Oaed 105

ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
Προγράμματα Συμπληρωματικής Εκπαίδευσης
Με τη χρήση καινοτόμων μεθόδων εξ αποστάσεως εκπαίδευσης
ΕΠΕΞΕΡΓΑΣΙΑ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΣΤΟ POWER BI
1
© Copyright 2022, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών, Π. Ε. Πετράκης.
Η έντυπη, ηλεκτρονική και γενικά κατά οποιοδήποτε τρόπο αναπαραγωγή, δημοσίευση ή χρησιμοποίηση
όλου ή μέρους του υλικού έργου αυτού, απαγορεύεται χωρίς την έγγραφη έγκριση του κατόχου των
πνευματικών δικαιωμάτων του έργου.
2
ΠΕΡΙΕΧΟΜΕΝΑ
Σκοπός .......................................................................................................................................4
Προσδοκώμενα Αποτελέσματα ..............................................................................................5
Έννοιες Κλειδιά ..........................................................................................................................8
Εισαγωγικές Παρατηρήσεις ...................................................................................................10
Υποενότητα 1. Εισαγωγή στο Power BI ................................................................................15
1. ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΦΑΡΜΟΓΕΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ (DATA ANALYTICS) ΚΑΙ
ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΙΑΣ (BUSINESS INTELLIGENCE) ....................................................16
2. Η ΠΡΩΤΗ ΜΑΣ ΕΠΑΦΗ ΜΕ ΤΟ POWER BI .....................................................................21
3. ΜΕΝΟΥ ΕΠΙΛΟΓΩΝ ΤΟΥ POWER BI ..............................................................................28
Υποενότητα 2. Εισαγωγή δεδομένων & δημιουργία αναλύσεων (visualizations) ............36
1. ΕΙΣΑΓΟΝΤΑΣ ΔΕΔΟΜΕΝΑ ΣΤΟ POWER BI ....................................................................37
2. ΑΠΛΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ & ΑΠΕΙΚΟΝΙΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ..............................52
3. ΒΑΣΙΚΕΣ ΕΠΙΛΟΓΕΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΚΑΙ ΑΠΕΙΚΟΝΙΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ..................76
4. ΠΕΡΙΟΡΙΖΟΝΤΑΣ ΤΗΝ ΑΝΑΛΥΣΗ ΣΕ ΕΠΙΜΕΡΟΥΣ ΥΠΟΣΥΝΟΛΑ ΔΕΔΟΜΕΝΩΝ ..........92
Υποενότητα 3. Απεικόνιση Πληροφορίας σε Αναφορές του Power BI ..........................105
1. ΒΑΣΙΚΑ ΔΙΑΓΡΑΜΜΑΤΑ ΓΙΑ ΤΗΝ ΑΠΕΙΚΟΝΙΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ................................106
2. ΑΠΕΙΚΟΝΙΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΣΕ ΜΟΡΦΗ ΚΕΙΜΕΝΟΥ (TABLE, MATRIX, SLICER, CARD)
..........................................................................................................................................133
3. ΠΕΡΙΣΣΟΤΕΡΟ ΕΝΔΙΑΦΕΡΟΥΣΕΣ ΑΠΕΙΚΟΝΙΣΕΙΣ ΣΤΟ POWER BI .................................155
4. ΆΛΛΕΣ ΕΠΙΛΟΓΕΣ ΓΙΑ ΤΗ ΔΗΜΙΟΥΡΓΙΑ ΕΥΧΡΗΣΤΩΝ ΑΠΕΙΚΟΝΙΣΕΩΝ ........................172
Υποενότητα 4. Επεξεργασία και Οργάνωση Δεδομένων στο Power BI ..........................179
1. ΤΑΥΤΟΧΡΟΝΗ ΣΥΝΔΕΣΗ ΣΕ ΠΕΡΙΣΣΟΤΕΡΕΣ ΠΗΓΕΣ ΔΕΔΟΜΕΝΩΝ .............................180
2. ΣΧΕΣΕΙΣ ΜΕΤΑΞΥ ΤΩΝ ΠΙΝΑΚΩΝ ΔΕΔΟΜΕΝΩΝ ΜΑΣ ................................................191
3. ΑΠΛΟΙ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΤΩΝ ΔΕΔΟΜΕΝΩΝ ΜΑΣ ..............................................206
4. ΣΥΝΔΕΣΗ ΣΕ ΕΝΑΛΛΑΚΤΙΚΕΣ ΠΗΓΕΣ ΔΕΔΟΜΕΝΩΝ....................................................230
5. ΠΕΡΙΣΣΟΤΕΡΟΙ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΔΕΔΟΜΕΝΩΝ ...................................................243
Υποενότητα 5. Προχωρημένες Επιλογές Απεικόνισης και Ανάλυσης Δεδομένων .......265
1. ΕΠΙΛΕΓΟΝΤΑΣ ΤΟΝ ΤΡΟΠΟ ΔΙΑΔΡΑΣΗΣ ΜΕΤΑΞΥ ΤΩΝ ΑΠΕΙΚΟΝΙΣΕΩΝ ΤΗΣ ΑΝΑΦΟΡΑΣ
..........................................................................................................................................266
2. ΑΝΑΛΥΣΗ ΣΕ ΔΙΑΦΟΡΕΤΙΚΟ ΕΠΙΠΕΔΟ ΛΕΠΤΟΜΕΡΕΙΑΣ (DRILL-DOWN) ..................282
3. ΔΙΑΓΡΑΜΜΑΤΑ ΔΙΑΣΠΟΡΑΣ ΜΕ «ΚΙΝΗΣΗ» ΣΤΟ ΠΕΡΑΣΜΑ ΤΟΥ ΧΡΟΝΟΥ ...............292
4. ΕΙΣΑΓΩΓΗ ΑΝΑΛΥΤΗ - ANALYTICS...............................................................................299
5. ΑΥΤΟΜΑΤΗ ΚΑΤΗΓΟΡΙΟΠΟΙΗΣΗ ΠΑΡΑΤΗΡΗΣΕΩΝ - ΔΗΜΙΟΥΡΓΙΑ CLUSTERS ..........328
6. ΠΕΡΙΣΣΟΤΕΡΕΣ ΚΑΤΗΓΟΡΙΕΣ ΑΠΕΙΚΟΝΙΣΕΩΝ ...............................................................344
Σύνοψη ...................................................................................................................................357
Δικτυογραφία........................................................................................................................361
3
ΣΚΟΠΟΣ
Υποενότητα 1
Σκοπό της πρώτης υποενότητας του μαθήματος αποτελεί η εισαγωγή και η εξοικείωση του χρήστη με το
περιβάλλον της εφαρμογής Power BI. Μετά από μία σύντομη ανασκόπηση των διαθέσιμων εφαρμογών
ανάλυσης δεδομένων (data analytics) και, ειδικότερα, όσων παρέχουν δυνατότητες
«προσωποποιημένης» επιχειρηματικής ευφυΐας (self-service business intelligence) θα ακολουθήσει
περιγραφή των διαθέσιμων επιλογών στο κεντρικό παράθυρο, και τα επιμέρους μενού επιλογών της
εφαρμογής.
Σκοπό της δεύτερης υποενότητας του μαθήματος αποτελεί η εκμάθηση του τρόπου σύνδεσης της
εφαρμογής Power BI στις συνήθεις πηγές δεδομένων (υπολογιστικά φύλλα και αρχεία κειμένου) και η
δημιουργία των πρώτων αναλύσεων-απεικονίσεων (visualizations) στο χώρο αναφοράς (report) της
εφαρμογής. Επιπρόσθετα, θα μελετήσουμε τη «συμπεριφορά» της εφαρμογής στο ενδεχόμενο
εισαγωγής/προσθήκης πεδίων αριθμητικών δεδομένων ή/και κειμένου και θα εξετάσουμε τις
δυνατότητες αλλαγής της μορφοποίησης των απεικονίσεων σε μια αναφορά. Τέλος, θα εξετάσουμε τις
δυνατότητες περιορισμού της ανάλυσής μας σε υποσύνολα δεδομένων, με χρήση φίλτρων με τα
κατάλληλα κριτήρια.
Σκοπό της παρούσας υποενότητας του μαθήματος αποτελεί η εξοικείωση με την ανάλυση δεδομένων με
χρήση των περισσότερων από τις διαθέσιμες απεικονίσεις πληροφορίας που υποστηρίζει η εφαρμογή
Power BI. Θα εξετάσουμε τη δυνατότητα δημιουργίας των πλέον συνηθισμένων κατηγοριών
διαγραμμάτων (διαγράμματα ράβδων και στηλών, «πίτες», διαγράμματα διασποράς, κ.ο.κ.), καθώς και
την καταγραφή πληροφορίας σε μορφή πίνακα, που θα μπορούσαμε να επιτύχουμε χρησιμοποιώντας
υπολογιστικά φύλλα. Στη συνέχεια, θα μελετήσουμε τη δυνατότητα απεικόνισης αριθμητικών
δεδομένων σε κάρτες, που επιτρέπουν την έμφαση στις βασικότερες μετρήσεις, καθώς και τον τρόπο
χρήσης διαδραστικών φίλτρων (slicers) που μας επιτρέπουν τη δημιουργία περισσότερο χρήσιμων
αναφορών. Τέλος, θα εξετάσουμε και απεικονίσεις σε περισσότερο ενδιαφέροντα διαγράμματα, όπως
το διάγραμμα καταρράκτη (waterfall) και treemap, που διευκολύνουν την ευκολότερη απεικόνιση
περισσότερο σύνθετης πληροφορίας.
Σκοπό της παρούσας υποενότητας αποτελεί η εξοικείωση με τις δυνατότητες επεξεργασίας δεδομένων
και δημιουργίας ολοκληρωμένου μοντέλου δεδομένων εντός της εφαρμογής Power BI. Αφού γίνει
σύντομη εισαγωγή στον αποτελεσματικότερο τρόπο αποθήκευσης πληροφορίας σε συστήματα βάσεων
4
δεδομένων, θα εξετάσουμε τις δυνατότητες που παρέχει η εφαρμογή για την ταυτόχρονη εισαγωγή
πολλαπλών πινάκων δεδομένων. Επιπρόσθετα, θα μελετήσουμε τον τρόπο διασύνδεσης των πινάκων
που εισάγουμε στην εφαρμογή και στους οποίους οργανώνονται τα δεδομένα που αξιοποιούμε στις
αναλύσεις μας. Επιπλέον, θα αξιοποιήσουμε προχωρημένες δυνατότητες επεξεργασίας των δεδομένων
που εισάγουμε στο αρχείο μας, καθώς και τη δυνατότητα σύνδεσης σε δεδομένα που δεν έχουν
διαμορφωθεί με την επιθυμητή μορφοποίηση.
Σκοπό της παρούσας υποενότητας αποτελεί η παράθεση προχωρημένων δυνατοτήτων της εφαρμογής
που επιτρέπουν τη δημιουργία περισσότερο εύχρηστων απεικονίσεων και παρέχουν, ευκολότερα,
περισσότερη πληροφορία στον τελικό χρήστη της αναφοράς.
ΠΡΟΣΔΟΚΩΜΕΝΑ ΑΠΟΤΕΛΕΣΜΑΤΑ
Όταν ολοκληρωθεί η παρουσίαση της υποενότητας θα είστε σε θέση:
• να γνωρίζετε τις βασικότερες εφαρμογές που αξιοποιούνται για την ανάλυση

δεδομένων, την παροχή επιχειρηματικής πληροφόρησης (business intelligence - BI),
• να κατανοείτε την τάση για επικράτηση εφαρμογών περισσότερο
«προσωποποιημένης» επιχειρηματικής ευφυΐας (self-service BI),
• να αντιλαμβάνεστε τα διαφορετικά εργαλεία-πρόσθετα (add-ins) του MS Excel που
ενσωματώνει η εφαρμογή Power BI,
• να πλοηγείστε στο βασικό παράθυρο της εφαρμογής Power BI,
• να συνδέεστε στο χώρο συζητήσεων χρηστών της εφαρμογής Power BI,
• να ανοίγετε και να αποθηκεύετε αρχεία της εφαρμογής (αρχεία με κατάληξη .pbix) και
αρχεία με την ίδια δομή, αλλά όχι τα δεδομένα (πρότυπο Power BI, αρχεία με κατάληξη
.pbit), και
• να αναγνωρίζετε τις διαθέσιμες επιλογές εισαγωγής, επεξεργασίας, μορφοποίησης και
απεικόνισης δεδομένων στο Power BI.
5
Όταν ολοκληρωθεί η παρουσίαση της υποενότητας θα είστε σε θέση να:
• εισάγετε δεδομένα από υπολογιστικά φύλλα και αρχεία κειμένου στο Power BI,
• πλοηγείστε στα διαθέσιμα πεδία (στήλες) των πινάκων που έχετε εισάγει,
• αναλύετε δεδομένα σε απλές απεικονίσεις,
• προβλέπετε τη «συμπεριφορά» των αναλύσεών σας, όταν προσθέσετε σε αυτές
αριθμητικά πεδία ή/και πεδία κειμένου,
• επιλέγετε τον τρόπο σύνοψης (με υπολογισμό του αθροίσματος, του μέσου όρου, της
ελάχιστης και μέγιστης τιμής, κ.ο.κ) των αποτελεσμάτων που αναλύονται,
• οργανώνετε την πληροφορία που απεικονίζουν διαφορετικές στήλες, σε ιεραρχίες
πεδίων,
• δημιουργείτε ομαδοποιήσεις παρατηρήσεων, με βάση τις τιμές που λαμβάνουν τα
διαθέσιμα πεδία δεδομένων σας,
• αλλάζετε τις βασικές επιλογές μορφοποίησης των απεικονίσεων που έχετε
δημιουργήσει,
• περιορίζετε την ανάλυσή σας σε επιμέρους υποσύνολα παρατηρήσεων
χρησιμοποιώντας τις διαφορετικές επιλογές φίλτρων δεδομένων.
• να απεικονίζετε πληροφορία σε διαγράμματα ράβδων (bar) ή/και στηλών (column)

τμημάτων (clustered) ή «σωρευμένων» (stacked),
• να δημιουργείτε διάγραμμα που περιλαμβάνει απεικόνιση σε στήλες και γραμμές,
• να γνωρίζετε τις περιπτώσεις όπου διευκολύνει την ανάλυση η απεικόνιση σε
διαγράμματα τύπου «πίτας» και «δακτυλίου» (“donut”),
• να κατασκευάζετε απλούς πίνακες (table) με σκοπό την απεικόνιση συγκεκριμένων
παρατηρήσεων των δεδομένων σας,
• να δημιουργείτε «συγκεντρωτικούς πίνακες» (matrix) για τη σύνοψη δεδομένων,
• να χρησιμοποιείτε κανόνες μορφοποίησης υπό συνθήκη με σκοπό την καλύτερη
πληροφόρηση του τελικού χρήστη της αναφοράς,
6
• να καταγράφετε κρίσιμες μετρήσεις υπό μορφή κάρτας (card) με σκοπό την άμεση
ενημέρωση του χρήστη της αναφοράς,
• να δημιουργείτε διαδραστικά φίλτρα (slicers) με σκοπό τη δημιουργία περισσότερο
εύχρηστων αναφορών,
• να κατασκευάζετε διαγράμματα διασποράς (scatter) ή/και φυσαλίδας (bubble) με
σκοπό την εμφάνιση έως και 4 μετρήσεων στην ίδια απεικόνιση,
• να απεικονίζετε μεταβολές στα δεδομένα σας, με χρήση διαγράμματος καταρράκτη
(waterfall),
• να δημιουργείτε απεικονίσεις τύπου treemap (κάτι που έως τις πρόσφατες εκδόσεις δεν
ήταν εφικτό στο MS Excel),
• να χρησιμοποιείτε διάγραμμα «χωνί» (funnel) που επιτρέπει τη σύγκριση τιμών-
μετρήσεων σχετικά με διαφορετικές κατηγορίες δεδομένων, και
• να γνωρίζετε επιλογές της εφαρμογής για την κατασκευή εύχρηστων και
ευανάγνωστων αναφορών για τον τελικό χρήστη.
• να γνωρίζετε τον τρόπο οργάνωσης δεδομένων σε μεγάλο αριθμό πινάκων σε

συστήματα βάσεων δεδομένων,
• να αντιλαμβάνεστε τη σημασία των σχέσεων μεταξύ πινάκων δεδομένων,
• να ολοκληρώνετε την αυτόματη εισαγωγή δεδομένων από περισσότερους πίνακες στο
Power BI,
• να δημιουργείτε και επεξεργάζεστε σχέσεις μεταξύ των πινάκων που έχετε εισάγει στο
Power BI,
• να πραγματοποιείτε μετασχηματισμούς στα δεδομένα πριν ολοκληρώσετε την
εισαγωγή τους στο αρχείο Power BI,
• να αντιλαμβάνεστε τα βήματα που υλοποιούν μετασχηματισμούς δεδομένων στο
περιβάλλον Query Editor και πώς μπορείτε να αναιρέσετε τις επιπτώσεις τους,
• να δημιουργείτε νέα πεδία που θα σας βοηθήσουν στην επιθυμητή ανάλυση
πληροφορίας,
7
• να πλοηγείστε εύκολα στις διαθέσιμες στήλες των πινάκων δεδομένων σας, και
• να αλλάζετε την πηγή προέλευσης των πρωτογενών στοιχείων που αξιοποιείτε, χωρίς
να αλλάζετε το μοντέλο δεδομένων που έχετε δημιουργήσει.
• να αντιλαμβάνεστε και να μεταβάλετε τον τρόπο διάδρασης (interaction) μεταξύ των

απεικονίσεων στην ίδια αναφορά,
• να αλλάζετε το επίπεδο λεπτομέρειας που αξιοποιείτε σε μία απεικόνιση (drill down),
• να προσθέσετε «κίνηση» (timeline) σε ένα διάγραμμα διασποράς,
• να απεικονίζετε επιπρόσθετη πληροφόρηση σχετικά με τις διαθέσιμες παρατηρήσεις με
την εισαγωγή «αναλυτών» (analytics) σε διαγράμματα διαφορετικών τύπων,
• να εκτιμάτε τη μελλοντική εξέλιξη δεδομένων, με βάση τις προηγούμενες παρατηρήσεις,
που απεικονίζετε σε ένα διάγραμμα γραμμής,
• να ομαδοποιείτε αυτόματα παρατηρήσεις σε επιμέρους κατηγορίες σε απεικονίσεις
διαγραμμάτων διασποράς ή/και πίνακα,
• να ενσωματώνετε απεικονίσεις που έχουν δημιουργηθεί με εντολές του (δωρεάν
διαθέσιμου) στατιστικού πακέτου R, και
• να δημιουργείτε διαφορετικού τύπου αναλύσεις με βάση απεικονίσεις άλλων χρηστών
που είναι δωρεάν διαθέσιμες στη διαδικτυακή υπηρεσία (store).
ΈΝΝΟΙΕΣ ΚΛΕΙΔΙΑ
• Ανάλυση δεδομένων (data • Επιχειρηματική ευφυΐα (business

analytics) intelligence)
• Προσωποποιημένη επιχειρηματική
ευφυΐα (self-service business • Εισαγωγή δεδομένων
intelligence)
• Επεξεργασία δεδομένων
8
• Απεικόνιση δεδομένων
• Σύνδεση σε δεδομένα
(visualization)
• Σύνοψη δεδομένων (data • Ομαδοποίηση δεδομένων
aggregation) (grouping)
• Φίλτρο σε επίπεδο σελίδας (page
• Ιεραρχία πεδίων (hierarchy)
level filter)
• Φίλτρο σε επίπεδο αναφοράς • Φίλτρο σε επίπεδο απεικόνισης
(report filter) (visual level filter)
• Διάγραμμα στήλης τμημάτων • Διάγραμμα ράβδου τμημάτων

(clustered column chart) (clustered bar chart)
• Διάγραμμα σωρευμένης στήλης • Διάγραμμα σωρευμένων ράβδων
(stacked column chart) τμημάτων (stacked bar chart)
• Διάγραμμα γραμμής και στήλης
• Διάγραμμα «πίτας» (pie chart)
(column and line chart)
• Διάγραμμα δακτυλίου (donut
• Διάγραμμα διασποράς (scatter)
chart)
• Διάγραμμα καταρράκτη (waterfall) • Απεικόνιση treemap
• Διάγραμμα funnel • Μορφοποίηση υπό συνθήκη
• Σχεσιακές βάσεις δεδομένων

• Οργάνωση δεδομένων
(relational databases)
• Σχέσεις (relationships) μεταξύ
• Query Editor
πινάκων
• Μετασχηματισμός δεδομένων • Ανανέωση δεδομένων
9
• Διάδραση (interaction) μεταξύ • Ανάλυση σε διαφορετικό επίπεδο

απεικονίσεων λεπτομέρειας (drill-down)
• Timeline • Analytics
• Ομαδοποίηση παρατηρήσεων • Απεικονίσεις του στατιστικού
(clustering) πακέτου R
• Custom visual •
ΕΙΣΑΓΩΓΙΚΕΣ ΠΑΡΑΤΗΡΗΣΕΙΣ
Στο πρώτο, εισαγωγικό, μέρος της υποενότητας πραγματοποιείται σύντομη ανασκόπηση των
διαθέσιμων εφαρμογών επιχειρηματικής ευφυΐας και αναλύεται η τάση, των τελευταίων ετών,
επικράτησης εφαρμογών που παρέχουν υπηρεσίας «προσωποποιημένης» επιχειρηματικής ευφυΐας
(self-service business intelligence). Επιπρόσθετα, γίνεται αναφορά σε επιμέρους εργαλεία-πρόσθετα του
MS Excel που συνθέτουν τις δυνατότητες της εφαρμογής Power BI.
Στο δεύτερο μέρος της υποενότητας πραγματοποιείται εισαγωγή στην εφαρμογή Power BI και πλοήγηση
στο κεντρικό παράθυρο της εφαρμογής. Θα εξετάσουμε την αρχική οθόνη που ανοίγει με την εφαρμογή,
η οποία μας επιτρέπει (πέρα από το άνοιγμα πρόσφατα χρησιμοποιημένων αρχείων και τη σύνδεση στις
συνήθεις πηγές δεδομένων), τη σύνδεση στην διαδικτυακή υπηρεσία Power BI της Microsoft, καθώς και
την πλοήγηση στο χώρο συζήτησης των χρηστών (blog) της εφαρμογής.
Στο τρίτο, τελευταίο, μέρος της υποενότητας θα πλοηγηθούμε σε επιμέρους δυνατότητες της
εφαρμογής, που μας παρέχουν τα διαφορετικά μενού επιλογών. Με τον τρόπο αυτό θα αποκτήσουμε
αρκετή εξοικείωση με την εφαρμογή, ώστε να ξεκινήσουμε την ανάλυσή μας, στην επόμενη ενότητα του
μαθήματος που ακολουθεί.
Στο πρώτο μέρος αναλύεται ο τρόπος σύνδεσης σε διαφορετικές πηγές δεδομένων με σκοπό την
εισαγωγή τους προς ανάλυση στο αρχείο Power BI. Συγκεκριμένα θα εξετάσουμε τη δυνατότητα
εισαγωγής δεδομένων από υπολογιστικά φύλλα και αρχεία κειμένου ενώ κάθε χρήστης της εφαρμογής
θα είναι σε θέση να εισάγει δεδομένα από άλλες εφαρμογές που αξιοποιεί. Επιπρόσθετα, θα εξετάσουμε
τη δυνατότητα ομαδοποίησης των παρατηρήσεων μας, καθώς και τη δημιουργία ιεραρχίας πεδίων για
την καλύτερη οργάνωση των δεδομένων, ανάλογα με το είδος πληροφορίας που καταγράφεται στα
διαφορετικά πεδία (στήλες) κάθε πίνακά.
10
Στη συνέχεια, στο δεύτερο μέρος της υποενότητας, θα δημιουργήσουμε τις πρώτες απεικονίσεις
πληροφορίας με βάση τα δεδομένα που έχουμε εισάγει στο αρχείο και θα εξετάσουμε τη
«συμπεριφορά» της εφαρμογής, όταν εισάγουμε-προσθέτουμε σε μία υπάρχουσα απεικόνιση, είτε
αριθμητικά πεδία, είτε πεδία στα οποία έχουμε αποθηκεύουμε πληροφορία υπό μορφή κειμένου.
Επιπρόσθετα θα εξετάσουμε τις δυνατότητες αλλαγής του τύπου μιας υφιστάμενης απεικόνισης.
Στο τρίτο μέρος της υποενότητας θα εξετάσουμε τις βασικότερες επιλογές μορφοποίησης απεικονίσεων
διαφορετικού τύπου. Ιδιαίτερη σημασία θα δώσουμε στη δυνατότητα χρωματισμού διαγραμμάτων με
χρωματικές κλίμακες, ανάλογα με τις τιμές που καταγράφονται σε πεδία που συμπεριλαμβάνονται στην
απεικόνιση (conditional formatting).
Στο τέταρτο και τελευταίο μέρος της υποενότητας καταγράφουμε τις δυνατότητες ανάλυσης
συγκεκριμένου υποσυνόλου δεδομένων που προκύπτει από τη χρήση φίλτρων. Τα φίλτρα δεδομένων
του Power BI μας επιτρέπουν να περιορίσουμε το σύνολο δεδομένων στο αρχείο (report filter), ή μόνο
τα δεδομένα που αξιοποιούνται για τις ανάγκες μίας σελίδας της αναφοράς (page level filter). Τέλος η
εφαρμογή μας παρέχει τη δυνατότητα περιορισμού των δεδομένων που απεικονίζονται σε συγκεκριμένη
ανάλυση-απεικόνιση πληροφορίας (visual level filter).
Αρχικά θα εξετάσουμε τις πλέον γνωστές κατηγορίες διαγραμμάτων (που είναι διαθέσιμες και στο MS
Excel), στις οποίες μπορούμε να απεικονίσουμε πληροφορία στο Power BI. Θα δημιουργήσουμε
διαγράμματα ράβδων και στηλών, σε τμήματα (clustered) και σωρευμένων (stacked), καθώς και
διάγραμμα που συνδυάζει στήλες και γραμμή. Επιπρόσθετα, θα εξετάσουμε τη δημιουργία
διαγράμματος «πίτας» (pie) και δακτυλίου (donut).
Στη συνέχεια θα μελετήσουμε τρόπους απεικόνισης πληροφορίας υπό μορφή κειμένου: Συγκεκριμένα,
θα δημιουργήσουμε απλούς (table), καθώς και συγκεντρωτικούς (matrix) πίνακες και θα διερευνήσουμε
τη δυνατότητα υπό όρους μορφοποίησης των κελιών ενός πίνακα. Επιπρόσθετα, θα εντοπίσουμε τη
δυνατότητα καταγραφής κρίσιμης πληροφορίας σε κάρτα, που επιτρέπει την άμεση ενημέρωση του
χρήστη της αναφοράς για τα συγκεκριμένα μεγέθη. Τέλος, θα δημιουργήσουμε διαδραστικά φίλτρα
(slicers) που επιτρέπουν να εστιάζουμε σε επιλεγμένα υποσύνολα δεδομένων με βάση τις τιμές που
λαμβάνει ένα πεδίο.
Έπειτα εξετάζουμε ορισμένες επιπρόσθετες κατηγορίες απεικονίσεων, όπως το διάγραμμα διασποράς

(scatter), το οποίο επιτρέπει την απεικόνιση που θυμίζει το διάγραμμα φυσαλίδα (bubble) του MS Excel
επιτρέποντας την απεικόνιση έως και 4 μετρήσεων. Επιπλέον, θα εξετάσουμε το διάγραμμα «χωνί»
(funnel) και το treemap, τα οποία διευκολύνουν την ανάλυση συγκεκριμένου τύπου πληροφορίας και
που (έως τις πρόσφατες εκδόσεις του MS Excel) δεν είχαμε τη δυνατότητα να δημιουργήσουμε σε
υπολογιστικά φύλλα.
Τέλος θα εξετάσουμε τη δυνατότητα εμφάνισης των αριθμητικών τιμών μιας απεικόνισης διαγράμματος,
καθώς και τη δυνατότητα εξαγωγής (σε αρχείο κειμένου) των τιμών αυτών. Τέλος, θα παρουσιαστεί η
11
δυνατότητα εισαγωγής άλλου τύπου αντικειμένων (εικόνες, πλαίσια κείμενου) που επιτρέπουν τη
δημιουργία μιας περισσότερο εύχρηστης αναφοράς.
Αρχικά αναλύεται ο αποτελεσματικότερος τρόπος αποθήκευσης και οργάνωσης των δεδομένων σε

περισσότερους του ενός πίνακες που ακολουθείται από όλους τους διαχειριστές βάσεων δεδομένων
(data base administrators). Επιπρόσθετα, θα εξετάσουμε τις δυνατότητες του Power BI να συνδέεται
ταυτόχρονα σε περισσότερους του ενός πίνακες, με σκοπό την ευκολότερη-γρηγορότερη εισαγωγή
δεδομένων οργανωμένων με παρόμοιο τρόπο.
Έπειτα εστιάζουμε την προσοχή μας στη δυνατότητα δημιουργίας σχέσεων μεταξύ των πινάκων που
περιλαμβάνονται στο αρχείο Power BI. Με τον τρόπο αυτό, θα έχουμε τη δυνατότητα να προχωρήσουμε
σε προχωρημένες αναλύσεις των δεδομένων μας που έχουν οργανωθεί με τον συνηθέστερο τρόπο
αποθήκευσής τους σε συστήματα βάσεων δεδομένων.
Στη συνέχεια γίνεται εισαγωγή στις δυνατότητες του περιβάλλοντος επεξεργασίας δεδομένων (Query
Editor) του Power BI. Θα απεικονίσουμε μεθόδους για τη δημιουργία νέων πεδίων (στηλών) και
αξιοποίησής τους στις αναφορές μας.
Στη συνέχεια θα εξετάσουμε τη δυνατότητα σύνδεσης του αρχείου Power BI σε εναλλακτικές μορφές
δεδομένων. Συγκεκριμένα, θα δημιουργήσουμε νέο πίνακα δεδομένων στον οποίο θα αποθηκεύουμε το
σύνολο παρατηρήσεων από αρχεία κειμένου που βρίσκονται αποθηκευμένα σε επιλεγμένο φάκελο.
Επιπρόσθετα, θα εξετάσουμε τη δυνατότητα εισαγωγής τιμών που έχουν αποθηκευτεί υπό μορφή
συγκεντρωτικού πίνακα, με σκοπό την αξιοποίησή τους για τις ανάγκες των αναλύσεών μας στο Power
BI.
Τέλος θα μελετήσουμε περισσότερο περίπλοκους μετασχηματισμούς των πεδίων (στηλών) των πινάκων
μας: Μεταξύ άλλων, θα εξετάσουμε τη δυνατότητα διαχωρισμού των τιμών μιας στήλης σε
περισσότερες, τον τρόπο «συνένωσης» περισσότερων πεδίων σε νέα στήλη, τη δημιουργία νέας στήλης
με εντολές που θα ελέγχουν τις τιμές άλλων πεδίων, κ.ο.κ.
Αρχικά θα εξετάσουμε τον προεπιλεγμένο τρόπο διάδρασης (interaction) μεταξύ των διαφορετικών
απεικονίσεων μιας αναφοράς. Επιπρόσθετα, θα μεταβάλλουμε τον τρόπο διάδρασης μεταξύ
επιλεγμένων απεικονίσεων της αναφοράς, δημιουργώντας διαδραστικά φίλτρα μεταξύ των ορισμένων
απεικονίσεων. Τέλος, θα εξετάσουμε τη δυνατότητα κατάργησης της διάδραση μεταξύ επιλεγμένων
απεικονίσεων.
Έπειτα θα εντοπίσουμε τη δυνατότητα παράθεσης πληροφορίας σε διαφορετικό επίπεδο λεπτομέρειας,

καθώς και τη δυνατότητα μετάβασης σε περισσότερο/λιγότερο λεπτομερή απεικόνιση δεδομένων (drill
down & drill up).
12
Στη συνέχεια θα εξετάσουμε τη δυνατότητα προσθήκης «χρονικής διάστασης» (timeline) που παρέχει το
διάγραμμα διασποράς. Η συγκεκριμένη δυνατότητα μπορεί να αξιοποιηθεί για την ανάδειξη μεταβολών
που παρατηρούνται στο πέρασμα του χρόνου ή βάσει άλλων διαθέσιμων πεδίων στους πίνακες του
αρχείου μας.
Έπειτα θα εξετάσουμε τη δυνατότητα απεικόνισης επιπρόσθετης πληροφορίας με την εισαγωγή

«αναλυτή» (analytics). Η συγκεκριμένη επιλογή μας επιτρέπει, πέρα από την παράθεση στατιστικών
μετρήσεων στο ίδιο διάγραμμα, την εκτίμηση τάσης, την πρόβλεψη για τις τιμές που θα καταγράψουν
οι μεταβλητές μας, καθώς και την εύκολη σύγκριση μεμονωμένων παρατηρήσεων με το σύνολο των
δεδομένων μας.
Μετά από σύντομη εισαγωγή στη μεθοδολογία k-μέσων (k-means), θα εξετάσουμε τις δυνατότητες που
παρέχει το Power BI για την αυτόματη ομαδοποίηση παρατηρήσεων με βάση τις τιμές επιλεγμένων
πεδίων. Επιπρόσθετα, θα αξιοποιήσουμε το αποτέλεσμα της αυτόματης ομαδοποίηση δεδομένων, με
σκοπό την απεικόνιση πληροφορίας για τις επιμέρους κατηγορίες που δημιουργήσαμε.
Τέλος θα εισάγουμε νέους τύπους απεικονίσεων: Συγκεκριμένα, θα μελετήσουμε τον τρόπο δημιουργίας
εντός του Power BI απεικονίσεων που προκύπτουν με χρήση του (δωρεάν διαθέσιμου) στατιστικού
πακέτου R. Επιπρόσθετα, θα εισάγουμε απεικονίσεις από τη σχετική υπηρεσία (store) που μας επιτρέπει
να αξιοποιήσουμε διαγράμματα που έχουν δημιουργήσει άλλοι χρήστες της εφαρμογής.
13
14
ΥΠΟΕΝΟΤΗΤΑ 1. ΕΙΣΑΓΩΓΗ ΣΤΟ POWER BI
15
1. ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΦΑΡΜΟΓΕΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ (DATA
ANALYTICS) ΚΑΙ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΙΑΣ (BUSINESS INTELLIGENCE)
Στο σημείο αυτό γίνεται μία σύντομη εξιστόρηση της τεχνολογίας της ανάλυσης δεδομένων (data
analytics) και της επιστήμης της επιχειρηματικής ευφυΐας (business intelligence).
1.1 Εισαγωγή στην ανάλυση δεδομένων και την επιχειρηματική ευφυΐα
Η «επιστήμη» της ανάλυσης δεδομένων (data analytics) επιτρέπει στους υπευθύνους λήψης αποφάσεων
να διαθέτουν το σύνολο της αναγκαίας πληροφόρησης πριν προχωρήσουν σε κρίσιμες επιλογές για τους
οργανισμούς (επιχειρήσεις, δημόσιους οργανισμούς, ΜΚΟ, κ.ο.κ.) τους οποίους ηγούνται. Πολύ συχνά,
θεωρούμε πως αναφερόμαστε σε μία επιστήμη/τέχνη/απασχόληση εντελώς καινοφανή, που έχει
προκύψει τα τελευταία –μόλις– χρόνια. Κάτι παρόμοιο, όμως, δεν αληθεύει. Η ανάλυση δεδομένων
αξιοποιείται από τους υπευθύνους για τη λήψη αποφάσεων (του ιδιωτικού, αλλά και του δημόσιου
τομέα, ερευνητικών κέντρων, κλπ. οργανισμών), για τόσο μεγάλο χρονικό διάστημα, όσο είναι
διαθέσιμες οι εφαρμογές της στατιστικής επιστήμης.
Τα παλαιότερα γνωστά ως συστήματα πληροφόρησης της διοίκησης (Managerial Information Systems –

MIS) αποτελούσαν τον πρόδρομο των σημερινών εφαρμογών ανάλυσης δεδομένων (data analytics) και
επιχειρηματικής ευφυΐας (business intelligence).
Βασική διαφορά των τότε διαθέσιμων εφαρμογών (MIS) με τα σημερινά υπολογιστικά περιβάλλοντα
ανάλυσης δεδομένων αποτελεί η ανάγκη των πρώτων για μεγάλες υπολογιστικές υποδομές και η
«κεντρικά» διαθέσιμη απεικόνιση της σχετικής πληροφορίας σε αναφορές (reports), που δύσκολα
μπορούσαν να τροποποιηθούν σύμφωνα με τις διαφορετικές ανάγκες κάθε χρήστη. Σε περίπτωση που
ένας χρήστης είχε ανάγκη μία ελαφρώς διαφορετικής απεικόνισης της πληροφορίας ή/και
διαφορετικούς υπολογισμούς στις διαθέσιμες αναφορές, ήταν απαραίτητο να απευθυνθεί στα αρμόδια
στελέχη της (ξεχωριστής συνήθως) διεύθυνσης μηχανογράφησης, η οποία στη συνέχεια προσέθετε νέες
αναφορές που ικανοποιούσαν τα σχετικά κριτήρια του τελικού χρήστη. Δεν ήταν ασύνηθες η σχετική
διαδικασία να ολοκληρώνεται μετά από πολλές συνεννοήσεις, δοκιμές (trial & error) και αλλαγές στην
υπάρχουσα υποδομή του οργανισμού.
Επιπρόσθετα, ο συνήθως ακολουθούμενος (και πλέον αποτελεσματικός) τρόπος «αποθήκευσης» των

διαθέσιμων δεδομένων σε σχεσιακές βάσεις δεδομένων (relational data bases), δεν αποτελεί την
κατάλληλη δομή για την εξαγωγή, επεξεργασία και «μεταφόρτωση» (Extract, Transform & Load - ETL)
των διαθέσιμων στοιχείων, για την άμεση εξαγωγή χρήσιμων συμπερασμάτων με σκοπό τη λήψη
αποφάσεων. Για τις ανάγκες προετοιμασίας των αναγκαίων δεδομένων, επί πολλών ετών ήταν αναγκαία
η αξιοποίηση μεγάλων «αποθηκών δεδομένων» (data warehouses, data marts) και η εμπλοκή στη
διαδικασία αυτή της κεντρικής διεύθυνσης μηχανογράφησης μιας επιχείρησης, υπηρεσίας, κ.ο.κ. Ως
αποτέλεσμα της ανάγκης αυτής, πολλές φορές ήταν αναγκαία η αποθήκευση πολλαπλών (διαφορετικά
16
οργανωμένων) αντιγράφων της ίδιας πληροφορίας: μία φορά για τις ανάγκες «αποθήκευσης» των
πρωτογενών στοιχείων και αξιοποίησής τους από επιμέρους συστήματα της εταιρείας (π.χ. από
συστήματα ERP, CRM, κ.ο.κ.) και, μία φορά ακόμα, της ίδιας ακριβώς πληροφορίας (ενδεχομένως με
διαφορετική οργάνωση) με τρόπο που να διευκολύνει την εκτέλεση και ανανέωση των αναφορών
(reports).
1.2 Η ανάγκη για «προσωποποιημένη» επιχειρηματική ευφυΐα (self-service

BI)
Σε αντίθεση με την κατάσταση που επικρατούσε στα παρελθόν, τα τελευταία χρόνια, η τάση που
επικρατεί απελευθερώνει τον αναλυτή δεδομένων από την ανάγκη διαρκούς συνεργασίας με την
κεντρική διεύθυνση μηχανογραφημένων εφαρμογών (IT). Με τον τρόπο αυτό, η επιστήμη της ανάλυσης
δεδομένων αυτονομείται-απομακρύνεται από την επιστήμη της πληροφορικής.
Αυτό –φυσικά– δεν σημαίνει πως δεν χρησιμοποιούνται οι υπολογιστικές εφαρμογές επεξεργασίας και
ανάλυσης δεδομένων για τις ανάγκες της λήψης αποφάσεων, ή πως δεν απαιτούνται δεξιότητες
πληροφορικής. Παρ’όλα αυτά, οι απαραίτητες αυτές γνώσεις και δεξιότητες δεν εξαντλούνται –πλέον–
στις δεξιότητες πληροφορικής και βάσεων δεδομένων, αλλά απαιτούν και μία (τουλάχιστον βασική)
εξοικείωση με μαθηματικά και στατιστική, καθώς και την ικανότητα κριτικής σκέψης επί των δεδομένων
που επεξεργάζεται ο αναλυτής (συνεπώς και μία βασική κατανόηση του τρόπου λειτουργίας της
επιχείρησης, ή της υπηρεσίας στην οποία δραστηριοποιείται). Ο συνδυασμός των παραπάνω πεδίων
γνώσεων & δεξιοτήτων αποτελεί συνδυασμό που εγγυάται την επιτυχία στο χώρο της ανάλυσης
δεδομένων (analytics) και της επιχειρηματικής ευφυΐας (business intelligence).
1.3 Εισαγωγή στην «προσωποποιημένη» επιχειρηματική ευφυΐα (self-service

BI)
Τα τελευταία 5 με 10, περίπου, έτη μία νέα τάση στις εφαρμογές ανάλυσης δεδομένων (data analytics)
και επιχειρηματικής ευφυΐας (business intelligence) έχει αρχίσει να επικρατεί. Η τάση αυτή έγκειται στη
σταδιακή επέκταση της χρήσης εφαρμογών που επιτρέπουν στον αναλυτή δεδομένων να ολοκληρώνει
(σχεδόν) μόνος του τις αναγκαίες αναλύσεις, χωρίς να απαιτείται η διαρκής συνεργασία με το τμήμα
πληροφορικής (IT) της επιχείρησης. Σε μεγάλο βαθμό, η συγκεκριμένη τάση οφείλεται στις αυξημένες
δυνατότητες (και το χαμηλότερο κόστος) του εξοπλισμού πληροφορικής που επιτρέπει σε προσωπικούς
υπολογιστές να διεξάγουν περίπλοκους υπολογισμούς πολύ ταχύτερα έναντι των επιδόσεων που
κατέγραφαν πρόσφατα μεγάλα («κεντρικά» δομημένα) υπολογιστικά συστήματα.
Η τάση αυτή αναφέρεται στη σχετική βιβλιογραφία ως «προσωποποιημένη» επιχειρηματική ευφυΐα

(self-service business intelligence). Μία σειρά από σύγχρονες εφαρμογές επεξεργασίας και ανάλυσης
δεδομένων (data analytics), απεικόνισης πληροφορίας (data visualization) και δημιουργίας αναφορών
17
(reporting) παρέχουν παρόμοιες υπηρεσίες. Ενδεχομένως οι πλέον γνωστές να είναι οι εφαρμογές
Tableau, Qlik, Spotfire, Microstrategy Analytics, Panorama, Alteryx, κ.α.
Επιπρόσθετα, μεγάλοι «παίχτες» της αγοράς οργάνωσης της επιχειρηματικής πληροφόρησης (IBM, SAP)
και της στατιστικής επεξεργασίας και ανάλυσης δεδομένων (π.χ. SAS) έχουν προσπαθήσει να αναπτύξουν
δικές του εφαρμογές που θα συνδυάζουν τις πολλαπλές δυνατότητες των προ-υπαρχόντων συστημάτων
(που κατασκευάζουν επί δεκαετίες), με τη δυνατότητα περισσότερο «προσωποποιημένης» και
διαδραστικής ανάλυσης δεδομένων.
Η συμβουλευτική εταιρεία Gartner δημοσιεύει κάθε χρόνο έκδοση σχετικά με τις εξελίξεις στο χώρο της
ανάλυσης δεδομένων και των πληροφοριακών συστημάτων για τη λήψη αποφάσεων. Η περισσότερο
διάσημη κατάταξη των, ανταγωνιστικών μεταξύ τους, συστημάτων αφορά το διάγραμμα διασποράς στο
οποίο απεικονίζεται κατά πόσο ολοκληρωμένες λύσεις παρέχει ένα περιβάλλον ολοκληρωμένης
διαχείρισης δεδομένων (στον οριζόντιο άξονα), αλλά και τη δυνατότητα μιας εταιρείας λογισμικού να
υλοποιεί λύσεις για τους πελάτες της (στον κάθετο άξονα). Παρατηρούμε πως η Microsoft με πλήθος
διαθέσιμων εφαρμογών (μεταξύ των οποίων, το Excel, το Power BI, αλλά και εφαρμογές όπως το SQL
Server Reporting/Analysis Services) βρίσκεται μεταξύ των κορυφαίων επιλογών για τον χρήστη (Εικόνα
1): Πιο συγκεκριμένα, φαίνεται να κατατάσσεται πρώτη στον οριζόντιο άξονα (προς τα αριστερά, έναντι
όλων των υπολοίπων). Αντίστοιχα, κατατάσσεται σε ελάχιστη απόσταση έναντι του επόμενου (Tableau)
και πολύ πιο μπροστά έναντι των υπολοίπων στον κάθετο άξονα.
Εικόνα 1. Κατάταξη διαφορετικών παρόχων εφαρμογών επιχειρηματικής ευφυΐας

(business intelligence)
18
Στο σημείο αυτό θα πρέπει να σημειωθεί πως η σύντομη αυτή λίστα (καθώς και η κατάταξη που
απεικονίζεται στην Εικόνα 1) ενδέχεται να απαιτεί επικαιροποίηση σε τακτά χρονικά διαστήματα, καθώς
νέοι «παίχτες» προσπαθούν κατά καιρούς να εισέλθουν στην αγορά ενώ άλλοι σταδιακά αποχωρούν
(είτε επειδή, υστερώντας τεχνολογικά, παύουν να αναφέρονται ως σημαντικές εφαρμογές της αγοράς,
είτε επειδή συγχωνεύονται με άλλους παρόχους σχετικών εφαρμογών και υπηρεσιών).
1.4 Τι είναι το Power BI
Η εφαρμογή Power BI αποτελεί την προσπάθεια της Microsoft να μην μείνει εκτός της συγκεκριμένης
αγοράς και εντάσσεται στην ευρύτερη προσπάθεια δημιουργίας ενός ολοκληρωμένου
«οικοσυστήματος» (eco-system) εφαρμογών της ίδιας εταιρείας που θα καλύπτει τις ανάγκες
επιχειρήσεων για την αποθήκευση (με τις εφαρμογές Access & SQL Server, ανάλογα το περιβάλλον και
τις αντίστοιχες απαιτήσεις), ανάλυση τους (με χρήση Excel, Power BI, και SQL Server Analysis Services,
ανάλογα με το είδος των δεδομένων και την επιθυμητή ανάλυση και αξιοποίηση των αποτελεσμάτων),
τη δημιουργία σχετικά περισσότερο «στατικών» αναφορών (SQL Server Reporting Services) και διάθεση
των αποτελεσμάτων (με το περιβάλλον SharePoint, κ.α.).
Μάλιστα, ένα από τα πλεονεκτήματα του Power BI, έναντι ανταγωνιστών, αποτελεί η δυνατότητα
ταυτόχρονης/παράλληλης σύνδεσης σε διαφορετικές πηγές δεδομένων, καθώς και υλοποίησης
μετασχηματισμών (Extract, Transform & Load - ETL) των δεδομένων αυτών, όπως θα εξετάσουμε
αναλυτικά στη συνέχεια της ενότητας.
19
1.5 Το Power BI… πριν το Power BI
Εάν προσπαθήσετε να ζητήσετε από την μηχανή αναζήτησης της Google να σας εντοπίσει την
ημερομηνία που έγινε διαθέσιμη η εφαρμογή Power BI, θα σας ενημερώσει πως «επισήμως» η
εφαρμογή είναι διαθέσιμη από το 2014. Παρ’όλα αυτά, πριν τη δημιουργία της συγκεκριμένης
εφαρμογής υπήρχαν διαθέσιμα ως 3 ξεχωριστά πρόσθετα του MS Excel, που παρείχαν ακριβώς τις ίδιες
δυνατότητες σε έναν χρήστη υπολογιστικών φύλλων.
Συνολικά η Microsoft κατασκεύασε τα 3 πρόσθετα (add-ins), Power Query, Power Pivot και το Power
View, τα οποία συνεργάζονται αρμονικά με την εφαρμογή του MS Excel, ήδη από την έκδοση του 2010
(έκδοση 14, απαιτείται συγκεκριμένο Service Pack) ή –φυσικά– νεότερη.
Το πρόσθετο Power Query επιτρέπει τη σύνδεση σε πλήθος από διαφορετικές πηγές δεδομένων.
Αποτελεί το πρώτο εργαλείο που παρείχε (για πρώτη φορά, χωρίς τη χρήση εξωτερικών εργαλείων ή
προγραμματισμού, π.χ. VBA) τη δυνατότητα αυτόματης υλοποίησης (ή επανάληψης) περίπλοκων
μετασχηματισμών των δεδομένων αυτών πριν την εισαγωγή τους, για περαιτέρω επεξεργασία, σε φύλλα
εργασίας του MS Excel. Μάλιστα, στις νεότερες εκδόσεις του Excel, το Power Query έχει ενσωματωθεί
στις δυνατότητες της εφαρμογής (καρτέλα επιλογών “Data”), χωρίς –δηλαδή– να απαιτείται η
ενεργοποίηση κάποιου πρόσθετου (add-in).
Το Power Pivot add-in, αποτελεί ξεχωριστό πρόσθετο, το οποίο επιτρέπει στο MS Excel τη δημιουργία
ενός συγκεντρωτικού πίνακα με πολύ περισσότερα περιθώρια ευελιξίας: Πέρα από τη δυνατότητα
αξιοποίησης δεδομένων που προέρχονται από πολύ περισσότερες διαθέσιμες πηγές, το συγκεκριμένο
εργαλείο επιτρέπει τον σχεδιασμό και υλοποίηση ενός ολοκληρωμένου μοντέλου διαχείρισης
δεδομένων (data model). Για πρώτη φορά, πλέον, δεν είναι απαραίτητο τα δεδομένα που θα
περιλαμβάνονται στον συγκεντρωτικό πίνακα να προκύπτουν από συγκεκριμένη περιοχή δεδομένων του
ίδιου φύλλου εργασίας του MS Excel. Αντιθέτως, πλέον είναι πολύ δυνατόν συγκεντρωτικοί πίνακες να
προκύπτουν από περισσότερο σύνθετη διασύνδεση διαφορετικών πηγών δεδομένων, όπως θα γίνει
κατανοητό έως στην 4η ενότητα του μαθήματός μας.
Τέλος, το πρόσθετο Power View επιτρέπει τη δημιουργία μεγάλου αριθμού απεικονίσεων της σχετικής
πληροφορίας εντός ενός βιβλίου εργασίας του MS Excel ή/και εντός του Power BI. Το αποτέλεσμα που
προκύπτει από τη δημιουργία και προσεκτική μορφοποίηση μεγάλου αριθμού
αναλύσεων/απεικονίσεων αποτελεί ιδιαίτερα εύχρηστες αναφορές. Ειδικά εντός του Power BI, οι
αναφορές που δημιουργούνται οργανώνονται σε διαφορετικές σελίδες, κάθε μία από τις οποίες
αποτελεί ένα «ταμπλό» (dashboard) από βασικούς δείκτες, αναλύσεις και λοιπές απεικονίσεις,
επιτρέποντας στον τελικό χρήστη να εστιάζει στο σημείο εκείνο που απαιτεί την προσοχή του.
20
1.6 Το Power BI και άλλες εφαρμογές επεξεργασίας και ανάλυσης
δεδομένων της Microsoft
Από το μυαλό του αναγνώστη που είναι εξοικειωμένος με το πακέτο εργαλείων του SQL Server,
ενδεχομένως θα περάσει μία αντιστοίχιση του Power Query με τις δυνατότητες του εργαλείου
Integration Services, του Power Pivot με το Analysis Services ή/και του Power View με το Reporting
Services. Κάθε σύγκριση-αντιστοίχιση θα πρέπει να γίνεται με προσοχή, καθώς πρόκειται για
διαφορετικά περιβάλλοντα που απευθύνονται σε διαφορετικές αγορές. Παρ’όλα αυτά, η γνώση των
εννοιών που αναπτύσσονται στο υπόλοιπο μέρος του προγράμματος, καθώς και η απόκτηση βασικών
(τουλάχιστον) δεξιοτήτων για τη χρήση του Power BI, διευκολύνουν την εξοικείωση με τα αντίστοιχα
εργαλεία της Microsoft που αναφέρθηκαν προηγουμένως, αλλά και με τα αντίστοιχα υπολογιστικά
περιβάλλοντα ανάλυσης δεδομένων των υπόλοιπων «κατασκευαστών» (vendors), τα οποία διατηρούν
την ίδια λογική στην οργάνωση και αξιοποίηση της σχετικής πληροφορίας.
Η εφαρμογή Power BI συγκεντρώνει τις 3 διαφορετικές δυνατότητες, προσφέροντας τη δυνατότητα

