สร้างการแสดงผลข้อมูลด้วยภาพของผู้มีอิทธิพลหลัก

ใช้กับ: ✔️   Power BI   Desktop ✔️ บริการ   Power     BI  

ภาพวิชวลของผู้มีอิทธิพลหลักช่วยให้คุณเข้าใจปัจจัยที่มีผลต่อเมตริกที่คุณสนใจ ซึ่งช่วยวิเคราะห์ข้อมูลของคุณ จัดอันดับปัจจัยที่มีความสำคัญ และแสดงพวกเขาในฐานะที่เป็นผู้มีอิทธิพลหลัก ตัวอย่างเช่น สมมติว่าคุณต้องการค้นหาว่าสิ่งที่มีผลต่อการลาออกของพนักงาน ซึ่งเรียกอีกอย่างว่าการลาออก ปัจจัยหนึ่งอาจจากระยะเวลาของสัญญาจ้างงาน และอีกปัจจัยหนึ่งอาจเป็นระยะเวลาการเรียงสับเปลี่ยน

เมื่อใดที่ควรใช้ผู้มีอิทธิพลหลัก

ภาพวิชวลของผู้มีอิทธิพลหลักเป็นตัวเลือกที่ยอดเยี่ยมหากคุณต้องการที่จะ:

• ดูว่าปัจจัยใดที่ส่งผลกระทบต่อเมตริกที่กำลังวิเคราะห์
• เปรียบเทียบความสำคัญที่เกี่ยวข้องของปัจจัยเหล่านี้ ตัวอย่างเช่น สัญญาระยะสั้นมีผลต่อการลาพักงานมากกว่าสัญญาระยะยาวหรือไม่?

คุณลักษณะของภาพวิชวลผู้มีอิทธิพลหลัก

1. แท็บ: เลือกแท็บเพื่อสลับระหว่างมุมมอง ผู้มีอิทธิพลหลัก จะแสดงตัวช่วยที่มีส่วนร่วมสูงสุดต่อค่าเมตริกที่เลือก กลุ่มยอดนิยม จะแสดงกลุ่มที่มีส่วนร่วมสูงสุดต่อค่าเมตริกที่เลือก กลุ่ม สร้างขึ้นจากชุดของค่า ตัวอย่างเช่น กลุ่มหนึ่งอาจเป็นผู้บริโภคที่เคยเป็นลูกค้ามาแล้วอย่างน้อย 20 ปีและอาศัยอยู่ในภาคตะวันตก

2. กล่องดรอปดาวน์: ค่าของเมตริกภายใต้การตรวจสอบ ในตัวอย่างนี้ ค้นหาเมตริก การให้คะแนน เมตริก ค่าที่เลือกคือ ต่ำ

3. การกล่าวซ้ำ: ช่วยเราตีความภาพวิชวลในบานหน้าต่างด้านซ้าย

4. บานหน้าต่างด้านซ้าย: บานหน้าต่างด้านซ้ายประกอบด้วยภาพวิชวลหนึ่งภาพ ในกรณีนี้ บานหน้าต่างด้านซ้ายจะแสดงรายชื่อของผู้ทรงอิทธิพลมากที่สุด

5. การกล่าวซ้ำ: ช่วยเราตีความภาพวิชวลในบานหน้าต่างด้านขวา

6. บานหน้าต่างด้านขวา: บานหน้าต่างด้านขวาประกอบด้วยภาพวิชวลหนึ่งภาพ ในกรณีนี้ แผนภูมิคอลัมน์แสดงค่าทั้งหมดสำหรับผู้มีอิทธิพลหลัก, ธีม ที่เลือกไว้ในบานหน้าต่างด้านซ้าย ค่าเฉพาะของ ความสามารถในการใช้งาน จากบานหน้าต่างด้านซ้ายจะแสดงเป็นสีเขียว ค่าอื่น ๆ ทั้งหมดสำหรับ ธีม จะแสดงเป็นสีดำ

7. เส้นเฉลี่ย: เราใช้ค่าเฉลี่ยในการคำนวณค่าอื่น ๆ ที่เป็นไปได้ทั้งหมดสำหรับ ธีม ยกเว้น ความสามารถในการใช้งาน (ซึ่งเป็นผู้ทรงอิทธิพลที่เลือก) ดังนั้นการคำนวณจึงใช้กับค่าทั้งหมดเป็นสีดำ ซึ่งบอกคุณว่าเปอร์เซ็นต์ของ ธีม อื่นมีคะแนนต่ำแค่ไหน ในกรณีนี้ 11.35% มีการให้คะแนนต่ำ (ซึ่งแสดงตามเส้นประ)

8. กล่องกาเครื่องหมาย: กรองภาพวิชวลออกในบานหน้าต่างด้านขวาเพื่อแสดงเฉพาะค่าที่เป็นผู้มีอิทธิพลสำหรับเขตข้อมูลนั้น ในตัวอย่างนี้จะกรองภาพวิชวลความสามารถในการใช้งาน ความปลอดภัย และการนําทาง

วิเคราะห์เมตริกที่เป็นแบบจัดกลุ่ม

ดูวิดีโอนี้เพื่อเรียนรู้วิธีการสร้างภาพวิชวลของผู้มีอิทธิพลหลักด้วยเมตริกแบบจัดกลุ่ม แล้วทำตามขั้นตอนเหล่านี้เพื่อสร้างภาพวิชวล

ผู้จัดการผลิตภัณฑ์ของคุณต้องการให้คุณค้นหาว่าปัจจัยใดที่ทำให้ลูกค้าต้องแสดงความคิดเห็นเชิงลบเกี่ยวกับบริการคลาวด์ของคุณ หากต้องการทำตาม ให้เปิด ไฟล์ PBIX คำติชมของลูกค้า ใน Power BI Desktop คุณยังสามารถดาวน์โหลด ไฟล์ Excel คำติชมของลูกค้าสำหรับบริการ Power BI หรือ Power BI Desktop เลือกลิงก์ใดก็ได้จากนั้นเลือก ดาวน์โหลด จากหน้า GitHub ที่เปิดขึ้น

1. เปิดรายงานและเลือกไอคอน ผู้มีอิทธิพลหลัก

   

2. ย้ายเมตริกที่คุณต้องการตรวจสอบไปที่เขตข้อมูล การวิเคราะห์ เมื่อต้องการดูสิ่งที่มีผลต่อการให้คะแนนการบริการของลูกค้าต่ำ เลือก ตารางลูกค้า > การให้คะแนน

3. ย้ายเขตข้อมูลที่คุณคิดว่ามีผลต่อ การให้คะแนน เข้าไปที่เขตข้อมูล อธิบายโดย คุณสามารถย้ายเขตข้อมูลได้มากเท่าที่คุณต้องการ ในกรณีนี้ เริ่มต้นด้วย:

   • ประเทศ-ภูมิภาค
   • บทบาทในองค์กร
   • ชนิดการสมัครใช้งาน
   • ขนาดบริษัท
   • ธีม

4. ปล่อยเขตข้อมูล ขยายโดย ว่างไว้ เขตข้อมูลนี้จะใช้เฉพาะเมื่อทำการวิเคราะห์เขตข้อมูลการวัดหรือเขตข้อมูลสรุป

5. เมื่อต้องการเน้นการให้คแนนติดลบ เลือก ต่ำ ในกล่องดรอปดาวน์ สิ่งที่มีผลต่อการให้คะแนนที่จะเป็น

   

การวิเคราะห์จะทำงานในระดับตารางของเขตข้อมูลที่กำลังวิเคราะห์ ในกรณีนี้ เป็นเมตริก การให้คะแนน เมตริกนี้ถูกกำหนดขึ้นในระดับลูกค้า ลูกค้าแต่ละรายได้รับคะแนนสูงสุดหรือคะแนนต่ำ ปัจจัยการอธิบายทั้งหมดจะต้องกำหนดไว้ในระดับลูกค้าสำหรับภาพวิชวลเพื่อใช้ประโยชน์จากปัจจัยเหล่านั้น

