Window functions ใน Power BI

การวิเคราะห์อนุกรมเวลาใน Power BI

Kevin Barlow

Data Analytics Professional

บริบทและความสำคัญ

ช่วง ของชุดข้อมูลอนุกรมเวลาส่งผลต่อประเภทการวิเคราะห์ที่สามารถทำได้ "หน้าต่าง" เวลาขนาดต่างกันให้ข้อมูลในระดับที่แตกต่างกัน

ความแตกต่างของช่วงเวลา

Expanding window functions — การทำงาน

มีจุดยึดเดียว
"ชี้" ไปข้างหน้าหรือข้างหลังได้

Expanding Window Functions

Expanding window functions — กรณีการใช้งาน

Expanding window functions เหมาะกับการวิเคราะห์ในระดับกว้างจากจุดอ้างอิง

ตัวอย่าง ได้แก่

รวมกำไรทั้งหมดนับตั้งแต่มีการตัดสินใจสำคัญ
คำนวณอุณหภูมิเฉลี่ยของสถานที่หนึ่งจากข้อมูลทั้งหมดจนถึงวันนี้
นับจำนวนสินค้าที่จัดส่งไปแล้วในปีนี้

ตัวอย่าง:

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 functions — การทำงาน

มีจุดยึดที่สัมพัทธ์
ปรับใช้กับช่วงเวลาต่างกันเมื่อมีข้อมูลใหม่เข้ามา

Rolling Window Functions

Rolling window functions — กรณีการใช้งาน

Rolling window functions ใช้วิเคราะห์สถานะปัจจุบันเป็นหลัก บ่อยครั้งนำมาคำนวณ KPI ที่สำคัญต่อสุขภาพขององค์กร

ตัวอย่าง ได้แก่

ราคาสูงสุดของหุ้นในช่วง 30 วันที่ผ่านมา
ส่วนลดเฉลี่ยที่ให้กับลูกค้าในช่วงปีที่ผ่านมา
คำนวณความล่าช้าของการจัดส่งที่คาดการณ์ในช่วง 6 เดือนที่ผ่านมา

ตัวอย่าง:

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))

มาฝึกกันเถอะ!

การวิเคราะห์อนุกรมเวลาใน Power BI