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

Formelspråket som används i Power BI heter DAX. Språket utgörs av ett stort antal funktioner med konstanter och operatorer vilka används i formler och uttryck för att beräkna ett eller flera värden. DAX skapar helt enkelt ny information utifrån data som redan finns i din datamodell.

Funktionerna i DAX delar vi in i följande grupper: DATETIME, FILTER, INFO, LOGICAL, MATHTRIG, PARENTCHILD, STATISTICAL, TEXT, TIMEINTELLIGENCE samt OTHER.

DAX Function: CALENDARAUTO

Reference group: DATETIME

Har du dagar du inte har några ingående transaktioner t ex försäljning, inköp, tidregistrering mm men har behov att kunna selektera ut eller visualisera dessa dagar? Då behöver du ha en datumtabell med alla periodens dagar kopplad till din datamodell.

Power BI har dessutom många fördefinierade datumfunktioner för att underlätta beräkningar över tid. För att kunna utnyttja dessa funktioner på ett optimalt och funktionellt sätt behöver du även här ha en datumtabell.
 
Datumtabellen kan genereras i Power BI med DAX-funktionen CALENDARAUTO. Funktionen hämtar automatiskt start- och slut-datum i din befintliga datamodell. Tabellen som genereras löper kontinuerligt från tidigaste till senaste datum i datamodellen utan ”glapp” mellan datum. Detta är ett krav för att de fördefinierade datumfunktionerna skall fungera på bästa sätt.

Det finns ytterligare en DAX-funktion i Power BI som genererar en datumtabell men den berör vi inte i den här bloggen. CALENDARAUTO-funktionen hittar du i referensgruppen DATETIME.


CALENDARAUTO function (DAX)

CALENDARAUTO-funktionen returnerar en tabell med en enda kolumn som heter Date som innehåller ett sammanhängande datumintervall. Datumintervallet beräknas automatiskt baserat på redan förekommande datum i datamodellen. Med  CALENDARAUTO-funktionen är det även möjligt att ta hänsyn till om finansiellt år inte stämmer överens med kalenderåret.

Syntax: CALENDARAUTO([fiscal_year_end_month])

Exempel 1

I exemplet nedan visar vi hur du skapar en datumtabell, Datum 1, med start- och slut-datum hämtat i datamodellen. Kolumnen får automatiskt namnet Date. Finansiellt år och kalenderår är samma. Av utrymmesskäl visar vi bara de 7 första respektive de 7 sista datum i tabellen.

Skärmavbild 2019-04-10 kl. 15.50.16

Finansårets stoppmånad lämnas tom i detta exempel eftersom finansiellt år och kalenderår är samma.

För att skapa datumtabellen Datum 1 med kolumnen Date använder vi följande syntax:

DATUM 1 = CALENDARAUTO()

Exempel 2

I exemplet nedan visar vi hur du skapar en datumtabell, Datum 2, med start- och slut-datum hämtat i datamodellen. Kolumnen får automatiskt namnet Date. Finansiellt år och kalenderår är inte samma. Finansiellt år löper från 1/7 till 30/6. Av utrymmesskäl visar vi även här bara de 7 första respektive de 7 sista datum i tabellen. 

Skärmavbild 2019-04-10 kl. 15.51.43

Flera DATETIME funktioner (DAX)

Ovan har du fått exempel på hur du kan använda CALENDARAUTO-funktionen för att skapa en datumtabell. Det finns ytterligare 21 DATETIME-funktioner i Power BI.

Vill du veta mer vilka DATETIME-funktioner som finns i Power BI kan du ladda ner vår Power BI applikation som visar alla DATETIME funktioner. För att kunna använda Power BI applikationen behöver du ha Power BI Desktop installerad på din dator. Power BI Desktop är gratis och kan laddas ner här.

Vi kan naturligtvis hjälpa till med installation och att komma igång med PBI.