ในตัวอย่างก่อนหน้านี้ ปัจจัยการอธิบายทั้งหมดมีความสัมพันธ์แบบหนึ่งต่อหนึ่งหรือกลุ่มต่อหนึ่งกับเมตริก ในกรณีนี้ ลูกค้าแต่ละรายกำหนดธีมเดี่ยวให้กับการให้คะแนนของพวกเขา ในคล้ายกัน ลูกค้ามาจากประเทศหนึ่ง มีประเภทสมาชิกประเภทหนึ่ง และถือบทบาทหนึ่งในองค์กรของพวกเขา ปัจจัยการอธิบายนั้นเป็นแอตทริบิวต์ของลูกค้าอยู่แล้ว และไม่จำเป็นต้องมีการแปลง ภาพวิชวลทำให้ปัจจัยเหล่านี้สามารถใช้ได้ทันที

ต่อมาในบทช่วยสอน คุณจะได้ดูตัวอย่างที่ซับซ้อนมากขึ้นซึ่งมีความสัมพันธ์แบบหนึ่งต่อกลุ่ม ในกรณีดังกล่าว คอลัมน์จะต้องถูกรวมเข้ากับระดับลูกค้าก่อนจึงจะสามารถทำการวิเคราะห์ได้

การวัดและผลรวมที่ใช้เป็นปัจจัยการอธิบายจะถูกประเมินที่ระดับตารางของเมตริก การวิเคราะห์ ตัวอย่างบางอย่างจะแสดงในภายหลังในบทความนี้

ตีความผู้มีอิทธิพลหลักตามประเภท

ลองมาดูที่ผู้มีอิทธิพลหลักสำหรับการให้คะแนนต่ำ

ปัจจัยเดียวอันดับแรกที่มีผลต่อความน่าจะเป็นของการให้คะแนนต่ำ

ลูกค้าในตัวอย่างนี้สามารถมีสามบทบาทได้แก่ ลูกค้า ผู้ดูแลระบบ และผู้เผยแพร่ การเป็นลูกค้าเป็นปัจจัยอันดับต้น ๆ ที่ส่งผลให้เกิดการให้คะแนนต่ำ

แม่นยำยิ่งขึ้น ลูกค้าของคุณมีแนวโน้มที่จะให้คะแนนการบริการติดลบ 2.57 เท่า แผนภูมิผู้มีอิทธิพลหลักแสดง บทบาทในองค์กรเป็นลูกค้า ก่อนในรายการด้านซ้าย จากการเลือก บทบาทในองค์กรเป็น ลูกค้า Power BI จะแสดงรายละเอียดเพิ่มเติมในบานหน้าต่างด้านขวา แสดงผลการเปรียบเทียบของแต่ละบทบาทเกี่ยวกับความน่าจะเป็นของการให้คะแนนต่ำ

• ลูกค้า 14.93% ให้คะแนนต่ำ
• โดยเฉลี่ยบทบาทอื่น ๆ ทั้งหมดให้คะแนนของเวลาต่ำเท่ากับ 5.78%
• ลูกค้าจำนวน 2.57 เท่าที่มีแนวโน้มจะให้คะแนนต่ำเมื่อเทียบกับบทบาทอื่น ๆ ทั้งหมด คุณสามารถตรวจสอบสิ่งนี้ได้โดยการแบ่งแถบสีเขียวด้วยเส้นประสีแดง

ปัจจัยเดียวอันดับที่สองที่มีผลต่อความน่าจะเป็นของการให้คะแนนต่ำ

ภาพวิชวลของผู้มีอิทธิพลหลักจะเปรียบเทียบและจัดลำดับปัจจัยจากตัวแปรที่แตกต่างมากมายได้ ผู้มีอิทธิพลลำดับที่สองไม่มีส่วนเกี่ยวข้องกับ บทบาทในองค์กร เลือกผู้มีอิทธิพลลำดับที่สองในรายการ ซึ่งก็คือ ธีมเป็นความสามารถในการใช้งาน

ปัจจัยที่สำคัญที่สุดลำดับที่สองเกี่ยวข้องกับธีมการรีวิวของลูกค้า ลูกค้าที่แสดงความคิดเห็นเกี่ยวกับความสามารถในการใช้งานของผลิตภัณฑ์มีแนวโน้มที่จะให้คะแนนต่ำ 2.55 เท่าเมื่อเปรียบเทียบกับลูกค้าที่แสดงความคิดเห็นในหัวข้ออื่น ๆ เช่น ความน่าเชื่อถือ การออกแบบ หรือความเร็ว

ระหว่างภาพวิชวล ค่าเฉลี่ยซึ่งแสดงด้วยเส้นประสีแดงจะเปลี่ยนจาก 5.78% เป็น 11.35% ได้ ค่าเฉลี่ยเป็นแบบไดนามิกเนื่องจากเป็นไปตามค่าเฉลี่ยของค่าอื่นทั้งหมด สำหรับผู้มีอิทธิพลลำดับแรก ค่าเฉลี่ยจะแยกออกจากบทบาทของลูกค้า สำหรับผู้มีอิทธิพลลำดับที่สอง จะแยกออกจากธีมความสามารถในการใช้งาน

เลือกกล่องกาเครื่องหมาย แสดงเฉพาะค่าที่เป็นผู้มีอิทธิพลเท่านั้น เพื่อกรองข้อมูลโดยใช้เฉพาะค่าที่มีอิทธิพล ในกรณีนี้ พวกเขามีบทบาทที่มีผลทำให้คะแนนต่ำ ธีม 12 ธีมจะลดลงเหลือสี่แบบที่ Power BI ระบุว่าเป็นธีมที่ขับเคลื่อนการจัดอันดับต่ 6

โต้ตอบกับวิชวลอื่น ๆ

ทุกครั้งที่คุณเลือกตัวแบ่งส่วนข้อมูล ตัวกรอง หรือภาพวิชวลอื่น ๆ บนพื้นที่ทำงาน ผู้มีอิทธิพลหลักจะแสดงการวิเคราะห์ซ้ำในส่วนของข้อมูลใหม่ ตัวอย่างเช่น คุณสามารถย้าย ขนาดบริษัท เข้าไปที่รายงานและใช้เป็นตัวแบ่งส่วนข้อมูล ใช้เพื่อดูว่าผู้มีอิทธิพลหลักสำหรับลูกค้าระดับองค์กรของคุณแตกต่างจากประชากรทั่วไปหรือไม่ บริษัทขนาดใหญ่มีพนักงานมากกว่า 50,000 คน

การเลือก > 50,000 จะเรียกใช้การวิเคราะห์อีกครั้งและคุณจะเห็นว่าผู้มีอิทธิพลมีการเปลี่ยนแปลง สำหรับลูกค้าระดับองค์กรขนาดใหญ่ ผู้มีอิทธิพลสูงสุดสำหรับการให้คะแนนต่ำมีธีมที่เกี่ยวข้องกับความปลอดภัย คุณอาจต้องการตรวจสอบเพิ่มเติมเพื่อดูว่ามีคุณลักษณะด้านความปลอดภัยที่เฉพาะเจาะจงที่ลูกค้ารายใหญ่ของคุณไม่พึงพอใจหรือไม่

ตีความผู้มีอิทธิพลหลักอย่างต่อเนื่อง

จนถึงตอนนี้ คุณจะได้ทราบว่าวิธีการใช้ภาพวิชวลเพื่อสำรวจว่าเขตข้อมูลตามประเภทที่แตกต่างกันส่งผลต่อการให้คะแนนต่ำอย่างไร นอกจากนี้ ยังอาจมีปัจจัยต่อเนื่องต่าง ๆ เช่น อายุ ความสูง และราคาในเขตข้อมูล อธิบายโดย มาดูกันว่าจะเกิดอะไรขึ้นถ้าเราย้าย ระยะเวลาการครอบครอง จากตารางลูกค้าไปที่ อธิบายโดย ระยะเวลาการครอบครองแสดงถึงระยะเวลาที่ลูกค้าใช้บริการ