αποθήκευσης της ανάλυσης σε τοπικά αρχεία (αρχεία του Power BI, με κατάληξη pbix, pbit, κλπ.), καθώς
και σε χώρο που μπορεί να διαθέτει ο χρήστης στο διαδικτυακό χώρο (cloud) της Microsoft. Η υλοποίηση
της 2ης επιλογής απαιτεί την ύπαρξη σχετικού λογαριασμού και συνδρομή στην αντίστοιχη υπηρεσία της
Microsoft. Για τις ανάγκες του μαθήματός μας, θα εξετάσουμε τη δυνατότητα υλοποίησης απεικονίσεων
(αναλύσεων) σε τοπικό επίπεδο. Με τον τρόπο αυτό, κάθε εκπαιδευόμενος μπορεί να αξιοποιήσει τη
δωρεάν διάθεση της εφαρμογής Power BI, ενώ το είδος των αναλύσεων που θα εξετάσουμε (καθώς και
οποιαδήποτε άλλη υλοποιήσει ο χρήστης μόνος τους) μπορεί να μεταφερθεί στο cloud της Microsoft,
εάν ο χρήστης επιλέξει να αποκτήσει σχετική συνδρομή.
2. Η ΠΡΩΤΗ ΜΑΣ ΕΠΑΦΗ ΜΕ ΤΟ POWER BI
Στο σημείο αυτό εξετάζουμε την οθόνη της εφαρμογής Power BI, η οποία θα προκύψει την 1η φορά που
θα ανοίξουμε την εφαρμογή. Με τον τρόπο αυτό θα εξετάσουμε βασικά στοιχεία της εφαρμογής.
2.1 Ξεκινώντας με το Power BI
Μόλις επιλέξουμε το άνοιγμα της εφαρμογής χωρίς να επιλέξουμε το άνοιγμα συγκεκριμένου αρχείου
Power BI, θα ανοίξει σχετικό παράθυρο «εξοικείωσης με την εφαρμογή» (“Getting started”) στο οποίο
υπάρχουν οι διαθέσιμες επιλογές που προκύπτουν στην Εικόνα 2.
21
Εικόνα 2. Επιλογές εκκίνησης του Power BI Desktop
Από τις επιλογές που εμφανίζονται στο «αριστερό» μέρος της συγκεκριμένης οθόνης μπορούμε να
επιλέξουμε τη σύνδεση σε διαφορετικές πηγές δεδομένων (data sources), με σκοπό την εισαγωγή νέων
δεδομένων (επιλογή “Get data”) στο υπάρχον, κενό, αρχείο (με όνομα Untitled). Θα μπορούσαμε να
εισάγουμε δεδομένα από αρχεία Excel, αρχεία κειμένου (συνήθως αρχεία csv), από βάσεις δεδομένων
(αρχεία MS Access, σύνδεση σε βάσεις δεδομένων, κ.ο.κ.
Αργότερα, όταν θα έχουμε ήδη συνδεθεί σε πηγές δεδομένων (και, ενδεχομένως θα έχουμε
δημιουργήσει αντίστοιχα αρχεία της εφαρμογής με διαφορετικού τύπου απεικονίσεις-αναλύσεις), η
εφαρμογή θα μας προτείνει τη σύνδεση σε πηγές δεδομένων που έχουμε χρησιμοποιήσει κατά το
πρόσφατο παρελθόν (“Recent sources”). Στο ίδιο σημείο θα εμφανίζεται, τέλος, η επιλογή για άνοιγμα
αρχείων της εφαρμογής που περιλαμβάνουν αναφορές που έχουν δημιουργηθεί στο παρελθόν (“Open
other reports”). Με τον τρόπο αυτό ο χρήστης μπορεί να επανέρχεται εύκολα σε αναφορές που
δημιούργησε πρόσφατα.
Επιπλέον, στο μέσο της οθόνης προκύπτει η δυνατότητα εισόδου στη διαδικτυακή υπηρεσία Power BI
(επιλογή “Sign In”). Για να υλοποιηθεί κάτι παρόμοιο απαιτείται, φυσικά, συνδρομή στη σχετική
υπηρεσία της Microsoft.
22
Αντίστοιχα, οι επιλογές που εμφανίζονται στα δεξιά της Εικόνας 2 επιτρέπουν στον χρήστη να επιλέξει
την επικαιροποίηση της έκδοσης του Power BI, ώστε να είναι σε θέση να αξιοποιεί τις νέες δυνατότητες
που προστίθενται σε τακτά χρονικά διαστήματα στην εφαρμογή. Επιπλέον, ο χρήστης μπορεί να
αξιοποιήσει τις διαθέσιμες συνδέσεις, με σκοπό να εισέλθει σε σελίδες ανταλλαγής απόψεων με άλλους
χρήστες της εφαρμογής, όπου μπορεί να παρακολουθήσει το διαθέσιμο υλικό της Microsoft, καθώς και
να θέσει τις απορίες του.
2.2 Η οργάνωση των περιεχομένων στο Power BI
Καθώς βρισκόμαστε εντός της εφαρμογής Power BI παρατηρούμε, στο αριστερό μέρος στο παράθυρό
μας, 3 διαφορετικές επιλογές. Από τις 3 διαφορετικές επιλογές μπορούμε να επιλέξουμε την εμφάνιση
των αναφορών-αναλύσεων-απεικονίσεων πληροφορίας (visualizations view) που έχουμε δημιουργήσει
στο τρέχον αρχείο (εάν δεν έχουμε δημιουργήσει καμία νέα απεικόνιση, η σελίδα θα εμφανίζεται
λευκή/κενή).
Αντίστοιχα, μπορούμε να επιλέξουμε να απεικονίζονται τα διαθέσιμα δεδομένα (data view), οπότε

μπορούμε να πλοηγηθούμε στα διαθέσιμα πεδία (στήλες), για το σύνολο των παρατηρήσεων (γραμμές)
κάθε πίνακα δεδομένων που έχουμε εισάγει στο αρχείο μας. Τέλος, μπορούμε να απεικονίζουμε το
μοντέλο δεδομένων μας με τις σχέσεις μεταξύ των διαφορετικών πινάκων που αξιοποιούμε στο τρέχον
αρχείο μας. Προφανώς, εάν έχουμε εισάγει μόνο έναν πίνακα, δεν έχει ιδιαίτερο νόημα να εξετάσουμε
τις διαθέσιμες σχέσεις στο μοντέλο δεδομένων μας, καθώς δεν θα υπάρχουν τέτοιες. Τη συγκεκριμένη
δυνατότητα θα την αξιοποιήσουμε στο 4ο μέρος του μαθήματός μας, όπου εστιάζουμε στη χρήση ενός
μοντέλου δεδομένων με περισσότερους του ενός πίνακες.
23
Εικόνα 3. Βασικές επιλογές σχετικά με το είδος πληροφορίας που θα απεικονίζει η
εφαρμογή
Όταν επιλέγουμε την εμφάνιση των αναφορών (report view)1, παρατηρούμε στο κάτω μέρος και «προς
τα αριστερά» στο παράθυρο της εφαρμογής πως τα διαθέσιμα «αντικείμενα» που έχουμε στο αρχείο
μας οργανώνονται σε επιμέρους σελίδες (Pages). Αρχικά, ένα νέο αρχείο περιλαμβάνει μόνο μία σελίδα,
ενώ μπορούμε πολύ εύκολα να προσθέσουμε (επιλέγοντας τη σχετική επιλογή) μία νέα σελίδα ή να
μετονομάσουμε μία υπάρχουσα σελίδα (με δεξί κλικ, επιλέγοντας “Rename Page”). Ο τρόπος
λειτουργίας του σχετικού μενού (Εικόνα 4) θυμίζει έντονα την οργάνωση των δεδομένων μας στα
υπολογιστικά φύλλα του MS Excel.
1Παρατηρήστε πως η δυνατότητα πλοήγησης σε συγκεκριμένες σελίδες παύει, μόλις ο

χρήστης επιλέξει να απεικονίζονται τα διαθέσιμα δεδομένα ή/και οι μεταξύ τους σχέσεις.
24
Εικόνα 4. Οργάνωση των αναφορών σε σελίδες
Μπορούμε να αρχίσουμε να δημιουργούμε νέες αναλύσεις (visualization) με βάση τα δεδομένα μας, τις
οποίες και θα οργανώσουμε στις επιμέρους σελίδες του αρχείου της εφαρμογής.
2.3 Η απεικόνιση πληροφορίας που μπορούμε να υλοποιήσουμε στο Power

BI
Το πλήθος των διαφορετικών αναλύσεων που μπορούμε να δημιουργήσουμε σε ένα αρχείο Power BI
είναι ιδιαιτέρα μεγάλο.
Μπορούμε, ακόμα και χωρίς να έχουμε επιλέξει –ακόμα– τη σύνδεση σε διαθέσιμα δεδομένα, να
εισάγουμε νέες απεικονίσεις, οι οποίες θα παραμένουν κενές-ανενεργές. Στη συνέχεια έχουμε τη
δυνατότητα να εισάγουμε δεδομένα (ή να αντικαταστήσουμε τα δεδομένα που απεικονίζονται). Θα
μπορούσαμε να επιλέξουμε π.χ. πρώτα τον σχεδιασμό της πληροφορίας που θα απεικονίζεται και, στη
συνέχεια, να εισάγουμε τα απαραίτητα δεδομένα που θα εμφανίζονται σε κάθε ανάλυση (visualization).
Για να εισάγουμε μία νέα απεικόνιση, αρκεί να επιλέξουμε από το σχετικό μενού στο αριστερό μέρος της
εφαρμογής μία από τις διαθέσιμες αναλύσεις2 τις οποίες μπορούμε να υλοποιήσουμε (Εικόνα 5). Θα
μπορούσαμε, π.χ., να δημιουργήσουμε ένα διάγραμμα κατακόρυφων στηλών (column) ή οριζόντιων
ράβδων (bar), στο οποίο θα απεικονίζουμε τη διαθέσιμη πληροφορία, ακριβώς όπως θα
πραγματοποιούσαμε σε ένα υπολογιστικό φύλλο του MS Excel. Αντίστοιχα, θα μπορούσαμε να
δημιουργήσουμε ένα διάγραμμα διασποράς, ανάλυση που επιτρέπει οπτικά να αντιληφθούμε
συσχετίσεις μεταξύ των διαφορετικών μεταβλητών μας. Μπορούμε να εισάγουμε «κάρτες» που θα
2Θα πρέπει να σημειωθεί, στο σημείο αυτό, πως η σειρά εμφάνισης κάθε διαφορετικού
τύπου απεικόνισης στο μενού της Εικόνας 5 ενδέχεται να διαφέρει ανάλογα με την έκδοση
της εφαρμογής, αλλά και τις επιλογές εμφάνισης του χρήστη (μπορεί να μεταβάλει το
«πλάτος» του αντίστοιχου μενού, καθώς και αυτού «προς τα δεξιά» στο οποίο θα
εμφανίζονται οι διαθέσιμοι πίνακες δεδομένων, καθώς και τα πεδία τους).
25
απεικονίζουν ένα (card) ή περισσότερα (multi row card) αριθμητικά δεδομένα και διευκολύνουν τον
τελικό χρήστη να εστιάσει σε συγκριμένα, ιδιαίτερης σημασίας, μεγέθη.
Αντίστοιχα, θα μπορούσαμε να προσθέσουμε ένα (ή περισσότερα) διαδραστικά φίλτρα (slicer) που

επιτρέπουν το εύκολο φιλτράρισμα των δεδομένων μας, ακριβώς όπως θα το πραγματοποιούσαμε με
το αντίστοιχο εργαλείο σε έναν συγκεντρωτικό πίνακα του MS Excel.
Επιπρόσθετα, θα μπορούσαμε να εισάγουμε έναν βασικό δείκτη αποτελεσματικότητας (Key

Performance Indicator – KPI), δομή που μας επιτρέπει να εξετάζουμε, στην ίδια απεικόνιση, την εξέλιξη
μιας μεταβλητής, τόσο έναντι του σχετικού στόχου που έχει τεθεί, όσο και τη διαχρονική της πορεία.
Η χρησιμότητα κάθε παρόμοιας απεικόνισης δεδομένων θα γίνει ευκολότερα κατανοητή με τα

παραδείγματα που θα αξιοποιήσουμε στη συνέχεια της ενότητας.
26
Εικόνα 5. Βασικές κατηγορίες αναλύσεων (visualizations) τις οποίες μπορεί να εισάγει
και να μορφοποιήσει ο χρήστης
Το Power BI, επιπλέον, μας επιτρέπει να εισάγουμε απεικονίσεις σε χάρτες, κάτι που διευκολύνει τη
γεωγραφική ανάλυση της αντίστοιχης πληροφορίας (π.χ. ανάλυση των πωλήσεων ή/και της
κερδοφορίας) σε επίπεδο πολιτείας, χώρας, κλπ.
Τέλος, θα πρέπει να σημειωθεί πως το Power BI επιτρέπει την εύκολη εισαγωγή απεικονίσεων που έχουν
δημιουργηθεί με χρήση του (επίσης δωρεάν) στατιστικού πακέτου R, καθώς και αναλύσεις που
δημιουργούνται με χρήση της (δωρεάν διαθέσιμης) γλώσσας προγραμματισμού Python. Καθώς, όμως,
παρόμοια ανάλυση απαιτεί γνώσεις προγραμματισμού-χειρισμού του στατιστικού πακέτου, η
υλοποίηση της παραπάνω επιλογής είναι εκτός των αναγκών του μαθήματός μας. Παρ’όλα αυτά, και
καθώς είναι σκόπιμο ένας χρήστης του Power BI να γνωρίζει τη συγκεκριμένη δυνατότητα που παρέχει
η εφαρμογή, στο 5ο μέρος του μαθήματός μας θα δημιουργήσουμε μία απεικόνιση (που δεν είναι
27
διαθέσιμη στο Power BI) με χρήση απλών εντολών του στατιστικού πακέτου R, ενώ με εντελώς αντίστοιχο
τρόπο μπορούν να αξιοποιηθούν εντολής της Python.
Τέλος, η εφαρμογή επιτρέπει τη χρήση «νέων» κατηγοριών απεικονίσεων (custom visuals) που έχουν
δημιουργήσει άλλοι χρήστες και που διαθέτουν δωρεάν σε σχετικό ιστοχώρο της Microsoft.
Στο σημείο αυτό θα πρέπει να σημειωθεί πως «στα δεξιά» των διαθέσιμων απεικονίσεων (Visualizations),
το Power BI εμφανίζει το πλήθος των διαθέσιμων πεδίων, οργανωμένων στους επιμέρους πίνακες που
έχουμε εισάγει/δημιουργήσει στο αρχείο. Η απεικόνιση των σχετικών επιλογών θα γίνει ευκολότερα
κατανοητή με τα παραδείγματα που εξετάζουμε στη συνέχεια της ενότητας.
3. ΜΕΝΟΥ ΕΠΙΛΟΓΩΝ ΤΟΥ POWER BI
Στο σημείο αυτό εξετάζουμε τις διαθέσιμες επιλογές για τον χρήστη, στο κεντρικό μενού επιλογών της
εφαρμογής.
3.1 Βασικές επιλογές αποθήκευσης αρχείων Power BI
Όπως στις περισσότερες εφαρμογές του MS Office (και, πρωτίστως, στο MS Excel), οι διαθέσιμες
επιλογές της εφαρμογής (π.χ. “Home”, “View”, “Modeling”) θα διαφοροποιούνται, ανάλογα με το
αντικείμενο που είναι επιλεγμένο κάθε φορά. Σε κάθε περίπτωση, η πρώτη επιλογή του σχετικού μενού
(στο αριστερό μέρος των διαθέσιμων επιλογών) «θυμίζει» τις επιλογές που είναι διαθέσιμες και στο MS
Excel (Εικόνα 6).
28
Εικόνα 6. Επιλογές του μενού «Αρχείο» (File) στο Power BI Desktop
Μεταξύ των διαθέσιμων επιλογών είναι το άνοιγμα ενός νέου αρχείου (αρχεία με κατάληξη .pbix) ή ενός
νέου προτύπου (.pbit)3 της εφαρμογής (“Open”). Αντίστοιχα, από το ίδιο μενού, μπορούμε να
3Το αρχείο προτύπου της εφαρμογής Power BI (αρχεία με κατάληξη pbit) επιτρέπει στον
χρήστη να αποθηκεύσει τις επιλογές εισαγωγής (ενδεχομένως και επεξεργασίας)
δεδομένων από επιμέρους πηγές, τον τρόπο οργάνωσης τους (π.χ. νέες στήλες που έχουν
δημιουργηθεί, σχέσεις μεταξύ διαφορετικών πινάκων δεδομένων), καθώς και του τρόπου
απεικόνισης της επιλεγμένης πληροφορίας (σε αναφορές), χωρίς όμως στο αρχείο να
περιλαμβάνονται δεδομένα.
Σε αντίθεση με αυτό, ένα «τυπικό» αρχείο της εφαρμογής (αρχεία με κατάληξη pbix)
περιλαμβάνει όλη την παραπάνω πληροφορία, καθώς και (συμπιεσμένα και γρήγορα
ανακτήσιμα για την απεικόνιση πληροφορίας εντός της εφαρμογής) τα αναγκαία
δεδομένα.
29
δημιουργήσουμε ένα νέο (“New”) κενό αρχείο. Επιπρόσθετα, μπορούμε να εξάγουμε τα περιεχόμενα
του τρέχοντος αρχείου σε ένα πρότυπο (template), καθώς και να εισάγουμε στοιχεία από διαφορετικές
πηγές, συμπεριλαμβανομένων άλλων αρχείων Excel, προτύπων της εφαρμογής Power BI ή αρχείων στα
οποία περιλαμβάνονται συγκεκριμένες απεικονίσεις δεδομένων (custom visuals, αρχεία με κατάληξη
.pbiviz).
Στο ίδιο μενού επιλογών προκύπτει η δυνατότητα εξόδου από την εφαρμογή (“Exit”), καθώς και η
αναζήτηση βοήθειας (“Help”), η εκκίνηση του οδηγού της εφαρμογής (η επιλογή “Get Started” ανοίγει
το βασικό παράθυρο που εξετάσαμε στην Εικόνα 2) που εξετάσαμε παραπάνω, καθώς και η μεταβολή
στις διαθέσιμες επιλογές της εφαρμογής γενικά. Τέλος, δίνεται η δυνατότητα εισόδου (“Sign In”) και
δημοσίευσης μιας ανάλυσης που υλοποιήσαμε (“Publish”) στον χώρο που έχουμε διαθέσιμο
διαδικτυακά, εάν έχουμε συνδρομή στη σχετική υπηρεσία της Microsoft.
3.2 Βασικές επιλογές μορφοποίησης, εισαγωγής και ανάλυσης δεδομένων
Ανεξαρτήτως της «οπτικής» που έχει επιλέξει ο χρήστης (εμφανίζονται οι απεικονίσεις της αναφοράς, τα
διαθέσιμα δεδομένα ή οι σχέσεις μεταξύ διαφορετικών πινάκων δεδομένων), το βασικό μενού επιλογών
της εφαρμογής (“Home”) θα είναι διαθέσιμο στον χρήστη (Εικόνα 7).
Οι εκεί διαθέσιμες επιλογές αποτελούν τις βασικότερες επιλογές του χρήστη στην εφαρμογή του Power
BI. Ο χρήστης μπορεί να επιλέξει να δημιουργήσει μία νέα σύνδεση σε διαθέσιμα δεδομένα (“Get data”),
να επιλέξει μια πηγή δεδομένων που έχει χρησιμοποιήσει πρόσφατα (“Recent Sources”), ακόμα και να
εισάγει δεδομένα πληκτρολογώντας τα, οργανωμένα σε παράθυρο που θα ανοίξει προς το σκοπό αυτό.
H επιλογή αυτή μπορεί να αξιοποιηθεί για την εισαγωγή λίγων τιμών (π.χ. θα μπορούσαμε να εισάγουμε
τιμές-στόχους για διαφορετικές μετρήσεις, όταν αυτές δεν απαρτίζονται από μεγάλο όγκο
δεδομένων -εναλλακτικά, θα μπορούσαμε να εισάγουμε την ίδια πληροφορία από υπολογιστικά φύλλα
ή/και βάσεις δεδομένων), ενώ επιπρόσθετα παρέχεται η δυνατότητα επικόλλησης περισσότερων
δεδομένων, καθώς το παράθυρο που θα ανοίξει διατηρεί τα ιδιαίτερα επίπεδα ευελιξίας ενός
υπολογιστικού φύλλου.
Από το ίδιο μενού μπορούμε να επιλέξουμε την ανανέωση των διαθέσιμων δεδομένων, κάτι που έχει ως
αποτέλεσμα την ενημέρωση των απεικονίσεών μας με τα «νέα» δεδομένα που προκύπτουν από τις
πηγές δεδομένων που αξιοποιούμε. Η συγκεκριμένη επιλογή είναι απολύτως απαραίτητη σε περίπτωση
που έχουμε προχωρήσει σε αλλαγές στα δεδομένα μας στις αρχικές πηγές (αρχεία κειμένου,
υπολογιστικά φύλλα, βάσεις δεδομένων, κ.ο.κ.). Θα πρέπει, στο σημείο αυτό, ο χρήστης να έχει
αντιληφθεί πως με την εισαγωγή δεδομένων από τις αντίστοιχες πηγές, η εφαρμογή του Power BI θα
δημιουργήσει ένα αντίγραφο των δεδομένων που υπάρχουν αποθηκευμένα στις προ-υπάρχουσες πηγές
μας (βιβλία εργασίας MS Excel, αρχεία MS Access, άλλες βάσεις δεδομένων, αρχεία κειμένου, κ.ο.κ.).
Μπορείτε να επιβεβαιώσετε τη διαφορά στο μέγεθος που καταλαμβάνει το αρχείο

προτύπου, καθώς και ένα αρχείο pbix.
30
Παρ’όλα αυτά, ενδεχόμενες αλλαγές στις πηγές αυτές θα επηρεάσουν τα δεδομένα που αξιοποιούνται
εντός του Power BI μόνο εάν/όταν ο χρήστης επιλέξει την ανανέωσή τους.
Επιπρόσθετα, μπορούμε να εισάγουμε μία νέα απεικόνιση πληροφορίας (επιλέγουμε “New Visual”, που
θα εισάγει τον προεπιλεγμένο τύπο απεικόνισης πληροφορίας που αποτελεί το διάγραμμα
κατακόρυφων στηλών - column chart), ή να εισάγουμε «σταθερά» αντικείμενα (πλαίσιο κειμένου -
Textbox, Εικόνες, επιλέγοντας Image, σχήματα, με την επιλογή Shapes) στην τρέχουσα σελίδα του
αρχείου μας.
Επιπρόσθετες επιλογές στο συγκεκριμένο μενού, μας επιτρέπουν να δημιουργήσουμε νέα πεδία (στήλες)
στα δεδομένα που έχουμε εισάγει (δεν θα δημιουργηθούν στα αντίστοιχα δεδομένα στα πρωτογενή μας
αρχεία !), καθώς και να δημοσιεύσουμε τις απεικονίσεις μας στο διαθέσιμο διαδικτυακό χώρο της
Microsoft (απαιτείται συνδρομή στη σχετική υπηρεσία).
Τέλος, χρήσιμη επιλογή για τον χρήστη αποτελεί η δυνατότητα αντιγραφής, αποκοπής και επικόλλησης
μιας απεικόνισης, εντός της ίδιας σελίδας, σε διαφορετικές σελίδες του ίδιου αρχείου ή ακόμα και σε
άλλο αρχείο Power BI. Μάλιστα, η εφαρμογή επιτρέπει την εύκολη αντιγραφή της μορφοποίησης μιας
απεικόνισης σε άλλη, με χρήση του «πινέλου μορφοποίησης» (επιλογή “Format Painter”, επίσης
διαθέσιμη στις περισσότερο γνωστές εφαρμογές του MS Office).
31
Εικόνα 7. Βασικές επιλογές μορφοποίησης, εισαγωγής και ανάλυσης δεδομένων του
Power Bi (μενού επιλογών «Home»)
3.3 Βασικές επιλογές της οργάνωσης των δεδομένων μας
Μία ακόμα επιλογή στο κεντρικό μενού που παραμένει ενεργοποιημένη ανεξαρτήτως της οπτικής που
έχει επιλέξει ο χρήστης να εμφανίζεται (απεικονίσεις, δεδομένα ή σχέσεις δεδομένων), αποτελεί η
επεξεργασία του μοντέλου δεδομένων.
32
Οι επιλογές που περιλαμβάνονται στο συγκεκριμένο μενού επιτρέπουν την εισαγωγή νέας στήλης σε
έναν από τους διαθέσιμους πίνακες (“New Column”), την εισαγωγή νέου πίνακα δεδομένων (“New
Table”), καθώς και τη δημιουργία νέας «μέτρησης» (calculated measure). Οι νέες στήλες/μετρήσεις και
οι νέοι πίνακες δημιουργούνται με εντολές της γλώσσας DAX που «θυμίζει» τη χρήση τύπων (formulas)
στο Excel.
Στο ίδιο μενού γίνεται ευκολότερη η μορφοποίηση των διαθέσιμων στηλών/πεδίων (αριθμητικών ή
κειμένου), καθώς και να επιλέξουμε τον τρόπο σύνοψης (aggregation) της σχετική πληροφορίας. Π.χ.
μπορούμε πολύ εύκολα να μορφοποιήσουμε ένα επιλεγμένο πεδίο ως αριθμό ή νομισματική μονάδα με
το επιθυμητό πλήθος δεκαδικών ψηφίων (χωρίς, φυσικά, κάτι παρόμοια να επηρεάσει τα αρχικά μας
δεδομένα που βρίσκονται αποθηκευμένα στις αντίστοιχες πηγές δεδομένων), ενώ θα μπορούσαμε να
ζητήσουμε από το Power BI να μας εμφανίσει το άθροισμα, το πλήθος παρατηρήσεων ή/και άλλες
στατιστικές μετρήσεις για κάθε πεδίο. Επιπρόσθετα, συγκεκριμένα πεδία μπορούν να θεωρηθούν πως
απεικονίζουν ειδικής κατηγορίας πληροφορία (π.χ. γεωγραφία σε επίπεδο χώρας, πολιτείας, πόλης, Τ.Κ.,
κ.ο.κ.).
Μία σημαντική επιλογή (που διαφοροποιεί το Power BI από το MS Excel) αποτελεί η δυνατότητα
δημιουργίας ρόλων (Roles), που επιτρέπει την οργάνωση των δεδομένων που είναι διαθέσιμα σε κάθε
χρήστη. Με τον τρόπο αυτό διασφαλίζεται πως κάθε χρήστης θα έχει πρόσβαση μόνο σε πληροφορία
που του επιτρέπεται!
Εικόνα 8. Βασικές επιλογές του μοντέλου δεδομένων (data model) και μορφοποίησης
δεδομένων του Power Bi (μενού επιλογών «Modeling»)
33
3.4 Βασικές επιλογές εμφάνισης του αρχείου Power BI
Σε αντίθεση με τα 2 προαναφερόμενα μενού βασικών επιλογών, η αντίστοιχη επιλογή εμφάνισης (View)

του αρχείου που δημιουργούμε θα εμφανίζεται μόνο όταν ο χρήστης έχει επιλέξει την εμφάνιση της/των
σελίδας(ων) απεικονίσεων-αναλύσεων που περιλαμβάνεται στο αρχείο.
Οι επιλογές εμφάνισης (Εικόνα 9) επιτρέπουν στον χρήστη να εμφανίζεται ένα νοερό «πλέγμα» (grid)
που του επιτρέπει τον ευκολότερο/ακριβέστερο σχεδιασμό κάθε σελίδας (αναφοράς). Επιπρόσθετα,
παρέχεται η δυνατότητα μετακίνησης κάθε αντικειμένου της σελίδας κατά συγκεκριμένη μόνο
«απόσταση» (σε μήκος ή πλάτος), όταν ο χρήστης επιλέγει κάποιο από τα «βέλη» (επάνω-κάτω,
αριστερά-δεξιά) του πληκτρολογίου (επιλογή “Snap Objects to Grid”).
Επιπλέον, από το συγκεκριμένο μενού έχουμε τη δυνατότητα να αλλάξουμε τις διαστάσεις τις αναφοράς
που δημιουργούμε, καθώς και να εμφανίσουμε την αναφορά όπως θα απεικονίζεται σε κινητή συσκευή.
Η τελευταία επιλογή μας επιτρέπει να κατασκευάζουμε αναφορές που είναι δυνατόν να
χρησιμοποιούνται εύκολα από κινητές συσκευές χωρίς να δυσκολεύουν τον τελικό χρήστη.
Εικόνα 9. Βασικές επιλογές απεικόνισης του Power Bi (μενού επιλογών «View»)
Δύο ακόμα επιλογές στο κεντρικό μενού επιλογών του Power BI είναι διαθέσιμες όταν έχουμε επιλέξει
την οπτική των απεικονίσεων (visualizations) και εάν έχουμε επιλέξει μία από τις απεικονίσεις που
περιλαμβάνονται στην αναφορά. Συγκεκριμένα, από την επιλογή μορφοποίησης (Format), μπορούμε να
στοιχίσουμε την επιλεγμένη απεικόνιση προς τα δεξιά, τα αριστερά, το επάνω ή το κάτω μέρος της
αναφοράς. Επιπρόσθετα, μπορούμε να επιλέξουμε το είδος της αλληλεπίδρασης (interaction) που θα
προκύπτει εάν επιλέξουμε υποσύνολο των δεδομένων που καταγράφονται σε μία απεικόνιση. Η
συγκεκριμένη δυνατότητα θα μας απασχολήσει, μεταξύ άλλων, στην 5η ενότητα του μαθήματος.
Εικόνα 10. Επιλογές μορφοποίησης των επιμέρους αναλύσεων που θα εμφανίζονται

(μενού επιλογών «Format»)
34
Τέλος, το αντίστοιχο μενού σχετικά με τα δεδομένα μας (Data/Drill) μας επιτρέπει να προσπελάσουμε τα
αντίστοιχα αριθμητικά δεδομένα που παρουσιάζονται στην ανάλυση (επιλογή See Data), καθώς και το
σύνολο των παρατηρήσεων αναλυτικά (See Records, αντίστοιχη επιλογή με το Show Details σε έναν
συγκεντρωτικό πίνακα του MS Excel), από τις οποίες προκύπτει συγκεντρωτικά η πληροφορία που
απεικονίζεται. Επιπλέον παρέχεται η δυνατότητα απεικόνισης πληροφορίας στο αμέσως
επόμενο/προηγούμενο επίπεδο μιας ιεραρχίας πληροφορίας (π.χ. θα μπορούσαμε να απεικονίσουμε
δεδομένα για μία κατηγορία ή/και υποκατηγορία προϊόντων, για μία χώρα ή/και μία περιφέρειά της,
κ.ο.κ.)
Εικόνα 11. Επιλογές περαιτέρω εμφάνισης δεδομένων (μενού επιλογών «Data/Drill»)
35
ΥΠΟΕΝΟΤΗΤΑ 2. ΕΙΣΑΓΩΓΗ ΔΕΔΟΜΕΝΩΝ & ΔΗΜΙΟΥΡΓΙΑ

ΑΝΑΛΥΣΕΩΝ (VISUALIZATIONS)
36
1. ΕΙΣΑΓΟΝΤΑΣ ΔΕΔΟΜΕΝΑ ΣΤΟ POWER BI
1.1 Σύνδεση σε αρχεία κειμένου (αρχεία τύπου txt, csv)
Ξεκινώντας την παρούσα Υποενότητα, θα υποθέσουμε πως μας ενδιαφέρει να εισάγουμε δεδομένα
πωλήσεων από ένα αρχείο κειμένου. Στο αρχείο αυτό διατηρούμε τα δεδομένα πωλήσεων που
έχουμε -ήδη- εξετάσει σε συγκεντρωτικούς πίνακες του MS Excel, με σκοπό να επιτύχουμε τις ίδιες
αναλύσεις της διαθέσιμη πληροφορίας. Συγκεκριμένα, το αρχείο που θα αξιοποιήσουμε για τις ανάγκες
του Παραδείγματος 1, περιέχει το σύνολο των δεδομένων μας, διαχωρισμένα με τον χαρακτήρα του
ελληνικού ερωτηματικού (semicolon;).
Όπως προκύπτει και στο Παράδειγμα 1, μπορούμε να επιλέξουμε στο κεντρικό μενού του Power BI, την
επιλογή σύνδεσης σε διαθέσιμες πηγές δεδομένων (Get Data). Στη συνέχεια, επιλέγουμε την εισαγωγή
δεδομένων από αρχεία κειμένου (επιλογή Text/CSV) ενώ θα χρειαστεί να επιλέξουμε το αρχείο το οποίο
περιλαμβάνει τα δεδομένα που θα εισαχθούν στο Power BI.
Μετά την επιλογή του αρχείου, το Power BI θα ανοίξει σχετικό παράθυρο, στο οποίο ο χρήστης μπορεί
να επιβεβαιώσει τα δεδομένα που περιλαμβάνονται στο σχετικό αρχείο. Παρατηρούμε πως η εφαρμογή
«κατάλαβε» πως τα διαφορετικά πεδία του αρχείου κειμένου διαχωρίζονται με τον χαρακτήρα του
ελληνικού ερωτηματικού, βάσει του οποίου κατέληξε σε μία εικόνα των δεδομένων, όπως απεικονίζεται
στο Παράδειγμα 1. Φυσικά, ο χρήστης θα μπορούσε να μεταβάλει τον χαρακτήρα που αξιοποιείται για
τον διαχωρισμό των διαφορετικών στηλών, στις οποίες οργανώνονται τα δεδομένα του αρχείο. Π.χ. ο
χρήστης θα μπορούσε να επιλέξει ως χαρακτήρα που διαχωρίζει τα δεδομένα στο αρχείο, το κόμμα (,),
τον χαρακτήρα Tab, ενώ η εφαρμογή θα μπορούσε να υποστηρίξει και αρχεία με πεδία δεδομένων
σταθερού μήκους (Fix width). Το σύνολο των διαθέσιμων επιλογών (καθώς και το ενδεχόμενο να
αξιοποιείται ειδικός χαρακτήρας για τις ανάγκες του διαχωρισμού των στηλών σε επιμέρους πεδία) θα
πρέπει να είναι γνωστό στον χρήστη, καθώς οι ίδιες επιλογές είναι διαθέσιμες για την εισαγωγή
δεδομένων σε φύλλα εργασίας του MS Excel.
Επιπλέον, χωρίς να απαιτείται περαιτέρω ενέργεια του χρήστη, το Power BI έχει «υποθέσει» πως η
πρώτη γραμμή στο αρχείο CSV αποτελεί το όνομα των πεδίων του αρχείου και θα χρησιμοποιήσει τα
αντίστοιχα ονόματα για τα πεδία του πίνακα που θα δημιουργηθεί εντός της εφαρμογής, και στον οποίο
θα αποθηκεύονται τα δεδομένα.
Επιπρόσθετα, με βάση τις πρώτες 200 από τις γραμμές που εντόπισε στο αρχείο κειμένου, το Power BI
προτείνει τον τύπο δεδομένων κάθε πεδίου (π.χ. παρατηρούμε πως οι στήλες «Sales» & «Profit»
εμφανίζονται με δεξιά στοίχιση (όπως θα εμφανίζονται οι αριθμητικές τιμές σε ένα υπολογιστικό φύλλο
χωρίς διαφορετικό επιλεγμένο τρόπο στοίχισης από τον χρήστη), καθώς το Power BI προτείνει να
αποτελούν στήλες που περιλαμβάνουν αριθμητικές τιμές. Αντίστοιχα, το πεδίο «Ship Mode» που είναι
πεδίο κειμένου είναι στοιχισμένο αριστερά. Ο χρήστης, παρόλα αυτά διατηρεί τη δυνατότητα να αλλάξει
τους τύπους δεδομένων κάθε πεδίου που θα εισαχθεί στο αρχείο Power BI.
37
Παράδειγμα 1. Εισαγωγή δεδομένων από αρχεία κειμένου
38
39
Στη συνέχεια είμαστε έτοιμοι να δημιουργήσουμε την πρώτη απεικόνιση πληροφορίας (visualization) με
βάση τα δεδομένα που εισάγαμε στο τρέχον αρχείο Power BI. Επιπλέον, έχουμε τη δυνατότητα να
φιλτράρουμε τα δεδομένα που θα αξιοποιούνται για τις ανάγκες της ανάλυσής μας («Filters»).
1.2 Σύνδεση σε υπολογιστικά φύλλα MS Excel
Θα υποθέσουμε τώρα πως τα δεδομένα μας ήταν αρχικά διαθέσιμα σε ένα υπολογιστικό φύλλο4.
Μπορούμε και πάλι, σε ένα νέο αρχείο Power BI (δεν έχει ιδιαίτερο νόημα να δημιουργήσουμε 2
αντίγραφα των ίδιων δεδομένων στο ίδιο αρχείο της εφαρμογής), να επιλέξουμε Get Data, επιλέγοντας
αυτή τη φορά τη σχετική επιλογή για την εισαγωγή δεδομένων από υπολογιστικά φύλλα.
Το Power BI θα εισάγει εξίσου εύκολα τα ίδια δεδομένα από το υπολογιστικό φύλλο που καλείται ο
χρήστης να επιλέξει. Στη συνέχεια οι διαθέσιμες επιλογές για ανάλυση δεδομένων και απεικόνιση της
επιθυμητή πληροφορίας παραμένουν ακριβώς οι ίδιες, όπως προκύπτει από το Παράδειγμα 2.
Παράδειγμα 2. Εισαγωγή δεδομένων από υπολογιστικά φύλλα
4
Σε αρχείο του Excel 2007 (με κατάληξη xlsx). Το Power BI δεν μπορεί να προσπελάσει αρχείο τύπου
Excel 2003 (ή παλαιότερο, με κατάληξη xls). Μπορείτε να δοκιμάσετε να συνδεθείτε σε παρόμοιο αρχείο,
οπότε θα προκύψει μήνυμα σφάλματος.
40
41
Στο σημείο αυτό θα πρέπει να επισημανθεί, πως οποιαδήποτε χρονική στιγμή στο μέλλον, ο χρήστης
διατηρεί τη δυνατότητα να ανανεώσει (Refresh) τα δεδομένα που έχει εισάγει. Η επιλογή ανανέωσης
δεδομένων εμφανίζεται στην Εικόνα 1. Με χρήση της επιλογής αυτής, μπορούμε πολύ εύκολα να
λαμβάνουμε υπόψη τα πλέον πρόσφατα διαθέσιμα στοιχεία καθώς γίνονται διαθέσιμα σε οποιαδήποτε
από τις πηγές δεδομένων μας (σε περίπτωση που αποθηκεύονται με αντικατάσταση του αρχείου από το
οποίο εισάγαμε δεδομένα).
Εικόνα 1. Επιλογή ανανέωσης δεδομένων
42
1.3 Οργανώνοντας τα διαθέσιμα δεδομένα μας
Έχοντας εισάγει τα δεδομένα μας, μπορούμε να επιλέξουμε εάν θα εμφανίζονται μόνο οι διαθέσιμοι
πίνακες (στην περίπτωση του απλού παραδείγματος που εξετάζουμε μόνο 1 πίνακας έχει εισαχθεί) ή θα
εμφανίζονται και τα πεδία κάθε ενός από τους πίνακες αυτούς (επιλογές «Expand» & «Collapse»,
αντίστοιχα). Η επιλογή αυτή είναι διαθέσιμη στο μενού που προκύπτει μόλις ο χρήστης (έχοντας επιλέξει
ένα από τα πεδία ενός πίνακα) επιλέξει δεξί-κλικ.
Μπορούμε, επιπρόσθετα, να μετονομάσουμε («Rename»), ή να διαγράψουμε («Delete») μία από τις

στήλες του κάθε πίνακα, καθώς και αποκρύψουμε (επιλογή «Hide») όσα πεδία δεν μας ενδιαφέρουν
άμεσα. Μάλιστα, μπορούμε να αναιρέσουμε κάθε μία από τις επιλογές αυτές, αργότερα (ακόμα και τη
διαγραφή πεδίου!). Στην 4η υποενότητα, θα εξετάσουμε τον τρόπο να μεταβάλλουμε (π.χ. προσθέτουμε,
τροποποιούμε, μετασχηματίζουμε & διαγράφουμε γραμμές και στήλες) τα δεδομένα που
περιλαμβάνονται στο αρχείο μας), καθώς και να αναιρούμε οποιαδήποτε από τις παραπάνω ενέργειες.
Παράδειγμα 3. Επιλογές του Power BI σχετικά με τα δεδομένα μας
43
Για την ευκολότερη αξιοποίηση της σχετικής πληροφορίας, ο χρήστης έχει τη δυνατότητα να επιλέξει τη
δημιουργία ιεραρχίας («Hierarchy») μεταξύ των πεδίων δεδομένων που έχει εισάγει. Η δυνατότητα αυτή
είναι ιδιαίτερα χρήσιμη όταν διαφορετικά πεδία καταγράφουν παραπλήσια, αλλά σε διαφορετικό
επίπεδο λεπτομέρειας, πληροφορία. Στο Παράδειγμα 4, ο χρήστης έχει επιλέξει τη δημιουργία της
ιεραρχίας «Κατηγορία προϊόντος», «Υποκατηγορία» & «Όνομα προϊόντος», ώστε να μπορεί εύκολα να
μεταβάλει το επίπεδο λεπτομέρειας το οποίο απαιτεί κατά την ανάλυση που υλοποιεί για τις πωλήσεις
διαφορετικών προϊόντων. Συγκεκριμένα, έχοντας επιλέξει το πεδίο «Product Category», μπορεί να
επιλέξει δεξί κλικ και, στη συνέχεια, «New Hierarchy». Στην ιεραρχία με το ίδιο όνομα που
δημιουργήθηκε («Product Category Hierarchy»), μπορούμε να προσθέσουμε το πεδίο «Product
Subcategory». Μετά τη δημιουργία (τουλάχιστον) 1 ιεραρχίας, επιλέγοντας δεξί κλικ, ο χρήστης έχει την
επιπρόσθετη δυνατότητα προσθήκης του αντίστοιχου πεδίου στη(ις) διαθέσιμες ιεραρχία(ες).
Αντίστοιχα, μπορούμε να «σύρουμε» (drag & drop) το επιθυμητό πεδίο, «επάνω» στο όνομα της
ιεραρχίας).
Π.χ. στο Παράδειγμα 4, έχουμε δημιουργήσει την ιεραρχία που αναφέρεται παραπάνω: «Product
Category», «Product SubCategory» & «Product Name», αφού «σύραμε» το πεδίο «Product SubCategory»
και επιλέγοντας «Add to Hierarchy», αφού είχαμε επιλέξει προηγουμένως το πεδίο «Product Name».
Παρατηρούμε πως τα πεδία που απαρτίζουν την ιεραρχία εξακολουθούν να είναι διαθέσιμα για την
ανάλυση δεδομένων, χωρίς την υποχρεωτική χρήση της ιεραρχίας που κατασκευάστηκε. Με άλλα λόγια
η εισαγωγή ιεραρχίας επιτρέπει την επιπρόσθετη δυνατότητα ανάλυσης των δεδομένων που έχουμε
εισάγει με (βάση τη συγκεκριμένη ιεραρχία), χωρίς να απαγορεύει την ανάλυση της διαθέσιμης
πληροφορίας βάσει των αρχικά διαθέσιμων πεδίων.
44
Παράδειγμα 4. Δημιουργώντας «ιεραρχίες» (hierarchies) στα δεδομένα μας
45
46
Επιπλέον, με την εντολή «Group», μπορούμε να επιλέξουμε τη δημιουργία ομαδοποίησης επιμέρους
τιμών για οποιαδήποτε από τα πεδία. Στην περίπτωση επιλογής της σχετικής δυνατότητας, θα ανοίξει
μενού, στο οποίο ο χρήστης θα πρέπει να ορίσει τον τρόπο ομαδοποίησης διαφορετικών παρατηρήσεων.
Για τις ανάγκες του Παραδείγματος 5, επιλέξαμε να ομαδοποιήσουμε (και, συνεπώς, να είμαστε σε θέση
στη συνέχεια να αξιοποιούμε από κοινού, ως να ήταν ένα μόνο αντικείμενο) τις 2 διαφορετικές μεθόδους
αεροπορικής αποστολής («Express Air» & «Regular Air»).
47
Παράδειγμα 5. Ομαδοποίηση των δεδομένων μας
48
49
50
Όπως και στην περίπτωση της δημιουργίας μιας ιεραρχίας, που εξετάσαμε παραπάνω, μετά την
εισαγωγή ομαδοποίησης των δεδομένων μας, εξακολουθούμε να μπορούμε να αξιοποιήσουμε
μεμονωμένες τις τιμές του πεδίου «Ship Mode». Θα μπορούσαμε, π.χ. σε μία ανάλυση θα υπολογίζουμε
μετρήσεις για το σύνολο των τιμών που περιλαμβάνονται στην ομαδοποίηση ενώ, σε άλλη ανάλυση, να
εξακολουθούμε να έχουμε περισσότερο λεπτομερείς υπολογισμούς, για τον τύπο μεταφορά «Regular
Air» & «Express Air», χωριστά.
Μπορούμε, τέλος, να δημιουργήσουμε μία νέα στήλη του πίνακα (επιλογή «New Column») ή νέα
«μέτρηση» που θα υπολογίζεται για τις ανάγκες των αναλύσεων που θα πραγματοποιήσουμε («New
Measure»). Οι 2 αυτές επιλογές διαφέρουν σχετικά με τον τρόπο αποθήκευσης και ανάκτησης της
σχετικής πληροφορίας, καθώς και των δυνατοτήτων που παρέχουν στο χρήστη.
Η υπολογιζόμενη στήλη (calculated column) που θα δημιουργηθεί με την επιλογή «New column», θα
δημιουργείται/επικαιροποιείται με τη φόρτωση/ανανέωση δεδομένων από τις αρχικές πηγές
δεδομένων που αξιοποιούμε, κάτι που σημαίνει πως θα αυξάνει αντίστοιχα ο όγκος δεδομένων του
αρχείο Power BI. Παρόλα αυτά, η σχετική πληροφορία θα ανακτάται γρηγορότερα. Αντιθέτως, οι
υπολογιζόμενες «μετρήσεις» (new measure) που εισάγονται με την εντολή «New Measure», δεν
αποθηκεύονται ως δεδομένα στο αρχείο, αλλά υπολογίζονται μόνο όταν ο χρήστης επιλέξει την
εμφάνισή τους σε μία αναφορά. Ως αποτέλεσμα, ο χρόνος εμφάνισής τους αναμένεται να είναι
ταχύτερος5.
Η υλοποίησή τους απαιτεί, έστω και απλή, εξοικείωση με τη γλώσσα DAX, που αποτελεί το ισοδύναμο
της χρήση τύπων (formulas) στο Excel.
5
Ενδεχόμενες διαφορές στο χρόνο ανταπόκρισης της εφαρμογής εξαρτώνται από τον όγκο των
δεδομένων, καθώς και τις επιδόσεις του υπολογιστή που αξιοποιείται.
51
2. ΑΠΛΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ & ΑΠΕΙΚΟΝΙΣΗ ΠΛΗΡΟΦΟΡΙΑΣ
2.1 Εισάγοντας απεικονίσεις αριθμητικών πεδίων
Όταν η τρέχουσα σελίδα της αναφοράς είναι κενή (όπως είναι στην περίπτωση του αρχείου που μόλις
δημιουργήσαμε εισάγοντας δεδομένα στο προηγούμενο μέρος της ενότητας), τον ευκολότερο τρόπο για
να εισάγουμε μία νέα απεικόνιση αποτελεί η επιλογή ενός από τα διαθέσιμα πεδία που απεικονίζονται
στο δεξιό μέρος της οθόνης της εφαρμογής («Fields»). Εναλλακτικά, ο χρήστης μπορεί να «σύρει» (drag
& drop) ένα από τα διαθέσιμα πεδία στον κενό χώρο της αναφοράς. Η συμπεριφορά του Power BI, και
στις δύο περιπτώσεις, θα εξαρτηθεί από τον τύπο δεδομένων του πεδίου που επιλέξαμε να
απεικονίσουμε!
Εάν ο χρήστης επιλέξει την απεικόνιση ενός αριθμητικού πεδίου (π.χ. το συνολικό ύψος πωλήσεων, στο
Παράδειγμα 6), τότε το Power BI θα δημιουργήσει ένα διάγραμμα (κάθετων) ράβδων (clustered column
chart, που αποτελεί την προεπιλεγμένη απεικόνιση αριθμητικών πεδίων), το οποίο θα παρουσιάζει το
συνολικό μέγεθος, για το συγκεκριμένου πεδίο.
Ο τρόπος σύνοψης του μεγέθους αυτού (άθροισμα, πλήθος παρατηρήσεων, μέσος όρος, κλπ.) θα
εξαρτηθεί από τις αντίστοιχες επιλογές του χρήστη. Π.χ. στο Παράδειγμα 6, παρατηρούμε πως με την
επιλογή των εσόδων από πωλήσεις (πεδίο «Sales»), το διάγραμμα που προστέθηκε απεικονίζει το
άθροισμα πωλήσεων, για το σύνολο των παρατηρήσεων στον πίνακα δεδομένων «Orders» (δεν έχει
επιλεγεί κανένας περιορισμός για τα δεδομένα μας).
Μάλιστα, μετά την εισαγωγή της σχετικής απεικόνισης το διάγραμμα παραμένει επιλεγμένο. Π.χ. εάν ο
χρήστης πατήσει το πλήκτρο Delete στο πληκτρολόγιό του, τότε η απεικόνιση που προστέθηκε, θα
διαγραφεί6.
Παράδειγμα 6. Δημιουργία της πρώτης απεικόνισης αριθμητικών δεδομένων
6
Ο χρήστης μπορεί να αναιρέσει την αλλαγή που υλοποίησε, με χρήση του κουμπιού Undo ή με τη
συντόμευση Ctrl + Z (κάτι που ισχύει και σε εφαρμογές του MS Office, συμπεριλαμβανομένου του Excel).
52
Επιπρόσθετα, παρατηρούμε πως όσο το διάγραμμα παραμένει επιλεγμένο, το Power BI μας ενημερώνει
πως η τρέχουσα απεικόνιση είναι τύπο οριζόντιων στηλών (clustered column). Εάν επιλέξουμε μία από
τις υπόλοιπες διαθέσιμες απεικονίσεις δεδομένων, ο τύπος απεικόνισης θα αλλάξει, όπως θα
εξετάσουμε σε επόμενες ενότητες του μαθήματος.
Εάν, στη συνέχεια, αποφασίσουμε να απεικονίζεται ταυτόχρονα ένα ακόμα αριθμητικό πεδίο στο ίδιο
διάγραμμα, θα χρειαστεί (έχοντας επιλεγμένο στο χώρο της αναφοράς το προηγούμενο διάγραμμα), να
επιλέξουμε και το νέο πεδίο. Στο Παράδειγμα 7, επιλέξαμε να εμφανίσουμε, εκτός από το συνολικό ύψος
πωλήσεων, και το συνολικό ύψος κερδών που προκύπτει από τα δεδομένα του πίνακα «Orders». Το ίδιο
αποτέλεσμα θα προκύψει εάν ο χρήστης επιλέξει να σύρει (drag & drop) το αντίστοιχο πεδίο εντός του
διαγράμματος.
Παράδειγμα 7. Προσθέτοντας αριθμητικά δεδομένα στο διάγραμμα

53
Στο σημείο αυτό θα πρέπει να σημειωθεί πως εάν ο χρήστης δεν έχει επιλεγμένο ένα (από τα
ενδεχομένως περισσότερα) διαγράμματα στην τρέχουσα σελίδα του αρχείου Power BI, και επιλέξει-
ενεργοποιήσει ένα από τα αριθμητικά δεδομένα, τότε θα δημιουργηθεί νέο διάγραμμα, το οποίο θα
περιλαμβάνει διαγραμματική απεικόνιση μόνο του τελευταίου πεδίου που επιλέχθηκε (ακόμα και εάν η
«νέα» πληροφορία απεικονίζεται ήδη, σε κάποια από τα διαγράμματα της αναφοράς). Η περίπτωση
αυτή απεικονίζεται στο Παράδειγμα 8.
Παράδειγμα 8. Επιλέγοντας αριθμητικά δεδομένα όταν δεν είναι επιλεγμένη κάποια

