Tipos de información compatibles con Power BI

SE APLICA A: Servicio Power BI para usuarios empresariales Servicio Power BI para diseñadores y desarrolladores Power BI Desktop Requiere una licencia Pro o Premium

Puede pedir a Power BI que examine los datos y encuentre patrones y tendencias interesantes. Estas tendencias y patrones se presentan en forma de objetos visuales denominados conclusiones. Las conclusiones están disponibles para objetos visuales en paneles e informes, y en páginas de informe enteras.

Para obtener más información sobre cómo usar las conclusiones, vea Conclusiones de Power BI.

¿Cómo funciona la búsqueda de información?

Power BI busca rápidamente en otros subconjuntos del conjunto de datos. Durante la búsqueda, Power BI aplica un conjunto de algoritmos sofisticados para detectar información potencialmente interesante. Puede ejecutar Conclusiones en iconos de panel, objetos visuales de informe y páginas de informe.

Terminología

Power BI usa algoritmos estadísticos para revelar las conclusiones. Los algoritmos se enumeran y describen en la sección siguiente de este artículo. Antes de llegar a los algoritmos, aquí se enumeran las definiciones de algunos términos que pueden no resultar familiares.

• Medida: una medida es un campo cuantitativo (numérico) que se puede usar para realizar cálculos. Los cálculos comunes son los de suma, promedio y mínimo. Por ejemplo, si la empresa fabrica y vende monopatines, las medidas podrían ser el número de monopatines vendidos y el beneficio medio al año.
• Dimensión: las dimensiones son datos de categorías (texto). Una dimensión describe personas, objetos, elementos, productos, lugares y períodos de tiempo. En un conjunto de datos, las dimensiones son una manera de agrupar las medidas en categorías útiles. Para la empresa de monopatines, algunas dimensiones pueden incluir el análisis de las ventas (una medida) por modelo, color, país o campaña de marketing.
• Correlación: una correlación indica cómo se relaciona el comportamiento de las cosas. Si sus patrones de aumento y reducción son similares, se correlacionan de manera positiva. Del mismo nodo, si sus patrones son opuestos, se correlacionan de forma negativa. Por ejemplo, si las ventas del monopatín rojo aumentan cada vez que se lanza una campaña de marketing en televisión, las ventas del monopatín rojo y la campaña de televisión están correlacionadas de forma positiva.
• Serie temporal: una serie temporal es una forma de mostrar el tiempo como puntos de datos sucesivos. Estos puntos de datos pueden ser incrementos como segundos, horas, meses o años.
• Variable continua: una variable continua puede ser cualquier valor entre sus límites mínimo y máximo; de lo contrario, es una variable discreta. Algunos ejemplos son la temperatura, la ponderación, la edad y el tiempo. Las variables continuas pueden incluir fracciones o partes del valor. El número total de monopatines azules vendidos es una variable discreta, ya que no se puede vender medio monopatín.

¿Qué tipos de conclusiones se pueden encontrar?

Power BI puede encontrar diez tipos de conclusiones para los iconos de panel, como se describen a continuación. Para los informes, Power BI realiza de forma proactiva análisis de anomalías, tendencias y KPI.

Valores atípicos de categoría (superior o inferior)

Resalta los casos en los que una o dos categorías tienen valores mucho mayores que otras categorías.

Cambiar los puntos de una serie temporal

Resalta cuando hay cambios significativos en las tendencias de datos de una serie temporal.

Correlation

Detecta los casos en los que varias medidas muestran un patrón o una tendencia similar cuando se trazan sobre una categoría o un valor del conjunto de datos.

Baja varianza

Detecta los casos en los que los puntos de datos de una dimensión no están lejos de la media, por lo que la "varianza" es baja. Supongamos que tiene la medida "ventas" y una dimensión "región". Y, al revisar la dimensión de región, observa que hay muy poca diferencia entre los puntos de datos y la media de dichos puntos de datos. La información se desencadena cuando la varianza de ventas en todas las regiones está por debajo de un umbral. En otras palabras, cuando las ventas son bastante similares en todas las regiones.

Mayoría (factores principales)

Busca los casos en los que una mayoría de un valor total puede atribuirse a un único factor cuando se desglosa con otra dimensión.

Valores atípicos

Este tipo de conclusión usa un modelo de agrupación en clústeres para buscar valores atípicos en datos de series no temporales. Los valores atípicos detectan cuándo hay categorías concretas con valores significativamente diferentes a los de otras categorías.

Tendencias generales de la serie temporal

Detecta las tendencias hacia arriba o hacia abajo de los datos de la serie temporal.

Estacionalidad de la serie temporal

Busca patrones periódicos en los datos de series temporales, por ejemplo, semanales, mensuales o de estacionalidad anual.

<a name="steady-share">Recurso compartido constante

Resalta los casos en los que hay una correlación de elementos primarios y secundarios entre el recurso compartido de un valor de secundario en relación con el valor global del elemento primario a través de una variable continua. La información del recurso compartido constante se aplica al contexto de una medida, una dimensión y otra dimensión de fecha y hora. Esta información se desencadena cuando un valor de dimensión determinado (por ejemplo, "la región este") tiene un porcentaje constante de ventas totales en esa dimensión de fecha y hora.

La información del recurso compartido constante es similar a la información de la varianza baja, ya que ambas están relacionadas con la falta de varianza de un valor a lo largo del tiempo. Sin embargo, la información del recurso compartido constante mide la falta de varianza del porcentaje total a lo largo del tiempo, mientras que la información de la varianza baja mide la falta de varianza de los valores de medida absolutos en una dimensión.

Valores atípicos de la serie temporal

En el caso de los datos de una serie temporal, detecta si hay determinadas fechas u horas con valores significativamente diferentes de los demás valores de fecha y hora.

Pasos siguientes

Información de Power BI

¿Tiene más preguntas? Pruebe la comunidad de Power BI