14. února 2018

Power BI - monitoring využití reportů

Aktualizovaný rozcestník Power BI článků najdete zde: http://www.neoral.cz/2016/10/power-bi-rozcestnik.html
Dnešní článek jsem rozepsal už před delší dobou. Nicméně vyskytla se chybka na Power BI service, takže vše se
nelogovalo tak, jak by mělo. Zdroj: https://powerbi.microsoft.com/en-us/support/
Aneb v časovém okně 19.1. až 7.2. nedocházelo k logování použití reportů. Mám takový pocit, že se tahle
informace objevila až v pondělí ráno po tom, co jsem psal v pátek do Microsoftu, že mám s tímto konkrétně
problém :)
O co se jedná? O BI nad vaším Power BI :) Aneb sledování toho, zda vaše reporty vůbec někdo používá. To je
otázka na kterou je dobré znát odpověď, i když někdy nemusí být příjemná.
Aby logování probíhalo, je potřeba si prvně zkontrolovat zda logujete. V admin portálu Power BI postupujte
následovně
Zpoždění logování je cca 24hodin. Potom ve Workspace kliknete na tlačítko usage metrics.
A připraví se report. Tento je předfiltrovaný na konkrétní report/dashboard u kterého jste na usage metrics
kliknuli.
Pokud chcete informace o tom, co se děje  celém Workspace na jedné hromadě, můžete si uložit kopii tohoto
reportu přes Save as dialog.
A tuto kopii můžete editovat.
V definici reportu můžete vyhodit konkrétní Guid reportu a tím pádem dostanete přehled o celém Workspace.
Můžete se pověnovat vizuální podobě tohoto reportu přímo z prohlížeče.
Nebo můžete použít funkci Analyze in Excel a podrobně se podívat, jaký obsah ve vašem osobním/sdíleném
workspace je využíván a který obsah naopak ne.
Závěr

Dnešní blog byl taková užitečná rychlovka. Monitorování toho, co uživatelé používají vám dává zpětnou vazbu o
vašich Power BI výstupech. Tak přeji pěkná čísla, aby vaše reporty vaši uživatelé používali :)