απεικόνιση
54
Η επιλογή του Power BI να απεικονίσει το άθροισμα των διαθέσιμων παρατηρήσεων για τα αριθμητικά
πεδία δεν είναι τυχαία. Αντιθέτως, οφείλεται στην αντίστοιχη επιλογή σχετικά με τον τρόπο σύνοψης
(summarization) της πληροφορίας. Στις δύο παραπάνω περιπτώσεις (για τα πεδία «Sales» & «Profit»,
αντίστοιχα), έχει επιλεγεί το άθροισμα (Sum). Φυσικά, ο χρήστης μπορεί να μεταβάλει την αντίστοιχη
επιλογή, εμφανίζονται το πλήθος, τον μέσο όρο, την τυπική απόκλιση, κ.ο.κ. των επιμέρους τιμών.
Για τις ανάγκες της περίπτωσης που απεικονίζεται στο Παράδειγμα 9, έχουμε επιλέξει την καταγραφή
του πλήθους των παρατηρήσεων, κάτι που έχει ως αποτέλεσμα οι δύο μετρήσεις να καταλήγουν στο ίδιο
55
αποτέλεσμα. Θα ισχύει το ίδιο εάν επιλέξουμε τη σύνοψη παρατηρήσεων με υπολογισμό του πλήθους
διακριτών-διαφορετικών τιμών (distinct count);
Παράδειγμα 9. Αλλάζοντας τον τρόπο σύνοψης δεδομένων (summarization)
2.2 Εισάγοντας απεικονίσεις πεδίων κειμένου
Σε αντίθεση με τις παραπάνω περιπτώσεις, εάν ο χρήστης είχε επιλέξει την εμφάνιση ενός πεδίου
κειμένου (όταν δεν είναι επιλεγμένο ένα από τα διαγράμματα της αναφοράς), τότε θα δημιουργηθεί
πίνακας (table), σε κάθε γραμμή του οποίου το Power BI καταγράφει τις διαφορετικές τιμές του πεδίου
που προστέθηκε. Ίδιο ακριβώς θα είναι το αποτέλεσμα, εάν σύρουμε στον κενό χώρο μιας σελίδας ένα
56
πεδίο κειμένου. Στο Παράδειγμα 10, έχουμε προσθέσει μία νέα απεικόνιση, επιλέγοντας-
ενεργοποιώντας το πεδίου κειμένου Region.
Παράδειγμα 10. Δημιουργώντας απεικονίσεις με επιλογή πεδίων κειμένου
Μάλιστα, θα μπορούσαμε να προσθέσουμε ένα (ή, φυσικά, περισσότερα) μη-αριθμητικά πεδία, κάτι που
θα έχει ως αποτέλεσμα να δημιουργηθούν όλοι οι δυνατοί συνδυασμοί των 2 πεδίων στις γραμμές του
πίνακα. Από τεχνικής άποψης, η εφαρμογή δεν μας εμποδίζει να εισάγουμε με την αντίθεση σειρά τα 2
57
πεδία. Καθώς, όμως, (στο συγκεκριμένο παράδειγμα) το πεδίο Province αποτελεί περισσότερο
λεπτομερή απεικόνιση της πληροφορίας που εμπεριέχεται στο πεδίο Region, δεν έχει ιδιαίτερο νόημα η
αντιστροφή της εικόνας που εμφανίζεται στο Παράδειγμα 11.
Παράδειγμα 11. Δημιουργώντας απεικονίσεις με επιλογή περισσότερων πεδίων κειμένου
Η συμπεριφορά των πεδίων κειμένου που προκύπτει στα 2 παραπάνω παραδείγματα οφείλεται στο ότι
(από προεπιλογή) το Power BI δεν θα προσπαθήσει να συνοψίσει μη-αριθμητικά πεδία. Παρόλα αυτά, ο
χρήστης μπορεί να επιλέξει έναν από τους δυνατούς τρόπους σύνοψης μη-αριθμητικών τιμών (πλήθος
και πλήθος διακριτών τιμών) και να υπολογίσει την αντίστοιχη πληροφορία. Σε κάθε περίπτωση,
προεπιλεγμένος τρόπος απεικόνισης για τα πεδία κειμένου θα παραμείνει η εισαγωγή πίνακα χωρίς την
σύνοψη κάποιου πεδίου (επιλογή «Don’t summarize»).
Επιπρόσθετα, θα μπορούσαμε να αξιοποιήσουμε την ομαδοποίηση τιμών του πεδίου «Ship Mode» που
υλοποιήσαμε στο Παράδειγμα 5, παραπάνω. Επιλέγοντας το ομαδοποιημένο πεδίο «Ship Mode
(groups)», το Power BI θα δημιουργήσει και πάλι πίνακα (αφού πρόκειται για πεδίο κειμένου),
εισάγοντας τις μοναδικές τιμές του πεδίου, όπως προέκυψαν από την ομαδοποίηση. Εάν το επιθυμεί, ο
58
χρήστης μπορεί να εισάγει και την περισσότερο λεπτομερή ανάλυση (αρχικό, μη-ομαδοποιημένο πεδίο,
«Ship Mode») ή, φυσικά, οποιαδήποτε άλλο πεδίο κειμένου επιθυμεί.
Παράδειγμα 12. Δημιουργία διαγράμματος με ομαδοποιημένα πεδία κειμένου
59
2.3 Η ειδική περίπτωση της γεωγραφικής πληροφορίας
Μία από τις πολύ χρήσιμες δυνατότητες του Power BI (καθώς και των πλέον πρόσφατων εκδόσεων του
MS Excel) αποτελεί η δυνατότητα αποτύπωσης πληροφορίας τοποθεσίας σε χάρτες. Το Power BI
αντιλαμβάνεται πως το πεδίο Province περιλαμβάνει σχετική πληροφορία. Η επιλογή-ενεργοποίηση του
συγκεκριμένου πεδίου (όταν δεν είναι επιλεγμένο κάποιο διάγραμμα), θα οδηγήσει στη δημιουργία της
προεπιλεγμένης απεικόνισης χάρτη, στον οποίο τοποθετείται ένα σημείο για κάθε διαφορετική περιοχή
του πεδίου Province (Παράδειγμα 13). Το σημείο αυτό αργότερα, μπορεί να διαμορφωθεί κατάλληλα (το
μέγεθος ή το χρώμα) με βάση άλλη πληροφορία που θα επιλέξει ο χρήστης να εισάγει.
Παράδειγμα 13. Απλός τρόπος για την εισαγωγή χάρτη
60
Παρατηρήσαμε, όμως, παραπάνω πως κάτι παρόμοιο δεν υλοποιήθηκε όταν ο χρήστης επέλεξε την
εισαγωγή του πεδίου Region. Αυτό συμβαίνει διότι το Power BI δεν «αντιλήφθηκε» πως πρόκειται
(επίσης) για πεδίο που παρέχει γεωγραφική πληροφόρηση. Παρόλα αυτά, ο χρήστης μπορεί να
«ενημερώσει» σχετικά την εφαρμογή, αλλάζοντας την κατηγορία πληροφορίας που αποθηκεύεται στο
συγκεκριμένο πεδίο. Επιλέγοντας τον γεωγραφικό «ρόλο» πολιτείας ή περιφέρειας (State or Province),
και ενεργοποιώντας το πεδίο (όταν δεν είναι επιλεγμένη άλλη ανάλυση), το Power BI θα δημιουργήσει
χάρτη, όπως και στην περίπτωση του πεδίου Province, παραπάνω. Γιατί είναι λιγότερα τα σημεία που
απεικονίζονται στο Παράδειγμα 14, έναντι των αντίστοιχων του Παραδείγματος 13;
Παράδειγμα 14. Εισαγωγή χάρτη με αλλαγή της κατηγορίας δεδομένων
61
2.4 Συνδυάζοντας αριθμητικά και μη-αριθμητικά δεδομένα
Έως τώρα έχουμε εξετάσει τον τρόπο απεικόνισης αποκλειστικά αριθμητικών ή μη-αριθμητικών πεδίων,
καθώς και την ειδικότερη κατηγορία πεδίου που περιλαμβάνει γεωγραφική πληροφόρηση. Σε αυτό το
μέρος της ενότητας θα συνδυάσουμε, στην ίδια απεικόνιση (visualization), αριθμητικά και μη-αριθμητικά
δεδομένα, με σκοπό να δημιουργήσουμε τις πρώτες αναλύσεις μας.
Επανερχόμενοι στην περίπτωση που μελετήσαμε στο Παράδειγμα 6, παραπάνω, όπου απεικονίζεται σε
στήλη το άθροισμα των πωλήσεων, μπορούμε να επιλέξουμε-ενεργοποιήσουμε την εμφάνιση ενός
πεδίου κειμένου (έχοντας επιλεγμένο στο χώρο της αναφοράς το διάγραμμα που δημιουργήσαμε στο
Παράδειγμα 6). Στο Παράδειγμα 15, επιλέγουμε να εμφανίσουμε στο ίδιο διάγραμμα πληροφορία
σχετικά με την κατηγορία προϊόντος. Το Power BI θα τοποθετήσει στον οριζόντιο άξονα (καθώς πρόκειται
62
για διάγραμμα στηλών) τις διαφορετικές τιμές του πεδίου «Product Category», κατανέμοντας (slicing) το
άθροισμα πωλήσεων, στις 3 επιμέρους κατηγορίες προϊόντων που προστέθηκαν στην απεικόνιση.
63
Παράδειγμα 15. Εισαγωγή πεδίου κειμένου σε απεικόνιση αριθμητικών τιμών
Αντίστοιχα, τώρα που το διάγραμμά μας δεν περιέχει μόνο ένα πεδίο, μπορούμε να από-επιλέξουμε το
ύψος των πωλήσεων (τι θα συμβεί εάν απενεργοποιήσουμε το μόνο πεδίο που περιλαμβάνεται σε μία
απεικόνιση;) και να επιλέξουμε, στη συνέχεια, το πεδίο κέρδους. Θα μπορούσαμε, πολύ εύκολα, να
64
επιλέξουμε την ταυτόχρονη απεικόνιση πωλήσεων και κέρδους, ανά κατηγορία προϊόντος (ή
οποιαδήποτε άλλου πεδίου μας ενδιαφέρει).
Παράδειγμα 16. Αλλαγή του αριθμητικού πεδίου που απεικονίζεται
65
66
Αντίστοιχα, μπορούμε να επανέλθουμε στην περίπτωση που εξετάσαμε, παραπάνω, στο Παράδειγμα 12.
Στο ίδιο διάγραμμα στο οποίο έχουμε τοποθετήσει τις διαφορετικές (ομαδοποιημένες) τιμές που
περιγράφουν τον τρόπο αποστολής, μπορούμε να προσθέσουμε αριθμητικά πεδία που συνοψίζουν το
άθροισμα των πωλήσεων ή/και της κερδοφορίας (καθώς και οποιαδήποτε άλλο αριθμητικό πεδίο ή άλλο
τρόπο σύνοψης πληροφορίας).
Για τις ανάγκες του Παραδείγματος 17, απεικονίζουμε το ύψος πωλήσεων για κάθε έναν από τους
τρόπους μεταφοράς των προϊόντων που προκύπτουν στο πεδίο «Ship Mode».
Στη συνέχεια, μπορούμε να προσθέσουμε την λιγότερο λεπτομερή πληροφορία που παρέχει το
(ομαδοποιημένο) πεδίο «Ship Mode (group)» και θα επιλέξουμε την απεικόνιση -πέρα από το ύψος των
πωλήσεων- και την αντίστοιχη κερδοφορία.
Παρατηρούμε πως, καθώς το Power BI προσέθεσε περισσότερο πεδία στις στήλες του πίνακα, ο χώρος
που είχε δεσμευτεί για τις ανάγκες της ανάλυσης δεν επαρκεί. Μπορούμε, να αλλάξουμε το πλάτος του
πίνακα, πολύ απλά επεκτείνοντας το δεξιό άκρο του διαγράμματος προς τα δεξιά (όπως περίπου θα
κάναμε και με ένα διάγραμμα του MS Excel). Με τον τρόπο αυτό αποκτούμε μία πρώτη εικόνα της
ευελιξίας του χώρου αναφορών (report view) της εφαρμογής.
67
Παράδειγμα 17. Προσθέτοντας αριθμητικά δεδομένα σε απεικονίσεις πεδίων κειμένου
68
69
Παρατηρούμε πως το Power BI τοποθέτησε εντός της ίδιας απεικόνισης το σύνολο των πεδίων, με τη
σειρά που τα επιλέξαμε. Ενδεχομένως, όμως, η σειρά αυτή να μην ανταποκρίνεται στις ανάγκες της
ανάλυσης μας ενώ δεν είναι ιδιαίτερα πρακτικό να από-επιλέξουμε πεδία, με σκοπό να τα επιλέξουμε
εκ νέου με την επιθυμητή σειρά εμφάνισης. Για τον λόγο αυτό, το Power BI μας επιτρέπει να
μεταβάλουμε τη σειρά εμφάνισης των πεδίων του πίνακα από το πεδίο Values που τοποθετείται κάτω
από τις διαφορετικές κατηγορίες απεικονίσεων («Visualizations») και επάνω από τον χώρο στον οποίο
ορίζουμε τα κριτήρια με τα οποία φιλτράρουμε τα δεδομένα μας («Filters»).
Όπως απεικονίζεται και στο Παράδειγμα 18, μπορούμε να αλλάξουμε τη σειρά εμφάνισης των πεδίων
εάν, απλώς, «σύρουμε» (drag & drop) κάθε πεδίο στην επιθυμητή σειρά εμφάνισης.
70
Παράδειγμα 18. Αλλάζοντας τη σειρά εμφάνισης των πεδίων
Το ίδιο μενού μας επιτρέπει να καταργήσουμε ένα πεδίο από την (επιλεγμένη, τρέχουσα) απεικόνιση,
καθώς και να μεταβάλλουμε τον τρόπο σύνοψης των δεδομένων στη συγκεκριμένη ανάλυση. Π.χ. στο
71
Παράδειγμα 18 επιλέξαμε να αλλάξουμε τον τρόπο σύνοψης των δεδομένων μας: Πλέον, απεικονίζεται
το πλήθος παρατηρήσεων, αντί για το άθροισμα πωλήσεων και κερδών (οπότε επιβεβαιώνουμε πως το
πλήθος παρατηρήσεων είναι το ίδιο για πωλήσεις και κέρδη). Θα πρέπει να σημειωθεί, στο σημείο αυτό,
πως η αλλαγή στον τρόπο σύνοψης της πληροφορίας που υλοποιήσαμε, δεν θα επηρεάσει τον τρόπο
απεικόνισης των ίδιων πεδίων στις υπόλοιπες υπάρχουσες απεικονίσεις ή/και σε αυτές που θα
δημιουργήσει ο χρήστης στη συνέχεια (μπορείτε να επιβεβαιώσετε πως δεν έχει μεταβληθεί ο
προεπιλεγμένος τρόπος σύνοψης του πεδίου στο μενού επιλογών «Column Tools»).
2.5 Αλλάζοντας τον τύπο απεικόνισης
Ας επανέλθουμε στο Παράδειγμα 13, στο οποίο εμφανίσαμε τον χάρτη με όλα τα διαφορετικά σημεία
του πεδίου Provice, και ας υποθέσουμε πως ο χρήστης επιθυμεί να εμφανίσει το συνολικό ύψος
πωλήσεων σε κάθε περιφέρεια. Μπορούμε πολύ εύκολα, επιλέγοντας το αντίστοιχο αριθμητικό πεδίο,
να εμφανίσουμε την αντίστοιχη πληροφορία υπό μορφή φυσαλίδας (bubble), το μέγεθος της οποίας θα
είναι ανάλογο των πωλήσεων που επιτύχαμε σε κάθε περιοχή.
Παρόλα αυτά, ο εμφανίσιμος χάρτης δεν απεικονίζει το επιθυμητό επίπεδο λεπτομέρειας για το ύψος
των πωλήσεων και ο χρήστης αποφασίζει πως ο χάρτης δεν αποτελεί τον ιδανικό τρόπο απεικόνισης της
σχετικής πληροφορίας. Μπορεί πολύ εύκολα, να επιλέξει από τις διαθέσιμες κατηγορίες απεικονίσεων
(Visualization), την απεικόνιση των δεδομένων του υπό μορφή πίνακα. Αντίστοιχα θα μπορούσε να
επιλέξει την απεικόνιση σε ένα διάγραμμα γραμμών (line chart), ή υπό μορφή οριζόντιων ή/και κάθετων
στηλών (clustered bars/columns), όπως παρουσιάζεται στο Παράδειγμα 19. Μάλιστα, από το ίδιο
παράδειγμα προκύπτει πως καθώς δεν περιλαμβάνονται άλλα δεδομένα στο διάγραμμα, το τελικό
αποτέλεσμα δεν θα μεταβληθεί, ακόμα και εάν ο χρήστης επιλέξει να απεικονίσει την ίδια πληροφορία
υπό μορφή «σωρευμένης στήλης» (stacked bar/column chart).
72
Παράδειγμα 19. Αλλάζοντας τον τρόπο απεικόνισης δεδομένων
73
74
75
3. ΒΑΣΙΚΕΣ ΕΠΙΛΟΓΕΣ ΜΟΡΦΟΠΟΙΗΣΗΣ ΚΑΙ ΑΠΕΙΚΟΝΙΣΗΣ
ΠΛΗΡΟΦΟΡΙΑΣ
3.1 Χρωματίζοντας τα διαγράμματά μας
Στα απλά διαγράμματα που δημιουργήσαμε για τις ανάγκες των παραδειγμάτων απεικόνισης που
εξετάσαμε στο προηγούμενο μέρος της ενότητας, χρησιμοποιήσαμε το προεπιλεγμένο χρώμα που
«χρησιμοποιεί» το Power BI. Παρόλα αυτά, όπως θα κάναμε και σε ένα υπολογιστικό φύλλο του MS
Excel, μπορούμε να αλλάξουμε το χρώμα με το οποίο απεικονίζεται κάθε πληροφορία, καθώς και πολλές,
ακόμα, από τις επιλογές μορφοποίησης του διαγράμματος.
Στην Εικόνα 2, παρατίθενται οι επιλογές απεικόνισης όταν έχει επιλεγεί ένα διάγραμμα (οριζόντιων ή
κάθετων) στηλών. Οι επιλογές μορφοποίησης άλλης κατηγορίας απεικόνισης ενδέχεται να διαφέρουν7.
7
Π.χ. Εάν ο χρήστης επιλέξει ένα διάγραμμα «γραμμής» (line), τότε θα προστεθεί μία επιπρόσθετη
επιλογή (Shapes) σχετικά το σύμβολο που θα εμφανίζεται σε κάθε σημείο δεδομένων (κάτι που, φυσικά,
ισχύει και σε αντίστοιχα διαγράμματα στο MS Excel).
76
Εικόνα 2. Επιλογές μορφοποίησης της απεικόνισης
77
Με χρήση των παραπάνω επιλογών, θα μπορούσαμε να αλλάξουμε το χρώμα εμφάνισης των μοναδικών
αριθμητικών δεδομένων που έχουμε εισάγει στο Παράδειγμα 15, παραπάνω, κάτι που περιγράφεται στο
Παράδειγμα 20.
Παράδειγμα 20. Αλλάζοντας το χρώμα απεικόνισης των δεδομένων μας
78
79
Παρόλα αυτά, το Power BI επιτρέπει σε μέρη του διαγράμματος (π.χ. στήλες για κάθε τιμή του πεδίου
«Product Category») να χρωματιστεί ανάλογα με τις τιμές άλλων δεδομένων! Για να υλοποιηθεί αυτού
του τύπου η απεικόνιση απαιτείται να ορίσουμε στην εφαρμογή το πεδίο εκείνο, βάσει των τιμών του
οποίου θα μορφοποιείται κατάλληλα κάθε σημείο.
Για τις ανάγκες του Παραδείγματος 20, έχουμε υποθέσει πως επιθυμούμε κάθε στήλη του διαγράμματος
(που αντιστοιχεί σε κάθε τιμή του πεδίου «Product Category», που απεικονίζονται στον οριζόντιο άξονα)
να χρωματιστεί βάσει του ύψους των κερδών (πεδίο «Profit»).
Η σχετική επιλογή που θα αξιοποιήσουμε βρίσκεται μεταξύ των επιλογών μορφοποίησης («Format»).
Από την επιλογή «Column» «Colors» θα χρειαστεί να επιλέξουμε την επιλογή δημιουργίας κανόνα
υπό όρους μορφοποίησης και, στο σχετικό μενού επιλογών, θα χρειαστεί να εισάγουμε τη χρωματική
μας κλίμακα!
80
Παράδειγμα 21. Όταν το χρώμα απεικόνισης εκφράζει πληροφορία
81
82
83
84
Παρατηρούμε στο Παράδειγμα 21, πως η κατηγορία προϊόντων τεχνολογίας (το πεδίο «Product
Category» λαμβάνει την τιμή «Technology») εμφανίζει τις υψηλότερες πωλήσεις και τα υψηλοτέρα
κέρδη (έντονο μπλε χρώμα, με βάση τη χρωματική κλίμακα που επιλέξαμε). Αντιθέτως, η κατηγορία
επίπλων («Furniture») πραγματοποιεί τα, σε απόλυτους όρους, χαμηλότερα κέρδη (αρχικά, λιγότερο
έντονο ή περισσότερο «ανοιχτό» χρώμα, ή ανάλογα με τις επιλογές μας μπορεί να χρωματιστεί
διαφορετικά, π.χ. με πορτοκαλί χρώμα στο Παράδειγμα 21).
3.2 Ακόμα περισσότερη πληροφορία
Παρατηρούμε πως στο τελευταίο διάγραμμα που δημιουργήσαμε για τις ανάγκες του Παραδείγματος
21, εάν κατευθύνουμε τον δείκτη του ποντικιού (και αφήσουμε για λίγο ακίνητο, mouse over) σε μία από
τις στήλες που απεικονίζονται στο διάγραμμα, τότε εμφανίζεται μικρό παράθυρο στο οποίο
απεικονίζονται τα αντίστοιχα δεδομένα. Συγκεκριμένα, εμφανίζεται το όνομα του πεδίου που έχει
τοποθετηθεί στον άξονα («Product Category»), η αντίστοιχη τιμή που λαμβάνει κάθε φορά (η κατηγορία
προϊόντος), καθώς και τα 2 αριθμητικά πεδία που απεικονίζονται («Sales», που αντιστοιχούν στο ύψος
και «Profit», που προκύπτει από το χρώμα, αντίστοιχα, κάθε στήλης).
Η συμπεριφορά αυτή οφείλεται στο εργαλείο «Tooltip», το οποίο εμφανίζει υποχρεωτικά τα πεδία που
περιλαμβάνονται στο διάγραμμα. Παρόλα αυτά, ο χρήστης διατηρεί τη δυνατότητα να προσθέσει
επιπλέον πεδία (ακόμα και εάν αυτά δεν απεικονίζονται στο διάγραμμα). Στο Παράδειγμα 22, επιλέξαμε
να εμφανίζεται στο συγκεκριμένο εργαλείο του διαγράμματος (Tooltip), το συνολικό ύψος μεταφορικών
εξόδων για κάθε υποσύνολο δεδομένων που εμφανίζεται υπό μορφή διαφορετικών στηλών στο
διάγραμμα.
85
Παράδειγμα 22. Προσθέτοντας πεδία στο Tooltip
86
3.3 Μορφοποίηση των αριθμητικών πεδίων
Από το Παράδειγμα 22, παρατηρούμε πως ενώ το ύψος πωλήσεων και κερδοφορίας έχει μορφοποιηθεί
ως αριθμός (εμφανίζονται 2 δεκαδικά ψηφία και τα διαχωριστικά χιλιάδων), η πληροφορία σχετικά με
το μεταφορικό κόστος (πεδίο «Shipping Cost») δεν έχει αντίστοιχη μορφοποίηση και, ίσως, να μην είναι
το ίδιο ευδιάκριτη για τον τελικό χρήστη της αναφοράς.
Μπορούμε, όμως, από τις επιλογές του μενού Modeling να αλλάξουμε τον τύπο δεδομένων που
εμφανίζει το πεδίο αυτό. Εάν επιλέξουμε μορφοποίηση σε νομισματικές μονάδες (currency), την
επόμενη φορά που θα επιλέξουμε μία από τις στήλες του διαγράμματος, στο tooltip που θα εμφανιστεί,
το μεταφορικό κόστος θα απεικονίζεται κατάλληλα μορφοποιημένο.
Θα μπορούσαμε να μορφοποιήσουμε κατάλληλα και τα υπόλοιπα δεδομένα που απεικονίζονται. Τι θα

αλλάξει στον κάθετο άξονα (όπου καταγράφεται το ύψος πωλήσεων), εάν μορφοποιήσουμε το πεδίο
«Sales» ως νομισματική μονάδα;
87
Παράδειγμα 23. Μορφοποιώντας αριθμητικά πεδία
88
3.4 Άλλες επιλογές των απεικονίσεων σε μία αναφορά
Θα πρέπει να σημειωθεί πως ο χρήστης διατηρεί τη δυνατότητα να επιλέξει την αντιγραφή ή την
αποκοπή μιας από τις απεικονίσεις και, στη συνέχεια, να επιλέξει την επικόλλησή της, είτε στην ίδια, είτε
σε άλλη, σελίδα του αρχείου Power BI. Η ενέργεια αυτή ολοκληρώνεται με χρήση των επιλογών «Copy»
ή «Cut»8, αντίστοιχα, στο κεντρικό μενού της εφαρμογής (Home). Αμέσως μετά, ο χρήστης θα χρειαστεί
να επικολλήσει την απεικόνιση σε άλλο σημείο της αναφοράς (επιλέγοντας, αντίστοιχα, «Paste»). Με τον
τρόπο αυτό είναι πολύ ευκολότερο να αντιγραφεί μία κατάλληλα μορφοποιημένη απεικόνιση σε άλλο
σημείο της αναφοράς και, στη συνέχεια, ο χρήστης να επιλέξει να αλλάξει το είδος της πληροφορίας που
αξιοποιείται σε αυτήν (π.χ. άλλο αριθμητικό πεδίο, διαφορετικό πεδίο στις διαφορετικές τιμές του
οποίου θα «σπάνε»-slice τα δεδομένα, κ.ο.κ.).
Επιπρόσθετα, ο χρήστης έχει τη δυνατότητα να αντιγράψει μόνο τη μορφοποίηση μιας απεικόνισης και
να τη χρησιμοποιήσει σε απεικόνιση της επιλογής του. Η ενέργεια αυτή («Format Painter») μπορεί να
επιλεγεί, επίσης, στο κεντρικό μενού επιλογών («Home») της εφαρμογής. Στο σημείο αυτό θα πρέπει να
επισημανθεί πως η συγκεκριμένη επιλογή αντιγραφής της μορφοποίησης από μια απεικόνιση («Format
painter») δεν θα επηρεάσει τα πεδία δεδομένων που συμπεριλαμβάνονται στην απεικόνιση. Αντίστοιχα,
δεν θα επηρεάσει το είδος της απεικόνισης (διάγραμμα οριζόντιων ή κάθετων στηλών, πίνακα, κ.ο.κ.) ή
τον τρόπο σύνοψης της σχετικής πληροφορίας (άθροισμα, μέσος όρος, πλήθος παρατηρήσεων, κλπ.)!
Στο Παράδειγμα 24, αντιγράφουμε τη μορφοποίηση του παραπάνω διοράματος (πωλήσεις ανά
κατηγορία προϊόντος), σε μία νέα απεικόνιση, στην οποία παρουσιάζεται το κόστος μεταφοράς
(«Shipping Cost»), για κάθε έναν από τους τρόπους αποστολής των προϊόντων («Ship Mode»).
Παράδειγμα 24. Αντιγράφοντας τη μορφοποίηση μιας απεικόνισης
8
Το ίδιο αποτέλεσμα έχουν οι αντίστοιχες συντομεύσεις (Shortcuts) Ctrl+C Ctrl+Y, αντίστοιχα. Επιπλέον,
αντί της επιλογής Paste, ο χρήστης μπορεί να επιλέξει, αντίστοιχα, Ctrl+V για να επικολλήσει την
απεικόνιση στο επιθυμητό σημείο. Οι συντομεύσεις αυτές λειτουργούν σε μία σειρά από εφαρμογές,
μεταξύ των οποίων και το MS Excel.
89
3.5 Επιλογές μορφοποίησης της τρέχουσας σελίδας
Όταν καμία από τις διαθέσιμες απεικονίσεις δεν είναι επιλεγμένες, οι επιλογές μορφοποίησης
(«Format») παύουν να αφορούν κάποιο visual, αλλά ολόκληρη την τρέχουσα σελίδα.
90
Εικόνα 3. Επιλογές για την τρέχουσα σελίδα
Από τις αντίστοιχες επιλογές μορφοποίησης («Format Page») της σελίδας (θυμηθείτε πως καμία
απεικόνιση δεν θα πρέπει να είναι επιλεγμένη), μπορούμε να αλλάξουμε το όνομα της σελίδας, τις
διαστάσεις της (π.χ. ανάλογα με τις διαστάσεις της οθόνης που διαθέτει ο τελικός χρήστης της αναφοράς
που ετοιμάζουμε), ακόμα και το χρώμα της («Canvas Background»). Δεν είναι λίγοι οι αναλυτές
δεδομένων που προτιμούν μαύρο χρώμα στο background των αναφορών τους, χρώμα που «θυμίζει» τον
τρόπο μορφοποίησης αναφορών σε παλαιότερες εφαρμογές επιχειρηματικής ευφυΐας ή/και το
τερματικό της εφαρμογής απόκτησης χρηματοοικονομικής πληροφόρησης του πρακτορείου Bloomberg.
91
4. ΠΕΡΙΟΡΙΖΟΝΤΑΣ ΤΗΝ ΑΝΑΛΥΣΗ ΣΕ ΕΠΙΜΕΡΟΥΣ ΥΠΟΣΥΝΟΛΑ
ΔΕΔΟΜΕΝΩΝ
4.1 Φίλτρο δεδομένων σε επίπεδο σελίδας (Filters on this page)
Όπως εξετάσαμε στο τέλος του προηγούμενου μέρους της ενότητας, μπορούμε να δημιουργήσουμε
φίλτρα δεδομένων που θα αφορούν το σύνολο των απεικονίσεων (Visualizations) που έχουμε εισάγει σε
μία σελίδα του αρχείο Power BI.
Ας υποθέσουμε πως το σημαντικότερο ζήτημα που θα απασχολήσει την επιχείρησή σας τις επόμενες
ημέρες αφορά τις οδικές αποστολές των προϊόντων σας (το πεδίο «Ship Mode» λαμβάνει την τιμή
«Delivery Truck»). Επανερχόμενοι στο αποτέλεσμα της ανάλυσης για τις ανάγκες του Παραδείγματος 21,
έχουμε στο φύλλο μας ένα διάγραμμα που απεικονίζει το επίπεδο πωλήσεων (ύψος των στηλών) και
κερδοφορίας (το χρώμα κάθε στήλης, αντίστοιχα), για κάθε μία κατηγορία προϊόντος (πεδίο «Product
Category»). Μπορούμε να δημιουργήσουμε μία νέα σελίδα αντιγράφοντας την υπάρχουσα (επιλογή
«Duplicate Page»), ώστε να καταγράψουμε τη σημασία του φίλτρου δεδομένων σε επίπεδο σελίδας
(«Filters on this page»).
Έτσι, όπως προκύπτει και στο Παράδειγμα 25, στη νέα σελίδα της αναφοράς μπορούμε να «σύρουμε»
το πεδίο που μας ενδιαφέρει να φιλτράρουμε βάσει των διαθέσιμων τιμών του στο πεδίο Page filter και
να επιλέξουμε τις τιμές που μας ενδιαφέρουν («Delivery Truck»). Αντίστοιχα, όπως επίσης προκύπτει στο
Παράδειγμα 25 θα μπορούσαμε να εισάγουμε ένα περισσότερο περίπλοκο φίλτρο (επιλογή «Advanced
Filtering»), στο οποίο π.χ. ζητάμε από το Power BI να εμφανίσει μόνο τις παρατηρήσεις εκείνες για τις
οποίες το πεδίο «Ship Mode» δεν περιλαμβάνει τη λέξη «express», ούτε τη λέξη «regular». Με βάση τα
έως τώρα διαθέσιμα δεδομένα, οποιαδήποτε από τις δύο επιλογές φιλτραρίσματος των δεδομένων
επιλέξουμε, στη 2η σελίδα που δημιουργήσαμε θα εμφανίζεται το ύψος των πωλήσεων «μειωμένο»
(καθώς η ανάλυση περιορίζεται μόνο στα έσοδα από πωλήσεις, η αποστολή των οποίων έγινε οδικά).
Επιπλέον, παρατηρούμε πως άλλαξε και η (σε απόλυτα επίπεδα) κερδοφορία για τις 3 κατηγορίες
προϊόντων που εμφανίζονται στο διάγραμμα (άλλαξε το χρώμα των 3 στηλών).
Στο σημείο αυτό θα πρέπει να επισημανθεί πως η 2η επιλογή φίλτρου δεδομένων (να αποκλείονται τιμές
που περιλαμβάνουν «express» και «regular») έχουν το ίδιο αποτέλεσμα με βάση τα έως τώρα διαθέσιμα
δεδομένα (που απεικονίζονται στις επιλογές του φίλτρου). Mετά την προσθήκη νέων δεδομένων, στα
οποία θα περιλαμβάνονται επιπρόσθετες τιμές στο ίδιο πεδίο9, το φίλτρο ενδεχομένως να μην αποφέρει
το επιθυμητό αποτέλεσμα!
9
Υποθέστε πως η εταιρεία, της οποίας οι πωλήσεις απεικονίζονται στα δεδομένα μας, συγχωνεύεται με
νέα επιχείρηση, η οποία χρησιμοποιεί σε αντίστοιχο πεδίο σχετικά με τον τρόπο αποστολής την τιμή
92
Με βάση τα νέα δεδομένα που απεικονίζονται στο διάγραμμα, παρατηρούμε πολύ εύκολα («Tooltip»)
πως η κερδοφορία της κατηγορίας επίπλων είναι πλέον αρνητική! Φυσικά, το αρχικό μας διάγραμμα
(στην αρχική σελίδα του αρχείου) εξακολουθεί να απεικονίζει την ίδια πληροφορία. Αυτό συνέβη καθώς
το φίλτρο που εισάγαμε δεν επηρέασε το (υπό)σύνολο δεδομένων που αξιοποιείται για τις ανάγκες των
αναλύσεων της αρχικής μας σελίδας.
Παράδειγμα 25. Δημιουργώντας φίλτρα δεδομένων σε επίπεδο σελίδας
«Expr. Air». Τότε, το φίλτρο που θα αποκλείει την λέξη «Express» δεν θα οδηγεί στο ίδιο αποτέλεσμα με
την απλή επιλογή των τιμών «Delivery Truck»!
93
94
4.2 Φίλτρο δεδομένων σε επίπεδο αναφοράς (Filters on all pages)
Εάν μας ενδιέφερε η επιβολή του περιορισμού στο σύνολο των δεδομένων που αξιοποιούνται, συνολικά,
για το αρχείο Power BI, τότε ο χρήστης θα έπρεπε να έχει σύρει το επιθυμητό πεδίο («Ship Mode»), στην
αντίστοιχη επιλογή («Filter on all pages»). Αυτή τη φορά, το αποτέλεσμα του φίλτρου δεδομένων
εμφανίζεται στα διαγράμματα που έχουμε εισάγει και στις δύο σελίδες του αρχείου.
95
Φυσικά, ο χρήστης διατηρεί τη δυνατότητα να δημιουργήσει επιπρόσθετο φίλτρο δεδομένων σε επίπεδο
σελίδας («Filters on this page»), ενώ βρίσκεται σε εφαρμογή το φίλτρο που επηρεάζει το σύνολο του
αρχείο Power BI («Filter on all pages»).
Τι αποτέλεσμα θα είχε η εισαγωγή επιπρόσθετου φίλτρου για την ανάλυση δεδομένων πωλήσεων που
αφορούν την περιοχή «Northwest Territories» (πεδίο «Region»); Τι διαφορές προκύπτουν τώρα σε σχέση
με το διάγραμμα της 1ης σελίδας στην οποίας βρίσκει εφαρμογή μόνο το φίλτρο σχετικά με τον τρόπο
αποστολή (επιλογή «Delivery Truck»);
Στο σημείο αυτό θα πρέπει να σημειωθεί πως (σε αντίθεση με το φίλτρο σε επίπεδο σελίδας), το φίλτρο
που επηρεάζει το σύνολο του αρχείου Power BI («Filter on all pages»), εμφανίζεται σε όλες τις σελίδες
του αρχείου, ώστε ο χρήστης να είναι ενήμερος για το (υπό)σύνολο δεδομένων που αξιοποιεί στις
αναλύσεις του. Μάλιστα, το φίλτρο που επηρεάζει το σύνολο των δεδομένων του αρχείου παραμένει σε
ισχύ, ακόμα και εάν διαγραφεί η σελίδα στην οποία δημιουργήθηκε, κάτι που προκύπτει και στο
Παράδειγμα 27.
Παράδειγμα 26. Δημιουργώντας φίλτρα δεδομένων για όλο το αρχείο Power BI
96
Παράδειγμα 27. Διαγραφή σελίδας του αρχείου Power BI
4.3 Φίλτρο δεδομένων για επιλεγμένη απεικόνιση (Filters on this visual)
Πέρα από τη δυνατότητα εισαγωγής φίλτρου που θα επηρεάσει το αποτέλεσμα ολόκληρης της σελίδας
ή, ακόμα και ολόκληρου του αρχείου Power BI, η εφαρμογή παρέχει την επιπρόσθετη δυνατότητα
εισαγωγής φίλτρου που θα επηρεάσει μόνο τα δεδομένα που καταγράφονται στην επιλεγμένη
απεικόνιση («Filters on this visual»).
97
Επιστρέφοντας στην απεικόνιση του Παραδείγματος 2110, και έχοντας επιλεγμένο το διάγραμμα στο
οποίο επιθυμούμε νε εφαρμόσουμε το νέο φίλτρου, εντοπίζουμε πως στις αντίστοιχες επιλογές φίλτρου
δεδομένων («Filter»), υπάρχει η επιλογή «Filters on this visual» που μας επιτρέπει να εισάγουμε φίλτρο
μόνο για την τρέχουσα απεικόνιση. Μάλιστα, κάθε πεδίο το οποίο συμπεριλαμβάνεται στην απεικόνιση
εμφανίζεται εντός του σχετικού πεδίο, χωρίς -όμως- το αντίστοιχο φίλτρο να είναι ενεργοποιημένο.
Ο χρήστης μπορεί να «σύρει» (drag & drop) οποιαδήποτε πεδίο της επιλογής του στο συγκεκριμένο πεδίο
ενώ η εφαρμογή του φίλτρου δεν θα επηρεάσει άλλες απεικονίσεις που ενδεχομένως έχει δημιουργήσει
ο χρήστης στην ίδια (ή άλλη) σελίδα. Π.χ. στο Παράδειγμα 28, η εφαρμογή του φίλτρου σχετικά με τον
τρόπο αποστολής, θα αλλάξει τα δεδομένα που απεικονίζονται στο διάγραμμα, χωρίς να επηρεάσει τα
δεδομένα του πίνακα που εμφανίζονται σε άλλες απεικονίσεις!
10
Πρόκειται για την αμέσως προηγούμενη απεικόνιση χωρίς την εφαρμογή των φίλτρων που
εξετάστηκαν στα προηγούμενα μέρη της ενότητας.
98
Παράδειγμα 28. Φίλτρο δεδομένων μόνο στην τρέχουσα απεικόνιση
99
Όπως αναφέρθηκε παραπάνω, τα πεδία που απεικονίζονται στο διάγραμμα εμφανίζονται στη σχετική
επιλογή, αν και κανένα φίλτρο δεν είναι ενεργοποιημένο. Ο χρήστης θα μπορούσε να περιορίσει τις τιμές
των πεδίων που εμφανίζονται. Θα πρέπει να σημειωθεί, μάλιστα, πως (πέρα από τα πεδία κειμένου που
έχουμε αξιοποιήσει έως τώρα), φιλτράρισμα δεδομένων μπορεί να πραγματοποιηθεί και με βάση
αριθμητικά πεδία.
100
Στο Παράδειγμα 29, έχουμε υποθέσει πως η διοίκηση της επιχείρησης επιθυμεί να εστιάσει την προσοχή
της στις συναλλαγές εκείνες που δημιούργησαν ζημιά για την εταιρεία (το κέρδος που έχει υπολογιστεί
για κάθε συναλλαγή είναι αρνητικό). Για την υλοποίηση της συγκεκριμένης ανάλυσης, έχουμε
κατασκευάσει μία απεικόνιση πίνακα, από την οποία προκύπτει το πλήθος, αλλά και ο μέσος όρος των
συναλλαγών (ύψος πωλήσεων), καθώς και ο μέσος όρος κερδοφορίας. Στη συνέχεια, αντιγράψαμε τον
πίνακα σε νέο, στον οποίο εφαρμόσαμε το φίλτρο αρνητικής κερδοφορίας, ώστε να μπορούμε να
εστιάσουμε στη διαφορά μεταξύ των αποτελεσμάτων των δύο πινάκων. Π.χ. προκύπτει πως οι μισές
περίπου συναλλαγές πραγματοποιούνται με ζημιά.
Παράδειγμα 29. Φίλτρο δεδομένων των αριθμητικών πεδίων που απεικονίζονται
101
4.4 Ορισμένες σημαντικές «λεπτομέρειες» σχετικά με την εφαρμογή των
φίλτρων
Στο σημείο αυτό είναι σημαντικό να επισημανθεί πως τα φίλτρα που βρίσκουν εφαρμογή σε ολόκληρη
τη σελίδα ή/και ολόκληρο το αρχείο αναφοράς, εφαρμόζονται σε επίπεδο εγγραφής/γραμμής των
αρχικών μας δεδομένων.
Αντιθέτως, τα φίλτρα που αφορούν μεμονωμένο visual εφαρμόζονται μετά τη σύνοψη που υλοποιείται
στο visual!
Εάν ο χρήστης, όπως στο παραπάνω παράδειγμα, επιθυμεί να εφαρμόσει φίλτρο σε επίπεδο κάθε μίας
εγγραφής (το χαμηλότερο επίπεδο λεπτομέρειας διαθέσιμο στο αρχείο μας), θα χρειαστεί να «σύρει»
(drag & drop) εκ νέου το ίδιο πεδίο στη συγκεκριμένη επιλογή φίλτρου («Filters on this visual»). Αυτή τη
φορά το φίλτρο που δημιουργήσαμε δεν θα αφορά τις aggregated τιμές (π.χ. μέσο όρο κερδών -
«Average of Profit»), αλλά θα βρίσκει εφαρμογή σε επίπεδο γραμμής, όπως προκύπτει στο Παράδειγμα
30!
Παράδειγμα 30. Αλλάζοντας τον τρόπο εφαρμογής φίλτρου συγκεκριμένου visual
102
Φυσικά, ένα αντίστοιχο ίδιο φίλτρο θα μπορούσε να εφαρμοστεί, ανάλογα με τις επιλογές του χρήστη,
για το σύνολο των αναλύσεων που περιλαμβάνονται στην τρέχουσα σελίδα ή σε ολόκληρη την αναφορά
(αρχείο Power BI), όπως αναλύθηκε στα προηγούμενα μέρη της ενότητας.
Αξίζει, στο σημείο αυτό, να σημειωθεί πως τα δεδομένα που αποκλείονται με τον τρόπο αυτό από τις
αναλύσεις μας, εξακολουθούν να είναι διαθέσιμα στο αρχείο Power BI και μπορούν να αξιοποιηθούν
μόλις ο χρήστης επιλέξει να αλλάξει το φίλτρο δεδομένων που χρησιμοποίησε (άλλαξε το μέγεθος του
αρχείου σας στον φάκελο που το έχετε αποθηκεύσει, εάν ενεργοποιήσετε το παραπάνω φίλτρο και, στη
συνέχεια, αποθηκεύσετε τις αλλαγές που επιφέρατε στην αναφορά;).
103
Τέλος, δεν θα πρέπει να συγχέεται το φιλτράρισμα δεδομένων που έχουμε αποθηκεύσει σε αρχεία μας,
με άλλες μεθόδους που μας επιτρέπουν να επιλέξουμε το (υπο)σύνολο δεδομένων που θα εισάγουμε
στο αρχείο μας! Τις επιλογές που μας επιτρέπουν κάτι παρόμοιο θα τις εξετάσουμε αναλυτικά σε
επόμενη Υποενότητα.
104
ΥΠΟΕΝΟΤΗΤΑ 3. ΑΠΕΙΚΟΝΙΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΣΕ ΑΝΑΦΟΡΕΣ ΤΟΥ

POWER BI
105
1. ΒΑΣΙΚΑ ΔΙΑΓΡΑΜΜΑΤΑ ΓΙΑ ΤΗΝ ΑΠΕΙΚΟΝΙΣΗ ΠΛΗΡΟΦΟΡΙΑΣ
Στο σημείο αυτό θα δημιουργήσουμε μεγάλο πλήθος διαφορετικών απεικονίσεων, που αντιστοιχούν σε
διαγράμματα που είμαστε σε θέση να εισάγουμε και σε ένα απλό υπολογιστικό φύλλο. Συγκεκριμένα,
θα δημιουργήσουμε διαγράμματα, σε «τμήματα» (clustered) και «σωρευμένα» (stacked), στηλών και
ράβδων ενώ θα συνδυάσουμε παρόμοιες απεικονίσεις με αντίστοιχα διαγράμματα γραμμών. Τέλος, θα
εισάγουμε ορισμένα από τα πλέον συνηθισμένα διαγράμματα «πίτας» και δακτυλίου (donut).
1.1 Στήλες και ράβδοι (clustered bar and clustered column chart)
Στην προηγούμενη ενότητα του μαθήματος κατασκευάσαμε τον απλούστερο τύπο διαγράμματος
ράβδων ή στηλών «σε τμήματα» (clustered bar & clustered column chart). Παρ’όλα αυτά, ο ίδιος τύπος
διαγράμματος μπορεί να δημιουργήσει απεικονίσεις περισσότερων πεδίων που διευκολύνουν την
απεικόνιση χρήσιμης πληροφορίας.
Ξεκινώντας από το απλούστερο διάγραμμα που απεικονίζει μόνο το σύνολο των πωλήσεων (πεδίο
“Sales”, θα μπορούσαμε να πραγματοποιήσουμε την ίδια ανάλυση για οποιαδήποτε αριθμητικό πεδίο
έχουμε στον πίνακα δεδομένων μας), παρατηρούμε πως επιλέγοντας το μη-αριθμητικό πεδίο “Product
Category”, το Power BI θα ανανεώσει το διάγραμμα, δημιουργώντας ανάλυση των πωλήσεων ανά
κατηγορία προϊόντος (“Sales by Product Category”). Κοιτάζοντας περισσότερο προσεκτικά τις επιλογές
πεδίων (“Fields”), θα παρατηρήσουμε πως το μη-αριθμητικό πεδίο “Product Category”, έχει
«τοποθετηθεί» στην επιλογή «άξονα» (“Axis”). Για τον λόγο αυτό, και ο οριζόντιος άξονας εμφανίζει τις
διαφορετικές τιμές του πεδίου (Παράδειγμα 1).
Επιπρόσθετα, θα μπορούσαμε να επιλέξουμε ένα ακόμα μη-αριθμητικό πεδίο, έστω το πεδίο “Product
Container” και να το σύρουμε στην επιλογή “Legend”. Στην περίπτωση αυτή, θα είχαμε (για κάθε τιμή
του πεδίου “Product Category”), ξεχωριστή στήλη (διαφορετικού χρώματος) για κάθε τιμή του πεδίου
“Product Container” που τοποθετήσαμε στην επιλογή “Legend”. Με τον τρόπο αυτό δημιουργήσαμε
διάγραμμα που μας επιτρέπει την εμφάνιση των πωλήσεων ανά κατηγορία προϊόντων και συσκευασίας
(παρατηρήστε πώς άλλαξε ο τίτλος του διαγράμματος σε “Sales by Product Category and Product
Container”).
Παράδειγμα 1. Ένα απλό διάγραμμα στηλών με δύο μη-αριθμητικά πεδία
106
Φυσικά, θα μπορούσαμε να έχουμε επιλέξει την αντίθετη επιλογή: την τοποθέτηση του πεδίου “Product
Category” στην επιλογή “Legend” και την εμφάνιση των μοναδικών τιμών του πεδίου “Product
Container” στον οριζόντιο άξονα (Παράδειγμα 2). Μπορούμε να υλοποιήσουμε τη διαμόρφωση αυτή του
διαγράμματος, μεταφέροντας το πεδίο “Product Container” στον οριζόντιο άξονα (επιλογή “Axis”) και
στη συνέχεια το πεδίο “Product Category” στην επιλογή “Legend”. Στο σημείο αυτό θα πρέπει να
σημειωθεί πως τα 2 αυτά βήματα δεν μπορούν να υλοποιηθούν με διαφορετική σειρά, καθώς δεν
επιτρέπεται να προστεθεί 2ο πεδίο στην επιλογή “Legend”.
Παράδειγμα 2. Αντιστρέφοντας την εμφάνιση των μη-αριθμητών πεδίων
107
Παρ’όλα αυτά, η μορφοποίηση του διαγράμματος που επιλέξαμε δεν μας επιτρέπει να απεικονίσουμε
επιπρόσθετο αριθμητικό πεδίο, παρά μόνο στο “Tooltip”! Έχοντας χρησιμοποιήσει το πεδίο “Legend”, σε
οποιαδήποτε από τα 2 διαγράμματα που δημιουργήσαμε, το Power BI θα χρησιμοποιήσει διαφορετικά
χρώματα για την εμφάνιση των διαφορετικών στηλών του διαγράμματός. Με τον τρόπο αυτό
παρατηρούμε πως χάνουμε την δυνατότητα επιλογής «χρωματισμού» των στηλών ανάλογα με τις τιμές
αριθμητικού πεδίου. Εάν προσπαθήσετε να «σύρετε» το πεδίο “Profit” (ή οποιαδήποτε άλλο αριθμητικό
πεδίο) στην επιλογή “Color saturation”, παρατηρούμε πως το πεδίο δεν θα παραμείνει διαθέσιμο στην
επιλογή αυτή.
Αντίστοιχα, η εφαρμογή δεν μας επιτρέπει να προσθέσουμε την απεικόνιση άλλου πεδίου, ούτε στις
τιμές του διαγράμματος (με προσθήκη περισσότερων στηλών). Εάν επιλέξουμε ένα ακόμα αριθμητικό
πεδίο (π.χ. “Profit”), παρατηρούμε πως το Power BI θα απεικονίσει τη σχετική πληροφορία, μόνο στο
“Tooltip” του διαγράμματος.
Τέλος, εντελώς ίδια διαμόρφωση των πεδίων δεδομένων, θα μπορούσε να προκύψει σε απεικόνιση
οριζόντιων στηλών (bar chart). Έχοντας υλοποιήσει τα διαγράμματα που απεικονίζονται στο Παράδειγμα
1 και 2, μπορούμε πολύ εύκολα να «αντιστρέψουμε» τη φορά των διαγραμμάτων, έχοντας επιλεγμένο
κάθε διάγραμμα και επιλέγοντας τον αντίστοιχο τύπο απεικόνισης (π.χ. το αντίστοιχο διάγραμμα του
Παραδείγματος 1, σε μορφή οριζόντιων στηλών απεικονίζεται στο Παράδειγμα 3).
108
Παράδειγμα 3. Μετατρέποντας το διάγραμμα στηλών σε διάγραμμα ράβδων
109
1.2 Διάγραμμα «σωρευμένων» ράβδων και στηλών (stacked bar and
stacked column chart)
Η εμφάνιση των τιμών για κάθε τιμή του πεδίου που τοποθετήθηκε στην επιλογή “Legend”, οφείλεται
στην απεικόνιση τύπου «τμηματικών» ράβδων ή στηλών (clustered bar & clustered column, αντίστοιχα).
Εάν, αντιθέτως, ο χρήστης επιλέξει την εμφάνιση διαγράμματος «σωρευμένων» ράβδων ή στηλών,
(stacked bar & stacked column) αντίστοιχα, η εμφάνιση του διαγράμματος θα αλλάξει σημαντικά. Αυτή
τη φορά, οι τιμές του πεδίου που θα τοποθετηθούν στην επιλογή “Legend”, χρωματίζοντας κατάλληλα
μέρος της ράβδου ή της στήλης αντίστοιχα.
Η εικόνα που προκύπτει για τις αντίστοιχες επιλογές απεικόνισης του Παραδείγματος 1, σε επιλογή
μορφοποίησης σωρευμένων στηλών, παρουσιάζεται στο Παράδειγμα 4.
110
Παράδειγμα 4. Διάγραμμα σωρευμένων στηλών (stacked column) με δύο μη-αριθμητικά
πεδία
111
Αντίστοιχα, μπορούμε να απεικονίσουμε την αντίστοιχη απεικόνιση του Παραδείγματος 2, υπό μορφή
σωρευμένων στηλών, κάτι που υλοποιούμε στο Παράδειγμα 5. Εξάλλου, την ίδια απεικόνιση μπορούμε
να δημιουργήσουμε, υπό μορφή οριζόντιων σωρευμένων στηλών (σωρευμένων ράβδων, stacked bar,
αντί stacked columns), όπως προκύπτει στο Παράδειγμα 6.
Παράδειγμα 5. Αντιστρέφοντας την εμφάνιση των μη-αριθμητών πεδίων
112
Παράδειγμα 6. Μετατρέποντας το διάγραμμα σωρευμένων στηλών (stacked bar) σε
διάγραμμα σωρευμένων ράβδων (stacked columns)
Ο περιορισμός για το μέγιστο πλήθος πεδίων που μπορούν να τοποθετηθούν στην επιλογή εμφάνισης
“Legend”, καθώς και αυτός που αφορά τον χρωματισμό των στηλών με βάση τις διαφορετικές τιμές του
πεδίου που τοποθετήθηκε στην επιλογή αυτή, παραμένουν και στην περίπτωση που εξετάζουμε
διάγραμμα «σωρευμένων» στηλών ή ράβδων.
113
1.3 Διάγραμμα με στήλες και γραμμές
Μέχρι στιγμής έχουμε δημιουργήσει διαγράμματα που μπορούμε πολύ απλά να εισάγουμε και σε ένα
υπολογιστικό φύλλο του MS Excel. Στο σημείο αυτό θα προχωρήσουμε στη δημιουργία ενός
διαγράμματος που επίσης μπορούμε να υλοποιήσουμε σε ένα υπολογιστικό φύλλο μεταβάλλοντας,
όμως, τις βασικές επιλογές μορφοποίησης του διαγράμματος. Πιο συγκεκριμένα, θα δημιουργήσουμε
ένα διάγραμμα το οποίο συνδυάζει την απεικόνιση σε διάγραμμα γραμμής (line) και στήλης (ή στηλών,
είτε clustered column, είτε stacked column).
Ξεκινώντας από ένα απλό διάγραμμα στηλών (για την ώρα δεν έχουμε τοποθετήσει κανένα πεδίο στην
επιλογή “Legend”), μπορούμε να επιλέξουμε την μετατροπή του σε διάγραμμα στηλών και γραμμής
(“Line and clustered column chart”). Παρόλο που (καθώς απεικονίζουμε μόνο μία αριθμητική τιμή στον
άξονα) δεν θα εντοπίσουμε διαφορές στην απεικόνιση πληροφορίας, παρατηρούμε πως αλλάζουν οι
διαθέσιμες επιλογές για τα πεδία δεδομένων που επιθυμούμε να απεικονίσουμε. Η σημαντικότερη
μεταβολή αφορά την ύπαρξη 2 διαφορετικών πεδίων στα οποία μπορούμε να τοποθετήσουμε
αριθμητικά πεδία. Έτσι, αντί του πεδίου “Values” μπορούμε να τοποθετήσουμε πεδία στις αντίστοιχες
επιλογές “Column values” & “Line values”. Το πεδίο “Sales” θα εξακολουθήσει να απεικονίζεται στις
στήλες του διαγράμματος. Αυτή τη φορά, μπορούμε να προσθέσουμε το όνομα πεδίου που επιθυμούμε
να απεικονίζεται σε διάγραμμα γραμμής εντός της ίδιας απεικόνισης.
Προσθέτοντας το πεδίο “Product Category” στην επιλογή “Column Series”, δημιουργούμε ένα διάγραμμα
στο οποίο το άθροισμα πωλήσεων απεικονίζεται ξεχωριστά για κάθε κατηγορία προϊόντος, αν και η
κερδοφορία κάθε τρόπου συσκευασίας (“Product Container”) αθροίζεται συνολικά (ανεξαρτήτως της
κατηγορίας προϊόντος). Με άλλα λόγια, η προσθήκη πεδίου στην επιλογή “Column Series” θα επηρεάσει
μόνο τον τρόπο απεικόνισης των τιμών του πεδίου που τοποθετήσαμε στην επιλογή “Column values”,
όχι του αντίστοιχου που απεικονίζεται σε γραμμή (στην επιλογή “Line values”).
114
Παράδειγμα 7. Εισάγοντας διάγραμμα γραμμής και στήλης (Line and clustered bar)
115
116
Εντελώς αντίστοιχη απεικόνιση μπορούμε να δημιουργήσουμε υπό μορφή σωρευμένης στήλης (stacked
bar) και γραμμής, όπως προκύπτει στο Παράδειγμα 8.
Παράδειγμα 8. Εισάγοντας διάγραμμα γραμμής και σωρευμένης στήλης (Line and

stacked bar)
117
Θα πρέπει να σημειωθεί, τέλος, πως πέρα από την επιλογή απεικόνισης 2ου αριθμητικού πεδίου (“Profit”
στα 2 παραδείγματα που εξετάσαμε έως τώρα), στην απεικόνιση γραμμής θα μπορούσαμε να
προσθέσουμε περισσότερα πεδία, με αποτέλεσμα το διάγραμμά μας να αποκτά περισσότερες γραμμές.
Π.χ. στο Παράδειγμα 9, έχουμε επιλέξει την εμφάνιση, πέρα από την κερδοφορία που προκύπτει για
κάθε τιμή του πεδίου συσκευασίας (“Product Container”), της αντίστοιχης πληροφορίας για το σύνολο
των πωλήσεων (που προφανώς θα ισούται με το άθροισμα που προκύπτει για κάθε στήλη του
διαγράμματος, αντίστοιχα). Επιπρόσθετα, θα μπορούσαμε να αλλάξουμε τη σειρά απεικόνισης των 2
διαφορετικών σειρών στις γραμμές (“Line values”) του διαγράμματος, αν σύρουμε το 1ο πεδίο «προς τα
κάτω» εντός της ίδιας επιλογής (ή, αντίστοιχα, το 2ο πεδίο «προς τα επάνω»), περίπτωση που επίσης
απεικονίζεται στο Παράδειγμα 9. Η μόνη ουσιαστική διαφορά που προκύπτει στον τρόπο απεικόνισης
πληροφορίας αφορά τον χρωματισμό των 2 γραμμών, επιλογή που ο χρήστης μπορεί να μεταβάλει από
τις αντίστοιχες επιλογές μορφοποίησης.
Παράδειγμα 9. Εισάγοντας διάγραμμα σωρευμένης στήλης με απεικόνιση δύο

