Erstellen von Visualisierungen für „Wichtige Einflussfaktoren“

Gilt für:✅ Power BI Desktop und Power BI-Dienst

Die Schlüssel-Influencer-Visualisierung hilft Ihnen, die Faktoren zu verstehen, die eine Metrik beeinflussen, die Sie interessiert. Es analysiert die Daten, erstellt eine Rangfolge für wichtige Faktoren und stellt diese dar. Angenommen, Sie möchten ermitteln, wodurch die Personalfluktuation oder Abwanderung beeinflusst wird. Faktoren können z. B. die Länge des Anstellungsvertrags oder die Anfahrtszeit des Mitarbeiters sein.

Dieser Artikel bietet eine Schritt-für-Schritt-Anleitung zur Verwendung des Schlüssel-Beitraggeber-Visuals in Power BI. Es wird erläutert, wie Sie das visuelle Element einrichten, die Ergebnisse interpretieren und häufige Probleme beheben. Wenn Sie verstehen möchten, welche Faktoren bestimmte Ergebnisse in Ihren Daten fördern , z. B. Kundenfeedback, Vertrieb oder andere Metriken, hilft Ihnen dieses Handbuch, umsetzbare Einblicke mithilfe der KI-basierten Analysetools von Power BI zu erhalten.

Wann empfiehlt sich die Verwendung des Visuals „Wichtige Einflussfaktoren“?

Das "Key Influencers"-Visual ist eine hervorragende Wahl, wenn Sie:

• Zur Übersicht über die Faktoren, die sich auf die analysierte Metrik auswirken.
• Stellen Sie die relative Wichtigkeit dieser Faktoren gegenüber. z. B. bei der Frage, ob Kurzzeitverträge sich stärker als Langzeitverträge auf die Fluktuation auswirken.

Features des Visuals „Wichtige Einflussfaktoren“

1. Registerkarten: Wählen Sie eine Registerkarte aus, und wechseln Sie zwischen Ansichten. Wichtige Influencer zeigen Ihnen die wichtigsten Mitwirkenden zum ausgewählten Metrikwert an. Die obersten Segmente zeigen die obersten Segmente an, die zum ausgewählten Metrikwert beitragen. Ein Segment besteht aus einer Kombination von Werten. Ein Segment kann beispielsweise Verbraucher sein, die langfristige Kunden sind und in der Westregion leben.

2. Dropdown-Menü: Der Wert der Metrik, die untersucht wird. Sehen Sie sich in diesem Beispiel die Metrik Rating an. Der ausgewählte Wert ist Niedrig.

3. Restatement: Es hilft Ihnen, die Visualisierung im linken Fenster zu interpretieren.

4. Linker Bereich: Der linke Bereich enthält ein visuelles Element. In diesem Fall zeigt der linke Bereich eine Liste der wichtigsten Einflussfaktoren.

5. Revision: unterstützt Sie beim Interpretieren des Visuals im rechten Bereich

6. Rechter Bereich: Der rechte Bereich enthält ein visuelles Element. In diesem Fall zeigt das Säulendiagramm alle Werte für das Schlüsselthema Einflussfaktoren an, das im linken Bereich ausgewählt wurde. Der spezifische Wert der Benutzerfreundlichkeit aus dem linken Bereich wird grün angezeigt. Alle anderen Werte für Design werden schwarz angezeigt.

7. Durchschnittliche Linie: Der Mittelwert wird für alle möglichen Werte für Thema mit Ausnahme von Benutzerfreundlichkeit (welche der ausgewählte Influencer ist) berechnet. Die Berechnung gilt also für alle schwarz dargestellten Werte. Es zeigt an, welcher Prozentsatz der anderen Themen eine niedrige Bewertung hatte. In diesem Fall hatten 11,35 % eine niedrige Bewertung (dargestellt durch die gepunktete Linie).

8. Kontrollkästchen: Filtert das visuelle Element im rechten Bereich, um nur Werte anzuzeigen, die als Einflussfaktoren für dieses Feld dienen.

Analysieren einer kategorischen Metrik

1. Wählen Sie im Bereich Visualisierungen unter Visualisierungen erstellen das Symbol Key Influencers aus.

   

2. Verschieben Sie die Metrik, die Sie untersuchen möchten, in das Feld "Analysieren ". Wählen Sie Kundentabelle>Bewertung aus, um zu sehen, was eine Kundenbewertung des Dienstes als niedrig antreibt.

3. Verschieben Sie die Felder, von denen Sie denken, dass sie die Bewertung beeinflussen könnten, in das Feld Erläutern nach. Sie können beliebig viele Felder verschieben. Beginnen Sie in diesem Beispiel mit den folgenden Feldern:

   • Land/Region
   • Role in Org (Rolle in der Organisation)
   • Subscription Type (Abonnementtyp)
   • Company Size (Unternehmensgröße)
   • Design

4. Lassen Sie das Feld Expand by leer. Dieses Feld wird nur beim Analysieren einer Maßnahme oder eines zusammengefassten Feldes verwendet.

5. Um sich auf die negativen Bewertungen zu konzentrieren, wählen Sie Niedrig im Dropdownfeld Einfluss auf die Bewertung aus.

   

Die Analyse wird auf Tabellenebene des entsprechenden Felds ausgeführt. In diesem Fall handelt es sich um die Bewertungsmetrik . Diese Metrik wird auf Kundenebene definiert. Jeder Kunde gibt entweder eine hohe oder eine niedrige Bewertung. Alle erläuternden Faktoren müssen auf Kundenebene definiert werden, damit das Visual sie verwenden kann.

Im obigen Beispiel weisen alle erläuternden Faktoren eine 1:1- oder eine n:1-Beziehung zur Metrik auf. In diesem Fall hat jeder Kunde seiner Bewertung ein einzelnes Thema zugewiesen. Gleichermaßen stammen die Kunden aus einem Land oder einer Region, weisen einen Mitgliedschaftstyp auf und haben eine Rolle in der Organisation inne. Bei den erläuternden Faktoren handelt es sich um bereits vorhandenen Attribute eines Kunden, sodass keine Transformation nötig ist. Das Visual kann sie direkt verwenden.