เมื่อระยะเวลาการครอบครองเพิ่มขึ้น โอกาสที่จะได้รับการให้คะแนนต่ำลงก็เพิ่มขึ้นเช่นกัน แนวโน้มนี้แสดงให้เห็นว่าลูกค้าระยะยาวมากขึ้นมีแนวโน้มมากที่จะให้คะแนนติดลบ ข้อมูลเชิงลึกนี้น่าสนใจ และข้อมูลที่คุณอาจต้องการติดตามในภายหลัง

การแสดงภาพข้อมูลแสดงให้เห็นว่าทุกครั้งที่ระยะเวลาการครอบครองเพิ่มขึ้น 13.44 เดือน โดยเฉลี่ยความน่าจะเป็นของการให้คะแนนต่ำเพิ่มขึ้น 1.23 เท่า ในกรณีนี้ 13.44 เดือนแสดงถึงค่าเบี่ยงเบนมาตรฐานของระยะเวลาการครอบครอง ดังนั้นข้อมูลเชิงลึกที่คุณได้รับจะทำให้ทราบว่าการเพิ่มระยะเวลาการครอบครองตามปริมาณมาตรฐาน ซึ่งเป็นค่าเบี่ยงเบนมาตรฐานของระยะเวลาการครอบครอง ส่งผลกระทบต่อโอกาสที่จะได้รับการให้คะแนนต่ำอย่างไร

แผนภูมิกระจายในบานหน้าต่างด้านขวาจะกำหนดเปอร์เซ็นต์เฉลี่ยของการให้คะแนนต่ำสำหรับแต่ละค่าของระยะเวลาการครอบครอง ซึ่งเน้นความชันด้วยเส้นแนวโน้ม

ผู้มีอิทธิพลหลักอย่างต่อเนื่องที่จัดเก็บไว้

ในบางกรณี คุณอาจพบว่าปัจจัยแบบต่อเนื่องจะถูกเปลี่ยนเป็นปัจจัยตามประเภทโดยอัตโนมัติ ทั้งนี้เนื่องจากเราตระหนักถึงความสัมพันธ์ระหว่างตัวแปรไม่ใช่เชิงเส้นและดังนั้นเราจึงไม่สามารถอธิบายความสัมพันธ์ได้ว่าเป็นการเพิ่มหรือลดลง (อย่างที่เราทำในตัวอย่างด้านบน)

เราใช้งานการทดสอบความสัมพันธ์เพื่อพิจารณาว่าผู้มีอิทธิพลเชิงเส้นเกี่ยวข้องกับเป้าหมายอย่างไร ถ้าเป้าหมายเป็นแบบต่อเนื่อง เราจะเรียกใช้ความสัมพันธ์แบบ Pearsons และถ้าเป้าหมายเป็นแบบจัดกลุ่ม เราจะดำเนินการทดสอบความสัมพันธ์แบบ Biserial Point หากเราตรวจพบว่าความสัมพันธ์ไม่เป็นเชิงเส้นพอ เราจะจัดช่องเก็บแบบควบคุม และสร้างช่องเก็บได้สูงสุดห้าช่องเก็บ หากต้องการค้นหาว่าช่องเก็บใดที่เหมาะสมมากที่สุดเราจะใช้วิธีการ จัดช่องเก็บแบบควบคุม ซึ่งดูที่ความสัมพันธ์ระหว่างปัจจัยการอธิบายและเป้าหมายที่วิเคราะห์

ตีความการวัดและผลรวมเป็นผู้มีอิทธิพลหลัก

คุณสามารถใช้การวัดและผลรวมเป็นปัจจัยการอธิบายในการวิเคราะห์ของคุณได้ ตัวอย่างเช่น คุณอาจต้องการดูว่าปัจจัยใดส่งผลกระทบต่อจำนวนตั๋วการสนับสนุนของลูกค้าหรือระยะเวลาเฉลี่ยของตั๋วเปิดที่มีต่อคะแนนที่คุณได้รับ

ในกรณีนี้ คุณต้องการดูว่าจำนวนตั๋วการสนับสนุนที่ลูกค้ามีอิทธิพลต่อคะแนนที่พวกเขาให้หรือไม่ ตอนนี้ คุณสามารถใช้ ID ตั๋วการสนับสนุน จากตารางตั๋วการสนับสนุนได้ เนื่องจากลูกค้าสามารถมีตั๋วการสนับสนุนได้หลายใบ คุณจึงต้องรวม ID กับระดับลูกค้า การรวมนี้มีความสำคัญเนื่องจากเรากำลังทำการวิเคราะห์ในระดับลูกค้า ดังนั้นจำเป็นต้องกำหนดตัวขับเคลื่อนทั้งหมดที่ระดับความละเอียดนั้น

มาดูที่จำนวนของ ID ลูกค้าแต่ละแถวมีจำนวนตั๋วการสนับสนุนที่เกี่ยวข้องกัน ในกรณีนี้ เมื่อ count of support tickets เพิ่มขึ้น โอกาสในการให้คะแนนต่ 4.08 เท่า ภาพวิชวลด้านขวาแสดงจำนวนตั๋วการสนับสนุนโดยเฉลี่ยตามค่า การให้คะแนน ที่ต่างกัน โดยประเมินที่ระดับลูกค้า

ตีความผลลัพธ์: เซกเมนต์ด้านบน

คุณสามารถใช้แท็บ ผู้มีอิทธิพลหลัก เพื่อประเมินปัจจัยแต่ละรายการได้ คุณยังสามารถใช้แท็บ เซกเมนต์ด้านบน เพื่อดูวิธีชุดปัจจัยมีผลต่อเมตริกที่คุณกำลังวิเคราะห์อยู่นั้นได้

เซกเมนต์ด้านบนเริ่มแสดงภาพรวมของเซกเมนต์ทั้งหมดที่ Power BI ค้นพบ ตัวอย่างต่อไปนี้แสดงหกเซกเมนต์ที่ค้นพบ เซกเมนต์เหล่านี้จะถูกจัดอันดับตามเปอร์เซ็นต์ของการให้คะแนนต่ำภายในเซกเมนต์ ตัวอย่างเช่น เซกเมนต์ 1 มีลูกค้าให้คะแนน 74.3% ซึ่งเป็นค่าที่ต่ำ ยิ่งฟองสบู่สูงขึ้น สัดส่วนการจัดอันดับต่ำก็จะสูงขึ้นตาม ขนาดของฟองสบู่แสดงถึงจำนวนลูกค้าที่อยู่ในเซกเมนต์

การเลือกฟองสบู่จะแสดงรายละเอียดของเซกเมนต์นั้น ตัวอย่างเช่น ถ้าคุณเลือกเซกเมนต์ 1 คุณจะพบว่าเป็นเซกเมนต์ของลูกค้าที่มีชื่อเสียง ซึ่งพวกเขาเป็นลูกค้ามาแล้วกว่า 29 เดือน และมีตั๋วการสนับสนุนมากกว่า 4 ใบ ท้ายที่สุด พวกเขาไม่ใช่ผู้เผยแพร่ ดังนั้นพวกเขาจึงเป็นได้ทั้งลูกค้าหรือผู้ดูแลระบบ

ในกลุ่มนี้ 74.3% ของลูกค้าให้คะแนนต่ำ ลูกค้าโดยเฉลี่ยให้คะแนนต่ำ 11.7% ของเวลา ดังนั้นเซกเมนต์นี้มีสัดส่วนการให้คะแนนต่ำมากขึ้น ซึ่งมีคะแนนร้อยละ 63 สูงขึ้น นอกจากนี้เรายังพบว่ากลุ่มที่ 1 มีข้อมูลประมาณ 2.2% ของข้อมูลดังนั้นจึงเป็นส่วนที่สามารถระบุตำแหน่งของประชากรได้

การเพิ่มจำนวน

ในบางครั้งผู้มีอิทธิพลอาจมีผลกระทบที่สําคัญ แต่แสดงข้อมูลเพียงเล็กน้อย ตัวอย่างเช่น ธีม คือ ความสามารถในการใช้งาน เป็นผู้มีอิทธิพลใหญ่ที่สุดเป็นอันดับสองสำหรับการให้คะแนนต่ำ อย่างไรก็ตามอาจมีลูกค้าเพียงหยิบมือเดียวที่ร้องเรียนเกี่ยวกับเรื่องความสามารถในการใช้งาน การนับจำนวนสามารถช่วยให้คุณจัดลำดับความสำคัญของผู้มีอิทธิพลที่คุณต้องการมุ่งความสนใจได้