διαφορετικών πεδίων στις γραμμές
118
119
Τέλος, είναι πολλές φορές χρήσιμη η επιλογή εμφάνισης του ίδιου πεδίου με αυτό που απεικονίζεται και
στις στήλες του διαγράμματος, αλλά με διαφορετικό τρόπο σύνοψης των δεδομένων. Π.χ. στο
Παράδειγμα 10 έχουμε επιλέξει τη σύνοψη των δεδομένων στις γραμμές του διαγράμματος με
υπολογισμό του μέσου όρου. Με τον τρόπο αυτό, πέρα από το συνολικό ύψος πωλήσεων ανάλογα με
τον τρόπο συσκευασίας και την κατηγορία προϊόντος, αποκτούμε εικόνα για το μέσο ύψος παραγγελίας,
καθώς και τη μέση κερδοφορία που δημιουργούν οι συναλλαγές της επιχείρησης. Με τον τρόπο αυτό
παρατηρούμε εύκολα πως, παρόλο που οι περισσότερες αθροιστικά πωλήσεις αφορούν «μικρού
120
μεγέθους» προϊόντα (συσκευάζονται σε συσκευασία “Small Box”), οι μεγαλύτερες (κατά μέσο όρο)
παραγγελίες αφορούν προϊόντα που συσκευάζονται σε «μεγάλες συσκευασίες» (το πεδίο “Product
Category” λαμβάνει τις τιμές “Jumbo Drum”, Jumbo Box” & “Large Box”, αντίστοιχα).
Παράδειγμα 10. Χρησιμοποιώντας διαφορετικό τρόπο σύνοψης των δεδομένων που

απεικονίζονται στις γραμμές του διαγράμματος
121
1.4 Απεικόνιση κατανομής σε διάγραμμα «πίτας» και «δακτυλίου» (donut)
Μία απεικόνιση που χρησιμοποιείται πολύ συχνά για τον εύκολο εντοπισμό της σχετικής κατανομής
αριθμητικών μεγεθών σε επιμέρους κατηγορίες (που, συνήθως, περιγράφονται από μη αριθμητικά
πεδία) αποτελούν τα διαγράμματα πίτας (pie) και δακτυλίου (“donut”). Επιλέγοντας την εισαγωγή ενός
διαγράμματος πίτας από την αντίστοιχη επιλογή απεικόνισης και μόνο ένα αριθμητικό πεδίο (π.χ. στο
Παράδειγμα 11, το συνολικό ύψος πωλήσεων, “Sales”), το Power BI θα δημιουργήσει ένα διάγραμμα
πίτας, το οποίο θα «χρωματίζεται» με ενιαίο χρώμα, καθώς δεν έχουμε επιλέξει την απεικόνιση
οποιασδήποτε άλλης πληροφορίας. Στη συνέχεια, μπορούμε να προσθέσουμε στην επιλογή “Legend”
ή/και στην επιλογή “Details” ένα μη-αριθμητικό πεδίο, κάτι που θα έχει ως αποτέλεσμα την ανάλυση του
αριθμητικού πεδίου, για κάθε μία από τις μοναδικές τιμές του πεδίου που χρησιμοποιούμε. Η
«τοποθέτηση» του πεδίου “Product Category” στην επιλογή “Details” θα έχει το ίδιο αποτέλεσμα με την
τοποθέτησή του στην επιλογή “Legend”, μόνο όταν η επιλογή “Legend” είναι κενή.
Αντιθέτως, εάν τοποθετήσουμε το πεδίο “Product Category” στην επιλογή “Legend” και το πεδίο
“Product Container” στην αντίστοιχη “Details”, τότε το διάγραμμά μας απεικονίζει και τα 2 πεδία που
χαρακτηρίζουν υποσύνολα των πωλήσεών μας: Συγκεκριμένα, το χρώμα κάθε κομματιού («φέτας») της
πίτας μας θα προκύπτει από το πεδίο που τοποθετήθηκε στο πεδίο “Legend” (“Product Category”, στο
Παράδειγμα 11). Επιπλέον, τα επιμέρους υποσύνολα πωλήσεων που αφορούν διαφορετικές τιμές του
πεδίου που τοποθετήθηκε στην επιλογή “Details” (“Product Container”, στο Παράδειγμα 11) θα
ξεχωρίζουν μεταξύ τους, παρόλο που το χρώμα τους θα καθορίζεται από το πεδίο που έχει τοποθετηθεί
στην επιλογή “Legend”.
Παράδειγμα 11. Απλό παράδειγμα απεικόνισης κατανομής σε διάγραμμα «πίτας»
122
123
124
Το ίδιο εντελώς αποτέλεσμα, μπορούμε να δημιουργήσουμε, επιλέγοντας την εισαγωγή διαγράμματος
τύπου δακτυλίου (donut), όπως απεικονίζεται στο Παράδειγμα 12.
Παράδειγμα 12. Απλό παράδειγμα απεικόνισης κατανομής σε διάγραμμα δακτυλίου
125
126
Στο σημείο αυτό θα πρέπει να σημειωθεί πως τα διαγράμματα τύπου pie & donut chart διευκολύνουν
την διερεύνηση της κατανομής αριθμητικών μεγεθών (π.χ. πωλήσεις) σε κάθε επιμέρους υποσύνολο
δεδομένων (π.χ. κατηγορία προϊόντος και συσκευασίας, όπως έχουμε επιλέξει στα Παραδείγματα 11 και
12). Για τον λόγο αυτό, ακόμα και εάν δεν τοποθετήσουμε κανένα από τα διαθέσιμα πεδία στην επιλογή
“Tooltip”, το Power BI (πέρα από τα πεδία που συμπεριλαμβάνονται στην απεικόνιση) θα υπολογίζει την
αναλογία του αριθμητικού πεδίου (“Sales”) που προκύπτει για το τρέχον υποσύνολο δεδομένων, προς
τη συνολική τιμή του αριθμητικού πεδίου. Π.χ. στα Παραδείγματα 11 και 12, το υποσύνολο πωλήσεων
127
που αφορά έπιπλα (το πεδίο “Product Category” λαμβάνει την τιμή “Furniture”) και συσκευασία “Jumbo
Box” ανέρχεται σε 16,42% των συνολικών πωλήσεων.
1.5 Απεικόνιση κατανομής σε διαγράμματα ράβδων και στηλών
Ένα σημαντικό μειονέκτημα της απεικόνισης της κατανομής του συνόλου αριθμητικών μεγεθών (π.χ.
πωλήσεις, κερδοφορία, κ.ο.κ.) σε επιμέρους κατηγορίες με τη χρήση των παραπάνω διαγραμμάτων
(πίτες και δακτυλίου), αποτελεί η δυσκολία σύγκρισης μεταξύ διαφορετικών υποσυνόλου δεδομένων.
Το πρόβλημα αυτό αντιμετωπίζεται με τη χρήση σωρευμένων στηλών (θα μπορούσαμε να
χρησιμοποιήσουμε, αντίστοιχα, σωρευμένες ράβδους) οι οποίες, όμως, δεν απεικονίζουν απόλυτα
αριθμητικά μεγέθη, αντιθέτως, καταγράφουν τιμές που αθροίζουν στο 100% του συνόλου του
αριθμητικού μεγέθους που απεικονίζεται στο διάγραμμα.
Στο Παράδειγμα 13 απεικονίζουμε την ποσοστιαία αναλογία πωλήσεων κάθε κατηγορίας προϊόντος
(πεδίο “Product Category”) στο σύνολο των πωλήσεων που πραγματοποιούνται με συγκεκριμένου τύπου
συσκευασία. Με τον τρόπο αυτό, είμαστε σε θέση να εκτιμήσουμε πολύ εύκολα την αναλογία πωλήσεων
προϊόντων επίπλων (το πεδίο “Product Category” λαμβάνει την τιμή “Furniture”) στο σύνολο
παραγγελιών που τοποθετούνται σε συσκευασία “Jumbo Box”. Η αναλογία αυτή ανέρχεται σε 87%,
περίπου, του συνόλου της αξίας των παραγγελιών που τοποθετούνται σε παρόμοια συσκευασία. Αυτή
τη φορά, η ποσοστιαία αναλογία (που, επίσης απεικονίζεται στο “Tooltip” χωρίς να απαιτείται σχετική
επιλογή του χρήστη) δεν προκύπτει αναλογικά με το σύνολο των πωλήσεων, αλλά αναλογικά με το ύψος
πωλήσεων που αφορούν τον συγκεκριμένο τρόπο συσκευασίας των αντικειμένων!
128
Παράδειγμα 13. Παράδειγμα απεικόνισης κατανομής αριθμητικών πεδίων
Απεικόνιση της κατανομής αριθμητικών πεδίων σε 100% σωρευμένες στήλες
129
Εντελώς αντίστοιχα, θα μπορούσαμε να αντιστρέψουμε τον τρόπο απεικόνισης των 2 επιλεγμένων μη-
αριθμητικών πεδίων, όπως απεικονίζεται στο Παράδειγμα 14. Σε αυτήν την περίπτωση θα αλλάξει,
αντίστοιχα, ο τρόπος απεικόνισης της πληροφορίας που υπολογίζεται στο “Tooltip”. Π.χ. αυτή τη φορά,
εάν επιλέξουμε το ίδιο υποσύνολο δεδομένων (έπιπλα που αποστέλλονται σε συσκευασία “Jumbo Box”),
η αναλογία που καταγράφεται στο “Tooltip” ανέρχεται σε 47,3%. Πού οφείλεται η διαφορά με την
αντίστοιχη πληροφορία που καταγράψαμε στο Παράδειγμα 13;
Ο συγκεκριμένος τρόπος απεικόνισης της κατανομής του συνόλου σε επιμέρους κατηγορίες δεδομένων,
επιτρέπει την πολύ εύκολη ανάλυση αντίστοιχης πληροφορίας στον χρόνο. Π.χ. στο Παράδειγμα 15,
παρατηρούμε μία αύξηση της αναλογίας πωλήσεων επίπλων προς τις συνολικές πωλήσεις, για το έτος
2011, σε 37% περίπου, σαφώς υψηλότερα, δηλαδή, έναντι του προηγούμενου ή/και του επόμενου
έτους.
130
Παράδειγμα 14. Αντιστρέφοντας τον τρόπο απεικόνισης των μη-αριθμητικών πεδίων
131
Παράδειγμα 15. Απεικονίζοντας αντίστοιχη πληροφορία στο χρόνο
Τέλος, θα πρέπει να επισημάνουμε πως βασικό μειονέκτημα της συγκεκριμένης απεικόνισης

πληροφορίας αποτελεί η αδυναμία εκτίμησης των μεγεθών, σε απόλυτα επίπεδα. Π.χ. στο τελευταίο
Παράδειγμα που εξετάζουμε (Παράδειγμα 15), δεν θα πρέπει να δημιουργηθεί λανθασμένη εντύπωση
πως το έτος 2011 παρατηρήθηκε αύξηση των πωλήσεων επίπλων σε απόλυτο επίπεδο. Θα μπορούσε,
κάλλιστα να έχει καταγραφεί μείωση πωλήσεων επίπλων, σε επίπεδα χαμηλότερα ενδεχόμενης μείωσης
132
του συνόλου των πωλήσεων, γεγονός που οδηγεί την αναλογία πωλήσεων επίπλων στο σύνολο των
πωλήσεων να σημειώνει αύξηση! Σε κάθε περίπτωση ο αναλυτής που αξιοποιεί παρόμοια διαγράμματα
θα πρέπει να έχει υπόψη του τον τρόπο που προκύπτει η πληροφορία που απεικονίζεται!
2. ΑΠΕΙΚΟΝΙΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΣΕ ΜΟΡΦΗ ΚΕΙΜΕΝΟΥ (TABLE, MATRIX,

SLICER, CARD)
Στο σημείο αυτό θα εξετάσουμε τις διαθέσιμες επιλογές για την απεικόνιση πληροφορίας υπό μορφή
κειμένου. Συγκεκριμένα, θα δημιουργήσουμε πίνακες δεδομένων (table & matrix), διαδραστικά φίλτρα
που επιτρέπουν τον ευκολότερη/ταχύτερη επιλογή υποσυνόλων δεδομένων για τα οποία θα
απεικονίζεται πληροφορία, καθώς και κάρτες, που επιτρέπουν την ευανάγνωστη καταγραφή βασικών
αριθμητικών -συνήθως- μεγεθών.
2.1 Πίνακας περισσότερων διαστάσεων (Matrix)
Έχουμε, ήδη από την προηγούμενη ενότητα του μαθήματος, αναφερθεί στη δυνατότητα απεικόνισης
δεδομένων σε μορφή πίνακα (table). Στο σημείο αυτό θα αναφερθούμε αναλυτικότερα στη δυνατότητα
εισαγωγής πίνακα (απεικόνιση matrix), δυνατότητα που αντιστοιχεί στην εισαγωγή της μορφοποίησης
που θυμίζει τη δομή ενός συγκεντρωτικού πίνακα, στον οποίο μπορούμε πολύ εύκολα να τοποθετήσουμε
διαφορετικά πεδία, τόσο στις γραμμές όσο και στις στήλες του πίνακα.
Στο Παράδειγμα 16 έχουμε δημιουργήσει έναν πολύ απλό πίνακα, στον οποίο απεικονίζουμε 2 μη-
αριθμητικά πεδία (“Product Container” & “Product Category”), καθώς και το άθροισμα πωλήσεων που
έχει προκύψει για κάθε ένα υποσύνολο δεδομένων που ορίζονται από τις διαφορετικές τιμές των 2
πεδίων.
133
Παράδειγμα 16. Απεικόνιση σε πίνακα (table)
Διατηρώντας επιλεγμένη/ενεργή την τρέχουσα απεικόνιση και επιλέγοντας την μετατροπή της σε πίνακα
τύπου matrix, παρατηρούμε πως η δομή του πίνακα δεν θα αλλάξει ριζικά: Θα συνεχίσει να απεικονίζεται
η ίδια ακριβώς πληροφορία και με παρόμοια μορφοποίηση, όπου -πλέον- κάθε στήλη του πίνακα
αντιστοιχεί σε διαφορετική τιμή του πεδίου Product Container! Με τον τρόπο αυτό, κάθε «κελί» του
134
πίνακα απεικονίζει το άθροισμα πωλήσεων που προκύπτει για κάθε διαφορετική κατηγορία προϊόντος
(“Product Category”, που πλέον καταγράφεται στις στήλες του πίνακα) και συσκευασίας (“Product
Container”, πληροφορία που εξακολουθεί να αντιστοιχεί στις γραμμές του ίδιου πίνακα). Η
συγκεκριμένη δομή θυμίζει την ευελιξία των συγκεντρωτικών πινάκων του MS Excel.
Παράδειγμα 17. Απεικόνιση της ίδιας πληροφορίας σε πίνακα (matrix)
Τέλος, όπως και σε κάθε άλλη απεικόνιση που μπορούμε να δημιουργήσουμε στο Power BI, μπορούμε
να μεταβάλλουμε τον τρόπο σύνοψης των δεδομένων μας. Στο Παράδειγμα 18, ο χρήστης έχει επιλέξει
την απεικόνιση του μέσου όρου των εσόδων (ανά παραγγελία) για κάθε κατηγορία προϊόντος και
συσκευασίας, αντίστοιχα.
135
Παράδειγμα 18. Διαφορετική σύνοψη της πληροφορίας που απεικονίζεται στον πίνακα
(matrix)
Τέλος, μία ακόμα δυνατότητα που μας παρέχουν οι πίνακες (είτε table, είτε matrix) στο Power BI
αφορούν τη δυνατότητα χρωματισμού των κελιών με βάση κανόνα μορφοποίησης υπό συνθήκη. Έτσι,
στο Παράδειγμα 19 επιλέγουμε να χρωματίσουμε τα κελιά (το background των κελιών) του πίνακα με
διαφορετικά χρώματα, ανάλογα με την τιμή κάθε κελιού (που δεν είναι άλλη από τη μέση τιμή πώλησης
136
για κάθε κατηγορία προϊόντος και συσκευασίας, αντίστοιχα). Συγκεκριμένα, επιλέξαμε να χρωματίσουμε
με κόκκινο χρώμα (επιλέγοντας το αντίστοιχο χρώμα στην επιλογή “Lowest value”) τις χαμηλές τιμές, ενώ
τις «μεσαίες τιμές» με λευκό χρώμα (επιλογή “Middle value”11).
Μάλιστα, καθώς το κενό κελί (από προεπιλογή) λογίζεται ως μηδενική τιμή, μπορούμε να μεταβάλουμε
κατάλληλα τον κανόνα μορφοποίησης, ώστε να μη βρίσκει εφαρμογή σε κενά κελιά (επιλογή “Don’t
format”, αντί της προεπιλογής “Format as zero”). Τέλος, μπορούμε να αλλάξουμε τον κανόνα
μορφοποίησης, ώστε αντί να μεταβάλλεται το χρώμα κάθε κελιού, να μεταβάλλεται το χρώμα της
γραμματοσειράς, και πάλι ανάλογα με το σχετικό ύψος κάθε τιμής του πίνακα.
11Για να εμφανιστεί η σχετική επιλογή, θα χρειαστεί να επιλέξουμε την επιλογή “Diverging”

στο ίδιο μενού μορφοποίησης.
137
Παράδειγμα 19. Διαφορετική σύνοψη της πληροφορίας που απεικονίζεται στον πίνακα
(matrix)
138
139
140
141
Οι κανόνες μορφοποίησης δεν διαφέρουν από τον τρόπο που μπορούμε να εισάγουμε υπό όρους
μορφοποίηση των κελιών μας σε ένα υπολογιστικό φύλλο.
2.2 Δημιουργώντας διαδραστικά φίλτρα (Slicers)
Μία ιδιαίτερα μορφή πίνακα απεικόνισης δεδομένων που -επιπρόσθετα- επιτρέπει την, με διαδραστικό
τρόπο, επιλογή των δεδομένων που θα συμπεριλαμβάνονται στους υπολογισμούς της αναφοράς,
αποτελεί η απεικόνιση τύπου “Slicer”. Ακριβώς όπως και στην περίπτωση ενός συγκεντρωτικού πίνακα
του Excel, το “Slicer” επιτρέπει το φιλτράρισμα δεδομένων, με βάση τα πεδία που απεικονίζονται σε
αυτό.
142
Η λειτουργία του “Slicer” θυμίζει τον τρόπο λειτουργίας του φίλτρου σε επίπεδο σελίδας12, που έχουμε
εξετάσει σε προηγούμενη ενότητα του μαθήματος. Παρ’όλα αυτά, καθώς ο συγκεκριμένος τρόπος
εμφάνισης της πληροφορίας εμφανίζεται στο εσωτερικό της αναφοράς που δημιουργούμε, καθώς και
βάσει των επιλογών μορφοποίησης που εξετάζουμε παρακάτω, η απεικόνιση σε “Slicer” αποτελεί
περισσότερο εύχρηστο εργαλείο για τον χρήστη της αναφοράς. Για τις ανάγκες του Παραδείγματος 19,
έχουμε δημιουργήσει διαδραστικό φίλτρο που στηρίζεται στο πεδίο “Region” και παρατηρούμε τις
επιπτώσεις από διαφορετικές επιλογές περιοχών, στα αποτελέσματα πωλήσεων που καταγράφονται
στον «συγκεντρωτικό πίνακα» (matrix) που δημιουργήσαμε παραπάνω. Π.χ. επιλέγοντας την περιοχή
του “Ontario”, και στη συνέχεια (κρατώντας πατημένο το πλήκτρο Control) και την περιοχή του “Quebec”,
καταγράφουμε το ύψος πωλήσεων σε δύο μεγάλα αστικά κέντρα, στα οποία πραγματοποιεί πωλήσεις η
εταιρεία μας.
12Μπορείτε να επιβεβαιώσετε τη λειτουργία του “Slicer” δημιουργώντας οποιουδήποτε

τύπου αναφορά σε νέα σελίδα και, ελέγχοντας πως οι επιλογές του χρήστη δεν θα
επηρεάσουν άλλες σελίδες του αρχείου.
Στην 5η ενότητα του μαθήματος καταγράφουμε τον τρόπο που μπορούμε να
μεταβάλλουμε τις επιπτώσεις από τις επιλογές μας σε επιμέρους απεικονίσεις της
αναφοράς.
143
Παράδειγμα 20. Ένα διαδραστικό φίλτρο («Slicer») σχετικά με τη γεωγραφία των
πωλήσεων (πεδίο «Region»)
Επιπρόσθετα, από τις αντίστοιχες επιλογές μορφοποίησης του συγκεκριμένου τύπου απεικόνισης
δεδομένων, ο χρήστης μπορεί να επιλέξει εάν, μαζί με τις μοναδικές επιλογές του πεδίου που έχει
προστεθεί στην επιλογή “Field” του “Slicer” (π.χ. πεδίο “Region” στο Παράδειγμα 20), θα εμφανίζεται η
επιλογή εμφάνισης όλων των τιμών (Παράδειγμα 21). Παράλληλα, από τις επιλογές μορφοποίησης,
144
έχουμε τη δυνατότητα να απενεργοποιήσουμε την προεπιλογή εμφάνισης (“Single Select”), κάτι που έχει
ως αποτέλεσμα την αλλαγή της μορφής των επιλογών στο διαδραστικό φίλτρο. Συγκεκριμένα, πλέον,
επιτρέπονται πολλαπλές επιλογές του πεδίου “Region”, κάτι που σημαίνει πως δεν απαιτείται ο χρήστης
να κρατήσει πατημένο το πλήκτρο Control, για την επιλογή 2ης, 3ης κ.ο.κ. τιμής του πεδίου που
περιλαμβάνεται στο φίλτρο.
Εάν ο χρήστης, έχοντας επιφέρει τις παραπάνω αλλαγές, αποφασίσει να επαναφέρει τις προεπιλογές
εμφάνισης του διαδραστικού φίλτρου, μπορεί να επιλέξει “Revert to Default” (βλ. π.χ. Παράδειγμα 21).
Παράδειγμα 21. Επιλογές εμφάνισης διαδραστικού φίλτρου («Slicer»)
145
Τέλος, μία ακόμα δυνατότητα μορφοποίησης του διαδραστικού φίλτρου αφορά τη δυνατότητα
εμφάνισης των διαθέσιμων επιλογών υπό μορφή «καταρράκτη» (drop down menu), αντί για λίστα
πεδίων που έχουμε εξετάσει έως τώρα. Θα πρέπει, επίσης, να σημειωθεί πως και στην περίπτωση αυτή
ο χρήστης διατηρεί τη δυνατότητα επιλογής περισσότερων από μία τιμές, σχετικά με το πεδίο του
διαδραστικού φίλτρου (Παράδειγμα 22).
146
Παράδειγμα 22. Διαδραστικό φίλτρο («Slicer») υπό μορφή «καταρράκτη» (drop down
menu)
Τέλος, θα πρέπει να σημειωθεί πως σε πρόσφατες εκδόσεις του Power BI επιτρέπεται η χρήση ολόκληρης
ιεραρχίας (π.χ. ιεραρχία κατηγορίας προϊόντος που δημιουργήσαμε στην προηγούμενη ενότητα ή/και
ιεραρχία ημερομηνίας) εντός του slicer.
147
2.3 Απεικόνιση μεγεθών σε «κάρτες» (Cards)
Μία ιδιαίτερα χρήσιμη απεικόνιση αποτελεί η δυνατότητα προσθήκης κειμένου σε κάρτες (Cards). Οι
κάρτες συνεισφέρουν στην εύκολη απεικόνιση συγκεκριμένων τιμών. Π.χ. θα μπορούσαμε στην ίδια
αναφορά που έχουμε δημιουργήσει με μία απεικόνιση τύπου matrix και του διαδραστικού φίλτρου
(Παράδειγμα 20), να προσθέσουμε μία κάρτα στην οποία θα καταγράφεται το σύνολο των πωλήσεων,
για τις επιλεγμένες τιμές του διαδραστικού φίλτρου. Με τον τρόπο αυτό, ο χρήστης της αναφοράς θα
παρατηρεί σε ευανάγνωστη απεικόνιση το συνολικό μέγεθος πωλήσεων (το οποίο θα μεταβάλλεται,
αναλόγως με τις επιλογές στο διαδραστικό φίλτρο). Αντίστοιχα, ανάλογα με τις επιλογές του χρήστη, και
καθώς οι πωλήσεις αναλύονται περαιτέρω στον πίνακα (matrix) που έχει ήδη δημιουργηθεί
προηγουμένως, ο χρήστης θα μπορούσε να επιλέξει την εμφάνιση του αθροίσματος κερδών για το ίδιο
υποσύνολο δεδομένων (που, στο Παράδειγμα 23, προκύπτουν από τις επιλογές για την περιοχή
αποστολής των παραγγελιών μας).
Παράδειγμα 23. Απλά παραδείγματα κάρτας
148
Παρατηρούμε πως οι κάρτες μορφοποιούνται με κατάλληλο τρόπο ώστε να συνοψίζουν με ευανάγνωστο
τρόπο την πληροφορία που απεικονίζεται κάθε φορά: Στην περίπτωση που ζητήσαμε την καταγραφή του
συνόλου της κερδοφορίας (χωρίς φιλτράρισμα των δεδομένων μας), το αποτέλεσμα μορφοποιήθηκε σε
εκατομμύρια (προσθήκη του χαρακτήρα “M”, από τη λέξη “millions”). Στη συνέχεια, για το υποσύνολο
πωλήσεων σε “Ontario” και “Quebec” η αντίστοιχη πληροφορία καταγράφηκε σε χιλιάδες (“K”).
Εάν ο αυτόματος τρόπος απεικόνισης μονάδων δεν είναι επιθυμητός, ο χρήστης μπορεί να τον μεταβάλει
επιλέγοντας κατάλληλα από την αντίστοιχη επιλογή μορφοποίησης (“Display units”). Π.χ. στο
Παράδειγμα 24, επιλέγουμε την εμφάνιση σε χιλιάδες, ανεξαρτήτως του ύψους του μεγέθους που
απεικονίζεται, και παρατηρούμε τον τρόπο εμφάνισης των ίδιων αποτελεσμάτων με το Παράδειγμα 23.
149
Παράδειγμα 24. Μορφοποίηση των μεγεθών που απεικονίζονται στην κάρτα σε χιλιάδες
150
Στο σημείο αυτό θα πρέπει να σημειωθεί πως η απεικόνιση κάρτας αποτελεί ιδιαίτερα χρήσιμο εργαλείο
για την απλή και με ευκρίνεια αποτύπωση πληροφορίας, χωρίς ιδιαίτερη περαιτέρω ανάλυση. Για τον
λόγο αυτό στην επιλογή “Fields” δεν επιτρέπεται να τοποθετηθεί 2ο αριθμητικό πεδίο. Έτσι, εάν ο
χρήστης επιλέξει να «σύρει» (drag & drop) ένα επιπρόσθετο πεδίο, αυτό θα αντικαταστήσει το πεδίο που
απεικονιζόταν προηγουμένως.
Παρόλο που έως τώρα θα πρέπει να έχει γίνει εμφανής ο συνήθης τρόπος απεικόνισης αριθμητικής
πληροφορίας σε κάρτες, το Power BI επιτρέπει την εμφάνιση μη-αριθμητικών πεδίων. Τι πληροφορία θα
εμφανίζει η κάρτα σε περίπτωση που επιλέξετε να τοποθετήσετε σε αυτήν (στην επιλογή “Fields”) ένα
μη αριθμητικό πεδίο; Τι άλλου είδους πληροφορία μπορείτε να απεικονίσετε σχετικά με ένα μη-
αριθμητικό πεδίο;
2.4 Απεικόνιση μεγεθών σε «κάρτες» πολλών γραμμών (Multi row cards)
Η δυνατότητα ευανάγνωστης απεικόνισης μεμονωμένων βασικών μεγεθών σε κάρτες, επεκτείνεται με

τη χρήση καρτών πολλαπλών γραμμών (multi-row cards). Σε αντιδιαστολή με την «απλή» κάρτα στην
οποία δεν μπορούμε να απεικονίσουμε 2ο πεδίο (αριθμητικό ή κειμένου), στις κάρτες πολλαπλών
γραμμών μπορούμε να προσθέσουμε περισσότερα πεδία.
Αρχικά, θα μπορούσαμε να παραθέσουμε την τιμή 2 αριθμητικών πεδίων (π.χ. στο Παράδειγμα 25,
πωλήσεις και κερδοφορία) και να παρατηρήσουμε πως τα διαφορετικά αριθμητικά πεδία
καταγράφονται σε διαφορετικές στήλες που προκύπτουν εντός της κάρτας. Προφανώς, η
διαδραστικότητα της απεικόνισης παραμένει, όπως μπορούμε να διαπιστώσουμε επιλέγοντας
διαφορετικές τιμές από το “Slicer” που έχουμε εισάγει στην ίδια σελίδα. Επιπρόσθετα, παρατηρούμε
πως αλλάζοντας τη σειρά εμφάνισης των πεδίων στην επιλογή “Fields”, θα αλλάξει η σειρά εμφάνισης
των αριθμητικών πεδίων.
151
Παράδειγμα 25. Παράδειγμα κάρτας πολλαπλών γραμμών με 2 αριθμητικά πεδία
152
Στις κάρτες πολλαπλών γραμμών μπορούμε εντελώς αντίστοιχα να προσθέσουμε μη-αριθμητικά πεδία.
Με τον τρόπο αυτό, στο Παράδειγμα 25 υπολογίζουμε το συνολικό ύψος πωλήσεων ή/και κερδών, για
κάθε κατηγορία προϊόντος, επιβεβαιώνοντας τα αριθμητικά αποτελέσματα στα οποία έχουμε καταλήξει
σε προηγούμενα παραδείγματα που εξετάσαμε. Σε αντιδιαστολή με την περίπτωση αριθμητικών πεδίων,
η σειρά εμφάνισης πεδίων κειμένου στην επιλογή “Fields”, δεν θα επηρεάσει τη σειρά εμφάνισης τους:
Συγκεκριμένα, τα μη-αριθμητικά πεδία θα τοποθετούνται πρώτα, καθώς ορίζουν κατηγορίες
(υποσύνολα) δεδομένων για τις οποίες γίνονται οι υπολογισμοί που ακολουθούν (Παράδειγμα 26).
Παράδειγμα 26. Προσθέτοντας μη-αριθμητικά δεδομένα στην κάρτα πολλαπλών

γραμμών
153
Φυσικά, θα μπορούσαμε να προσθέσουμε επιπρόσθετα πεδία στην κάρτα πολλαπλών γραμμών.
Παρ’όλα αυτά, είναι προτιμότερο ο χρήστης να περιορίζει το πλήθος πεδίων που προσθέτει, ώστε να μην
απεικονίζεται μεγάλος όγκος πληροφορίας. Περαιτέρω ανάλυση των βασικών μεγεθών μπορεί να
υλοποιείται σε διαγράμματα, καθώς και πίνακες τύπου matrix.
154
Τέλος, αξίζει να σημειωθεί πως οι υπολογισμοί που υλοποιούνται στα παραδείγματα καρτών πολλαπλών
γραμμών που εξετάζουμε, μπορούν να επανα-υπολογιστούν με διαφορετικό τρόπο σύνοψης των
δεδομένων που περιέχουν. Προσπαθήστε να επαναλάβετε το Παράδειγμα 25, απεικονίζοντας τον μέσο
όρο, καθώς και την ελάχιστη τιμή του πεδίου κερδοφορίας από πωλήσεις (“Profit”).
3. ΠΕΡΙΣΣΟΤΕΡΟ ΕΝΔΙΑΦΕΡΟΥΣΕΣ ΑΠΕΙΚΟΝΙΣΕΙΣ ΣΤΟ POWER BI
Στο σημείο αυτό θα εξετάσουμε ορισμένα πολύ χρήσιμα διαγράμματα που μας επιτρέπουν να
εντοπίζουμε την επιθυμητή πληροφορία ευκολότερα. Συγκεκριμένα, θα εξετάσουμε τον τρόπο με τον
οποίο μπορούμε να αξιοποιήσουμε διαγράμματα διασποράς, διαγράμματα τύπου καταρράκτη
(waterfall chart), διάγραμμα Treemap και Funnel. Τα περισσότερα από αυτά δεν μπορούμε να τα
δημιουργήσουμε εύκολα σε ένα υπολογιστικό φύλλο.
3.1 Διάγραμμα διασποράς (scatter chart)
Μία κατηγορία διαγραμμάτων που μπορούμε να δημιουργήσουμε και στο MS Excel αποτελεί το
διάγραμμα διασποράς, το οποίο διευκολύνει τον εντοπισμό συσχετίσεων μεταξύ δύο διαφορετικών
σειρών από αριθμητικά δεδομένα, την εύκολη καταγραφή «ακραίων» τιμών (ιδιαίτερα υψηλών, ή
αδικαιολόγητα χαμηλών τιμών), κ.ο.κ. Μάλιστα, η συγκεκριμένη απεικόνιση στο Power BI μπορεί να
επεκταθεί καταγράφοντας περισσότερες των 2 μεταβλητών, «θυμίζοντας» διάγραμμα φυσαλίδας
(bubble chart).
Ξεκινώντας την προσπάθεια να δημιουργήσουμε ένα βασικό διάγραμμα διασποράς στο Παράδειγμα 27,
έχουμε εισάγει στον οριζόντιο άξονα το κόστος αποστολής των προϊόντων μας (πεδίο “Shipping Cost”),
και στον κάθετο άξονα την κερδοφορία που προκύπτει από τις πωλήσεις μας (“Profit”). Παρατηρούμε
πως, καθώς δεν έχουμε ζητήσει την εμφάνιση των αντίστοιχων πεδίων για επιμέρους υποσύνολα
δεδομένων, δεν εμφανίζεται παρά μόνο ένα σημείο (με «συντεταγμένες» 108 χιλιάδες κόστους
μεταφοράς και 1,5 εκ. κέρδους, μεγέθη που προκύπτουν για το σύνολο των πωλήσεών μας). Φυσικά,
οποιοδήποτε φίλτρο (“Slicer” ή φίλτρο σελίδας, φίλτρο που επηρεάζει όλα τα δεδομένα στο αρχείο,
κ.ο.κ.) θα μετέβαλε τις τιμές που καταγράφονται στο διάγραμμα διασποράς. Στη συνέχεια, προσθέτοντας
το πεδίο “Product Container” στην επιλογή “Details” παρατηρούμε πως δημιουργούνται επιμέρους
σημεία στο διάγραμμα, ένα για κάθε διαφορετικό τρόπο συσκευασίας των προϊόντων μας. Π.χ. όπως μας
πληροφορεί το “Tooltip”, όταν επιλέγουμε το αντίστοιχο σημείο στο διάγραμμα, καταγράφουμε πως τα
προϊόντα που αποστέλλονται σε μεγάλη συσκευασία (“Jumbo Box”) καταλήγουν σε ζημιά για την
επιχείρησή μας.
155
Παράδειγμα 27. Ένα βασικό διάγραμμα διασποράς
Παρατηρούμε επίσης, πως παρά τον υπολογισμό των αντίστοιχων τιμών για τις διαφορετικές τιμές του
πεδίου “Product Container”, όλα τα σημεία διατηρούν τον ίδιο χρωματισμό, κάτι που δεν θα ισχύει εάν
τοποθετήσουμε (οποιαδήποτε) πεδίο, στην αντίστοιχη επιλογή “Legend”. Στο Παράδειγμα 28
επιλέγουμε να τοποθετήσουμε το πεδίο κατηγορίας προϊόντος στη σχετική επιλογή, γεγονός που θα
δημιουργήσει μεγαλύτερο αριθμό σημείων στο διάγραμμα. Για κάθε κατηγορία προϊόντων (που
απεικονίζεται με διαφορετικό χρώμα) θα έχουμε αρκετά σημεία, ένα για κάθε συσκευασία με την οποία
αποστέλλονται τα προϊόντα μας.
Μάλιστα, το διάγραμμα διασποράς του Power BI μας επιτρέπει να εισάγουμε ένα ακόμα πεδίο, βάσει
του οποίου θα προκύπτει το μέγεθος κάθε σημείου στο διάγραμμα. Με τον τρόπο αυτό, είμαστε σε θέση
156
να δημιουργήσουμε απεικονίσεις που θυμίζουν το διάγραμμα φυσαλίδας (bubble chart) του MS Excel
(Παράδειγμα 28).
Παράδειγμα 28. Προσθέτοντας περισσότερη πληροφορία σε ένα διάγραμμα διασποράς
Τέλος, θα πρέπει να σημειωθεί πως το Power BI μας επιτρέπει να προσθέσουμε ένα επιπρόσθετο πεδίο
στο διάγραμμα (κάτι που δεν είναι δυνατόν σε υπολογιστικά φύλλα του Excel 2013, ή παλαιότερες
εκδόσεις). Μπορούμε να προσθέσουμε ένα επιπρόσθετο πεδίο (που είτε συμμετέχει, ήδη, στο
διάγραμμα, είτε όχι!), βάσει των τιμών του οποίου θα μεταβάλλεται αντίστοιχα το χρώμα κάθε σημείου
στο διάγραμμα. Στο Παράδειγμα 29 έχουμε επιλέξει την εμφάνιση της κερδοφορίας (πέρα από την
καταγραφή της τιμής στον κάθετο άξονα) με τον αντίστοιχο χρωματισμό κάθε σημείου. Μάλιστα,
157
επιλέξαμε (ανάλογα με τα επίπεδα κερδοφορίας κάθε σημείου) να χρησιμοποιείται κόκκινο χρώμα για
τις χαμηλότερες τιμές κερδοφορίας, ενώ οι μεσαίες τιμές να χρωματίζονται με λευκό χρώμα13.
13Κάτι που γίνεται εφικτό με την ενεργοποίηση της επιλογής “Diverging”, όπως και για τις
ανάγκες υπό όρους μορφοποίησης στο Παράδειγμα 19, προηγουμένως.
158
Παράδειγμα 29. Χρωματίζοντας τις φυσαλίδες με βάση τις τιμές ενός πεδίου
159
160
3.2 Διάγραμμα καταρράκτη (Waterfall chart)
Ένα ιδιαιτέρα χρήσιμο διάγραμμα, που (τουλάχιστον, πριν την 2016 έκδοση του MS Excel) δεν είναι
δυνατόν να δημιουργηθεί με απλό τρόπο14 σε ένα υπολογιστικό φύλλο, αποτελεί το διάγραμμα
καταρράκτη (waterfall chart). Το συγκεκριμένο διάγραμμα, ξεκινώντας από μηδενικά επίπεδα, εμφανίζει
τις μεταβολές που συντελούνται στο επιλεγμένο αριθμητικό μέγεθος για κάθε κατηγορία (υποσύνολο)
δεδομένων που απεικονίζεται στον οριζόντιο άξονα. Το τελευταίο σημείο που απεικονίζεται στον άξονα
αυτό θα αποτελεί το σύνολο του αριθμητικού πεδίου, το οποίο προκύπτει από το άθροισμα των τιμών
που απεικονίζονται για τις προηγούμενες τιμές του άξονα.
Ένα παρόμοιο διάγραμμα πολύ συχνά χρησιμοποιείται με σκοπό την εύκολη καταγραφή της πορείας του
επιλεγμένου μεγέθους στο χρόνο, όπως πραγματοποιούμε στο Παράδειγμα 30, όπου προκύπτει η
συνεισφορά κάθε μήνα του έτους στο συνολικό ύψος πωλήσεων ή/και κερδοφορίας, αντίστοιχα. Με τον
τρόπο αυτό ο χρήστης της αναφοράς μπορεί πολύ εύκολα να συγκρίνει την πραγματοποίηση του
συγκεκριμένου μεγέθους, έναντι του στόχου (προϋπολογισμού-budget) που έχει τεθεί για την εξέλιξη
των αντίστοιχων μεγεθών του έτους 2012.
Για να επιτύχουμε τη συγκεκριμένη απεικόνιση, έχουμε εισάγει το πεδίο ημερομηνίας “Order Date” στην
επιλογή “Category” της απεικόνισης. Στη συνέχεια, από την ιεραρχία ημερομηνίας (που η εφαρμογή
δημιουργεί αυτόματα για πεδία ημερομηνίας), επιλέγουμε να διατηρήσουμε μόνο τα πεδία μήνα
(καταργούμε από την απεικόνιση τα αντίστοιχα έτους, τριμήνου και ημέρας). Έχουμε δημιουργήσει
14Παρόμοιο διάγραμμα μπορεί να υλοποιηθεί σε διάγραμμα σωρευμένων στηλών του MS

Excel, αφού ο χρήστης υπολογίσει σε επιμέρους κελιά τις διαφορές που επιθυμεί να
απεικονίσει. Παρ’όλα αυτά, η προσπάθεια αυτή απαιτεί αρκετούς υπολογισμούς και είναι
δύσκολο να γενικευτεί ώστε να αποτελέσει μία περισσότερο διαδραστική ανάλυση
μεγεθών.
161
φίλτρο (“Slicer”) με βάση το έτος του ίδιου πεδίου (Παράδειγμα 30) ενώ, φυσικά, το ίδιο αποτέλεσμα θα
μπορούσαμε να επιτύχουμε χρησιμοποιώντας τα φίλτρα σε επίπεδο σελίδας ή/και αρχείου Power BI,
έχουμε εξετάσει σε προηγούμενες ενότητες του μαθήματος.
Παράδειγμα 30. Η συνεισφορά κάθε μήνα του έτους σε ένα διάγραμμα καταρράκτη
Παρ’όλα αυτά, η απεικόνιση στο συγκεκριμένο διάγραμμα γίνεται περισσότερο ενδιαφέρουσα όταν το
μέγεθος που καταγράφεται μπορεί να λάβει και αρνητικές τιμές. Στο Παράδειγμα 31 επιλέγουμε να
απεικονίσουμε τη συνεισφορά στην κερδοφορία της επιχείρησης, κάθε υποκατηγορίας προϊόντος (πεδίο
“Product Sub-Category”). Με τον τρόπο αυτό καταγράφουμε εύκολα τις υπο-κατηγορίες προϊόντων που
162
συνεισφέρουν περισσότερο στην κερδοφορία της επιχείρησης, καθώς και αυτές που δημιουργούν
ζημιές.
Παράδειγμα 31. Απεικόνιση θετικών και αρνητικών τιμών σε ένα διάγραμμα καταρράκτη
Επιπρόσθετα, ο χρήστης έχει τη δυνατότητα, αξιοποιώντας τις επιλογές που εμφανίζονται στο «επάνω
και προς τα δεξιά» μέρος της απεικόνισης, να επιλέξει την εμφάνιση των τιμών ταξινομημένων με βάσh
τις τιμές κερδοφορίας που απεικονίζονται στο διάγραμμα (επιλογή “Sort by Profit”). Με τον τρόπο αυτό
163
ενδέχεται να είναι ευκολότερος ο εντοπισμός των περισσότερων κερδοφόρων (ή/και ζημιογόνων,
αντίστοιχα) υποκατηγοριών που τοποθετήσαμε στον οριζόντιο άξονα. Στο ίδιο μενού επιλογών, ο
χρήστης μπορεί να επιλέξει την κατάργηση της συγκεκριμένης μορφοποίησης, καθώς και τη δυνατότητα
εμφάνισης ή/και την εξαγωγή σε αρχείο τιμών, των αριθμητικών τιμών του διαγράμματος. Τις
συγκεκριμένες επιλογές θα τις εξετάσουμε περισσότερο λεπτομερώς στην επόμενη υποενότητα.
Τέλος, θα πρέπει να σημειωθεί πως ο χρήστης διατηρεί τη δυνατότητα αλλαγής του χρώματος που θα
αντιστοιχεί σε αύξηση ή μείωση του αριθμητικού πεδίου, καθώς και της τελικής που προκύπτει (“Total”),
από τις αντίστοιχες επιλογές μορφοποίησης (“Sentiment Colors”).
3.3 Διάγραμμα Treemap
Ένα ακόμα διάγραμμα (Treemap), που δεν ήταν δυνατόν να δημιουργηθεί πριν την 2016 έκδοση του MS
Excel, είναι διαθέσιμο μεταξύ των απεικονίσεων που ο χρήστης μπορεί να δημιουργήσει στο Power BI.
Ο συγκεκριμένος τύπος διαγράμματος θυμίζει αρκετά τη λογική του διαγράμματος «πίτας» (ή/και
δακτυλίου), όπου προκύπτει η συμβολή κάθε κατηγορίας/υποσυνόλου δεδομένων από το σχετικό
εμβαδόν που καταλαμβάνει στην απεικόνιση. Παρ’όλα αυτά, η απεικόνιση σε μορφή «ορθογωνίου»
σχήματος διευκολύνει τον χρήστη της αναφοράς στον εντοπισμό των κατηγοριών δεδομένων που
συνεισφέρουν δυσανάλογα υψηλά/χαμηλά στο σύνολο των παρατηρήσεων.
Εισάγοντας, στην απλούστερη περίπτωση του διαγράμματος Treemap αρχικά, μόνο ένα αριθμητικό
πεδίο (“Sales” στον Παράδειγμα 32), το σύνολο της περιοχής που έχει δεσμεύσει η εφαρμογή θα
χρωματίζεται με το ίδιο χρώμα, καθώς δεν έχει προστεθεί κανένα πεδίο που ορίζει επιμέρους υποσύνολα
δεδομένων. Στη συνέχεια, αφού εισάγουμε μοναδικό πεδίο σε μία από τις επιλογές “Group” ή “Details”
(στο Παράδειγμα 32 επιλέγουμε την εισαγωγή του πεδίου “Region” ενώ, στη συνέχεια, το
αντικαθιστούμε με το πεδίο “Product Category”), η αναλογία που αντιστοιχεί σε κάθε πεδίο θα
χρωματιστεί αναλόγως.
Με τον τρόπο αυτό, ο χρήστης αποκτά εύκολα μία εικόνα για τη σχετική κατανομή των πωλήσεων σε
επιμέρους γεωγραφικές περιοχές ή/και κατηγορίες προϊόντων.
Παράδειγμα 32. Η απλούστερη απεικόνιση 2 πεδίων σε Treemap
164
Ο χρήστης θα μπορούσε να επιλέξει την απεικόνιση και των 2 μη-αριθμητικών πεδίων που επέλεξε
παραπάνω, στο Treemap. Σε αυτήν την περίπτωση, το χρώμα κάθε τμήματος του συνόλου θα προκύπτει
από το πεδίο που τοποθετείται στην επιλογή “Group”. Παρ’όλα αυτά, εντός της ίδιας περιοχής που
χρωματίζεται βάσει του πεδίου που τοποθετήθηκε στην επιλογή “Group”, προκύπτει η σχετική αναλογία
για το υποσύνολο δεδομένων που αφορά το πεδίου που έχει εισαχθεί στην επιλογή “Details”.
Παράδειγμα 33. Απεικόνιση περισσότερων πεδίων σε διάγραμμα Treemap
165
Τέλος, μία ιδιαίτερα εύχρηστη δυνατότητα του διαγράμματος Treemap αποτελεί η δυνατότητα
χρωματισμού κάθε τμήματος της επιφάνειας που απεικονίζεται στο διάγραμμα βάσει σύνοψης τιμών
που προκύπτει από πεδίο. Π.χ. στην περίπτωση του Παραδείγματος 34, επιλέξαμε να χρωματίσουμε
κάθε τμήμα της επιφάνειας (που προκύπτει για τις διαφορετικές τιμές του πεδίου “Region”) βάσει της
κερδοφορίας που επιτυγχάνεται, κάτι που πέτυχαμε με την αντίστοιχη επιλογή στις επιλογές
μορφοποίησης (Format) και, πιο συγκεκριμένα, στην επιλογή “Data Colors”.
166
Παράδειγμα 34. Χρωματισμός του Treemap βάσει αριθμητικού πεδίου
Μπορείτε να δημιουργήσετε τις δύο χρωματικές κλίμακες του Παραδείγματος 34;
167
3.4 Διάγραμμα Funnel
Έναν ακόμα χρήσιμο τύπο διαγράμματος που μπορεί εύκολα να δημιουργηθεί στο Power BI αποτελεί το
διάγραμμα «χωνί»-Funnel (Funnel chart). Ο συγκεκριμένος τύπος διαγράμματος χρησιμοποιείται πολύ
συχνά όταν τα δεδομένα που εξετάζουμε περιγράφουν διαδικασίες που πραγματοποιούνται σε στάδια.
Με ένα παρόμοιο διάγραμμα μπορούμε να παρατηρήσουμε εύκολα το πλήθος παρατηρήσεων που
αφορά υποθέσεις που έχουν μεταβεί από ένα στάδιο στο επόμενο, καθώς και να εκτιμήσουμε την
αναλογία μετατροπής (conversion ratio, το πλήθος περιπτώσεων που θα «μεταφερθούν» από το ένα
στάδιο στο επόμενο). Η ανάλυση σε Funnel chart αποτελεί ιδιαίτερα χρήσιμο εργαλείο στο χώρο του
marketing, ενώ μπορεί να αξιοποιηθεί σε πλήθος άλλων εφαρμογών, στις οποίες μας ενδιαφέρει η
καταγραφή πληροφορίας για κάθε κατηγορία δεδομένων, αναλογικά προς την 1η κατηγορία που
εξετάζουμε ή/και προς την «αμέσως προηγούμενη».
Παρόλο που τα δεδομένα που εξετάζουμε έως τώρα στο μάθημά μας δεν ταιριάζουν στις πλέον
συνηθισμένες χρήσεις αυτού του τύπου απεικόνισης, μπορούμε να αξιοποιήσουμε το διάγραμμα Funnel,
όπως πραγματοποιούμε στο Παράδειγμα 35, όπου έχουμε δημιουργήσει το απλούστερο διάγραμμα στο
οποίο απεικονίζουμε το σύνολο των πωλήσεων, για κάθε υποκατηγορία προϊόντων (πεδίο “Product Sub-
Category”).
Στη συνέχεια, θα επιλέξουμε να ταξινομήσουμε τις διαφορετικές τιμές του πεδίου αυτού, αναλογικά με
το ύψος πωλήσεων. Το διάγραμμα που θα προκύψει θα εμφανίζει, με φθίνουσα ταξινόμηση βάσει
πωλήσεων, τις υποκατηγορίες προϊόντων. Επιπλέον, ακόμα και χωρίς να προσθέσουμε πεδία στο Tooltip,
το Power BI μας εμφανίζει (πέρα από την απόλυτη τιμή των πωλήσεων για τη συγκεκριμένη
υποκατηγορία προϊόντος), την αναλογία πωλήσεων προς την αντίστοιχη υποκατηγορία προϊόντος με τις
περισσότερες πωλήσεις (πεδίο που απεικονίζεται πρώτο, επιλογή “Percent of first”), καθώς και το
αντίστοιχο μέγεθος αναλογικά προς την αμέσως προηγούμενη υποκατηγορία προϊόντων (“Percent of
previous”).
168
Παράδειγμα 35. Απλή απεικόνιση σε διάγραμμα Funnel
Ο χρήστης διατηρεί τη δυνατότητα, όπως και σε οποιοδήποτε άλλο παρόμοιο διάγραμμα να χρωματίσει
κάθε σημείο, ανάλογα με τις τιμές που καταγράφονται σε πεδίο του πίνακα δεδομένων του. Στο
Παράδειγμα 36, έχουμε επιλέξει να χρωματίσουμε το παραπάνω διάγραμμα με βάση την κερδοφορία
κάθε υποκατηγορίας προϊόντος.
169
Όπως και σε προηγούμενα παραδείγματα, ο χρήστης διατηρεί τη δυνατότητα να αλλάξει τις προεπιλογές
μορφοποίησης. Μπορείτε να αλλάξετε τη χρωματική κλίμακα, ώστε τα σημεία (κατηγορίες) που
απεικονίζονται στο Funnel να λαμβάνουν κόκκινο χρώμα εάν καταγράφουν χαμηλά επίπεδα
κερδοφορίας ;
Παράδειγμα 36. Χρωματίζοντας το διάγραμμα Funnel με βάση τις τιμές αριθμητικού