Im Verlauf des Tutorials werden komplexere Beispiele mit 1:n-Beziehungen behandelt. In solchen Fällen müssen Spalten zunächst auf Kundenebene aggregiert werden, bevor die Analyse ausgeführt werden kann.

Maße und Aggregate, die als erklärende Faktoren verwendet werden, werden auch auf Tabellenebene der Analyse-Metrik ausgewertet. Im weiteren Verlauf des Artikels finden Sie hierfür Beispiele.

Interpretieren von kategorischen wichtigen Einflussfaktoren

Sehen wir uns die wichtigsten Influencer für niedrige Bewertungen an.

Wichtigster Einzelaspekt, der höchstwahrscheinlich zu einer niedrigen Bewertung führt

Der Kunde in diesem Beispiel kann eine von drei Rollen haben: Consumer, Administrator oder Herausgeber. Konsument zu sein, ist der wichtigste Faktor, der zu einer niedrigen Bewertung beiträgt.

Genauer gesagt ist es 2,57-mal wahrscheinlicher, dass ein Verbraucher eine negative Bewertung zu Ihrem Dienst abgibt. Im Diagramm „Wichtige Einflussfaktoren“ wird Rolle in der Organisation ist Verbraucher auf der linken Seite ganz oben aufgeführt. Wenn Sie Rolle in der Organisation ist Verbraucher auswählen, werden im rechten Bereich von Power BI weitere Details angezeigt. Die vergleichende Wirkung der einzelnen Rollen auf die Wahrscheinlichkeit einer niedrigen Bewertung wird angezeigt.

• 14,93 % der Verbraucher geben eine niedrige Bewertung ab.
• Im Durchschnitt geben alle anderen Rollen in 5,78 % der Fälle eine niedrige Bewertung ab.
• Die Wahrscheinlichkeit, dass Verbraucher eine im Vergleich zu anderen Rollen niedrigere Bewertung abgeben, ist 2,57-mal höher. Dieser Wert kann ermittelt werden, indem Sie den grünen Balken durch die rot gestrichelte Linie dividieren.

Zweiter Einzelaspekt, der die Wahrscheinlichkeit einer niedrigen Bewertung beeinflusst

Mit dem Visual „Wichtige Einflussfaktoren“ können die Faktoren aus vielen verschiedenen Variablen verglichen und nach Rangfolge sortiert werden. Der zweitgrößte Einflussfaktor unterscheidet sich sehr von Rolle in der Organisation. Wählen Sie in der Liste den zweitgrößten Einflussfaktor aus: Thema ist gleich Benutzerfreundlichkeit.

Der zweite wichtigste Faktor ist mit dem Thema der Rezension des Kunden verbunden. Verbraucher, die Feedback zur Benutzerfreundlichkeit des Produkts abgegeben haben, haben 2,55-mal wahrscheinlicher eine schlechte Bewertung abgegeben als Kunden, die Feedback zu den Themen Zuverlässigkeit, Design oder Geschwindigkeit abgegeben haben.

Zwischen den Visualisierungen hat sich der durch die rot gestrichelte Linie dargestellte Durchschnitt von 5,78 % auf 11,35 % geändert. Der Durchschnittswert ist dynamisch, da er auf dem Durchschnitt aus allen anderen Werten basiert. Beim ersten Einflussfaktor wurde die Verbraucherrolle aus dem Durchschnitt ausgeschlossen. Beim zweiten Einflussfaktor wurde das Thema Benutzerfreundlichkeit ausgeschlossen.

Aktivieren Sie das Kontrollkästchen "Nur Werte anzeigen", die Influencer sind , um die Daten mit nur den einflussreichen Werten zu filtern. In diesem Beispiel sind sie die Rollen, die für eine niedrige Bewertung verantwortlich sind. Power BI reduziert 12 Themen auf die vier, die es als die Themen identifiziert hat, die zu niedrigen Bewertungen führen.

Interaktion mit anderen Visuals

Immer, wenn Sie einen Slicer, einen Filter oder ein anderes Visual im Zeichenbereich auswählen, führt das Visual für wichtige Einflussfaktoren die Analyse für die neu ausgewählten Daten erneut aus. Sie können beispielsweise die Unternehmensgröße in den Bericht verschieben und als Datenschnitt verwenden. Verwenden Sie es, um festzustellen, ob sich die wichtigen Einflussfaktoren für Unternehmenskunden von denen der restlichen Kunden unterscheiden. Die Unternehmensgröße eines Unternehmens liegt bei mehr als 50.000 Mitarbeitern.

Wählen Sie >50.000 aus, um die Analyse erneut auszuführen, und Sie können sehen, dass sich die Influencer geändert haben. Bei großen Unternehmenskunden ist das Thema Sicherheit der wichtigste Einflussfaktor für eine niedrige Bewertung. Möglicherweise möchten Sie weiter untersuchen, ob bestimmte Sicherheitsfeatures vorhanden sind, mit denen Ihre großen Kunden nicht zufrieden sind.

Interpretieren Sie kontinuierliche Schlüsseleinflussfaktoren

Bisher haben Sie gelernt, wie Sie mithilfe des visuellen Elements untersuchen können, wie verschiedene kategorisierte Felder niedrige Bewertungen beeinflussen. Es ist auch möglich, fortlaufende Faktoren wie Alter, Höhe und Preis im Feld "Erläutern nach " zu haben. Sehen wir uns an, was passiert, wenn Tenure aus der Kundentabelle in "Erklären nach" verschoben wird. Tenure zeigt, wie lange ein Kunde den Dienst nutzt.