คุณสามารถเปิดใช้งานการนับผ่าน บัตรการวิเคราะห์ ของบานหน้าต่างการจัดรูปแบบได้

หลังจากเปิดใช้งานการนับแล้ว คุณจะเห็นวงแหวนรอบ ๆ ฟองของผู้มีอิทธิพลแต่ละคน ซึ่งแสดงถึงเปอร์เซ็นต์ของข้อมูลโดยประมาณที่ผู้มีอิทธิพลประกอบด้วย ยิ่งฟองของวงแหวนกลมมากขึ้นเท่าไหร่ ก็ยิ่งมีข้อมูลประกอบในนั้นมากขึ้นตาม เราสามารถเห็นได้ ว่า****ธีมมีความสามารถใน การใช้งานประกอบด้วยสัดส่วนข้อมูลที่มีขนาดเล็ก

นอกจากนี้คุณยังสามารถใช้การเรียงลำดับด้วยการสลับที่ด้านล่างซ้ายของวิชวลเพื่อเรียงลำดับฟองตามจำนวนครั้งแรกแทนที่ผลกระทบ ชนิดการสมัครใช้งาน คือ Premier คือ ผู้มีอิทธิพลสูงสุดยึดตามตามจำนวน

การมีวงแหวนแบบเต็มรอบวงกลมหมายความว่าผู้มีอิทธิพลนั้นประกอบด้วยข้อมูล 100% คุณสามารถเปลี่ยนชนิดจำนวนให้สัมพันธ์กับผู้มีอิทธิพลสูงสุดได้โดยใช้รายการเลือกแบบดึงลง ชนิดจำนวน ใน การ์ดการวิเคราะห์ ของบานหน้าต่างการจัดรูปแบบ ตอนนี้ผู้มีอิทธิพลที่มีจำนวนข้อมูลมากที่สุดจะถูกแสดงด้วยวงแหวนแบบเต็มและจำนวนอื่น ๆ ทั้งหมดจะสัมพันธ์กับมัน

วิเคราะห์เมตริกที่เป็นตัวเลข

หากคุณย้ายเขตข้อมูลตัวเลขที่ไม่ได้สรุปไปยังเขตข้อมูล การวิเคราะห์ คุณสามารถเลือกวิธีการจัดการสถานการณ์นั้น คุณสามารถเปลี่ยนลักษณะการทำงานของภาพวิชวลโดยการเข้าไปที่ บานหน้าต่างการจัดรูปแบบ และการสลับไปมาระหว่าง ประเภทการวิเคราะห์ตามประเภท และ ประเภทการวิเคราะห์แบบต่อเนื่อง ได้

ประเภทการวิเคราะห์ตามประเภท จะมีลักษณะการทำงานตามที่อธิบายไว้ข้างต้น เช่น ถ้าคุณกำลังดูคะแนนการสำรวจตั้งแต่ 1 ถึง 10 คุณสามารถสอบถามว่า “สิ่งใดที่มีผลทำให้คะแนนการสำรวจได้ 1 คะแนน”

ประเภทการวิเคราะห์แบบต่อเนื่อง จะเปลี่ยนคำถามเป็นคำถามแบบต่อเนื่อง ในตัวอย่างด้านบน คำถามใหม่ของเราจะเป็น “สิ่งใดที่มีผลทำให้คะแนนการสำรวจเพิ่มขึ้น/ลดลง”

ความแตกต่างนี้จะมีประโยชน์มากเมื่อคุณมีหลายค่าที่ไม่ซ้ำกันในเขตข้อมูลคุณกำลังวิเคราะห์อยู่นั้น ในตัวอย่างด้านล่าง เราดูที่บ้านราคา ซึ่งไม่มีความหมายมากนักที่จะถามว่า “สิ่งใดที่มีผลทำให้ราคาบ้านเท่ากับ 156,214” เนื่องจากคำถามดังกล่าวมีลักษณะที่เฉพาะเจาะจงมาก และเราไม่มีข้อมูลเพียงพอที่จะอนุมานรูปแบบได้

แต่เราอาจต้องการถามว่า “สิ่งใดที่มีผลทำให้ราคาบ้านเพิ่มขึ้น” ซึ่งช่วยให้เราสามารถกำหนดราคาบ้านเป็นช่วง ๆ แทนค่าที่เฉพาะเจาะจง

ตีความผลลัพธ์: ผู้มีอิทธิพลที่สำคัญ

ในสถานการณ์นี้ เรามาดูว่า “สิ่งใดที่มีผลทำให้ราคาบ้านเพิ่มขึ้น” เราจะมาดูจำนวนปัจจัยการอธิบายที่อาจส่งผลต่อราคาในบ้านเช่น ปีที่สร้าง (ปีที่สร้างบ้าน), KitchenQual (คุณภาพของห้องครัว) และ YearRemodAdd (ปีที่ปรับปรุงบ้าน)

ในตัวอย่างด้านล่าง เราจะดูที่ผู้มีอิทธิพลสูงสุดของเราซึ่งห้องครัวมีคุณภาพดีเยี่ยม ผลลัพธ์จะคล้ายมากกับที่เราเห็นเมื่อเราได้วิเคราะห์เมตริกตามประเภทด้วยความแตกต่างที่สำคัญสองสามประการได้แก่:

• แผนภูมิคอลัมน์ทางด้านขวาแสดงค่าเฉลี่ยแทนเปอร์เซ็นต์ ดังนั้นจึงแสดงให้เราเห็นราคาบ้านโดยเฉลี่ยของบ้านพร้อมห้องครัวที่คุณภาพดี (แถบสีเขียว) เทียบกับราคาบ้านโดยเฉลี่ยของบ้านที่ไม่มีห้องครัวที่คุณภาพดี (เส้นประ)
• ตัวเลขในแผนภูมิฟองยังคงความแตกต่างระหว่างเส้นประสีแดงและแถบสีเขียว แต่จะแสดงเป็นตัวเลข ($158 49K) แทนความน่าเป็น (1.93 x) ดังนั้นโดยเฉลี่ยแล้ว บ้านพร้อมห้องครัวที่คุณภาพดีจะมีราคาเกือบ $160K แพงกว่าบ้านที่ไม่ห้องครัวที่คุณภาพดี

ในตัวอย่างด้านล่าง เราจะดูผลกระทบที่ปัจจัยแบบต่อเนื่อง (ปีที่ปรับปรุงบ้าน) มีต่อราคาบ้าน ความแตกต่างเมื่อเทียบกับวิธีที่เราวิเคราะห์ผู้มีอิทธิพลแบบต่อเนื่องสำหรับเมตริกตามประเภทมีดังนี้:

• แผนภูมิกระจายในบานหน้าต่างด้านขวาจะกำหนดราคาบ้านโดยเฉลี่ยสำหรับค่าที่เฉพาะเจาะจงแต่ละค่าของปีที่ปรับปรุง
• ค่าในแผนภูมิฟองจะแสดงตามจำนวนราคาบ้านโดยเฉลี่ยที่เพิ่มขึ้น (ในกรณีนี้คือ $2.87K) เมื่อจำนวนปีทีปรับปรุงบ้านเพิ่มขึ้นตามค่าเบี่ยงเบนมาตรฐาน (ในกรณีนี้คือ 20 ปี)

สุดท้าย ในกรณีของการวัด เราจะดูปีที่สร้างบ้านโดยเฉลี่ย การวิเคราะห์ในที่นี่จะเป็นดังนี้:

• แผนภูมิกระจายในบานหน้าต่างด้านขวาจะกำหนดราคาบ้านโดยเฉลี่ยสำหรับค่าที่เฉพาะเจาะจงแต่ละค่าในตาราง
• ค่าในแผนภูมิฟองจะแสดงตามจำนวนราคาบ้านโดยเฉลี่ยที่เพิ่มขึ้น (ในกรณีนี้คือ $1.35K) เมื่อจำนวนปีโดยเฉลี่ยเพิ่มขึ้นตามค่าเบี่ยงเบนมาตรฐาน (ในกรณีนี้คือ 30 ปี)

