Mengesan & Mempamerkan Hasil Outlier Dalam LuckyTemplates

Dalam tutorial ini, saya akan membawa anda melalui analisis pengesanan terpencil, mengesan dan memvisualisasikan hasil terpencil. Data anda tidak perlu unik atau disesuaikan. Perkara yang menarik ialah anda boleh melakukan ini pada asasnya mana-mana set data. Anda boleh menonton video penuh tutorial ini di bahagian bawah blog ini.

Saya akan menunjukkan kepada anda betapa hebatnya LuckyTemplates sebagai alat analisis.

Ia melibatkan hanya menggabungkan pelbagai formula DAX dan teknik analisis ke dalam model anda, dan kemudian akhirnya menggambarkannya dengan cara yang berkesan dengan semua ciri visualisasi dinamik yang kami sediakan untuk kami dalam LuckyTemplates.

Konsep utama dan paling penting yang saya ingin anda ambil semasa melihat tutorial ini ialah ini boleh digunakan dalam pelbagai cara yang berbeza.

Jadi, kita akan mulakan dengan penjelasan tentang outlier dalam carta serakan. Kemudian, saya akan menunjukkan kepada anda teknik formula berbeza yang perlu anda laksanakan untuk dapat memvisualisasikannya dengan cara khusus ini.

Isi kandungan

• Outliers Dalam Carta Taburan
• Di dalam Model Data
• Pengesanan Outlier Menggunakan DAX
• Kesimpulan

Outliers Dalam Carta Taburan

Jika kita ingin mengesan outlier , perkara utama yang perlu kita selesaikan ialah logik di sebalik apa yang membentuk outlier.

Tetapi pertama-tama, saya ingin mempamerkan bagaimana ia boleh memberi kesan kepada laporan kami secara visual dan sejauh mana lebih mudah dan berkesan untuk pengguna mengetahui perkara yang kami cuba tunjukkan kepada mereka .

Sekarang jika kita melihat dua carta ini, carta pertama (kiri) menunjukkan perkara yang sama seperti carta kedua (kanan), kecuali saya telah mencipta legenda atau penapis penghiris dalam carta kedua, yang menunjukkan kita apa kelebihan kita.

Jadi jika Jualan Pelanggan dan Margin Keuntungan berada pada masa yang sama atau melebihi tahap tertentu, maka itu adalah outlier dalam set data kami.

Kami ingin melihat siapa pelanggan tersebut, jadi kami boleh melihat secara hampir bahawa dalam carta kedua jauh lebih baik daripada hanya melihat semua pelanggan kami dan margin keuntungan mereka dalam carta pertama.

Selain itu, kami boleh menelusuri pelanggan kami dengan lebih baik. Kita boleh memilih penapis ,

atau buat carta dan letakkan penapis dalam bahagian medan Penapis .

Carta ini membolehkan kami menyelidiki pelanggan ini yang kami anggap sebagai terpencil. Sekarang mari kita lihat model data kami untuk melihat cara ini digunakan.

Di dalam Model Data

Perkara pertama yang perlu diambil perhatian ialah kami perlu melakukan ini dengan cara yang dinamik memandangkan kami membahagikan, mewujudkan kumpulan pelanggan kami di sini. Untuk melakukan apa-apa yang dinamik, kita perlu melakukannya di dalam formula DAX .

Kami tidak boleh membuat lajur terkira secara fizikal dalam model kami dan berharap jika kami meletakkan beberapa jangka masa yang berbeza dalam model ini, maka kami akan mendapat hasil yang kami inginkan. Jika kita meletakkan lajur yang dikira, maka kita akan mendapat maklumat statik itu. Ia hanya akan dikemas kini semasa muat semula.

Cara pertama untuk melakukan logik secara dinamik adalah dengan mempunyai jadual sokongan . Jadi seperti yang anda lihat di sini dalam model data, saya telah mencipta Logik Pengesanan Outlier ini . Ia adalah meja sokongan, yang bermaksud bahawa ia tidak disambungkan kepada apa-apa.

Di dalam jadual ini adalah tempat kami memasukkan logik kami untuk pengesanan outlier.