Bei einem höheren Wert für „Tenure“ (Verwendungsdauer) steigt die Wahrscheinlichkeit, dass eine niedrige Bewertung abgegeben wird. Dieser Trend lässt darauf schließen, dass Langzeitkunden häufiger eine negative Bewertung abgeben. Diese Information ist interessant. Sie sollten sie später weiterverfolgen.

An der Visualisierung ist zu erkennen, dass mit jedem Anstieg der Betriebszugehörigkeit um 13,44 Monate die Wahrscheinlichkeit einer niedrigen Bewertung im Durchschnitt um das 1,23-Fache steigt. In diesem Fall stellen 13,44 Monate die Standardabweichung der Verwendungsdauer dar. So erhalten Sie einen Einblick, wie eine Erhöhung der Verwendungsdauer um eine Standardmenge, nämlich die Standardabweichung der Verwendungsdauer, die Wahrscheinlichkeit beeinflusst, eine niedrige Bewertung zu erhalten.

Das Punktdiagramm im rechten Bereich zeigt den durchschnittlichen Prozentsatz niedriger Bewertungen für jeden Dienstzeitwert an. Die Steigung wird mit einer Trendlinie hervorgehoben.

Klassifizierte kontinuierliche wichtige Einflussfaktoren

In einigen Fällen stellen Sie möglicherweise fest, dass Ihre fortlaufenden Faktoren automatisch in kategorisierte faktoren umgewandelt wurden. Wenn die Beziehung zwischen den Variablen nicht linear ist, kann die Visualisierung die Beziehung nicht einfach als steigend oder fallend beschreiben, wie im vorherigen Beispiel.

Das Visual führt Korrelationstests durch, um zu bestimmen, wie linear die Einflussgröße im Vergleich zur Zielgröße ist. Wenn das Ziel kontinuierlich ist, führt die Visualisierung eine Pearson-Korrelation aus; wenn das Ziel kategorial ist, führt sie punktbiseriale Korrelationstests aus. Wenn die Beziehung nicht ausreichend linear ist, führt das Visual eine überwachte Einteilung in maximal fünf Klassen durch. Die überwachte Binning-Methode bestimmt, welche Klassen am sinnvollsten sind, indem sie die Beziehung zwischen dem erklärenden Faktor und der analysierten Zielgröße betrachtet.

Interpretation von Messwerten und Aggregaten als wichtige Einflussfaktoren

Sie können Kennzahlen und Aggregate als erklärende Faktoren in Ihrer Analyse verwenden. Welche Auswirkung hat beispielsweise die Anzahl der Kundensupporttickets auf die Bewertung, die Sie erhalten? Oder welche Auswirkungen hat die durchschnittliche Dauer eines offenen Tickets auf die Bewertung, die Sie erhalten?

In diesem Fall möchten Sie sehen, ob die Anzahl der Support-Tickets eines Kunden die von ihm gegebene Bewertung beeinflusst. Bringen Sie jetzt die Supportticket-ID aus der Tabelle "Supporttickets" ein. Da ein Kunde mehrere Supporttickets haben kann, aggregieren Sie die ID auf Kundenebene. Aggregation ist wichtig, da die Analyse auf Kundenebene ausgeführt wird, daher müssen Sie alle Faktoren auf dieser Granularitätsebene definieren.

Betrachten wir nun die Anzahl der IDs. Jeder Kundenzeile ist eine Anzahl Supporttickets zugeordnet. In diesem Fall steigt mit der Anzahl der Support-Tickets die Wahrscheinlichkeit für eine niedrige Bewertung um das 4,08-fache. Der folgende Screenshot zeigt die durchschnittliche Anzahl von Supporttickets nach unterschiedlichen Bewertungswerten , die auf Kundenebene ausgewertet werden.

Interpretation der Ergebnisse: Wichtigste Segmente

Verwenden Sie die Registerkarte "Wichtige Influencer" , um jeden Faktor einzeln zu bewerten. Verwenden Sie die Registerkarte " Obere Segmente ", um zu sehen, wie sich eine Kombination von Faktoren auf die Metrik auswirkt, die Sie analysieren.

Die obersten Segmente zeigen zunächst eine Übersicht über alle Segmente, die Power BI ermittelt wurden. Das folgende Beispiel zeigt, dass sechs Segmente gefunden wurden. Der Prozentsatz der niedrigen Bewertungen innerhalb des Segments bestimmt die Rangfolge. Daraus geht beispielsweise hervor, dass 74,3 % aller Kundenbewertungen in Segment 1 niedrig sind. Je höher der Kreis positioniert ist, desto größer ist der Anteil der niedrigen Bewertungen. Die Größe des Kreises gibt an, wie viele Kunden in einem Segment enthalten sind.

Wenn Sie eine Blase auswählen, werden die Details dieses Segments angezeigt. Wenn Sie beispielsweise Segment 1 auswählen, stellen Sie fest, dass es etablierte Kunden darstellt. Sie sind seit mehr als 29 Monaten Kunden und haben mehr als vier Supporttickets. Außerdem handelt es sich bei diesen Benutzern nicht um Herausgeber. Daher muss es sich also um Verbraucher oder Administratoren handeln.

In dieser Gruppe haben 74,3 % der Kunden eine niedrige Bewertung abgegeben. Im Durschnitt gaben 11,7 % aller Benutzer eine negative Bewertung ab. Somit ist der Anteil der niedrigen Bewertung in diesem Segment also größer. Er ist 63 Prozentpunkte größer. Segment 1 enthält zudem 2,2 % aller Daten und stellt damit einen adressierbaren Anteil aller Benutzer dar.

Hinzufügen von Zählungen

Manchmal kann ein Einflussfaktor eine signifikante Auswirkung haben, aber nur wenige Daten darstellen. Design ist Benutzerfreundlichkeit ist z. B. der drittgrößte Einflussfaktor für niedrige Bewertungen. Es kann jedoch nur eine Handvoll Kunden geben, die sich über Benutzerfreundlichkeit beschwert haben. Mit Zählungen können Sie priorisieren, auf welche Einflussfaktoren Sie sich konzentrieren möchten.