ตีความผลลัพธ์: เซกเมนต์ด้านบน

เซกเมนต์ด้านบนสำหรับเป้าหมายที่เป็นตัวเลขแสดงกลุ่มที่มีราคาบ้านโดยเฉลี่ยสูงกว่าราคาบ้านในชุดข้อมูลโดยรวม ตัวอย่างเช่น ด้านล่างเราสามารถดูที่ เซกเมนต์ 1 คือบ้านซึ่ง GarageCars (จำนวนรถยนต์พอดีกับที่จอด) มีค่ามากกว่า 2 และ RoofStyle คือ Hip ได้ บ้านที่มีลักษณะดังกล่าวมีราคาเฉลี่ย $355K เมื่อเทียบกับค่าเฉลี่ยโดยรวมในข้อมูลซึ่งเป็น $180K

วิเคราะห์เมตริกที่เป็นคอลัมน์หน่วยวัดหรือคอลัมน์สรุป

ในกรณีของคอลัมน์หน่วยวัดหรือคอลัมน์สรุปการวิเคราะห์ที่เป็นค่าเริ่มต้นเป็น ชนิดการวิเคราะห์อย่างต่อเนื่อง ดังที่อธิบายไว้ ด้านบน ซึ่งไม่สามารถเปลี่ยนแปลงได้ ความแตกต่างที่ใหญ่ที่สุดระหว่างการวิเคราะห์คอลัมน์หน่วยวัด/คอลัมน์สรุปและคอลัมน์ตัวเลขที่ไม่ได้สรุปคือ ระดับที่มีการเรียกใช้การวิเคราะห์

ในกรณีของคอลัมน์ที่ไม่ได้สรุป การวิเคราะห์จะเรียกใช้ในระดับตารางเสมอ ในตัวอย่างราคาบ้านข้างต้น เราวิเคราะห์เมตริก ราคาบ้าน เพื่อดูว่าสิ่งใดที่มีอิทธิพลต่อการเพิ่มขึ้น/ลดลงของราคาบ้าน การวิเคราะห์จะเรียกใช้ในระดับตารางโดยอัตโนมัติ ตารางของเรามี ID ที่ไม่ซ้ำกันสำหรับบ้านแต่ละหลังเพื่อให้การวิเคราะห์เรียกใช้ ณ ระดับบ้าน

สำหรับคอลัมน์หน่วยวัดและคอลัมน์สรุป เรายังไม่ทราบโดยทันทีว่าจะวิเคราะห์คอลัมน์เหล่านี้ระดับใด หาก ราคาบ้าน ได้รับการสรุปเป็น ค่าเฉลี่ย เราจะต้องพิจารณาว่าเราต้องการคำนวณราคาบ้านเฉลี่ยนี้ที่ระดับใด เป็นราคาบ้านเฉลี่ยในระดับใกล้เคียงหรือไม่ หรืออาจจะเป็นระดับภูมิภาคใช่หรือไม่

คอลัมน์หน่วยวัดและคอลัมน์สรุปจะได้รับการวิเคราะห์โดยอัตโนมัติที่ระดับของ อธิบายโดย เขตข้อมูลที่ใช้ ลองจินตนาการว่าเรามีสามเขตข้อมูลใน อธิบายโดย ที่เราสนใจ: คุณภาพห้องครัว ชนิดอาคาร และ เครื่องปรับอากาศ จะมีการคำนวณ ราคาบ้านเฉลี่ย สำหรับการรวมที่ไม่ซ้ำกันของเขตข้อมูลทั้งสามเหล่านั้น ซึ่งมักจะเป็นประโยชน์ในการสลับไปยังมุมมองแบบตารางเพื่อดูว่าข้อมูลที่ทำการประเมินมีลักษณะอย่างไร

การวิเคราะห์นี้ได้รับการสรุปมากมายและดังนั้นจึงเป็นเรื่องยากสำหรับแบบจำลองการถดถอยเพื่อค้นหารูปแบบใด ๆ ในข้อมูลที่แบบจำลองสามารถเรียนรู้ได้ เราควรเรียกใช้การวิเคราะห์ที่ระดับที่มีรายละเอียดมากขึ้นเพื่อให้ได้ผลลัพธ์ที่ดีขึ้น หากเราต้องการวิเคราะห์ราคาบ้านที่ระดับบ้าน เราจะต้องเพิ่มเขตข้อมูล ID ลงในการวิเคราะห์อย่างชัดเจน อย่างไรก็ตาม เราไม่ต้องการพิจารณาให้ ID ของบ้านเป็นผู้มีอิทธิพล ซึ่งไม่มีประโยชน์ที่จะเรียนรู้ว่าขณะที่ ID ของบ้านเพิ่มชึ้น ราคาของบ้านก็เพิ่มขึ้นด้วย นี่คือ ที่ ๆ ตัวเลือกแหล่งเขตข้อมูล ขยายโดย มาพร้อมประโยชน์ คุณสามารถใช้ ขยายโดย เพื่อเพิ่มเขตข้อมูลที่คุณต้องการใช้ในการตั้งค่าระดับของการวิเคราะห์โดยไม่ต้องค้นหาผู้มีอิทธิพลใหม่

ลองดูที่การแสดงภาพข้อมูลที่มีลักษณะเช่นเดียวกับครั้งที่เราเพิ่ม ID ไปยัง ขยายโดย หลังจากที่คุณได้กำหนดระดับที่คุณต้องการให้มีการประเมินผลหน่วยวัดของคุณ การแปลคำสั่งผู้มีอิทธิพลจะเหมือนกับคอลัมนตัวเลขที่ไม่ได้สรุป อย่างชัดเจน

หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับวิธีการที่คุณสามารถวิเคราะห์หน่วยวัดด้วยการแสดงภาพข้อมูลผู้มีอิทธิพลหลัก โปรดดูวิดีโอต่อไปนี้ หากต้องการเรียนรู้วิธีที่ Power BI ใช้ ML.NET ที่อยู่เบื้องหลังฉากเพื่อเหตุผลในข้อมูลเชิงลึกและพื้นผิวในลักษณะที่เป็นธรรมชาติ โปรดดู Power BI ระบุอิทธิพลที่สำคัญโดยใช้ ML.NET

ข้อควรพิจารณาและการแก้ไขปัญหา

ข้อจำกัดสำหรับวิชวลคืออะไร

วิชวลของผู้มีอิทธิพลหลักมีข้อจำกัดบางอย่าง:

• ไม่สนับสนุน Direct Query
• การเชื่อมต่อสดไปยัง Azure Analysis Services และ SQL Server Analysis Services ไม่ได้รับการสนับสนุน
• ไม่รองรับการเผยแพร่บนเว็บ
• จำเป็นต้องมี .NET Framework 4.6 หรือสูงกว่า
• การฝัง SharePoint Online ยังไม่ได้รับการสนับสนุน

ฉันเห็นข้อผิดพลาดเนื่องจากไม่พบผู้มีอิทธิพลหรือเซกเมนต์ เหตุใดจึงเป็นเช่นนั้น

ข้อผิดพลาดนี้เกิดขึ้นเมื่อคุณได้รวมเขตข้อมูลใน อธิบายโดย แต่ไม่พบผู้มีอิทธิพล

• คุณได้รวมเมตริกที่คุณกำลังวิเคราะห์ทั้งใน การวิเคราะห์ และ อธิบายโดย เอาเมตริกออกจาก อธิบายโดย
• เขตข้อมูลการอธิบายของคุณมีหมวดหมู่มากเกินไปโดยมีข้อสังเกตเพียงเล็กน้อย สถานการณ์นี้ทำให้ยากสำหรับการแสดงภาพข้อมูลเพื่อกำหนดปัจจัยที่เป็นผู้มีอิทธิพล ซึ่งเป็นการยากที่จะลงความเห็นตามข้อสังเกตเพียงสองสามข้อ ถ้าคุณกำลังวิเคราะห์เขตข้อมูลตัวเลข คุณอาจต้องการสลับจาก การวิเคราะห์ตามประเภท เป็น การวิเคราะห์แบบต่อเนื่อง ใน บานหน้าต่างการจัดรูปแบบ ภายใต้การ์ด การวิเคราะห์
• ปัจจัยการอธิบายของคุณมีจำนวนข้อสังเกตเพียงพอที่จะลงความเห็น แต่การสร้างภาพข้อมูลไม่พบความสัมพันธ์ที่มีความหมายใด ๆ ต่อรายงาน

