Funciones de ventana en Power BI

Análisis de series temporales en Power BI

Kevin Barlow

Data Analytics Professional

Contexto e importancia

El intervalo identificado de un conjunto de datos de series temporales condiciona el tipo de análisis posible. Diferentes tamaños de «ventanas» de tiempo aportan distintos niveles de información.

Diferencia en intervalos de tiempo

Funciones de ventana expansivas: cómo funcionan

Tienen un único punto de anclaje
Pueden «apuntar» hacia adelante o atrás

Funciones de ventana expansivas

Funciones de ventana expansivas: casos de uso

Las funciones de ventana expansivas se usan para análisis a mayor escala desde un punto de referencia.

Algunos ejemplos:

Sumar todo el beneficio obtenido desde una decisión clave.
Calcular la temperatura media de un lugar con todos los datos hasta hoy.
Contar los productos enviados en lo que va de año.

Ejemplos:

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

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

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

Funciones de ventana móviles: cómo funcionan

Tienen puntos de anclaje relativos
Se aplican a distintos intervalos según llega nuevo dato

Funciones de ventana móviles

Funciones de ventana móviles: casos de uso

Las funciones de ventana móviles se usan para analizar el estado actual. A menudo sirven para calcular KPIs clave para la salud de una organización.

Algunos ejemplos:

El precio máximo alcanzado por una acción en los últimos treinta días.
El descuento medio ofrecido a un cliente en el último año.
El retraso de envío esperado en los últimos seis meses.

Ejemplos:

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))

¡Vamos a practicar!

Análisis de series temporales en Power BI