POWER BI

TYPES OF INSIGHTS

‫سهیل مشتاقزاده‬
‫‪Types Of Insights Supported By Power BI‬‬
‫در این مقاله به تعریف و بحث پیرامون‪ Insights‬میپردازیم‬

‫تعریف ‪Insights‬‬

‫در درون داده های موجود درمجموعه دادهها معموال الگوها و روندهایی وجود دارد ‪،‬این روندها و یا الگوهای موجود را میتوان با مصور‬
‫سازی به نمایش گذاشت به درک از داده ها و روند های موجود که به تصویر کشیده شده اند ‪ insights‬گفته میشود‪.‬‬

‫بررسی و کارکرد ‪Insights‬‬

‫‪ Power BI‬نه تنها درون دادههای شما را به سرعت واکاوی میکند بلکه همزمان الگوریتم پیچیدهای را بر روی داده های شما‬
‫پیاده سازی میکند تا بتوانید به درک واقعی یا اصطالحا به یک ‪ insights‬از دادههای خود برسید‪ .‬برای کشف ‪ insights‬و یا روند‬
‫درونی داده های موجود‪ ،‬از روشها و یا الگوریتمهای آماری در نرم افزار ‪ ،Power BI‬استفاده میشود که در ادامه به معرفی این‬
‫الگوریتمها پرداخته میشود‪.‬ابتدا الزم است تا با برخی مفاهیم و اصالحات کلیدی آشنا و سپس در ادامه به بررسی مباحث میپردازیم‪.‬‬

‫بررسی اصطالحات (‪)Terminology‬‬

‫‪.1‬مقیاس (‪)Measurement‬‬
‫اندازه گیری یک مقیاس کمی و یا عددی است که از آن می توان برای انجام محاسبات و یا اندازهگیری در عملکرد استفاده نمود ‪.‬محاسبات‬
‫متداول مثل جمع کردن‪ ،‬میانگین گرفتن و یا متوجه شدن حداقلِ دادههای موجود است ‪ .‬به عنوان مثال ‪ ،‬اگر شرکتی در زمینه تولید و فروش‬
‫اسکیت بورد فعالیت نماید ‪ ،‬عملکرد و یا اندازه گیری شرکت میتواند بر اساس تعداد اسکیت بورد های فروخته شده و یا متوسط سود شرکت‬
‫و یا اسکیت بورد‪ ،‬در سال باشد‪.‬‬

‫‪ .2‬بُعد‪ ،‬تفکیک )‪(Dimension‬‬

‫تفکیک و یا ابعاد‪ ،‬به دادههای متنی و یا تفکیک شدن بر اساس متن معروف میباشند‪ .‬بعنوان مثال میتوان بر اساس ماه‪ ،‬سال و یا بر اساس‬
‫برند دسته بندی و یا تفکیکی را انجام داد‪ .‬به عبارتی دیگر در یک مجموعه داده‪ ،‬ابعاد یا تفکیک راهی برای گروه بندی و یا دسته بندی میتواند‬
‫مورد استفاده قرار گیرد‪.‬به طور مثال همان شرکت تولید اسکیت بورد را در نظر بگیرید برخی از دسته بندیهای محصول میتواند شامل رنگ‪،‬‬
‫مدل‪ ،‬کشور و یا کمپین بازاریابی باشد‪ .‬به عبارت دیگر به دسته بندی و یا تفکیک کردن بعد یا ابعاد گفته میشود‪.‬‬

