Sie können Insights für eine Tabelle oder für die für die Datenanalyse bereitgestellte Analyse-View generieren.

Die Insights, die Data Insights für die Analyse-View eines Geschäftsmodells generiert, können aufgrund der zusätzlichen Metadaten, die eine Analyse-View bereitstellt, nützlicher sein als die für eine Tabelle.

Insights heben Datenpunkte als potenziell anomal hervor, wenn der Istwert für eine Kennzahl beim Filtern nach Paaren von Analyse-View-Hierarchiewerten oder Tabellenspaltenwerten erheblich höher oder niedriger als der erwartete Wert ist, der für alle Hierarchie- oder Spaltenwerte berechnet wird. Insights heben unerwartete Muster hervor, die Sie möglicherweise untersuchen sollten.

Insights werden automatisch von verschiedenen analytischen Funktionen generiert, die in die Datenbank integriert sind. Die Ergebnisse der Insights-Analyse werden als eine Reihe von Balkendiagrammen im Dashboard "Daten-Insights" angezeigt.

Daten Insights generieren Insights, indem sie die folgenden Schritte ausführen:

1. Sucht die Werte einer Kennzahl, z.B. Umsatz, in allen eindeutigen Paaren der Hierarchie- oder Spaltenwerte für die Kennzahl. Wenn {\b Sales} die Hierarchien oder Spalten {\b Marital Status}, {\b Age Band}, {\b Income Level} und {\b Gender} enthält, sind die Paare die Werte aller eindeutigen Werte jeder Hierarchie oder Spalte, die mit jedem eindeutigen Wert jeder der anderen Hierarchien oder Spalten gekoppelt sind. Beispiel: Wenn die Werte für den Familienstand "Verheiratet" und "Ledig" und die Werte für die Altersgruppe "A", "B" und "C" sind, sind die Paare "Verheiratet" und "A", "Verheiratet" und "B", "Verheiratet" und "C", "Ledig" und "A", "Ledig" und "B" sowie "Ledig" und "C". Jeder eindeutige Wert für den Familienstand ist auch mit jedem eindeutigen Wert für Einkommensniveau und Geschlecht usw. verknüpft.
2. Schätzt einen erwarteten Wert für die Kennzahl für jedes Hierarchie- oder Spaltenpaar.
3. Berechnet den Istwert für die Kennzahl für jedes Hierarchie- oder Spaltenpaar, z.B. Familienstand = S, Altersgruppe = C. Anschließend wird die Differenz zwischen dem Istwert und dem erwarteten Wert berechnet.
4. Bewertet alle Differenzen und wählt die größten Abweichungen zwischen den Ist- und erwarteten Werten aus, um diese als potenzielle Insights zu markieren.

Die resultierenden Insights heben Fälle hervor, in denen der Kennzahlenwert für ein bestimmtes Hierarchie- oder Spaltenwertpaar signifikant höher oder niedriger als erwartet ist, z.B. viel höhere Umsätze mit Familienstand = S und Altersgruppe = C.

Insights für Analyse-Views verwenden in der Regel die höheren Ebenen einer Hierarchie, da die Unterschiede zwischen den geschätzten und Ist-Werten im Allgemeinen größer sind als bei Attributen niedrigerer Ebenen. Beispielsweise ist die Differenz in Dollar zwischen den geschätzten und tatsächlichen Verkäufen für die gesamten USA im Allgemeinen größer als die Differenz zwischen den geschätzten und tatsächlichen Verkäufen für eine Stadt mit einer Bevölkerung unter 1000. Die Differenz wird in Absolutwerten berechnet, nicht in Prozent.

Insights für Tabellen kategorisieren Spalten als Dimensionsspalten oder Kennzahlenspalten basierend auf ihren Datentypen und ihrer Kardinalität. Eine Spalte VARCHAR2 wird immer als Dimension kategorisiert, eine Spalte NUMBER hingegen kann entweder eine Dimension oder eine Kennzahl sein. Beispiel: Eine NUMBER-Spalte für YEAR-Werte, die nur 10 eindeutige Werte in einer Tabelle mit 1 Million Zeilen enthält, wird als Dimension betrachtet.

Verwenden Sie diese Verfahren, um Insights zu generieren und Berichte darüber anzuzeigen.