kun myynnin varianssi kaikilla alueilla alittaa kynnysarvon. Tällöin myynti on siis samantapaista kaikilla alueilla.

Enemmistö (päätekijät)

Etsii tapauksia, joissa suurin osa kokonaisarvosta voidaan katsoa yksittäiseksi tekijäksi, kun se jaetaan toisella dimensiolla.

Poikkeavat

Tämä merkityksellisten tietojen tyyppi käyttää klusterointimallia havaitakseen poikkeavia arvoja, jotka eivät liity aikasarjatietojen aikaan. Poikkeavat arvot tunnistavat, onko olemassa erityisiä luokkia, joiden arvot eroavat merkittävästi muista luokista.

Aikasarjan yleiset trendit

Havaitsee ylöspäin ja alaspäin suuntautuvat trendit aikasarjatiedoissa.

Kausivaihtelu aikasarjassa

Etsii toistuvuutta aikasarjatiedoissa, kuten viikoittaista, kuukausittaista tai vuosittaista kausivaihtelua.

Vakaa jako

Korostaa tapaukset, joissa on olemassa pääkohde-alikohde-korrelaatio alikohteen osuudessa suhteessa pääkohteen kokonaisarvoon jatkuvassa muuttujassa. Vakaan jaon merkitykselliset tiedot koskevat mittayksikön, dimension ja toisen päivämäärä/aika-dimension kontekstia. Tämä merkityksellinen tieto käynnistyy, kun tietyllä dimension arvolla, esimerkiksi Itä-alueella, on vakaa prosenttiosuus kokonaismyynnistä kyseisessä päivämäärä-/aikadimensiossa.

Vakaan jaon merkityksellinen tieto muistuttaa pienen varianssin merkityksellistä tietoa, koska ne molemmat liittyvät arvon varianssin puutteeseen tietyllä ajanjaksolla. Vakaan jaon merkitykselliset tiedot mittaavat kuitenkin varianssin puutetta prosenttiosuudessa kokonaistumisesta tietyllä ajanjaksolla, kun taas pienen varianssin merkitykselliset tiedot mittaavat varianssin puutetta absoluuttisten mittariarvojen välillä tietyssä dimensiossa.

Aikasarjan poikkeavat havainnot

Tunnistaa aikasarjan tiedoissa erityiset päivämäärät tai ajat, joiden arvot eroavat merkittävästi muista päivämäärä- ja aika-arvoista.

Liittyvä sisältö

• Tarkastele merkityksellisiä tietoja koontinäytön ruuduista Power BI:n avulla.

Onko sinulla lisää kysymyksiä? Kysy Power BI -yhteisössä.