ฉันเห็นข้อผิดพลาดซึ่งเมตริกที่ฉันกำลังวิเคราะห์มีข้อมูลไม่เพียงพอที่จะทำการวิเคราะห์ เหตุใดจึงเป็นเช่นนั้น

การแสดงภาพข้อมูลจะทำงานโดยดูที่รูปแบบในข้อมูลสำหรับกลุ่มหนึ่งเปรียบเทียบกับกลุ่มอื่น ตัวอย่างเช่น จะค้นหาลูกค้าที่ให้คะแนนต่ำเมื่อเปรียบเทียบกับลูกค้าทีให้คะแนนสูง หากข้อมูลในแบบจำลองของคุณมีข้อสังเกตสองสามข้อ จึงเป็นเรื่องยากที่จะค้นหา หากการแสดงภาพข้อมูลไม่มีข้อมูลเพียงพอที่จะค้นหาผู้มีอิทธิพลที่มีความหมาย แสดงว่าจำเป็นต้องใช้ข้อมูลเพิ่มเติมเพื่อทำการวิเคราะห์

เราขอแนะนำว่าคุณมีข้อสังเกตอย่างน้อย 100 ข้อสำหรับสถานะเลือกไว้ ในกรณีนี้ สถานะคือลูกค้าทียกเลิกบริการ นอกจากนี ้คุณยังต้องมีข้อสังเกตอย่างน้อย 10 ข้อสำหรับสถานะที่คุณใช้สำหรับการเปรียบเทียบ ในกรณีนี้ สถานะการเปรียบเทียบคือลูกค้าที่ไม่ยกเลิกบริการ

ถ้าคุณกำลังวิเคราะห์เขตข้อมูลตัวเลข คุณอาจต้องการสลับจาก การวิเคราะห์ตามประเภท เป็น การวิเคราะห์แบบต่อเนื่อง ใน บานหน้าต่างการจัดรูปแบบ ภายใต้การ์ด การวิเคราะห์

ฉันเห็นข้อผิดพลาดที่เมื่อ ' วิเคราะห์ ' ไม่ได้รับการสรุป การวิเคราะห์จะเรียกใช้ที่ระดับแถวของตารางหลักเสมอ ไม่อนุญาตให้เปลี่ยนระดับนี้ผ่านเขตข้อมูล 'ขยายโดย' เหตุใดจึงเป็นเช่นนั้น

เมื่อทำการวิเคราะห์คอลัมน์ตัวเลขหรือคอลัมนจัดกลุ่ม การวิเคราะห์จะเรียกใช้ในระดับตารางเสมอ ตัวอย่างเช่น หากคุณกำลังวิเคราะห์ราคาบ้านและตารางของคุณประกอบด้วยคอลัมน์ ID การวิเคราะห์จะเรียกใช้โดยอัตโนมัติที่ระดับ ID บ้าน

เมื่อคุณกำลังวิเคราะห์คอลัมน์หน่วยวัดหรือคอลัมน์สรุป คุณต้องระบุว่าคุณต้องการให้การวิเคราะห์เรียกใช้ที่ระดับใด คุณสามารถใช้ ขยายโดย เพื่อเปลี่ยนระดับของการวิเคราะห์สำหรับคอลัมน์หน่วยวัดและคอลัมน์สรุปโดยไม่ต้องเพิ่มผู้มีอิทธิพลใหม่ หาก ราคาบ้าน ได้รับการกำหนดเป็นหน่วยวัด คุณสามารถเพิ่มคอลัมน์ ID บ้านไปยังเขตข้อมูล ขยายโดย เพื่อเปลี่ยนระดับการวิเคราะห์ได้

ฉันเห็นข้อผิดพลาดว่าเขตข้อมูลใน อธิบายโดย ไม่เกี่ยวข้องกับตารางที่มีเมตริกที่ฉันกำลังวิเคราะห์โดยเฉพาะ เหตุใดจึงเป็นเช่นนั้น

การวิเคราะห์จะทำงานในระดับตารางของเขตข้อมูลที่กำลังวิเคราะห์ ตัวอย่างเช่น หากคุณวิเคราะห์ความคิดเห็นของลูกค้าสำหรับบริการของคุณ คุณอาจมีตารางที่บอกคุณว่าลูกค้าให้คะแนนสูงหรือต่ำ ในกรณีนี้ การวิเคราะห์ของคุณจะทำงานที่ระดับตารางลูกค้า

หากคุณมีตารางที่เกี่ยวข้องซึ่งกำหนดไว้ในระดับที่ละเอียดมากกว่าตารางที่มีเมตริกของคุณ คุณจะพบข้อผิดพลาดนี้ ตัวอย่างมีดังนี้:

• คุณจะต้องวิเคราะห์สิ่งที่มีผลทำให้ลูกค้าให้คะแนนการบริการของคุณต่ำ
• คุณต้องการดูว่าอุปกรณ์ที่ลูกค้าใช้บริการมีผลต่อการรีวิวที่พวกเขาให้หรือไม่
• ลูกค้าสามารถใช้บริการได้หลายวิธีที่แตกต่างกัน
• ในตัวอย่างต่อไปนี้ ลูกค้า 10000000 รายใช้ทั้งเบราว์เซอร์และแท็บเล็ตเพื่อโต้ตอบกับบริการ

หากคุณพยายามใช้คอลัมน์อุปกรณ์เป็นปัจจัยการอธิบาย คุณจะเห็นข้อผิดพลาดต่อไปนี้:

ข้อผิดพลาดนี้ปรากฏขึ้นเนื่องจากอุปกรณ์ไม่ได้ถูกกำหนดไว้ในระดับลูกค้า ลูกค้าหนึ่งรายสามารถใช้บริการได้บนหลายอุปกรณ์ สำหรับการแสดงภาพข้อมูลเพื่อหารูปแบบ อุปกรณ์ต้องเป็นแอตทริบิวต์ของลูกค้า มีวิธีแก้ไขปัญหาหลากหลาย ทั้งนี้ขึ้นอยู่กับความเข้าใจเกี่ยวกับธุรกิจของคุณ:

• คุณสามารถเปลี่ยนการสรุปอุปกรณ์เป็นการนับ ตัวอย่างเช่น ใช้การนับถ้าจำนวนอุปกรณ์อาจส่งผลต่อคะแนนที่ลูกค้าให้
• คุณสามารถหมุนคอลัมน์อุปกรณ์เพื่อดูว่าการใช้บริการบนอุปกรณ์เฉพาะนั้นมีผลต่อการให้คะแนนของลูกค้าหรือไม่

ในตัวอย่างนี้ ข้อมูลจะถูกควบคุมการแสดงผลอย่างสั้นเพื่อสร้างคอลัมน์ใหม่สำหรับเบราว์เซอร์ อุปกรณ์เคลื่อนที่ และแท็บเล็ต (ตรวจสอบให้แน่ใจว่าคุณได้ลบและสร้างความสัมพันธ์ของคุณในมุมมองการสร้างแบบจำลองใหม่หลังจากการควบคุมการแสดงผลของข้อมูลอย่างสั้น) ตอนนี้คุณสามารถใช้อุปกรณ์เฉพาะเหล่านี้ใน อธิบายโดย ได้ อุปกรณ์ทั้งหมดกลายเป็นผู้มีอิทธิพล และเบราว์เซอร์มีผลกระทบต่อคะแนนของลูกค้ามากที่สุด

แม่นยำยิ่งขึ้น ลูกค้าที่ไม่ได้ใช้เบราว์เซอร์เพื่อใช้บริการมีแนวโน้มที่จะให้คะแนนต่ำกว่าลูกค้าที่ใช้ 3.79 เท่า เมื่อลดรายการสำหรับมือถือลง การผกผันจะเป็นจริง ลูกค้าที่ใช้แอปมือถือมีแนวโน้มที่จะให้คะแนนต่ำกว่าลูกค้าที่ไม่ได้ใช้

