Creare visualizzazioni degli influencer chiave

Si applica a:✅ Power BI Desktop e servizio Power BI

La visualizzazione dei fattori di influenza chiave aiuta a capire i fattori che influenzano una metrica di tuo interesse. Analizza i dati, stila una classifica dei fattori importanti e li visualizza come fattori di influenza chiave. Ad esempio, supponiamo di voler capire cosa influenza il turnover dei dipendenti, noto anche come churn. Un fattore potrebbe essere la lunghezza del contratto di lavoro e un altro fattore potrebbe essere il tempo commutare.

Questo articolo offre una guida passo-passo su come usare la visualizzazione dei fattori chiave in Power BI. Spiega come configurare l'oggetto visivo, interpretarne i risultati e risolvere i problemi comuni. Per comprendere quali fattori determinano risultati specifici nei dati, ad esempio feedback dei clienti, vendite o altre metriche, questa guida consente di ottenere informazioni dettagliate utili usando gli strumenti di analisi basati sull'intelligenza artificiale di Power BI.

Quando usare i fattori di influenza chiave

L'immagine dei principali influencer è un'ottima scelta se vuoi:

• Per vedere quali fattori influiscono sulla metrica che si sta analizzando.
• Per confrontare l'importanza relativa di questi fattori. Ad esempio, i contratti a breve termine influiscono sul tasso di abbandono più dei contratti a lungo termine?

Funzionalità dell'elemento visivo Principali Influenzatori

1. Schede: Selezionare una scheda e passare da una visualizzazione all'altra. Fattori di influenza chiave visualizza gli elementi che contribuiscono maggiormente al valore della metrica selezionata. Segmenti principali visualizza i segmenti che contribuiscono maggiormente al valore della metrica selezionata. Un segmento è costituito da una combinazione di valori. Ad esempio, un segmento potrebbe essere rappresentato da dei consumer che sono clienti a lungo termine e vivono nell'area occidentale.

2. Casella di riepilogo a discesa: valore della metrica in fase di analisi. In questo esempio, esaminare la metrica Rating (Valutazione). Il valore selezionato è Low.

3. Riformulazione: consente di interpretare l'immagine nel riquadro di sinistra.

4. Riquadro sinistro: Il riquadro sinistro contiene un oggetto visivo. In questo caso il riquadro a sinistra visualizza un elenco dei fattori di influenza chiave principali.

5. Riformulazione: consente di interpretare l'elemento visivo nel riquadro destro.

6. Riquadro destro: Il riquadro destro contiene un oggetto visivo. In questo caso il grafico a colonne visualizza tutti i valori del fattore di influenza chiave Theme (Tema) selezionato nel riquadro sinistro. Il valore specifico di usabilità nel riquadro a sinistra viene visualizzato in verde. Tutti gli altri valori per Theme vengono visualizzati in nero.

7. Linea media: la media viene calcolata per tutti i valori possibili di Theme, salvo per usability (Usabilità), che è il fattore di influenza selezionato. Pertanto il calcolo si applica a tutti i valori in nero. Indica la percentuale degli altri temi che hanno avuto valutazioni basse. In questo caso l'11,35% ha avuto una valutazione bassa (indicata dalla linea tratteggiata).

8. Casella di controllo: filtra l'elemento visivo nel riquadro destro per mostrare solo i valori che sono influenzanti per quel campo.

Analizzare una metrica categorica

1. In Compila oggetto visivo nel riquadro Visualizzazioni, selezionare l'icona Fattori di influenza chiave.

   

2. Spostare la metrica da esaminare nel campo Analisi. Per visualizzare i fattori che influenzano una valutazione bassa del servizio, selezionare tabella Customer>Rating.

3. Spostare i campi che si ritiene potrebbero influenzare Rating nell'area Spiega in base a. È possibile spostare tutti i campi desiderati. In questo caso iniziare con:

   • Paese-Regione
   • Ruolo nell'Organizzazione
   • Tipo di sottoscrizione
   • Dimensione dell'Azienda
   • Tema

4. Lasciare vuoto il campo Espandi in base a. Questo campo viene usato solo per l'analisi di una misura o di un campo riepilogativo.

5. Per concentrarsi sulle valutazioni negative, selezionare Bassa nella casella a discesa Cosa influenza la valutazione.

   

L'analisi viene eseguita al livello della tabella dei campi che si stanno analizzando. In questo caso si tratta della metrica Rating. Questa metrica è definita a livello dei clienti. Ogni cliente assegna un punteggio elevato o un punteggio basso. Tutti i fattori esplicativi devono essere definiti a livello del cliente per consentirne l'uso nel visivo.

