Power BI Bookmarks III. – možnosti a limitace využití | Mňamka #409

V posledním díle průvodce po Power BI Bookmarks se podíváme na to, jak lze záložky používat a kdy je naopak lepší zvolit jinou možnost vizualizace.

Jeden z nejčastějších příkladů záložek - vyskakovací panel s filtry - jsme si názorně ukázali již v předchozí části. Hlavní výhodou je úspora místa, která vznikne tím, že filtry a slicery přesuneme do skryté části, přičemž si je uživatel může zobrazit jen v případě, že je chce využít.

Záložky můžete využít i v případě, když potřebujete na report vtěsnat více vizuálů, ale nechcete tak činit na úkor přehlednosti.

Prostřednictvím záložky umístíte na report více objektů na sebe a necháte uživatele, aby si sám vybral, který si zrovna zobrazí. Může se jednat o překlikávání mezi stejnými informacemi, ale v jiné úrovni detailu, nebo může jít o absolutně odlišné objekty. Fantazii se meze nekladou.

Informační funkce

Obsahuje váš report mnoho prvků, které vyžadují dodatečné informace či vysvětlení pro uživatele, jak dané prvky využívat? Buď můžete schovat tyto instrukce do tooltipu ke každému objektu, nebo dáte uživateli možnost zobrazit si všechny informace naráz, čímž mu ušetříte mnoho překlikávání.

Základem tohoto způsobu použití je doplnění reportu o kombinaci tvarů a textových polí, do kterých doplníte instrukce dle vaší potřeby. Záložku pak nastavíte tak, aby se všechny dodatečné informace zobrazily a ukryly po stisknutí určitého tlačítka.

Záložky versus parametry polí

Pojďme nyní od záložek odbočit k jinému nástroji, které nabízí Power BI, a tím jsou parametry polí, neboli Field Parameters.

Parametry polí představují relativně novou funkci Power BI, která umožňuje uživatelům dynamicky měnit metriky nebo dimenze v rámci vizuálů podle svých preferencí. V určitém ohledu tedy suplují funkci záložek, přičemž ale přináší značnou úsporu paměti.

Parametry polí naleznete pod možností Modelování > Nový Parametr > Pole (Modeling > New parameter > Fields)

Pokud chcete vytvořit parametr, zadejte jeho název a vyberte pole, která chcete použít. V tomto ukázkovém případě jsme vybrali dvě metriky, mezi kterými si bude uživatel vybírat – právě ty pro nás představují naše pole.

Stisknutím tlačítka Create se automaticky vytvoří kalkulovaná tabulka, která je zcela odpojená od modelu:

Tato tabulka obsahuje tři sloupce: jméno parametru, které se zobrazí ve sliceru, odkaz na metriky nebo dimenze použité v parametru polí a pořadí těchto polí.

S parametry pracujeme jako s jakoukoliv metrikou nebo dimenzí. V následujícím případě tedy parametr přidáme do Values a za pomoci sliceru vybíráme metriku, kterou chceme v danou chvíli zobrazit v rámci jednoho vizuálu.

Stejného výsledku bychom dosáhli i za pomocí záložek, a to tak, že bychom vytvořili dva grafy, které by se navzájem překrývaly. Proč tedy v tomto případě použít parametry polí namísto záložek?

Použití parametrů je jednodušší a rychlejší, ale hlavně je na jejich fungování potřeba méně paměti. Jistě jste si také všimli, že čím více objektů na stránce máte, tím déle trvá jejich načítání. I když se objekty navzájem překrývají, i tak se v rámci Power BI nahrávají na pozadí. V případě parametrů polí se druhý vizuál začne načítat až v okamžiku, kdy si ho uživatel vybere prostřednictvím sliceru.

Jak jsme tedy uvedli výše, záložky mají mnohé výhody a možnosti jejich využití jsou nepřeberné. I tento nástroj má však své limity, a proto i v případě záložek platí pravidlo používat je s mírou a zamyslet se pro každý use case, zda Power BI nenabízí efektivnější řešení.

Zapomněla jsem na něco? Chcete se na něco zeptat? Napište mi. 

Terka

Tereza Augustinová
datový detektiv
LinkedIn

Dataři: Kdo jsme a jak už si nás mezi sebou neplést | Mňamka #526

Dataři: Kdo jsme a jak už si nás mezi sebou neplést | Mňamka #526

Jaké role můžete poznat v oblasti datové analýzy? Role jako je např. datový inženýr, datový analytik a datový vědec, a jaká je jejich funkce a proč je důležité rozlišovat mezi těmito profesemi? Vysvětlíme, jak každá z těchto rolí přispívá k Business Intelligence a jaké jsou jejich klíčové rozdíly.

Data Storytelling: Rychlé vs Pomalé datové myšlení | Mňamka #525

Data Storytelling: Rychlé vs Pomalé datové myšlení | Mňamka #525

Znáte ten pocit, když se už několik desítek minut hrabete ve složité tabulce a stále nemůžete najít odpovědi na svoje otázky? My už dávno ne. Umíme si totiž najít zkratku z pomalého myšlení do toho rychlého.

Keboola a Kai PromtLab | Mňamka #524

Keboola a Kai PromtLab | Mňamka #524

Objavte PromptLab, sofistikované riešenie od Kebooly a Kai PromtLab na zlepšenie interakcií s umelou inteligenciou. V tomto článku sa dozviete, ako PromptLab využíva technológiu Streamlit na automatické prispôsobovanie výziev za účelom dosiahnutia lepšej jasnosti a presnosti vo vašich projektoch. Oboznámte sa s intuitívnym rozhraním, ktoré vám umožní porovnávať výsledky a optimalizovať pracovné postupy.