ฉันเห็นคำเตือนว่าการวัดไม่ได้รวมอยู่ในการวิเคราะห์ของฉัน เหตุใดจึงเป็นเช่นนั้น

การวิเคราะห์จะทำงานในระดับตารางของเขตข้อมูลที่กำลังวิเคราะห์ หากคุณวิเคราะห์การเลิกใช้บริการของลูกค้า คุณอาจมีตารางที่บอกคุณว่าลูกค้าเลิกใช้บริการหรือไม่ ในกรณีนี้ การวิเคราะห์ของคุณจะทำงานที่ระดับตารางลูกค้า

การวัดและผลรวมจะถูกวิเคราะห์ตามค่าเริ่มต้นที่ระดับตารางนั้น หากมีการวัดสำหรับค่าใช้จ่ายรายเดือนเฉลี่ย ระบบจะวิเคราะห์ในระดับตารางลูกค้า

หากตารางลูกค้าไม่มีตัวระบุที่ไม่ซ้ำกัน คุณจะไม่สามารถประเมินการวัดได้และจะถูกละเว้นโดยการวิเคราะห์ เมื่อต้องการหลีกเลี่ยงเหตุการณ์เช่นนี้ ให้แน่ใจว่าตารางที่มีเมตริกของคุณมีตัวระบุที่ไม่ซ้ำกัน ในกรณีนี้ ตารางลูกค้าและตัวระบุที่ไม่ซ้ำกันคือ ID ลูกค้า นอกจากนี้ ยังง่ายต่อการเพิ่มคอลัมน์ดัชนีโดยใช้ Power Query

ฉันเห็นคำเตือนว่าเมตริกที่ฉันกำลังวิเคราะห์มีค่ามากกว่า 10 ค่าที่ไม่ซ้ำกันและจำนวนนี้อาจส่งผลกระทบต่อคุณภาพการวิเคราะห์ของฉัน เหตุใดจึงเป็นเช่นนั้น

การแสดงภาพข้อมูล AI สามารถวิเคราะห์เขตข้อมูลตามประเภทและเขตข้อมูลตัวเลข ในกรณีของเขตข้อมูลตามประเภท ตัวอย่างอาจเป็น Churn ใช่หรือไม่ และความพึงพอใจของลูกค้าอาจสูง ปานกลาง หรือต่ำได้ การเพิ่มจำนวนประเภทเพื่อวิเคราะห์หมายความว่ามีข้อสังเกตน้อยลงสำหรับแต่ละประเภท สถานการณ์นี้ทำให้ยุ่งยากมากขึ้นในการแสดงภาพข้อมูลเพื่อค้นหารูปแบบในข้อมูล

เมื่อทำการวิเคราะห์เขตข้อมูลตัวเลข คุณจะมีตัวเลือกในระหว่างการจัดการเขตข้อมูลตัวเลขเช่น ข้อความ ในกรณีที่คุณจะเรียกใช้การวิเคราะห์เดียวกันกับที่คุณดำเนินการสำหรับข้อมูลตามประเภท (การวิเคราะห์ตามประเภท) ถ้าคุณมีค่าที่เฉพาะเจาะจงจำนวนมาก เราขอแนะนำให้คุณสลับการวิเคราะห์เป็น การวิเคราะห์แบบต่อเนื่อง ซึ่งหมายความว่าเราสามารถอนุมานรูปแบบจากเมื่อตัวเลขเพิ่มขึ้นหรือลดลงแทนการจัดการตัวเลขเหล่านั้นในรูปแบบค่าที่เฉพาะเจาะจง คุณสามารถสลับจาก การวิเคราะห์ตามประเภท เป็น การวิเคราะห์แบบต่อเนื่อง ใน บานหน้าต่างการจัดรูปแบบ ภายใต้การ์ด การวิเคราะห์

หากต้องการค้นหาผู้มีอิทธิพลที่แข็งแกร่ง เราแนะนำให้จัดกลุ่มค่าที่คล้ายกันไว้ในหน่วยเดียว ตัวอย่างเช่น หากคุณมีเมตริกสำหรับราคา คุณจะได้ผลลัพธ์ที่ดีขึ้นโดยการจัดกลุ่มราคาที่คล้ายกัน เช่น กลุ่มราคาสูง กลุ่มราคาปานกลาง และกลุ่มราคาต่ำเทียบกับการเลือกใช้จุดราคาแต่ละจุด

มีปัจจัยในข้อมูลของฉันที่ดูเหมือนว่าปัจจัยดังกล่าวควรจะเป็นผู้มีอิทธิพลหลัก แต่ว่าไม่ใช่ สถานการณ์เช่นนั้นเกิดขึ้นได้อย่างไร

ในตัวอย่างต่อไปนี้ ลูกค้าที่เป็นผู้บริโภคมีผลต่อการให้คะแนนต่ำ โดยให้คะแนน 14.93% ซึ่งถือว่าต่ำ บทบาทของผู้ดูแลระบบยังมีสัดส่วนสูงในการให้คะแนนต่ำ 13.42% แต่ไม่ถือว่าเป็นผู้มีอิทธิพล

เหตุผลในการพิจารณานี้คือการแสดงภาพข้อมูลนั้นคำนึงถึงจำนวนของจุดข้อมูลด้วยเมื่อค้นหาผู้มีอิทธิพล ตัวอย่างต่อไปนี้มีลูกค้ามากกว่า 29,000 คน และมีผู้ดูแลระบบน้อยกว่า 10 เท่า ประมาณ 2,900 คน มีเพียง 390 คนเท่านั้นที่ให้คะแนนต่ำ ภาพวิชวลนั้นไม่มีข้อมูลเพียงพอที่จะพิจารณาว่าเป็นรูปแบบที่มีการให้คะแนนโดยผู้ดูแลระบบหรือเป็นเพียงการค้นหาโอกาสเท่านั้น

ขีดจำกัดจุดข้อมูลสำหรับผู้มีอิทธิพลหลักคืออะไร เราเรียกใช้การวิเคราะห์เกี่ยวกับตัวอย่างของจุดข้อมูล 10,000 รายการ ฟองอากาศด้านหนึ่งแสดงถึงผู้มีอิทธิพลทั้งหมดที่พบ แผนภูมิคอลัมน์และ scatterplots ในอีกด้านหนึ่งจะปฏิบัติตามกลยุทธ์การสุ่มตัวอย่างสำหรับวิชวลหลักเหล่านั้น

คุณจะคำนวณผู้มีอิทธิพลหลักสำหรับการวิเคราะห์ตามประเภทได้อย่างไร

ในเบื้องหลัง การแสดงภาพข้อมูล AI จะใช้ ML.NET เพื่อประมวลผลการถดถอยโลจิสติกส์เพื่อคำนวณผู้มีอิทธิพลหลัก การถดถอยโลจิสติกเป็นรูปแบบทางสถิติที่เปรียบเทียบกลุ่มที่แตกต่างกัน

หากคุณต้องการเห็นสิ่งที่มีผลต่อการให้คะแนนต่ำ การถดถอยโลจิสติกส์จะพิจารณาว่าลูกค้าที่ให้คะแนนต่ำแตกต่างจากลูกค้าที่ให้คะแนนสูงอย่างไร หากคุณมีหลายหมวดหมู่เช่น คะแนนสูง คะแนนปานกลาง และคะแนนต่ำ คุณจะต้องพิจารณาว่าลูกค้าที่ให้คะแนนต่ำแตกต่างจากลูกค้าที่ไม่ได้ให้คะแนนต่ำอย่างไร ในกรณีน ี้ลูกค้าที่ให้คะแนนต่ำแตกต่างจากลูกค้าที่ให้คะแนนสูงหรือคะแนนปานกลางอย่างไร