Aktivieren Sie die Anzahl über die Analysekarte des visuellen Bereichs "Format".

Nachdem Sie die Anzahlen aktiviert haben, sehen Sie einen Ring um die Blase jedes Influencers, der den ungefähren Prozentsatz der Daten darstellt, die dieser Influencer enthält. Je mehr der Kreis vom Ring eingeschlossen ist, desto mehr Daten sind in ihm enthalten. Das Beispiel zeigt, dass ThemaNutzbarkeit ist und einen kleinen Anteil der Daten enthält.

Verwenden Sie die Schaltfläche "Sortieren nach" unten links im Visual, um die Blasen statt nach Auswirkung zuerst nach Anzahl zu sortieren. Der Abonnementtyp ist Premier ist der wichtigste Influencer basierend auf der Anzahl.

Ein vollständiger Ring um den Kreis bedeutet, dass der Influencer 100% der Daten enthält. Ändern Sie den Anzahltyp relativ zum maximalen Influencer, indem Sie die Dropdownliste " Anzahl" auf der Analysekarte des visuellen Bereichs "Format" verwenden. Nun wird der Influencer mit den meisten Daten durch einen vollständigen Ring dargestellt, und alle anderen Zählungen sind relativ zu ihr.

Analysieren einer numerischen Metrik

Wenn Sie ein nicht zusammengefasstes numerisches Feld in das Feld "Analysieren " verschieben, können Sie auswählen, wie dieses Szenario behandelt werden soll. Ändern Sie das Verhalten des visuellen Elements, indem Sie in den visuellen Bereich "Format" wechseln und zwischen dem kategorisierten Analysetyp und dem fortlaufenden Analysetyp wechseln.

Ein kategorisiererischer Analysetyp wird weiter oben in diesem Artikel beschrieben. Wenn Sie sich zum Beispiel Umfragewerte im Bereich von 1 bis 10 ansehen, können Sie fragen: „Welche Faktoren beeinflussen, dass ein Umfragewert bei 1 liegt?“

Ein Fortlaufender Analysetyp ändert die Frage in eine fortlaufende. Anhand des vorherigen Beispiels lautet die neue Frage: „Was beeinflusst die Umfragewerte, sodass sie steigen oder sinken?“

Diese Unterscheidung ist hilfreich, wenn Sie viele eindeutige Werte in dem Feld haben, das Sie analysieren. Im folgenden Beispiel sehen Sie sich die Hauspreise an. Es ist nicht sinnvoll zu fragen: „Welche Faktoren beeinflussen, dass der Hauspreis 156.214 beträgt?“, da diese Frage sehr spezifisch ist und Sie wahrscheinlich nicht genügend Daten haben, um ein Muster zu erkennen.

Stattdessen könnten Sie fragen: „Welche Faktoren beeinflussen den Anstieg des Hauspreises?“, wodurch Sie Hauspreise als einen Bereich statt als diskrete Werte behandeln können.

Interpretation der Ergebnisse: Wichtigste Einflussfaktoren

In diesem Szenario betrachten wir "Was beeinflusst den Anstieg des Hauspreises." Eine Reihe von erklärenden Faktoren könnte einen Hauspreis beeinflussen, z. B. Year Built (Jahr, in dem das Haus gebaut wurde), KitchenQual (Küchenqualität) und YearRemodAdd (Jahr, in dem das Haus renoviert wurde).

Im folgenden Beispiel sehen wir uns unseren wichtigsten Einflussfaktor an: dass die Küchenqualität ausgezeichnet ist. Die Ergebnisse sind mit den Ergebnissen der Analyse kategorischer Metriken vergleichbar. Es gibt jedoch einige wichtige Unterschiede:

• Das Säulendiagramm rechts zeigt Mittelwerte statt Prozentwerte. Es zeigt uns, was der durchschnittliche Hauspreis eines Hauses mit einer ausgezeichneten Küche ist (grüne Bar) im Vergleich zum durchschnittlichen Hauspreis eines Hauses ohne eine ausgezeichnete Küche (gepunktete Linie).
• Die Zahl in der Blase ist immer noch der Unterschied zwischen der roten gepunkteten Linie und dem grünen Balken, wird jedoch als Zahl (\158,49K) und nicht als Wahrscheinlichkeit (1,93x) ausgedrückt. Im Durchschnitt sind Häuser mit ausgezeichneten Küchen fast \$160K teurer als Häuser ohne ausgezeichnete Küchen.

Im nächsten Beispiel betrachten wir die Auswirkungen, die ein fortlaufender Faktor (das Jahr, in dem das Haus umgestaltet wurde) auf den Hauspreis hat. Im Vergleich zur Analyse von kontinuierlichen Einflussfaktoren gibt es bei kategorischen Metriken folgende Unterschiede:

• Das Streudiagramm im rechten Bereich zeigt den durchschnittlichen Hauspreis für jeden einzigartigen Wert des Jahres der Renovierung.
• Der Wert in der Blase zeigt, um wie viel der durchschnittliche Hauspreis steigt (in diesem Fall $2.870), wenn das Jahr, in dem das Haus umgestaltet wurde, um seine Standardabweichung (in diesem Fall 20 Jahre) erhöht wird.

Abschließend betrachten wir bei den Maßnahmen das Durchschnittsjahr, in dem ein Haus gebaut wurde. Die Analyse sieht wie folgt aus:

• Das Punktdiagramm im rechten Bereich zeichnet den durchschnittlichen Hauspreis für jeden unterschiedlichen Wert in der Tabelle aus.
• Der Wert in der Blase zeigt, wie viel der durchschnittliche Hauspreis steigt (in diesem Fall \$1,35K), wenn das durchschnittliche Jahr um seine Standardabweichung steigt (in diesem Fall 30 Jahre).