Nell'esempio precedente, tutti i fattori esplicativi hanno una relazione uno-a-uno o molti-a-uno con la metrica. In questo caso, ogni cliente ha assegnato un singolo tema alla valutazione. Analogamente i clienti provengono da un paese o un’area geografica specifici e hanno un solo tipo di appartenenza, e un solo ruolo all'interno dell'organizzazione. I fattori esplicativi sono già attributi di un cliente e non richiedono trasformazioni. L'elemento visivo può usarli subito.

Più avanti nell'esercitazione si esamineranno esempi più complessi con relazioni uno-a-molti. In questi casi, prima di poter eseguire l'analisi è necessario aggregare le colonne fino al livello cliente.

Anche le misure e le aggregazioni usate come fattori esplicativi vengono valutate al livello tabella della metrica Analisi. Si vedranno alcuni esempi più avanti in questo articolo.

Interpretare dei fattori di influenza chiave categorici

Esaminiamo i fattori di influenza chiave per valutazioni basse.

Singolo fattore principale che influenza la probabilità di una valutazione bassa

Il cliente in questo esempio può avere uno dei tre ruoli: consumer, amministratore o editore. L'appartenenza al ruolo consumatore è il fattore principale che contribuisce a una valutazione bassa.

Più precisamente, i consumatori hanno una probabilità 2,57 volte maggiore di assegnare una valutazione negativa al servizio. Nel grafico dei fattori di influenza chiave, Role in Org is consumer (Ruolo nell'organizzazione è consumatore) è al primo posto nell'elenco a sinistra. Selezionando Il ruolo nell'organizzazione è consumer, Power BI mostra altri dettagli nel riquadro a destra. Viene visualizzato l'effetto comparativo di ogni ruolo sulla probabilità di una valutazione bassa.

• Il 14,93% dei consumatori assegna un punteggio basso.
• In media, tutti gli altri ruoli assegnano un punteggio basso solo il 5,78% delle volte.
• I consumatori hanno una probabilità 2,57 volte maggiore di assegnare un punteggio basso rispetto a tutti gli altri ruoli. È possibile determinare questo punteggio dividendo la barra verde con la linea tratteggiata rossa.

Secondo fattore principale che influenza la probabilità di una valutazione bassa

La visualizzazione dei fattori di influenza chiave confronta e classifica i fattori derivati da differenti variabili. Il secondo fattore di influenza non ha nulla a che vedere con Role in Org (Ruolo nell'organizzazione). Selezionare il secondo fattore di influenza nell'elenco: Theme is usability (Il tema è l'usabilità).

Il secondo fattore più importante è correlato al tema della revisione del cliente. I clienti che hanno aggiunto un commento sull'usabilità del prodotto avevano una probabilità 2,55 volte maggiore di assegnare un punteggio basso rispetto ai clienti che hanno aggiunto un commento su altri temi, quali l'affidabilità, il design o la velocità.

Tra i risultati visivi, la media, indicata dalla linea rossa punteggiata, è cambiata dal 5,78% all'11,35%. La media è dinamica, perché è basata sulla media di tutti gli altri valori. Per il primo fattore di influenza la media ha escluso il ruolo cliente. Per il secondo fattore di influenza ha escluso il tema dell'usabilità.

Selezionare la casella di controllo Mostra solo valori che sono fattori di influenza per filtrare i dati usando solo i valori influenti. In questo caso, si tratta dei ruoli che determinano un punteggio basso. Power BI riduce 12 temi ai quattro identificati come temi che determinano valutazioni basse.

Interagire con altri oggetti visivi

Ogni volta che selezioni un segmentatore, un filtro o un altro oggetto visivo nell'area di disegno, il visualizzatore degli influenzatori chiave ripete la sua analisi sul nuovo gruppo di dati. Ad esempio è possibile trascinare Company Size (Dimensioni dell'azienda) nel report e usarlo come un filtro dei dati. Usarlo per vedere se i fattori di influenza chiave per i clienti enterprise sono diversi da quelli per i clienti comuni. Un'azienda enterprise è un'azienda con oltre 50.000 dipendenti.

Selezionare >50,000 per rieseguire l'analisi e si noterà che i fattori di influenza sono cambiati. Per i clienti di aziende enterprise di grandi dimensioni, il fattore di influenza più importante per le valutazioni basse ha un tema associato alla sicurezza. È possibile esaminare ulteriormente per verificare se sono presenti funzionalità di sicurezza specifiche con cui i clienti di grandi dimensioni non sono soddisfatti.

Interpretare i fattori di influenza chiave continui

Finora hai appreso come utilizzare il visivo per esplorare come i diversi campi categorici influenzano le valutazioni basse. È anche possibile avere fattori continui come età, altezza e prezzo nel campo Spiega in base a. Si esaminerà ora cosa accade quando Tenure viene spostato dalla tabella customer a Explain by. Tenure indica da quanto tempo un cliente usa il servizio.

