Tillämpningar av fönsterfunktioner

Tidsserieanalys i Power BI

Kevin Barlow

Data Analytics Professional

Kontext och betydelse

Expanderande och rullande fönsterfunktioner kan tillämpas på många olika sätt!

Det finns flera beräkningar du kan tillämpa på specifika tidsperioder:

- RANK()
- LOOKUPVALUE()
- CHISQ.INV()
- GEOMEAN()

SAMEPERIODLASTYEAR vs. PARALLELPERIOD

SAMEPERIODLASTYEAR()

Returnerar en tabell med en datumkolumn som är förskjuten ett år bakåt i tiden från datumen i den angivna datumkolumnen, i aktuell kontext.

SAMEPERIODLASTYEAR(<dates>)

PARALLELPERIOD()

Returnerar en tabell med en datumkolumn som representerar en period parallell med datumen i den angivna datumkolumnen, i aktuell kontext, där datumen är förskjutna ett antal intervall framåt eller bakåt i tiden.

PARALLELPERIOD(<dates>,
    <number_of_intervals>,
    <interval>)

¹ https://learn.microsoft.com/dax

Analysera samma fönster som förra året

Ibland vill du se hur exakt samma fönster såg ut förra året.

Tillämpar en fönsterfunktion på äldre data.
Ger kontext kring vad samma beräkning gav tidigare.
Möjliggör snabba beräkningar över olika tidpunkter.

Typiska steg i den här typen av analys:

Beräkna ett viktigt mått eller KPI för innevarande år.
Tillämpa samma beräkning på andra jämförbara tidsperioder.
Beräkna skillnaden mellan värdena för att förstå förändringens storlek.

Exempel: analysera samma fönster som förra året

Den här typen av analyser är mycket vanliga i branschen. De ger två centrala datapunkter:

Hur presterar vår organisation på ett visst KPI i kontexten av innevarande år?

Hur ser det ut jämfört med samma tidsperiod och KPI förra året? Förbättrar vi oss?

Avg Cost = CALCULATE(
    AVERAGE(stores[cost]),
    stores[date] >= 
        DATEADD(TODAY(), -30, DAY))

LY Avg Cost = CALCULATE([Avg Cost],
    SAMEPERIODLASTYEAR(stores[date]))

Beräkna år-över-år-förändring

Vi kan beräkna exakt hur datan har förändrats sedan förra året genom att tillämpa ett fönster på historiska data.

Kallas en år-över-år-beräkning (YoY)
Ger en bild av utvecklingen jämfört med historiken
Visas vanligtvis som en procentuell förändring

# 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])

Nu kör vi en övning!

Tidsserieanalys i Power BI