Uitbijterresultaten detecteren en presenteren in LuckyTemplates

In deze zelfstudie neem ik u mee door een analyse van uitbijterdetectie, waarbij ik uitbijterresultaten detecteer en visualiseer. Uw gegevens hoeven niet eens uniek of aangepast te zijn. Het mooie is dat je dit op vrijwel elke dataset kunt doen. Je kunt de volledige video van deze tutorial onderaan deze blog bekijken.

Ik ga je laten zien hoe geweldig LuckyTemplates is als analytisch hulpmiddel.

Het gaat erom een ​​reeks DAX-formules en analytische technieken in uw modellen op te nemen en deze uiteindelijk op een effectieve manier te visualiseren met alle dynamische visualisatiefuncties die we tot onze beschikking hebben in LuckyTemplates.

Het belangrijkste en belangrijkste concept dat ik wil dat je meeneemt bij het bekijken van deze tutorial, is dat dit op zoveel verschillende manieren kan worden toegepast.

We beginnen dus met een uitleg van uitschieters in een spreidingsdiagram. Vervolgens laat ik je de verschillende formuletechnieken zien die je moet toepassen om het op deze specifieke manier te kunnen visualiseren.

Inhoudsopgave

• Uitschieters in een spreidingsdiagram
• Binnen het gegevensmodel
• Detectie van uitschieters met behulp van DAX
• Conclusie

Uitschieters in een spreidingsdiagram

Als we een uitbijter zouden detecteren , is het belangrijkste dat we moeten uitzoeken de logica achter waaruit de uitbijter bestaat.

Maar eerst wil ik laten zien hoe visueel het onze rapporten kan beïnvloeden en hoeveel gemakkelijker en effectiever het voor de consument is om erachter te komen wat we hem proberen te laten zien .

Als we nu naar deze twee grafieken kijken, toont de eerste grafiek (links) precies hetzelfde als die van de tweede (rechts), behalve dat ik een legenda of een slicerfilter heb gemaakt in de tweede grafiek, die laat zien ons wat onze uitschieters zijn.

Dus als de omzet van een klant en de winstmarges op hetzelfde moment of boven een bepaald niveau liggen, dan is dat een uitbijter in onze dataset.

We willen zien wie die klanten zijn, en dus kunnen we dat virtueel veel beter zien in de tweede grafiek dan alleen kijken naar al onze klanten en hun winstmarges in de eerste grafiek.

Bovendien kunnen we onze klanten een stuk beter inboren. We kunnen een filter selecteren ,

of maak een grafiek en plaats een filter in de sectie Filtervelden .

Met deze grafiek kunnen we dieper ingaan op deze klanten die we als uitschieters beschouwen. Laten we nu naar ons gegevensmodel kijken om te zien hoe dit wordt toegepast.

Binnen het gegevensmodel

Het eerste dat opvalt, is dat we dit op een dynamische manier moeten doen, aangezien we segmenteren en hier groepen van onze klanten creëren. Om iets dynamisch te doen, moeten we het binnen DAX- formules doen .

We kunnen fysiek geen berekende kolom in onze modellen maken en we hopen dat als we een ander tijdsbestek in dit model zouden stoppen, we de resultaten krijgen die we willen. Als we berekende kolommen plaatsen, krijgen we die statische informatie. Het wordt alleen bijgewerkt bij het vernieuwen.

De eerste manier om op een dynamische manier aan logica te doen, is door een ondersteunende tabel te hebben . Dus zoals je hier in het datamodel kunt zien, heb ik deze Outlier Detection Logic gemaakt . Het is een draagtafel, wat betekent dat hij nergens aan vast zit.

In deze tabel voeren we onze logica in voor het detecteren van uitschieters.

We identificeren onze uitschieters met een minimale winstmarge van vijfendertig procent en een maximale marge van honderd procent, terwijl onze niet-uitschieters nul tot vijfendertig procent hebben.

Hetzelfde geldt voor de verkoop, we hebben enige logica die uitschieters zou identificeren bij een totale verkoop van meer dan vijfenvijftigduizend.

Bedenk dus hoe u dit uw eigen logica kunt toepassen. Mogelijk hebt u drie verschillende parameters of variabelen die de uitbijter gaan detecteren.

Laten we nu de formules maken die door deze tabel heen lopen en de klanten evalueren of ze overeenkomen met de logica van de uitbijter of de logica zonder uitschieter.

Detectie van uitschieters met behulp van DAX

Houd er rekening mee dat we elke klant moeten doornemen en bepalen of ze beoordelen als een uitbijter of niet-uitbijter.

Om de uitbijter te identificeren , gebruiken we BEREKENEN naar onze totale verkoop voor elke klant . En dat is wat de functie WAARDEN doet, terwijl we door al onze klanten FILTEREN . Daarna gaan we door onze Outlier Detection Logic .

Voor onze niet-uitbijter daarentegen doorlopen we ook wat logica voor elke klant, maar het belangrijkste verschil is deze dubbele lijn (||), die voor "of" en niet "en" (&&) is.

Als we hier "en" doen, dan zou het alleen de resultaten laten zien die zowel onder de vijfenvijftigduizend als onder de vijfendertig procent liggen, zoals aangegeven in onze Outlier Detection Logic.

Vervolgens moeten we één formule maken die we in onze visualisatie kunnen plaatsen, en dat is onze Sales Grouping- formule.

Deze berekening zegt IF SELECTEDVALUE (Outlier Detection Logic) is een Outlier , dan willen we de Outlier Sales retourneren . Zo niet, dan retourneren we Non-outlier Sales .

Dat stelt ons vervolgens in staat om de verschillende resultaten of de verschillende formules te integreren of op te halen voor welke selectie of filter dan ook die in onze visualisatie wordt toegepast.

Het valt niet te ontkennen dat er een klein beetje bij komt kijken, maar dit laat ons gewoon zien hoe geweldig DAX is in LuckyTemplates, vooral voor analyse van uitbijterdetectie.

Duik diep in data-uitschieters - Hoe te ontdekken en te analyseren in LuckyTemplates met behulp van DAX
Hoe u clusters in uw gegevens kunt evalueren met behulp van DAX-techniek in LuckyTemplates
Dynamische uitschieter-triggerpunten creëren - geavanceerde LuckyTemplates-analysetechniek

Conclusie

De aanpak die ik in deze tutorial laat zien, is eigenlijk maar één manier, maar hopelijk heb je hier veel van geleerd. We hebben daar behoorlijk geavanceerde logica in verwerkt en deze op een heel effectieve manier laten zien met behulp van spreidingsdiagrammen.

Er zijn zoveel toepassingen voor het opsporen van uitschieters. Als u echt wilt inzoomen op een heel specifiek inzicht of dit wilt laten zien, vooral wanneer u een vergelijking maakt met een spreidingsdiagram, dan is dit een perfecte manier om waarde en meer inzicht toe te voegen aan uw visualisaties.

Als u dus alle elementen van de formules kunt begrijpen, inclusief het combineren van de formules en het plaatsen ervan in een visualisatie, dan kunt u deze op vele manieren toepassen om resultaten te laten zien met uw eigen datasets.

Proost!