Vensterfuncties in Power BI

Tijdreeksanalyse in Power BI

Kevin Barlow

Data Analytics Professional

Context en belang

De gekozen span van een tijdreeks bepaalt welke analyses mogelijk zijn. Verschillende venstergroottes bevatten verschillende hoeveelheden informatie.

Verschil in tijdsspannes

Expanding window-functies - werking

Hebben één ankerpunt
Kunnen vooruit of achteruit “wijzen”

Expanding window-functies

Expanding window-functies - use cases

Expanding window-functies richten zich op analyses op grotere schaal vanaf een referentiepunt.

Voorbeelden:

De totale winst sinds een belangrijke beslissing.
De gemiddelde temperatuur op een locatie tot en met vandaag.
Het aantal verzonden producten tot nu dit jaar.

Voorbeelden:

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-functies - werking

Hebben relatieve ankerpunten
Passen zich aan verschillende perioden aan naarmate er data bij komt

Rolling window-functies

Rolling window-functies - use cases

Rolling window-functies analyseren meestal de huidige status. Vaak berekenen ze KPI’s die belangrijk zijn voor de gezondheid van een organisatie.

Voorbeelden:

De hoogste prijs die een aandeel in de laatste 30 dagen heeft bereikt.
De gemiddelde korting voor een klant over het afgelopen jaar.
De verwachte verzendvertraging over de laatste 6 maanden.

Voorbeelden:

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))

Laten we oefenen!

Tijdreeksanalyse in Power BI