I denne serien velger vi å fokusere på hvordan Power BI kan hjelpe deg å løse praktiske problemer når det gjelder rapportering og analyse. Samtidig ønsker vi å vise nye funksjoner for å inspirere og gi ideer og tips til bruk av Power BI.
For å gjøre terskelen for bruk så lav som mulig, vil vi hovedsakelig fokusere på desktop-versjonen av Power BI. Denne kan lastes ned gratis her.
Del 1 – «hva hvis…?»
NB! Denne funksjonaliteten krever august 2018-versjonen eller nyere!
Du har laget en datamodell i Power BI for å rapportere salg, fylt den med data fra datakilden, og laget flere rapporter og grafer basert på modellen. Til tross for muligheter til å filtrere på periode, produkt og kunde og andre dimensjoner, er salgssjefen ikke fornøyd. Hun har nemlig funnet ut at siden modellen ser så bra ut, vil hun ikke bare ha ut rapporttallene, men også teste ut effekten av å endre litt på beregninger – altså «men hva hvis…». I tillegg ønsker hun å kunne sette opp dette selv, og endre forutsetninger underveis.
Hvordan gjør du dette?
For dette eksemplet har vi brukt data fra databasen AdventureWorksDW2016, som er en gratis og åpen testbase man kan laste ned fra Microsoft og installere på en MS SQL instans. I tillegg er den modifisert med norske tabellnavn og enkelte norske kolonnenavn
Vår opprinnelige datamodell ser slik ut:
Vår opprinnelige rapport ser slik ut:
Modellen inneholder ulike kostnader knyttet til hvert produkt, og salgssjefen ønsker å se nærmere på disse. I tillegg ønsker hun å se hva konsekvensen vil være på marginen ved ulike endringer. Til dette kan vi bruke funksjonen «hva-skjer-hvis» («What if» hvis du har engelsk versjon). Den gir oss mulighet til å lage en ny tabell med egendefinerte verdier vi kan bruke i beregninger. Denne tabellen blir automatisk lagt inn i modellen, og alt vi må gjøre er å fortelle hvordan tabellen skal benyttes.
Vi velger derfor funksjonen, og setter inn følgende verdier:
Legg merke til at vi gjør om prosent til desimaltall foreløpig (0,50 = 50%). Vi krysser også av for «Legg til slicer på denne siden». Dermed får vi tabellinnholdet som filter direkte i rapporten. Vi trykker «OK» og dermed får vi filteret inn. Foreløpig skjer det ingenting når vi endrer verdien i filteret, men det skal vi endre på i neste trinn.
Vi ønsker å koble denne verdien til fraktkostnaden, og det gjør vi enklest ved å opprette et nytt mål i faktatabellen for salg:
Vi setter inn følgende uttrykk:
Siden fraktkostnaden (freight) er knyttet til alle dimensjoner som brukes i rapporten, vil også dette nye måltallet kunne filtreres ut på de samme dimensjonene. Vi lager derfor en ny tabell og fjerner litt av den gamle rapporten for lesbarhetens skyld. For å se effekten, sammenligner vi det opprinnelige «freight»-feltet med det nye «Justert fraktkostnad»-feltet:
Ved å velge ulike verdier fra sliceren, ser vi at «Justert fraktkostnad» endrer seg. Dette skjer også hvis vi velger andre perioder enn i eksemplet.
Salgssjefen ønsker også å se differansen. Dette løser vi enkelt ved å laget et nytt mål. Sett inn denne formelen:
Når vi flytter det nye måltallet inn i tabellen vi laget ovenfor, får vi følgende resultat:
Salgssjefen er fornøyd. Helt til hun kommer på at det hadde vært interessant å ha flere variabler å leke med, samtidig som hun ønsker å se resultatet på salget i prosent og tall.
Så dermed – hun ønsker å legge inn mulighet for å endre etterspørsel i prosent, altså antall enheter solgt, og å endre salgspris i prosent i tillegg til den tabellen vi laget i forrige eksempel. Videre skal det være mulig å gjøre disse endringene på utvalgte produkter, og likevel se totaleffekten. For enkelthets skyld sier vi at salget her = (enhetspris*antall)
Hm…
Vi starter med å lage noen nye tabeller på samme måte som tidligere – med «hva-skjer-hvis» («What if») for å dekke ønsket om etterspørsel og endring av salgspris. For etterspørsel lager vi både positive og negative verdier, med intervall på 2% (0,02). Vi får da følgende filtre:
Vi setter inn følgende formler:
Til slutt setter vi inn de nye verdiene, og endrer litt på rapporten slik at vi ender opp med følgende resultat:
Vi forsøker følgende scenario: de tre øverste produkter i grafen til venstre får en reduksjon i salgspris på 10%. Vi forventer at etterspørselen da øker med 15%. Hva vil effekten av dette være på vårt totale salg? Vi får da følgende resultat:
Det vi kan se nå, er at den total effekten av endringen gir et estimert mersalg på 0,69% totalt for hele perioden, men at effekten svinger mellom 0,41% i januar, og 1,01% i mai.
Stay tuned for del 2 – hvor vi blant annet viser bruk av gruppering av faktafelt i egne tabeller og effektiv bruk av bokmerker. Lykke til med Power BI-bruken!
Har du behov for analyse og visualisering av dine data?