9. února 2018

Analýza nákupního košíku

Pokud jste nedočkaví článku, můžete přeskočit moji krátkou vsuvku po odmlce na sekci článek.
Vsuvka je o tom, proč byla odmlka a co bude s blogem dál :) Rozcestník souvisejících článků o Power BI najdete zde http://www.neoral.cz/2016/10/power-bi-rozcestnik.html
Vsuvka autora mimo téma (ale koneckonců je to blog:) )
Po delším výpadku v psaní blogu jsem zpátky a budu opět pravidelně přispívat. I s psaním blogu je to podobné,
jako se vším ostatním. Na „chvíli“ vypadnete a pak se těžko naskakuje. Psaní článků pravidelně je poměrně
časově náročné a když to člověk přičte k práci, rodině a tréninku triatlonu (letošním cílem je Moraviaman na
tratích železného muže v Otrokovicích a to si žádá přípravu). Něco musí jít trochu do pozadí. A trošku jsem se
méně věnoval komunitě. Ubylo článků na blogu a také přednášek bylo o něco méně, než 2016. Promítla se i
lehká motivační krize když několik měsíců čekáte na update, který nepřichází. Novoroční předsevzetí (ano
opravdu v únoru), je opět zamakat na doručování informací ze světa Business Inteligence. Většina článků bude
věnována Power BI. Nechci moc tříštit úsilí. Při rozhvoru na jedné komunitní akci mě inspirovala kamarádka
(tímto Magdu zdravím:) ) Jestli nechci zkusit dát na blog i číslo účtu, že jí v minulosti blog pomohl při hledání
informací. Že kdybych ho tam měl, možná by mi tam i něco poslala. Dlouho jsem o tom přemýšlel a říkám si
nakonec, proč ne. Pokud byste cítili silnou potřebu podpořit mé snahy o doručování novinek a praktických
zkušeností z BI světa. Zde je: 670100-2201291528/6210
Také ho přidám do kontaktní sekce. Nic to ale nemění na tom, že tento blog je nekomereční záležitost. Píši jej
dobrovolně ve volném čase bez nároku na odměnu, jako podporu české a slovenské BI komunity.
Dost bylo vsuvek, pojďme na samotný obsah článku.
Článek
O analýze nákupního košíku jsem měl přednášku na třech konferencích. SQL Saturday v Praze, G2B Teched v 
Brně a Show IT v Bratislavě. Stejné téma, možná lehce jiné pojetí a různá publika. Třikrát a dost. V Praze
vzniknul tento záznam https://www.youtube.com/watch?v=QkMJCW7cjEs takže, pokud Vám to uteklo, můžete
se podívat. Tento článek přináší doprovodné materiály a zdrojové kódy. Co bylo obsahem přednášky pro Ty z 
Vás, co jste ji neviděli.
Proč vlastně tohle téme
Pracuji v Dixons Carphone, což je společnost zabývající se retailem. Analýza toho, co se kupuje pohromadě je
tedy v rámci firmy celkem zajímavé téma. Když se mluví o analýze nákupního košíku běžně, většinou se člověku
vybaví technologie jako Machine Learning, Data mining. Což jsou skvělé přístupy a s tím spojené technologie,
ale ne každá společnost v týmu má lidi, kteří tyto metody a principy ovládají. Hlavní důvod přednášky byl, když
to řešíme my, možná i někdo jiný. Tak proč se nepodělit o svůj přístup a řešení.
Pár bodů k zamyšlení
Můžu a chci sledovat chování zákazníků (myšleno jako konkrétní člověk se jménem, příjmením adresou atd).
První věcí k zamyšlení je o jaké formě prodeje se vlastně bavíme. Online vs. obchod. U online nákupu jsme
schopni jednotlivé zákazníky rozlišit, protože nám tak nějak o sobě musí něco sdělit. Alespoň pokud si chce
zboží vyzvednout :). U nákupu v kamenném obchodě je to složitější. Tam pokud si člověk nevyřídí kartičku na
sbírání bodů zákazníka bez kamerového systému nerozlišíme.
Další faktor je četnost nákupů zákazníka. Asi bude rozdíl, jestli prodáváte potraviny. Nebo třeba elektroniku. U
online obchodů ze dvou nákupů velkých spotřebičů za rok asi hůř budete dělat závěry, než když u jednoho
zákazníka, který pravidelně kupuje deset rohlíků a dva lahváče.
Technologická perspektiva je o tom, jaké technologie máte k dispozici a jaké technologie ovládají vaši
