Moving Average Ssas

SQL Server Denali PowerPivot Alberto Ferrari schrieb bereits über die Berechnung der gleitenden Durchschnittswerte im DAX 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 Datumstabelle 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 mit der Kalenderhierarchie auf die Zeilen (anstelle des Datums). Zur Vereinfachung habe ich die Semester - und Viertelniveaus mit Hilfe der Excel8217s-Pivot-Tabellenoptionen (Option ShowHide fields) 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 Geschäftsanforderung (die vernünftig für einen täglichen Durchschnitt klingt), dann die Aggregation funktioniert auf monatlicher 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 berechnen, wie in dem folgenden Code hervorgehoben: Umsatzbetrag (30d durchschn.): AverageX (160 Summe (160160160 Terminsdatum, DateDate, LastDate, - 30, DAY) 160160160, DateDate 160160160. quotSalesAmountSumquot 160160160. Summe (Internet SalesSales Amount) 160) 160, SalesAmountSum) Da wir diesen Ausdruck über den angegebenen Zeitraum auswerten, ist der einzige Kontext, der hier überschrieben wird, 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 die Dinge klar zu machen, solange wir diesen Ausdruck außerhalb eines Datumskontexts auswerten, ist alles gut, wie die folgende DAX-Abfrage zeigt, wenn sie von Management Studio auf der Internet-Vertriebsperspektive unseres Modells ausgeführt wird (unter Verwendung der tabellarischen Datenbank mit den gleichen Daten ): 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. So, hier sind wir mit dem 8230 Verkaufsbetrag (30d avg): AverageX (160 Summarize (160.160.160 datesinperiod (DateDate, lastdate (DateDate), - 30, TAG) 160160160, DateDate 160160160. quotSalesAmountSumquot 160160160. berechnen (Sum (Internet SalesSales Betrag) , 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). Ich habe dieses berechnet Mitglied berechnet einen gleitenden Durchschnitt für die letzte 12 Monate: Die iif-Bedingung ist vorhanden, weil ich keine Werte für zukünftige Monate erhalten will (ohne Wert), die ich ohne es bekommen. Was ich tun möchte, ist diese Maßnahme nur für die letzten 24 Monate seit dem letzten nicht leeren Monat zu haben. Ich habe versucht mit Tail und Lag, aber ohne Glück (ich würde meine Versuche hier aber nach vielen Versuchen ich gelöscht und würde wirklich nicht wissen, wo wieder anfangen). Dank Whytheq ist dies die endgültige Lösung, die ich verwendet habe: In AdvWrks Ive bekam dies: Es gibt dies: Also, was ich sage, ist, dass Sie diese ersten Satz von FutureDatesWithNoData erstellen und dann verwenden können, um eine Bedingung in Ihrem Skript zu erstellen. Der Satz würde (ich denke) dies in Ihrem Cube: Ihre Maßnahme wäre dann wie folgt: Wenn Sie auch ausschließen Monate vor 24 Monaten, dann dieses Skript fasst die Logik: Danke aber vielleicht didn39t erklären mein Problem gut genug. Während dies in der Tat verbirgt sich die Zukunft Monate, ist mein Hauptproblem, dass ich nur die letzten 24 nicht leeren Monaten bekommen wollen. Zum Beispiel, wenn der letzte nicht leere Monat Mai 2015 ist, möchte ich Monate nur so weit zurück wie Juni 2013 bis Mai 2015 einschließen. Also im Grunde, verstecken Sie beide künftige Monate und Monate, die gt24 Monate sind zurück von der letzten nicht leeren . Ndash user4483037 Wir können einfach FutureMonthsWithNoData, um einen anderen Satz zu erstellen ndash Whytheq Nach dem Anpassen des letzten Skripts und Hinzufügen der Avg () Teil habe ich jetzt genau das, was ich wollte Danke ndash user4483037 Jun 20 15 at 9:57 user4483037 Vergnügen. Ich genoß, mit diesem Skript zu spielen. Vielen Dank. Könnten Sie vielleicht Ihre Frage mit dem letzten Code, den Sie verwendet haben, bearbeiten. Ndash whytheq Jun 20 15 um 10: 40Assuming Sie haben Datum Dimensionen in Ihrem Modell und basierend auf Ihrem Monat Short Name mit Jahr. Hier können Sie einen berechneten Maßstab für die gleitende Durchschnitt in Ihrem Szenario erstellen Lassen Sie mich wissen, für alle Details Vorgeschlagen als Antwort von Charlie Liao Microsoft Kontingent Personal, Moderator Freitag, 7. Februar 2014 6:28 AM Als Antwort von Charlie Liao Microsoft Kontingent Mitarbeiter, In der Statistik ist ein gleitender Durchschnitt (gleitender Durchschnitt oder laufender Durchschnitt) eine Berechnung, um Datenpunkte zu analysieren, indem eine Reihe von Durchschnittswerten verschiedener Teilmengen erstellt wird Des vollständigen Datensatzes. Es umfasst einfache gleitenden Durchschnitt, kumulative gleitenden Durchschnitt und gewichteten gleitenden Durchschnitt. In Ihrem Szenario können Sie ein 3. Feld erstellen, das den gleitenden Durchschnitt für die letzten 6 Monate mit einem einfachen gleitenden Durchschnitt berechnet. Hier ist eine Beispielabfrage auf Adventure Works als Referenz. Charlie Liao TechNet Community-Support Freitag, Februar 07, 2014 6:28 AM Alle Antworten Angenommen, Sie haben Datum Dimensionen in Ihrem Modell und basierend auf Ihrem Monat Short Name mit Jahr. Hier können Sie einen berechneten Maßstab für die gleitende Durchschnitt in Ihrem Szenario erstellen Lassen Sie mich wissen, für alle Details Vorgeschlagen als Antwort von Charlie Liao Microsoft Kontingent Personal, Moderator Freitag, 7. Februar 2014 6:28 AM Als Antwort von Charlie Liao Microsoft Kontingent Mitarbeiter, In der Statistik ist ein gleitender Durchschnitt (gleitender Durchschnitt oder laufender Durchschnitt) eine Berechnung, um Datenpunkte zu analysieren, indem eine Reihe von Durchschnittswerten verschiedener Teilmengen erstellt wird Des vollständigen Datensatzes. Es umfasst einfache gleitenden Durchschnitt, kumulative gleitenden Durchschnitt und gewichteten gleitenden Durchschnitt. In Ihrem Szenario können Sie ein 3. Feld erstellen, das den gleitenden Durchschnitt für die letzten 6 Monate mit einem einfachen gleitenden Durchschnitt berechnet. Hier ist eine Beispielabfrage auf Adventure Works als Referenz. Charlie Liao TechNet Community Support Freitag, 07. Februar 2014 6:28 AM Microsoft führt eine Online-Umfrage durch, um Ihre Meinung über die Msdn-Website zu verstehen. Wenn Sie sich für eine Teilnahme entscheiden, wird Ihnen die Online-Umfrage präsentiert, wenn Sie die Msdn-Website verlassen. Möchten Sie teilnehmen 2017 Microsoft. Alle Rechte vorbehalten.