Power BI 高级分析功能教程

Power BI 视觉对象的分析窗格

Power BI Desktop 中的一些视觉对象可以通过“分析”窗格添加动态参考线。需要注意的是，并非所有视觉对象都提供所有选项，且某些视觉对象（如折线与簇状柱形图等组合图表）在分析窗格中没有可用选项。

您可以为视觉对象添加的动态线类型包括：

• 常数线（以及分别针对 x 轴与 y 轴的常数线选项）
• 最大值线
• 最小值线
• 平均值线
• 中位数线
• 百分位线
• 对称阴影
• 趋势线
• 预测

这些动态线对为视觉对象添加上下文尤其有用，有助于用户更快地提取有用洞察。例如，假设您有一个按国家显示销售额的簇状条形图。通过添加平均值线，您可以快速判断哪些国家的表现高于或低于平均水平，从而为后续决策提供依据。

我发现平均值线与趋势线最为实用。下面我们来看看如何将它们添加到图表中。

在 Power BI 中为图表添加平均值线

本示例中，我们将在一个按产品显示机会总价值的簇状条形图中添加平均值线。首先，选择“分析”图标；然后在“平均值线”下点击“添加线”。您可以按需自定义线条外观，也可以保持默认。

在下方图表中，我们可以看到从平板到网络摄像头这些产品的表现均低于平均水平。公司可以决定淘汰部分表现最差的产品，或加强营销以提升销售。为图表添加平均值线能更容易地识别出需要做出此类决策的地方。

在 Power BI 中为图表添加趋势线

本示例中，我们将在一个折线图中添加趋势线，以显示机会总价值随时间的变化。首先，选择“分析”图标。如果您的时间序列图表兼容，系统会提供添加趋势线的选项。与平均值线类似，您可以通过颜色、线型等简单选项自定义趋势线的外观。

在下方示例中，我们可以看到销售额随时间呈下降趋势。趋势线有助于进行短期预测。如果您了解数据的大致趋势，就能更好地估计未来可能的数值。没有这些信息时，人的注意力往往只会停留在每日销售的剧烈波动上，而难以得出有意义的结论。

在 Power BI 视觉对象中使用“假设参数”

Power BI 的“假设参数”功能允许您创建用于预测的自定义“假设”情景。例如，一家公司可能观察到销售额年年增长 10%。然而，如果他们希望为接下来几个月或一年的不同增长率做预测，并观察这将如何影响 Power BI 报告中的 KPI，该如何快速实现？他们可以使用“假设参数”。

在本教程中，我们将添加一个“假设参数”，以便动态调整机会价值预测的增长率。我们将通过一个折线图来可视化其影响，图中包含实际值以及未来 3 个月的机会价值预测。

要添加“假设参数”，请从功能区选择“建模”选项卡，然后选择“新参数”。弹出的对话框中，我们可以输入参数名称（Opportunity Growth Rate）、数据类型（小数），以及参数的取值范围（从 -1 到 1，步长 0.01）。将默认值设为 0，因为当用户未选择值时，参数将取该默认值。

接下来，务必勾选“向页面添加切片器”选项，因为我们需要通过它来动态调整预测增长率。

本质上，该“假设参数”会创建一张表，其中包含该范围内所有单个取值的列。同时还会创建一个度量值，用于返回该表中被选中的值。我们将在计算机会价值预测时使用这一度量值。

要查看未来月份的预测效果，请创建一个日期表，既包含数据中的当前日期范围，也包含未来若干个月的日期。本示例中我们使用的预测时间段为 3 个月。

要计算预测销售额，我们需要创建一个包含以下 DAX 公式的度量值：

Opportunity Forecast = 

IF( MAX ( 'Opportunity Calendar'[Date] ) > DATE(2021, 09, 21), CALCULATE ( SUM ( Opportunities[Value] ), DATEADD ( 'Opportunity Calendar'[Date], -1, YEAR ) ) * ( 1+'Opportunity Growth Rate'[Opportunity Growth Rate Value] ), SUM ( Opportunities[Value] ) )