kolegové/zaměstnanci. Neméně důležité je: kdo a jakou formou má získávat ze systému informace. Jestli se
bude jednat o stroj (našeptávač v eshopu), nebo člověk odpovědný za nacenění produktů/marketingové akce
atd.
Chci vůbec ukládat informace o zákazníkovi jako individualitě v BI systému?  V e-shopu se tomu nevyhnu, ale v 
datovém skladu by mi možná stačily informace o transakci. Jaké položky byly pořízeny na jedné transakci můžu
sledovat jak pro eshop, tak kamenný obchod. A je mi „jedno“ jestli se zákazník jmenuje Pepa, nebo Karel, nebo
třeba Unknown (v případě kamenného obchodu). To že v BI citlivé informace nechceme, na to může mít i vliv
nařízení GDPR.
Jaké byly požadavky
Výsledek řešení prezentovaný v tomto blogu je výstupem na základě požadavků byznysu. Ty byly následujcí
  • interaktivní report přístupný uživatelům pro interaktivní analýzu
  • sledování základních KPI pro primární produkt a produktů co se prodali s produktem primárním
  • (attached). Metriky například Částka s daní, Částka bez daně, Marže, Počet kusů a další
  • security model, omezení produktové hierarchie na úrovni primárního produktu (o row level security v 
  • Power BI jsem psal zde http://www.neoral.cz/2016/04/power-bi-role-zabezpeceni.html)
  • možnost měnit vstupní parametry v průběhu analýzy (časové období, kanál prodeje, parametry
  • produktové hierarchie a další)
  • čím dříve to bude, tím lépe
Jaké jsem zvolil technologie a proč
SQL Server jako vrstva která drží surová data, struktury bylo potřeba jen trochu uzpůsobit potřebám
analytického modelu.
Power BI moje volba číslo jedna, když je požadavek na interaktivní report
SSAS (SQL Server Analysis Services) díky svým analytickým možnostem a obavám z výkonnosti řešení a objemu
dat. Dalo by se použít jen Power BI, ale mohli bychom narazit na 1GB limit. SSAS umožňují také možnost dle
potřeby postavit SSRS report, nebo ad hoc připojení přes Excel.
Logický datový model
Schéma hvězda, kde se vše točí kolem prodejů. Možnost analyzovat přes Datum, primární produkt (Product),
související produkt (attached product) a další dimenze.
Dotaz pro získání informací o prodejích
Dochází zde k namnožení záznamů aby na transakci ke každému primary produktu byla vygenerována ještě
Attached část. Ale tak, aby nedošlo k ovlivnění celkového výsledku. (Total sales musí sedět na to co se skutečně
prodalo).
;WITH DATA_CTE AS
(
SELECT
f.CHAIN_KEY
,f.CHANNEL_KEY
,f.TRANSACTION_DATE_KEY
,f.COST_CENTRE_KEY
, f.PRODUCT_KEY
,f.TRANSACTION_KEY
,SUM(f.SALES_INC_VAT) as SALES_INC_VAT
,SUM(f.SALES_EX_VAT) as SALES_EX_VAT
,SUM(f.TAB_MARGIN) as TAB_MARGIN
,SUM(f.UNITS) as UNITS
FROM dbo.UVW_FACT_SALES f
GROUP BY
f.PRODUCT_KEY
,f.TRANSACTION_KEY
, f.CHAIN_KEY
,f.CHANNEL_KEY
,f.TRANSACTION_DATE_KEY
,f.COST_CENTRE_KEY
)
SELECT
/*header*/
p.CHAIN_KEY
,p.CHANNEL_KEY
,p.TRANSACTION_DATE_KEY
,p.COST_CENTRE_KEY
/*primary*/
,p.PRODUCT_KEY
,p.TRANSACTION_KEY
,CASE WHEN p.PRODUCT_KEY = a.PRODUCT_KEY THEN p.SALES_INC_VAT ELSE NULL END as SALES_INC_VAT
,CASE WHEN p.PRODUCT_KEY = a.PRODUCT_KEY THEN p.SALES_EX_VAT ELSE NULL END as SALES_EX_VAT
,CASE WHEN p.PRODUCT_KEY = a.PRODUCT_KEY THEN p.TAB_MARGIN ELSE NULL END as TAB_MARGIN
,CASE WHEN p.PRODUCT_KEY = a.PRODUCT_KEY THEN p.UNITS ELSE NULL END as UNITS
/*attached*/
,a.PRODUCT_KEY AS ATTACHED_PRODUCT_KEY
,CASE WHEN p.PRODUCT_KEY <> a.PRODUCT_KEY THEN a.SALES_INC_VAT ELSE NULL END as ATTACHED_SALES_INC_VAT
,CASE WHEN p.PRODUCT_KEY <> a.PRODUCT_KEY THEN a.SALES_EX_VAT ELSE NULL END as ATTACHED_SALES_EX_VAT
,CASE WHEN p.PRODUCT_KEY <> a.PRODUCT_KEY THEN a.TAB_MARGIN ELSE NULL END as ATTACHED_TAB_MARGIN
,CASE WHEN p.PRODUCT_KEY <> a.PRODUCT_KEY THEN a.UNITS ELSE NULL END as ATTACHED_UNITS
FROM DATA_CTE AS p /*primary*/
LEFT JOIN DATA_CTE AS a /*attached*/
 ON p.TRANSACTION_KEY = a.TRANSACTION_KEY


