Page Analyses de données

Vous pouvez générer des informations clés pour une table ou pour la vue analytique déployée pour l'analyse des données.

Les informations clés générées par Data Insights pour la vue analytique d'un modèle de gestion peuvent être plus utiles que celles d'une table en raison des métadonnées supplémentaires fournies par une vue analytique.

Les analyses mettent en évidence les points de données comme potentiellement anormaux si la valeur réelle d'une mesure lors du filtrage sur des paires de valeurs de hiérarchie de vues analytiques ou de colonnes de table est considérablement supérieure ou inférieure à la valeur attendue, calculée sur toutes les valeurs de hiérarchie ou de colonne. Les analyses mettent en évidence des modèles inattendus que vous voudrez peut-être examiner.

Les informations clés sont générées automatiquement par diverses fonctions analytiques intégrées à la base de données. Les résultats de l'analyse d'informations clés apparaissent sous la forme d'une série de graphiques à barres dans le tableau de bord Informations clés sur les données.

Data Insights utilise les étapes suivantes pour générer des informations clés :

1. Recherche les valeurs d'une mesure, par exemple Sales, dans toutes les paires distinctes de la hiérarchie ou des valeurs de colonne de la mesure. Si Sales a les hiérarchies ou colonnes Situation familiale, Tranche d'âge, Niveau de revenu et Sexe, les paires sont les valeurs de chaque valeur distincte de chaque hiérarchie ou colonne associée à chaque valeur distincte de chacune des autres hiérarchies ou colonnes. Par exemple, si les valeurs de la situation matrimoniale sont Marié et Célibataire et que les valeurs de la tranche d'âge sont A, B et C, les paires sont Marié et A, Marié et B, Marié et C, Célibataire et A, Célibataire et B et C. Chaque valeur distincte de la situation de famille serait également associée à chaque valeur distincte du niveau de revenu et du sexe, etc.
2. Estime une valeur attendue pour la mesure pour chaque paire de hiérarchies ou de colonnes.
3. Calcule la valeur réelle de la mesure pour chaque paire de hiérarchies ou de colonnes, par exemple Situation de famille = S, Tranche d'âge = C, puis la différence entre la valeur réelle et la valeur attendue.
4. Score toutes les différences et sélectionne les plus grandes variations entre les valeurs réelles et attendues à mettre en évidence en tant qu'informations potentielles.

Les informations obtenues mettent en évidence les cas où la valeur de mesure est significativement plus grande ou plus petite pour une paire de valeurs de hiérarchie ou de colonne donnée que prévu, par exemple des ventes beaucoup plus élevées où Situation familiale = S et Tranche d'âge = C.

Les analyses des vues analytiques ont tendance à utiliser les niveaux supérieurs d'une hiérarchie, car les différences entre les valeurs estimées et réelles sont généralement plus importantes que celles des attributs de niveau inférieur. Par exemple, la différence en dollars entre les ventes estimées et réelles pour l'ensemble des États-Unis est généralement supérieure à la différence entre les ventes estimées et réelles pour une ville de moins de 1000 habitants. La différence est calculée en valeurs absolues et non en pourcentages.

Les informations relatives aux tables classent les colonnes en tant que colonnes de dimension ou de mesure en fonction de leurs types de données et de leur cardinalité. Une colonne VARCHAR2 est toujours classée en tant que dimension, mais une colonne NUMBER peut être une dimension ou une mesure. Par exemple, une colonne NUMBER pour les valeurs YEAR qui ne comporte que 10 valeurs distinctes dans une table de 1 million de lignes est supposée être une dimension.

Utilisez ces procédures pour générer des informations clés et afficher des rapports les concernant.