Håll utkik efter ytterligare blogginlägg .

Ladda ner CALENDARAUTO

 

Prenumerera på bloggen

Diskutera detta inlägg

Rekommenderad läsning

Vad är Microsoft Fabric? Microsoft Fabric är en heltäckande analyslösning för företag som omfattar allt från dataförflyttning till data sceince, realtidsanalys och business intelligence. Det erbjuder en omfattande uppsättning tjänster, inklusive data lake, datatransformation och integrering, allt på ett och samma ställe. Fabric sätter en ny standard for dataplattformar.
If you organize your data and use AI strategically, you can make better decisions faster. You can for example improve your market understanding and forecasting, optimize your maintenance or reduce food waste. Choose what is most important for you!
Demand forecasters do the impossible — predict what products and services customers want in the future. Their forecasts inform decision-making about production and inventory levels, pricing, budgeting, hiring and more. "While crystal balls remain imaginary, machine learning (ML) methods can give global supply chain leaders the support they need in the real world to create more accurate forecasts." The goal is to produce exactly the amount of product to meet demand. No more. No less. Demand forecasting is used to anticipate the demand with enough time to manufacture the right stock to get as close to this reality as possible. The cost is high if you don’t get it right. Your customers will go to your competitors if you don’t have what they need. Unfortunately, capacity, demand and cost aren’t always known parameters. Variations in demand, supplies, transportation, lead times and more create uncertainties. Ultimately demand uncertainties greatly influence supply chain performance with widespread effects on production scheduling, inventory planning and transportation. On the heels of the global pandemic, supply chain disruptions and a pending economic downturn, many demand forecasters wish for a crystal ball. While crystal balls remain imaginary, machine learning (ML) methods can give global supply chain leaders the support they need in the real world to create more accurate forecasts.
If you have identified possible AI use cases for your business, the next step will be to test if they are possible to implement and if they will create great value. While there is a lot of momentum and excitement about using AI to propel your business, the reality is only 54% of AI projects are deployed. How do you ensure you’re one of the businesses that does unlock the new opportunities AI promises? Your success with AI begins by discovering AI use cases that work for your business. In the first blog of our Columbus AI blog series, we shared five areas where organizations should focus their efforts to generate ideas for AI implementations based on our experience. After generating some ideas for AI use cases that could potentially benefit your company from the first step of the Columbus AI Innovation Lab, the next step is to test which AI use cases could be operationalized by evaluating them. Columbus AI Innovation Lab
Only half of the companies starting an AI pilot project are actually executing it. The key is to choose an idea that will benefit your business. Read more about how! In 2022, 27% of chief information officers confirmed they deployed artificial intelligence (AI), according to a Gartner AI survey. Even though businesses across all industries are turning to AI and machine learning, prepare your organization before jumping on the AI bandwagon by considering a few factors. Ask yourself: Is AI necessary for achieving the project requirements or is there another way? Does your team have the skills to support AI and machine learning? How will AI impact your current operations if you adopt it? How will you integrate AI with existing systems? What are the data, security and infrastructure requirements of AI and machine learning? The Gartner AI survey found only 54% of projects made it from the pilot phase to production. After significant investment in AI, why aren’t companies deploying it? We found the problem begins when companies define a use case. Too often, companies are not identifying AI use cases that benefit their businesses and end-users will adopt. The question is then, how should companies unlock the value and new opportunities AI promises? It starts with a systematic approach for each stage of the AI life cycle. We developed the Columbus AI Innovation Lab, a comprehensive method to address and account for all challenges when adding AI to your business operations and bring stakeholders into the process at the right time to help you operationalize AI.
right-arrow share search phone phone-filled menu filter envelope envelope-filled close checkmark caret-down arrow-up arrow-right arrow-left arrow-down right-arrow share search phone phone-filled menu filter envelope envelope-filled close checkmark caret-down arrow-up arrow-right arrow-left arrow-down