Kami mengenal pasti outlier kami dengan margin keuntungan minimum tiga puluh lima peratus dan margin maksimum seratus peratus, manakala bukan outlier kami mempunyai dari sifar hingga tiga puluh lima.

Begitu juga untuk jualan, kami mempunyai beberapa logik yang akan mengenal pasti outlier dengan jumlah jualan melebihi lima puluh lima ribu.

Jadi fikirkan bagaimana anda boleh menggunakan logik anda sendiri. Anda mungkin mempunyai tiga parameter atau pembolehubah berbeza yang akan mengesan outlier.

Sekarang mari kita cipta formula yang berulang melalui jadual ini dan menilai pelanggan sama ada mereka sepadan dengan logik terpencil atau logik tidak terpencil.

Pengesanan Outlier Menggunakan DAX

Perlu diingat bahawa kita perlu menjalankan setiap pelanggan dan menentukan sama ada mereka menilai sebagai outlier atau bukan outlier.

Untuk mengenal pasti outlier , kami menggunakan KIRA kepada Jumlah Jualan kami , untuk setiap Pelanggan . Dan itulah fungsi VALUES , sambil kami MENAPIS semua pelanggan kami. Kemudian kami pergi melalui Logik Pengesanan Outlier kami .

Bagi bukan outlier kami , sebaliknya, kami juga menjalankan beberapa logik untuk setiap pelanggan, tetapi perbezaan utama ialah garis berkembar ini (||), iaitu untuk "atau" dan bukan "dan" (&&).

Jika kita melakukan "dan" di sini, maka semua yang akan dipamerkan ialah hasil yang kedua-duanya di bawah lima puluh lima ribu dan di bawah tiga puluh lima peratus, seperti yang ditunjukkan dalam Logik Pengesanan Outlier kami.

Seterusnya ialah kita perlu mencipta satu formula yang boleh kita masukkan ke dalam visualisasi kita, dan itu ialah formula Kumpulan Jualan kita.

Pengiraan ini mengatakan JIKA SELECTEDVALUE (Logik Pengesanan Outlier) ialah Outlier , maka kami ingin mengembalikan Jualan Outlier . Jika tidak, maka kami mengembalikan Jualan Bukan Luar Biasa .

Itu kemudiannya membolehkan kami menyepadukan atau mendapatkan semula hasil yang berbeza atau formula yang berbeza untuk sebarang pemilihan atau penapis yang digunakan dalam visualisasi kami.

Tidak dapat dinafikan bahawa terdapat sedikit perkara, tetapi ini hanya menunjukkan kepada kita betapa hebatnya DAX dalam LuckyTemplates, terutamanya untuk analisis pengesanan luar biasa.

Menyelam Lebih Dalam Ke Outlier Data – Cara Menemui Dan Menganalisis Dalam LuckyTemplates Menggunakan DAX
Cara Menilai Kluster Dalam Data Anda Menggunakan Teknik DAX Dalam LuckyTemplates
Mencipta Titik Pencetus Outlier Dinamik – Teknik Analisis LuckyTemplates Lanjutan

Kesimpulan

Pendekatan yang saya paparkan pada tutorial ini sebenarnya hanyalah satu cara, tetapi diharapkan anda telah belajar banyak daripada ini. Kami melakukan beberapa logik yang cukup maju di sana dan mempamerkannya dengan cara yang benar-benar berkesan menggunakan carta serakan.

Terdapat begitu banyak aplikasi untuk pengesanan outlier. Jika anda ingin benar-benar mendalami atau mempamerkan cerapan yang sangat khusus, terutamanya apabila anda membuat perbandingan dengan carta serakan, maka ini ialah cara yang sempurna untuk menambah nilai dan lebih banyak cerapan ke dalam visualisasi anda.

Oleh itu, jika anda boleh memahami semua elemen formula, termasuk menggabungkan formula dan meletakkannya di dalam visualisasi, maka anda boleh menggunakan ini dalam pelbagai cara untuk mempamerkan hasil dengan set data anda sendiri.

Cheers!