Opret og få vist fordelingstrævisualiseringer i Power BI

  • Artikel
  • 6 minutter til læsning

Gælder for: ✔️   power   bi   desktop ✔️   Power   bi-   tjenesten

Visualiseringen med fordelingstræet i Power BI giver dig mulighed for at visualisere data på tværs af flere dimensioner. Den samler automatisk data og giver dig mulighed for at foretage detailudledning i dine dimensioner i vilkårlig rækkefølge. Det er også en AI-visualisering (kunstig intelligens), så du kan bede den om at finde den næste dimension, så du kan foretage detailudledning på baggrund af bestemte kriterier. Det gør det til et værdifuldt værktøj til ad hoc-udforskning og udførelse af rodårsags analyser.

Skærmbillede, der viser et komplet opdelingstræ.

I dette selvstudium bruges der to eksempler:

  • Et scenario for forsyningskæden, der analyserer hvor stor en procentdel af produkterne, en virksomhed har i restlager (ikke på lager).
  • Et salgsscenarie, der analyserer salg af videospil i efter mange faktorer, f. eks. spilgenre og udgiver.

Du kan finde den pbix, der er anvendt i forsyningskædescenariet her: Eksempel på forsyningskæde.pbix.

Bemærk

Når du deler din rapport med en Power BI-kollega, kræves det, at I begge har individuelle Power BI Pro-licenser, eller at rapporten er gemt i en Premium-kapacitet.

Kom i gang

Vælg ikonet for fordelingstræet i ruden Visualiseringer.

Vandmærke for opdelingstræ.

Visualiseringen kræver to typer input:

  • Analysér – den metrikværdi, du vil analysere. Det skal være en måling eller en aggregering.
  • Forklar efter – en eller flere dimensioner, hvor du gerne vil foretage detailudledning.

Når du trækker din måling til feltbrønd, viser de visuelle opdateringer den aggregerede måling. I eksemplet nedenfor visualiserer vi, hvor mange % af produkterne der gennemsnitligt er i restordre (5,07%).

Rodnode til opdelingstræ.

Næste trin er af hente en eller flere dimensioner, hvor du vil foretage detailudledning. Føj disse felter til bucket'en Forklar efter. Bemærk, at der vises et plustegn ud for rodnoden. Hvis du vælger knappen +, kan du vælge, hvilket felt du vil foretage detailudledning i (du kan foretage detailudledning i felterne i en hvilken som helst rækkefølge).

Skærmbillede, der viser det plus ikon, der er valgt, og som viser indstillinger på listen Forklar efter.

Hvis du vælger Forventningsbias udvides træet, og målingerne analyseres efter værdierne i kolonnen. Denne proces kan gentages ved at vælge en anden node, hvor der skal foretages detailudledning.

Udvidelse til opdelingstræ.

Når du vælger en node fra det sidste niveau, filtreres dataene i tværgående retning. Når du vælger en node fra et tidligere niveau, ændres stien.

Animation, der viser valg af en node fra et tidligere niveau, og hvordan det ændrer visningen, så de underordnede noder vises.

Ved interaktion med andre visualiseringer filtreres fordelingstræet i tværgående retning. Det kan betyde af nodernes rækkefølge på de enkelte niveauer ændres. I eksemplet nedenfor har vi filtreret træet i tværgående retning efter Ubisoft. Stien opdateres, og Xbox-salget flyttes fra første til anden placering og overhales af PlayStation.

Hvis vi derefter filtrerer træet i tværgående retning efter Nintendo, er Xbox Sales tomt, da der ikke er udviklet Nintendo-spil til Xbox. Xbox filtreres ud af visningen sammen med den efterfølgende sti.

Selvom stien forsvinder, forbliver de eksisterende niveauer (i dette tilfælde Spilgenre) fastgjort i træet. Hvis du vælger noden Nintendo, udvides træet derfor automatisk til Spilgenre.

Animation, der viser valg af krydsfiltre, som påvirker, hvilke noder der vises.

AI-opdelinger

Du kan bruge "AI-opdelinger" til at finde ud af, hvor du efterfølgende skal kigge i dataene. Disse opdelinger vises øverst på listen og er markeret med en elpære. Opdelingerne er der for at hjælpe dig med automatisk at finde høje og lave værdier i dataene.

Analysen kan fungere på to måder, afhængigt af dine indstillinger. Standardfunktionsmåden er følgende:

  • Højeste værdi: Tager alle tilgængelige felter i betragtning og bestemmer, hvilke data der skal foretages detailudledning i for at få den højeste værdi af den måling, der analyseres.
  • Laveste værdi: Tager alle tilgængelige felter i betragtning og bestemmer, hvilke data der skal foretages detailudledning i for at få den laveste værdi af den måling, der analyseres.

Hvis du vælger Højeste værdi i eksemplet med restordrer, resulterer det i følgende:

AI-opdeling i Opdelingstræ.

Der vises en elpære ud for Produkttype, der angiver, at dette var en 'AI-opdeling'. Træet indeholder også en punkteret linje, der anbefaler noden Patient Monitoring, da det resulterer i den højeste værdi for restordrer (9,2 %).

Peg på elpæren for at se et værktøjstip. I dette eksempel er værktøjstippet "restordre-% er højest, når Produkttype er Patientovervågning".