Interpretieren der Ergebnisse mithilfe von Top-Segmenten

In den wichtigsten Segmenten für numerische Zielsetzungen werden Gruppen angegeben, bei denen die Immobilienpreise im Durchschnitt höher sind als im Dataset insgesamt. In der folgenden Abbildung sehen Sie beispielsweise, dass Segment 1 aus Häusern besteht, in denen GarageCars (Anzahl der Autos, die die Garage passen kann) größer als 2 ist und der RoofStyle hip ist. Häuser mit diesen Merkmalen haben einen Durchschnittspreis von \$355K im Vergleich zum Gesamtdurchschnitt in den Daten, die \$180K sind.

Analysiere eine Metrik, die ein Maß oder eine zusammengefasste Spalte ist

Bei einer Maß- oder Zusammenfassungsspalte wird standardmäßig der Kontinuierliche Analysetyp verwendet, wie weiter oben in diesem Artikel beschrieben. Sie können diese Einstellung nicht ändern. Der größte Unterschied zwischen der Analyse einer Measure- oder zusammengefassten Spalte und der Analyse einer nicht zusammengefassten numerischen Spalte ist die Ebene, auf der die Analyse ausgeführt wird.

Bei nicht zusammengefassten Spalten wird die Analyse immer auf Tabellenebene ausgeführt. Im Beispiel zu den Hauspreisen haben Sie die Metrik House Price analysiert, um zu sehen, was dazu führt, dass ein Hauspreis steigt oder sinkt. Die Analyse wird automatisch auf Tabellenebene ausgeführt. Ihr Tisch verfügt über eine eindeutige ID für jedes Haus, sodass die Analyse auf Hausebene ausgeführt wird.

Bei Kennzahlen und aggregierten Spalten wissen Sie nicht sofort, auf welcher Ebene sie analysiert werden sollen. Wenn Sie den Hauspreis als Durchschnitt zusammengefasst haben, müssen Sie überlegen, welches Niveau Sie diesen durchschnittlichen Hauspreis berechnen möchten. Handelt es sich um den Durchschnittshauspreis auf Nachbarschaftsebene? Oder vielleicht auf regionaler Ebene?

Power BI analysiert automatisch Kennzahlen und aggregierte Spalten auf der Ebene der verwendeten Felder Erklären nach. Stellen Sie sich vor, Sie möchten drei Felder in "Explain by" untersuchen: Küchenqualität, Gebäudetyp und Klimaanlage. Power BI berechnet den durchschnittlichen Hauspreis für jede eindeutige Kombination dieser drei Felder. Häufig ist es hilfreich, zu einer Tabellenansicht zu wechseln, um zu sehen, wie die zu bewertenden Daten aussehen.

Diese Analyse ist sehr zusammengefasst, daher kann es für das Regressionsmodell schwierig sein, muster in den Daten zu finden, aus denen sie lernen können. Führen Sie die Analyse auf einer detaillierteren Ebene aus, um bessere Ergebnisse zu erzielen. Wenn Sie den Hauspreis auf Hausebene analysieren möchten, müssen Sie das Feld ID der Analyse explizit hinzufügen. Sie möchten jedoch nicht, dass die Haus-ID als Einflussfaktor betrachtet wird. Es ist nicht hilfreich zu erfahren, dass mit der Zunahme der Haus-ID auch der Hauspreis steigt. Die Option "Erweitern um"-Feld ist hier nützlich. Sie können "Erweitern" verwenden, um Felder hinzuzufügen, die Sie zum Festlegen der Analyseebene verwenden möchten, ohne nach neuen Influencern zu suchen.

Sehen Sie sich an, wie die Visualisierung aussieht, sobald Sie ID zu Erweitern nach hinzufügen. Sobald Sie die Ebene festgelegt haben, auf der Ihr Messwert ausgewertet werden soll, entspricht die Interpretation von Influencern genau derjenigen bei nicht zusammengefassten numerischen Spalten.

Um zu erfahren, wie Power BI ML.NET hinter den Kulissen verwendet, um Daten und Einblicke auf natürliche Weise zu verstehen, finden Sie in Power BI wichtige Influencer mithilfe von ML.NET.

Zu beachtende Aspekte und Problembehandlung

Welche Einschränkungen gelten für das visuelle Element?

Die Visualisierung der Haupteinflussfaktoren weist die folgenden Einschränkungen auf:

• DirectQuery wird nicht unterstützt.
• Es unterstützt keine Live-Verbindung mit Azure Analysis Services und SQL Server Analysis Services.
• Die Veröffentlichung im Web wird nicht unterstützt.
• Sie erfordert .NET Framework 4.6 oder höher.
• SharePoint Onlineeinbettung wird nicht unterstützt.
• Die Analyse einer Metrik, die kategorisiert ist, wird nicht unterstützt, wenn Sie "Implizite Maßnahmen verhindern " für das Datenmodell auf "true " festlegen (z. B. wenn Berechnungsgruppen im Datenmodell definiert werden).

Es wird ein Fehler angezeigt, dass keine Einflussfaktoren oder Segmente gefunden wurden. Woran liegt das?

Dieser Fehler tritt auf, wenn Sie Felder in Erklären nach hinzufügen, das Visual aber keine Einflussfaktoren findet. Überprüfen Sie, ob eines der folgenden Probleme zutrifft.

• Sie haben die Metrik, die Sie analysieren, sowohl in "Analysieren " als auch in "Erklären nach" eingeschlossen. Entfernen Sie sie aus Erläuterung nach.
• Die erläuternden Felder enthalten zu viele Kategorien, in denen nur wenige Beobachtungen vorhanden sind. Diese Situation macht es für das Visuelle schwierig, zu bestimmen, welche Faktoren Influencer sind. Es ist schwer, basierend auf nur wenigen Beobachtungen zu verallgemeinern. Wenn Sie ein numerisches Feld analysieren, sollten Sie in Betracht ziehen, im visuellen Bereich "Format" auf der Analysekarte von "Kategorisierte Analyse" zu "Fortlaufende Analyse" zu wechseln.
• Ihre erklärenden Variablen verfügen über genügend Beobachtungen für eine Verallgemeinerung, doch die Visualisierung hat keine aussagekräftigen Korrelationen identifiziert, über die berichtet werden könnte.

