<img src="https://secure.leadforensics.com/133892.png" alt="" style="display:none;">

Den 19-23 April 2021 hölls Power BI Summit som ett evenemang online. Med mer än 100 presentatörer och lika många presentationer kom vi långt i Power BI-världen.

En sak stod verkligen ut i mängden av nyheter och presentationer: Hur Microsoft på allvar har börjat använda AI-teknik som en integrerad del av Power BI Pro och Premium. Fram till nyligen har det nästan krävts en doktorsexamen inom datavetenskap för att kunna arbeta med AI. Gradvis har Microsoft gjort AI till en integrerad del av Power BI i så pass stor utsträckning att man nästan kan prata om AI ”direkt-ur-lådan”. Det är ganska otroligt vad kombinationen Power BI och AI ger beträffande nya möjligheter inom BI! Här presenterar vi 5 av de nya AI-hacksen i Power BI som på allvar kommer att ge ert BI-arbete en rejäl skjuts framåt.

Power BI AI-hack 1: Q&A


I grund och botten handlar (bra) rapportering om att berätta en historia. Det kan vara berättelsen om resultatet av en kampanj eller berättelsen om resultatutvecklingen under de senaste tre åren. Konsten är att identifiera rätt historia och sedan förmedla den. Med Power BI Q&A behöver du inte själv bygga din analys ända från grunden. Du börjar helt enkelt skapandet av din rapport bara genom en textruta där du beskriver historian du vill berätta, till exempel: Vad är den förväntade avkastningen på att driva en kampanj på produkt x på marknad y riktat mot kundgrupp z under andra kvartalet 2021? Allt eftersom du skriver texten kommer Power BI att komma med förslag på vilka data och analyser som ska inkluderas i rapporten. Härifrån kan du dyka ner i data och undersöka olika dimensioner. Samtidigt registrerar Power BI trender och resultat som du kanske inte var medveten om.

Q&A är en genväg till skapandet av rapporter, men det är även en möjlighet till helt nya insikter. Samtidigt minskas risken för mänsklig partiskhet, t.ex. att vi ofta hittar de resultat och förklaringar som vi (omedvetet) letar efter. Bonusen är att Q&A inkluderar en funktionalitet som gör att Power BI lär sig att förstå det du frågar om. Till exempel: om du använder ordet ”skola” kanske inte Power BI ”förstår” det ordet om den dimensionen inte är tillgänglig i modellen. Du anger därför ”utbildning” istället och Power BI lär sig att ”skola” är lika med ”utbildning”, vilket i det här fallet redan var en del av din modell.

Power BI AI-hack 2: Anomalies (oriktigheter)

När du arbetar med tidsseriedata såsom intäkter över tid kommer det naturligtvis att finnas en variation i data, t.ex. från vecka till vecka. Du sitter kanske med en graf och tittar på något som ser ut som en taggig bergsrygg och ska avgöra om allt ser normalt ut eller inte. Stora variationer uppåt eller nedåt är utmärkande. Men betyder det att det finns oriktigheter i bakomliggande data eller är det bara en normal variation, till exempel för att ni har kört en kampanj?

Det är svårare att upptäcka de ”osynliga” oriktigheterna – där det inte finns något som sticker ut, eftersom intäkterna varierar i en regelbunden rytm under tidsperioden. Med Analytics-funktionen ”Anomalies” använder Power BI AI för att titta på underliggande data och upptäcker automatiskt om det finns oriktigheter i tidsseriedatan. Anomalies-funktionen ger också förklaringar till oriktigheterna vilket är en hjälp för att kunna analysera de huvudsakliga bakomliggande orsakerna. Naturligtvis finns det en stor skillnad i graden av variationer i en tidsseriedata. Därför bestämmer du själv hur känslig algoritmen i Power BI ska vara för förändringar i data och när en avvikelse ska ses som en oriktighet. Även under Analytics finns en liknande AI-funktion, kallad ”Forecast”, men som istället för historiska variationer beräknar hur utvecklingen förväntas se ut under de kommande x perioderna.

Om du vill bli bättre på Power BI kan du registrera dig för en av våra kurser:

Läs mer


Power BI AI-hack 3: Analyze

Du har rapporterat omsättningen för innevarande år till försäljningschefen i ett tydligt stapeldiagram, månad för månad. Februari månad visar en markant omsättningsökning – och nu vill chefen få en förklaring till ökningen. Istället för att behöva sätta igång ett mödosamt detektivarbete, högerklickar du bara på kolumnen för februari. På nolltid har du en ny analys av februaris siffror, tydligt presenterade. Här kan du se att det var särskilt i Danmark, Tyskland och USA som en omsättningsökning skedde i februari medan Danmark, Tyskland och Frankrike hade den största relativa förändringen i försäljningssiffrorna. Med denna AI-funktionalitet går du från att få svar på vad som händer, till att också få svar på varför det händer. AI analyserar siffrorna på djupet och ser bakom mönster och trender. I det här exemplet har vi tagit utgångspunkt i en färdig rapport som försäljningschefen vill utarbeta – men det är också en självklarhet att använda Analyze-funktionen i samband med att rapporten byggs upp.


Power BI AI-hack 4: Decomposition Tree

Ett annat sätt att dyka ner i siffrorna är att använda Power BIs funktionalitet Decomposition Tree (distributionsträd). Tanken med distributionsträdet är: Vilket värde vill du analysera (en enskild mätning eller aggregerade data) och vilka dimensioner vill du förklara värdet med (genom datautvinning)? Du kanske vill titta på er leveranskedja och analysera hur stor andel av era produkter som utgörs av restorder? Eller kanske analysera försäljningen av en viss produktkategori (böcker) efter olika faktorer som exempelvis genre och utgivare?

Med distributionsträd-funktionen i Power BI kan du visualisera data över flera dimensioner. Funktionen samlar automatiskt in data så att du kan utföra datautvinning i dina dimensioner i valfri ordning. Du kan använda verktyget till ad hoc-undersökningar och root cause-analyser – och du kan också be Power BI att hitta nästa dimension i dina data så att du får en detaljerad rapport baserat på specifika kriterier.


Power BI AI-hack 5: Visualisering av key influencers (nyckelfaktorer)

Skulle detta kunna vara din vardag?

  • Kundtjänstchefen vill veta vad den huvudsakliga orsaken är till att kunder ger ert callcenter dåliga recensioner.
  • Produktchefen vill veta vilka egenskaper beträffande er produkt som kunderna är särskilt nöjda med och vad de är särskilt trötta på.
  • Försäljningschefen vill veta om det är samma faktorer som får försäljningen att öka både på den danska och norska marknaden?
  • Och HR-chefens magkänsla säger att pendlingstid och anställningstid är viktiga faktorer för den ökade personalomsättningen – men vill veta om det stämmer och vad som väger tyngst.

Visualiseringen av key influencers (nyckelfaktorer) hjälper dig att förstå faktorerna bakom det värde du är intresserad av. Key influencers analyserar data, rangordnar de faktorer som har betydelse och visar dem som nyckelfaktorer. På det sättet kan du se mer än bara de faktorer som påverkar till exempel personalomsättningen. Du kan också jämföra faktorernas relativa betydelse och se om till exempel pendlingstid har större inverkan på personalomsättningen än anställningstiden.

 

Ämnen

Diskutera detta inlägg

Rekommenderad läsning

right-arrow share search phone phone-filled menu filter envelope envelope-filled close checkmark caret-down arrow-up arrow-right arrow-left arrow-down