Windowfunktionen in Power BI

Zeitreihenanalyse in Power BI

Kevin Barlow

Data Analytics Professional

Kontext und Bedeutung

Die erkannte Spanne eines Zeitreihen-Datensatzes bestimmt, welche Analysen möglich sind. Unterschiedlich große Zeit-„Fenster" tragen unterschiedlich viel Information.

Unterschiede in Zeitspannen

Expanding-Window-Funktionen – Funktionsweise

Haben einen einzelnen Ankerpunkt
Können nach vorn oder hinten „zeigen"

Expanding-Window-Funktionen

Expanding-Window-Funktionen – Einsatzfälle

Expanding-Window-Funktionen eignen sich für Analysen im größeren Maßstab ab einem Referenzpunkt.

Beispiele:

Aufsummieren aller Gewinne seit einer wichtigen Entscheidung.
Den Durchschnitt der Temperatur an einem Ort über alle Daten bis heute berechnen.
Die Anzahl versandter Produkte im laufenden Jahr zählen.

Beispiele:

CALCULATE(SUM(sales[profit]), 
    sales[date] >= DATE(2020,1,1))

CALCULATE(AVERAGE(weather[temp]),
    weather[date] <= TODAY())

TOTALYTD(COUNT(shipping[id]), 
    shipping[ship_date])

Rolling-Window-Funktionen – Funktionsweise

Haben relative Ankerpunkte
Passen sich bei neuen Daten auf andere Zeitspannen an

Rolling-Window-Funktionen

Rolling-Window-Funktionen – Einsatzfälle

Rolling-Window-Funktionen werden meist genutzt, um den aktuellen Zustand zu analysieren. Häufig berechnet man damit KPIs, die für die Gesundheit einer Organisation wichtig sind.

Beispiele:

Der höchste Kurs, den eine Aktie in den letzten 30 Tagen erreicht hat.
Der durchschnittliche Rabatt für einen Kunden im letzten Jahr.
Die erwartete Versandverzögerung in den letzten sechs Monaten.

Beispiele:

CALCULATE(MAX(stocks[high]), 
    stocks[date] >= DATEADD(TODAY(), 
    -30, DAYS))

CALCULATE(AVERAGE(sales[discount]), 
    sales[date] >= DATEADD(TODAY(), 
    -1, YEAR))

CALCULATE(AVERAGE(ship[delay]), 
    ship[ship.date] >= DATEADD(TODAY(), 
    -6, MONTH))

Lass uns üben!

Zeitreihenanalyse in Power BI