Создание и просмотр визуальных элементов дерева декомпозиции в Power BI

  • Статья

ОБЛАСТЬ ПРИМЕНЕНИЯ: Служба Power BI Power BI Desktop

Визуальный элемент дерева декомпозиции в Power BI позволяет визуализировать данные в нескольких измерениях. Он автоматически выполняет статистическую обработку данных и позволяет детализировать измерения в любом порядке. Это также визуализация искусственного интеллекта (ИИ), поэтому вы можете попросить его найти следующее измерение для детализации на основе определенных критериев. Это средство полезно для нерегламентированного исследования и проведения анализа первопричин.

Screenshot showing a full decomposition tree.

В этом руководстве используются два примера:

  • Сценарий цепочки поставок, который анализирует процент продуктов, которые компания имеет на заднем плане (вне запасов).
  • Сценарий продаж, который разбивает продажи видеоигр на многочисленные факторы, такие как жанр игры и издатель.

Для Power BI Desktop можно скачать семантику сценария цепочки поставок. Если вы хотите использовать служба Power BI, скачайте sample.pbix цепочку поставок и отправьте его в рабочую область в служба Power BI.

Примечание.

Для предоставления общего доступа к отчету коллеге Power BI необходимо иметь отдельные лицензии Power BI Pro или сохранить отчет в емкости Premium.

Начать

Выберите значок дерева декомпозиции на панели "Визуализации".

Decomposition tree watermark.

Для визуализации требуется два типа входных данных:

  • Анализ — метрика, для анализа. Это должна быть мера или агрегат.
  • Объясните по одному или нескольким измерениям, которые вы хотите детализировать.

После перетаскивания меры в поле визуальные обновления для демонстрации агрегированной меры. В приведенном ниже примере мы визуализируем средний процент продуктов на заднем поле (5,07%).

Decomposition tree root node.

Следующий шаг — добавить один или несколько измерений, которые вы хотите детализировать. Добавьте эти поля в контейнер "Объяснение по". Обратите внимание, что знак плюса отображается рядом с корневым узлом. При выборе элемента "+" можно выбрать нужное поле (можно детализировать поля в любом порядке).

Screenshot showing the plus icon selected which displays options from the Explain by list.

Выбор предвзятости прогноза приводит к расширению дерева и разрушению меры по значениям в столбце. Этот процесс можно повторить, выбрав другой узел для детализации.

Decomposition tree expansion.

Выбор узла из последнего уровня перекрестно фильтрует данные. Выбор узла на предыдущем уровне изменяет путь.

Animation shows selecting a node from an earlier level and how it changes the display to show its children nodes.

Взаимодействие с другими визуальными элементами перекрестно фильтрует дерево декомпозиции. Порядок узлов внутри уровней может измениться в результате.

Чтобы показать другой сценарий, в приведенном ниже примере рассматриваются продажи видеоигр издателем.

Animation shows selecting cross filters which affect which nodes are displayed.

Когда мы перекрестно фильтруем дерево по Ubisoft, путь обновляется, чтобы показать продажи Xbox, перемещающиеся с первого на второе место, превзошли PlayStation.

Если мы затем перекрестно фильтруем дерево Nintendo, продажи Xbox пусты, так как нет игр Nintendo, разработанных для Xbox. Xbox вместе с последующим путем отфильтровывается из представления.

Несмотря на исчезновение пути, существующие уровни (в данном случае игровой жанр) остаются закрепленными на дереве. Поэтому выбор узла Nintendo автоматически расширяет дерево в жанр игры.

Разделение искусственного интеллекта

Вы можете использовать "Разделение ИИ" для определения того, где следует выглядеть дальше в данных. Эти разделения отображаются в верхней части списка и помечены лампочкой. Разделение позволяет автоматически находить высокие и низкие значения в данных.

Анализ может работать двумя способами в зависимости от ваших предпочтений. Используя пример цепочки поставок снова, поведение по умолчанию выглядит следующим образом:

  • Высокое значение: рассматривает все доступные поля и определяет, какой из них необходимо выполнить детализацию, чтобы получить наибольшее значение анализируемой меры.
  • Низкое значение: учитывает все доступные поля и определяет, какой из них необходимо детализировать, чтобы получить наименьшее значение анализируемой меры.

Выберите "Высокое значение ", используя знак "плюс" рядом с промежуточным значением. Появится новый столбец с помеченным типом продукта.

Decomposition tree AI split.

Лампочка отображается рядом с типом продукта, указывающим, что этот столбец был разделен искусственным интеллектом. Дерево также предоставляет пунктирную линию, которая рекомендует узел мониторинга пациентов, указывая наибольшее значение внутренних серверов (9,2%).

Наведите указатель мыши на лампочку, чтобы увидеть подсказку. В этом примере подсказка — "% на заднем окне является самым высоким, если тип продукта является мониторингом пациентов".

Визуальный элемент можно настроить для поиска относительных разбиений искусственного интеллекта в отличие от абсолютных .