πεδίου
170
Μπορείτε να σκεφτείτε έναν τρόπο για να δημιουργήσετε ένα διάγραμμα Funnel στο MS Excel;
171
4. ΆΛΛΕΣ ΕΠΙΛΟΓΕΣ ΓΙΑ ΤΗ ΔΗΜΙΟΥΡΓΙΑ ΕΥΧΡΗΣΤΩΝ ΑΠΕΙΚΟΝΙΣΕΩΝ
Στην παρούσα υποενότηα θα εξετάσουμε τη δυνατότητα εμφάνισης υπό μορφή πίνακα των αριθμητικών
τιμών που περιλαμβάνονται σε μία απεικόνιση, καθώς και τη δυνατότητα εξαγωγής των δεδομένων
αυτών σε αρχείο κειμένου για την επεξεργασία τους σε άλλες εφαρμογές. Επιπρόσθετα, θα εντοπίσουμε
τη δυνατότητα εισαγωγής αντίστοιχων «αντικειμένων» (εικόνες, πλαίσια κειμένου) που διευκολύνουν
τη δημιουργία μιας περισσότερο ευανάγνωστης αναφοράς.
4.1 Εμφάνιση και εξαγωγή δεδομένων και άλλες επιλογές απεικόνισης
Εξετάσαμε στο προηγούμενο μέρος της ενότητας τις δυνατότητες ταξινόμησης των παρατηρήσεων που
προκύπτουν από το μενού στο επάνω και προς τα δεξιά μέρος κάθε απεικόνισης (visualization) που
έχουμε δημιουργήσει (μενού επιλογών “More options”). Στο ίδιο μενού επιλογών παρατηρούμε πως
υπάρχει η δυνατότητα κατάργησης της απεικόνισης (“Remove”) από τη σελίδα του αρχείου Power BI. Το
ίδιο αποτέλεσμα, φυσικά, μπορεί να επιτύχει ο χρήστης, διατηρώντας ενεργοποιημένη-επιλεγμένη την
επιθυμητή μορφοποίηση και πατώντας το πλήκτρο “Delete” στο πληκτρολόγιο. Με οποιονδήποτε τρόπο
και εάν αποφασίσει την κατάργηση της απεικόνισης, μπορεί εύκολα να αναιρέσει την απόφασή του, με
την επιλογή Undo15.
Από το ίδιο μενού επιλογών, ο χρήστης έχει τη δυνατότητα να επιλέξει την εμφάνιση των αριθμητικών
δεδομένων που απεικονίζονται στο διάγραμμα (επιλογή “Show as a table”). Επανερχόμενοι στην
περίπτωση του Παραδείγματος 29, η επιλογή εμφάνισης δεδομένων (“Show as a table”) θα έχει ως
αποτέλεσμα την εμφάνιση της τρέχουσας απεικόνισης, καθώς και των αριθμητικών τιμών σε μορφή
συγκεντρωτικού πίνακα σε ολόκληρη τη σελίδα (χωρίς την εμφάνιση άλλων απεικονίσεων
που -ενδεχομένως- περιείχε η σελίδα). Ο χρήστης, στη συνέχεια, μπορεί να επιλέξει την αλλαγή στον
τρόπο διάταξης της απεικόνισης και του πίνακα δεδομένων, επιλέγοντας την εμφάνιση της απεικόνισης
στο επάνω μέρος και του πίνακα δεδομένων στο κάτω μέρος της σελίδας (στη συνέχεια, από την ίδια
επιλογή, μπορεί να επαναφέρει την αρχική διάταξη διαγράμματος και πίνακα δεδομένων).
Τέλος, οποιαδήποτε στιγμή το επιθυμεί, ο χρήστης μπορεί να επιλέξει την «επιστροφή» (“Back to
report”), στην απεικόνιση ολόκληρης της σελίδας και την επανεμφάνιση άλλων απεικονίσεων που
υπάρχουν στη σελίδα του αρχείου Power BI.
Παράδειγμα 37. Επιλογή εμφάνισης των δεδομένων της απεικόνισης
15Είτε από το μενού στο επάνω και προς τα αριστερά μέρος της οθόνης του Power BI είτε
με τον συνδυασμό πλήκτρων Control & Z, όπως σε όλες τις εφαρμογές του MS Office (και
αρκετές άλλες ακόμα).
172
173
Από το ίδιο μενού περισσότερων επιλογών (είτε στην κανονική εμφάνιση της απεικόνισης εντός μιας
σελίδας της αναφοράς, είτε μετά την επιλογή εμφάνισης δεδομένων - “ Show as a table”) ο χρήστης
μπορεί να επιλέξει την «εξαγωγή» των δεδομένων (“Export Data”), σε αρχείο τιμών (comma separated,
csv). Αφού επιλέξουμε την εξαγωγή στο επιθυμητό αρχείο, μπορούμε να επεξεργαστούμε τις σχετικές
τιμές σε ένα υπολογιστικό φύλλο (Παράδειγμα 38).
174
Παράδειγμα 38. Επιλογή εξαγωγής των δεδομένων της απεικόνισης σε αρχείο
Μία αντίστοιχη επιλογή ολοσέλιδης εμφάνισης της τρέχουσας απεικόνισης μπορεί να προκύψει, εάν ο
χρήστης επιλέξει την αντίστοιχη επιλογή “Focus Mode”, όπως απεικονίζεται στο Παράδειγμα 39. Στην
περίπτωση αυτή, και πάλι, η τρέχουσα-επιλεγμένη απεικόνιση θα εμφανίζεται σε ολόκληρη της σελίδα,
ενώ οι υπόλοιπες απεικονίσεις (διαγράμματα, πίνακες, κ.ο.κ.) που ενδεχομένως υπάρχουν στην ίδια
σελίδα του αρχείου θα παύσουν να εμφανίζονται. Μόνη διαφορά με την επιλογή που εξετάσαμε
προηγουμένως αποτελεί η μη-εμφάνιση των τιμών των δεδομένων σε ξεχωριστό πίνακα. Ο χρήστης, και
σε αυτήν την περίπτωση, επιλέγοντας την επιστροφή στη σελίδα της αναφοράς (“Back to Report”),
μπορεί να επιλέξει την «επιστροφή» στη σελίδα της αναφοράς που περιέχει την τρέχουσα απεικόνιση.
175
Παράδειγμα 39. Επιλογή ολοσέλιδης εμφάνισης της απεικόνισης
176
4.2 Δημιουργώντας εύχρηστες αναφορές
Όπως έχει ήδη γίνει αναφορά, στην εισαγωγική ενότητα του μαθήματος, το Power BI επιτρέπει στον
χρήστη να εισάγει εικόνες, πλαίσια κειμένου και σχήματα στις σελίδες των αναφορών του. Με τον τρόπο
αυτό ο χρήστης μπορεί πολύ εύκολα δημιουργήσει τίτλους, καθώς και υποσημειώσεις στις σελίδες που
δημιουργεί, γεγονός που θα διευκολύνει τους τελικούς χρήστες των αναφορών. Στο σημείο αυτό θα
πρέπει να σημειωθεί πως καθώς η εφαρμογή υποστηρίζει Unicode χαρακτήρες, ο χρήστης θα μπορούσε
να δημιουργήσει τίτλους κλπ. πλαίσια κειμένου στα ελληνικά!
Αντίστοιχα, μπορεί να εισάγει το λογότυπο του οργανισμού, τα δεδομένα του οποίου αναλύονται, ώστε
οι αναφορές να είναι περισσότερο ευπαρουσίαστες, είτε σε ηλεκτρονική-διαδραστική μορφή είτε όταν
αποτυπώνονται εκτυπωμένες σε έντυπα. Με τον τρόπο αυτό μπορούμε να δημιουργήσουμε
διαδραστικές αναφορές (dashboards) που επιτρέπουν στον τελικό χρήστη να μεταβάλει εύκολα το
υποσύνολο δεδομένων που απεικονίζεται (βλ. Παράδειγμα 40).
Επιπλέον, ο χρήστης μπορεί να αξιοποιήσει τις επιλογές εμφάνισης του πλέγματος οριζοντίων και
κάθετων γραμμών (επιλογή “Show gridlines” στο μενού επιλογών “View”), καθώς και την επιλογή
«τοποθέτησης με ακρίβεια» στα σημεία των γραμμών αυτών (“Snap objects to grid”). Με τον τρόπο αυτό
θα κατορθώσει να δημιουργήσει εμφανίσιμες και -συνεπώς- εύχρηστες αναφορές για τους τελικούς
χρήστες που θα κληθούν να τις αξιοποιήσουν με σκοπό τη χρήση των διαθέσιμων πληροφοριών για τη
λήψη ορθών αποφάσεων. Εσείς μπορείτε με χρήση των δεδομένων που αξιοποιούμε έως τώρα στο
μάθημά μας, να δημιουργήσετε την παρακάτω αναφορά;
Παράδειγμα 40. Μπορείτε να δημιουργήσετε μία ευανάγνωστη αναφορά;
177
Τι θα συμβεί στο Παράδειγμα 40 εάν ο χρήστης επιλέξει (μονό κλικ – single click) σε οποιοδήποτε από τα
σημεία των απεικονίσεων; Περισσότερες επιλογές των απεικονίσεων με τις βασικές ενδείξεις
(dashboard) θα εξετάσουμε στην 5η ενότητα του μαθήματος.
178
ΥΠΟΕΝΟΤΗΤΑ 4. ΕΠΕΞΕΡΓΑΣΙΑ ΚΑΙ ΟΡΓΑΝΩΣΗ ΔΕΔΟΜΕΝΩΝ ΣΤΟ

POWER BI
179
1. ΤΑΥΤΟΧΡΟΝΗ ΣΥΝΔΕΣΗ ΣΕ ΠΕΡΙΣΣΟΤΕΡΕΣ ΠΗΓΕΣ ΔΕΔΟΜΕΝΩΝ
Στο σημείο αυτό γίνεται σύντομη αναφορά στον αποτελεσματικότερο τρόπο αποθήκευσης δεδομένων
σε περισσότερους του ενός πίνακες, ώστε να αποφεύγεται η πολλαπλή καταγραφή της ίδιας
πληροφορίας. Αφού παρατεθούν παραδείγματα για την αποθήκευση πληροφορίας σε σχεσιακές βάσεις
δεδομένων, θα εξετάσουμε τον τρόπο εισαγωγής δεδομένων από περισσότερους του ενός πίνακες.
1.1 Αποτελεσματικότεροι τρόποι αποθήκευσης των δεδομένων
Στις προηγούμενες ενότητες του μαθήματος εξετάσαμε την εισαγωγή δεδομένων που βρίσκονται
αποθηκευμένα σε έναν μόνο, «ενιαίο», πίνακα. Τα δεδομένα στη μορφή αυτή θα μπορούσαν να
βρίσκονται διαθέσιμα σε αρχείο κειμένου (όπου τα διαφορετικά πεδία θα διαχωρίζονταν με κόμμα, με
άλλο χαρακτήρα ή θα διατηρούσαν σταθερό μήκος κ.ο.κ.), σε ένα υπολογιστικό φύλλο ή, σε μοναδικό
πίνακα βάσης δεδομένων (Access, SQL Server, κλπ. συναφείς τεχνολογίες). Με άλλα λόγια, στις έως τώρα
αναλύσεις των δεδομένων μας έχουμε χρησιμοποιήσει δεδομένα που θα μπορούσαμε να έχουμε εισάγει
σε έναν συγκεντρωτικό πίνακα του MS Excel και έχουμε αξιοποιήσει μόνο τα εργαλεία του Power BI που
διευκολύνουν τη δημιουργία εύχρηστων διαδραστικών αναφορών (reports). Τα ίδια εργαλεία μπορούν
να αξιοποιηθούν για τη δημιουργία αναφορών εντός του MS Excel, με χρήση του πρόσθετου Power View.
Στην παρούσα ενότητα του μαθήματος θα εξετάσουμε τις δυνατότητες που παρέχει η εφαρμογή σχετικά
με τη δυνατότητα σύνδεσης δεδομένων από διαφορετικές πηγές (και σε διαφορετικές μορφές), καθώς
και επεξεργασίας των δεδομένων που εισάγονται πριν προχωρήσουμε στην ανάλυσή τους. Οι
δυνατότητες που θα εξετάσουμε υπάρχουν διαθέσιμες και εντός του MS Excel (έκδοσης 2010 ή νεότερες)
με χρήση των πρόσθετων Power Query & Power Pivot.
Ο συνήθης τρόπος απεικόνισης των δεδομένων σε ένα υπολογιστικό φύλλο, έγκειται στην παράθεση σε
ένα φύλλο εργασίας του συνόλου των δεδομένων, όπου κάθε στήλη αντιστοιχεί σε ένα πεδίο που
αξιοποιείται για την ανάλυση (στα παραδείγματα που έχουμε εξετάσει έως τώρα ενδεικτικά ορισμένα
πεδία αφορούν την κατηγορία του προϊόντος, τη γεωγραφική περιοχή, τον τρόπο αποστολής κ.ο.κ.).
Αντίστοιχα, κάθε γραμμή αντιστοιχεί σε κάθε μία «παρατήρηση» (κάθε προϊόν που περιλαμβάνεται σε
κάποια από τις online παραγγελίες, στα παραδείγματα που εξετάσαμε έως τώρα). Ο τρόπος αυτός
διευκολύνει οποιαδήποτε ανάλυση των δεδομένων μας. Παρ’όλα αυτά, ο συγκεκριμένος τρόπος
παράθεσης πληροφορίας δυσκολεύει την αποτελεσματική αποθήκευση των δεδομένων, κάτι
που -ενδεχομένως- δεν γίνεται εύκολα αντιληπτό όταν τα δεδομένα μας αφορούν μόνο μερικές
εκατοντάδες ή/και χιλιάδες γραμμές-εγγραφές-παρατηρήσεις (records).
Σε πολύ μεγαλύτερα σύνολα δεδομένων, η αποθήκευσή τους πραγματοποιείται υποχρεωτικά με

διαφορετικό τρόπο. Συγκεκριμένα, παρόμοιου τύπου δεδομένα με αυτά που έχουμε αξιοποιήσει έως
τώρα αποθηκεύονται κατά κανόνα σε σχεσιακές βάσεις δεδομένων (Relational DataBase Management
Systems, RDBMS), από όπου μπορούν να ανακτηθούν και να αναλυθούν σε περιβάλλοντα εργαλείων,
όπως το Power BI.
180
Για τις ανάγκες μίας παρόμοιας υλοποίησης, αντί της αποθήκευσης δεδομένων σε έναν μόνο πίνακα που
περιέχει το σύνολο των πεδίων (Εικόνα 1), θα μπορούσαμε να αποθηκεύσουμε τα στοιχεία μας σε
μεγαλύτερο αριθμό πινάκων, όπως απεικονίζεται στην Εικόνα 2.
Εικόνα 1. Αποθήκευση δεδομένων σε έναν πίνακα
181
Εικόνα 2. Αποθήκευση των ίδιων δεδομένων σε σχεσιακό σύστημα διαχείρισης
δεδομένων
Συνήθως ο τρόπος οργάνωσης των διαθέσιμων στοιχείων επιλέγεται από τον υπεύθυνο διαχείρισης της
βάσης δεδομένων (data base engineer). Παρότι δεν απαιτείται να γνωρίζει λεπτομερώς τον τρόπο
αποθήκευσης της πληροφορίας, ο αναλυτής δεδομένων (data analyst)16 θα διευκολύνεται εξαιρετικά
στην εργασία του, εάν κατανοεί τον τρόπο οργάνωσης των διαθέσιμων στοιχείων.
1.2 Παράδειγμα αποτελεσματικότερης αποθήκευσης δεδομένων
Στην Εικόνα 2 παρατηρούμε την ύπαρξη του βασικού πίνακα που γνωρίζουμε έως τώρα, στον οποίο
περιλαμβάνονται οι ίδιες αριθμητικές τιμές που περιγράφουν το αποτέλεσμα των συναλλαγών μας και
αποτελούν τα πεδία που, κατά κανόνα, θα χρησιμοποιούνται με κάποιας μορφής σύνοψη (άθροισμα,
μέσος όρος, ελάχιστη-μέγιστη τιμή, κ.ο.κ.). Στην ορολογία των βάσεων δεδομένων ο συγκεκριμένος
πίνακας αναφέρεται ως “Fact Table”.
Στον ίδιο πίνακα, δεν υπάρχει άμεσα διαθέσιμη η πληροφορία σχετικά με επιμέρους κατηγορίες
παρατηρήσεων (υποσύνολα δεδομένων). Π.χ. δεν καταγράφεται η πληροφορία για τον τρόπο αποστολής
16Παρότι συχνά διαθέτουν παρόμοιο υπόβαθρο σπουδών, εξειδικεύσεων και δεξιοτήτων

και παρότι συχνά απαιτείται η συνεργασία τους, συνήθως (ειδικά σε μεγαλύτερους
οργασμούς) ο υπεύθυνος διαχείρισης δεδομένων και ο αναλυτής δεδομένων είναι
διακριτά πρόσωπα, που αναφέρονται σε διαφορετικούς προϊσταμένους.
182
(πεδίο “Ship Mode”)! Αντιθέτως, υπάρχει διαθέσιμο το αντίστοιχο αναγνωριστικό (πεδίο “Ship Mode
Code”) που επιτρέπει την αντιστοίχιση με τους διαφορετικούς τρόπους αποστολής που καταγράφονται
σε ξεχωριστό πίνακα (“tbl_Ship Mode”, βλ. Παράδειγμα 1).
Κάθε ένας από τους πίνακες στους οποίους καταγράφουμε λεπτομερή πληροφορία για τα δεδομένα
πωλήσεών μας, στη σχετική ορολογία αναφέρεται ως πίνακας αναζήτησης/αναφοράς (lookup table) ή
πίνακας διαστάσεων (dimension table). Η συγκεκριμένη δομή επιτρέπει την ανάλυση της σχετικής
πληροφορίας (πωλήσεις, κερδοφορία, μέσος όρος εσόδων, κ.ο.κ.) σε μία διάσταση κάθε φορά
(κατηγορία προϊόντος, τρόπος αποστολής, γεωγραφική περιοχή, κλπ.). Στους πίνακες αυτούς
καταγράφουμε τις μοναδικές τιμές που λαμβάνει η σχετική πληροφορία.
Παράδειγμα 1. Αντιστοίχιση δεδομένων σε διαφορετικούς πίνακες
Ιδιαίτερη περίπτωση αποτελεί η περίπτωση της γεωγραφικής περιοχής: Παρατηρούμε πως το πεδίο
“Province ID” αντιστοιχεί τα δεδομένα πωλήσεων του πίνακα τιμών (fact table) με τον πίνακα στον οποίο
έχουμε αποθηκεύσει τις μοναδικές τιμές του πεδίου “Province”. Επιπλέον, καθώς κάθε τιμή του
συγκεκριμένου πεδίου αντιστοιχεί σε μοναδική τιμή του πεδίου “Region”, το πεδίο αυτό καταγράφεται
σε ξεχωριστό πίνακα (“tbl_Region”). Με τον τρόπο αυτό αποφεύγουμε την επανάληψη της πληροφορίας
σχετικά με το πεδίο “Region” στον πίνακα “Province”, όπως προκύπτει στο Παράδειγμα 2.
183
Προσέξτε πως στους πίνακες διαστάσεων μπορούμε να αποθηκεύσουμε επιπρόσθετη πληροφορία που
θα μπορούσε να χρησιμοποιηθεί για περαιτέρω ανάλυση των δεδομένων μας (π.χ. πληροφορία που
καταγράφεται στο πεδίο “Additional Info.”)!
Η ίδια αρχιτεκτονική έχει υιοθετηθεί για τις ανάγκες της πληροφορίας που αφορά την κατηγοριοποίηση
των προϊόντων μας. Στον πίνακα τιμών περιλαμβάνεται το πεδίο “Product Name ID”, με το οποίο μπορεί
να πραγματοποιηθεί αντιστοίχιση με τον πίνακα “Product Sub-Category”. Στη συνέχεια, μέσω του πεδίου
“Product Category ID” μπορούμε να ανακτήσουμε και την πληροφορία σχετικά με την ευρύτερη
κατηγορία προϊόντος.
184
Παράδειγμα 2. Αντιστοίχιση δεδομένων σε περισσότερους πίνακες
185
Με τον συγκεκριμένο τρόπο οργάνωσης των δεδομένων αποφεύγουμε την επανάληψη στην
αποθήκευση μεγάλου όγκου πληροφορίας. Π.χ. αντί να αποθηκεύσουμε την πληροφορία σχετικά με τον
τρόπο αποστολής της παραγγελίας (πληροφορία που καταγράφεται κατ’ ελάχιστον σε 11 χαρακτήρες),
επαναλαμβάνουμε την κωδικοποίηση του αντίστοιχου πεδίου, που απαρτίζεται από 2 μόλις χαρακτήρες!
Σε ένα περιβάλλον βάσεων δεδομένων (π.χ. Access, SQL Server, κ.ο.κ.) οι σχέσεις μεταξύ των πινάκων
αναπαρίστανται με τις γραμμές που ενώνουν τα αντιστοιχούντα πεδία (Εικόνα 2). Στο περιβάλλον του
MS Excel, ο χρήστης θα μπορούσε να ανακτήσει την «πραγματική πληροφορία» για κάθε μια από τις
παραπάνω διαστάσεις στο βασικό υπολογιστικό φύλλο με τις αριθμητικές τιμές (fact table)
χρησιμοποιώντας τη συνάρτηση VLOOKUP (ή/και συνδυασμό της MATCH & της INDEX) με περιοχή
αναζήτησης, τον αντίστοιχο πίνακα δεδομένων17. Θυμηθείτε πως, ειδικά για τη χρήση της VLOOKUP σε
υπολογιστικά φύλλα, απαιτείται το αντίστοιχο μοναδικό, αναγνωριστικό πεδίο (πεδίο κλειδί στην
ορολογία βάσεων δεδομένων) του πίνακα αναφοράς/διαστάσεων να τοποθετείται πρώτο, ενώ η
υπόλοιπη πληροφορία θα πρέπει να καταγράφεται σε στήλες «στα δεξιά» του αναγνωριστικού πεδίου.
1.3 Εισαγωγή δεδομένων στο Power BI από διαφορετικά φύλλα Excel
Αρχικά, θα υποθέσουμε πως το σύνολο των πινάκων που περιγράφουν τα δεδομένα μας βρίσκονται
αποθηκευμένοι σε διαφορετικά φύλλα εργασίας, εντός του ίδιου βιβλίου εργασίας (αρχείου Excel). Τότε
η εισαγωγή των δεδομένων είναι εξαιρετικά απλή και διαφέρει ελάχιστα από τα βήματα που έχουμε
υλοποιήσει ήδη.
Στο Παράδειγμα 3 από το βασικό μενού επιλογών έχουμε επιλέξει “Get Data” και, στη συνέχεια, την
εισαγωγή δεδομένων από υπολογιστικά φύλλα. Μετά την επιλογή του σχετικού αρχείου, ο χρήστης θα
χρειαστεί να επιλέξει τα επιθυμητά φύλλα από τα διαθέσιμα εντός του βιβλίου εργασίας.
17Στην περίπτωση της γεωγραφικής πληροφορίας (πεδίο “Region”) πιθανόν να απαιτηθεί

2η VLOOKUP, για την ανάκτηση της ευρύτερης πληροφορίας. Στην περίπτωση αναζήτησης
της κατηγορίας προϊόντος, ενδεχομένως να απαιτηθεί και 3η χρήση της ίδιας συνάρτησης
για την ανάκτηση της πληροφορίας του πεδίου “Product Category”.
186
Παράδειγμα 3. Εισαγωγή δεδομένων οργανωμένων σε πολλούς πίνακες
Είναι ενδιαφέρον πως το Power BI «εντόπισε» με σωστό τρόπο τις σχέσεις μεταξύ των διαφορετικών
πινάκων δεδομένων, καθώς τα αντίστοιχα πεδία διατηρούν το ίδιο όνομα. Το γεγονός αυτό είχε ως
αποτέλεσμα την αυτόματη δημιουργία των κατάλληλων «σχέσεων» (αντιστοιχίσεων - relations) μεταξύ
187
τους, κάτι που μας επιτρέπει να ξεκινήσουμε την άμεση απεικόνιση πληροφορίας και ανάλυση
πληροφορίας που έχει αποθηκευτεί σε διαφορετικούς πίνακες, με τον ίδιο τρόπο που έχουμε εξετάσει
στις προηγούμενες ενότητες του μαθήματος! Π.χ. στο Παράδειγμα 4, προχωράμε σε πολύ απλή
απεικόνιση, υπό μορφή «συγκεντρωτικού» πίνακα που εμφανίζει, για κάθε κατηγορία προϊόντος (στις
στήλες) και συσκευασίας (στις γραμμές), το άθροισμα των πωλήσεων. Τα αριθμητικά αποτελέσματα
είναι τα ίδια με την αντίστοιχη απεικόνιση που εξετάσαμε στην προηγούμενη ενότητα του μαθήματος.
Παράδειγμα 4. Ανάλυση των δεδομένων που εισάγαμε από πολλούς πίνακες
188
Παρατηρούμε, τέλος, πως δεν έχει γίνει η σωστή αντιστοίχιση μεταξύ των πεδίων όλων των πινάκων. Στο
Παράδειγμα 5 καταγράφουμε τη συμπεριφορά οποιασδήποτε απεικόνισης-ανάλυσης προσπαθήσουμε
να δημιουργήσουμε όταν δεν έχει υπάρχει αντιστοίχηση πληροφορίας από 2 πίνακες που
περιλαμβάνονται στην ίδια απεικόνιση. Στην περίπτωση αυτή, η απεικόνιση θα αποτυπώνει την ίδια
αριθμητική πληροφορία (συγκεκριμένα, το συνολικό άθροισμα του αριθμητικού πεδίου, εάν έχει
επιλεγεί σύνοψη με άθροισμα), για κάθε τιμή του πεδίου από διαφορετικό μη-συνδεδεμένο πίνακα
(χωρίς περαιτέρω/σωστή ανάλυση του αριθμητικού πεδίου στις επιμέρους τιμές του μη-αριθμητικού
πεδίου) !
Παράδειγμα 5. Δεν έγιναν όλες οι εισαγωγές δεδομένων σωστά
189
Στην πραγματικότητα, πολλές φορές ο χρήστης θα χρειαστεί να «ενημερώσει» την εφαρμογή για την
ύπαρξη παρόμοιων αντιστοιχίσεων μεταξύ των πινάκων δεδομένων, ορίζοντας τα αντίστοιχα πεδία,
όπως θα εξετάσουμε αναλυτικά στη συνέχεια της ενότητας.
190
Εντελώς ανάλογα αποτελέσματα θα είχαμε, εισάγοντας δεδομένα από αντίστοιχους πίνακες με
αποθηκευμένη πληροφορία σε ένα σύστημα βάσεων δεδομένων (Access, SQL Server, κ.ο.κ). Εάν έχετε
διαθέσιμο στον υπολογιστή σας ένα παρόμοιο περιβάλλον, μπορείτε να δοκιμάσετε την εισαγωγή
δεδομένων από έναν, ή περισσότερους πίνακες προερχόμενους από διαφορετικές πηγές!
2. ΣΧΕΣΕΙΣ ΜΕΤΑΞΥ ΤΩΝ ΠΙΝΑΚΩΝ ΔΕΔΟΜΕΝΩΝ ΜΑΣ
Στο σημείο αυτό εξετάζουμε τη σημασία της σωστής συσχέτισης μεταξύ των πινάκων δεδομένων μας και
εξετάζουμε διαφορετικούς τρόπους για τη δημιουργία, επεξεργασία και διαχείριση των υπαρχόντων
σχέσεων.
2.1 Απεικόνιση των υπαρχόντων σχέσεων μεταξύ πινάκων δεδομένων
Τον ευκολότερο τρόπο για τον εντοπισμό των υπαρχουσών σχέσεων μεταξύ των πινάκων δεδομένων
μας, αποτελεί η επιλογή που βρίσκεται στα αριστερά του παραθύρου του Power BI, όπως απεικονίζεται
στο Παράδειγμα 6. Με τη συγκεκριμένη επιλογή του χρήστη, θα παύσει να εμφανίζεται ο χώρος της
αναφοράς (“Report view”) και θα απεικονιστεί οθόνη εμφάνισης των σχέσεων μεταξύ των πινάκων
(“Data Model”). Στην οθόνη αυτή θα αποτυπώνονται όλοι οι διαθέσιμοι πίνακες, καθώς και οι μεταξύ
τους σχέσεις. Τι θα εμφάνιζε η ίδια οθόνη στα παραδείγματα που εξετάσαμε στις προηγούμενες ενότητες
του μαθήματος, όπου είχαμε εισάγει δεδομένα σε έναν, και μόνο, πίνακα;
Παρατηρούμε, στο Παράδειγμα 6, πως πέρα από τον πίνακα σχετικά με τον τρόπο αποστολής των
παραγγελιών (“Ship Mode”), και ο αντίστοιχος πίνακας «προτεραιότητας» κάθε παραγγελίας (“Order
priority”) δεν συνδέεται με κάποιον τρόπο με τον πίνακα τιμών (“Orders”). Δεν είναι τυχαίο18 πως το
Power BI δεν έχει «διαβάσει» σωστά το όνομα των πεδίων στους 2 συγκεκριμένους πίνακες. Το
πρόβλημα σχετικά με το όνομα κάθε πεδίου θα το επιλύσουμε στη συνέχεια της ενότητας, με χρήση
απλών εντολών επεξεργασίας της διαθέσιμης πληροφορίας.
18Για την ακρίβεια αυτό οφείλεται στο ότι επελέγησαν πεδία κειμένου για τους αντίστοιχους
κωδικούς των 2 πινάκων. Στους υπόλοιπους πίνακες, όπου οι κωδικοί (πεδία με κατάληξη
ID, χωρίς κάτι παρόμοιο να αποτελεί κανόνα!) αποτελούν αριθμητικά πεδία, δεν
σημειώνεται το ίδιο πρόβλημα.
191
Παράδειγμα 6. Επιλογή εμφάνισης σχέσεων
Η οθόνη εμφάνισης των σχέσεων μεταξύ των πινάκων επιτρέπει στον χρήστη να επεξεργαστεί, και να
διαγράψει, σχέσεις μεταξύ των πινάκων που απεικονίζονται. Μπορούμε να επιλέξουμε μία από τις
σχέσεις, οπότε στην οθόνη θα δοθεί έμφαση στα πεδία των 2 πινάκων. Π.χ. στο Παράδειγμα 7, έχοντας
επιλέξει τη σχέση που συνδέει τον πίνακα με τις διαθέσιμες τιμές του πεδίου συσκευασίας (“Product
Container”) με τον πίνακα τιμών, το Power BI εμφανίζει σε πλαίσιο τα «κοινά» πεδία των δύο πινάκων.
Επιπλέον, με δεξί κλικ, ο χρήστης μπορεί να επιλέξει την κατάργηση της συγκεκριμένης (επιλεγμένης)
σχέσης.
192
Αντιθέτως, με διπλό κλικ, ο χρήστης μπορεί να επιλέξει την επεξεργασία της σχέσης, από το αντίστοιχο
μενού που θα ανοίξει. Εκεί, ο χρήστης έχει τη δυνατότητα να επιλέξει τα «κοινά» πεδία που ορίζουν τη
σχέση, καθώς και να επιλέξει την απενεργοποίηση της σχέσης (Παράδειγμα 7).
Παράδειγμα 7. Επεξεργασία μιας από τις σχέσεις μεταξύ των πινάκων
193
Το αποτέλεσμα στην περίπτωση που επιλέξουμε την απενεργοποίηση της σχέσης μεταξύ 2
συσχετισμένων πινάκων (Παράδειγμα 8) είναι ακριβώς το ίδιο με αυτό που προκύπτει στην περίπτωση
που επιλέξουμε την απεικόνιση πεδίων από μη-συσχετισμένους πίνακες, όπως εξετάσαμε στο
προηγούμενο μέρος της ενότητας (Παράδειγμα 5, σχετικά με τον πίνακα “Ship Mode”). Φυσικά, στη
194
συνέχεια, ο χρήστης διατηρεί την επιλογή ενεργοποίησης της σχέσης, χωρίς να απαιτείται να την
κατασκευάσει από την αρχή (χωρίς να χρειαστεί να «θυμάται», κάθε φορά, τα «κοινά» πεδία των δύο
πινάκων).
Στο σημείο αυτό θα πρέπει να επισημανθεί πως η απενεργοποίηση (όπως και η κατάργηση ή μη-ύπαρξη,
γενικότερα) μιας από τις σχέσεις δεν θα επηρεάσει το αποτέλεσμα των αναλύσεων στις οποίες δεν
περιλαμβάνονται πεδία από μη-συνδεδεμένους μεταξύ τους πίνακες.
Παράδειγμα 8. Το αποτέλεσμα από την απενεργοποίηση της σχέσης μεταξύ πινάκων
195
2.2 Δημιουργία νέων σχέσεων μεταξύ πινάκων δεδομένων
Από την ίδια οθόνη ο χρήστης έχει τη δυνατότητα να δημιουργήσει νέες σχέσεις μεταξύ των πινάκων,
εάν «σύρει» (drag & drop) το επιθυμητό πεδίο του ενός πίνακα στο αντίστοιχο «κοινό» πεδίο του άλλου
πίνακα (Παράδειγμα 9). Μάλιστα, στην περίπτωση που ο χρήστης «σύρει» το πεδίο σε λάθος πεδίο του
σχετιζόμενου πίνακα (το Power BI θα ενημερώσει τον χρήστη μόνο στην περίπτωση που επιχειρηθεί η
σύνδεση πεδίων διαφορετικών τύπων), ο χρήστης έχει τη δυνατότητα, στη συνέχεια, να επεξεργαστεί τη
σχέση που μόλις δημιούργησε. Στο επόμενο μέρος της ενότητας εξετάζουμε τη βασική επιλογή
διαχείρισης σχέσεων (επιλογή “Manage Relationships”), που παρέχει περισσότερες επιλογές στον
χρήστη.
196
Παράδειγμα 9. Δημιουργία νέας σχέσης μεταξύ πινάκων δεδομένων
197
Εναλλακτικά, μπορούμε να επεξεργαστούμε υφιστάμενες, να δημιουργήσουμε νέες, καθώς και να
καταργήσουμε υπάρχουσες σχέσεις, από την επιλογή διαχείρισης σχέσεων (“Manage Relationships”). Η
συγκεκριμένη επιλογή είναι διαθέσιμη στο μενού επιλογών μοντελοποίησης των δεδομένων μας
(“Modeling”, Εικόνα 3), το οποίο εμφανίζεται στην απεικόνιση αναφοράς – “Report”.
198
Εικόνα 3. Επιλογή διαχείρισης σχέσεων στο μενού επιλογών «Modeling»
Η ίδια επιλογή (“Manage Relationships”) είναι διαθέσιμη και στην επιλογή εμφάνισης του μοντέλου
δεδομένων (“Data Model”), καθώς και στην καρτέλα επιλογών “Column Tools” και “Table tools”, που
εμφανίζονται όταν ο χρήστης επιλέξει συγκεκριμένο πίνακα ή/και στήλη του πίνακα, αντίστοιχα.
Εικόνα 4. Επιλογή διαχείρισης σχέσεων στο μενού επιλογών «Modeling»
199
Από την επιλογή που βλέπουμε στην εικόνα 4, ανοίγει νέο παράθυρο, στο οποίο ο χρήστης αποκτά μία
συνοπτική εικόνα για το σύνολο των σχέσεων που χαρακτηρίζουν τα δεδομένα του. Στο ίδιο παράθυρο,
έχουμε τη δυνατότητα να επεξεργαστούμε (επιλογή “Edit”) την επιλεγμένη -κάθε φορά- σχέση μεταξύ
πινάκων, μέσω του μενού επιλογών που εξετάσαμε στο Παράδειγμα 7, προηγουμένως. Επιπλέον,
μπορούμε να καταργήσουμε την επιλεγμένη σχέση (επιλογή “Delete”), αφού επιβεβαιώσουμε την
πρόθεσή μας σε σχετικό παράθυρο που θα ανοίξει για τον σκοπό αυτό. Στο ίδιο μενού έχουμε την
επιλογή απενεργοποίησης μιας από τις υφιστάμενες σχέσεις μεταξύ των πινάκων δεδομένων, οπότε θα
διατηρούμε τη δυνατότητα να την ενεργοποιήσουμε εκ νέου στη συνέχεια (επιλογή “Active”).
Παράδειγμα 10. Διαχείριση σχέσεων μεταξύ πινάκων δεδομένων
200
Στο Παράδειγμα 11 επιλέγουμε τη δημιουργία σχέσης μεταξύ του πίνακα τιμών (“Orders”) και του πίνακα
που περιλαμβάνει πληροφορία σχετικά με τον τρόπο αποστολή των παραγγελιών μας (“Ship Mode”).
Από το νέο παράθυρο που ανοίγει, επιλέγουμε τα πεδία των 2 πινάκων που θα συσχετίσουμε. Η
προεπισκόπηση, έστω και μικρού αριθμού παρατηρήσεων μας διευκολύνει στην επιλογή του σωστού
πεδίου (“Column2” αυτή τη φορά), ενώ εύκολα επιβεβαιώνουμε πως -πλέον- μπορούμε να
προχωρήσουμε σε ανάλυση των αριθμητικών πεδίων του πίνακα τιμών, με βάση τη «διάσταση» που
αφορά τον τρόπο αποστολής των εμπορευμάτων μας.
Παράδειγμα 11. Δημιουργία σχέσης μεταξύ πινάκων δεδομένων
201
2.3 Αυτόματη δημιουργία σχέσεων μεταξύ πινάκων
Εναλλακτικά, αντί της δημιουργίας των αναγκαίων σχέσεων μεταξύ των δεδομένων που έχουμε
αποθηκεύσει σε διαφορετικούς πίνακες, ο χρήστης μπορεί να «επιτρέψει» στο Power BI την αυτόματη
δημιουργία συσχετίσεων μεταξύ πεδίων των διαφορετικών πινάκων. Στο Παράδειγμα 12, ενώ αρχικά δεν
υπήρχε συσχέτιση των 2 «προβληματικών» πινάκων που έχουμε εξετάσει (“Ship Mode” & “Order
Priority”) με τον πίνακα τιμών, ο χρήστης ζήτησε από την εφαρμογή να εντοπίσει ενδεχόμενες σχέσεις
μεταξύ των πινάκων. Το Power BI εντόπισε τις σχέσεις μεταξύ των 2 συγκεκριμένων πινάκων και του
202
πίνακα τιμών (“Orders”) και τις δημιούργησε κατάλληλα. Πλέον, μπορούμε να αναλύσουμε πληροφορία
που αφορά τις τιμές των πεδίων κάθε ενός πίνακα και του πίνακα με τα δεδομένων πωλήσεων (Fact
table).
Παράδειγμα 12. Αυτόματος εντοπισμός σχέσεων μεταξύ πινάκων
203
2.4 Πλοήγηση στα δεδομένα των πινάκων μας
Στα έως τώρα μέρη του μαθήματος έχουμε αξιοποιήσει την εμφάνιση αναφοράς (“Report”) και σχέσεων
(“Relationships”), χωρίς να εξετάσουμε την αντίστοιχη επιλογή εμφάνισης των δεδομένων κάθε πίνακα
(επιλογή “Data”). Εάν είχαμε πλοηγηθεί αρκετά στα δεδομένα των διαθέσιμων πινάκων μας,
ενδεχομένως να είχαμε εντοπίσει νωρίτερα/ευκολότερα την «προβληματική» μεταφορά/εισαγωγή
δεδομένων που εξετάσαμε παραπάνω.
204
Παράδειγμα 13. Εμφάνιση των δεδομένων επιλεγμένων πινάκων
Είναι ιδιαίτερα εντυπωσιακό πως, ακόμα και στον πίνακα τιμών, ο οποίος ενδεχομένως να περιέχει πολύ
μεγαλύτερο πλήθος δεδομένων (της τάξης των εκατομμυρίων γραμμών), μπορούμε να πλοηγηθούμε (με
κατακόρυφη κύλιση - scrolling) σε κάθε παρατήρηση χωριστά, έως την τελευταία γραμμή με δεδομένα
(Παράδειγμα 14). Επιπρόσθετα, με οριζόντια κύλιση, μπορούμε να εντοπίσουμε τις αντίστοιχες τιμές για
το σύνολο των πεδίων-στηλών που περιλαμβάνονται στον πίνακα.
Παράδειγμα 14. Εμφάνιση των δεδομένων του πίνακα τιμών
205
Στην επόμενη υποενότητα θα εξετάσουμε ένα παραπλήσιο περιβάλλον (Query Editor), στο οποίο
μπορούμε -επιπρόσθετα- να πραγματοποιήσουμε μία σειρά από μετασχηματισμούς των δεδομένων
μας.
3. ΑΠΛΟΙ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΤΩΝ ΔΕΔΟΜΕΝΩΝ ΜΑΣ
Στο σημείο αυτό εξετάζουμε τις επιλογές του περιβάλλοντος Query Editor του Power BI, που μας
επιτρέπουν να επιφέρουμε σημαντικές αλλαγές στη δομή των δεδομένων μας, πριν τα εισάγουμε στο
αρχείο μας προς ανάλυση.
3.1 Το περιβάλλον επεξεργασίας δεδομένων
Έως και το σημείο αυτό, στο μάθημά μας, έχουμε εξετάσει τον τρόπο απεικόνισης αναλύσεων των
διαθέσιμων δεδομένων μας. Στο τρέχον μέρος της ενότητας εξετάζουμε τις δυνατότητες που μας παρέχει
η εφαρμογή σχετικά με την επεξεργασία ή/και τον μετασχηματισμό των δεδομένων μας, με σκοπό την
ευκολότερη ανάκτηση χρήσιμης πληροφορίας από αυτά. Στο σημείο αυτό, θα πρέπει να σημειωθεί πως
το σύνολο των μετασχηματισμών των δεδομένων θα αφορούν μόνο τα δεδομένα που θα είναι διαθέσιμα
για τις αναλύσεις που θα υλοποιήσουμε εντός του αρχείου αναφοράς του Power BI, χωρίς να
επηρεάσουν τα αρχικά δεδομένα μας (υπολογιστικά φύλλα, αρχεία κειμένου, βάσεις δεδομένων, κ.ο.κ.).
Οι δυνατότητες μετασχηματισμού δεδομένων που θα εξετάσουμε στα επόμενα μέρη της ενότητας
206
μπορούν να υλοποιηθούν και εντός του MS Excel (με χρήση των επιλογών που παρέχει το εργαλείο
Power Query).
Στο κεντρικό μενού της εφαρμογής παρέχεται η δυνατότητα υλοποίησης αλλαγών/μετασχηματισμών

στο «ερώτημα» (Query) το οποίο εκτελείται για τη φόρτωση-εισαγωγή δεδομένων στο τρέχον αρχείο
Power BI (επιλογή “Transform Data”). Εάν ο χρήστης προχωρήσει στη σχετική επιλογή, θα ανοίξει 2ο
παράθυρο, με τις διαθέσιμες επιλογές μετασχηματισμού και επεξεργασίας των δεδομένων κάθε πίνακα.
Το παράθυρο που ανοίγει «θυμίζει» την επιλογή εμφάνισης των δεδομένων που εξετάσαμε
προηγουμένως, καθώς στο μέσο της οθόνης εμφανίζονται τα δεδομένα του πίνακα. Παρ’όλα αυτά, οι
διαφορετικοί πίνακες που αξιοποιούμε για τις ανάγκες του τρέχοντος αρχείου εμφανίζονται στο
αριστερό μέρος της οθόνης. Αντίστοιχα, στο δεξιό μέρος, καταγράφονται τα βήματα που υλοποιούνται
για την ανάκτηση-εισαγωγή των δεδομένων του πίνακα στην εφαρμογή. Στη συνέχεια, οπότε θα
επιλέξουμε την υλοποίηση αλλαγών-μετασχηματισμών των δεδομένων μας, θα παρατηρήσουμε πως το
πλήθος των βημάτων θα αυξηθεί, ενώ έχουμε τη δυνατότητα κατάργησης κάποιου από τα βήματα αυτά.
Παρατηρήστε, επίσης, πως καθώς επιλέγετε τα διαφορετικά βήματα που υλοποιούν την εισαγωγή των
συγκεκριμένων στοιχείων (Παράδειγμα 15), μεταβάλλεται ο κώδικας που εμφανίζεται στο επάνω μέρος
της οθόνης (στο σημείο που εντός του MS Excel θα παρατηρούσαμε τις εντολές με χρήση συναρτήσεων
ή την αποθηκευμένη τιμή του επιλεγμένου κελιού). Ο κώδικας αυτός υλοποιεί το βήμα, ενώ το σύνολο
των εντολών (σε γλώσσα «προγραμματισμού» M, που ανέπτυξε η Microsoft για χρήση στο πρόσθετο
Power Query) είναι διαθέσιμο στην επιλογή “Advanced Editor”, στο κεντρικό μενού επιλογών.
Παράδειγμα 15. Πληροφορίες για τα βήματα που απαιτούνται για την εισαγωγή
δεδομένων από υπολογιστικά φύλλα
207
Σε κάθε περίπτωση, ο χρήστης διατηρεί τη δυνατότητα να καταργήσει οποιαδήποτε βήμα από τη
διαδικασία εισαγωγής δεδομένων στο Power BI, επιλέγοντας δεξί κλικ και κατάργηση (“Delete”). Το ίδιο
αποτέλεσμα μπορεί να επιτύχει η επιλογή του κόκκινου μενού (σχήματος x), που βρίσκεται στα αριστερά
κάθε βήματος. Θα πρέπει να σημειωθεί πως, σε αντίθεση με ό,τι έχουμε αναφέρει έως τώρα, στο
περιβάλλον του Query Editor δεν είναι διαθέσιμη η επιλογή “Undo” (δεν υπάρχει σχετική συντόμευση
στο επάνω μέρος του παραθύρου, δεν λειτουργεί η συντόμευση Control + Z).
Τέλος, θα πρέπει να σημειωθεί πως για την εφαρμογή των μεταβολών στις οποίες προχώρησε ο χρήστης
και τη δυνατότητα αξιοποίησης των δεδομένων μετά τους σχετικούς μετασχηματισμούς, θα απαιτηθεί
να επιλέξει την επιλογή “Close & Apply” (ή, αντίστοιχα “Apply”, εάν δεν επιθυμεί να εγκαταλείψει το
περιβάλλον Query Editor) στο κεντρικό μενού επιλογών του Query Editor. Αλλιώς, οι αλλαγές δεν θα
αποτυπωθούν στα δεδομένα που απεικονίζονται στην αναφορά που προετοιμάζει.
208
3.2 Βασικές επιλογές μετασχηματισμού δεδομένων
Από τις βασικές επιλογές (Εικόνα 5) που εμφανίζονται στο κεντρικό μενού του Query Editor, ο χρήστης
μπορεί να επιλέξει την προσθήκη νέων δεδομένων από άλλες πηγές, καθώς και από τις πλέον πρόσφατα
χρησιμοποιημένες πηγές. Επιπλέον, μπορεί να επιλέξει την εισαγωγή δεδομένων με πληκτρολόγηση (ή
επικόλληση) των αντίστοιχων τιμών (επιλογή “Enter Data”) σε παράθυρο που θα ανοίξει για το σκοπό
αυτό. Επιπλέον, ο χρήστης έχει τη δυνατότητα να πλοηγηθεί σε ή/και να επιλέξει διαφορετικές στήλες
του επιλεγμένου (αυτού του οποίου τα περιεχόμενα απεικονίζονται στο μέσο της οθόνης) πίνακα. Στο
ίδιο μενού, παρέχεται η δυνατότητα κατάργησης στηλών ή/και γραμμών του επιλεγμένου («ανοικτού»)
πίνακα.
209
Εικόνα 5. Βασικές επιλογές του περιβάλλοντος Query Editor
Επιπρόσθετα, από τις επιλογές μετασχηματισμού (“Transform”, Εικόνα 6), το Power BI μας επιτρέπει να
ομαδοποιήσουμε-συνοψίσουμε (“Group By”) τις παρατηρήσεις μας, να αναστρέψουμε τον πίνακα
δεδομένων μας (επιλογή “Transpose”), να μετονομάσουμε (“Rename”) ή να αλλάξουμε τον τύπο
δεδομένων που αποθηκεύουμε σε μία στήλη του πίνακα. Άλλες επιλογές στο συγκεκριμένο μενού μας
επιτρέπουν να εξάγουμε (“Extract”) μέρος μόνο της πληροφορίας που καταγράφεται σε υπάρχοντα
πεδία ή να διασπάσουμε την πληροφορία που καταγράφεται σε μία στήλη σε περισσότερες με βάση
συγκεκριμένα κριτήρια (επιλογή “Split Column”, θυμίζει την επιλογή “Text to columns” του Excel).
Επιπλέον, ο χρήστης μπορεί να αξιοποιήσει μία σειρά από στατιστικές και μαθηματικές συναρτήσεις, με
σκοπό να δημιουργήσει νέα πεδία με την επιθυμητή πληροφορία.
210
Εικόνα 6. Επιλογές μετασχηματισμού δεδομένων
Τέλος, από τις αντίστοιχες επιλογές προσθήκης νέας στήλης (“Add Column”, Εικόνα 7), ο χρήστης μπορεί
να δημιουργήσει νέο πεδίο που θα λαμβάνει μοναδικές τιμές (“Index Column”) ταυτοποιώντας μοναδικά
κάθε γραμμή του πίνακα δεδομένων. Αντίστοιχα, μπορεί να δημιουργήσει νέο πεδίο με βάση κριτήρια
για τις τιμές που λαμβάνουν άλλα πεδία του πίνακά του ή/και να μετασχηματίσει πεδία τύπου
ημερομηνίας (“Date”) και ώρας (“Time”) ώστε να διευκολυνθεί η εξαγωγή χρήσιμης πληροφορίας.
211
Εικόνα 7. Βασικές επιλογές προσθήκης νέου πεδίου στον πίνακα δεδομένων
Είναι σκόπιμο, στο σημείο, να επισημανθεί εκ νέου, πως το σύνολο των μεταβολών που θα επιφέρουμε
στα δεδομένα μας, θα επηρεάζουν τον τρόπο που αυτά εισάγονται προς ανάλυση στο αρχείο Power BI.
Αντιθέτως, τα δεδομένα στην «πρωτογενή πηγή (π.χ. αρχείο κειμένου, υπολογιστικό φύλλο, βάσεις
δεδομένων, κ.ο.κ) δεν θα επηρεαστούν από τις όποιες αλλαγές επιλέξουμε να πραγματοποιήσουμε στο
περιβάλλον Query Editor.
Στη συνέχεια της ενότητας θα υλοποιήσουμε ορισμένους μόνο από τους μετασχηματισμούς που μας
επιτρέπει το Query Editor. Μη διστάσετε να αξιοποιήσετε περισσότερες επιλογές και να διαπιστώσετε
μόνοι σας τα αποτελέσματα από τις μεταβολές στα δεδομένα σας!
212
3.3 Αντιστοίχιση της 1ης γραμμής με το όνομα του πεδίου
Θα ξεκινήσουμε τον μετασχηματισμό των δεδομένων μας, από τα 2 «προβληματικά» πεδία που έχουμε
ήδη εντοπίσει σε δύο από τους πίνακες που έχουμε εισάγει στο αρχείο αναφοράς μας, προηγουμένως.
Παρατηρούμε πως για τις ανάγκες εισαγωγής των δεδομένων οποιουδήποτε άλλου πίνακα δεδομένων
που έχουμε εισάγει στο Power BI (π.χ. στο Παράδειγμα 16, για τον πίνακα κατηγορίας προϊόντος)
απαιτήθηκαν, συνολικά, 4 βήματα (τα οποία καταγράφονται στο αριστερό μέρος της οθόνης του Query
Editor). Το 4ο βήμα, στις περιπτώσεις αυτές, αφορά την αντιστοίχιση της πληροφορίας της 1ης γραμμής,
σε ονόματα πεδίων.
Στο Παράδειγμα 16 προκύπτει επιπρόσθετη πληροφορία που «εμφανίζει» το περιβάλλον Query Editor
για κάθε στήλη του επιλεγμένου πίνακα. Στο «επάνω μέρος» εμφανίζεται η αναλογία του πλήθους
γραμμών που λαμβάνει «σωστές» ή/και κενές τιμές. Αντίστοιχα, με την επιλογή οποιασδήποτε στήλης,
η εφαρμογή θα μας εμφανίσει (στο «κάτω μέρος» του Query Editor) ορισμένες απλές στατιστικές
μετρήσεις σχετικά με το επιλεγμένο πεδίο του πίνακα.
213
Παράδειγμα 16. Η 1η γραμμή του πίνακα αντιστοιχεί στο όνομα του πεδίου
Σε αντίθεση με αυτό, για τις ανάγκες εισαγωγής δεδομένων του πίνακα που περιέχει πληροφορία
σχετικά με τον τρόπο αποστολής (“Ship Mode” στο Παράδειγμα 17, το ίδιο ισχύει και στην περίπτωση
του πίνακα “Order Priority”), κάτι τέτοιο δεν συνέβη, καθώς το Power BI δεν «αντιλήφθηκε» πως ο
χρήστης θα επιθυμούσε η πληροφορία της 1ης γραμμής να αξιοποιηθεί ως όνομα πεδίων.
214
215
Παράδειγμα 17. Η 1η γραμμή του πίνακα δεν αντιστοιχεί στο όνομα του πεδίου
Παρ’όλα αυτά, μπορούμε με μία απλή εντολή να μεταβάλλουμε τον τρόπο οργάνωσης των δεδομένων:
Η επιλογή “Use first row as headers”, στο μενού βασικών επιλογών (“Home”, Εικόνα 6), θα τοποθετήσει
το κείμενο που εντοπίζει η εφαρμογή στην 1η γραμμή δεδομένων ως όνομα του πεδίου, όπως προκύπτει
και στο Παράδειγμα 18.
216
Παράδειγμα 18. Αντιστοιχίζοντας την 1η γραμμή δεδομένων στο όνομα του πεδίου
Προφανώς, η αντίστροφη διαδικασία θα μπορούσε να υλοποιηθεί με χρήση της αντίστοιχης επιλογής

(“Use headers as first row”), οπότε το (έως πριν λίγο) όνομα πεδίου, θα αποτελούσε -πλέον- την τιμή της
1ης παρατήρησης του πίνακα, ενώ τα πεδία θα λάμβαναν το όνομα “Column” ακολουθούμενο από
αύξουσα αρίθμηση.
Τι αποτέλεσμα θα είχε ένα λάθος του χρήστη και η επιλογή από μέρους του “Use headers as first row”,
όταν η πρώτη γραμμή δεδομένων δεν είχε θεωρηθεί ως όνομα πεδίου;
Σε κάθε περίπτωση, εάν ο χρήστης προχωρήσει σε λάθος επιλογή, μπορεί να καταργήσει το