Trocha DAX výrazů v datovém modelu
Se měla právě postarat, aby byla zachována správnost výsledků. Dva příklady
Primary Sales Ex Vat:= CALCULATE(SUM(‘Sales’[SALES_EX_VAT]);all('Attached Product’))
Daný vzorec říká, že metrika má ignorovat dimenzi Attached Product.
Attached Sales Ex Vat:= CALCULATE(SUM(‘Sales’[ATTACHED_SALES_EX_VAT]);ALLSELECTED('Product');EXCEPT('Attached Product';'Product'))
Attached metriky mají ve výpočtu ignorovat dimenzi primární produkt. Attached je to, co vznikne po množinové
operaci Except mezi Attached Produkty a produkty primárními v daném kontextu.
Ukázky z hotového reportu uvidíte nejlépe na videu. Stejně jako popis případných nejasností. Těžko vložit
veškeré myšlenkové pochody a několik týdnů vývoje a ladění do pár řádků v blogu. Navíc tenhle je už dlouhý.
Materiály
Nicméně, pokud byste se rádi pokusili o reverse engineering, máte možnost. Řešení prezentované veřejně na
konferencích jsem připravil na demo databázi Contoso Retail DW. Ke stažení
zde: https://www.microsoft.com/en-us/download/details.aspx?id=18279
Contoso prodává elektroniku stejně jako Dixons, takže nejvhodnější kandidát. Poté jsem musel vytvořit pohledy,
které názvy sloupců a struktury učesaly do stejné podoby, jako byly nad daty produkčními.
Pohledy, stejně jako SSAS Tabular projekt a prezentace ze všech zmiňovaných konferencí jsou ke stažení
zde https://drive.google.com/open?id=1VbliCEwxQbPdyZRwmA7Lz8Q-QUhLOqzS
Závěr
Po delší odmlce jeden praktický článek na téma požadavky, výběr technologie a řešení. Nejdu příliš do detailu.
Pokud si to chcete raději shlédnout, koukněte na záznam ze SQL Saturday
Praha https://www.youtube.com/watch?v=QkMJCW7cjEs Veškeré materiály jsou k dispozici na linku
zde https://drive.google.com/open?id=1VbliCEwxQbPdyZRwmA7Lz8Q-QUhLOqzS