การถดถอยโลจิสติกจะค้นหารูปแบบในข้อมูลและค้นหาว่าลูกค้าที่ให้คะแนนต่ำอาจแตกต่างจากลูกค้าที่ให้คะแนนสูงอย่างไร ตัวอย่างเช่น อาจพบว่าลูกค้าที่มีตั๋วการสนับสนุนมากกว่าจะให้คะแนนต่ำกว่าลูกค้าที่มีตั๋วการสนับสนุนน้อยหรือไม่มีเลย

การถดถอยโลจิสติกส์ยังคำนึงถึงจำนวนจุดข้อมูลที่มีอยู่ด้วย ตัวอย่างเช่น หากลูกค้าที่มีบทบาทผู้ดูแลระบบให้คะแนนติดเชิงลบมากกว่าตามสัดส่วน แต่มีผู้ดูแลระบบเพียงไม่กี่คน ปัจจัยนี้ไม่ถือว่ามีอิทธิพล การกำหนดนี้เกิดขึ้นเนื่องจากมีจุดข้อมูลไม่เพียงพอที่จะอนุมานรูปแบบ การทดสอบทางสถิติหรือที่รู้จักกันในชื่อการทดสอบ Wald นั้นใช้เพื่อพิจารณาว่าปัจจัยใดที่ถือว่าเป็นผู้มีอิทธิพล ภาพวิชวลใช้ค่า p เป็น 0.05 เพื่อกำหนดเกณฑ์

คุณจะคำนวณผู้มีอิทธิพลหลักสำหรับการวิเคราะห์เชิงตัวเลขได้อย่างไร

ในเบื้องหลัง การแสดงภาพข้อมูล AI จะใช้ ML.NET เพื่อประมวลผลการถดถอยเชิงเส้นเพื่อคำนวณผู้มีอิทธิพลหลัก การถดถอยเชิงเส้นเป็นแบบจำลองเชิงสถิติที่พิจารณาว่าผลลัพธ์ของเขตข้อมูลที่คุณกำลังวิเคราะห์มีการเปลี่ยนแปลงตามปัจจัยการอธิบายของคุณอย่างไร

ตัวอย่างเช่น ถ้าเราวิเคราะห์ราคาบ้าน การถดถอยเชิงเส้นจะมีผลต่อการมีห้องครัวที่ดีเยี่ยมจะมีผลต่อราคาบ้าน บ้านที่มีห้องครัวที่ดีเยี่ยมมักมีราคาบ้านที่ต่ำกว่าหรือสูงกว่าเมื่อเทียบกับบ้านที่ไม่มีห้องครัวที่ดีเยี่ยมใช่หรือไม่

การถดถอยเชิงเส้นยังพิจารณาจำนวนของจุดข้อมูลด้วย ตัวอย่างเช่น หากบ้านที่มีสนามเทนนิสมีราคาสูงกว่า แต่เรามีบ้านสองสามหลังที่มีสนามเทนนิส ปัจจัยนี้จะไม่ถือว่ามีอิทธิพล การกำหนดนี้เกิดขึ้นเนื่องจากมีจุดข้อมูลไม่เพียงพอที่จะอนุมานรูปแบบ การทดสอบทางสถิติหรือที่รู้จักกันในชื่อการทดสอบ Wald นั้นใช้เพื่อพิจารณาว่าปัจจัยใดที่ถือว่าเป็นผู้มีอิทธิพล ภาพวิชวลใช้ค่า p เป็น 0.05 เพื่อกำหนดเกณฑ์

คุณคำนวณกลุ่มอย่างไร

ในเบื้องหลัง การแสดงภาพข้อมูล AI ใช้ML.NETเพื่อเรียกใช้แผนภูมิการตัดสินใจเพื่อค้นหากลุ่มย่อยที่น่าสนใจ วัตถุประสงค์ของแผนภูมิการตัดสินใจคือการจบด้วยกลุ่มย่อยของจุดข้อมูลที่ค่อนข้างสูงในเมตริกที่คุณสนใจ ซึ่งอาจเป็นลูกค้าที่ให้คะแนนต่ำหรือบ้านที่มีราคาสูง

แผนภูมิการตัดสินใจใช้ปัจจัยการอธิบายแต่ละตัวและพยายามหาเหตุผลว่าปัจจัยใดที่มี การแยก ที่ดีที่สุด ตัวอย่างเช่น หากคุณกรองข้อมูลเพื่อรวมเฉพาะลูกค้าองค์กรขนาดใหญ่จะแยกลูกค้าที่ให้คะแนนสูงกับคะแนนต่ำหรือไม่ หรืออาจจะดีกว่าถ้ากรองข้อมูลเพื่อรวมเฉพาะลูกค้าที่แสดงความคิดเห็นเกี่ยวกับความปลอดภัยเท่านั้นใช่หรือไม่

หลังจากทำการแบ่งแผนภูมิการตัดสินใแล้ว ระบบจะใช้กลุ่มย่อยของข้อมูลและกำหนดการแยกที่ดีที่สุดในลำดับถัดไปสำหรับข้อมูลนั้น ในกรณีนี้ กลุ่มย่อยคือลูกค้าที่แสดงข้อคิดเห็นเกี่ยวกับความปลอดภัย หลังจากการแยกแต่ละครั้ง ระบบจะพิจารณาว่ามีจุดข้อมูลเพียงพอหรือไม่สำหรับกลุ่มนี้ที่จะเป็นตัวแทน ซึ่งเพียงพอที่จะอนุมานรูปแบบหรืออาจเป็นความผิดปกติของข้อมูลและไม่ใช่เซกเมนต์จริงหรือไม่ ใช้การทดสอบทางสถิติอื่นเพื่อตรวจสอบนัยสำคัญทางสถิติของเงื่อนไขการแยกด้วยค่า p เท่ากับ 0.05

หลังจากแผนภูมิการตัดสินใจทำงานเสร็จสิ้น ระบบจะใช้การแยกทั้งหมดเช่น ความคิดเห็นด้านความปลอดภัยและองค์กรขนาดใหญ่ รวมถึงสร้างตัวกรอง Power BI มีการรวมแพคเกจชุดตัวกรองเป็นกลุ่มในภาพวิชวล

เหตุใดปัจจัยบางอย่างจึงกลายเป็นผู้มีอิทธิพลหรือหยุดการเป็นผู้มีอิทธิพลเมื่อฉันย้ายเขตข้อมูลไปที่ อธิบายโดย

การแสดงภาพข้อมูลประเมินปัจจัยอธิบายทั้งหมดเข้าด้วยกัน ปัจจัยอาจเป็นผู้มีอิทธิพลด้วยตัวเอง แต่เมื่อพิจารณาด้วยปัจจัยอื่น ๆ อาจไม่เป็นเช่นนั้น สมมติว่าคุณต้องการวิเคราะห์สิ่งที่ทำให้ราคาบ้านสูงด้วยห้องนอนและขนาดบ้านเป็นปัจจัยการอธิบาย:

• โดยตัวเองแล้ว การมีห้องนอนมากขึ้นอาจเป็นตัวผลักดันให้ราคาบ้านสูงขึ้น
• การรวมขนาดบ้านในการวิเคราะห์หมายความว่าตอนนี้คุณจะต้องพิจารณาว่าเกิดอะไรขึ้นกับห้องนอนในขณะที่ขนาดบ้านยังคงไม่เปลี่ยนแปลง
• หากบ้านมีขนาดคงที่ 1,500 ตารางฟุต ไม่น่าเป็นไปได้ที่การเพิ่มจำนวนห้องนอนมากขึ้นอย่างต่อเนื่องจะเพิ่มราคาบ้านอย่างมาก
• ห้องนอนอาจไม่สำคัญเท่าปัจจัยก่อนที่จะพิจารณาขนาดบ้าน

การแชร์รายงานของคุณกับผู้ร่วมงาน Power BI กำหนดให้คุณต้องมีสิทธิ์การใช้งาน Power BI Pro แต่ละรายการ หรือรายงานจะถูกบันทึกในความจุแบบพรีเมียม ดู การแชร์รายงาน

ขั้นตอนถัดไป

• แผนภูมิผสมใน Power BI
• ชนิดการแสดงภาพใน Power BI
• วิธีการที่ Power BI ใช้ ML.NET เพื่อระบุอิทธิพลที่สำคัญ