Olap Gleitender Durchschnitt

Diese Frage schmerzt mein Gehirn, um darüber zu sprechen. Hoffentlich kann ich es richtig erklären. Ich habe die folgende Berechnung in meinem Cube definiert: Dies sollte mir eine 52-Wochen-schleppende Summe von Umsatz, und es tut. Aber NUR, wenn der Würfel auf eine wöchentliche Ansicht in Excel erweitert wird. Wenn es auf eine Viertel - oder YTD-Ansicht aufgerollt wird, zeigt es die Summe der Verkäufe an, die nur in der Roll-Up-Periode aufgetreten sind. Hier ist ein Screenshot erklärt, was ich meine: Was ich nicht verstehe ist, warum die Viertel-und Periode (Monat) Roll-ups nicht eine volle Jahre Wert von Daten enthalten. Wenn ein Jahr im Wert von Umsatz rückläufig ab 1 1 2005 954.000 war, macht es keinen Sinn, dass Quartal 1, 2005 zeigt ein Jahr Wert von Umsatz nur 252.000 ist. Kann mir jemand helfen, zu verstehen, was Im seeing ich etwas falsch gemacht haben, wie schreibe ich einen gleitenden Durchschnitt Berechnung, die auch genau Mar beim Aufrollen fragte 16 15 21: 07SQL Server Denali Power Alberto Ferrari schrieb bereits über Moving Averages in DAX Berechnung von Mit einer berechneten Spalte. Ich möchte hier einen anderen Ansatz unter Verwendung einer berechneten Maßnahme vorstellen. Für den gleitenden Durchschnitt I8217m berechnen einen täglich gleitenden Durchschnitt (in den letzten 30 Tagen) hier. Für mein Beispiel, I8217m mit der PowerPivot-Arbeitsmappe, die als Teil der SSAS-Tabellarischen Model-Projekte aus den Denali CTP 3 Proben heruntergeladen werden können. In diesem Beitrag, I8217m Entwicklung der Formel Schritt für Schritt. Allerdings, wenn Sie in Eile sind, könnten Sie direkt auf die endgültigen Ergebnisse unten zu springen. In den Details sehen die Beispieldaten folgendermaßen aus: In jedem row8217s-Kontext gibt der Ausdruck DateDate den aktuellen Kontext an, dh das Datum für diese Zeile . Aber aus einer berechneten Maßnahme können wir nicht auf diesen Ausdruck verweisen (da es keine aktuelle Zeile für die Date-Tabelle gibt), stattdessen müssen wir einen Ausdruck wie LastDate (DateDate) verwenden. Also, um die letzten 30 Tage zu erhalten, können wir diesen Ausdruck verwenden Wir können jetzt unsere Internetverkäufe für jeden jener Tage zusammenfassen, indem wir die Zusammenfassungsfunktion verwenden: Summarize (160 DatesInPeriod (DateDate, LastDate (DateDate), - 30, DAY) 160, DateDate 160 quotSalesAmountSumquot 160 Sum (Internet SalesSales Amount)) Und schließlich we8217re die DAX-Funktion AverageX mit dem Mittelwert dieser 30 Werte zu berechnen: Verkaufsbetrag (30d avg): AverageX (160 Summarize (160.160.160 DatesInPeriod (DateDate, lastdate (DateDate), - 30, TAG) 160160160, DateDate 160160160. quotSalesAmountSumquot 160160160. Sum (Internet SalesSales Betrag) 160) 160, SalesAmountSum) Dies ist die Berechnung, die in unserem Internet-Sales-Tabelle verwenden, wie unten im Screenshot zu sehen: Beim Hinzufügen dieser Berechnung zu der Pivot-Tabelle von oben sieht das Ergebnis folgendermaßen aus: Betrachtet man das Ergebnis, so scheint es, dass wir vor dem 1. Januar 2003 Daten haben: Der erste Wert für den gleitenden Durchschnitt ist identisch mit dem Tageswert ( Es gibt keine Zeilen vor diesem Datum). Der zweite Wert für den gleitenden Durchschnitt ist tatsächlich der Durchschnitt der ersten beiden Tage und so weiter. Dies ist nicht ganz richtig, aber I8217m immer wieder auf dieses Problem in einer Sekunde. Der Screenshot zeigt die Berechnung für den gleitenden Durchschnitt vom 31. Januar als Durchschnitt der täglichen Werte vom 2. bis 31. Januar. Unsere errechnete Maßnahme funktioniert auch, wenn Filter angewendet werden. Im folgenden Screenshot habe ich zwei Produktkategorien für die Datenreihe verwendet: Wie funktioniert unsere berechnete Messung auf höheren Aggregationsebenen Um herauszufinden, I8217m über die Kalenderhierarchie in den Zeilen (anstelle des Datums). Zur Vereinfachung habe ich die Semester - und Viertelniveaus mit den Excel8217s Pivot-Tabellenoptionen (Option "Hide Hide") entfernt. Wie Sie sehen können, funktioniert die Berechnung immer noch gut. Hier ist das monatliche Aggregat der gleitende Durchschnitt für den letzten Tag des jeweiligen Monats. Sie sehen das deutlich für Januar (Wert von 14.215.01 erscheint auch im Screenshot oben als Wert für den 31. Januar). Wenn dies die geschäftliche Anforderung (die vernünftig für einen Tagesdurchschnitt klingt), dann die Aggregation