‫‪ .3‬ارتباط یا همبستگی (‪)Correlation‬‬

‫همبستگی یا ارتباط از رفتار اشیاء(‪ )Object‬یا دادهها که چگونه با هم مرتبط میباشند سخن به میان آورده است‪ .‬اگر در مشاهدات الگوها‪،‬‬
‫روند افزایشی و یا رفتار افزایشی شبیه به هم وجود داشت در آنصورت بین اشیاء(‪ )Object‬یا دادهها رابطه مثبت داریم‪ ،‬بدین معنی که با‬
‫افزایش یکی در دیگری هم افزایش دیده می شود‪.‬درصورتی که در الگوها ارتباط منفی وجود داشت یعنی با افزایش ‪ ،‬کاهشی در شیء (‪)Object‬‬
‫یا دادههای دیگری قابل رؤیت بود‪ ،‬این بدان مفهوم است که رابطه منفی و معکوسی برقرار میباشد‪ .‬به عنوان مثال ‪ ،‬اگر فروش اسکیت بورد‬
‫قرمز در زمان کمپین بازاریابی تلویزیونی افزایش یابد ‪ ،‬این بدان مفهموم است که فروش اسکیت بورد قرمز و کمپین تلویزیونی با هم رابطه‬
‫مثبتی دارند‪.‬‬
‫‪ .4‬سری زمانی (‪)Time series‬‬
‫سری زمانی راهی برای نشان دادن زمان به عنوان نقاط داده)‪ (DATA POINTS‬متوالی میباشد‪ .‬این نقاط دادهها(‪ )DATA POINTS‬میتوانند‬
‫ثانیه ‪ ،‬ساعت ‪ ،‬ماه‪ ،‬سال و‪ ....‬باشند‪ .‬به بیانی دیگر‪ ،‬بررسی کردن دادهها یا متغیرهای تصادفی در طول زمان‪ ،‬سری زمانی گفته میشود‪.‬‬
‫‪ .5‬متغیر پیوسته (‪)Continuous variable‬‬
‫در یک بازه مشخص متغیر پیوسته می تواند شامل مقداری بین حداقل و حداکثر بازه خود را داشته باشد‪ .‬مانند دما‪ ،‬زمان‪ ،‬سن ‪.‬همچنین در‬
‫تعریفی دیگر‪ ،‬متغیرهای پیوسته می توانند شامل قسمتی یا درصدی از مقدار یا ارزش خود را کسب کنند(نصف طول عمر یک محصول‪،‬درصدی‬
‫از فروش و‪ )...‬و در حالت دیگر ما با یک متغیر گسسته روبه رو هستیم که نمیتواند شامل مقدار یا درصدی از ارزش خود را داشته باشد(با‬
‫تعداد روبه رو هستیم)‪ .‬بعنوان مثال تعداد کل اسکیت بوردهای آبی فروخته شده یک متغیر گسسته است زیرا نمی توانیم نیمی از یک عدد‬
‫اسکیت بورد را تولید و یا بفروش برسانیم‪ ،‬پس در این حالت ما با یک متغیر گسسته روبه رو هستیم‪.‬‬
‫انواع بینش و یا ادراک ( ‪)TYPES OF INSIGHTS‬‬
‫در این قسمت‪ POWER BI ،‬از الگوریتمهای مختلف استفاده میکند که به شرح زیر می باشد‪.‬‬

‫‪Category outliers (top/bottom).1‬‬

‫مواردی را میتوان مشخص کرد که یک یا دو گروه تفکیک شده‪ ،‬مقادیر بسیار بزرگتری نسبت به دیگر گروهها دارند‪ .‬به عبارت دیگر تفاوت در‬
‫گروهای موجود را آشکار میشود‪.‬‬

‫‪Change points in a time series.2‬‬

‫هنگامی که تغییرات قابل توجهی در روندهای سری زمانی وجود داشته باشد‪ ،‬این تغییرات و انحرافات در سریهای زمانی به راحتی قابل‬
‫نمایش میباشد‪.‬‬
 ‫‪Correlation.3‬‬
‫مواردی که در آن چند مقیاس‪ ،‬الگو یا روند مشابهی در برابر یک گروه از مجموعهای از دادهها‪ ،‬از خود به نمایش میگذارند ارتباط یا همبستگی‬
‫گفته میشود‪ .‬به عبارت دیگر ارتباط میان دادهها و یا ارتباط میان مقیاسهای دادهها را مشخص میکند‪.‬‬

