What-If-Analysen und Forecasting mit Microsoft Power BI

Was wäre, wenn… So, oder so ähnlich beginnen Schätzungen, deren Ergebnisse sich potenziell für Planungen oder Zielsetzungen nutzen lassen. Wenn diese Schätzungen jedoch unbegründet sind, d.h. ihnen die Datengrundlage fehlt, dann bleiben sie nichts anderes als ein Bauchgefühl.

Auf die eigene Intuition zu vertrauen, ist in vielen Situationen sicherlich hilfreich. Daten liefern uns jedoch eine gewisse „unabhängige Wahrheit“, die nicht auf unserer subjektiven Erfahrung basiert. Was wäre, wenn… wir also unsere Daten für Schätzungen nutzen könnten?

In diesem Artikel wollen wir dir zeigen, wie du „What-if“-Analysen in Microsoft Power Bi umsetzen kannst. Power Bi bietet außerdem die Möglichkeit, „Forecasting“ zu nutzen. Was das ist und wie das geht, besprechen wir ebenfalls. Legen wir also los!

Measures erstellen

Nehmen wir einmal an, unser (fiktiver) Kunde „RoboT3ch“ hat uns damit beauftragt, ihm bei seinen Schätzungen zu helfen. Er möchte gern wissen, wie viel Gesamtumsatz er generieren würde, wenn er durchschnittlich x Prozent mehr Umsatz erwirtschaften könnte.

In Power BI legen wir dazu zunächst unsere Measures an. Wir berechnen den monatlichen Umsatz (Sales Amount) sowie den fortlaufenden Jahreswert (Sales Year-to-Date).

• Sales Amount

1Sales Amount = SUM('Sales'[Sales])

• Sales Year-to-Date

1Sales YTD = 
2CALCULATE( 
3  [Sales Amount],
4  DATESYTD(Dates[Date])
5)

Zur Visualisierung nutzen wir ein einfaches Line Chart. Dort fügen wir unsere Sales YTD sowie Date Measure hinzu. Für unsere Datumswerte nutzen wir die CALENDAR() Funktion in Power BI.

Jahresziel als konstante Linie

Außerdem fügen wir dem Chart eine konstante Linie hinzu, die das (fiktive) Jahresziel von Robot3ch darstellen soll. Dazu klicken wir auf das Chart und wählen im Reiter Visualisierungen das Analytics Tab aus (die Lupe). Anschließend klicken wir Constant Line und geben unseren Zielwert ein. Wir haben in unserem Beispiel ein Jahresziel von 100 Mio. Dollar Umsatz. Das Chart schaut nun wie folgt aus:

What-if Parameter anlegen

Die What if Parameter finden wir im Menü unter Modeling.

"Modeling Tab in Power BI Desktop"

Nachdem wir auf den Button geklickt haben, öffnet sich ein Fenster, das wir zur Konfiguration nutzen können. Dort können wir unserem Parameter einen Namen geben, den Datentypen bestimmen und einen Wertebereich festlegen. Wir wählen hier als Minimum 0 und als Maximum den Wert 2. Zudem legen wir fest, dass die Werte den Abstand von 0.01haben sollen – das entspricht letztlich 1%. Außerdem können wir mit dem Häkchen bei Add Slicer to this page automatisch ein Auswahlfeld hinzufügen.

Abschließend bestätigen wir mit OK. Dadurch haben wir unsere Measure Increase erstellt. Im nächsten Schritt wollen wir diese nun mit unseren Sales-Werten verbinden.

Sales Increased Measure erstellen

Für unsere Increase Measure hatten wir als Standard den Wert 0 festgelegt, mit den Abständen von 0.01 bzw. 1%. Unsere geschätzte Measure Sales Increased bilden wir nun indem wir unseren ungeschätzten Wert (im Beispiel: Sales YTD) addieren – und zwar mit dem Produkt aus sich selbst und dem Increase Value.

1Sales Incresed = [Sales YTD] + [Sales YTD] * [Increase Value]

Nachfolgend verschieben wir den Regler, zum Beispiel auf 9% und sehen, dass wir unser gesetztes Ziel bereits erreicht hätten.

Forecasting mit Zeitreihen-Daten

Im letzten Abschnitt wollen nun abschließend zeigen, wie wir Prognosen in Power BI umsetzen können. Für prediktive Analysen sind vor allem Zeitreihen-Daten interessant. Sie sollten über den gleichen „Abstand“ verfügen, meist sind es Tage, aber auch Minuten oder Stunden sind denkbar – je nach Anwendungsfall. In besonderen Fällen handelt es sich auch um Millisekunden, etwa bei High-Frequency-Trading.

Forecasting in Power BI ist (derzeit) nur mit Line Charts möglich und ist abhängig von den Daten. In einigen Fällen, wird die Option nicht angezeigt, wenn zum Beispiel Daten fehlen oder zu wenige Datenpunkte vorhanden sind. Die Option Forecast finden wir ebenfalls im Analytics Tab (dort wo wir unsere Konstante Linie eingefügt haben). Das Menü schaut wie folgt aus:

• Length: Wie weit in die Zukunft wollen wir schauen?
• Confidence Interval: Wie „sicher“ soll die Prognose sein?
• Seasonality: Welcher Zeitraum soll betrachtet werden

Besonders der Wert Seasonality ist anfangs nicht gleich zu verstehen, da er sich nach den Datenpunkten im Datensatz richtet. In unserem Fall sind die Werte monatsweise vorhanden, ein Point entspricht also einem Monat. Wären die Daten tagsweise vorhanden, dann hätten wir für einen Zeitraum von 6 Monaten etwa 6*30, also 180 Punkte gewählt. Zusätzlich lassen sich noch weitere Dinge einstellen, so etwa die Farbe oder den Stil der Linie.

Unser Endergebnis schaut nun wie folgt aus:

Wie wir an der Linie sehen können, sagt unser Modell, basierend auf den Ergebnissen der Vormonate, ein steigendes Wachstum voraus. Die Breite der Schattierung zeigt dabei an, wie stark die Schätzung varrieren kann. Ein schmales Band deutet auf wenig Varianz in der Schätzung hin, ein breites Band wiederum auf eine starke Ungenauigkeit.