συγκεκριμένο βήμα από τη διαδικασία εισαγωγής δεδομένων στο Power BI, όπως αναφέρθηκε
προηγουμένως. Μπορείτε να πραγματοποιήσετε μόνοι σας την αντίστοιχη αλλαγή στον τρόπο «χρήσης»
της 1ης γραμμής του πίνακα “Order Priority”.
3.4 Πλοήγηση του χρήστη στα πεδία του πίνακα
Στο σημείο αυτό θα υποθέσουμε πως μας ενδιαφέρει να εκτιμήσουμε τον χρόνο που απαιτείται για την
αποστολή μιας παραγγελίας. Η πληροφορία αυτή μπορεί να υπολογιστεί με χρήση των 2 πεδίων
217
ημερομηνίας που είναι διαθέσιμα στον πίνακα τιμών (“Orders”). Συγκεκριμένα θα αξιοποιήσουμε το
πεδίο “Order Date”, στο οποίο καταγράφεται η ημερομηνία κατά την οποία ο πελάτης προχώρησε σε
παραγγελία, καθώς και το αντίστοιχο πεδίο “Ship Date”, στο οποίο καταγράφουμε την ημερομηνία
αποστολής των προϊόντων της παραγγελίας.
Έχοντας επιλεγμένο («ανοικτό», με εμφανή τα στοιχεία του) τον πίνακα που περιέχει τα δύο πεδία,
αρχικά επιλέγουμε να πλοηγηθούμε στο επιθυμητό πεδίο (“Ship Date”) από την επιλογή “Go to Column”,
όπως απεικονίζεται στο Παράδειγμα 19.
Παράδειγμα 19. Μετάβαση στο επιθυμητό πεδίο
218
219
3.5 Μετακίνηση πεδίου του πίνακα
Αντίστοιχα, θα μπορούσαμε να επιλέξουμε να μετακινήσουμε το πεδίο “Order Date” στο τέλος του
πίνακα, ώστε να απεικονίζεται «δίπλα» στο αντίστοιχο “Ship Date” και να αποκτούμε ευκολότερα εικόνα
για τις τιμές που λαμβάνουν τα 2 πεδία. Η μετακίνηση αυτή μπορεί να πραγματοποιηθεί όταν, έχοντας
επιλεγμένο το επιθυμητό πεδίο, επιλέξουμε “Move”. Από τις διαθέσιμες επιλογές επιλέγουμε “To End”,
όπως απεικονίζεται στο Παράδειγμα 20.
220
Παράδειγμα 20. Μεταφορά του επιθυμητού πεδίου
Αντίστοιχο αποτέλεσμα θα είχαμε εάν αποφασίζαμε να «σύρουμε» το ένα πεδίο «προς τα δεξιά» ή «προς
τα αριστερά». Θα απαιτηθεί, στην προσπάθεια αυτή, να επιλέξουμε το όνομα του πεδίου (όχι το χώρο
της στήλης με τα «κελιά» στα οποία καταγράφονται οι τιμές του) και να το «σύρουμε» (drag & drop).
3.6 Δημιουργία νέου πεδίου από υπάρχοντα
Από την παρατήρηση των διαφορετικών τιμών που καταγράφονται στα δύο πεδία, αντιλαμβανόμαστε
πως κάθε παραγγελία αποστέλλεται από την εταιρεία εντός 1 ή 2 ημερών, μετά την ημερομηνία
221
παραγγελίας του χρήστη. Παρ’ όλα αυτά, ενδεχομένως να μας ενδιαφέρει να εκτιμήσουμε την κατανομή
(distribution) του χρόνου αποστολής, να εντοπίσουμε δηλαδή το πλήθος παραγγελιών για τις οποίες ο
χρόνος που μεσολαβεί έως την αποστολή κυμαίνεται χαμηλότερα/υψηλότερα συγκεκριμένων-
επιλεγμένων τιμών.
Η εφαρμογή μας δίνει τη δυνατότητα να δημιουργήσουμε νέο πεδίο, στο οποίο θα καταγράφεται με
ακρίβεια ο αριθμός ημερών που μεσολαβούν μεταξύ των 2 ημερομηνιών (και, στη συνέχεια, να
αξιοποιήσει τις τιμές του νέου πεδίου σε ανάλυση στο χώρο αναφοράς - “Report View” του αρχείου).
Συγκεκριμένα, η επιλογή δημιουργίας νέας στήλης “Custom Column”, από το μενού επιλογών προσθήκης
νέας στήλης (“Add Column”), μας επιτρέπει να εισάγουμε νέα στήλη η οποία θα λαμβάνει τιμές ανάλογα
με τον τύπο που θα εισάγει ο χρήστης. Με τη σχετική επιλογή, θα ανοίξει παράθυρο που μας επιτρέπει
να εισάγουμε τον απλό τύπο που θα αφαιρεί (όπως θα αφαιρούσαμε 2 ημερομηνίες σε ένα υπολογιστικό
φύλλο) από το πεδίο αποστολής της παραγγελίας (“Ship Date”) την ημερομηνία παραγγελίας των
προϊόντων από τον χρήστη (πεδίο “Order Date”).
Επιπλέον, θα ορίσουμε το όνομα του νέου πεδίου ενώ, επιπρόσθετα, μπορούμε να επιλέξουμε τη
μορφοποίηση του ως «χρονική διάρκεια», επιλέγοντας οι τιμές να εκφράζονται σε πλήθος ημερών. Η
συγκεκριμένη επιλογή (μενού επιλογών “Add Column”) θα δημιουργήσει νέο πεδίο που θα
μορφοποιείται κατάλληλα ενώ ο χρήστης, στη συνέχεια, μπορεί να επιλέξει την κατάργηση του
«ενδιάμεσου» πεδίου (στο οποίο αποθηκεύσαμε την πληροφορία, χωρίς να μεταβάλουμε τη
μορφοποίησή του). Σημειωτέον πως, καθώς ακολουθήσαμε την επιλογή “Duration” του μενού “Add
Columns”, προστέθηκε νέα στήλη που εκφράζει διάρκεια (σε ημέρες). Εναλλακτικά, θα μπορούσαμε να
επιλέξουμε την επιλογή “Duration” στο μενού επιλογών “Transform”, κάτι που θα είχε ως αποτέλεσμα
τον «μετασχηματισμό» της υπάρχουσας στήλης (ώστε να εκφράζει διάρκεια), αντί της δημιουργίας νέας.
222
Παράδειγμα 21. Δημιουργία νέου πεδίου που θα εκφράζει χρονική διάρκεια
223
224
Τέλος, έχουμε τη δυνατότητα να μετονομάσουμε το νέο πεδίο που θα «παραμείνει» στον πίνακα τιμών,
από τη σχετική επιλογή στο μενού μετασχηματισμών (“Transform”). Επιπρόσθετα, διατηρούμε πάντα τη
δυνατότητα να μετονομάσουμε το πεδίο, με απλούστερο τρόπο, με διπλό κλικ στο όνομα της στήλης.
225
Το πεδίο που προσθέσαμε, μπορεί να αξιοποιηθεί για τη δημιουργία αναλύσεων, αφού ο χρήστης
επιλέξει την αποθήκευση των μετασχηματισμών στα δεδομένα του (“Apply” ή “Close & Apply”), στα
«αριστερά» του κεντρικού μενού επιλογών του Query Editor.
Στο Παράδειγμα 22 επιλέξαμε το πεδίο που προσθέσαμε στον πίνακα τιμών (“Orders”). Καθώς το
συγκεκριμένο πεδίο αποθηκεύει αριθμητικές τιμές, προστέθηκε διάγραμμα, στο οποίο εμφανίζεται το
άθροισμα για το σύνολο των παρατηρήσεων του πεδίου χρονικής διάρκειας. Καθώς μία παρόμοια
ανάλυση δεν μας προσφέρει χρήσιμη πληροφόρηση, επιλέξαμε να τοποθετήσουμε τις μοναδικές τιμές
του πεδίου “Time to Sip (Days) ” στον οριζόντιο άξονα ενώ στην επιλογή αριθμητικών τιμών επιλέξαμε
να εμφανίσουμε το πλήθος γραμμών (για την ακρίβεια, το πλήθος τιμών της στήλης OrderID).
Με τον τρόπο αυτό εμφανίσαμε την κατανομή συχνότητας της χρονικής διάρκειας που μεσολαβεί έως
την αποστολή των παραγγελιών μας. Καθώς, όμως, το διάγραμμα δεν εξυπηρετεί για την απεικόνιση της
συγκεκριμένης πληροφορίας, στη συνέχεια, ο χρήστης επέλεξε την αλλαγή της απεικόνισης σε μορφή
«συγκεντρωτικού» πίνακα (matrix). Τέλος, εκφράζοντας κάθε μέγεθος αναλογικά προς το σύνολο των
παρατηρήσεων, αποκτάμε πολύ εύκολα εικόνα σχετικά με την κατανομή πιθανοτήτων για τις
διαφορετικές τιμές που καταγράφονται στο ίδιο πεδίο.
226
Παράδειγμα 22. Χρησιμοποιώντας το νέο πεδίο στις αναφορές μας
227
Να αναλύσετε περαιτέρω την πληροφορία που απεικονίζεται στους πίνακες του Παραδείγματος 22, με
βάση την κατηγορία προϊόντος που εξετάζουμε κάθε φορά (με χρήση, τόσο διαδραστικού φίλτρου –
228
slicer, όσο και με την εισαγωγή της πληροφορίας κατηγορίας προϊόντος στις στήλες του «συγκεντρωτικού
πίνακα» - matrix, τι παρατηρείτε;). Μπορείτε να επιβεβαιώσετε τους υπολογισμούς του Power BI από τη
βασική πηγή δεδομένων μας (αρχείο Excel); Τι θα χρειαστεί να δημιουργήσετε; Ποια συνάρτηση θα
αξιοποιήσετε στη συνέχεια για τον υπολογισμό σας;
3.7 Αλλαγή στην πηγή των δεδομένων μας
Υποθέστε, στο σημείο αυτό, πως το αρμόδιο τμήμα μηχανογράφησης σάς ενημέρωσε πως έχει
δημιουργήσει νέο αρχείο Excel με την ίδια δομή όπως αυτό που χρησιμοποιούμε ήδη, το οποίο έχει
επικαιροποιηθεί με τις τελευταίες συναλλαγές της επιχείρησης. Το Power BI σας παρέχει τη δυνατότητα
να επιλέξετε την αλλαγή της προέλευσης των δεδομένων σας, μεταβάλλοντας την πηγή για το σύνολο
των δεδομένων που έχουμε εισάγει (Εικόνα 8).
Εικόνα 8. Επιλογές αλλαγής της προέλευσης των δεδομένων μας
Από το παράθυρο που θα ανοίξει (Παράδειγμα 23) με την αντίστοιχη επιλογή του χρήστη, μπορούμε να
επιλέξουμε το νέο αρχείο, στο οποίο αποθηκεύονται τα πλέον πρόσφατα διαθέσιμα στοιχεία σχετικά με
τις παραγγελίες της επιχείρησης.
229
Παράδειγμα 23. Αλλάζοντας την προέλευση των δεδομένων μας
Τι θα συμβεί εάν ο χρήστης επιλέξει (π.χ. σε περίπτωση λάθους) αρχείο το οποίο δεν διατηρεί την ίδια
δομή με αυτό που έχει εισάγει προηγουμένως, με αποτέλεσμα να μην ανευρεθούν πίνακες ή/και στήλες
με την πληροφορία που αναμένει η εφαρμογή;
4. ΣΥΝΔΕΣΗ ΣΕ ΕΝΑΛΛΑΚΤΙΚΕΣ ΠΗΓΕΣ ΔΕΔΟΜΕΝΩΝ
Στο σημείο αυτό θα εξετάσουμε τις δυνατότητες του Power BI να πραγματοποιεί περισσότερο
περίπλοκες συνδέσεις σε πηγές δεδομένων. Αρχικά, θα καταγράψουμε τους απλούς μετασχηματισμούς
που απαιτούνται για την ταυτόχρονη εισαγωγή των δεδομένων όλων των αρχείων που βρίσκονται σε
επιλεγμένο φάκελο. Στη συνέχεια, θα εξετάσουμε τον τρόπο αξιοποίησης πληροφορίας δομημένης υπό
μορφή «περίπλοκου» πίνακα (που θυμίζει τη δομή «συγκεντρωτικού» πίνακα).
230
4.1 Σύνδεση σε φάκελο με αρχεία τιμών
Μία ιδιαίτερα χρήσιμη δυνατότητα του Power BI αποτελεί η δυνατότητα σύνδεσης σε φάκελο με
περισσότερα αρχεία δεδομένων. Για να υλοποιήσουμε μία παρόμοια σύνδεση-εισαγωγή δεδομένων θα
επιλέξουμε “Folder” ενώ, στη συνέχεια, θα απαιτηθεί να εισάγουμε τη «διεύθυνση» του φακέλου που
περιέχει τα αρχεία μας. Εναλλακτικά, μπορεί κανείς να επιλέξει την πλοήγηση (“Browse”) στον
επιθυμητό φάκελο.
Για τις ανάγκες ανάλυσης πωλήσεων της επιχείρησή μας, θα υποθέσουμε πως έχουμε αποθηκεύσει τα
δεδομένα σχετικά με πωλήσεις των ίδιων προϊόντων στις ευρωπαϊκές χώρες όπου δραστηριοποιόμαστε,
οι οποίες θα μπορούσαν να προκύπτουν από διαφορετικά συστήματα καταγραφής των επιδόσεών μας
(CRM, ERP, εξού και ο διαφορετικός τύπος αρχείου).
Αφού ο χρήστης επιλέξει τον φάκελο από τον οποίο η εφαρμογή θα αντλήσει δεδομένα (και, στη
συνέχεια, επιλέξει ΟΚ), θα ανοίξει παράθυρο από το οποίο προκύπτει μία σύντομη προεπισκόπηση των
δεδομένων. Για τις ανάγκες του Παραδείγματος 24, το Power BI εντόπισε 4 αρχεία, με τους κωδικούς που
χρησιμοποιούνται διεθνώς για την ταυτοποίηση κάθε χώρας (π.χ. “UK” για το Ηνωμένο Βασίλειο).
Παρατηρούμε πως η εφαρμογή μας παρέχει πληροφορίες σχετικά με τα αρχεία, όχι –όμως– για τις τιμές
που περιλαμβάνονται σε αυτά!
Παρ’ όλα αυτά, διατηρούμε τη δυνατότητα να «φορτώσουμε» κατευθείαν τα δεδομένα στο αρχείο της
αναφοράς μας (επιλογή “Combine & Load”) και, εάν το κρίνουμε σκόπιμο, να
επανέλθουμε -αργότερα- προσθέτοντας/ τροποποιώντας τα βήματα μετασχηματισμού των δεδομένων
μας. Ας υποθέσουμε, όμως, ότι θέλουμε να εξετάσουμε τις τιμές των εν λόγω αρχείων στο περιβάλλον
Power Query, οπότε μπορούμε να επιλέξουμε την επεξεργασία τους (“Combine & Transform”),
ανοίγοντας το περιβάλλον Query Editor.
231
Παράδειγμα 24. Δυνατότητα ταυτόχρονης εισαγωγής των αρχείων που βρίσκονται στον
ίδιο φάκελο
232
233
Τέλος, επιλέγοντας ΟΚ στο συγκεκριμένο παράθυρο, τα δεδομένα θα είναι διαθέσιμα στο περιβάλλον
του Query Editor, ενώ θα απαιτηθεί η αποθήκευση των βημάτων19 που δημιουργήθηκαν από τις επιλογές
του χρήστη, πριν την επιστροφή στο κυρίως παράθυρο του Power BI. Τώρα, τα νέα δεδομένα είναι έτοιμα
για ανάλυση στο αρχείο της αναφοράς μας.
19Επιλογή εφαρμογής των αλλαγών (“Apply”) ή κλείσιμο του περιβάλλοντος Query Editor
με εφαρμογή των αλλαγών (“Close & Apply”).
234
4.2 Χρήση των δεδομένων που προσθέσαμε στην αναφορά
Τα δεδομένα που εισάγαμε από το σύνολο των αρχείων κειμένου του επιθυμητού φακέλου,
είναι -ήδη- έτοιμα προς χρήση σε μία αναφορά. Π.χ. στο Παράδειγμα 25 επιλέξαμε να δημιουργήσουμε
μία πολύ απλή ανάλυση των πωλήσεών μας ανά ευρωπαϊκή πόλη στην οποία δραστηριοποιούμαστε.
Παράδειγμα 25. Τα νέα δεδομένα είναι έτοιμα για ανάλυση
235
Είναι ενδιαφέρον να παρατηρήσει κανείς (Παράδειγμα 26) πως, καθώς τα πεδία του νέου πίνακα έχουν
το ίδιο όνομα με τα αντίστοιχα πεδία των πινάκων διαστάσεων (π.χ. “Order Priority Code”, “Product
Container ID”, κ.ο.κ.) το Power BI εντόπισε αυτόματα τις επιθυμητές σχέσεις για να τα αντίστοιχα πεδία
του πίνακα “European Sales”. Με τον τρόπο αυτό, οι πίνακες διαστάσεων (Lookup tables)
συνδέονται -πλέον- με 2 πίνακες τιμών: μία με τον «αρχικό» πίνακα πωλήσεων (“Orders”), καθώς και με
τον πίνακα που περιέχει τα δεδομένα που -μόλις- προσθέσαμε.
236
Παράδειγμα 26. Αυτόματη δημιουργία σχέσεων στον νέο πίνακα
4.3 Σύνδεση σε δεδομένα μορφοποιημένα σε πίνακα
Μία εξίσου ενδιαφέρουσα δυνατότητα σύνδεσης σε «εναλλακτικές» πηγές δεδομένων αποτελεί η

δυνατότητα εισαγωγής στοιχείων υπό μορφή «περίπλοκου» πίνακα (σε δομή που θυμίζει την
μορφοποίηση συγκεντρωτικού πίνακα που έχουμε υλοποιήσει στο μάθημά μας). Η δυνατότητα αυτή
237
πολύ συχνά είναι ιδιαίτερα χρήσιμη, καθώς τα υπολογιστικά μας φύλλα (αλλά και άλλου είδους
αρχεία/αναφορές κλπ.) μορφοποιούνται με παρόμοιο τρόπο. Η εισαγωγή παρόμοιων στοιχείων
πραγματοποιείται ανάλογα με την πηγή προέλευσής τους (αρχεία κειμένου, υπολογιστικά φύλλα, κ.ο.κ.)
ενώ, στη συνέχεια, θα απαιτηθεί μία σειρά απλών μετασχηματισμών για την αξιοποίηση της διαθέσιμης
πληροφορίας.
Στο Παράδειγμα 27 έχουμε επιλέξει την εισαγωγή δεδομένων από υπολογιστικό φύλλο, στο οποίο
έχουμε αποθηκεύσει τους στόχους σχετικά με τις πωλήσεις που θα επιτύχει η επιχείρησή μας. Με βάση
τα δεδομένα που θα εισαχθούν, θα μπορέσουμε αργότερα να συγκρίνουμε τις επιδόσεις μας με τα
επίπεδα πωλήσεων που αναμένουμε, ανάλογα με την πραγματοποίηση διαφορετικών σεναρίων (βασικό
– baseline σενάριο, ένα περισσότερο αισιόδοξο, καθώς και ένα αρκετά απαισιόδοξο).
Στη συνέχεια, καθώς τα δεδομένα δεν έχουν δομηθεί με κατανοητό τρόπο για την εφαρμογή (δεν
καταγράφεται κάθε τιμή του πίνακα σε ξεχωριστή γραμμή, τιμές σε διαφορετικές στήλες εκφράζουν
αντίστοιχη πληροφορία για διαφορετικό υποσύνολο δεδομένων), θα απαιτηθούν ορισμένοι
μετασχηματισμοί για την «προώθηση» της πρώτης διαθέσιμης γραμμής στο όνομα του πεδίου, καθώς
και η μετονομασία των 2 πρώτων στηλών (π.χ. σε “Country” & “Scenario”).
Ο χρήστης θα πρέπει να επιλέξει την επιλογή «συμπλήρωσης» (“Fill”) των κενών τιμών του πεδίου
“Country” από τις αμέσως παραπάνω διαθέσιμες (μη-κενές) τιμές. Με τον τρόπο αυτό, το όνομα των δύο
χωρών θα συμπληρωθεί «προς τα κάτω» για τα κενά κελιά του πεδίου. Ο χρήστης θα πρέπει να είναι
ιδιαίτερα προσεκτικός, να μην προχωρήσει σε λάθος επιλογή (“Fill” & “Up”). Πολύ συχνά, πριν τη χρήση
της συγκεκριμένης εντολής, απαιτείται μικρή αλλαγή στη σειρά εμφάνισης («ταξινόμηση» - “Sort”) των
γραμμών του πίνακα.
238
Παράδειγμα 27. Εισάγοντας δεδομένα μορφοποιημένα σε πίνακα
239
Στη συνέχεια, το μόνο που θα πρέπει να αλλάξει στη δομή των δεδομένων (ώστε να μπορούμε να
συνδέσουμε τον πίνακα με τα διαθέσιμα στοιχεία μας στους υπόλοιπους πίνακες που χρησιμοποιούμε)
είναι ο τρόπος καταχώρησης των διαφορετικών τιμών που προκύπτουν για τις διαφορετικές τιμές του
πεδίου “Product Category”. Συγκεκριμένα, θα πρέπει να παύσει η συγκεκριμένη πληροφορία να
καταγράφεται σε διαφορετικές στήλες του ίδιου πίνακα! Η αλλαγή στη δομή των δεδομένων μας αυτή
240
υλοποιείται με την επιλογή “Unpivot”, όπως απεικονίζεται στο Παράδειγμα 28. Με τον τρόπο αυτό, αντί
της αντιστοίχισης σε στήλες του πίνακα, πλέον κάθε πληροφορία για διαφορετικές κατηγορίες
προϊόντων θα αποθηκεύεται σε ξεχωριστή γραμμή.
Τέλος, μπορούμε να μετονομάσουμε τα ονόματα των πεδίων που δημιουργήσαμε, υιοθετώντας ονόματα
που θα διευκολύνουν τον χρήστη να αντιληφθεί την πληροφορία που αποθηκεύουμε σε αυτά. Να
μετονομάσετε τα πεδία που δημιουργήθηκαν από τον μετασχηματισμό των στηλών του πίνακα σε
“Product Category” και “Target”.
Παράδειγμα 28. Μετασχηματίζοντας τα δεδομένα του πίνακα
241
Σημείωση: Στο σημείο αυτό θα πρέπει να επαναληφθεί πως (όπως και σε οποιονδήποτε άλλο
μετασχηματισμό υλοποιήσουμε στο περιβάλλον Query Editor), οι αλλαγές θα αφορούν τον τρόπο
αξιοποίησης των δεδομένων μας εντός του αρχείο Power BI. Οι αλλαγές δεν θα επηρεάσουν τα αρχικά
μας δεδομένα, στο υπολογιστικό φύλλο, από το οποίο τα εισάγαμε!
Μπορείτε πολύ εύκολα να επιβεβαιώσετε το συγκεκριμένο σημείο.
242
5. ΠΕΡΙΣΣΟΤΕΡΟΙ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΔΕΔΟΜΕΝΩΝ
Στο σημείο αυτό εξετάζουμε επιπρόσθετους μετασχηματισμούς δεδομένων που μπορούμε να

υλοποιήσουμε στο περιβάλλον Query Editor.
5.1 Διαχωρισμός της πληροφορίας πεδίου σε δύο νέες στήλες
Είδαμε προηγουμένως πως η πληροφορία σχετικά με τον τόπο των πωλήσεων δεν βρίσκεται σε εύκολα
κατανοητή μορφή. Παρ’όλα αυτά, μπορούμε με μία απλή επιλογή μετασχηματισμού να την
καταστήσουμε άμεσα αξιοποιήσιμη. Συγκεκριμένα, καθώς παρατηρούμε πως το πεδίο “City”
περιλαμβάνει το όνομα της πόλης, σε συνδυασμό με τον κωδικό της χώρας, μπορούμε να επιλέξουμε να
διαχωρίσουμε την πληροφορία σε 2 πεδία.
Η επιλογή διαχωρισμού των δεδομένων του επιλεγμένου πεδίου (“Split Column”) επιτρέπει τον εύκολο
διαχωρισμό δεδομένων που ορίζονται, είτε με συγκεκριμένο «ειδικό» χαρακτήρα (στην περίπτωσή των
δεδομένων που εξετάζουμε το κόμμα, “,”), είτε με βάση έναν σταθερό αριθμό από χαρακτήρες,
«θυμίζοντας» την επιλογή “Text to Columns” του MS Excel. Από το Παράδειγμα 29 παρατηρούμε πως τα
2 νέα πεδία που θα δημιουργηθούν θα διατηρήσουν το όνομα του «παλαιού», ενιαίου πεδίου, μαζί με
αύξουσα αρίθμηση, ανάλογα με τη σειρά εμφάνισης της αντίστοιχης πληροφορίας.
243
Παράδειγμα 29. Διαχωρισμός επιλεγμένου πεδίου σε δύο νέα πεδία
Στη συνέχεια, μπορούμε να μετονομάσουμε τα δύο νέα πεδία που δημιουργήσαμε σε “City” & “Country
Code”, αντίστοιχα, ώστε να αξιοποιηθούν στους μετασχηματισμούς που θα υλοποιήσουμε στα επόμενα
μέρη του υλικού.
Η αντίστροφη ακριβώς διαδικασία («συγκόλληση 2 πεδίων σε ένα νέο) θα μπορούσε να υλοποιηθεί πολύ
εύκολα, από την επιλογή “Merge” (μενού επιλογών “Transform”, ενεργοποιείτε όταν ο χρήστης επιλέξει
περισσότερες από μία στήλες του πίνακα). Στη συνέχεια, ο χρήστης θα χρειαστεί να εισάγει, (εάν
επιθυμεί κάτι παρόμοιο), τον χαρακτήρα που θα «μεσολαβεί» μεταξύ των τιμών των 2 πεδίων σε κάθε
παρατήρηση (γραμμή δεδομένων). Το ίδιο αποτέλεσμα, μπορεί να δημιουργηθεί (αν και με περισσότερο
244
περίπλοκους τύπους, σε σχέση με την περίπτωση του Παραδείγματος 21 που εξετάσαμε προηγουμένως)
με τη δημιουργία πεδίου που θα υπολογίζεται από τις τιμές άλλου πεδίου (επιλογή “Custom Column”).
5.2 Εισάγοντας δεδομένα με πληκτρολόγηση ή αντιγραφή και επικόλληση

(Enter Data)
Μία εξίσου χρήσιμη δυνατότητα που παρέχει η εφαρμογή αποτελεί η εισαγωγή δεδομένων με
πληκτρολόγηση από τον χρήστη. Η σχετική επιλογή (“Enter Data”) βρίσκεται διαθέσιμη, τόσο στο
κεντρικό μενού επιλογών του Power BI όσο και στο περιβάλλον Query Editor (Παράδειγμα 30). Εκ πρώτης
όψεως, η συγκεκριμένη επιλογή φαντάζει χρήσιμη για την εισαγωγή μικρού –μόνο– αριθμού γραμμών
και στηλών (π.χ. κωδικοί για την αντιστοίχιση πληροφορίας που -ενδεχομένως- δεν υπάρχουν ήδη
αποθηκευμένοι σε κάποιο ηλεκτρονικό σύστημα). Παρ’όλα αυτά, καθώς το παράθυρο στο οποίο
πραγματοποιείται η εισαγωγή (πληκτρολόγηση) δεδομένων διατηρεί σημαντικά περιθώρια ευελιξίας, ο
χρήστης μπορεί να επιλέξει την εισαγωγή πληροφορίας που έχει αντιγράψει από άλλες πηγές (π.χ. πολύ
καλό επίπεδο συνεργασίας του παραθύρου προκύπτει με δεδομένα που έχουν αντιγραφεί από φύλλα
εργασίας του MS Excel).
245
Παράδειγμα 30. Δημιουργία πίνακα με πληκτρολόγηση ή/και επικόλληση δεδομένων
Στο Παράδειγμα 30 επιλέξαμε να εισάγουμε πληκτρολογώντας (ή αντιγράφοντας από άλλη πηγή) μία
απλή αντιστοίχιση μεταξύ του κωδικού και του ονόματος κάθε χώρας.
246
5.3 Συνένωση πινάκων δεδομένων (Append Queries)
Μία ακόμα χρήσιμη λειτουργία επεξεργασίας ή/και μετασχηματισμού δεδομένων αποτελεί η

δυνατότητα συνένωσης πινάκων δεδομένων, με αποτέλεσμα τη δημιουργία νέου πίνακα που θα
περιλαμβάνει το σύνολο των παρατηρήσεων (γραμμών) των 2 υπαρχόντων. Σκοπό μας, αποτελεί η
«συνένωση» σε έναν πίνακα του συνόλου των δεδομένων πωλήσεων, ανεξαρτήτως του τόπου που
πραγματοποιήθηκαν (Β. Αμερική ή/και Ευρώπη), με άλλα λόγια η κατάλληλη συνένωση των πινάκων
“Orders” και “European Sales”.
Προς διευκόλυνσή μας (αλλά και με σκοπό να εξετάσουμε ορισμένους, ακόμα, μετασχηματισμούς που
επιτυγχάνουμε στο περιβάλλον Query Editor), αρχικά, θα δημιουργήσουμε αντίγραφα των 2 πινάκων,
κάτι που μπορούμε να υλοποιήσουμε αντιγράφοντας (“Copy”) και, στην συνέχεια, επικολλώντας
(“Paste”) τον πίνακα (Παράδειγμα 31). Το ίδιο αποτέλεσμα προκύπτει και εάν επιλέξουμε τη δημιουργία
αντιγράφου του πίνακα (“Duplicate”). Παρατηρούμε πως και στις δύο περιπτώσεις, η εφαρμογή
διατήρησε το ίδιο όνομα για τους νέους πίνακες προσθέτοντας αύξουσα αρίθμηση (2, κ.ο.κ).
Τέλος, για να διευκολύνουμε τα επόμενα βήματά μας, θα καταργήσουμε πεδία που δεν θα χρειαστούμε
στην απλή ανάλυση που επιθυμούμε να δημιουργήσουμε: Μας ενδιαφέρουν τα πεδία πωλήσεων
(“Sales”), οι στήλες που περιέχουν ημερομηνίες, καθώς και τα κοινά πεδία που επιτρέπουν τη σύνδεση
με πίνακες διαστάσεων. Παρόλο που δεν είναι κοινά στους δύο πίνακες, αποφασίζουμε να
διατηρήσουμε και τα πεδία που περιέχουν γεωγραφική πληροφορία (πεδία “Province ID” του πίνακα
“Orders” και “Country Code”, του πίνακα “European Sales”)
247
Παράδειγμα 31. Δημιουργία αντιγράφου πίνακα
248
Στη συνέχεια, θα συνενώσουμε τους 2 «νέους» πίνακες που δημιουργήσαμε, επιλέγοντας την εντολή
“Append Queries As New”, όπως απεικονίζεται στο Παράδειγμα 31. Το αποτέλεσμα είναι ένας
επιπρόσθετος (3ος) πίνακας που περιλαμβάνει το σύνολο των εγγραφών των 2 πινάκων (“Orders (2)” &
“European Sales (2)”). Η συγκεκριμένη εντολή έχει ως αποτέλεσμα τη χωρίς πρόβλημα συνένωση των
πεδίων των 2 πινάκων με κοινό όνομα. Αντιθέτως, τα πεδία που υπάρχουν σε έναν, μόνο, από τους 2
πίνακες θα παραμείνουν στον νέο πίνακα, λαμβάνοντας κενές τιμές (“null”), για τις παρατηρήσεις που
προέρχονται από πίνακα που δεν διατηρεί πεδίο με το ίδιο όνομα!
Με τον τρόπο αυτό, όμως, μπορούμε να αποκτήσουμε μία λογική αντιστοίχιση των τιμών που
προέρχονται από τον ίδιο πίνακα: Το πεδίο “Province ID” (που «προέρχεται» από τη δομή του πίνακα
“Orders”), θα λαμβάνει κενές τιμές – “null” για τα δεδομένων που αφορούν πωλήσεις στην Ευρώπη.
Εντελώς αντίστοιχα, τα πεδία “City” & “Country Code” (δομή του πίνακα “European Sales”) θα
λαμβάνουν την ίδια τιμή (“null”) για τις παρατηρήσεις που υπήρχαν προηγουμένως στον πίνακα
“Orders”.
Παράδειγμα 32. Συνένωση των παρατηρήσεων 2 πινάκων
249
250
Παρατηρήστε πως το Power BI δημιούργησε σχέσεις μεταξύ του «ενιαίου» πίνακα που μόλις
δημιουργήσαμε και επιμέρους πινάκων διαστάσεων (Lookup tables), με βάση τις σχέσεις που υπήρχαν
στους 2 πίνακες που «συγχωνεύτηκαν». Στη συνέχεια επιλέγουμε να μετονομάσουμε τον νέο πίνακα σε
“Global Sales”, ώστε να ανταποκρίνεται καλύτερα στα περιεχόμενά του.
251
5.4 Προσθέτοντας μοναδικό αναγνωριστικό πεδίο (Index)
Για την εξασφάλιση της εγκυρότητας των δεδομένων μας, είναι πολύ πιθανό οι παρατηρήσεις μας να
συνοδεύονται από ένα μοναδικό αναγνωριστικό πεδίο (κλειδί, Index). Π.χ. ο πίνακας τιμών (“Orders”)
περιέχει, πεδίο που ταυτοποιεί μοναδικά κάθε παρατήρηση (“Row ID”). Το πεδίο αυτό επιλέξαμε να το
καταργήσουμε σε προηγούμενο βήμα, κατά το οποίο δημιουργήσαμε αντίγραφα των 2 αρχικών πινάκων.
Στον ενιαίο πίνακα πωλήσεων σε Ευρώπη και Β. Αμερική (“Global Sales”) μπορούμε να προσθέσουμε
αναγνωριστικό πεδίο (Index) που θα ταυτοποιεί μοναδικά κάθε παρατήρηση. Από τις επιλογές
δημιουργίας νέου πεδίου (“Add Column”) επιλέγουμε τη δημιουργία νέου μοναδικού αναγνωριστικού
πεδίου “Index Column”, οπότε η εφαρμογή θα προσθέσει πεδίο που θα λαμβάνει αύξουσες τιμές,
ξεκινώντας από το 0, ή το 1, ανάλογα με την επιλογή του χρήστη (υπάρχουν επιπρόσθετες δυνατότητες,
εάν ο χρήστης επιλέξει την εισαγωγή διαφορετικού αναγνωριστικού πεδίου που θα υπολογίζεται με
περισσότερο περίπλοκο τρόπο).
Παράδειγμα 33. Προσθήκη αναγνωριστικού πεδίου (Index)
252
Στο Παράδειγμα 33 επιλέξαμε τη δημιουργία νέου πεδίου που αποτελείται από αύξουσα αρίθμηση, με
πρώτη τιμή τον αριθμό 1. Το πεδίο αυτό μπορεί να αξιοποιηθεί για τον υπολογισμό πλήθους
παρατηρήσεων (σύνοψη δεδομένων με υπολογισμό του πλήθους παρατηρήσεων - count), καθώς
γνωρίζουμε με βεβαιότητα πως δεν θα υπάρχει κενή παρατήρηση (όπως, ενδεχομένως, να υπάρχει σε
άλλη στήλη του πίνακά μας). Τέλος, στο ίδιο παράδειγμα επιλέξαμε να «τοποθετήσουμε» το νέο πεδίο
που δημιουργήσαμε στην «αρχή» του πίνακα (1ο πεδίο που θα εμφανίζεται), καθώς συνηθίζουμε να
τοποθετούμε πρώτα τα αναγνωριστικά πεδία (κλειδιά) πινάκων («θυμίζοντας» look up πίνακες στο Excel,
όπου το πεδίο με βάση το οποίο πραγματοποιούμε αναζήτηση θα πρέπει να αποτελεί την 1 η στήλη του
πίνακα). Από την ίδια επιλογή (“Move”), θα μπορούσαμε να το τοποθετήσουμε σε οποιαδήποτε θέση
(«σειρά») μεταξύ των στηλών του πίνακα.
253
5.5 Αντικατάσταση επιλεγμένων τιμών πεδίου
Στο Παράδειγμα 32 αναφερθήκαμε στον τρόπο που μπορούμε να αντιστοιχίσουμε τις κενές και μη-κενές
τιμές των πεδίων “City”, “Country” & “Province ID”, με σκοπό να εντοπίζουμε τις πωλήσεις που
πραγματοποιούνται σε Ευρώπη και Β. Αμερική (πιο συγκεκριμένα Καναδά). Μάλιστα, έχουμε τη
δυνατότητα να δημιουργήσουμε νέα στήλη από τις τιμές των παραπάνω πεδίων, κάτι που θα μας
επιτρέψει να απεικονίσουμε την ίδια πληροφορία στην αναφορά μας με περισσότερο ευανάγνωστο
τρόπο. Για να αποφύγουμε τη χρήση περισσότερο σύνθετων τύπων20, ο χρήστης μπορεί, έχοντας επιλέξει
παρατήρηση που λαμβάνει την κενή τιμή (“null”), την αντικατάσταση των αντίστοιχων τιμών του ίδιου
πεδίου, με συγκεκριμένη τιμή που θα επιλέξει (π.χ. στο Παράδειγμα 34, επιλέξαμε την τιμή “CN”).
20Το ίδιο αποτέλεσμα μπορούμε να επιτύχουμε με χρήση συναρτήσεων της γλώσσας

μετασχηματισμού δεδομένων M που θα ελέγχουν εάν μία παρατήρηση του πεδίου
λαμβάνει την κενή τιμή (“null”).
254
Παράδειγμα 34. Αντικατάσταση συγκεκριμένων τιμών του πεδίου
255
Μπορούμε, πλέον, να δημιουργήσουμε απεικόνιση των πωλήσεων ανά κωδικό χώρας του πίνακα
“Global Sales”.
Επιπλέον, με βάση τις νέες τιμές του πεδίου “Country Code”, μπορούμε να δημιουργήσουμε μία νέα
σχέση με τον πίνακα “Country” που δημιουργήσαμε εισάγοντας δεδομένα, στο Παράδειγμα 30, σε
προηγούμενα μέρη της ενότητας.
Μπορούμε να αξιοποιήσουμε πεδία του πίνακα “Country” (“Country Code” ή/και “Country”), αντί του
πεδίου “Country Code” (που αξιοποιήσαμε στο Παράδειγμα 25, και το οποίο –στη συνέχεια–
καταργήσαμε) του πίνακα “Global Sales”; Η προσπάθεια αυτή περιγράφεται αμέσως μετά.
5.6 Εξάγοντας μέρος της πληροφορίας πεδίου
Προσπαθώντας να υλοποιήσουμε την παραπάνω σύνδεση μεταξύ των 2 πινάκων, εντοπίζουμε

πρόβλημα στην αντιστοίχιση των δεδομένων του πίνακα “Country” με τον αντίστοιχο πίνακα τιμών
(“Global Sales”). Το πρόβλημα που προέκυψε στη σύνδεση των δύο πινάκων οφείλεται στην τιμή που
λαμβάνει το «κοινό» πεδίο (“Country Code”): Ενώ στον πίνακα “Country” πληκτρολογήσαμε τους
διψήφιους κωδικούς κάθε χώρας (Παράδειγμα 30), το αντίστοιχο πεδίο του πίνακα “Global Sales”
δημιουργήθηκε με «διαχωρισμό» προϋπάρχοντος πεδίου (Παράδειγμα 29) με βάση τον χαρακτήρα “,”.
Μετά την εμφάνιση του συγκεκριμένου χαρακτήρα το προϋπάρχον πεδίο περιείχε κενό χαρακτήρα και,
στη συνέχεια, τους 2 χαρακτήρες του κωδικού χώρας. Π.χ. αντί της τιμής “UK” περιλαμβάνει την τιμή “
UK” (πρώτος χαρακτήρας είναι ο χαρακτήρας «διαστήματος» - “space”), με αποτέλεσμα να μην μπορεί
να δημιουργηθεί σωστή αντιστοίχιση που να επιτρέπει τη σωστή χρήση των δεδομένων των 2 πινάκων.
Παρ’όλα αυτά, μπορούμε να προχωρήσουμε σε νέο μετασχηματισμό, εξάγοντας την πληροφορία των 2
τελευταίων χαρακτήρων κάθε τιμής του πεδίου, κάτι που θα έχει ως αποτέλεσμα την αποθήκευση της
«σωστής» πληροφορίας (2 χαρακτήρες με τον κωδικό χώρας) που θα επιτρέψει τη σωστή αντιστοίχιση
με τον πίνακα “Country”, όπως προκύπτει και στο Παράδειγμα 35.
256
Παράδειγμα 35. Εξαγωγή μέρους της πληροφορίας του πεδίου
Μετά τον απλό αυτό μετασχηματισμό, τα δεδομένα του πίνακα είναι σε θέση να υποστηρίξουν τη σωστή
σχέση με τον πίνακα “Country”, όπως προκύπτει και στο Παράδειγμα 36. Το αποτέλεσμα του
συγκεκριμένου μετασχηματισμού «θυμίζει» τη χρήση της συνάρτησης RIGHT του MS Excel. Σε αντίστοιχο
αποτέλεσμα θα καταλήγαμε αξιοποιώντας τον μετασχηματισμό “Trim” του περιβάλλοντος Power Query,
κάτι που καταργούσε οποιαδήποτε κενό χαρακτήρα στην αρχή ή/και το τέλος κάθε τιμής στην επιλεγμένη
στήλη.
257
Παράδειγμα 36. Αποτέλεσμα από τη χρήση του νέου πεδίου σε σχέση άλλο πίνακα
5.7 Δημιουργώντας πεδία που λαμβάνουν τιμές ανάλογα με τις τιμές άλλου
πεδίου (Conditional Columns)
Αξιοποιώντας τις τιμές που μόλις δημιουργήσαμε, και τη συσχέτιση με τον πίνακα “Country”, μπορούμε
να προσθέσουμε ένα ακόμα πεδίο, το οποίο θα απεικονίζει ευρύτερα (σε επίπεδο ηπείρου) τα
αποτελέσματα των πωλήσεών μας.
258
Για να πραγματοποιηθεί παρόμοια ανάλυση, θα χρειαστεί να δημιουργήσουμε ένα επιπρόσθετο πεδίο
στον πίνακα “Country”, το οποίο θα λαμβάνει τιμές, ανάλογα με τις τιμές άλλων πεδίων του ίδιου πίνακα.
Η εισαγωγή του νέου πεδίου θα πραγματοποιηθεί με την επιλογή “Conditional Column”, όπως προκύπτει
στο Παράδειγμα 37.
Παράδειγμα 37. Δημιουργία πεδίου που θα λαμβάνει τιμές ανάλογα με τις τιμές άλλου
πεδίου
259
Με τον τρόπο αυτό δημιουργήσαμε το πεδίο “Continent”, το οποίο θα λαμβάνει την τιμή “North
America”, μόνο για τις πωλήσεις που πραγματοποιούνται στον Καναδά (θα χρειαστεί μεταβολή στον
τρόπο υπολογισμού του πεδίου, εάν η επιχείρηση αρχίσει να δραστηριοποιείται και στις ΗΠΑ!). Για τις
υπόλοιπες τιμές του πίνακα “Global Sales”, το συγκεκριμένο πεδίο θα λαμβάνει την τιμή “Europe”.
Να αξιοποιήσετε το πεδίο που δημιουργήσαμε σε απεικόνιση, στο χώρο αναφοράς (“Report View”),
όπου θα προκύπτει η κατανομή πωλήσεων (π.χ. με χρήση διαγράμματος «πίτας» ή Donut) στις δύο
ηπείρους που εξυπηρετεί η επιχείρηση.
5.8 Χρησιμοποιώντας μετρήσεις από διαφορετικούς πίνακες στο ίδιο visual
Μέχρι στιγμής δεν έχουμε αξιοποιήσει τα πεδία του πίνακα Targets που έχουμε δημιουργήσει. Εάν το
σύνολο των αναγκαίων σχέσεων έχει ήδη δημιουργηθεί (είτε αυτόματα, με βάση το όνομα κάθε στήλης,
260
είτε με ενέργειες του χρήστη), θα μπορούσαμε να αξιοποιήσουμε και τις μετρήσεις από τον πίνακα
στοχοθεσίας που έχουμε δημιουργήσει (στο Παράδειγμα 28).
Δεν έχουμε παρά να επιλέξουμε την αντίστοιχη αριθμητική τιμή (είχαμε μετονομάσει τη στήλη σε
“Target”) καθώς και αντίστοιχο πεδίο για την «κατάτμηση» (break-down) των δεδομένων μας. Μάλιστα,
καλό θα είναι να αξιοποιήσουμε πεδία συνδεδεμένων πινάκων (και όχι του ίδιου πίνακα), όπως
υλοποιούμε στο Παράδειγμα 38, ώστε να μπορούμε να δημιουργούμε περισσότερο περίπλοκες
αναλύσεις.
Παράδειγμα 38. Αξιοποιώντας τα δεδομένα του πίνακα Targets
261
Καθώς αξιοποιούμε «διαστάσεις» των κατάλληλα συνδεδεμένων πινάκων (όχι του πίνακα Targets), που
έχουμε δει πως μπορούν να αξιοποιηθούν για ανάλυση αριθμητικών δεδομένων των υπόλοιπων
πινάκων στο μοντέλο δεδομένων μας (π.χ. European/Global Sales), θα μπορούσαμε πολύ εύκολα να
απεικονίσουμε και τις δύο μετρήσεις (π.χ. κέρδη από τον European/Global Sales, και στόχους, από τον
Targets) στην ίδια απεικόνιση (Παράδειγμα 39).
262
Παράδειγμα 39. Χρησιμοποιώντας μετρήσεις από διαφορετικούς πίνακες
Με δεδομένο το επίπεδο λεπτομέρειας στις τιμές που καταγράφουν οι δύο πίνακες (π.χ. οι στόχοι
αφορούν διαφορετικά σενάρια, αλλά τιμές για ένα και μόνο έτος), καλό θα ήταν να εισάγουμε και τα
αντίστοιχα φίλτρα, ώστε να εξασφαλίσουμε πως τα μεγέθη που έχουμε συμπεριλάβει στο ίδιο visual
263
είναι άμεσα συγκρίσιμα. Μάλιστα, στα 2 αυτά slicers, έχουμε αλλάξει την επιλογή μορφοποίησης, ώστε
να είναι εφικτή η επιλογή μίας και μόνο, από τις διαθέσιμες τιμές, κάθε φορά!
Το σημαντικότερο σημείο, όμως, στο προηγούμενο παράδειγμα αποτελεί η χρήση πεδίων των τρίτων,
κατάλληλα συνδεδεμένων πινάκων (όχι του πεδίου “Country Code” του πίνακα “European/Global Sales”
ή/και, αντίστοιχα της στήλης “Country” του πίνακα στόχων). Με τη χρήση του πεδίου του πίνακα
“Country” κατορθώνουμε να αξιοποιούμε «κοινό άξονα» (με πληροφορία χώρας ή/και Ηπείρου,
ανάλογα με το επίπεδο λεπτομέρειας που επιθυμούμε) και για τις δύο αριθμητικές τιμές, ακόμα και εάν
αυτές προέρχονται από διαφορετικούς πίνακες!
Μπορείτε να υλοποιήσετε κάτι αντίστοιχο (σύγκριση αποτελεσμάτων και στόχων με ανάλυση ανά
κατηγορία προϊόντος);
Να υλοποιήσετε τους αντίστοιχους μετασχηματισμούς στον πίνακα στόχων πωλήσεων, ώστε να

συγκρίνεται (εντός του ίδιου visual) αποτελέσματα και στόχους πωλήσεων για διαφορετικές κατηγορίες
προϊόντος ή/και χώρες!
264
ΥΠΟΕΝΟΤΗΤΑ 5. ΠΡΟΧΩΡΗΜΕΝΕΣ ΕΠΙΛΟΓΕΣ ΑΠΕΙΚΟΝΙΣΗΣ ΚΑΙ

ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ
265
1. ΕΠΙΛΕΓΟΝΤΑΣ ΤΟΝ ΤΡΟΠΟ ΔΙΑΔΡΑΣΗΣ ΜΕΤΑΞΥ ΤΩΝ ΑΠΕΙΚΟΝΙΣΕΩΝ
ΤΗΣ ΑΝΑΦΟΡΑΣ
Στο σημείο αυτό θα εξετάσουμε τον τρόπο διάδρασης (interaction) μεταξύ των διαφορετικών
απεικονίσεων, ώστε οι επιλογές του χρήστη σε ένα διάγραμμα να μεταφράζονται σε έμφαση (highlight),
φιλτράρισμα (filter) δεδομένων και στις υπόλοιπες απεικονίσεις της ίδιας σελίδας της αναφοράς.
1.1 Επιλέγοντας μέρος των δεδομένων που απεικονίζονται
Χωρίς να έχουμε επιλέξει καμία ειδική επιλογή, οι απεικονίσεις που έχουμε ήδη δημιουργήσει στο
αρχείο αναφοράς μας, διατηρούν μία προεπιλεγμένη «συμπεριφορά» διάδρασης μεταξύ τους.
Συγκεκριμένα, εάν ο χρήστης επιλέξει (αριστερό κλικ) μία (ή περισσότερες ταυτόχρονα, βλ. στη συνέχεια)
από τις κατηγορίες δεδομένων μιας απεικόνισης, τότε η απεικόνιση θα «εστιάσει» στο συγκεκριμένο
υποσύνολο δεδομένων, δίνοντας έμφαση (highlight) στο αντίστοιχο μέρος του διαγράμματος.
Η συγκεκριμένη συμπεριφορά της απεικόνισης διαφέρει από την επιλογή εμφάνισης ενός υποσυνόλου
δεδομένων που θα μπορούσαμε να δημιουργήσουμε με την εισαγωγή διαδραστικού φίλτρου (slicer).
Εάν αποφασίσουμε να «επιλέξουμε» (να εστιάσουμε την προσοχή μας) σε συγκεκριμένο μέρος των
δεδομένων μας, οι υπόλοιπες παρατηρήσεις θα εξακολουθούν να εμφανίζονται στο ίδιο διάγραμμα,
αλλά με διαφορετικό (λιγότερο έντονο χρώμα), ώστε να «ξεχωρίζει» η επιλεγμένη κατηγορία
παρατηρήσεων. Η προεπιλεγμένη συμπεριφορά των απεικονίσεών μας, προκύπτει, στο Παράδειγμα 1,
για την περίπτωση διαγράμματος στηλών, καθώς και στο Παράδειγμα 2, στην περίπτωση διαγράμματος
«πίτας».
266
Παράδειγμα 1. Επιλογή κατηγορίας δεδομένων σε διάγραμμα στηλών
267
Παράδειγμα 2. Επιλογή κατηγορίας δεδομένων σε διάγραμμα στηλών
Εντελώς αντίστοιχη συμπεριφορά παρουσιάζουν και οι υπόλοιπες κατηγορίες απεικονίσεων. Μπορείτε,

π.χ., να δώσετε έμφαση σε επιλεγμένο υποσύνολο δεδομένων που απεικονίζονται σε πίνακα (table ή/και
matrix).
268
1.2 Διάδραση μεταξύ των απεικονίσεων στην ίδια σελίδα
Παρ’ όλα αυτά, όταν σε μία σελίδα του αρχείου αναφοράς υπάρχουν περισσότερες απεικονίσεις, η
επιλογή μιας από τις κατηγορίες δεδομένων στην ενεργή-επιλεγμένη απεικόνιση, θα επηρεάσει
αντίστοιχα και τα δεδομένα που εμφανίζονται στις υπόλοιπες απεικονίσεις της ίδιας σελίδας.
Υποθέστε πως για τις ανάγκες παρακολούθησης των πωλήσεων της επιχείρησης, έχουμε δημιουργήσει
μία σελίδα (Παράδειγμα 3), στην οποία περιλαμβάνονται οι παρακάτω απεικονίσεις:
➢ Διάγραμμα στηλών με βάση τη χώρα κάθε παραγγελίας (“Sales by Country”).