Es wird ein Fehler angezeigt, dass die zu analysierende Metrik nicht genügend Daten für eine Analyse enthält. Woran liegt das?

Das Visual funktioniert so, dass in den Daten für eine Gruppe nach Mustern gesucht und mit anderen Gruppen verglichen wird. So wird beispielsweise nach Kunden gesucht, die im Vergleich zu anderen Kunden, die hohe Bewertungen abgegeben haben, niedrige Bewertungen abgegeben haben. Wenn die Daten in Ihrem Modell nur wenige Beobachtungen enthalten, können Muster nur schwer ermittelt werden. Wenn die Visualisierung nicht über genügend Daten verfügt, um aussagekräftige Influencer zu finden, bedeutet dies, dass mehr Daten benötigt werden, um die Analyse auszuführen.

Verwenden Sie mindestens 100 Beobachtungen für den ausgewählten Zustand. In diesem Beispiel steht der Zustand für Kunden, die abwandern. Ferner benötigen Sie mindestens 10 Beobachtungen für die Zustände, die Sie für den Vergleich verwenden. In diesem Beispiel steht der Vergleichszustand für Kunden, die nicht abwandern.

Wenn Sie ein numerisches Feld analysieren, können Sie im visuellen Bereich "Format" auf der Analysekarte von "Kategorisierte Analyse" zu "Fortlaufende Analyse" wechseln.

Ich stelle einen Fehler fest: Wenn „Analyze“ nicht aggregiert wird, wird die Analyse immer auf Zeilenebene der übergeordneten Tabelle ausgeführt. Sie können diese Ebene nicht über die Felder „Erweitern um“ ändern. Woran liegt das?

Wenn Sie eine numerische oder kategorisierte Spalte analysieren, wird die Analyse immer auf Tabellenebene ausgeführt. Wenn Sie beispielsweise Hauspreise analysieren und Ihre Tabelle eine ID-Spalte enthält, wird die Analyse automatisch auf Haus-ID-Ebene ausgeführt.

Wenn Sie ein Measure oder eine aggregierte Spalte analysieren, müssen Sie explizit festlegen, auf welcher Ebene die Analyse erfolgen soll. Sie können „Erweitern“ verwenden, um die Ebene der Analyse für Kennzahlen und zusammengefasste Spalten zu ändern, ohne neue Einflussfaktoren hinzuzufügen. Wenn Immobilienpreis als Measure definiert wurde, können Sie die Spalte „Immobilien-ID“ der Feldoption Erweitern um hinzufügen, um die Analyseebene zu ändern.

Ich sehe einen Fehler, dass ein Feld in "Explain by " nicht eindeutig mit der Tabelle verknüpft ist, die die zu analysierende Metrik enthält. Woran liegt das?

Die Analyse wird auf der Tabellenebene des zu analysieren betreffenden Felds ausgeführt. Wenn Sie beispielsweise Kundenfeedback für Ihren Dienst analysieren, besitzen Sie möglicherweise eine Tabelle, aus der hervorgeht, ob ein Kunde eine hohe oder eine niedrige Bewertung abgegeben hat. In diesem Fall wird die Analyse auf Ebene der Kundentabelle durchgeführt.

Wenn Sie eine verknüpfte Tabelle auf einer granulareren Ebene als die Tabelle definieren, die Ihre Metrik enthält, wird dieser Fehler angezeigt. Hier sehen Sie ein Beispiel:

• Sie analysieren, was Kunden dazu bewegt, eine niedrige Bewertung für Ihren Dienst abzugeben.
• Sie möchten sehen, ob das Gerät, auf dem der Kunde Ihren Service nutzt, die Rezensionen beeinflusst, die er abgibt.
• Kunden können den Dienst auf unterschiedlichen Geräten verwenden.
• Im folgenden Beispiel verwendet Kunde 10000000 sowohl einen Browser als auch ein Tablet, um auf den Dienst zuzugreifen.

Wenn Sie versuchen, die Spalte „device“ als erläuternden Faktor zu verwenden, wird folgender Fehler angezeigt:

Dieser Fehler wird angezeigt, da das Gerät nicht auf Kundenebene definiert wurde. Kunden können den Dienst auf mehreren Geräten verwenden. Damit die Visualisierung Muster ermitteln kann, muss das Gerät ein Attribut des Kunden sein. Es gibt verschiedene Lösungen, die von Ihren Kenntnissen des Geschäfts abhängen:

• Sie können die Zusammenfassung von zu zählenden Geräten ändern. Verwenden Sie beispielsweise „count“, wenn sich die Anzahl von Geräten möglicherweise auf die Bewertung auswirkt, die ein Kunde abgibt.
• Sie können die Gerätespalte als Pivot verwenden, um festzustellen, ob die Nutzung des Dienstes auf einem bestimmten Gerät die Bewertung eines Kunden beeinflusst.

In diesem Beispiel wurden die Daten pivotiert, um neue Spalten für Browser, Mobilgeräte und Tablets zu erstellen (stellen Sie sicher, dass Sie Ihre Beziehungen in der Modellierungsansicht löschen und erneut erstellen, nachdem Sie Ihre Daten pivotiert haben). Sie können diese spezifischen Geräte jetzt in "Explain by" verwenden. Daraus ergibt sich, dass alle Geräte Einflussfaktoren sind, wobei der Browser jedoch die größte Auswirkung auf die Kundenbewertung hat.

Genauer gesagt ist die Wahrscheinlichkeit, dass Kunden eine niedrige Bewertung abgeben, 3,79-mal höher, wenn sie den Dienst nicht über den Browser verwenden. Unten in der Liste ist das Gegenteil der Fall für Mobilgeräte. Kunden, die die mobile App verwenden, geben eher eine niedrige Bewertung als die Kunden, die nicht.