Man mano che aumenta la permanenza, aumenta anche la probabilità di ricevere una valutazione bassa. Questa tendenza suggerisce che i clienti a lungo termine hanno più probabilità di assegnare un punteggio negativo. Queste informazioni sono interessanti e può essere utile analizzarle in maggior dettaglio in seguito.

La visualizzazione indica che ogni volta che la permanenza aumenta di 13,44 mesi, anche la probabilità di una valutazione bassa aumenta in media di 1,23 volte. In questo caso, 13,44 mesi rappresentano la deviazione standard della permanenza. Pertanto le informazioni dettagliate ricevute analizzano come l'aumento della permanenza in base a un valore di tempo standard (deviazione standard della permanenza) ha effetto sulla probabilità di ricevere una valutazione bassa.

Il grafico a dispersione nel riquadro destro traccia la percentuale media di valutazioni basse per ogni valore di tenure. L'inclinazione viene evidenziata con una linea di tendenza.

Influenze continue chiave raggruppate per intervalli

In alcuni casi, si potrebbe notare che i fattori continui sono stati trasformati automaticamente in categorie. Se la relazione tra le variabili non è lineare, l'oggetto visivo non può descrivere la relazione come semplicemente aumentare o diminuire, come nell'esempio precedente.

L'elemento visivo esegue test di correlazione per determinare quanto il fattore influente sia lineare rispetto al target. Se la variabile target è continua, il visual esegue la correlazione di Pearson; se la variabile target è categoriale, esegue i test di correlazione punto-biseriale. Se la relazione non è sufficientemente lineare, l'elemento visivo esegue un raggruppamento supervisionato e genera un massimo di cinque classi. Il metodo di raggruppamento supervisionato determina quali classi siano più appropriate esaminando la relazione tra la variabile esplicativa e la variabile target analizzata.

Interpretare misure e aggregazioni come fattori di influenza chiave

È possibile usare misure e aggregazioni come fattori esplicativi nell'analisi. Ad esempio, quale effetto ha il conteggio dei ticket di supporto clienti sul punteggio ricevuto? In alternativa, quale effetto ha la durata media di un ticket aperto sul punteggio ricevuto?

In questo caso si vuole vedere se il numero di ticket di supporto associati a un cliente ha effetto sulla valutazione specificata da quel cliente. Ora inserisci ID ticket di supporto dalla tabella dei ticket di supporto. Poiché un cliente può avere più ticket di supporto, aggregare l'ID a livello di cliente. L'aggregazione è importante perché l'analisi viene eseguita a livello di cliente, pertanto è necessario definire tutti i driver a tale livello di granularità.

Ora si esamina il conteggio degli ID. A ogni riga di clienti è associato un numero di ticket di supporto. In questo caso, man mano che il numero di ticket di supporto aumenta, anche la probabilità che la valutazione sia bassa aumenta di 4,08 volte. Lo screenshot seguente mostra il numero medio di ticket di supporto in base a valori di valutazione diversi valutati a livello di cliente.

Interpretare i risultati: Segmenti principali

Usare la scheda Fattori di influenza chiave per valutare ogni fattore singolarmente. Usare la scheda Segmenti principali per vedere come una combinazione di fattori influisce sulla metrica che si sta analizzando.

I segmenti principali mostrano inizialmente una panoramica di tutti i segmenti che Power BI individuati. L'esempio seguente indica che sono stati trovati sei segmenti. La percentuale di valutazioni basse all'interno del segmento determina la classificazione. Ad esempio, nel segmento 1 il 74,3% delle valutazioni dei clienti sono basse. Più in alto è posizionata la bolla, maggiore è la proporzione di valutazioni basse. Le dimensioni della bolla rappresentano il numero di clienti inclusi nel segmento.

Se si seleziona una bolla vengono visualizzati i dettagli del segmento corrispondente. Se si seleziona Segmento 1, ad esempio, si scopre che rappresenta i clienti stabiliti. Sono clienti da più di 29 mesi e hanno più di quattro ticket di supporto. Infine non sono editori (pertanto sono consumatori o amministratori).

In questo gruppo il 74,3% dei clienti ha dato una valutazione bassa. In media i clienti che danno una valutazione bassa sono l'11,7%, per cui questo segmento include una proporzione molto più elevata di valutazioni basse. È superiore di 63 punti percentuali. Si noti anche che il segmento 1 contiene circa il 2,2% dei dati, pertanto rappresenta una parte non trascurabile della popolazione.