Относительный режим ищет высокие значения, которые выделяются (по сравнению с остальными данными в столбце). Давайте рассмотрим продажи видеоигр еще раз в качестве примера:

Decomposition tree absolute split.

На снимке экрана выше мы рассмотрим Северная Америка продажи видеоигр. Сначала мы разделим дерево по имени издателя, а затем детализируем Nintendo. Выбор высокого значения приводит к расширению Платформы — Nintendo. Так как Nintendo (издатель) разрабатывает только для консоли Nintendo, существует только одно значение, и поэтому это неудивительно самое высокое значение.

Тем не менее, более интересным разделением было бы посмотреть, какое высокое значение выделяется относительно других значений в том же столбце. Если изменить тип анализа с "Абсолютный на относительный", мы получаем следующий результат для Nintendo:

Decomposition tree relative split.

На этот раз рекомендуемое значение — платформа в жанре игры. Платформа не дает более высокую абсолютную стоимость, чем Nintendo ($19,950 000 против $ 46,950 000). Тем не менее, это значение, которое выделяется.

Точнее, так как есть 10 игровых жанров, ожидаемое значение для Платформы будет $ 4,6 млн, если они должны были быть разделены равномерно. Так как Платформа имеет значение почти $ 20M, то это интересный результат, так как он четыре раза выше ожидаемого результата.

Расчет выглядит следующим образом:

Северная Америка Продажи для платформы/ Abs(Avg(Северная Америка Продажи для жанра игры))
против
Северная Америка Продажи для Nintendo / Abs(Avg(Северная Америка Sales for Platform))

Что преобразуется в:

19 550 000 / (19 550 000 + 11 140 000 + ... + 470 000 + 60 000 /10) = 4,25x
против
46 950 000/ (46 950 000/1) = 1x

Если вы предпочитаете не использовать разделения ИИ в дереве, вы также можете отключить их в параметрах форматирования анализа:

Decomposition tree disable AI split.

Древовидное взаимодействие с разделением искусственного интеллекта

Вы можете иметь несколько последующих уровней ИИ. Вы также можете смешать различные виды уровней ИИ (перейти от высокого значения к низкому значению и обратно к высокому значению):

Decomposition tree multiple AI paths.

При выборе другого узла в дереве ИИ разбивается с нуля. В приведенном ниже примере мы изменили выбранный узел на уровне прогноза смещения . Последующие уровни изменяются, чтобы получить правильные высокие и низкие значения.

Decomposition tree AI interactions.

Уровни искусственного интеллекта также пересчитываются при перекрестном фильтрации дерева декомпозиции другим визуальным элементом. В приведенном ниже примере мы видим, что процент отступа является самым высоким для фабрики No 0477.

Screenshot shows the Root Cause Analysis with all months selected.

Но если выбрать апрель на линейчатой диаграмме, самые высокие изменения в тип продукта являются расширенными хирургическими. В этом случае это не только узлы, которые были переупорядочены, но и другой столбец был выбран.

Screenshot shows the Root Cause Analysis with just the month of April selected.

Если мы хотим, чтобы уровни ИИ ведут себя как уровни, отличные от ИИ, выберите лампочку, чтобы отменить изменения поведение по умолчанию.

Хотя несколько уровней ИИ могут быть связаны друг с другом, уровень, отличный от ИИ, не может соответствовать уровню ИИ. Если мы делаем ручное разделение после разделения ИИ, лампочка с уровня ИИ исчезает, а уровень преобразуется в обычный уровень.

Блокировка

Создатель содержимого может блокировать уровни для потребителей отчетов. Если уровень заблокирован, его нельзя удалить или изменить. Потребитель может изучить различные пути в пределах заблокированного уровня, но они не могут изменить сам уровень. В качестве создателя можно навести указатель мыши на существующие уровни, чтобы увидеть значок блокировки. Вы можете заблокировать столько уровней, сколько вы хотите, но вы не можете разблокировать уровни, предшествующие заблокированным уровням.

В приведенном ниже примере первые два уровня заблокированы. Пользователи отчетов могут изменить уровень 3 и 4, а затем даже добавить новые уровни. Однако первые два уровня нельзя изменить:

Decomposition tree locking.

Рекомендации и ограничения

Максимальное количество уровней для дерева — 50. Максимальное количество точек данных, которые можно визуализировать одновременно в дереве, составляет 5000. Мы усечены уровни, чтобы отобразить верхний n. В настоящее время верхний n на уровне имеет значение 10.

Дерево декомпозиции не поддерживается в следующих сценариях:

  • Локальные службы Analysis Services

Разделение искусственного интеллекта не поддерживается в следующих сценариях:

  • Azure Analysis Services
  • Сервер отчетов Power BI
  • Публикация в Интернете
  • Сложные меры и меры из схем расширений в разделе "Анализ"

Прочие ограничения

  • Поддержка в Q&A

Связанный контент