➢ Διάγραμμα «πίτας», βάσει την κατηγορία προϊόντος (“Sales by Product Category”).
➢ Απεικόνιση τύπου treemap, στην οποία εμφανίζεται η αναλογία πωλήσεων για κάθε
διαφορετικό τρόπο αποστολής και συσκευασίας του προϊόντος (“Sales by Ship
Mode and Product Container”).
➢ Κάρτα στην οποία καταγράφεται εύκολα το σύνολο των πωλήσεων της επιχείρησης
(“Sales”). Παρότι η συγκεκριμένη αναφορά εστιάζει στις πωλήσεις που επιτεύχθηκαν,
για την καλύτερη πληροφόρηση του τελικού χρήστη, δίπλα στη συγκεκριμένη
απεικόνιση, επιλέξαμε την εμφάνιση του αντίστοιχου αθροίσματος κερδών (“Profit”).
Παράδειγμα 3. Το αποτέλεσμα επιλογής κατηγορίας δεδομένων στις υπόλοιπες

απεικονίσεις
269
Στη συγκεκριμένη σελίδα ο χρήστης μπορεί να επιλέξει τις πωλήσεις του Καναδά από το διάγραμμα
στηλών, κάτι που θα έχει ως αποτέλεσμα την αντίστοιχη απεικόνιση του επιλεγμένου υποσυνόλου
δεδομένων (πωλήσεις μόνο στον Καναδά), σε όλες τις απεικονίσεις της σελίδας. Π.χ. παρατηρούμε πως
οι τιμές που εμφανίζονται στις δύο απεικονίσεις τύπου κάρτας21 αφορούν το συνολικό ύψος πωλήσεων
και κερδοφορίας, αντίστοιχα, μόνο για τον Καναδά. Αντίστοιχα, στο διάγραμμα «πίτας» και treemap,
εμφανίζεται με έμφαση το υποσύνολο πωλήσεων που αφορά τις παραγγελίες που έχουν υλοποιηθεί
στον Καναδά, οπότε προκύπτει «χρωματικά» η αναλογία πωλήσεων της συγκεκριμένης χώρας, έναντι
του συνόλου των πωλήσεων.
Στη συνέχεια, ο χρήστης έχει τη δυνατότητα να προσθέσει μία ή περισσότερες χώρες στην επιλογή του,
κάτι που θα έχει ως αποτέλεσμα την αυτόματη «προσαρμογή» των υπόλοιπων απεικονίσεων. Για να
προχωρήσει σε παρόμοια επιλογή, θα χρειαστεί κρατώντας πατημένο το πλήκτρο Control, να επιλέξει
την επόμενη κατηγορία δεδομένων, οι τιμές της οποίας επιθυμεί να απεικονίζονται με «έμφαση» στα
21 Το αποτέλεσμα σε απεικόνιση κάρτας δεν θα διαφέρει από το αντίστοιχο που θα

προέκυπτε σε περίπτωση φιλτραρίσματος των δεδομένων μας με μία απεικόνιση τύπου
slicer.
270
υπόλοιπα διαγράμματα της σελίδας. Π.χ. στο Παράδειγμα 4, επιλέξαμε να εμφανίσουμε το σύνολο των
παρατηρήσεων για τις 2 χώρες, στις οποίες η επιχείρηση διατηρεί τη σημαντικότερη παρουσία. Για τον
λόγο αυτό, μετά τον Καναδά (Παράδειγμα 3), επιλέξαμε την εμφάνιση των αντίστοιχων τιμών και στην
περίπτωση της Γαλλίας, οπότε οι απεικονίσεις της σελίδας ανανεώθηκαν, ώστε να απεικονίζουν την ίδια
πληροφορία για το σύνολο των 2 επιλεγμένων χωρών. Αυτό συνέβη, καθώς ο χρήστης επέλεξε 2η τιμή
του ίδιου πεδίου (ίδια διάσταση).
271
Παράδειγμα 4. Επιλέγοντας περισσότερες κατηγορίες δεδομένων στις υπόλοιπες
απεικονίσεις
Σε αντίθεση με την επιλογή 2ης (και 3ης, κ.ο.κ.) κατηγορίας δεδομένων της ίδιας «διάστασης» (στο
Παράδειγμα 4, με βάση τις τιμές του πεδίου “Country”), εάν επιλέξουμε ένα πεδίο που αφορά
διαφορετικό πεδίο των δεδομένων μας (π.χ. στο Παράδειγμα 5, επιλέγουμε στην απεικόνιση treemap τις
πωλήσεις που αφορούν «μικρές συσκευασίες» που αποστέλλονται αεροπορικώς), και ακόμα και εάν
272
κρατήσουμε πατημένο το πλήκτρο Control, το Power BI θα δώσει έμφαση στο νέο επιλεγμένο υποσύνολο
δεδομένων: Η προηγούμενη επιλογή θα καταργηθεί!
Παράδειγμα 5. Επιλέγοντας διαφορετικά υποσύνολα δεδομένων
273
Η προεπιλεγμένη «συμπεριφορά» των απεικονίσεων της ίδιας σελίδας μπορεί πολύ εύκολα να
μεταβληθεί, όπως εξετάζουμε στη συνέχεια της ενότητας.
1.3 Καταργώντας τη διάδραση μεταξύ των απεικονίσεων
Από το μενού επιλογών “Format” (θα πρέπει να είναι επιλεγμένη-ενεργοποιημένη μία από τις
απεικονίσεις της σελίδας) μπορούμε να επιλέξουμε την εντολή αλλαγής του τρόπου διάδρασης μεταξύ
των διαφορετικών απεικονίσεων (“Edit Interactions”, Εικόνα 1).
Εικόνα 1. Επιλογές διάδρασης των απεικονίσεων της σελίδας
Με τη συγκεκριμένη εντολή, παρατηρούμε πως σε κάθε απεικόνιση της σελίδας εμφανίζονται οι

επιπρόσθετες (2 ή 3, ανάλογα με τον τύπο απεικόνισης κάθε φορά) επιλογές της Εικόνας 2. Μόνη
εξαίρεση αποτελεί η επιλεγμένη-ενεργή απεικόνιση (το διάγραμμα στηλών “Sales by Country”). Αυτό
συμβαίνει διότι, διατηρώντας επιλεγμένο το διάγραμμα στηλών, μπορούμε να επιλέξουμε τον τρόπο με
τον οποίο οι επιλογές του χρήστη στο συγκεκριμένο διάγραμμα, θα επηρεάσει τις παρατηρήσεις που
περιλαμβάνονται στις υπόλοιπες απεικονίσεις της σελίδας. Μάλιστα, η κάθε μια απεικόνιση ενδέχεται
να επηρεάζεται με διαφορετικό τρόπο, από αλλαγές της επιλογής του χρήστη στο διάγραμμα στηλών.
Εικόνα 2. Διαφορετικές επιλογές διάδρασης
274
Μεταξύ των διαθέσιμων επιλογών διάδρασης κάθε απεικόνισης (Παράδειγμα 6), στις απεικονίσεις
τύπου διαγράμματος προεπιλεγμένη εμφανίζεται η επιλογή έμφασης (“Highlight”) του αντίστοιχου
υποσυνόλου δεδομένων. Αποτέλεσμα της συγκεκριμένης επιλογής αποτελεί η έμφαση που παρέχει το
Power BI στο επιλεγμένο υποσύνολο δεδομένων, όπως είδαμε στα παραδείγματα που προηγήθηκαν.
Αντιθέτως, στις 2 απεικονίσεις τύπου κάρτας, προεπιλεγμένο τύπο διάδρασης αποτελεί η δυνατότητα
φιλτραρίσματος δεδομένων (“Filter”). Εξαιτίας της συγκεκριμένης επιλογής, το σύνολο πωλήσεων και
κερδών, προκύπτει κάθε φορά από το επιλεγμένο υποσύνολο δεδομένων, όπως εξετάσαμε
προηγουμένως. Παρατηρήστε πως για τις απεικονίσεις τύπου κάρτας δεν υπάρχει διαθέσιμη επιλογή
έμφασης (“highlight”) των δεδομένων που καταγράφονται σε αυτή.
Παράδειγμα 6. Διαφορετικές προεπιλεγμένες κατηγορίες δια-δραστικότητας
275
Από τις διαθέσιμες επιλογές θα μπορούσαμε να επιλέξουμε να εμφανίζεται σταθερά (ανεξαρτήτως,
δηλαδή, των επιλογών του χρήστη στο διάγραμμα στηλών) το σύνολο πωλήσεων και κερδοφορίας στις
2 απεικονίσεις τύπου κάρτας της σελίδας. Για να υλοποιήσουμε κάτι παρόμοιο, θα χρειαστεί να
επιλέξουμε την 3η διαθέσιμη επιλογή διάδρασης (“None”), όπως προκύπτει στο Παράδειγμα 7. Οι
επιλογές του χρήστη στην απεικόνιση διαγράμματος στηλών δεν θα επηρεάζουν, πλέον, το σύνολο
πωλήσεων ή/και κερδών που απεικονίζεται στις κάρτες!
Παράδειγμα 7. Καταργώντας τη διάδραση σε συγκεκριμένες απεικονίσεις
276
Παρ’ όλα αυτά, και μετά την παραπάνω αλλαγή στη διάδραση του διαγράμματος στηλών, ενδεχόμενη
επιλογή του χρήστη σε μία από τις κατηγορίες προϊόντος που καταγράφονται στο διάγραμμα «πίτας»
εξακολουθεί να «επηρεάζει» τα δεδομένα στις 2 κάρτες. Αυτό συμβαίνει, καθώς ο χρήστης δεν έχει
μεταβάλει τον τρόπο διάδρασης του συγκεκριμένου διαγράμματος. Θα απαιτηθεί η αντίστοιχη επιλογή
277
(“None”) στον τρόπο με τον οποίο οι επιλογές του διαγράμματος «πίτας» επηρεάζουν τις 2 απεικονίσεις
σε κάρτα. Για να μεταβάλουμε τη συγκεκριμένη επιλογή απαιτείται, διατηρώντας ενεργό το διάγραμμα
«πίτας», να επιλέγουμε την επιλογή “None” στις απεικονίσεις τύπου κάρτας (Παράδειγμα 8).
Παράδειγμα 8. Καταργώντας τη διάδραση σε συγκεκριμένες απεικονίσεις (2)
278
Nα προχωρήσετε σε κατάργηση της διάδρασης του διαγράμματος των καρτών σε ενδεχόμενες επιλογές
υποσυνόλου δεδομένων στο διάγραμμα treemap, από τον χρήστη της αναφοράς.
279
1.4 Αλλάζοντας τον τρόπο διάδρασης μεταξύ των απεικονίσεων
Αντί της κατάργησης της διάδρασης της αναφοράς που επιλέξαμε προηγουμένως, ο χρήστης θα
μπορούσε να επιλέξει το φιλτράρισμα δεδομένων (filter) και στα υπόλοιπα διαγράμματα (πέρα από τις
κάρτες που εξετάσαμε προηγουμένως) αποτελεί τον προεπιλεγμένο τρόπο διάδρασης.
Π.χ. στο Παράδειγμα 9 επιλέξαμε να δημιουργήσουμε διαφορετικό τρόπο διάδρασης για το διάγραμμα
treemap. Πλέον, ενδεχόμενη επιλογή του χρήστη σε μία κατηγορία του διαγράμματος treemap:
➢ Θα φιλτράρει τα δεδομένα στις 2 κάρτες (δεν έχουμε μεταβάλει τον προεπιλεγμένο

τύπο διάδρασης στις 2 αυτές απεικονίσεις).
➢ Θα φιλτράρει (filter) τα δεδομένα που απεικονίζονται στο διάγραμμα στηλών. Ως
αποτέλεσμα της συγκεκριμένης επιλογής παρατηρούμε, μεταξύ άλλων, πως
απεικονίζεται μικρότερη κλίμακα στον κάθετο άξονα, καθώς το σύνολο πωλήσεων
ανά χώρα που απεικονίζεται ανέρχεται σε σαφώς χαμηλότερα επίπεδα.
➢ Θα δημιουργεί χρωματική έμφαση στο διάγραμμα πίτας, καθώς δεν επιλέξαμε να
μεταβάλουμε τον προεπιλεγμένο τύπο διάδρασης του συγκεκριμένου διαγράμματος.
Παρ’ όλα αυτά, παρατηρούμε πως εστιάζοντας αποκλειστικά στις πωλήσεις που
αποστάλθηκαν αεροπορικώς και σε μικρό κουτί (επιλογή του χρήση στο Παράδειγμα
9), φαίνεται να αποκλείονται όλες οι παραγγελίες της κατηγορίας επίπλων
(“Furniture”, στο διάγραμμα «πίτας»).
280
Παράδειγμα 9. Διάδραση φιλτραρίσματος δεδομένων
Αφού μεταβάλουμε τον τύπο διάδρασης που επιθυμούμε, είναι σκόπιμο να απενεργοποιήσουμε την
επιλογή “Edit Interactions” (μενού επιλογών “Format”), ώστε να αποκρυφτούν οι σχετικές επιλογές και
281
η εικόνα της σελίδας που έχουμε δημιουργήσει να αποτελεί εύχρηστη αναφορά για την παροχή της
σχετικής πληροφόρησης.
Σημείωση: Στο σημείο αυτό πρέπει να υπογραμμιστεί πως, πέρα από τις επιλογές του χρήστη σε
επιμέρους απεικονίσεις, το διαδραστικό φίλτρο (slicer) που είχαμε εισάγει στην ίδια σελίδα, εξακολουθεί
να φιλτράρει τα δεδομένα, περιορίζοντας τις παρατηρήσεις που απεικονίζονται σε αυτές που αφορούν
το έτος 2011.
Μπορείτε να σκεφτείτε έναν τρόπο να απενεργοποιήσετε τις επιπτώσεις από τις επιλογές του χρήστη
σχετικά με το έτος παραγγελιών σε μία ή περισσότερες από τις απεικονίσεις της σελίδας;
2. ΑΝΑΛΥΣΗ ΣΕ ΔΙΑΦΟΡΕΤΙΚΟ ΕΠΙΠΕΔΟ ΛΕΠΤΟΜΕΡΕΙΑΣ (DRILL-DOWN)
Στο σημείο αυτόθα εξετάσουμε τη δυνατότητα ταχύτατης μετάβασης, εντός της ίδιας απεικόνισης, σε
διαφορετικό επίπεδο λεπτομέρειας αξιοποιώντας περισσότερα του ενός πεδία δεδομένων.
Επιπρόσθετα, θα μελετήσουμε τη δυνατότητα αλλαγής της διαδραστικότητας μιας απεικόνισης για την
ευκολότερη-ταχύτερη μετάβαση σε διαφορικό επίπεδο λεπτομέρειας και θα εξετάσουμε τις
ιδιαιτερότητες της ιεραρχίας δεδομένων που δημιουργείται στην περίπτωση δεδομένων υπό μορφή
ημερομηνίας.
2.1 Απεικόνιση σε διαφορετικό επίπεδο ιεραρχίας
Στο σημείο αυτό θα υποθέσουμε πως μας ενδιαφέρει η απεικόνιση πληροφορίας βάσει ιεραρχίας
δεδομένων που έχουμε δημιουργήσει. Το Power BI μας επιτρέπει να μεταβάλλουμε το επίπεδο
λεπτομέρειας που θα απεικονίζεται μεταξύ των διαφορετικών πεδίων που απαρτίζουν την ιεραρχία,
χωρίς να απαιτείται να προσθέτουμε ή/να καταργούμε πεδία από την απεικόνιση. Στο Παράδειγμα 10,
έχουμε επιλέξει την εμφάνιση της κερδοφορίας, για το έτος 2011, με βάση την ιεραρχία της γεωγραφικής
πληροφορίας που έχουμε δημιουργήσει (με βάση τα πεδία “Continent” & “Country”).
282
Παράδειγμα 10. Απεικόνιση ιεραρχίας δεδομένων
Παρατηρούμε πως, αυτή τη φορά, στο «επάνω» και «προς τα αριστερά» μέρος της απεικόνισης
διαγράμματος στηλών εμφανίζονται οι επιπρόσθετες επιλογές που παρουσιάζονται στην Εικόνα 3. Η
εμφάνιση των συγκεκριμένων επιλογών, που οφείλεται στην παρουσία ιεραρχίας (αντί απλού,
μοναδικού, πεδίου δεδομένων) στην επιλογή οριζόντιου άξονα (axis), μας επιτρέπει την εύκολη
μετάβαση σε διαφορετικό επίπεδο λεπτομέρειας της ιεραρχίας εντός της ίδιας απεικόνισης.
Εικόνα 3. Επιλογές εμφάνισης της ίδιας πληροφορίας σε διαφορετικό επίπεδο

λεπτομέρειας
283
Από την απεικόνιση στο διάγραμμα στηλών προκύπτει πως η κερδοφορία της επιχείρησης για το
επιλεγμένο έτος ήταν σαφώς υψηλότερη στο Β. Αμερικανικό ημισφαίριο έναντι της ευρωπαϊκής ηπείρου.
Παρ’όλα αυτά, είναι σύνηθες να μας ενδιαφέρει η περισσότερο λεπτομερής απεικόνιση της ίδιας
πληροφορίας (π.χ. στη συγκεκριμένη περίπτωση σε επίπεδο χώρας).
Από την πρώτη διαθέσιμη επιλογή μετάβασης στο επόμενο επίπεδο λεπτομέρειας (“Go to the next
level”), μπορούμε -διατηρώντας ίδιες τις υπόλοιπες επιλογές της απεικόνισης- να μεταφερθούμε στο
επόμενο «προς τα κάτω» επίπεδο της ιεραρχίας (“Country”), όπου θα εμφανίζεται περισσότερο
λεπτομερώς η ίδια πληροφορία. Με τον τρόπο αυτό, δεν απαιτείται η προσθήκη ή κατάργηση πεδίων
στην απεικόνιση από πλευράς τελικού χρήστη της αναφοράς.
Παράδειγμα 11. Απεικόνιση σε επίπεδο χώρας
284
2.2 Ανάλυση σε διαφορετικό επίπεδο λεπτομέρειας
Για την επιλογή απεικόνισης πληροφορίας σε διαφορετικό επίπεδο λεπτομέρειας, δεν είναι απαραίτητη
η εκ των προτέρων δημιουργία ιεραρχίας στα δεδομένα μας. Αντιθέτως, θα μπορούσαμε να
τοποθετήσουμε τα (περισσότερα του ενός) επιθυμητά πεδία δεδομένων στον οριζόντιο άξονα του
διαγράμματος, όπως απεικονίζεται στο Παράδειγμα 12,ώστε το Power BI να τα θεωρήσει ως μέρη
ιεραρχίας (implied hierarchy).
Παράδειγμα 12. Απεικόνιση σε διαφορικό επίπεδο λεπτομέρειας
285
Στο σημείο αυτό θα πρέπει να σημειωθεί πως τα δύο πεδία που θα προστεθούν στον οριζόντιο άξονα
δεν είναι υποχρεωτικό να αποτελούν διαφορετικό επίπεδο λεπτομέρειας του ίδιου τύπου πληροφορίας
(π.χ. γεωγραφικής, όπως στο Παράδειγμα 12).
Στο Παράδειγμα 13, επιλέξαμε την εμφάνιση της κατηγορίας προϊόντος και συσκευασίας. Αρχικά στο
διάγραμμα εμφανίζεται το πρώτο πεδίο που τοποθετήσαμε στον οριζόντιο άξονα (“Product Category”).
286
Η επιλογή μετάβασης σε επόμενο επίπεδο λεπτομέρειας, θα μας επιτρέψει την απεικόνιση του 2ου
πεδίου που έχουμε επιλέξει για το διάγραμμα (“Product Container”).
Παράδειγμα 13. Απεικόνιση πεδίων που καταγράφουν διαφορετικού τύπου

πληροφόρηση
Η επιλογή απεικόνισης δύο, εκ πρώτης όψεως μη-συναφών, πεδίων (πεδίων που καταγράφουν
διαφορετικού τύπου πληροφορίας) στο ίδιο διάγραμμα μάς επιτρέπει τη χρήση της επιλογής “Expand”.
Προχωρώντας στη σχετική επιλογή, στο διάγραμμα θα εμφανιστούν όλοι οι δυνατοί συνδυασμοί των 2
287
πεδίων. Με δεδομένη την ταξινόμηση των παρατηρήσεων βάσει του αριθμητικού πεδίου που
απεικονίζεται (“Profit”), στο διάγραμμα -πλέον- εμφανίζονται όλοι οι δυνατοί συνδυασμοί κατηγορίας
προϊόντος και συσκευασίας σε φθίνουσα ταξινόμηση κερδοφορίας.
2.3 Διαδραστική απεικόνιση σε διαφορετικό επίπεδο λεπτομέρειας
Μόλις ο χρήστης τοποθετήσει περισσότερα του ενός πεδία (ανεξαρτήτως εάν αυτά ανήκουν σε ιεραρχία
ή όχι) στον οριζόντιο άξονα ενός διαγράμματος εμφανίζονται οι επιλογές της Εικόνας 3, όπως εξετάσαμε
αναλυτικά, προηγουμένως. Η επιπρόσθετη επιλογή που τοποθετείται στο «επάνω» και «προς τα δεξιά»
μέρος του διαγράμματος (“Drill Mode”) μάς επιτρέπει να αλλάξουμε τη διαδραστικότητα της
απεικόνισης (η ίδια επιλογή είναι διαθέσιμη και στο μενού επιλογών "Data / Drill”). Συγκεκριμένα, η
ενεργοποίηση της σχετικής επιλογής επιτρέπει την ευκολότερη μετάβαση στο αμέσως επόμενο επίπεδο
λεπτομέρειας, μόλις ο χρήστης επιλέξει (κλικ) μία κατηγορία δεδομένων. Έτσι, αντί της επιλογής
συγκεκριμένης υποκατηγορίας δεδομένων, η επιλογή του χρήστη οδηγεί σε περισσότερο λεπτομερή
ανάλυση της πληροφορίας που απεικονίζεται (για την συγκεκριμένη κατηγορία δεδομένων).
Επανερχόμενοι στην περίπτωση του Παραδείγματος 12, όπου απεικονίζουμε σε διάγραμμα στηλών την
κερδοφορία που προκύπτει για κάθε κατηγορία, υποκατηγορία και προϊόν της επιχείρησης, μπορούμε
να επιλέξουμε να ενεργοποιήσουμε την επιλογή “Drill Mode”. Σε αυτήν την περίπτωση, η επιλογή μιας
κατηγορίας προϊόντος από τον χρήστη, θα έχει ως αποτέλεσμα την εμφάνιση πληροφορίας σε
υψηλότερο βαθμό λεπτομέρειας και μόνο για τις επιμέρους υποκατηγορίες της επιλεγμένης κατηγορίας
προϊόντος.
Π.χ. στο Παράδειγμα 14, διατηρώντας ενεργοποιημένη την επιλογή “Drill Mode”, αρκεί η επιλογή της
κατηγορίας προϊόντος τεχνολογίας (“Technology”) για την περισσότερο αναλυτική παράθεση
πληροφορίας για όλες τις επιμέρους υποκατηγορίες της (χωρίς την εμφάνιση υποκατηγοριών που
αντιστοιχούν στις υπόλοιπες κατηγορίες προϊόντος).
288
Παράδειγμα 14. Διαδραστική αλλαγή του επιπέδου λεπτομέρειας
Ακόμα και μετά την ενεργοποίηση της επιλογής “Drill Mode”, ο χρήστης διατηρεί τη δυνατότητα
μετάβασης σε διαφορετικό επίπεδο λεπτομέρειας για το σύνολο των παρατηρήσεων (όχι για επιμέρους
κατηγορία δεδομένων) από τις επιλογές που εξετάσαμε προηγουμένως. Μπορείτε να επιβεβαιώσετε το
παραπάνω σημείο, επιλέγοντας τη μετάβαση στο επόμενο επίπεδο λεπτομέρειας (που θα οδηγήσει σε
εμφάνιση σε επίπεδο υποκατηγορίας) ανεξαρτήτως κατηγορίας προϊόντος. Στη συνέχεια, με
289
ενεργοποιημένη την επιλογή “Drill Mode”, μπορείτε να μεταβείτε στις επιμέρους υποκατηγορίες κάθε
κατηγορίας προϊόντος.
2.4 Ανάλυση σε διαφορετικό επίπεδο, σε πεδίο ημερομηνίας
Ειδική κατηγορία δεδομένων αποτελεί η καταγραφή πληροφορίας σε μορφή ημερομηνίας. Τα

αντίστοιχα πεδία γίνονται αντιληπτά από την εφαρμογή, οπότε η τοποθέτηση ενός παρόμοιου πεδίου
αρκεί για την αυτόματη δημιουργία ιεραρχίας τύπου ημερομηνίας (π.χ. έτος, τρίμηνο, μήνα, κ.ο.κ.).
Για τις ανάγκες του διαγράμματος στηλών στο Παράδειγμα 15, μόλις ο χρήστης τοποθέτησε το πεδίο
“Order Date” στον οριζόντιο άξονα της απεικόνισης, δημιουργήθηκε ιεραρχία Έτους, Τριμήνου, Μήνα
και Ημέρας (εάν το πεδίο “Order Date” περιείχε και πληροφορίες σχετικά με την ώρα της παραγγελίας,
η ανάλυση θα μπορούσε να γίνει ακόμα περισσότερο λεπτομερής). Η παρουσίαση της σχετικής
πληροφορίας πραγματοποιείται σε επίπεδο έτους, ενώ ο χρήστης διατηρεί τη δυνατότητα να επιλέξει
την αντίστοιχη εμφάνιση σε χαμηλότερο επίπεδο ιεραρχίας, κάτι που θα έχει ως αποτέλεσμα την
περισσότερο λεπτομερή απεικόνιση δεδομένων, π.χ. ανά τρίμηνο, ανά μήνα, κ.ο.κ.
Διατηρώντας ενεργοποιημένη την επιλογή “Drill Mode”, μπορούμε να εστιάσουμε την προσοχή μας στο
έτος 2011, οπότε προκύπτει περαιτέρω ανάλυση των 4 τριμήνων του έτους. Στη συνέχεια, εάν μας
ενδιαφέρει περαιτέρω ανάλυση των τριμηνιαίων κερδών, μπορούμε να επιλέξουμε, π.χ. το 4ο τρίμηνο
του έτους, κάτι που θα οδηγήσει σε απεικόνιση της κερδοφορίας που προκύπτει σε μηνιαία βάση, για
την αντίστοιχη περίοδο (4ο τρίμηνο) του ίδιου έτους.
290
Παράδειγμα 15. Η ιεραρχία δεδομένων σε μορφή ημερομηνίας
291
Τι διαφορά έχει η επιλογή μετάβασης σε διαφορετικό επίπεδο λεπτομέρειας (“Go to the next level in the
hierarchy”) από την επιλογή συγκεκριμένης χρονικής περιόδου με ενεργοποιημένη την επιλογή “Drill
Mode”, όπως στην περίπτωση του Παραδείγματος 14;
3. ΔΙΑΓΡΑΜΜΑΤΑ ΔΙΑΣΠΟΡΑΣ ΜΕ «ΚΙΝΗΣΗ» ΣΤΟ ΠΕΡΑΣΜΑ ΤΟΥ

ΧΡΟΝΟΥ
Στο σημείο αυτόθα εξετάσουμε τον τρόπο με τον οποίο μπορούμε να εισάγουμε «κίνηση» σε
διαγράμματα διασποράς για την απεικόνιση πληροφορίας ημερομηνίας ή/και άλλου τύπου δεδομένων.
3.1 Το πέρασμα του χρόνου ως «κίνηση» σε διάγραμμα διασποράς
Επανερχόμαστε σε διάγραμμα διασποράς (scatter plot) που έχουμε δημιουργήσει σε προηγούμενη

ενότητα του μαθήματος, και στο οποίο απεικονίζουμε το μεταφορικό κόστος και την κερδοφορία της
επιχείρησης, στον οριζόντιο και τον κάθετο άξονα, αντίστοιχα. Αυτή τη φορά επιλέγουμε την απεικόνιση
292
των αριθμητικών δεδομένων για κάθε χώρα χωριστά22 ενώ έχουμε επιλέξει το μέγεθος κάθε σημείου να
προκύπτει αναλογικά με το ύψος πωλήσεων στην κάθε χώρα (Παράδειγμα 16).
Παράδειγμα 16. Στατικό διάγραμμα διασποράς
Από τις επιλογές πεδίων (“Fields”) της συγκεκριμένης απεικόνισης, και συγκεκριμένα, «κάτω» από την
επιλογή χρωματισμού κάθε σημείου βάσει πεδίου, είναι διαθέσιμη η επιλογή άξονα κίνησης (“Play
Axis”), η οποία δεν είναι διαθέσιμη εάν ο χρήστης επιλέξει άλλου τύπου μορφοποίηση. Στη συγκεκριμένη
επιλογή μπορούμε να τοποθετήσουμε πεδίο ημερομηνίας (π.χ. “Ship Date” στο Παράδειγμα 17), ώστε
τα σημεία που απεικονίζονται στο διάγραμμα να μετακινούνται ανάλογα με το χρονικό σημείο που
εξετάζει κάθε φορά το διάγραμμα.
Με την προσθήκη πεδίου ημερομηνίας στην επιλογή “Play Axis”, στο «κάτω μέρος» της απεικόνισης θα
προστεθεί άξονας ημερομηνίας, τον οποίο μπορούμε να αξιοποιήσουμε με σκοπό τη «μεταφορά» σε
22Αυτή τη φορά θα αξιοποιήσουμε τον πίνακα “Global Sales” που δημιουργήσαμε στην
προηγούμενη ενότητα του μαθήματος
293
διαφορετικό χρονικό σημείο βάσει του πεδίου ημερομηνίας (την εμφάνιση πληροφορίας που αντιστοιχεί
σε διαφορετικές χρονικές στιγμές που καταγράφονται στις τιμές του πεδίου).
Επιπλέον, στο «αριστερό μέρος» του άξονα που προστέθηκε, υπάρχει επιλογή (“Play”) που μας επιτρέπει
να απεικονίσουμε διαδοχικά τα δεδομένα του διαγράμματος, για τις διαφορετικές χρονικές στιγμές του
πεδίου ημερομηνίας (“Ship Date”), γεγονός που εισάγει κίνηση στο διάγραμμά μας!
294
Παράδειγμα 17. Διάγραμμα διασποράς με «κίνηση»
295
3.2 Αλλάζοντας τη διάρκεια κάθε χρονικού διαστήματος της «κίνησης»
Καθώς ενδεχομένως να μην είναι χρηστική η ανάλυση σε παρόμοιο επίπεδο λεπτομέρειας σχετικά με τη
χρονική διάσταση, ο χρήστης μπορεί να επιλέξει διαφορετικό επίπεδο λεπτομέρειας, βάσει της ιεραρχίας
ημερομηνίας του πεδίου που έχει τοποθετηθεί στην επιλογή “Play Axis”. Με δεξί-κλικ στο πεδίο
ημερομηνίας, μας δίνεται η δυνατότητα εμφάνισης μέρους της ιεραρχίας ημερομηνίας (έτους).
Στο Παράδειγμα 18, αντί της απεικόνισης κάθε μίας τιμής του πεδίου “Ship Date”, επιλέξαμε τη
δυνατότητα ομαδοποίησης επιμέρους παρατηρήσεων σε επίπεδο έτους. Με τον τρόπο αυτό, ο άξονας
στο «κάτω μέρος» της απεικόνισης, θα διατηρεί –πλέον– μικρότερο πλήθος τιμών (συνολικά 5 τιμές, μία
για κάθε έτος της περιόδου 2009-2013). Παρ’ όλα αυτά, η δυνατότητα «κίνησης» (επιλογή “Play”)
παραμένει.
Παράδειγμα 18. Αλλαγή του επιπέδου λεπτομέρειας στην «κίνηση» του διαγράμματος
296
3.3 Αναθέτοντας «κίνηση» σε άλλα πεδία (εκτός ημερομηνίας)
Πέρα από την περίπτωση πεδίων δεδομένων υπό μορφή ημερομηνίας, μπορούμε να αξιοποιήσουμε,
εξίσου εύκολα, άλλου τύπου πληροφορία με σκοπό να προσθέσουμε κίνηση σε διαγράμματα
διασποράς. Στο Παράδειγμα 19 αξιοποιούμε το πεδίο υποκατηγορίας δεδομένων (“Product Sub
Category”), το οποίο απεικονίζεται στον «χρονολογικό» άξονα, αν και αυτή τη φορά η πληροφορία που
απεικονίζεται δεν αφορά χρονική περίοδο. Ο χρήστης μπορεί, και πάλι, να εισάγει κίνηση στο
διάγραμμα: Στην περίπτωση αυτή, θα προκύπτει «μετακίνηση» των σημείων στο διάγραμμα διασποράς
για κάθε επιμέρους τιμή του πεδίου υποκατηγορίας δεδομένων.
297
Παράδειγμα 19. Κίνηση με βάση άλλου τύπου πεδίο
Σημείωση: Θα πρέπει να επισημανθεί στο σημείο αυτό πως οι τιμές του πεδίου που τοποθετείται στην
επιλογή “Play Axis” (“Ship Date” στα Παραδείγματα 17 & 18 και “Product Sub Category” στο Παράδειγμα
19), θα επηρεάσουν μόνο την απεικόνιση του διαγράμματος διασποράς, χωρίς να δημιουργεί κανενός
είδους διάδραση με τις υπόλοιπες απεικονίσεις της σελίδας της αναφοράς.
298
4. ΕΙΣΑΓΩΓΗ ΑΝΑΛΥΤΗ - ANALYTICS
Στο σημείο αυτόθα εξετάσουμε τη δυνατότητα εισαγωγής «αναλυτή» (analytics) στις υπάρχουσες
απεικονίσεις που έχουμε ήδη δημιουργήσει.
4.1 Εισαγωγή αναλυτή (analytics)
Στην έως τώρα περιγραφή των δυνατοτήτων του Power BI (καθώς και του αντιστοίχου πρόσθετου του
MS Excel, Power View) έχουμε αναφερθεί στις δύο ομαδοποιήσεις των επιλογών μορφοποίησης μιας
απεικόνισης: Συγκεκριμένα, έχουμε εξετάσει αναλυτικά τις επιλογές σχετικά με τα πεδία (“Fields”) που
θα εμφανίζονται και τον τρόπο παρουσίασης πληροφορίας σε κάθε διάγραμμα, πίνακα κλπ.
απεικονίσεις. Παράλληλα, έχουμε εξετάσει αρκετές από τις επιλογές μορφοποίησης (“Format”), που
επιτρέπουν στον χρήστη της εφαρμογής να επιλέξει τον τρόπο εμφάνισης των αναφορών.
Στο σημείο αυτό της ενότητας, θα εξετάσουμε την τρίτη, κατά σειρά, διαθέσιμη επιλογή που επιτρέπει
την εισαγωγή «αναλυτή», περαιτέρω -δηλαδή- ανάλυση της, ήδη, υπάρχουσας πληροφορίας σε μία
απεικόνιση. Οι επιπρόσθετες αυτές αναλύσεις διευκολύνουν τον χρήστη να αποκτήσει καλύτερη
αντίληψη για την απεικονιζόμενη πληροφορία και επιτρέπουν τη σύγκριση των δεδομένων που
προκύπτουν σε ένα διάγραμμα με κρίσιμες επιδόσεις (benchmarks). Οι αναλύσεις που είναι δυνατόν να
αξιοποιηθούν εκτείνονται από, την απλή καταγραφή χρήσιμης αριθμητικής πληροφορίας, έως την
πρόβλεψη για την μελλοντική πορεία μεγεθών, από τις έως τώρα διαθέσιμες παρατηρήσεις.
Θα πρέπει να σημειωθεί, πως οι διαθέσιμες επιλογές περαιτέρω ανάλυσης των δεδομένων θα

διαφέρουν ανάλογα με τον τύπο κάθε απεικόνισης, π.χ., εάν προσπαθήσουμε να εισάγουμε περαιτέρω
ανάλυση της πληροφορίας σε απεικόνιση τύπου κάρτας, λαμβάνουμε το προειδοποιητικό μήνυμα που
απεικονίζεται στην Εικόνα 4. Αντίστοιχα, η εφαρμογή θα μας προειδοποιήσει για αδυναμία δημιουργίας
επιπρόσθετης ανάλυσης των δεδομένων που παρουσιάζονται σε απεικόνιση τύπου πίνακα (table ή/και
matrix), «πίτας» και donut, treemap και χάρτη. Επιπρόσθετα, όπως θα γίνει περισσότερο κατανοητό στα
αμέσως επόμενα μέρη της ενότητας, ανάλογα με τον τύπο απεικόνισης, θα διαφέρει και το πλήθος από
αναλύσεις που μπορεί να εισάγει ο χρήστης.
Εικόνα 4. Αδυναμία εισαγωγής αναλυτή σε απεικόνιση τύπου κάρτας
299
Στο σημείο αυτό, και πριν ξεκινήσουμε να εξετάζουμε επιμέρους δυνατότητες δημιουργίας παρόμοιων
αναλύσεων στις απεικονίσεις μας, είναι σημαντικό να σημειωθεί πως οι διαφορετικού τύπου επιλογές
ανάλυσης εμπλουτίζονται σε τακτά χρονικά διαστήματα. Συνεπώς, ενδεχομένως στη δική σας
εγκατάσταση του Power BI, να εμφανίζονται (ή να εμφανιστούν στο μέλλον!) περισσότερες επιλογές
στην καρτέλα επιλογών “Analytics”. Για οποιαδήποτε περαιτέρω πληροφορία, μπορείτε να απευθυνθείτε
στον εκπαιδευτή σας, καθώς και στην σελίδα τεχνικής υποστήριξης της εφαρμογής της Microsoft.
4.2 Εισαγωγή αναλυτή σε διάγραμμα «σωρευμένων» (stacked) στηλών ή

ράβδων
Την απλούστερη μορφή περαιτέρω ανάλυσης των δεδομένων σε μία απεικόνιση αποτελεί η δυνατότητα
προσθήκης «γραμμών» που θα διευκολύνουν τον χρήστη να αντιλαμβάνεται το επίπεδο τιμών, έναντι
π.χ. μιας συγκεκριμένης, προεπιλεγμένης, τιμής. Ο συγκεκριμένος τύπος ανάλυσης των δεδομένων μας
είναι και ο μόνος που μπορεί να εισαχθεί σε ένα διάγραμμα «σωρευμένων» (clustered) στηλών ή ράβδων
Για τις ανάγκες του Παραδείγματος 20, επιλέξαμε σε ένα διάγραμμα «σωρευμένων» στηλών που
εμφανίζει το επίπεδο κερδών ανά κατηγορία προϊόντων για κάθε ευρωπαϊκή χώρα, να εμφανίσουμε
οριζόντια γραμμή στο επίπεδο των 150,000 (το επίπεδο αυτό θα μπορούσε να αποτελεί στόχο
κερδοφορίας για κάθε ευρωπαϊκή χώρα στην οποία δραστηριοποιείται η επιχείρηση). Με τον τρόπο
300
αυτό είναι ευκολότερο για τον χρήστη της αναφοράς να αντιληφθεί το ύψος κερδών κάθε χώρας, σε
σχέση με το επιθυμητό επίπεδο των 150,000.
Από το μενού επιλογών “Constant Line” επιλέξαμε την εντολή “+ Add”, για τη δημιουργία νέας γραμμής.
Μάλιστα, ο χρήστης έχει επιλέξει να μορφοποιήσει την οριζόντια γραμμή, αξιοποιώντας ένα από τα
διαθέσιμα χρώματα που δεν χρησιμοποιούνται στο διάγραμμα, καθώς και να προσθέσει «ετικέτα» τιμών
(π.χ. μορφοποίηση σε χιλιάδες, όπως για τις ανάγκες του Παραδείγματος 20). Με τον τρόπο αυτό
προκύπτει ευκολότερα το επίπεδο κερδοφορίας που καταγράφεται από την οριζόντια γραμμή που
δημιουργήσαμε.
301
Παράδειγμα 20. Εισαγωγή γραμμής που απεικονίζει συγκεκριμένη τιμή
302
303
Στη συνέχεια, με ανάλογο τρόπο (“+ Add”), μπορούμε να εισάγουμε μία επιπρόσθετη οριζόντια γραμμή,
σε διαφορετικό επίπεδο τιμών, όπως προκύπτει στο Παράδειγμα 21. Παρατηρούμε πως ακόμα και εάν
κλείσουμε το μενού επιλογών γραμμών σταθερής τιμής, η εφαρμογή θα μας «υπενθυμίζει» το συνολικό
πλήθος από παρόμοιες γραμμές που έχουμε εισάγει στην τρέχουσα απεικόνιση.
Παράδειγμα 21. Εισαγωγή γραμμής που απεικονίζει 2ο επίπεδο τιμών
304
Στο σημείο αυτό θα πρέπει να σημειωθεί πως με εντελώς παρόμοιο τρόπο θα μπορούσαμε να
δημιουργήσουμε μια κάθετη, αυτή τη φορά, γραμμή που θα απεικονίζει συγκεκριμένο επίπεδο τιμών
305
και σε ένα διάγραμμα οριζόντιων στηλών (ράβδων). Εμφανισιακά, το αποτέλεσμα θα είναι το ίδιο με
αυτό που έχουμε στο Παράδειγμα 22, όπου απλά επιλέξαμε να «αλλάξουμε» τον τύπο απεικόνισης σε
διάγραμμα “Clustered bar ” (από “Clustered column” προηγουμένως).
Παράδειγμα 22. Απεικόνιση συγκεκριμένου επιπέδου τιμών σε διάγραμμα (οριζόντιων)

ράβδων
Με εντελώς ανάλογη διαδικασία μπορούμε να δημιουργήσουμε γραμμές που θα εμφανίζουν

συγκεκριμένο επίπεδο τιμών και στην περίπτωση διαγραμμάτων 100% σωρευμένων ράβδων και στηλών,
αντίστοιχα.
306
4.3 Εισαγωγή αναλυτή σε διάγραμμα «κατά τμήματα» (clustered) στηλών ή
ράβδων
Σε αντιδιαστολή με την παραπάνω περίπτωση που είδαμε πως μόνη επιλογή αποτελεί η δημιουργία
γραμμής συγκεκριμένου επιπέδου τιμών, στην περίπτωση των διαγραμμάτων «κατά τμήματα» στηλών
ή ράβδων (clustered column & clustered bar, αντίστοιχα) μπορούμε να δημιουργήσουμε επιπρόσθετες
αναλύσεις.
Συγκεκριμένα, πέρα από τις γραμμές σταθερού επιπέδου τιμών, μπορούμε να εισάγουμε γραμμές23, στο
επίπεδο της ελάχιστης (επιλογή “Min Line”) ή/και της μέγιστης τιμής (“Max Line”), μεταξύ των τιμών που
εμφανίζονται στο διάγραμμα. Επιπρόσθετα, μπορούμε να δημιουργήσουμε γραμμές που θα
καταγράφουν τον μέσο όρο ή/και τον διάμεσο των απεικονιζόμενων τιμών (επιλογές “Average Line” και
“Median Line”, αντίστοιχα). Από το ίδιο μενού επιλογών, έχουμε τη δυνατότητα να εισάγουμε γραμμή,
η οποία θα απεικονίζει το επίπεδο τιμών που αντιστοιχεί σε επιλεγμένο εκατοστημόριο (percentile) των
παρατηρήσεων.
Στο Παράδειγμα 23, μετατρέποντας την απεικόνιση σε διάγραμμα «κατά τμήματα» στηλών,
παρατηρούμε πως -πλέον- παρέχεται η δυνατότητα εισαγωγής «νέας» γραμμής στο επίπεδο του μέσου
όρου των τιμών του διαγράμματος.
23Οριζόντιες στην περίπτωση ενός διαγράμματος στηλών (Clustered column) ή/και

κάθετες σε ένα διάγραμμα ράβδων (Clustered bar).
307
Παράδειγμα 23. Προσθήκη γραμμής στο επίπεδο του μέσου όρου των παρατηρήσεων
Η οριζόντια γραμμή που δημιουργήσαμε, σε αντιδιαστολή με την αντίστοιχη γραμμή που απεικονίζει
σταθερό επίπεδο τιμών, διατηρεί διαδραστική συμπεριφορά. Εάν ο χρήστης επιλέξει να προσθέσει, να
αφαιρέσει ή να μεταβάλει (π.χ. με χρήση κάποιου φίλτρου) τις τιμές που απεικονίζονται στην αναφορά,
ο μέσος όρος των διαθέσιμων τιμών θα επανα-υπολογίζεται. Π.χ. η οριζόντια γραμμή του Παραδείγματος
23 καταγράφει τον μέσο όρο των 12 διαφορετικών τιμών του διαγράμματος (4 χώρες x 3 κατηγορίες
δεδομένων = 12, συνολικά, παρατηρήσεις σχετικά με τα κέρδη της επιχείρησης). Εάν, παρ’όλα αυτά, ο
χρήστης επιλέξει να καταργήσει τη λεπτομερή ανάλυση για κάθε κατηγορία προϊόντος, η γραμμή μέσου
όρου θα υπολογίζει το αντίστοιχο μέγεθος που προκύπτει για τις 4 παρατηρήσεις κερδοφορίας σε κάθε
μία από τις ευρωπαϊκές χώρες δραστηριοποίησης της επιχείρησης (Παράδειγμα 24).
308
(2)
Φυσικά, με εντελώς αντίστοιχο τρόπο, θα μπορούσαμε να εισάγουμε (κάθετη, αυτή τη φορά) γραμμή σε
ένα διάγραμμα ράβδων (clustered bar). Στο Παράδειγμα 25 προκύπτει η εμφάνιση που έχει το
διάγραμμα του Παραδείγματος 24, για το οποίο και επιλέξαμε τη μετατροπή του σε διάγραμμα ράβδων.
309
310
σε διάγραμμα ράβδων (clustered bar)
Να δημιουργήσετε αντίστοιχες γραμμές που θα απεικονίζουν τον διάμεσο των παρατηρήσεων,

χρησιμοποιώντας την εντολή εισαγωγής γραμμής διαμέσου (“Median Line”). Επιπλέον, να
μορφοποιήσετε με βάση τις επιλογές σας τους 2 αναλυτές που δημιουργήσατε.
Εντελώς αντίστοιχα, ο χρήστης μπορεί να εισάγει γραμμή, η οποία θα απεικονίζει το επιλεγμένο

εκατοστημόριο της κατανομής των δεδομένων που απεικονίζονται στο διάγραμμα, κάτι που
πραγματοποιούμε στο Παράδειγμα 26. Τι θα συμβεί εάν ο χρήστης αποφασίσει να καταργήσει την
ανάλυση με βάση την κατηγορία προϊόντος;
311
Παράδειγμα 26. Προσθήκη γραμμής στο επίπεδο του επιλεγμένου εκατοστημορίου
(percentile)
312
313
Να προσθέσετε, μία ακόμα γραμμή, που θα καταγράφει το επίπεδο που αναλογεί στο 15ο εκατοστημόριο
των τιμών του διαγράμματος.
4.4 Εισαγωγή γραμμής τάσης σε διάγραμμα γραμμής
Πέρα από τις δυνατότητες εισαγωγής αναλυτή (analytics) που εξετάσαμε παραπάνω, οι απεικονίσεις σε
διαγράμματα γραμμής μας επιτρέπουν να εισάγουμε 2 επιπρόσθετους τύπους αναλύσεων.
Συγκεκριμένα, σε διαγράμματα γραμμής του Power BI μπορούμε να εισάγουμε γραμμή τάσης (“Trend
Line”), που θα έχει εντελώς αντίστοιχα αποτελέσματα με την εισαγωγή γραμμής τάσης σε ένα διάγραμμα
σε υπολογιστικό φύλλο24.
Αρχικά, επιλέγουμε να δημιουργήσουμε ένα διάγραμμα γραμμής, στο οποίο θα απεικονίζουμε τη

διαχρονική εξέλιξη κερδοφορίας στις 2 ηπείρους όπου δραστηριοποιείται η επιχείρηση. Σε ό,τι αφορά
το πεδίο ημερομηνίας (“Order Date”, που απεικονίζεται στον οριζόντιο άξονα του διαγράμματος),
επιλέξαμε τη χρήση της ιεραρχίας ημερομηνίας (τι θα συνέβαινε εάν δεν ενεργοποιούσαμε τη
συγκεκριμένη επιλογή;), καθώς και την απεικόνιση δεδομένων ανά μήνα (καταργήσαμε το πεδίο ημέρας
– “Day” από την ιεραρχία ημερομηνίας, όπως απεικονίζεται στην επιλογή “Axis”). Ακόμα και πριν
εισάγουμε γραμμή τάσης, παρατηρήσαμε στο διάγραμμα μία αυξητική τάση της κερδοφορίας στην
Ευρώπη, σε αντιδιαστολή με τη δραστηριότητα της εταιρείας στο Β. Αμερικανικό ημισφαίριο
Στη συνέχεια, επιλέγουμε την εισαγωγή γραμμής τάσης, από τη σχετική εντολή (“+ Add”). Με τη σχετική
επιλογή εισάγεται μοναδική γραμμή τάσης, η οποία και αφορά το σύνολο κερδοφορίας, σε Ευρώπη και
Αμερική (κάτι που επιβεβαιώνουμε, παρακάτω, καταργώντας την περαιτέρω γεωγραφική ανάλυση, στο
Παράδειγμα 28).
Η συγκεκριμένη συμπεριφορά της γραμμής τάσης οφείλεται στην ενεργοποιημένη επιλογή “Combine
Series”. Μόλις απενεργοποιήσουμε τη σχετική επιλογή, στο διάγραμμα θα δημιουργηθούν 2 διακριτές
εκτιμήσεις, σχετικά με την τάση κερδοφορίας στις 2 ηπείρους, αντίστοιχα. Πλέον, επιβεβαιώνουμε την
εκτίμησή μας, σχετικά με την αύξουσα τάση κερδοφορίας στην Ευρώπη και τις αντίστοιχες φθίνουσες
προοπτικές στη Β. Αμερική!
24Θα πρέπει να σημειωθεί πως η επιλογή εισαγωγής γραμμής τάσης σε διάγραμμα στο
MS Excel είναι διαθέσιμη, ακόμα και σε διαγράμματα «κατά τμήματα» (clustered) ράβδων
και στηλών, κάτι που (έως τώρα, τουλάχιστον) δεν είναι διαθέσιμο στην εφαρμογή.
Επιπλέον, με χρήση της συνάρτησης TREND του Excel, ο χρήστης μπορεί, στη συνέχεια, να
αξιοποιήσει τα αποτελέσματα των εκτιμήσεών του με εναλλακτικούς τρόπους. Παρ’όλα
αυτά, τα αντίστοιχα διαγράμματα του Power BI διατηρούν πολύ περισσότερες δυνατότητες
διάδρασης, όπως θα πρέπει να έχει γίνει κατανοητό έως τώρα.
314
Παράδειγμα 27. Προσθήκη γραμμής τάσης σε διάγραμμα γραμμής (1)
315
Παράδειγμα 28. Προσθήκη γραμμής τάσης σε διάγραμμα γραμμής (2)
316
Παρατηρήστε, τέλος, πως μόλις δημιουργήσουμε μία γραμμή τάσης στο διάγραμμα, απενεργοποιείται
η δυνατότητα δημιουργίας μίας νέας γραμμής τάσης25 (η επιλογή “+ Add” δεν εμφανίζεται πλέον, θα
καταστεί διαθέσιμη εάν ο χρήστης καταργήσει την υπάρχουσα γραμμή τάσης).
4.5 Δημιουργώντας εκτιμήσεις για την μελλοντική εξέλιξη των μεγεθών σε

διάγραμμα γραμμής
Επιλέγοντας την απεικόνιση μιας μόνο σειράς δεδομένων (όπως στην περίπτωση του Παραδείγματος 28)
μπορούμε, ακόμα και εάν δεν εκτιμήσουμε προηγουμένως τη γραμμής τάσης, να αποκτήσουμε
25Η συμπεριφορά αυτή διαφέρει από την αντίστοιχη του MS Excel, όπου ο χρήστης μπορεί
να εισάγει περισσότερες της μιας γραμμής τάσης, π.χ. μία γραμμική και μία υψηλότερης
τάξης (πολυώνυμο 2ης, 3ης τάξης, κ.ο.κ.).
317
εκτιμήσεις σχετικά με την μελλοντική εξέλιξη των ίδιων μεγεθών για επιλεγμένο χρονικό διάστημα
(επιλογή “Forecast”). Αντίστοιχη επιλογή είναι μεν διαθέσιμη στο MS Excel, αλλά με την «εμπλοκή»26 του
χρήστη και χωρίς το ίδιο επίπεδο διάδρασης με τους υπόλοιπους υπολογισμούς και απεικονίσεις στο
ίδιο φύλλο εργασίας.
Στη συγκεκριμένη περίπτωση, θα υποθέσουμε πως μας ενδιαφέρει η εκτίμηση της μελλοντικής εξέλιξης
των πωλήσεων που επιτυγχάνουμε παγκοσμίως. Αφού δημιουργήσουμε ένα διάγραμμα γραμμής, με την
εξέλιξη πωλήσεων σε μηνιαία βάση (Παράδειγμα 29), θα επιλέξουμε την εισαγωγή εκτίμησης
(“Forecast”) σχετικά με το μέγεθος που απεικονίζεται στο διάγραμμα. Παρατηρούμε πως με διαφορετικό
χρώμα27 η εφαρμογή μας παρέχει εκτίμηση που εκτείνεται σε 10 χρονικές περιόδους στο μέλλον.
26Τουλάχιστον στις έως πρόσφατα διαθέσιμες εκδόσεις του MS Excel, είναι αναγκαία η
χρήση της συνάρτησης FORECAST και, στη συνέχεια, η απεικόνιση των αποτελεσμάτων
της σε διάγραμμα της επιλογής του χρήστη.
27Μπορούμε να αλλάξουμε τις αντίστοιχες επιλογές μορφοποίησης της απεικόνισης των
δεδομένων της εκτίμησης, καθώς και του εύρους του διαστήματος εμπιστοσύνης.
318
Παράδειγμα 29. Εκτιμώντας τη μελλοντική εξέλιξη μεγεθών
319
320
Επιπλέον, μπορούμε να ενισχύσουμε την προβλεπτική ικανότητα της εκτίμησής μας, ενημερώνοντας την
εφαρμογή σχετικά με την περιοδικότητα (seasonality) στις παραιτήσεις μας. Καθώς τα δεδομένα που
απεικονίζονται καταγράφονται σε μηνιαία βάση, εισάγουμε τον αριθμό 12 στη σχετική επιλογή.
Παρατηρούμε πως, με τον τρόπο αυτό, η εφαρμογή καταλήγει σε εκτιμήσεις που «θυμίζουν» τον τρόπο
διακύμανσης των πωλήσεων της επιχείρησής μας.
Παράδειγμα 30. Λαμβάνοντας υπόψη εποχικούς παράγοντες στην εκτίμηση μας
321
Τέλος, μία ακόμα δυνατότητα των υπολογισμών που υλοποιεί η εφαρμογή, μας επιτρέπει να ελέγχουμε
την ακρίβεια της εκτίμησης, με βάση διαθέσιμες τιμές σχετικά με το επίπεδο πωλήσεων της επιχείρησης:
Συγκεκριμένα, επιλέγοντας να αγνοήσουμε τις διαθέσιμες τιμές δεδομένων μας για έναν αριθμό από
σημεία (στο Παράδειγμα 31 επιλέγουμε να αγνοήσουμε τις 2 τελευταίες παρατηρήσεις των δεδομένων
μας), μπορούμε να ζητήσουμε από την εφαρμογή να προχωρήσει σε εκτίμηση της μελλοντικής εξέλιξης
των πωλήσεων «νωρίτερα». Με τον τρόπο αυτό θα αποκτήσουμε εικόνα για την εκτίμηση για 2 χρονικές
περιόδους για τις οποίες διαθέτουμε στοιχεία σχετικά με τις πραγματοποιηθείσες πωλήσεις. Με τον
τρόπο αυτό, θα είμαστε σε θέση να ελέγξουμε το επίπεδο επιτυχίας της πρόβλεψής μας!
Όμως, καθώς τα 2 από τα -συνολικά- 10 σημεία για τα οποία θα αποκτήσουμε εκτίμηση θα αφορούν
χρονικές περιόδους του παρελθόντος, η «πραγματική» εκτίμησή για το μέλλον, θα εκτείνεται σε
8 -μόλις- περιόδους. Εάν μας ενδιαφέρει η απεικόνιση της πρόβλεψης για τους 10 μήνες, πέρα από τους
2 μήνες που αφορούν τη σύγκριση με πραγματικά στοιχεία, μπορούμε να μεταβάλουμε την επιλογή
“Forecast length”, δίνοντάς της την τιμή 12 (2 μήνες για την σύγκριση με υπάρχοντα στοιχεία, και 10
μήνες για την «πραγματική» εκτίμηση στο μέλλον). Το αποτέλεσμα της συγκεκριμένης σύγκρισης
απεικονίζεται στο Παράδειγμα 31, όπου και προκύπτει πως η πρόβλεψη που υλοποιήσαμε
ανταποκρίνεται στα έως τώρα διαθέσιμα στοιχεία πωλήσεων, που δεν αξιοποιήθηκαν για την εκτίμηση.
Παράδειγμα 31. Συγκρίνοντας την εκτίμηση με πραγματικά διαθέσιμα στοιχεία
322
4.6 Εισαγωγή αναλυτή σε διάγραμμα διασποράς
Στο τελευταίο μέρος της υποενότητας, θα εξετάσουμε τις δυνατότητες προσθήκης αναλυτή (analytics) σε
διαγράμματα διασποράς. Ο συγκεκριμένος τύπος απεικόνισης επιτρέπει την εισαγωγή σαφώς
μεγαλύτερου αριθμού περαιτέρω αναλύσεων επί των δεδομένων που ήδη απεικονίζονται.
Αρχικά, θα πρέπει να επισημανθεί πως σε ένα διάγραμμα διασποράς μπορούμε νε εισάγουμε γραμμές
που θα απεικονίζουν «σταθερά» μεγέθη, όπως εξετάσαμε σε προηγούμενα μέρη της ενότητας. Μόνη
εξαίρεση αποτελεί, αυτή τη φορά, πως (καθώς το διάγραμμα διαθέτει 2 αριθμητικούς άξονες), ο χρήστης
απαιτείται να προσδιορίσει εάν η γραμμή που απεικονίζει συγκεκριμένο επίπεδο τιμών θα φορά τον
οριζόντιο ή τον κατακόρυφο άξονα (επιλογή “X-Axis Constant Line” & “Y-Axis constant Line”). Αντίστοιχα,
μπορούμε να εισάγουμε γραμμές που θα καταγράφουν τον μέσο όρο, τον διάμεσο, την τιμή
συγκεκριμένου εκατοστημορίου της κατανομής των δεδομένων, κ.ο.κ., καθώς και γραμμή τάσης των
σημείων που απεικονίζονται στο διάγραμμα.
4.7 Συγκρίνοντας τις συντεταγμένες (x & y) σε ένα διάγραμμα διασποράς
Μία πολύ χρήσιμη δυνατότητα σε διαγραμμάτων διασποράς αποτελεί ο διαφορετικός «χρωματισμός»