Aggiunta di conteggi

In alcuni casi un fattore di influenza può avere un effetto significativo, ma rappresenta poco dei dati. Ad esempio, il Theme e l'usabilità sono il terzo maggiore fattore influente per le valutazioni basse. Tuttavia, potrebbe esserci solo una manciata di clienti che si sono lamentati dell'usabilità. I conteggi consentono di definire le priorità dei fattori di influenza da considerare rilevanti.

Attiva i conteggi nella scheda Analisi del riquadro Formato dell'oggetto visivo.

Dopo aver abilitato i conteggi, viene visualizzato un anello intorno alla bolla di ogni fattore di influenza, che rappresenta la percentuale approssimativa di dati contenuti dal fattore di influenza. Quanto più l'anello circonda la bolla, tanto più dati contiene. L'esempio mostra che Theme è usabilità contiene una piccola percentuale di dati.

Usa il comando Ordina per in basso a sinistra del visual per ordinare prima le bolle in base al conteggio anziché all'impatto. Subscription Type è Premier, il principale influenzatore in base al conteggio.

Un anello completo intorno al cerchio indica che il fattore di influenza contiene 100% dei dati. Modificare il tipo di conteggio in modo che sia relativo al fattore di influenza massimo usando l'elenco a discesa Tipo di conteggio nella scheda Analisi del riquadro Visivo Formato. Ora il fattore di influenza con la maggior parte dei dati è rappresentato da un anello completo e tutti gli altri conteggi sono relativi.

Analizzare una metrica numerica

Se si sposta un campo numerico nonsummarizzato nel campo Analizza , è possibile scegliere come gestire tale scenario. Modificare il comportamento dell'oggetto visivo passando al riquadro Formato oggetto visivo e passando da Tipo di analisi categorica a Tipo di analisi continua.

Un tipo di analisi categorica è descritto in precedenza in questo articolo. Ad esempio, se si esaminano i punteggi dei sondaggi compresi tra 1 e 10, è possibile chiedere "Che cosa influenza i punteggi dei sondaggi come 1?"

Il tipo di analisi Continuo imposta una domanda di tipo continuo. Usando l'esempio precedente, la nuova domanda è "Che cosa influenza i punteggi dei sondaggi per aumentare o diminuire?"

Questa distinzione è utile quando si hanno molti valori univoci nel campo da analizzare. Nell'esempio seguente si esaminano i prezzi delle case. Non è significativo chiedere "Che cosa influenza House Price per essere 156.214?" in quanto questa domanda è specifica e probabilmente non si dispone di dati sufficienti per dedurre un modello.

Invece, si potrebbe voler chiedere: "Cosa influenza l'aumento del prezzo della casa", che consente di trattare i prezzi delle case come un intervallo piuttosto che valori distinti.

Interpretare i risultati: Fattori di influenza chiave

In questo scenario, esaminiamo "Che cosa influenza l'aumento del prezzo della casa". Un certo numero di fattori esplicativi potrebbe influire sul prezzo di una casa, ad esempio Year Built (anno in cui è stata costruita la casa), KitchenQual (qualità della cucina) e YearRemodAdd (anno in cui la casa è stata rimodellata).

Nell'esempio seguente viene esaminato il fattore di influenza principale, che è la qualità della cucina eccellente. I risultati sono simili a quelli ottenuti con l'analisi delle metriche delle categorie, con alcune importanti differenze:

• L'istogramma a destra esamina le medie anziché le percentuali. Ci mostra il prezzo medio della casa di una casa con una cucina eccellente (bar verde) rispetto al prezzo medio della casa di una casa senza una cucina eccellente (linea punteggiata).
• Il numero nella bolla è ancora la differenza tra la linea rossa punteggiata e la barra verde, ma è espressa come numero (\$158,49K) anziché una probabilità (1,93x). Così in media, le case con ottime cucine sono quasi $160K più costose rispetto alle case senza ottime cucine.

Nell'esempio seguente si esamina l'impatto di un fattore continuo (anno in cui la casa è stata rimodellata) sul prezzo della casa. Le differenze rispetto all'analisi dei fattori di influenza continui per le metriche categoriche sono le seguenti:

• Il grafico a dispersione nel riquadro destro traccia il prezzo medio della casa per ogni valore distinto dell'anno rimodellato.
• Il valore nella bolla mostra quanto aumenta il prezzo medio della casa (in questo caso, $2,87K) quando l'anno in cui la casa è stata rimodellata aumenta per la sua deviazione standard (in questo caso, 20 anni).

Infine, nel caso delle misure, si prende in esame l'anno medio di costruzione di una casa. L'analisi è la seguente:

• Il grafico a dispersione nel riquadro destro traccia il prezzo medio della casa per ogni valore distinto nella tabella.
• Il valore nella bolla mostra di quanto aumenta il prezzo medio delle case (in questo caso 1.350 USD) quando l’anno medio aumenta di una deviazione standard (in questo caso 30 anni).