Ústřední myšlenkou je, že výběr technologie je dán požadavky na řešení. Analýza nákupního košíku se dá
provádět i s pro širokou SQL komunitu s dostupnými nástroji, jako je SQL Server a Power BI.

29. srpna 2017

SQL Server Bootcamp 2017 materiály

15-16.8 se v Brně konal SQL Server Bootcamp. Konference pro lidi se zájmem o SQL Server a související technologie. Jednalo se o vydařenou akci, která se díky sponzorům konala pro účastníky zdarma. Já zde měl 3 přednášky. Slíbil jsem napsat blog, kde nasdílím materiály a doplním informace. A tak jsem zde se článkem :). Děkuji za zpětné vazby, pozitivní i negativní.
Power Pointové prezentace a soubory použité v demech, kde to dávalo smysl najdete zde
Jakmile budou k dispozici i sestříhané záznamy přednášek, přidám samostatný článek s rozcestníkem těchto záznamů.
Nyní projdu jednotlivé přednášky. O čem přednáška byla, jak byla míněná. Doplňující materiály. A dám i zpětnou vazbu ke zpětným vazbám :). Pokud máte nějaké další komentáře o které se chcete podělit veřejně, klidně využijte diskuzi pod článkem. Nebo pokud to chcete zacílit osobněji, než anonym pod článkem. Uvítám zpětnou vazbu i na emailu.
1.      Power BI on-premises a nejen tam
Na letošním SQL Server Bootcampu bylo možné hlasovat o obsahu konference výběrem témat, které účastníky zajímají. Z BI témat bylo nejpopulárnější téma na možnost nasazení “Power BI v On Premises prostředí”. Pro dané téma hlasovalo kolem 40ti lidí. Věděl jsem dopředu, že on premise příběh je zatím v plenkách. A i to co v těch plenkách je, je smutné kvůli licenčnímu modelu. Nicméně to že to není pro mě je taky informace a podle mě důležitá informace.
Ve zkratce
On Premise Power BI Report Server je postavený na Reporting Services technologii, ale je nezávislý na SQL Serveru. Firma může nasadit do on premise prostředí pokud si pořídí Power BI Premium, nebo má SQL Server Enterprise Edition se Software Assurance (a zde právě většina potenciálních zájemců pohoří).
Premium stojí ranec (viz kalkulačka https://powerbi.microsoft.com/en-us/calculator/). SQL EE se SA taky nemá každá malá česká firma.
Navíc v době konference on premises Power BI Report Server umožňoval jen živé připojení proti SSAS.
Update po přednášce
Tohle omezení už neplatí. Nová verze vyšla v pondělí a umožňuje i živé připojení proti jiným zdrojům, než SSAS. Hostovat modely s data importem (do 50 MB a bez aktualizace) a interakci s Excelovými sešity. Můžete si jej stáhnout zde https://powerbi.microsoft.com/en-us/report-server/ a tady je oficiální blog post produktového týmu https://powerbi.microsoft.com/en-us/blog/power-bi-report-server-august-2017-preview-now-available/
Za pozitivní zpětné vazby velmi děkuji. Kvůli těm to ještě stále dělám. K negativním se konkrétně vyjádřím
Co se vám naopak na přednášce nelíbilo
Účastník:
technické problémy (ne na straně přednášejícího). Byl by sebevědomější, kdyby měl/používal dálkový ovladač na Powerpoint.
Já:
první přednášky jsou v tomto ohledu vždy o něco rizikovější. Dálkový ovladač můžu zvážit, pokud bude na přednášce k dispozici a má přednáška bude postavená na klikání Power Pointu (těch je většinou méně). Navíc záleží co má pořadatel k dispozici na místě. Můžu se příště zeptat. Díky
Účastník:
Prezentačné zručnosti prezentujúceho
Já:
Ne každému se musí můj styl přednášek líbit. Chopte se prosím otěží a ukažte nám svoji “zručnost”, rád se půjdu podívat. Případně konkretizujte co se vám nelíbilo.
Účastník:
Na to že pán Neoral je prezentovany ako odborník vo svojej společnosti boli prezentované informácie dosť skromné na obsah.
Já:
Prezentované informace se držely tématu přednášky. Kde nic není, tam obsah nevymyslím. Účastníci si odhlasovali možnosti provozovat Power BI on premises a přesně to dostali. Držel jsem se tedy tématu. Sorry jako.
Nabízel jsem i jiná Power BI témata, která nedostala zdaleka tolik hlasů. Například analýza nákupního košíku. Ale stejně jako ostatní přednášející, dělám to pro lidi, ne pro sebe ;) Odborník v dané oblasti neoddiskutovatelně jsem a to nejen na republikové úrovni, ale i na světové. Jinak bych nebyl Power BI/Data platform MVP.
Účastník:
Poměrně low entry level – málo nových informací pro zkušené vývojáře v Power BI
Já:
To stejné co kolegovi v předchozím komentáři. Držel jsem se tématu, které si lidi odhlasovali.
2.      Úvod do MDX jazyka
Přednáška měla být o úvodu do MDX jazyka. Jazyka OLAP kostek. V anotaci stálo:
“MDX jazyk většina SQL vývojářů nemá ráda. Syntaxe vypadá podobně, ale vyžaduje poněkud jiné myšlení. Přednáška si klade za cíl, uvést vás do syntaxe jazyka a naučit vás v MDX přemýšlet. Tak, aby když už MDX nebudete psát jste alespoň rozuměli.”
Kromě PowerPointu dostupného na linku na začátku článku doporučuji svůj MDX tutorial na blogu http://www.neoral.cz/2016/01/mdx-tutorail-0-rozcestnik.html
Za kladné zpětné vazby děkuji, vypadá to, že jsem se tématem i pojetím trefil a přesně to splnilo účel. K negativní zpětné vazbě
Účastník:
stale sa opakuje obsah prednasky. ocekaval by som neco nove.
Já:
Na WUGu jsem nikdy o MDX nepřednášel. Nejsem si ani vědom, že by tohle téma bylo prezentované v posledních několika letech na konferenci v CZ/SK. MDX je tu přes 17 let a z toho přes 12 ve stále stejné podobě. Pokud s daným jazykem pracujete a očekáváte nové informace u něčeho co se jmenuje “úvod do čehokoliv 12let starého”, tak bude asi nesprávné pouze vaše očekávání. Možná by to chtělo si příště před přednáškou přečíst anotaci, abyste nebyl zklamán ;)
3.      Časové kalkulace v Analysis Services a Power BI
Tahle přednáška se měla věnovat častému problému časových analýz. Některým částem jsem se pověnoval v samostatném blogu http://www.neoral.cz/2015/06/powerpivot-dax-casove-funkce-1-cast.html .Stejně tak jsem se pověnoval přístupu k vyřešení problému otevřeného období http://www.neoral.cz/2017/06/casove-kalkulace-v-dax-problem.html
Chtěl jsem se též pověnovat dynamickým paternům s využitím konfigurační tabulky pro meziroční srovnání. Tady mám ještě dluh a blog post dopíšu. K přednášce sebekriticky musím říct, že se mi nepovedla. Většinou danou problematiku ukazuji z Power Pivotu pro Excel zejména na interních školeních ve firmě. Rozhodl jsem se ale ukazovat z Power BI desktopu. Jazyk je sice stejný, ale dostaly mě drobné nuance mezi prostředími. Nevím, zda a jakou formou se budu ještě pokoušet o reparát. Možná WUG online. Pokud jste se právě na tuhle přednášku těšili, omlouvám se za provedení. Kdo kdy přednášel, ví jak náročné je připravit jednu přednášku, natož 3 ve dvou dnech. Projevila se i únava. Snad vám to další blog post na toto téma vynahradí.
Účastník:
Technické problémy při demonstraci
Já:
Ano, jsem si toho vědom a ještě jednou se omlouvám. Pokusím se nějakou formou o nápravu.
Kromě přednášek konferenci sponzorovala naše firma Dixons Carphone. Mohli jste si zasoutěžit o voucher na školení v hodnotě 15000 korun. Záznam ze slosování najdete zde: https://www.facebook.com/TechDixons/videos/1986319354977408/
Gratuluji Ondrovi k výhře :)
Závěr:

Děkuji všem účastníkům za návštěvu konference. Lidem z WUGu v čele s Davidem Gešvindrem za výbornou organizaci. Sponzorům, že akci podpořili a zaměstnavateli, že mě na akci uvolnil v pracovní době :) Budu se těšit na další ročník

30. června 2017

Časové kalkulace v DAX problém otevřeného období

V květnu jsem měl na téma časových kalkulací přednášku na Techedu v Praze. Bohužel jsem s blogem prokrastinoval a dostávám se ke článku až nyní. Nicméně lepší pozdě, než nikdy :) Slíbil jsem, že na téma napíši související blog post. Samostatným časovým kalkulacím jsem se věnoval v následujícím článku http://www.neoral.cz/2015/06/powerpivot-dax-casove-funkce-1-cast.html Takže nyní přidám jen část o pokročilejších metodách. Konkrétně se bude jednat o práci s otevřeným obdobím. V následujícím blogu popíšu, jak se vypořádat s problémem, když se v čase mění den vůči kterému chci dělat meziroční srovnání.
Problém otevřeného období
Opět použiji datový model vytvořený nad datovým skladem Adventure Works. Soubor v Power Pivotu si můžete stáhnout zde: https://drive.google.com/open?id=0B9ZohZ1CALKZdTNxbTdKOE5XbTQ
Koukněme se na následující kontingenční tabulku
Internet sales je skutečnost, Internet LY minulý rok (last year), Internet VLY variance proti loňskému roku absolutní, hned vedle v procentech.
Rok 2008 je posledním rokem, který obsahuje data a neobsahuje data za kompletní rok. Dnes je 29.6 takže taky máme jen data za půl roku. No a je nesmysl na roční úrovni porovnávat uzavřený rok 2016 s půlkou roku 2017. Něco podobného právě dělá můj aktuální Excelový model.
Chtěl bych porovnávat jen proporciální část prodejů roku vztaženou ke dnešnímu dni.
V tabulce internet sales si můžu pomoci počítaným sloupcem, kde jednoduše skryji prodeje, které jsou po 29.6.
DAXový vzorec by vypadal následovně
=
IF (
   VALUE ( MID ( [OrderDateKey], 5, 2 ) ) > MONTH ( TODAY () )
       || (
           VALUE ( MID ( [OrderDateKey], 5, 2 ) ) = MONTH ( TODAY () )
               && VALUE ( RIGHT ( [OrderDateKey], 2 ) ) > DAY ( TODAY () )
       ),
   BLANK (),
   [SalesAmount]
)

OrderDateKey je datum ve formátu RRRRMMDD, funkcí mid řežu příslušnou část, kterou chci porovnat s měsícem/dnem z dneška.
Textově rozloženo VALUE ( MID ( [OrderDateKey], 5, 2 ) ) > MONTH ( TODAY () )
říká pokud je měsíc objednávky vyšší, než měsíc dnešního datumu
Nebo ||
(
           VALUE ( MID ( [OrderDateKey], 5, 2 ) ) = MONTH ( TODAY () ) –měsíc je stejný
               && VALUE ( RIGHT ( [OrderDateKey], 2 ) ) > DAY ( TODAY () ) – den v měsíci je větší
)
vrátit prázdnou buňku, jinak vrátit skutečnost.
Pokud nad tímto vytvořím měřítko Internet Sales TD (To date /ke dnešku) jako
=SUM(‘FactInternetSales’[Sales TD detail])
A příslušné variance které umístím do následující kontingenční tabulky dostanu následující výstup
Sekce 1 mi zobrazuje prodeje prodeje za celé uzavřené období.
Sekce 2 jsou prodeje po dnešek, tedy 29.6.
Sekce 3 variance proti předchozímu roku v absolutních číslech za celé uzavřené období (VLY) a srovnání po dnešek VLY TD. Zde je to právě velmi zajímavé. Když kouknete na rok 2008, je rozdíl, jestli -20160 proti loňsku (způsobeno, neúplným rokem 2008). Nebo srovnávám srovnatelné se srovnatelným a zjišťuji, že jsem vlastně 6,7 milionu v plusu za stejné období od ledna do konce června.
Sekce 4 stejná jako 3, ale vyjádřená v procentech. Místo toho, aby firma byla -0,2 procenta ve ztrátě, je vlastně 221% v plusu a to je hodně velký rozdíl :)
Závěr

Pro potřeby analýzy je nutno srovnávat srovnatelné se srovnatelným. Nikoliv celý minulý rok s aktuálním rokem otevřeným. Logika by se dala aplikovat i na nižší úrovně časové hierarchie jako kvartály, měsíce, týdny dokonce i dny. V dnešním článku jsem Vám ukázal jak by se dalo vypořádat s tímto problémem pomocí počítaného sloupce. Dalo by se to vyřešit i přímo v Measure. Šlo mi v tuto fázi ale hlavně o onu myšlenku :) Příště se vrhnu na jiný problém při práci s časem a sice proměnnost vzorce pro meziroční srovnání.