Du kan konfigurere visualiseringen for at finde relative AI-opdelinger i modsætning til absolutte opdelinger.

I relativ tilstand søges der efter høje værdier, der skiller sig ud (sammenlignet med de øvrige data i kolonnen). Lad os tage et kig på et eksempel, der illustrerer dette:

Absolut opdeling i Opdelingstræ.

I skærmbilledet ovenfor kigger vi på Nordamerikas salg af videospil. Vi opdeler først træet ved Udgivernavn og foretager derefter en detailudledning i Nintendo. Hvis du vælger Højeste værdi resulterer det i en udvidelse af Platform er Nintendo. Da Nintendo (udgiveren) kun udvikler til Nintendo-konsoller, findes der kun én værdi som ikke overraskende er den højeste værdi.

En mere interessant opdeling ville dog være at se på, hvilken høj værdi, der adskiller sig fra andre værdier i den samme kolonne. Hvis vi ændrer analysetypen fra Absolut til Relative, får vi følgende resultat for Nintendo:

Opdelt opdeling i Opdelingstræ.

Denne gang er den anbefalede værdi Platform i Spilgenre. Platformen giver ikke en højere absolut værdi end Nintendo (19.950.000 USD vs. 46.950.000 USD). Det er dog en værdi, der skiller sig ud.

Det vil mere præcist sige, at da der er 10 spilgenreværdier, er den forventede værdi for platformen 4,6 mio. USD, hvis de skulle deles ligeligt. Da platformen har en værdi på næsten 20 mio. USD, er det et interessant resultat, da det er fire gange højere end det forventede resultat.

Beregningen er som følger:

Nordamerikas salg for Platform/Abs(gns(Nordamerikas salg for Spilgenre))
vs.
Nordamerikas salg for Nintendo/Abs(gns(Nordamerikas salg for Platform))

Hvilket kan oversættes til:

19.550.000/(19.550.000 + 11.140.000 +... + 470.000 + 60.000/10) = 4,25x
vs.
46.950.000/(46.950.000/1) = 1x

Hvis du foretrækker ikke at bruge nogen AI-opdelinger i træet, har du også mulighed for at slå dem fra under indstillingerne for Analyseformatering:

Opdelingstræ deaktiverer AI-opdeling.

Træinteraktioner med AI-opdelinger

Du kan have flere på hinanden følgende AI-niveauer. Du kan også blande forskellige typer AI-niveauer (gå fra Højeste værdi til Laveste værdi og tilbage til Højeste værdi):

Opdelingstræ med flere AI-stier.

Hvis du vælger en anden node i træet, genberegnes AI-opdelingerne fra bunden. I eksemplet nedenfor er den valgte node ændret på niveauet Forventningsbias. De efterfølgende niveauer ændres for at give de korrekte højeste og laveste værdier

AI-interbrydnings træet til AI-interaktion.

AI-niveauer genberegnes også, når du filtrerer fordelingstræet efter et andet visual. I eksemplet nedenfor ses det, at restordre-% er højest for fabrik #0477.

Skærmbillede, der viser rodårsagen med alle måneder valgt.

Men hvis vi vælger april i det liggende søjlediagram, er de største ændringer af Produkttype Avanceret kirurgisk. I dette tilfælde er det ikke kun noderne, der blev genbestilt, men der blev valgt en helt anden kolonne.

Skærmbillede, der viser rodårsagen med kun aprilmåned valgt.

Hvis du vil have AI-niveauer til at fungere som ikke-AI-niveauer, skal du vælge elpæren for at gendanne standardfunktionsmåden.

Mens flere AI-niveauer kan sammenkædes, kan et ikke-AI-niveau ikke følge efter et AI-niveau. Hvis der foretages en manuel opdeling efter en AI-opdeling, forsvinder elpæren fra AI-niveauet, og niveauet omdannes til et normalt niveau.

Låsning

En indholdsopretter kan låse niveauer for rapportforbrugere. Når et niveau er låst, kan det ikke fjernes eller ændres. En forbruger kan udforske forskellige stier på det låste niveau, men kan ikke ændre selve niveauet. Som opretter kan du pege på eksisterende niveauer for at se låseikonet. Du kan låse så mange niveauer, du vil, men du kan ikke have ulåste niveauer før låste niveauer.

I eksemplet nedenfor er de to første niveauer låst. Det betyder, at brugerne kan ændre niveau 3 og 4 og endda tilføje nye niveauer bagefter. De første to niveauer kan imidlertid ikke ændres:

Låsning af opdelingstræ.

Kendte begrænsninger

Det maksimale antal niveauer for træet er 50. Det maksimale antal datapunkter, der kan visualiseres på én gang i træet, er 5000. Vi afkorter niveauer, så de viser de øverste n. De øverste n pr. niveau er angivet til 10.

Fordelingstræet understøttes ikke i følgende scenarier:

  • Analysis Services i det lokale miljø

AI-opdelinger understøttes ikke i følgende scenarier:

  • Azure Analysis Services
  • Power BI-rapportserver
  • Udgiv på internettet
  • Komplekse målinger og målinger fra udvidelsesskemaer i 'Analysér'

Andre begrænsninger:

  • Understøttelse i Spørgsmål og svar

Næste trin

Kransediagram i Power BI

Visualiseringer i Power BI