Interpretare i risultati usando i segmenti principali

I segmenti superiori per gli obiettivi numerici evidenziano i gruppi in cui i prezzi delle case sono mediamente più alti rispetto al set di dati complessivo. Nell'immagine seguente, ad esempio, si noterà che segmento 1 è costituito da case in cui GarageCars (numero di automobili che il garage può adattare) è maggiore di 2 e RoofStyle è Hip. Le case con queste caratteristiche hanno un prezzo medio di \$355K rispetto alla media complessiva nei dati che sono \$180.000.

Analizzare una metrica costituita da una misura o da una colonna riepilogativa

Per una misura o una colonna riepilogativa, l'analisi viene impostata di default sul Tipo di analisi continua descritto precedentemente in questo articolo. Non è possibile modificarlo. La differenza principale tra l'analisi di una misura o una colonna riepilogata e l'analisi di una colonna numerica nonsumata è il livello in cui viene eseguita l'analisi.

Per le colonne non riepilogative, l'analisi viene sempre eseguita a livello di tabella. Nell'esempio di prezzo della casa è stata analizzata la metrica House Price per vedere cosa influisce sul prezzo di una casa per aumentare o diminuire. L'analisi viene eseguita automaticamente a livello di tabella. La tabella ha un ID univoco per ogni casa, quindi l'analisi viene eseguita a livello di casa.

Per le misure e le colonne riepilogate, non si sa immediatamente a quale livello analizzarli. Se hai riepilogato Prezzo della casa come Media, devi considerare a quale livello vuoi calcolare questo prezzo medio delle case. È il prezzo medio delle case a livello di quartiere? O a livello di zona?

Power BI analizza automaticamente le misure e le colonne aggregate al livello dei campi Spiega per utilizzati. Si supponga di voler esaminare tre campi in Spiega per: Qualità della cucina, Tipo di edificio e Aria condizionata. Power BI calcola la media del prezzo della casa per ogni combinazione univoca di questi tre campi. Spesso è utile passare a una vista tabella per visualizzare l'aspetto dei dati valutati.

Questa analisi è estremamente riepilogata, quindi potrebbe essere difficile per il modello di regressione trovare i modelli nei dati da cui è possibile apprendere. Eseguire l'analisi a un livello più dettagliato per ottenere risultati migliori. Se si vuole analizzare il prezzo della casa a livello di casa, è necessario aggiungere in modo esplicito il campo ID all'analisi. Tuttavia, non vuoi che l'ID della casa sia considerato una variabile influente. Non è utile sapere che quando l'ID della casa aumenta, aumenta anche il prezzo di una casa. L'opzione Espandi per campo è utile qui. È possibile usare Expand by per aggiungere campi da usare per impostare il livello dell'analisi senza cercare nuovi fattori di influenza.

Guarda come appare la visualizzazione dopo aver aggiunto ID a Espandi per. Dopo aver definito il livello in cui valutare la misura, l'interpretazione dei fattori di influenza è identica a quella applicata per le colonne numeriche non riepilogative.

Per informazioni sul modo in cui Power BI usa ML.NET in background per ragionare sui dati e sulle informazioni dettagliate sulla superficie, vedere Power BI identifies key influencers using ML.NET (Power BI identifica i fattori di influenza chiave tramite ML.NET).

Considerazioni e risoluzione dei problemi

Quali sono le limitazioni dell'elemento visivo?

La visualizzazione dei fattori di influenza chiave presenta le seguenti limitazioni:

• Non supporta DirectQuery.
• Non supporta la connessione live ad Azure Analysis Services e SQL Server Analysis Services.
• Non supporta la pubblicazione sul Web.
• Richiede .NET Framework 4.6 o versione successiva.
• Non supporta l'incorporamento di SharePoint Online.
• Non supporta l'analisi di una metrica categorica se si imposta Scoraggia misure implicite su true per il modello di dati, ad esempio quando i gruppi di calcolo sono definiti nel modello di dati.

Viene visualizzato un errore indicante che non sono stati trovati fattori di influenza o segmenti. Perché?

Questo errore si verifica quando si includono campi in Spiega per, ma l'elemento visivo non trova alcun fattore che influisce. Verificare se si verifica uno dei problemi seguenti.

