Visualiseringstyper, der genereres af Automatiske indsigter
Automatiske indsigter genererer forskellige visualiseringstyper, der leverer specifikke indsigter i dine data. Hver af disse visualiseringer bruger forskellige kolonner fra dine data og prioriteres afhængigt af indsigtens værdi i datakonteksten.
- Nedbrydninger af dimension - Disse visualiseringer aggregerer en målingsværdi for de forskellige medlemmer af en dimension i dine data. Dette giver dig en hurtig visning af, hvordan den valgte metrik er fordelt i forhold til en givet dimension. Målingen kan være en metrik fra dit datasæt, et antal records eller en gennemsnitsværdi af metrikken pr. record.
- Pivottabeller med varmediagram - Disse visualiseringer aggregerer en målingsværdi for to dimensioners skæringspunkter i dine data. Hver celle i pivottabellen repræsenterer et skæringspunkt for medlemmerne af de to valgte D2-dimensioner. Disse visualiseringer hjælper dig med hurtigt at forstå, hvor de største værdier er for målingen, hvilket illustreres af de mørkeste celler i tabellerne. Målinger i denne visualisering kan være en metrik fra dit datasæt, et antal records, en gennemsnitsværdi for metrik pr. record eller en procentdel, der repræsenterer en af disse muligheder (hvor totalen øverst til højre er lig med 100 %).
- Top 10-enheder - Denne visualisering viser de øverste medlemmer i en dimension efter faldende værdi for en måling i dit datasæt. Den sidste søjle i diagrammet viser gennemsnitsværdien for målingen for alle de medlemmer, der ikke er blandt de øverste ni. Det vil sige gennemsnitsværdien for M1 for alle enheder, der ikke er højt rangeret. Disse oplysninger viser, hvor langt frem de øverste enheder sammenlignes med gennemsnittet for den resterende population.
- 80/20 - Denne visualisering viser, for en givet måling, hvor stor en del records i de øverste 20 % af dine data udgør i forhold til det samlede datasæt. De øverste 20 % beregnes på basis af detaljerede rækker i dit datasæt. Kransdiagrammet viser, hvor vigtige de øverste enheder i dine data er for den pågældende måling. Buerne i kransdiagrammet repræsenterer record-kvintiler, som er sekventielle chunks på 20 % af records, sorteret efter faldende rækkeantal: først de øverste 20 % enheder, derefter de næste 20 % osv. Buernes størrelse repræsenterer den samlede aggregerede værdi for målingen for hver kvintil.
- Pareto - Denne visualisering i form af et Pareto-diagram viser alle medlemmer af en dimension (middel kardinalitet) sorteret efter en målings faldende værdi. Hver søjle repræsenterer denne måling for et medlem, og linjen repræsentere den kumulative procentdel af målingsværdien (som summerer op til 1.0 = 100 %), efterhånden som hvert medlem af dimension tilføjes kumulativt. Et Pareto-diagram hjælper med at henlede opmærksomheden på de områder, der har den største relative værdi eller frekvens.
- Punktdiagrammer og klynger - Visualiseringen i form af et punktdiagram viser alle medlemmer af en dimension (middel kardinalitet) i et gitter med to distinkte målinger fra dine data på akserne. Hver måling er gradueret efter gennemsnitlig enhedsværdi. Spredningen af alle disse records og de potentielle afvigelser repræsenterer interessante indsigter i dine dimensionsmedlemmer. Dette diagram giver dig en hurtig indsigt i, hvor godt de to metrikker korrelerer med hinanden for B1-medlemmer, og gør det nemt at forstå, hvilke medlemmer der falder inden for hvilken kvadrant. En variant af punktdiagrammet viser en automatisk klyngeinddeling af dine records i seks sammenhængende grupper.
- Enkle søjlediagrammer over tendenser - Denne visualisering repræsenterer den tendensmæssige udvikling af en måling på tværs af en tidskolonne i dit datasæt. Den kan afsløre interessante mønstre i tendenser såsom vækst eller tilbagegang. Målingen kan være en metrik fra dit datasæt, et antal records eller en gennemsnitsværdi af en metrik pr. record. Den samme indsigt kan også vises med en yderligere prognoselinje i højre side af diagrammet.
- Tendenssammenligning efter dimension - Denne visualisering sammenligner, hvordan tendensen for en målingsværdi har udviklet sig over tid for hvert medlem af en dimension i dine data. Hver linje i dette diagram viser en målings udvikling for et givet medlem af dimensionen. Væksten eller nedgangen i målingsværdien er muligvis ikke konsistent for alle medlemmer i dimensionen, hvilket kan være en interessant indsigt: Hvilket medlem har en tendens, der adskiller sig fra de andre?
- Indekseret tendenssammenligning - Denne visualisering sammenligner relativ vækst for en måling over tid for hvert medlem af en dimensionskolonne i dine data. Hver linje repræsenterer et medlem af dimensionen med en basisindeksværdi på 1.00 angivet for den første tidsperiode. Udviklingen over tid viser den relative værdi i følgende perioder sammenlignet med indeksværdien 1.00 i den første periode. Brug af indeksering i stedet for absolutte værdier giver dig mulighed for at foretage en retfærdig sammenligning af forskellige tendenser, da linjerne viser den egentlige relative udvikling, hvilket sikrer en korrekt sammenligning af væksten for alle medlemmer. Når man kigger på de absolutte værdier for metrikkerne i stedet for indekserede værdier, gør uoverensstemmelser mellem værdierne det ofte umuligt at foretage en korrekt sammenligning af vækst eller nedgang. Brug af indekser hjælper dig med at forstå det faktisk relative mønster.