如果日期晚于我们数据集中最新日期（2021 年 9 月 21 日），该 DAX 公式将返回机会价值的预测值（在“假设参数”设定的机会增长率基础上增加）；否则将返回实际的机会价值。如果您将此DAX 公式应用于当下数据，需要将其中的 DATE(2021, 09, 21) 替换为 TODAY() 函数。

最后，我们可以将实际机会价值与该机会预测度量值一起添加到折线图中，使两条折线彼此重叠。将预测线的格式更改为虚线，以便清晰看到预测的起点。现在，您可以通过切片器动态调整增长率来改变预测结果。

AI 驱动功能

Power BI 在将更多 AI 驱动功能融入平台方面迈出了重要步伐。即使没有专业的数据科学培训，也能更轻松、更快速地发掘数据中的洞察。

异常检测

异常检测通过添加动态标记，能快速识别潜在问题或亮点。但它仅适用于时间序列折线图。其理念是算法会确定某个日期的期望值，然后基于置信区间判断实际值是否被视为异常。

在下方示例中，异常检测应用于随时间变化的营收图表。对于选定日期，实际营收为 R90k，而期望营收为 R82k，范围为 R79k - R85k。因此，这被视为异常。

关键影响因素

“关键影响因素”是一种可视化选项，用于显示在您指定的特征条件下，某一指标发生的可能性有多大。

在下方示例中，如果折扣提高 0.02，机会获得“Won”（赢单）状态的可能性将增加 2.76 倍。该结果通过视觉右侧的散点图进行展示。

“关键影响因素”视觉非常有助于比较多个特征的影响效果。这能更快揭示对指标最重要的驱动因素，并提示后续需要深入探索的方向。

分解树

分解树是一种可视化选项，允许您以层级方式排列特征，并在该层级的每一层展示指标的细分情况。

例如，下图从“销售机会”指标开始，依次细分为类别、产品，再到地区。通过这种方式，您可以看到销售在各层级要素中的分布，以及当前对销售贡献最大的要素。

如果您不确定某个指标的最佳细分方式，可以在该视觉的格式设置中使用名为“AI splits”的选项。启用后，您可以让 Power BI 基于相对其他要素能产生最高或最低值的标准，自动选择最佳要素进行添加。

上方图表是在层级每一层均选择“High value”（高值）后生成的。

智能叙述

“智能叙述”是一种可视化选项，会生成一个文本框，包含对数据关键观察的文字叙述。您可以轻松编辑和设置文本格式，以添加、删除或突出显示对用户最重要的部分。

该功能非常适合在演示或报告中快速添加关于数据的关键洞察。由于可以自定义叙述，您可以根据受众对其进行调整。

上下文相关洞察

这些洞察会根据图表或数据中的变化而有所不同。您可以生成的洞察类型包括：

• 解释增长
• 解释下降
• 查找分布存在差异的地方（通常用于比较类别的条形图与柱形图）。

在下方示例中，我们在一个略高于其余点的数值上右键单击；在“分析”部分会出现“解释增长”选项。

选择该选项后，系统会对数据集中许多特征进行详细分析，说明可能导致该增长的原因。所显示的图表通常为瀑布图，但您也可以从散点图、柱形图、折线图等其他可视化类型中进行选择。如果有任意图表引起您的注意并希望将其添加到报告中，只需单击图表右上角的加号图标即可。

当您需要快速生成洞察时，这些上下文洞察非常有价值。我经常使用该功能来定位需要进一步调查和分析的点，例如数据中的突然变化。这加速了我的数据探索过程，因为我无需从零开始。

结语

通过本教程中的工具，您将能够制作动态而强大的分析报告。掌握 Power BI 的高级技能，不仅能让您成为更高效的数据科学家，也能开启更广泛的职业可能性，因为 Power BI 是就业市场上最受欢迎的商业智能技能之一。如果您希望更深入学习 Power BI，欢迎查看我们的 Power BI 课程或职业加速的 Power BI 技能路径。