• È stata inclusa la metrica che si sta analizzando sia in Analyze che Explain by. Rimuoverlo da Spiega tramite.
• I campi esplicativi hanno un numero eccessivo di categorie con poche osservazioni. Questa situazione rende difficile per l'oggetto visivo determinare quali fattori sono fattori di influenza. È difficile generalizzare in base a poche osservazioni. Se si analizza un campo numerico, è consigliabile passare dall'analisi categoricaall'analisi continua nel riquadro Visivo Formato della scheda Analisi .
• I fattori esplicativi dispongono di un numero sufficiente di osservazioni per consentire una generalizzazione, ma la visualizzazione non ha individuato correlazioni abbastanza significative da segnalare.

Un errore segnala che la metrica analizzata non ha una quantità di dati sufficiente per l'esecuzione dell'analisi. Perché?

La visualizzazione funziona esaminando gli schemi nei dati per un gruppo rispetto agli altri gruppi. Ad esempio cerca i clienti che hanno dato valutazioni basse e li confronta con i clienti che hanno dato valutazioni elevate. Se i dati nel modello hanno solo poche osservazioni, è difficile individuare schemi. Se la visualizzazione non dispone di dati sufficienti per trovare fattori di influenza significativi, indica che sono necessari più dati per eseguire l'analisi.

Usare almeno 100 osservazioni per lo stato selezionato. In questo caso lo stato è rappresentato dai clienti che passano a un'altra azienda. È anche necessario avere almeno 10 osservazioni per gli stati usati per il confronto. In questo caso, lo stato di confronto è quello dei clienti che non abbandonano.

Se si analizza un campo numerico, è possibile passare da Analisi categorica ad Analisi continua nel riquadro Visivo Formato della scheda Analisi .

Viene visualizzato un errore che quando non si riepiloga "Analizza", l'analisi viene sempre eseguita a livello di riga della tabella padre. Non è possibile modificare questo livello utilizzando i campi "Espandi per". Perché?

Quando si analizza una colonna numerica o categorica, l'analisi viene sempre eseguita a livello di tabella. Ad esempio, se si analizzano i prezzi delle abitazioni e la tabella contiene una colonna ID, l'analisi viene eseguita automaticamente a livello di ID casa.

Quando si analizza una misura o una colonna riepilogata, è necessario dichiarare in modo esplicito a quale livello si vuole eseguire l'analisi. È possibile usare Espandi in base a per modificare il livello dell'analisi per le misure e le colonne riepilogative senza aggiungere nuovi fattori di influenza. Se Prezzo della casa fosse definito come misura, potresti aggiungere la colonna ID delle case a Espandi per per modificare il livello dell'analisi.

Un errore indica che un campo in Spiega in base a non è correlato in modo univoco alla tabella contenente la metrica che si sta analizzando. Perché?

L'analisi viene eseguita a livello di tabella del campo analizzato. Se ad esempio si analizzano commenti e suggerimenti dei clienti per il servizio, è possibile che sia presente una tabella che indica se un cliente ha dato una valutazione elevata o bassa. In questo caso, l'analisi viene eseguita a livello della tabella dei clienti.

Se si definisce una tabella correlata a un livello più granulare rispetto alla tabella contenente la metrica, viene visualizzato questo errore. Ecco un esempio:

• Si stanno analizzando i motivi per cui i clienti danno valutazioni basse del servizio.
• Si vuole verificare se il dispositivo in cui il cliente utilizza il servizio influisce sulle recensioni che forniscono.
• Un cliente può usare il servizio in modi diversi.
• Nell'esempio seguente il cliente 10000000 usa sia un browser che un tablet per interagire con il servizio.

Se si prova a usare la colonna del dispositivo come fattore esplicativo, viene visualizzato l'errore seguente:

Questo errore viene visualizzato perché il dispositivo non è definito a livello dei clienti. Un cliente può usare il servizio su più dispositivi. Per consentire alla visualizzazione di trovare schemi, è necessario che il dispositivo sia un attributo del cliente. Esistono diverse soluzioni, che dipendono da come l'utente interpreta l'attività:

• È possibile modificare il riepilogo dei dispositivi in un conteggio. Usare ad esempio count se il numero di dispositivi potrebbe influire sul punteggio assegnato da un cliente.
• È possibile pivotare la colonna del dispositivo per verificare se l'utilizzo del servizio in un dispositivo specifico influisce sulla classificazione di un cliente.

In questo esempio, i dati sono stati trasposti per creare nuove colonne per browser, dispositivi mobili e tablet (assicurarsi di eliminare e ricreare le relazioni nella vista di modellazione dopo aver trasposto i dati). Ora è possibile usare questi dispositivi specifici in Spiega in base a. Tutti i dispositivi risultano essere fattori di influenza e il browser ha l'effetto maggiore sulla valutazione data dai clienti.

