Phân tích chuỗi thời gian trong Power BI
Kevin Barlow
Data Analytics Professional
Hàm cửa sổ mở rộng và cuộn có thể áp dụng theo nhiều cách!
Có một số phép tính cho các giai đoạn thời gian cụ thể:
- RANK()
- LOOKUPVALUE()
- CHISQ.INV()
- GEOMEAN()
SAMEPERIODLASTYEAR()
Trả về một bảng chứa một cột ngày được dịch lùi 1 năm so với các ngày trong cột ngày đã chỉ định, theo ngữ cảnh hiện tại.
SAMEPERIODLASTYEAR(<dates>)
PARALLELPERIOD()
Trả về một bảng chứa một cột ngày đại diện cho một giai đoạn song song với các ngày trong cột ngày đã chỉ định, theo ngữ cảnh hiện tại, với các ngày được dịch chuyển một số khoảng thời gian tiến hoặc lùi.
PARALLELPERIOD(<dates>,
<number_of_intervals>,
<interval>)
Đôi khi ta muốn xem đúng cửa sổ đó của năm trước.
Các bước điển hình:
Trong ngành, các phân tích này rất phổ biến. Chúng cung cấp hai điểm dữ liệu then chốt:
- Tổ chức đang đạt KPI cụ thể trong bối cảnh năm hiện tại như thế nào?
- So với cùng kỳ và KPI của năm trước thì sao? Có cải thiện không?
Avg Cost = CALCULATE(
AVERAGE(stores[cost]),
stores[date] >=
DATEADD(TODAY(), -30, DAY))
LY Avg Cost = CALCULATE([Avg Cost],
SAMEPERIODLASTYEAR(stores[date]))
Ta có thể tính chính xác mức thay đổi so với năm trước bằng cách áp dụng cửa sổ lên dữ liệu lịch sử.
# Giả sử tháng hiện tại là tháng 2
CY Jan Revenue = CALCULATE(
SUM(sales[revenue]),
PREVIOUSMONTH(sales[date]))
LY Jan Revenue = CALCULATE(
[CY Jan Revenue],
SAMEPERIODLASTYEAR(sales[date]))
Jan Revenue YoY = (
([CY Jan Revenue]-[LY Jan Revenue])
/ [LY Jan Revenue])
Phân tích chuỗi thời gian trong Power BI