funktioniert auf einer monatlichen Ebene (sonst müssen wir Feinabstimmung unserer Berechnung und das wird ein Thema der kommenden Post sein). Aber obwohl die Aggregation auf monatlicher Ebene sinnvoll ist, wenn wir diese Ansicht auf den Tagespegel erweitern, sehen wir, dass unsere berechnete Maßnahme einfach den Umsatz für diesen Tag, nicht den Durchschnitt der letzten 30 Tage, zurückgibt: Wie kann das sein? Das Problem ergibt sich aus dem Kontext, in dem wir unsere Summe zu berechnen, wie im folgenden Code hervorgehoben: Verkaufsbetrag (30d avg): AverageX (160 Summarize (160.160.160 datesinperiod (DateDate, lastdate (DateDate), - 30, TAG) 160160160, DateDate 160160160. quotSalesAmountSumquot 160160160. Sum (Internet SalesSales Betrag) 160) 160, SalesAmountSum) Da wir diesen Ausdruck über den angegebenen Terminen Zeit auszuwerten, die einzige Zusammenhang, dass hier überschrieben wird, ist DateDate. In unserer Hierarchie verwenden wir verschiedene Attribute aus unserer Dimension (Kalenderjahr, Monat und Tag des Monats). Da dieser Kontext noch vorhanden ist, wird die Berechnung auch durch diese Attribute gefiltert. Und dies erklärt, warum wir den aktuellen tag8217s Kontext immer noch für jede Zeile vorhanden ist. Um Dinge klar zu machen, solange wir diesen Ausdruck außerhalb eines Datumskontexts auswerten, ist alles in Ordnung, wie die folgende DAX-Abfrage bei der Ausführung von Management Studio im Internet Vertriebsperspektive unseres Modells (unter Verwendung der tabellarischen Datenbank mit denselben Daten) zeigt ): evaluate (160.160.160 Summarize (160160160160160160160 datesinperiod (DateDate, Datum (2003,1,1), - 5, DAY) 160160160160160160160, DateDate 160160160160160160160. quotSalesAmountSumquot 160160160160160160160. Sum (Internet SalesSales Betrag) 160160160)) Hier reduzierte ich die Zeitperiode Auf 5 Tage setzen und auch ein festes Datum festlegen, da LastDate (8230) das letzte Datum meiner Datendimensionstabelle ergeben würde, für die in den Beispieldaten keine Daten vorhanden sind. Hier ist das Ergebnis aus der Abfrage: Nach dem Setzen eines Filters auf 2003 werden jedoch keine Datenzeilen außerhalb von 2003 in die Summe aufgenommen. Das erklärt die oben stehende Bemerkung: Es sah so aus, als hätten wir erst ab dem 1. Januar 2003 Daten. Und jetzt wissen wir, warum: Das Jahr 2003 war auf dem Filter (wie man im ersten Screenshot dieses Beitrags sehen kann) und Daher war es bei der Berechnung der Summe vorhanden. Jetzt müssen wir nur noch diese zusätzlichen Filter loswerden, weil wir schon unsere Ergebnisse nach Datum filtern. Der einfachste Weg, dies zu tun, besteht darin, die Berechnungsfunktion zu verwenden und ALL (8230) für alle Attribute anzuwenden, für die wir den Filter entfernen möchten. Da wir einige dieser Attribute (Jahr, Monat, Tag, Wochentag, 8230) haben und wir den Filter von allen entfernen wollen, aber das Datumsattribut, ist die Verknüpfungsfunktion ALLEXCEPT hier sehr nützlich. Wenn Sie einen MDX-Hintergrund haben, werden Sie sich fragen, warum wir don8217t ein ähnliches Problem bei der Verwendung von SSAS im OLAP-Modus (BISM Multidimensional) erhalten. Der Grund ist, dass unsere OLAP-Datenbank Attributbeziehungen hat, also nach der Einstellung des Attributs date (key) werden die anderen Attribute automatisch auch geändert und wir müssen uns darum kümmern (siehe mein Beitrag hier). Aber im tabellarischen Modell haben wir Attributbeziehungen (nicht einmal ein echtes Schlüsselattribut) und deshalb müssen wir unerwünschte Filter aus unseren Berechnungen eliminieren. Also hier sind wir mit dem 8230 Umsatz Betrag (30d Durchschn.): AverageX (160 Summe (160160160 Datumsdaten (DatumDate, LastDate (DatumDatum), - 30, DAY) 160160160, DatumDatum 160160160. quotSalesAmountSumquot 160160160. berechnen (Summe (Internet SalesSales Amount) , ALLEXCEPT (Date, DateDate) 160), SalesAmountSum) Und dies ist unsere letzte Pivot-Tabelle in Excel: Um den gleitenden Durchschnitt zu veranschaulichen, hier ist der gleiche Datenauszug in einer Diagrammansicht (Excel): Obwohl wir unsere Daten auf gefiltert haben 2003 berücksichtigt der gleitende Durchschnitt für die ersten 29 Tage des Jahres 2003 die entsprechenden Tage des Jahres 2002 korrekt. Sie werden die Werte für den 30. Januar und 31. Januar aus unserem ersten Ansatz zu erkennen, da diese waren die ersten Tage, für die unsere erste Berechnung hatte eine ausreichende Menge an Daten (volle 30 Tage).