Più precisamente, i clienti che non usano il browser per il servizio hanno probabilità 3,79 volte maggiori di dare una valutazione bassa rispetto ai clienti che usano il browser. Nella parte inferiore dell'elenco, l'opposto è vero per i dispositivi mobili. I clienti che usano l'app per dispositivi mobili hanno maggiori probabilità di offrire un punteggio basso rispetto ai clienti che non lo usano.

Un avviso indica che le misure non sono state incluse nell'analisi eseguita. Perché?

L'analisi viene eseguita a livello di tabella del campo analizzato. Se si sta analizzando l'abbandono dei clienti, è possibile che si abbia una tabella che indica se un cliente ha abbandonato o meno. In questo caso, l'analisi viene eseguita a livello della tabella dei clienti.

Per impostazione predefinita, l'analisi include misure e aggregazioni a livello di tabella. Se esistesse una metrica per la spesa mensile media, l'analisi la includerebbe a livello della tabella cliente.

Se la tabella customer non ha un identificatore univoco, non è possibile valutare la misura e l'analisi lo ignora. Per evitare questa situazione, assicurarsi che la tabella con la metrica abbia un identificatore univoco. In questo caso, si tratta della tabella dei clienti e l'identificatore univoco è l'ID cliente. È anche possibile aggiungere una colonna di indice usando Power Query.

Un avviso indica che la metrica analizzata ha più di 10 valori unici e che questo valore può influire sulla qualità dell'analisi. Perché?

La visualizzazione IA è in grado di analizzare i campi categoria e i campi numerici. Per campi categorici, un esempio potrebbe essere l'Abbandono è Sì o No, e la Soddisfazione del Cliente è Alta, Media o Bassa. L'aumento del numero di categorie da analizzare significa che sono presenti meno osservazioni per categoria. Questa situazione rende più difficile per la visualizzazione trovare criteri nei dati.

Quando si analizzano i campi numerici, è possibile trattare i campi numerici come il testo, nel qual caso si esegue la stessa analisi eseguita per i dati categorici (Analisi categorica). Se sono presenti molti valori distinti, passare all'analisi continua. Questo approccio identifica i modelli in base al modo in cui i numeri aumentano o diminuiscono anziché considerarli come valori distinti. È possibile passare dall'analisi categorica all'analisi continua nel riquadro formato visivo della scheda Analisi.

Per trovare fattori di influenza più forti, raggruppare valori simili in una singola unità. Ad esempio, se si dispone di una metrica per il prezzo, è probabile che si ottengano risultati migliori raggruppando prezzi simili in categorie High, Medium e Low invece di usare singoli punti di prezzo.

I dati in uso contengono fattori che dovrebbero essere fattori di influenza chiave, ma non lo sono. Perché si verifica questa situazione?

Nell'esempio seguente i clienti che sono consumatori registrano valutazioni basse, con un 14,93% di valutazioni basse. Il ruolo di amministratore ha anche una percentuale elevata di valutazioni basse a 13,42%, ma non è considerato un fattore di influenza.

La visualizzazione considera il numero di punti dati quando trova fattori di influenza. L'esempio seguente ha più di 29.000 consumatori e un numero di amministratori inferiore di 10 volte, circa 2900. Solo 390 di loro hanno dato una valutazione bassa. L'elemento visivo non contiene dati sufficienti per determinare se ha individuato uno schema nelle valutazioni dell'amministratore o se si tratta solo di un risultato dovuto al caso.

Quali sono i limiti dei punti dati per i fattori di influenza chiave?

L'elemento visivo esegue l'analisi su un campione di 10.000 punti di dati. Le bolle su un lato mostrano tutti i fattori di influenza trovati. I grafici a colonne e i grafici a dispersione sull'altro lato usano le strategie di campionamento per tali oggetti visivi principali.

Come si calcolano i fattori di influenza chiave per l'analisi categorica?

In background, la visualizzazione Intelligenza artificiale (AI) usa ML.NET per eseguire una regressione logistica per calcolare i fattori di influenza chiave. Una regressione logistica è un modello statistico che confronta diversi gruppi.

Se si vuole vedere quali sono le valutazioni basse, la regressione logistica esamina il modo in cui i clienti che offrono un punteggio basso differiscono dai clienti che assegnano un punteggio elevato. Se sono presenti più categorie, ad esempio punteggi alti, neutrali e bassi, si esamina il modo in cui i clienti che danno una valutazione bassa differiscono dai clienti che non danno una valutazione bassa. In questo caso, in che modo i clienti che assegnano un punteggio basso differiscono dai clienti che assegnano una valutazione elevata o una classificazione neutra?

La regressione logistica cerca modelli nei dati e cerca in che modo i clienti che offrono una valutazione bassa potrebbero differire dai clienti che offrono una valutazione elevata. Ad esempio può determinare che i clienti con un numero maggiore di ticket di supporto hanno dato una percentuale molto più elevata di valutazioni basse rispetto ai clienti che hanno pochi ticket di supporto o nessun ticket.