Es wird eine Warnung angezeigt, dass die Maßnahmen nicht in die Analyse einbezogen wurden. Woran liegt das?

Die Analyse wird auf der Tabellenebene des zu analysieren betreffenden Felds ausgeführt. Wenn Sie die Kundenabwanderung analysieren, haben Sie möglicherweise eine Tabelle, die Ihnen zeigt, ob ein Kunde abgewandert ist oder nicht. In diesem Fall wird die Analyse auf Ebene der Kundentabelle durchgeführt.

Standardmäßig umfasst die Analyse Messwerte und Aggregate auf der Tabellenebene. Wenn es ein Maß für die durchschnittlichen monatlichen Ausgaben gab, würde die Analyse sie auf Kundentabellenebene einschließen.

Wenn die Kundentabelle keine eindeutige Kennung hat, können Sie die Kennzahl nicht auswerten, und die Analyse ignoriert sie. Um diese Situation zu vermeiden, stellen Sie sicher, dass die Tabelle mit Ihrer Metrik über einen eindeutigen Bezeichner verfügt. In diesem Fall ist es die Kundentabelle, und der eindeutige Bezeichner ist die Kunden-ID. Sie können auch eine Indexspalte hinzufügen, indem Sie Power Query verwenden.

Es wird eine Warnung angezeigt, dass die analysierte Metrik mehr als 10 Einzelwerte aufweist und somit die Qualität der Analyse beeinträchtigen kann. Woran liegt das?

Mit dem KI-Visual können Kategoriefelder und numerische Felder analysiert werden. Bei kategorischen Feldern sind „Churn“ (Abwanderung) ist „Yes“ (Ja) oder „No“ (Nein) und „Customer Satisfaction“ (Kundenzufriedenheit) ist „High“ (Hoch), „Medium“ (Mittel) oder „Low“ (Niedrig) mögliche Beispiele. Wenn Sie die Anzahl der zu analysierenden Kategorien erhöhen, gibt es weniger Beobachtungen pro Kategorie. Es erschwert es der Visualisierung, in den Daten Muster zu erkennen.

Beim Analysieren numerischer Felder haben Sie die Möglichkeit, die numerischen Felder wie Text zu behandeln. In diesem Fall führen Sie dieselbe Analyse wie bei kategorisierten Daten (Kategorisierungsanalyse) aus. Wenn Sie über viele unterschiedliche Werte verfügen, wechseln Sie die Analyse in die fortlaufende Analyse. Bei diesem Ansatz werden Muster identifiziert, wie Zahlen größer oder verkleinert werden, anstatt sie als unterschiedliche Werte zu behandeln. Sie können im visuellen Bereich "Formatieren" auf der Karte "Analyse" von "Kategorisierte Analyse" zu "Fortlaufende Analyse" wechseln.

Um stärkere Influencer zu finden, gruppieren Sie ähnliche Werte in eine einzelne Einheit. Wenn Sie beispielsweise eine Metrik für den Preis haben, erhalten Sie wahrscheinlich bessere Ergebnisse, indem Sie ähnliche Preise in kategorien "Hoch", "Mittel" und "Niedrig" gruppieren, anstatt einzelne Preispunkte zu verwenden.

In den Daten sind Faktoren vorhanden, bei denen es sich nicht um wichtige Einflussfaktoren handelt, obwohl sie es sein sollten. Wie kann es dazu kommen?

Im folgenden Beispiel geben Kunden, die Verbraucher sind, niedrige Bewertungen ab. Dabei sind 14,93 % der Bewertungen niedrig. Die Administratorrolle hat auch einen hohen Anteil an niedrigen Bewertungen bei 13,42%, gilt aber nicht als Influencer.

Die Visualisierung berücksichtigt die Anzahl der Datenpunkte, wenn sie Influencer findet. Im folgenden Beispiel geht es um mehr als 29.000 Verbraucher und 10-mal weniger Administratoren, also etwa 2.900. Nur 390 Administratoren haben eine niedrige Bewertung abgegeben. Das Visual verfügt nicht über genügend Daten, um festzustellen, ob es ein Muster bei Bewertungen durch Administratoren gefunden hat oder ob es sich nur um einen Zufallsbefund handelt.

Was sind die Datenpunktgrenzwerte für wichtige Influencer?

Das visuelle Element führt die Analyse auf einer Stichprobe von 10.000 Datenpunkten aus. Die Blasen auf der einen Seite zeigen alle gefundenen Influencer. Die Säulendiagramme und Punktdiagramme auf der anderen Seite verwenden die Samplingstrategien für diese zentralen Visualisierungen.

Wie berechnen Sie wichtige Influencer für kategorisierte Analysen?

Hinter den Kulissen verwendet die KI-Visualisierung ML.NET , um eine logistische Regression auszuführen, um die wichtigsten Influencer zu berechnen. Bei einer logistischen Regression handelt es sich um ein Statistikmodell, das verschiedene Gruppen miteinander vergleicht.

Wenn Sie sehen möchten, was niedrige Bewertungen antreibt, untersucht die logistische Regression, wie Kunden, die eine niedrige Bewertung vergeben, von den Kunden abweicht, die eine hohe Bewertung erhalten. Wenn Sie mehrere Kategorien haben, z. B. hohe, neutrale und niedrige Bewertungen, sehen Sie sich an, wie sich die Kunden, die eine niedrige Bewertung vergeben, von den Kunden unterscheiden, die keine niedrige Bewertung erhalten. In diesem Fall unterscheiden sich die Kunden, die eine niedrige Bewertung vergeben, von den Kunden, die eine hohe Bewertung oder eine neutrale Bewertung vergeben?