- Indekserede tendenser efter målinger - Denne visualisering sammenligner den relative udvikling for flere målinger i datasættet over tid. Linjediagrammet visualiserer den indekserede værdi for forskellige metrikker i datasættet over tid, hvor hver linje repræsenterer en måling. Brug af indeksering i stedet for absolutte værdier giver dig mulighed for at foretage en retfærdig sammenligning af forskellige tendenser, da det ofte er umuligt at foretage en korrekt sammenligning af vækst eller nedgang, hvis man kigger direkte på metrikkernes absolutte værdier. Startindeksværdien (1.00) angives for alle metrikker for den første tidsperiode, og linjerne viser den relative udvikling for hver metrik sammenlignet med startpunktet i diagrammet (indekset).
- Sæsonmæssige udsving - Søjlerne i denne visualisering repræsenterer fordelingen af en måling efter måned i år, dag i måned eller dag i uge for et tidsobjekt i dit datasæt. Dette giver dig en indikation af de mulige sæsonmæssige udsving for forholdsværdien på tværs af måneder. Diagrammer over sæsonmæssige udsving er nyttige til identificering af tilbagevendende mønstre i data hen over specifikke perioder. Dette kan være vigtigt for at forstå, hvordan målingsværdier varierer alt efter sæson.
- Brodiagram over medlemmers bidrag - Dette brodiagram viser bidraget for hvert medlem af en dimension i dit datasæt til en målingsværdi over tid. Det hjælper dig til at forstå, hvilke medlemmer der var de største bidragsydere til en variation, en stigning eller et fald i en given tidsperiode. Hver grå søjle i diagrammet repræsenterer en målings samlede værdi i perioden T1. De grønne eller røde søjler mellem to perioder angiver, hvilke medlemmer der steg eller faldt, hvilket vil sige hvordan de bidrog til den overordnede variation.
- Opdeling (sammensætning) af dimensionsmedlemmer vs. målingsværdi - Denne visualisering hjælper dig med at forstå sammensætning (opdeling) af alle medlemmerne af en dimension i dine data, efterhånden som en målings værdi stiger. Søjlerne repræsenterer relative værdier for målingen: Decile 1 = lav målingsværdi efter record (første 10 % af records), Decile 2 = næste 10 %, op til Decile 10 = høj målingsværdi efter record. I hver søjle viser farver andelen (procent af totalen) for hvert medlem af dimensionen i den samlede værdi for målingen, for den pågældende decil. Dette hjælper med at identificere, at strukturen af medlemmernes sammensætning ændres, efterhånden som målingsværdien ændres.
- Histogram over en måling efter record-bins - Denne visualisering viser, hvordan en måling fordeles efter en anden metriks bins. Søjlerne i diagrammet viser aggregeringen af målingen, og hver søjle repræsenterer en bin for en måling: Bin 1 = lav målingsværdi efter record og Bin 10 = høj målingsværdi efter record.
- Kassediagram for dimensionsmedlemmer - Denne kassediagramvisualisering sammenligner spredningen af enheder i en dimension, D1, (middel kardinalitet) i dine data (prikker) med værdien af en måling i dine data og er repræsenteret af hvert medlem af den anden dimension, D2 i dine data (søjler). Hver lodret søjle i kassediagrammet repræsenterer et medlem af D2, og hver prik i en søjle er et enkelt D1-medlem, hvor y-aksen viser den gennemsnitlige enhedsværdi for dets måling Hver søjle repræsenterer tre værdier for dette medlem af D2: Den første kvartilværdi nederst i søjlen, gennemsnitsværdien midt i søjlen og den tredje kvartil øverst. Denne visualisering hjælper dig med at forstå spredningen af records i en D1-dimension og sammenligne forskelle i spredningen med medlemmer af en D2-dimension.
- Spredning af record-værdier efter en dimension - Denne diagramvisualisering viser spredningen af records i forhold til en målingsværdi for hvert af medlemmerne af en dimension (søjler). X-aksen viser gennemsnitsværdien for målingen efter record. Prikkerne i søjlerne repræsenterer vilkårlige grupper af granulære records fra datasættet. Denne visualisering hjælp er dig med at forstå, hvordan spredningen kan variere for medlemmerne af en dimension (forskellige vandrette søjler i visualiseringen).
- Sammenligning af kvintiltendens - Denne visualisering sammenligner, hvordan hver af grupperne på 20 % af records i dataene (sorteret efter en målings værdi) fra de øverste til de nederste (kvintiler) har udviklet sig over tid, hvad angår deres målingsværdi. Var væksten eller nedgangen konsistent for de øverste og nederste grupper eller ikke? For hvilken populationsgruppe er målingstendensen forskellig? Hver linje i diagrammet er en kvintil, der viser udviklingen i tendensen over tid for M1-værdien. Kvintiler er grupper, der hver udgør 20 % af records i et datasæt, sorteret efter faldende målingsværdi: først de øverste 20 % værdier, derefter de næste 20 % osv.
