Analýza časových řad v Power BI
Kevin Barlow
Data Analytics Professional
Rozšiřující a klouzavé okenní funkce lze použít mnoha různými způsoby!
Na konkrétní časová období lze aplikovat různé výpočty:
- RANK()
- LOOKUPVALUE()
- CHISQ.INV()
- GEOMEAN()
SAMEPERIODLASTYEAR()
Vrátí tabulku se sloupcem dat posunutých o jeden rok zpět od dat v zadaném sloupci v aktuálním kontextu.
SAMEPERIODLASTYEAR(<dates>)
PARALLELPERIOD()
Vrátí tabulku se sloupcem dat představujícím období paralelní k datům v zadaném sloupci v aktuálním kontextu, přičemž data jsou posunuta o zadaný počet intervalů vpřed nebo vzad.
PARALLELPERIOD(<dates>,
<number_of_intervals>,
<interval>)
Může být užitečné vidět, jak vypadalo stejné okno loni.
Typický postup pro tento typ analýzy:
V praxi jsou tyto analýzy velmi běžné. Poskytují dva klíčové datové body:
- Jak naše organizace plní konkrétní KPI v kontextu aktuálního roku?
- Jak si vedeme ve srovnání se stejným obdobím loňského roku? Zlepšujeme se?
Avg Cost = CALCULATE(
AVERAGE(stores[cost]),
stores[date] >=
DATEADD(TODAY(), -30, DAY))
LY Avg Cost = CALCULATE([Avg Cost],
SAMEPERIODLASTYEAR(stores[date]))
Přesnou změnu dat oproti loňskému roku lze vypočítat aplikací okna na historická data.
# Assuming current month is February
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])
Analýza časových řad v Power BI