La regressione logistica prende in considerazione anche il numero di punti dati presenti. Ad esempio, se i clienti che svolgono un ruolo di amministratore assegnano punteggi proporzionalmente più negativi, ma ci sono solo pochi amministratori, questo fattore non è considerato influente. Il modello rende questa determinazione perché non sono disponibili punti dati sufficienti per dedurre un modello. Per determinare se un fattore può essere considerato come fattore di influenza, viene usato un test statistico denominato test di Wald. La visualizzazione usa un valore p di 0,05 per determinare il limite.

Come si calcolano i fattori di influenza chiave per l'analisi numerica?

In background, la visualizzazione Intelligenza artificiale (AI) usa ML.NET per eseguire una regressione lineare e calcolare i fattori di influenza chiave. Una regressione lineare è un modello statistico che esamina come il risultato del campo che si sta analizzando cambia in base ai fattori esplicativi specificati.

Ad esempio, se si analizzano i prezzi delle case, una regressione lineare esamina l'effetto che ha una cucina eccellente sul prezzo della casa. Le case con cucine in ottime condizioni hanno in genere prezzi più bassi o più alti rispetto alle case che non hanno cucine in ottime condizioni?

La regressione lineare prende in considerazione anche il numero di punti dati. Ad esempio, se le case con campi da tennis hanno prezzi più alti, ma hai poche case con un campo da tennis, questo fattore non è considerato influente. Il modello rende questa determinazione perché non sono disponibili punti dati sufficienti per dedurre un modello. Per determinare se un fattore può essere considerato come fattore di influenza, viene usato un test statistico denominato test di Wald. La visualizzazione usa un valore p di 0,05 per determinare il limite.

Come si calcolano i segmenti?

Dietro le quinte, la visualizzazione basata sull'intelligenza artificiale usa ML.NET per eseguire un albero decisionale per individuare sottogruppi interessanti. L'obiettivo dell'albero delle decisioni è trovare un sottogruppo di punti dati relativamente elevato nella metrica a cui si è interessati. Un esempio possono essere i clienti che hanno dato una valutazione bassa o le case con prezzi elevati.

L'albero delle decisioni prende ogni fattore esplicativo e tenta di determinare quale fattore fornisce la suddivisione migliore. Ad esempio, se si filtrano i dati in modo da includere solo clienti aziendali di grandi dimensioni, questo filtro separa i clienti che hanno dato una valutazione elevata a coloro che hanno dato una valutazione bassa? O forse è meglio filtrare i dati in modo da includere solo i clienti che hanno commentato la sicurezza?

Dopo che l'albero delle decisioni divide i dati, prende il sottogruppo e determina la divisione migliore successiva per tali dati. In questo caso, il sottogruppo è quello dei clienti che hanno aggiunto un commento sulla sicurezza. Dopo ogni divisione, l'albero delle decisioni verifica se il gruppo dispone di punti dati sufficienti per essere rappresentativi e dedurre un modello. In caso contrario, il gruppo è un'anomalia e non un segmento reale. L'albero delle decisioni applica anche un test statistico per verificare la rilevanza statistica della condizione di divisione con un valore p pari a 0,05.

Quando l'albero delle decisioni termina l'esecuzione, prende tutte le suddivisioni, ad esempio i commenti sulla sicurezza e le grandi imprese, e crea filtri di Power BI. L'elemento visivo raggruppa questa combinazione di filtri in un segmento.

Perché determinati fattori diventano fattori di influenza o smettono di essere fattori di influenza man mano che si spostano più campi in Spiega per?

La visualizzazione valuta tutti i fattori esplicativi insieme. Un fattore può essere un fattore di influenza da solo, ma se considerato con altri fattori potrebbe non essere. Si supponga di voler analizzare le cause per cui il prezzo di una casa è elevato, con il numero di camere da letto e la metratura della casa come fattori esplicativi:

• Di per sé, un maggior numero di camere da letto potrebbe far aumentare i prezzi delle case.
• Quando si includono le dimensioni della casa nell'analisi, si esamina cosa accade alle camere da letto mentre le dimensioni della casa rimangono costanti.
• Se ad esempio le dimensioni della casa sono fissate a 140 metri quadrati, è poco probabile che un aumento continuo del numero di camere da letto faccia aumentare notevolmente il prezzo della casa.
• Le camere da letto potrebbero non essere un fattore così importante come lo erano prima di considerare le dimensioni della casa.

Contenuto correlato

• Grafici combinati in Power BI
• Panoramica delle visualizzazioni in Power BI
• Come Power BI usa ML.NET per identificare i fattori di influenza chiave