‫‪Low Variance.4‬‬
‫مسائلی را آشکار میکند که نقاط داده (‪ )DATA POINTS‬برای یک گروه و یا دسته (بُعد) از میانگین فاصله زیادی ندارند ‪ ،‬بنابراین میتوان‬
‫گفت میزان پراکندگی یا واریانس بسیار کم میباشد‪ .‬فرض کنید شما میزان فروش وتفکیک(بُعد) بر اساس منطقه را در دادههای موجود دارید‪.‬‬
‫با نگاه کردن به دادههای سراسر منطقه می بینید که تفاوت بسیار کمی بین نقاط داده(‪ )DATA POINTS‬و میانگین (نقاط داده) وجود دارد‪.‬‬
‫به بیانی دیگر شما زمانی متوجه واریانس زیاد خواهید شد‪ ،‬که تمامی دادههای فروش نزدیک به هم و تقریبا در یک سطح قرار گرفته باشند و‬
‫دادهای وجود داشته باشد که تفاوت زیادی با دیگر داده ها داشته باشد‪.‬به عبارت دیگر وقتی فروش همه مناطق نزدیک به هم باشند و شما دادهای‬
‫بسیار پایین تر از میانگین فروش داشته باشید‪.‬‬

‫‪Majority (Major factors).5‬‬

‫این قابلیت میتواند دادههای موجود را به چندین قسمت بر اساس فاکتورهای مهم و کلیدی مد نظر‪ ،‬تقسیم بندی نماید‪.‬‬
 ‫‪(.6‬دادههای پرت)‪Outliers‬‬
‫برای درک این بینش(‪ Power BI،)Insights‬از یک مدل خوشه بندی برای یافتن نقاط پرت در دادهها ‪،‬که در داده های سری زمانی نمیباشد‪،‬‬
‫استفاده می کند‪ .‬دادههای پرت زمانی بوجود میآید که درگروهی از دادهها ‪ ،‬داده یا دادههایی وجود دارد که به طور قابل توجهی تفاوت زیادی‬
‫از سایر دادهها داشته باشد‪.‬‬

‫‪Overall trends in time series.7‬‬

‫در این بینش یا درک (‪ ،)Insights‬میتوان به روندهای کلی‪ ،‬منظور روند صعودی و روند نزولی موجود در دادهها در سری زمانی پی برد‪.‬‬

‫‪Seasonality in time series.8‬‬

‫الگوها و یا تغییرات دوره ای را در داده هایی از جنس سری زمانی مانند فصلی هفتگی ‪ ،‬ماهانه یا ساالنه پیدا می کند که براحتی میتوان به‬
‫تغییرات آنها پی برد‪.‬‬
 ‫‪Time series outliers.9‬‬
‫برای داده هایی از جنس سری زمانی ‪ ،‬زمانهایی را مشخص میکند که در تاریخهای خاصی با مقادیر قابل توجهی از سایر مقادیر‪ ،‬تغییرات در‬
‫واحد تاریخ‪/‬زمان متفاوت میباشد‪.‬‬

‫‪Steady share.10‬‬
‫مقدار سهم فرزند(‪ )child‬با والد(‪ )parent‬خود‪ ،‬که یک متغیر پیوسته میباشد را در دستههای مختلف و در زمانهای مختلف مشخص و یا‬
‫اندازهگیری میکند که البته منظور‪ ،‬سهم یک قسمت‪ ،‬در کل گروه مربوط به خود میباشد‪ .‬این قسمت شبیه به قسمت ‪ Low variance‬عمل‬
‫میکند و میتواند واریانس مقادیر را با هم مقایسه کند البته هردو این موارد به پراکندگی کم دادهها‪ ،‬در طول زمان اشاره میکنند‪ .‬با این وجود‬
‫‪ Steady Share‬پراکندگی کم را به درصد در طول زمان و یا دورههای مختلف اندازهگیری میکند در حالی که ‪ Low Variance‬فقط مقدار‬
‫پراکندگی کم را در بین دستهها یا ابعاد یا بُعدهای مختلف اندازه گیری میکند‪.‬‬