(επιλογή “Symmetry Shading”) του μέρους εκείνου του διαγράμματος που βρίσκεται στο «επάνω» ή/και
στο «κάτω» μέρος, αντίστοιχα, της ευθείας γραμμής με συντεταγμένες y = x.
Στο Παράδειγμα 32 έχοντας δημιουργήσει 2 διαφορετικές μετρήσεις28 (πεδία - columns) σχετικά με το

ύψος πωλήσεων του έτους 2009 και 2011, αντίστοιχα, μπορούμε να εξετάσουμε τη μεταξύ τους
αναλογία. Για το σκοπό αυτό, από την επιλογή “Symmetry Shading”, επιλέξαμε την προσθήκη της
σχετικής απεικόνισης (επιλογή “+ Add”), ώστε τα 2 μέρη του διαγράμματος να χρωματιστούν αντίστοιχα.
Στη συγκεκριμένη περίπτωση, οι παρατηρήσεις που καταγράφονται στο «άνω» μέρος του διαγράμματος
(προεπιλογή για «κίτρινο χρώμα») θα αφορούν υποσύνολα δεδομένων (κατηγορία, υποκατηγορία ή
όνομα προϊόντος, ανάλογα με το επιθυμητό επίπεδο λεπτομέρειας) που πέτυχαν υψηλότερες πωλήσεις
κατά το έτος 2011 έναντι του 2009, καθώς αποτελούν σημεία που καταγράφονται στο «επάνω» μέρος
της ευθείας y = x. Τα αντίστοιχα σημεία στο «κάτω» μέρος του διαγράμματος (προεπιλογή για «γαλάζιο
χρώμα») αφορούν παρατηρήσεις με επιδόσεις κατά το έτος 2011 που υπολείπονται της αντίστοιχης
παλαιότερης περιόδου (βρίσκονται «χαμηλότερα» της y = x).
Παράδειγμα 32. Διαχωρίζοντας τα σημεία άνω/κάτω της ευθείας y=x
28 Θα είμαστε σε θέση να αξιοποιήσουμε παρόμοιους υπολογισμούς, μετά την

ολοκλήρωση των επόμενων 2 ενοτήτων του μαθήματος, οπότε θα γνωρίζουμε κρίσιμες
εντολές της γλώσσας ανάλυσης δεδομένων DAX, που -μεταξύ πολλών άλλων- μας
επιτρέπει την πολύ εύκολη σύγκριση δεδομένων διαφορετικών περιόδων
323
Φυσικά, το ίδιο αποτέλεσμα απεικόνισης μπορούμε να επιτύχουμε, ανεξαρτήτως του επιθυμητού
επιπέδου λεπτομέρειας που αξιοποιεί ο χρήστης (Παράδειγμα 33).
Παράδειγμα 33. Διαχωρίζοντας τα σημεία που εκφράζουν την ίδια πληροφορία σε

διαφορετικό επίπεδο λεπτομέρειας
324
4.8 Συγκρίνοντας κάθε σημεία με το γενικό σύνολο
Με αντίστοιχο σκεπτικό, ο χρήστης μπορεί να επιλέξει την εισαγωγή ευθείας γραμμής που θα προκύπτει
από την αναλογία «συντεταγμένων» x & y που αφορούν αθροιστικά το σύνολο των παρατηρήσεων του
διαγράμματος (επιλογή “Ratio Line”). Η γραμμή που θα εισαχθεί θα διέρχεται από το σημείο (0, 0), καθώς
και από αυτό που θα απεικονιζόταν συγκεντρωτικά για το σύνολο δεδομένων που καταγράφονται στο
διάγραμμα.
Η εισαγωγή της συγκεκριμένης απεικόνισης διευκολύνει τη σύγκριση (όχι μεταξύ των ποσοτήτων που
έχουν τοποθετηθεί στους 2 άξονες, όπως παραπάνω), αλλά τις επιδόσεις κάθε μεμονωμένου σημείου,
σε σχέση με το σύνολο των παρατηρήσεων. Π.χ. στο Παράδειγμα 32 παρατηρήσαμε πως το 2011 καμία
μεμονωμένη κατηγορία προϊόντος (επίπεδο λεπτομέρειας “Product Category”) δεν πέτυχε ανάλογο
επίπεδο πωλήσεων, έναντι του 2009 (όλα τα σημεία βρίσκονται «στο γαλάζιο» μέρος του
διαγράμματος»). Παρ’όλα αυτά, όπως προκύπτει από το διάγραμμα του Παραδείγματος 34, οι πωλήσεις
επίπλων και προϊόντων τεχνολογίας κατέγραψαν «καλύτερη» συμπεριφορά, έναντι του αντίστοιχου
υπολογισμού που προκύπτει, μεσοσταθμικά, για το σύνολο των παρατηρήσεων. Αντιθέτως, οι πωλήσεις
325
«προμηθειών γραφείου» (“Office Supplies”) σημειώνουν χειρότερη μείωση, από τον μεσοσταθμικό μέσο
όρο. Για τον λόγο αυτό, το αντίστοιχο σημείο εντοπίζεται «σημαντικά κάτω» από την ευθεία που
αναλογεί στο σύνολο πωλήσεων (μαύρη διακεκομμένη γραμμή).
Παράδειγμα 34. Εισάγοντας ευθεία που απεικονίζει τα ίδια μεγέθη, αθροιστικά, για όλες
τις παρατηρήσεις του διαγράμματος
Τέλος, μπορούμε να επιβεβαιώσουμε πως η γραμμή που αναλογεί στο σύνολο των παρατηρήσεων
(“Ratio Line”), θα διέρχεται από το σημείου αυτό που αναλογεί στο σύνολο παρατηρήσεων: Αφαιρώντας
τη λεπτομερή ανάλυση (κατά κατηγορία, υποκατηγορία ή/και συγκεκριμένο προϊόν, Παράδειγμα 35),
παρατηρούμε πως το, μοναδικό, πλέον, σημείο τοποθετείται επάνω στην ευθεία αυτή.
326
Παράδειγμα 35. Εισάγοντας ευθεία που απεικονίζει τα ίδια μεγέθη, αθροιστικά, για όλες
τις παρατηρήσεις του διαγράμματος
Τέλος, θα πρέπει να επισημανθεί πως καθώς η ευθεία y = x, καθώς και η ευθεία που εισάγεται με την
εντολή “Ratio Line”29, αποτελούν μοναδικές ευθείες, δεν επιτρέπεται στον χρήστη να εισάγει
περισσότερες από 2 αντίστοιχες αναλύσεις (όταν έχει δημιουργηθεί τέτοιου τύπου ανάλυση, δεν είναι
διαθέσιμη η επιλογή προσθήκης νέας, “+ Add”).
29Πρόκειται για την ευθεία που συνδέει την αρχή των αξόνων (σημείο με συντεταγμένες x =
0 & y = 0) με το (μοναδικό) σημείο που θα απεικονιζόταν εάν ο χρήστης είχε επιλέξει τη
συγκεντρωτική απεικόνιση των 2 μεταβλητών για το σύνολο παρατηρήσεων.
327
5. ΑΥΤΟΜΑΤΗ ΚΑΤΗΓΟΡΙΟΠΟΙΗΣΗ ΠΑΡΑΤΗΡΗΣΕΩΝ - ΔΗΜΙΟΥΡΓΙΑ
CLUSTERS
Στο σημείο αυτόθα εξετάσουμε τη δυνατότητα αυτόματης κατηγοριοποίησης (clustering) των δεδομένων
σε απεικόνιση διαγράμματος διασποράς ή/και πίνακα (table) και τη χρήση της ομαδοποίησης που
δημιουργούμε σε άλλες απεικονίσεις του Power BI
5.1 Κατηγοριοποίηση δεδομένων με τη μέθοδο των k μέσων (k means)
Η μέθοδος των k-μέσων (k-means) αποτελεί μία απλή, αλλά με πολλές εφαρμογές, μέθοδο
κατηγοριοποίησης (classification) των διαθέσιμων παρατηρήσεων σχετικά με τα δεδομένα μας.
Σκοπός της μεθόδου είναι η κατάταξη των m, συνολικά παρατηρήσεων που έχουμε διαθέσιμες σε k
επιμέρους κατηγορίες (clusters), με στόχο την ελαχιστοποίηση της απόστασης μεταξύ κάθε σημείου και
του μέσου της κατηγορίας η οποία θα προκύψει.
Από μαθηματικής/στατιστικής πλευράς, για δεδομένο (επιλεγμένο εκ των προτέρων) ακέραιο αριθμό, k,
το πρόβλημα έγκειται στην επιλογή της κατηγοριοποίησης εκείνης που θα οδηγήσει στην
ελαχιστοποίησης της απόστασης κάθε σημείου30 από τον μέσο της κατηγορίας στην οποία κατατάσσεται.
Στην Εικόνα 5 προκύπτει το αποτέλεσμα κατηγοριοποίησης των παρατηρήσεων σε 3 (k = 3) επιμέρους
κατηγορίες.
Εικόνα 5. Παράδειγμα κατηγοριοποίησης δεδομένων με τη μέθοδο των k-μέσων (k = 3)
30Συνήθως χρησιμοποιείται η «Ευκλείδεια» απόσταση μεταξύ 2 σημείων, όπως προκύπτει,

για n διστάσεις, από τον παρακάτω μαθηματικό τύπο:
328
Ένα από τα βασικά πλεονεκτήματα του αλγορίθμου είναι πως αποτελεί μη-παραμετρική μεθοδολογία
που χρησιμοποιείται. Με άλλα λόγια, δεν απαιτείται να γίνει υπόθεση σχετικά με τη μορφή της σχέσης
μεταξύ των 2 (ή περισσότερων, όπως θα εξετάσουμε στη συνέχεια) μεταβλητών που προσπαθούμε να
εντοπίσουμε. Π.χ. στην εισαγωγή γραμμής τάσης σε διάγραμμα διασποράς που εξετάσαμε παραπάνω,
υποθέσαμε μία γραμμική σχέση μεταξύ των μεταβλητών που απεικονίζονται στους άξονες του
διαγράμματος.
Για την αυτόματη ομαδοποίηση των δεδομένων σε επιμέρους κατηγορίες (clusters) στο Power BI, ο
χρήστης δεν απαιτείται να γνωρίζει τις μαθηματικές σχέσεις που αξιοποιούνται ή/και τα κριτήρια που
υλοποιούν τη σχετική μεθοδολογία. Αντιθέτως, το μόνο που απαιτείται είναι να έχει να επιλέξει το
επιθυμητό πλήθος ομάδων (k), στις οποίες θα καταταχθούν τα δεδομένα του, καθώς και τα πεδία που
θα αξιοποιηθούν για την κατάταξη σε επιμέρους κατηγορίες.
5.2 Ομαδοποίηση παρατηρήσεων σε διάγραμμα διασποράς
Τον ευκολότερο τρόπο αυτόματης δημιουργίας κατηγοριών δεδομένων (clusters), και απεικόνισης του
αποτελέσματος, αποτελεί η επιλογή εισαγωγής ομαδοποίησης δεδομένων σε ένα διάγραμμα
διασποράς. Σε απεικόνιση αυτού του τύπου, από το μενού επιπρόσθετων επιλογών (στο «επάνω» και
«δεξιά» μέρος της απεικόνισης), μπορούμε να επιλέξουμε την εντολή αυτόματης δημιουργίας
κατηγοριοποίησης (“Automatically find clusters”). Με τον τρόπο αυτό θα δημιουργήσουμε ομαδοποίηση
329
των προϊόντων μας βάσει των αριθμητικών τιμών πωλήσεων και κερδοφορίας που επιτυγχάνουν (τα 2
πεδία που καταγράφονται στους άξονες του διαγράμματος).
Στο μενού επιλογών της κατηγοριοποίησης που θα ανοίξει, ο χρήστης καλείται να εισάγει το πλήθος των
ομάδων (k) στις οποίες θα κατηγοριοποιηθούν τα δεδομένα, καθώς και το όνομα της ομαδοποίησης που
θα δημιουργηθεί. Για τις ανάγκες του Παραδείγματος 36, επιλέξαμε την ομαδοποίηση των
παρατηρήσεών μας σε 3 κατηγορίες (clusters). Μετά την ολοκλήρωση των υπολογισμών, το Power BI θα
αξιοποιήσει την κατηγοριοποίηση στην οποία κατέληξε, τοποθετώντας το νέο πεδίο που δημιουργήθηκε
(με το όνομα που επέλεξε ο χρήστης στο μενού επιλογών) στην επιλογή “Legend” της απεικόνισης.
Παρατηρούμε πως, σύμφωνα και προς τις επιλογές του χρήστη, το νέο πεδίο που δημιουργήθηκε
λαμβάνει 3 διαφορετικές τιμές (“Cluster 1”, “Cluster 2”, “Cluster 3”), καταγράφοντας την κατηγορία στην
οποία ανήκει κάθε παρατήρηση στα δεδομένα μας.
330
Παράδειγμα 36. Ομαδοποιώντας τις παρατηρήσεις σε 3 κατηγορίες
331
5.3 Κατηγοριοποίηση δεδομένων με αυτόματη επιλογή του πλήθους
ομάδων (clusters)
Από το μενού επιλογών που ανοίγει για την αυτόματη δημιουργία κατηγοριοποίησης δεδομένων, θα
μπορούσαμε να έχουμε αφήσει κενό το πεδίο σχετικά με το πλήθος κατηγοριών που επιθυμούμε να
δημιουργήσουμε. Στην περίπτωση αυτή, το Power BI θα χρησιμοποιούσε μία σειρά από μαθηματικά-
στατιστικά κριτήρια, καταλήγοντας στο πλήθος κατηγοριών που βελτιστοποιεί το αποτέλεσμα της
ομαδοποίησης.
332
Παράδειγμα 37. Ομαδοποιώντας τις παρατηρήσεις με αυτόματη επιλογή του πλήθους
κατηγοριών
333
Στο Παράδειγμα 37 επιλέγουμε να καταργήσουμε τη χρήση του «νέου» πεδίου ομαδοποίησης από την
απεικόνιση (το πεδίο στο οποίο καταγράφεται η ομαδοποίηση που δημιουργήσαμε θα εξακολουθεί να
334
είναι διαθέσιμο στον πίνακα προϊόντος). Στη συνέχεια, επιλέξαμε τη δημιουργία ομαδοποίησης με
αυτόματη επιλογή του πλήθους κατηγοριών των δεδομένων μας και παρατηρούμε πως το Power BI θα
προσθέσει -όπως και προηγουμένως- το νέο πεδίο στο οποίο καταγράφεται η σχετική πληροφορία.
Προτείνει τη δημιουργία περισσότερων διαφορετικών κατηγοριών, στις οποίες θα κατατάσσονται τα
δεδομένα μας (πόσες είναι οι κατηγορίες αυτές;).
5.4 Ομαδοποίηση παρατηρήσεων με βάση περισσότερα αριθμητικά πεδία
Αντίστοιχη επιλογή αυτόματης δημιουργίας ομαδοποίησης δεδομένων σε επιμέρους κατηγορίες

(clustering) είναι διαθέσιμη και σε απεικόνιση τύπου απλού πίνακα (table, όχι matrix). Μάλιστα, ο
συγκεκριμένος τύπος απεικόνισης επιτρέπει στον χρήστη να προσθέσει περισσότερα από 2 αριθμητικά
πεδία, με βάση τα οποία, στη συνέχεια, θα προκύψει η κατηγοριοποίηση των παρατηρήσεών μας. Π.χ.
για τις ανάγκες του Παραδείγματος 38, ο χρήστης έχει επιλέξει να προσθέσει το μεταφορικό κόστος
(“Shipping Cost”) που αναλογεί σε κάθε προϊόν, πέρα από τα δεδομένα πωλήσεων (“Sales”) και
κερδοφορίας (“Profit”) που απεικονίζονται στον ίδιο πίνακα.
Από το αντίστοιχο μενού επιπρόσθετων επιλόγων της απεικόνισης, επιλέγουμε και πάλι την αυτόματη
δημιουργία κατηγοριών δεδομένων (επιλογή “Automatically find clusters”). Η νέα ομαδοποίηση
δεδομένων θα καταγράφεται σε νέο πεδίο, το οποίο θα εισαχθεί στην απεικόνιση, αυτή τη φορά, υπό
μορφή νέας στήλης του πίνακα (Παράδειγμα 38).
335
Παράδειγμα 38. Δημιουργία κατηγοριοποίησης σε πίνακα τιμών
336
337
Πόσες διαφορετικές κατηγορίες δημιούργησε η ομαδοποίηση, βάσει 3 αριθμητικών πεδίων, που
επιλέξαμε;
5.5 Χρήση της ομαδοποίησης σε άλλες αναλύσεις
Όπως θα έχει γίνει αντιληπτό έως τώρα, η αυτόματη δημιουργία ομαδοποιήσεων καταγράφεται σε νέες
στήλες που δημιουργούνται στους πίνακες δεδομένων που αξιοποιούμε στο αρχείο της αναφοράς μας.
Με τον τρόπο αυτό, τα πεδία αυτά μπορούν να χρησιμοποιηθούν σε οποιαδήποτε άλλη απεικόνιση στο
ίδιο αρχείο Power BI.
Στο Παράδειγμα 39 επιλέξαμε την εισαγωγή του πεδίου στο οποίο καταγράφεται η κατηγοριοποίηση
που δημιουργήθηκε στο Παράδειγμα 38. Με τον τρόπο αυτό, πολύ εύκολα αντιλαμβανόμαστε πως η
ομαδοποίηση βάσει των 3 παραπάνω πεδίων κατέληξε σε 4 clusters δεδομένων. Στη συνέχεια, μπορούμε
να απεικονίσουμε τα κέρδη που δημιουργεί κάθε κατηγορία προϊόντος, καθώς και οποιαδήποτε άλλη
πληροφορία για τις επιμέρους κατηγορίες στις οποίες καταλήξαμε.
Παράδειγμα 39. Χρησιμοποιώντας την ομαδοποίηση σε άλλες απεικονίσεις
338
Επιπρόσθετα, η επιλογή «εξαγωγής» δεδομένων (“Export data”) θα μας επέτρεπε την αξιοποίηση της
κατηγοριοποίησης που δημιουργήσαμε σε άλλες εφαρμογές (Excel, περιβάλλοντα βάσεων δεδομένων,
στατιστικά εργαλεία, κ.ο.κ.)!
5.6 Αλλαγή στις επιλογές κατηγοριοποίησης
Τέλος, θα πρέπει να επισημανθεί πως εάν κρίνουμε σκόπιμη μία αλλαγή στις επιλογές της τρέχουσας
ομαδοποίησης που δημιουργήσαμε (π.χ. στο πλήθος κατηγοριών), δεν είναι απαραίτητο να
καταργήσουμε την ομαδοποίηση που έχουμε ήδη διαθέσιμη και να την δημιουργήσουμε από την αρχή.
Αντιθέτως, το Power BI μας επιτρέπει οποιαδήποτε στιγμή το επιθυμούμε να μεταβάλλουμε βασικές
παραμέτρους της κατηγοριοποίησης.
Καθώς το πεδίο που έχει τοποθετηθεί στην επιλογή “Legend” του διαγράμματος αποτελεί προϊόν
αυτόματης κατηγοριοποίησης δεδομένων, στο αντίστοιχο μενού επιλογών είναι διαθέσιμη η επιλογή
339
τροποποίησης της ομαδοποίησης (“Edit clusters”) που έχει δημιουργηθεί. Με τη συγκεκριμένη επιλογή,
ο χρήστης έχει τη δυνατότητα να τροποποιήσει το πλήθος διαφορετικών ομάδων στις οποίες θα
κατατάσσονται τα δεδομένα του. Η ίδια επιλογή (“Edit clusters”) είναι διαθέσιμη και για πεδία που δεν
αξιοποιούνται στην τρέχουσα απεικόνιση, στο μενού επιλογών που προκύπτει με δεξί-κλικ στο
αντίστοιχο πεδίο δεδομένων (Παράδειγμα 40).
340
Παράδειγμα 40. Επιλογές τροποποίησης πεδίου που δημιουργήθηκε από
κατηγοριοποίηση δεδομένων
341
Το συγκεκριμένο μενού μας επιτρέπει να αποκτήσουμε εικόνα για το πλήθος παρατηρήσεων που
κατατάσσονται σε κάθε ομάδα (cluster), χωρίς να χρειαστεί να δημιουργήσουμε άλλη απεικόνιση με
αυτόν τον σκοπό.
Στο Παράδειγμα 41 επιλέγουμε την αλλαγή της ομαδοποίησης που δημιουργήσαμε στο Παράδειγμα 37.
Αλλάζοντας το πλήθος των κατηγοριών στις οποίες κατατάσσουμε τα δεδομένα μας (σε 3), καταλήγουμε
στο ίδιο αποτέλεσμα με αυτό που είχαμε και στο Παράδειγμα 36.
Παράδειγμα 41. Αλλάζοντας το πλήθος κατηγοριών
342
343
6. ΠΕΡΙΣΣΟΤΕΡΕΣ ΚΑΤΗΓΟΡΙΕΣ ΑΠΕΙΚΟΝΙΣΕΩΝ
Στο σημείο αυτόθα εξετάσουμε τη δυνατότητα δημιουργίας απεικονίσεων με χρήση εντολών του
(δωρεάν διαθέσιμου) στατιστικού πακέτου R, καθώς και την εισαγωγή επιπρόσθετων τύπων που είναι
διαθέσιμοι σε online υπηρεσία της Microsoft (store) που επιτρέπει τη χρήση απεικονίσεων που έχουν
δημιουργήσει άλλοι χρήστες.
6.1 Δημιουργία απεικονίσεων με εντολές του στατιστικού πακέτου R
Όπως έχει σημειωθεί στα πρώτα μέρη του μαθήματος, μεταξύ των διαθέσιμων απεικονίσεων της
εφαρμογής είναι και η δημιουργία διαγράμματος στο (δωρεάν διαθέσιμο) στατιστικό πακέτο R. Όταν ο
χρήστης προχωρήσει στη σχετική επιλογή, δημιουργείται νέα απεικόνιση, η οποία παραμένει κενή.
Ταυτόχρονα, στο «κάτω μέρος» της περιοχής απεικονίσεων της αναφοράς, θα ανοίξει «κειμενογράφος»
στον οποίο ο χρήστης, στη συνέχεια, θα εισάγει εντολές του στατιστικού πακέτου R. Παρόλο που η
εκμάθηση του συγκεκριμένου στατιστικού πακέτου δεν περιλαμβάνεται στο σκοπό του μαθήματός μας,
μπορούμε να αξιοποιήσουμε εντολές που έχουν δημιουργήσει άλλοι χρήστες, με σκοπό τη εισαγωγή
απεικονίσεων στο αρχείο Power BI μας.
Αφού επιλέξουμε τις μεταβλητές τις οποίες επιθυμούμε να απεικονίζονται στο διάγραμμα που θα
δημιουργήσουμε, παρατηρούμε πως συμπληρώνονται αυτόματα οι πρώτες εντολές R. Μάλιστα, μεταξύ
των εντολών αυτών, είναι και η εντολή που θα «μεταφέρει» τις τιμές των αντίστοιχων μεταβλητών (πεδία
“Sales”, “Profit” & “Shipping Cost”, στο Παράδειγμα 42) σε μεταβλητές του πακέτου R. Οι εντολές που
έχουμε εισάγει θα οδηγήσουν σε εκτίμηση της συσχέτισης (correlation) μεταξύ των 3 μεταβλητών και θα
δημιουργήσουν διάγραμμα, στο οποίο το χρώμα κάθε σημείου θα υποδεικνύει τον βαθμό συσχέτισης
μεταξύ κάθε μεταβλητής στην αντίστοιχη γραμμή και στήλη του πίνακα που θα σχηματιστεί.
Αφού ολοκληρωθεί η εισαγωγή των εντολών σε γλώσσα R, ο χρήστης μπορεί να επιλέξει το αντίστοιχο
κουμπί στο «αριστερό και επάνω» μέρος του κειμενογράφου, ώστε να εκτελεστούν οι εντολές και να
δημιουργηθεί η επιθυμητή απεικόνιση.
344
Παράδειγμα 42. Δημιουργώντας διάγραμμα συσχέτισης (corrplot) στο R
345
Παρ’όλα αυτά, παρατηρούμε πως το αποτέλεσμα της προσπάθειάς μας δεν είναι το αναμενόμενο! Το
γεγονός αυτό οφείλεται στο ότι στο Power BI (λόγω προεπιλογής των πεδίων που έχουμε επιλέξει για
την απεικόνιση) συνοψίζονται (υπολογίζεται το άθροισμα κάθε στήλης). Με τον τρόπο αυτό, στο πακέτο
R εισάγεται μία τιμή για κάθε μεταβλητή (το άθροισμα πωλήσεων, κερδών και μεταφορικού κόστους).
Εάν προχωρήσουμε σε αλλαγή των επιλογών σύνοψης (aggregation) των πεδίων στη συγκεκριμένη
απεικόνιση (σε “Don’t summarize”), τότε στις αντίστοιχες μεταβλητές του πακέτου R, μεταφέρουμε κάθε
παρατήρηση των 3 πεδίων του πίνακα τιμών! Τώρα το στατιστικό πακέτο είναι σε θέση να εκτιμήσει τη
συσχέτιση μεταξύ των μεταβλητών μας: Στο Παράδειγμα 43 παρατηρούμε πως η συσχέτιση του ύψους
κάθε παραγγελίας (θυμηθείτε πως δεν έχουμε συνοψίσει με κανένα τρόπο τα δεδομένα μας) και κερδών
ή/και μεταφορικού κόστους είναι μικρότερη της μονάδας (απεικονίζεται με περισσότερο ανοικτού
χρώματος και μικρότερης ακτίνας κύκλο, έναντι των σημείων που γνωρίζουμε πως αφορούν τιμή = 1). Η
συσχέτιση μεταξύ μεταφορικού κόστους και κέρδους είναι σχεδόν μηδενική (λευκό χρώμα).
346
Παράδειγμα 43. Αλλάζοντας τον τρόπο απεικόνισης των δεδομένων για την επίτευξη της
ανάλυσης στο R
Μάλιστα, οποιαδήποτε στιγμή το επιθυμεί ο χρήστης έχει τη δυνατότητα να τροποποιήσει τις εντολές
του πακέτου R που υλοποιούν την απεικόνιση. Στο Παράδειγμα 44 επιλέξαμε να αλλάξουμε παράμετρο
του τρόπου απεικόνισης, κάτι που έχει ως αποτέλεσμα την αλλαγή στον τρόπο εμφάνισης των
αποτελεσμάτων.
347
Παράδειγμα 44. Αλλάζοντας τις εντολές του πακέτου R που υλοποιούν την απεικόνιση
348
349
6.2 Εισαγωγή απεικονίσεων από την online υπηρεσία της Microsoft
Με εξίσου απλές επιλογές, ο χρήστης έχει τη δυνατότητα να εισάγει στο αρχείο της αναφοράς νέους
τύπους απεικονίσεων που δεν είναι ήδη διαθέσιμες εντός της εφαρμογής Power BI. Συγκεκριμένα, με
την επιλογή εισαγωγής προσαρμοσμένης απεικόνισης (“Get more visuals”), ο χρήστης έχει τη
δυνατότητα να επιλέξει από πολύ μεγάλο πλήθος περισσότερο εξειδικευμένων απεικονίσεων που έχουν
δημιουργήσει άλλοι χρήστες και είναι διαθέσιμες online. Αφού επιλέξουμε την εισαγωγή από τη σχετική
διαδικτυακή υπηρεσία (επιλογή “ Get more visuals”), έχουμε τη δυνατότητα να αξιοποιούμε τον
επιθυμητό τύπο απεικόνισης στο μέλλον στις σελίδες αναφορών που θα δημιουργήσει εντός του ίδιου
αρχείου Power BI.
Στο Παράδειγμα 45 επιλέξαμε να αξιοποιήσουμε απεικόνιση τύπου «νέφους κειμένου» (Word Cloud),
που μας επιτρέπει να απεικονίζουμε τις τιμές ενός πεδίου (κειμένου, που θα τοποθετήσουμε στην
επιλογή “Category”), αναλογικά με αριθμητικά πεδία που θα προσθέσουμε στην επιλογή “Values”.
Παρατηρούμε πως μετά την εισαγωγή της απεικόνισης (Παράδειγμα 46), η συγκεκριμένη κατηγορία
απεικόνισης παραμένει διαθέσιμη για την προσθήκη (και) σε άλλα σημεία της ίδιας σελίδας ή/και στις
υπόλοιπες σελίδες του τρέχοντος αρχείου Power BI.
350
Παράδειγμα 45. Εισάγοντας νέο τύπο απεικόνισης από τη σχετική υπηρεσία
351
Επιλέγοντας το πεδίο χώρας και πωλήσεων, καταλήγουμε σε απεικόνιση του ονόματος κάθε χώρας, με
μέγεθος γραμματοσειράς αναλογικά με το συνολικό ύψος πωλήσεων (θυμηθείτε πως προεπιλογή
αποτελεί η σύνοψη με υπολογισμό του αθροίσματος). Παρατηρούμε πως η εφαρμογή απεικονίζει το
όνομα του Καναδά με σαφώς μεγαλύτερη γραμματοσειρά έναντι των Ευρωπαϊκών χωρών, καθώς στον
Καναδά το άθροισμα πωλήσεων είναι πολύ υψηλότερο.
Παράδειγμα 46. Αξιοποιώντας τον νέο τύπο απεικόνισης
352
Φυσικά, θα μπορούσαμε να αλλάξουμε τον τρόπο σύνοψης της πληροφορίας σχετικά με τις πωλήσεις,
όπως στο Παράδειγμα 47, όπου έχουμε επιλέξει την εμφάνιση κάθε χώρας με βάση υπολογισμούς
σχετικά με το μέσο ύψος παραγγελίας σε κάθε χώρα. Με τον τρόπο αυτό μειώνεται η διαφοροποίηση
σχετικά με το μέγεθος γραμματοσειράς που χρησιμοποιείται για κάθε χώρα, ενώ παρατηρούμε πως,
πλέον, είναι η Μ. Βρετανία που αναγράφεται με τη μεγαλύτερη γραμματοσειρά.
Παράδειγμα 47. Αλλάζοντας τα δεδομένα που απεικονίζονται
353
Μπορείτε να αλλάξετε την τελευταία απεικόνιση το μέγεθος της γραμματοσειράς να προκύπτει από την
κερδοφορία της δραστηριότητας σε κάθε χώρα, αντίστοιχα;
Παράλληλα, ο χρήστης διατηρεί τη δυνατότητα να καταργήσει την επιλογή προσθήκης παρόμοιας

απεικόνισης, αφού επιβεβαιώσει την επιλογή του σε σχετικό προειδοποιητικό παράθυρο (Παράδειγμα
48). Μία παρόμοια εντολή, όμως, θα έχει ως αποτέλεσμα την κατάργηση τέτοιου τύπου απεικονίσεων,
που, ενδεχομένως, να έχει ήδη δημιουργήσει ο χρήστης31 εντός του ίδιου αρχείου.
Παράδειγμα 48. Καταργώντας τον συγκεκριμένο τύπο απεικόνισης
31 Μπορείτε, πάντα, να αναιρέσετε μία παρόμοια ενέργεια επιλέγοντας “Undo” ή,

αντίστοιχα, πληκτρολογώντας Control+Z.
354
Τέλος, θα πρέπει να σημειωθεί πως όταν επιλέγουμε το άνοιγμα αρχείο Power BI, το οποίο περιλαμβάνει
αντίστοιχες απεικονίσεις, ο χρήστης θα πρέπει να επιβεβαιώσει πως επιθυμεί το άνοιγμα του αρχείου,
σε σχετικά παράθυρο που θα προκύψει (Εικόνα 6).
Εικόνα 6. Προειδοποίηση για άνοιγμα αρχείου που περιέχει αντίστοιχες απεικονίσεις
355
356
ΣΥΝΟΨΗ
Με το πέρας της μελέτης της παρούσας υποενότητας, είστε σε θέση να:
• καταγράφετε τους σημαντικότερους προμηθευτές εφαρμογών ανάλυσης δεδομένων

και επιχειρηματικής πληροφόρησης (business intelligence),
• αντιλαμβάνεστε την πρόσφατη τάση ανάπτυξης εφαρμογών «προσωποποιημένης»
επιχειρηματικής ευφυΐας (self-service BI),
• γνωρίζετε τις δυνατότητες των διαφορετικών εργαλείων-πρόσθετων (add-ins) του MS
Excel που ενσωματώνει η εφαρμογή Power BI,
• αναγνωρίζετε τις διαθέσιμες επιλογές στο βασικό παράθυρο της εφαρμογής Power BI,
• πλοηγείστε στο χώρο συζητήσεων χρηστών της εφαρμογής Power BI,
• ανοίγετε αρχεία που υποστηρίζει η εφαρμογή και να πλοηγείστε στα περιεχόμενά τους,
• αποθηκεύετε αρχεία Power BI (αρχείο με κατάληξη .pbix) ή τα περιεχόμενά του, χωρίς
δεδομένα, σε πρότυπο της εφαρμογής (αρχείο με κατάληξη .pbit), και
• εντοπίζετε τις επιλογές εισαγωγής, επεξεργασίας, μορφοποίησης και απεικόνισης
δεδομένων στο Power BI που θα αξιοποιήσουμε στα αμέσως επόμενα μέρη της
ενότητας.
Με το πέρας της μελέτης της παρούσας υποενότητας, θα είστε σε θέση να:
• εισάγετε στο αρχείο Power BI δεδομένα από διαφορετικές πήγες, όπως υπολογιστικά
φύλλα και αρχεία κειμένου (txt, tsv, csv, κ.ο.κ.),
• εντοπίζετε τα διαθέσιμα πεδία (στήλες) των δεδομένων που έχετε εισάγει
• αντλείτε πληροφόρηση για τις παρατηρήσεις κάθε πεδίου δημιουργώντας απλές
απεικονίσεις της εφαρμογής,
• γνωρίζετε τη συμπεριφορά των αναλύσεών σας όταν προσθέσετε σε αυτές
διαφορετικά αριθμητικά πεδία ή/και στήλες στις οποίες έχετε αποθηκεύσει πληροφορία
κειμένου,
357
• αλλάζετε τον τρόπο σύνοψης των αποτελεσμάτων της ανάλυσής, υπολογίζοντας
αθροίσματα, μέσους όρους, ελάχιστες και μέγιστες τιμές, κ.ο.κ.,
• δημιουργείτε ιεραρχίες για την καλύτερη οργάνωση της πληροφορίας σε ιεραρχίες
πεδίων, ανάλογα με την πληροφορία που καταγράφεται σε αυτά,
• δημιουργείτε ομαδοποιήσεις παρατηρήσεων, με βάση τις τιμές που λαμβάνουν τα
διαθέσιμα πεδία δεδομένων σας, και να τις αξιοποιείτε σε απεικονίσεις,
• μορφοποιείτε τις απεικονίσεις που έχετε δημιουργήσει, ανάλογα με τις προτιμήσεις σας,
• περιορίζετε την ανάλυσή σας σε επιμέρους υποσύνολα δεδομένων με βάση τις
δυνατότητες χρήσης φίλτρων δεδομένων της εφαρμογής.
Με το πέρας της μελέτης της παρούσας υποενότητας, μάθατε να:
• δημιουργείτε διαγράμματα ράβδων (bar) ή/και στηλών (column) τμημάτων (clustered)

ή «σωρευμένων» (stacked) για την απεικόνιση πληροφορίας,
• δημιουργείτε απεικονίσεις για την παράθεση μεγεθών σε στήλες και γραμμές, στο ίδιο
διάγραμμα,
• αντιλαμβάνεστε περιπτώσεις όπου η απεικόνιση σε διαγράμματα «πίτας» και
«δακτυλίου» (“donut”) παρέχουν χρήσιμη πληροφόρηση για την κατανομή τιμών σε
επιμέρους κατηγορίες,
• χρησιμοποιείτε απλούς (table) και «συγκεντρωτικούς» (matrix) πίνακες για την
απεικόνιση πληροφορίας,
• μορφοποιείτε κελιά πινάκων, ανάλογα με τις τιμές που λαμβάνουν (κανόνες υπό
συνθήκη μορφοποίησης),
• δημιουργείτε απεικονίσεις που διευκολύνουν τον χρήστη να εντοπίζει το επίπεδο
κρίσιμων μετρήσεων υπό μορφή κειμένου (απεικόνιση τύπου κάρτας),
• χρησιμοποιείτε διαδραστικά φίλτρα (slicers) με σκοπό την περαιτέρω ανάλυση για
συγκεκριμένα υποσύνολα δεδομένων,
• κατασκευάζετε διαγράμματα διασποράς (scatter) τα οποία το Power BI επιτρέπουν την
απεικόνιση έως και 4 μετρήσεων στο ίδιο διάγραμμα,
358
• χρησιμοποιείτε μεταβολές διαγράμματα καταρράκτη (waterfall) για την ευκολότερη
απεικόνιση δεδομένων σχετικά με μεταβολές σε επιμέρους μεγέθη,
• αξιοποιείτε απεικονίσεις τύπου treemap, για τη δημιουργία αναλύσεων που (έως τις
πρόσφατες εκδόσεις της εφαρμογής) δεν ήταν εφικτό στο MS Excel,
• γνωρίζετε τη χρησιμότητα ενός διαγράμματος «χωνί» (funnel) για τη σύγκριση τιμών-
μετρήσεων σε επιμέρους κατηγορίες δεδομένων, και
• αξιοποιείτε καλές πρακτικές ευανάγνωστων αναφορών που θα αξιοποιούνται από τον
τελικό τους χρήστη για την εξαγωγή χρήσιμων συμπερασμάτων σχετικά με υπό
ανάλυση δεδομένα.
Με το πέρας της μελέτης της παρούσας υποενότητας, μάθατε:
• τα πλεονεκτήματα από τον συνήθη τρόπο οργάνωσης δεδομένων σε σχεσιακές βάσεις

δεδομένων,
• την ανάγκη διασύνδεσης μεταξύ πινάκων δεδομένων για την υλοποίηση
ολοκληρωμένων μοντέλων δεδομένων,
• για την ταυτόχρονη εισαγωγή δεδομένων από περισσότερους πίνακες ενός μοντέλου
δεδομένων στο Power BI,
• να δημιουργείτε συσχετίσεις μεταξύ των πινάκων που έχετε εισάγει στο Power BI και να
τις επεξεργάζεστε,
• περίπλοκους μετασχηματισμούς στα δεδομένα που εισάγετε προς ανάλυση στο Power
BI,
• τα βήματα που υλοποιούν μετασχηματισμούς δεδομένων στο περιβάλλον Query
Editor, να προσθέτετε νέα, ή να καταργείτε ορισμένα από αυτά, ώστε να αναιρείτε τις
επιπτώσεις τους,
• να κατασκευάζετε νέα πεδία που θα συνεισφέρουν στην ανάλυση δεδομένων που
επιθυμείτε να ολοκληρώσετε,
• να μετακινείστε μεταξύ των διαθέσιμων πεδίων κάθε πίνακα δεδομένων και να ελέγχετε
εύκολα τις ιδιότητες του, και
359
• να μεταβάλετε την πηγή προέλευσης που αξιοποιείτε στο Power BI, χωρίς να επιφέρετε
αλλαγές στην οργάνωση των δεδομένων που έχετε ήδη χρησιμοποιήσει
Με το πέρας της μελέτης της παρούσας υποενότητας μάθατε:

• τον προεπιλεγμένο τρόπο διάδρασης (interaction) μεταξύ διαφορετικών απεικονίσεων,
• τον τρόπο δημιουργίας διαδραστικών φίλτρων, αλλάζοντας τον τρόπο διάδραστης των
απεικονίσεων,
• να μετακινείστε σε περισσότερο/λιγότερο λεπτομερές επίπεδο απεικόνισης πληροφορίας
(drill-down / drill-up),
• την προσθήκη κίνησης σε διαγράμματα διασποράς με σκοπό την απεικόνιση
επιπρόσθετης πληροφορίας,
• να χρησιμοποιείτε «αναλυτές» (analytics) για την απεικόνιση επιπρόσθετης
πληροφόρησης,
• τη δημιουργία προβλέψεων για τη μελλοντική εξέλιξη τιμών, με βάση προηγούμενες

παρατηρήσεις
• πώς να δημιουργείτε αυτόματες ομαδοποιήσεις παρατηρήσεων σε επιμέρους κατηγορίες
και να αξιοποιείτε το αποτέλεσμα της ομαδοποίησης στις απεικονίσεις της αναφοράς σας,
• τον τρόπο ενσωμάτωσης απεικονίσεων που έχουν δημιουργηθεί στο (δωρεάν
διαθέσιμο) στατιστικό πακέτο R, και
• τον τρόπο δημιουργίας προχωρημένων αναλύσεων, με βάση τις απεικονίσεις που

παρέχουν (δωρεάν) άλλοι χρήστες στη σχετική διαδικτυακή υπηρεσία (store).
360
ΔΙΚΤΥΟΓΡΑΦΙΑ
• Σελίδα της Gartner σχετικά με αποτελέσματα έρευνας για τις διαφορετικές πλατφόρμες
επιχειρηματικής ευφυΐας και ανάλυσης δεδομένων
https://www.gartner.com/doc/3611117/magic-quadrant-business-intelligence-
analytics
• Αποτελέσματα έρευνας της Gartner σχετικά με την αξιολόγηση από πελάτες για τις
διαφορετικές πλατφόρμες επιχειρηματικής ευφυΐας και ανάλυσης δεδομένων
https://www.gartner.com/reviews/customer-choice-awards/business-intelligence-
analytics-platforms
• Κεντρική σελίδα υποστήριξης της εφαρμογής Power BI
https://powerbi.microsoft.com/en-us/
• Κεντρική σελίδα εκμάθησης της εφαρμογής Power BI
https://docs.microsoft.com/en-us/power-bi/guided-learning/
• Εισαγωγική σελίδα υποστήριξης της εφαρμογής Power Query for Excel
https://support.office.com/en-us/article/Introduction-to-Microsoft-Power-Query-for-
Excel-6e92e2f4-2079-4e1f-bad5-89f6269cd605
• Εισαγωγική σελίδα υποστήριξης της εφαρμογής Power Pivot for Excel
https://support.office.com/en-us/article/Get-started-with-Power-Pivot-in-Microsoft-
Excel-fdfcf944-7876-424a-8437-1a6c1043a80b
• Εισαγωγική σελίδα υποστήριξης της εφαρμογής Power View for Excel
https://support.office.com/en-us/article/Create-a-Power-View-sheet-in-Excel-2013-
b23d768d-7586-47fe-97bd-89b80967a405
• Οδηγός εισαγωγής δεδομένων στο Power BI
https://docs.microsoft.com/en-us/power-bi/service-excel-workbook-files
• Οδηγός μορφοποίηση απεικονίσεων του Power BI
https://docs.microsoft.com/en-us/power-bi/service-tips-and-tricks-for-color-
formatting
• Οδηγός επιλογών μορφοποίησης απεικονίσεων
https://docs.microsoft.com/en-us/power-bi/power-bi-visualization-customize-title-
background-and-legend
361
• Οδηγός επιλογών φιλτραρίσματος δεδομένων του Power BI
https://docs.microsoft.com/en-us/power-bi/power-bi-how-to-report-filter
• Οδηγός προσθήκης απεικόνισης στο Power BI
https://docs.microsoft.com/en-us/power-bi/power-bi-report-add-visualizations-i
• Οδηγός των κατηγοριών απεικονίσεων του Power BI
https://docs.microsoft.com/en-us/power-bi/power-bi-visualization-types-for-reports-
and-q-and-a
• Οδηγός διαγράμματος γραμμής και στήλης
https://docs.microsoft.com/en-us/power-bi/power-bi-visualization-combo-chart
• Οδηγός για τη μορφοποίηση των αξόνων ενός διαγράμματος του Power BI
https://docs.microsoft.com/en-us/power-bi/power-bi-visualization-customize-x-axis-
and-y-axis
• Οδηγός μορφοποίησης υπό συνθήκη στο Power BI
https://docs.microsoft.com/en-us/power-bi/desktop-conditional-table-formatting
• Οδηγός απεικόνισης treemap του Power BI
https://docs.microsoft.com/en-us/power-bi/power-bi-visualization-treemaps
• Οδηγός για τις επιλογές διαδραστικότητας μεταξύ διαφορετικών απεικονίσεων της
αναφοράς
https://docs.microsoft.com/en-us/power-bi/service-reports-visual-interactions
• Οδηγός για την ανάλυση δεδομένων σε διαφορετικό επίπεδο λεπτομέρειας (drill-down)
https://docs.microsoft.com/en-us/power-bi/power-bi-visualization-drill-down
• Άρθρο στο blog σχετικά με το Power BI, για τη δυνατότητα εισαγωγής «χρονικής
διάστασης» (timeline) σε διάγραμμα διασποράς
https://powerbi.microsoft.com/en-us/blog/what-story-does-your-timeline-tell-
introducing-the-timeline-storyteller-custom-visual-for-microsoft-power-bi/
• Άρθρο στο blog σχετικά με το Power BI, για τη δυνατότητα εισαγωγής «χρονικής
διάστασης» (timeline) σε διάγραμμα διασποράς
https://powerbi.microsoft.com/en-us/blog/create-interactive-timeline-visualizations-
for-your-data-with-the-new-timeline-storyteller-community-visual/
362
• Οδηγός χρήσης «αναλυτή» (analytics) στο Power BI
https://docs.microsoft.com/en-us/power-bi/desktop-analytics-pane
• Οδηγός σχετικά με τον αλγόριθμο αυτόματης κατηγοριοποίησης δεδομένων
(clustering) που αξιοποιεί η Microsoft
https://docs.microsoft.com/en-us/sql/analysis-services/data-mining/microsoft-
clustering-algorithm
• Οδηγός δημιουργίας απεικονίσεων με βάση εντολές του στατιστικού πακέτου R
https://docs.microsoft.com/en-us/power-bi/desktop-r-visuals
• Άρθρο στο blog σχετικά με το Power BI, για τη δυνατότητα εισαγωγής απεικονίσεων
από τη διαδικτυακή υπηρεσία store
https://powerbi.microsoft.com/en-us/blog/custom-visuals-now-available-in-the-
office-store/
363

Oaed 105

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Oaed 105

Uploaded by

Copyright:

Available Formats

ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ

Προγράμματα Συμπληρωματικής Εκπαίδευσης

Με τη χρήση καινοτόμων μεθόδων εξ αποστάσεως εκπαίδευσης

ΕΠΕΞΕΡΓΑΣΙΑ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΣΤΟ POWER BI

Όταν ολοκληρωθεί η παρουσίαση της υποενότητας θα είστε σε θέση:

• να γνωρίζετε τις βασικότερες εφαρμογές που αξιοποιούνται για την ανάλυση

Όταν ολοκληρωθεί η παρουσίαση της υποενότητας θα είστε σε θέση να:

Όταν ολοκληρωθεί η παρουσίαση της υποενότητας θα είστε σε θέση:

• να απεικονίζετε πληροφορία σε διαγράμματα ράβδων (bar) ή/και στηλών (column)

Όταν ολοκληρωθεί η παρουσίαση της υποενότητας θα είστε σε θέση:

• να γνωρίζετε τον τρόπο οργάνωσης δεδομένων σε μεγάλο αριθμό πινάκων σε

Όταν ολοκληρωθεί η παρουσίαση της υποενότητας θα είστε σε θέση:

• να αντιλαμβάνεστε και να μεταβάλετε τον τρόπο διάδρασης (interaction) μεταξύ των

• Ανάλυση δεδομένων (data • Επιχειρηματική ευφυΐα (business

• Διάγραμμα στήλης τμημάτων • Διάγραμμα ράβδου τμημάτων

• Σχεσιακές βάσεις δεδομένων

• Διάδραση (interaction) μεταξύ • Ανάλυση σε διαφορετικό επίπεδο

Έπειτα εξετάζουμε ορισμένες επιπρόσθετες κατηγορίες απεικονίσεων, όπως το διάγραμμα διασποράς

Αρχικά αναλύεται ο αποτελεσματικότερος τρόπος αποθήκευσης και οργάνωσης των δεδομένων σε

Έπειτα θα εντοπίσουμε τη δυνατότητα παράθεσης πληροφορίας σε διαφορετικό επίπεδο λεπτομέρειας,

Έπειτα θα εξετάσουμε τη δυνατότητα απεικόνισης επιπρόσθετης πληροφορίας με την εισαγωγή

Προγράμματα Συμπληρωματικής Εκπαίδευσης

Με τη χρήση καινοτόμων μεθόδων εξ αποστάσεως εκπαίδευσης

ΕΠΕΞΕΡΓΑΣΙΑ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΣΤΟ POWER BI

ΥΠΟΕΝΟΤΗΤΑ 1. ΕΙΣΑΓΩΓΗ ΣΤΟ POWER BI

1.1 Εισαγωγή στην ανάλυση δεδομένων και την επιχειρηματική ευφυΐα

Τα παλαιότερα γνωστά ως συστήματα πληροφόρησης της διοίκησης (Managerial Information Systems –

Επιπρόσθετα, ο συνήθως ακολουθούμενος (και πλέον αποτελεσματικός) τρόπος «αποθήκευσης» των

1.2 Η ανάγκη για «προσωποποιημένη» επιχειρηματική ευφυΐα (self-service

1.3 Εισαγωγή στην «προσωποποιημένη» επιχειρηματική ευφυΐα (self-service

Η τάση αυτή αναφέρεται στη σχετική βιβλιογραφία ως «προσωποποιημένη» επιχειρηματική ευφυΐα

Εικόνα 1. Κατάταξη διαφορετικών παρόχων εφαρμογών επιχειρηματικής ευφυΐας

1.4 Τι είναι το Power BI

Η εφαρμογή Power BI συγκεντρώνει τις 3 διαφορετικές δυνατότητες, προσφέροντας τη δυνατότητα

2. Η ΠΡΩΤΗ ΜΑΣ ΕΠΑΦΗ ΜΕ ΤΟ POWER BI

2.1 Ξεκινώντας με το Power BI

2.2 Η οργάνωση των περιεχομένων στο Power BI

Αντίστοιχα, μπορούμε να επιλέξουμε να απεικονίζονται τα διαθέσιμα δεδομένα (data view), οπότε

1Παρατηρήστε πως η δυνατότητα πλοήγησης σε συγκεκριμένες σελίδες παύει, μόλις ο

2.3 Η απεικόνιση πληροφορίας που μπορούμε να υλοποιήσουμε στο Power

Αντίστοιχα, θα μπορούσαμε να προσθέσουμε ένα (ή περισσότερα) διαδραστικά φίλτρα (slicer) που

Επιπρόσθετα, θα μπορούσαμε να εισάγουμε έναν βασικό δείκτη αποτελεσματικότητας (Key

Η χρησιμότητα κάθε παρόμοιας απεικόνισης δεδομένων θα γίνει ευκολότερα κατανοητή με τα

3. ΜΕΝΟΥ ΕΠΙΛΟΓΩΝ ΤΟΥ POWER BI

3.1 Βασικές επιλογές αποθήκευσης αρχείων Power BI

3.2 Βασικές επιλογές μορφοποίησης, εισαγωγής και ανάλυσης δεδομένων

Μπορείτε να επιβεβαιώσετε τη διαφορά στο μέγεθος που καταλαμβάνει το αρχείο

3.3 Βασικές επιλογές της οργάνωσης των δεδομένων μας

Σε αντίθεση με τα 2 προαναφερόμενα μενού βασικών επιλογών, η αντίστοιχη επιλογή εμφάνισης (View)

Εικόνα 9. Βασικές επιλογές απεικόνισης του Power Bi (μενού επιλογών «View»)

Εικόνα 10. Επιλογές μορφοποίησης των επιμέρους αναλύσεων που θα εμφανίζονται

Εικόνα 11. Επιλογές περαιτέρω εμφάνισης δεδομένων (μενού επιλογών «Data/Drill»)

Προγράμματα Συμπληρωματικής Εκπαίδευσης

Με τη χρήση καινοτόμων μεθόδων εξ αποστάσεως εκπαίδευσης

ΕΠΕΞΕΡΓΑΣΙΑ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΣΤΟ POWER BI

ΥΠΟΕΝΟΤΗΤΑ 2. ΕΙΣΑΓΩΓΗ ΔΕΔΟΜΕΝΩΝ & ΔΗΜΙΟΥΡΓΙΑ

1.1 Σύνδεση σε αρχεία κειμένου (αρχεία τύπου txt, csv)

1.2 Σύνδεση σε υπολογιστικά φύλλα MS Excel

Παράδειγμα 2. Εισαγωγή δεδομένων από υπολογιστικά φύλλα

Εικόνα 1. Επιλογή ανανέωσης δεδομένων

Μπορούμε, επιπρόσθετα, να μετονομάσουμε («Rename»), ή να διαγράψουμε («Delete») μία από τις

Παράδειγμα 3. Επιλογές του Power BI σχετικά με τα δεδομένα μας

2.1 Εισάγοντας απεικονίσεις αριθμητικών πεδίων