Die logistische Regression sucht nach Mustern in den Daten und sucht, wie Kunden, die eine niedrige Bewertung vergeben, von den Kunden abweichen können, die eine hohe Bewertung erhalten. So lässt sich möglicherweise feststellen, dass Kunden mit vielen Supporttickets einen höheren prozentualen Anteil an den niedrigen Bewertungen ausmachen als die Kunden mit wenigen oder keinen Supporttickets.

Bei der logistischen Regression wird auch die Anzahl der Datenpunkte berücksichtigt. Wenn Beispielsweise Kunden, die eine Administratorrolle spielen, proportional negativere Bewertungen geben, aber es gibt nur wenige Administratoren, wird dieser Faktor nicht als einflussreich angesehen. Das Modell bestimmt diese Bestimmung, da nicht genügend Datenpunkte zum Ableiten eines Musters verfügbar sind. Es wird ein statistischer Test (Wald-Test) verwendet, um zu bestimmen, ob ein Faktor als Einflussfaktor gewertet werden kann. Im Visual wird ein p-Wert von 0,05 verwendet, um den Schwellenwert zu berechnen.

Wie berechnen Sie wichtige Influencer für die numerische Analyse?

Hinter den Kulissen verwendet die KI-Visualisierung ML.NET , um eine lineare Regression auszuführen, um die wichtigsten Influencer zu berechnen. Die lineare Regression ist ein Statistikmodell, mit dem untersucht wird, wie sich das Ergebnis des Felds, das Sie analysieren, basierend auf den erläuternden Faktoren ändert.

Wenn Sie beispielsweise Hauspreise analysieren, untersucht eine lineare Regression den Effekt, dass eine ausgezeichnete Küche auf den Hauspreis hat. Lassen sich mit Häusern mit einer sehr guten Küchenqualität generell niedrigere oder höhere Immobilienpreise erzielen als mit Häusern ohne sehr gute Küchenqualität?

Bei der linearen Regression wird auch die Anzahl der Datenpunkte berücksichtigt. Wenn Häuser mit Tennisplätzen z. B. höhere Preise haben, aber Sie haben nur wenige Häuser mit einem Tennisplatz, wird dieser Faktor nicht als einflussreich angesehen. Das Modell bestimmt diese Bestimmung, da nicht genügend Datenpunkte zum Ableiten eines Musters verfügbar sind. Es wird ein statistischer Test (Wald-Test) verwendet, um zu bestimmen, ob ein Faktor als Einflussfaktor gewertet werden kann. Im Visual wird ein p-Wert von 0,05 verwendet, um den Schwellenwert zu berechnen.

Wie berechnen Sie Segmente?

Im Hintergrund verwendet die KI-Visualisierung ML.NET, um eine Entscheidungsstruktur auszuführen, die interessante Untergruppen findet. Das Ziel der Entscheidungsstruktur ist es, eine Untergruppe von Datenpunkten zu finden, die relativ hoch in der Metrik ist, an der Sie interessiert sind. Das könnten Kunden mit niedrigen Bewertungen oder Häuser mit hohen Preisen sein.

Der Entscheidungsbaum nimmt jeden erklärenden Faktor und versucht zu bestimmen, welcher Faktor die beste Aufteilung liefert. Wenn Sie z. B. die Daten so filtern, dass nur große Unternehmenskunden einbezogen werden sollen, werden dadurch separate Kunden gefiltert, die eine hohe Bewertung von denjenigen erhalten haben, die eine niedrige Bewertung erhalten haben? Oder vielleicht ist es besser, die Daten zu filtern, um nur Kunden einzuschließen, die zu Sicherheit kommentiert haben?

Nachdem die Entscheidungsstruktur die Daten geteilt hat, übernimmt sie die Untergruppe und bestimmt die nächste beste Aufteilung für diese Daten. In diesem Beispiel besteht die Untergruppe aus Kunden, die eine Bewertung zum Thema Sicherheit abgegeben haben. Nach jeder Aufteilung überprüft die Entscheidungsstruktur, ob die Gruppe über genügend Datenpunkte verfügt, um repräsentativ zu sein und ein Muster abzuleiten. Andernfalls ist die Gruppe eine Anomalie und kein echtes Segment. Der Entscheidungsbaum wendet auch einen statistischen Test an, um die statistische Bedeutung des geteilten Zustands mit einem p-Wert von 0,05 zu überprüfen.

Wenn der Entscheidungsbaum fertig ausgeführt wurde, übernimmt er alle Aufteilungen, wie z. B. Sicherheitskommentare und Großunternehmen, und erstellt daraus Power BI-Filter. Das Visual fasst diese Filterkombination als Segment zusammen.

Warum werden bestimmte Faktoren zu Influencern oder sind keine Influencer mehr, wenn ich weitere Felder nach Erklären durch verschiebe?

Das Visual wertet alle erläuternden Faktoren zusammen aus. Ein Faktor kann allein ein Influencer sein, aber wenn er mit anderen Faktoren berücksichtigt wird, ist es möglicherweise nicht. Angenommen, Sie möchten analysieren, wodurch der Preis eines Hauses steigt und verwenden dabei die erläuternden Faktoren „Schlafzimmer“ und „Fläche“:

• Allein mehr Schlafzimmer könnten die Hauspreise in die Höhe treiben.
• Wenn Sie die Hausgröße in die Analyse aufnehmen, sehen Sie sich an, was mit Schlafzimmern passiert, während die Hausgröße konstant bleibt.
• Wenn die Größe des Hauses auf 1.500 Quadratmeter festgelegt ist, ist es unwahrscheinlich, dass ein kontinuierlicher Anstieg der Anzahl der Schlafzimmer dramatisch den Hauspreis erhöht.
• Schlafzimmer sind möglicherweise kein so wichtiger Faktor mehr wie zuvor, bevor Sie die Größe des Hauses berücksichtigt haben.

Zugehöriger Inhalt

• Kombinationsdiagramme in Power BI
• Übersicht über Visualisierungen in Power BI
• Wie Power BI ML.NET verwendet, um wichtige Influencer zu identifizieren