Mit dem Aufkommen von UDFs sollten wir die Verwendung von Berechnungsgruppen überdenken.

Beides sind wesentliche Merkmale bei der Vereinfachung eines semantischen Modells durch Modularisierung der Logik und Reduzierung der Duplizierung der Geschäftslogik.

Während UDFs sehr nützlich sind, um die Geschäftslogik zu standardisieren und sie nur einmal professional Datenmodell zu haben, sind Berechnungsgruppen für Berichtsdesigner nützlich, um Geschäftslogik auf Kennzahlen anzuwenden.

Berechnungsgruppen sind für Berichtsdesigner sichtbar, UDFs können jedoch nur innerhalb von DAX-Ausdrücken und nicht im Entrance-Finish verwendet werden.

Ressourcen zum Kombinieren von UDFs und Berechnungsgruppen finden Sie im Abschnitt „Referenzen“ weiter unten.

Die Frage ist, ob wir explizite Maßnahmen hinzufügen oder den Benutzern nur Berechnungsgruppen anbieten sollten.

Hier ist ein Beispiel:

Ich muss die Möglichkeit bieten, den Vorjahreswert zu berechnen.

• Ich kann ein Berechnungselement anbieten, mit dem der Benutzer das gewünschte Ergebnis erzielen kann.
• Ich kann ein explizites Maß für das PY-Ergebnis hinzufügen.

Die Frage ist: Welches bietet mehr Flexibilität und ist einfacher zu verwenden?

Das ist die Frage, die ich hier zu beantworten versuche.

Die Ansicht des Benutzers

Erstens: Wer ist der Benutzer?

Es gibt zwei Benutzergruppen:

• Berichtsdesigner, die unsere semantischen Modelle verwenden und das semantische Modell leicht verstehen müssen
• Berichtskonsumenten müssen verstehen, was wir in den Visualisierungen zeigen, ohne viel Interpretationsspielraum.

Letztendlich müssen wir beide Benutzergruppen unterstützen, wenn wir ein semantisches Modell erstellen.

Im abschließenden Abschnitt unten finden Sie meine wichtigste Richtlinie beim Entwerfen eines semantischen Modells.

Aber sehen wir uns zunächst die Auswirkungen der beiden Ansätze für unsere Benutzer an.

Verwendung von Matrixvisualisierungen

Zuerst habe ich eine Matrix erstellt.

Die Matrix sollte die Kalenderhierarchie als Zeilen und die Kennzahlen für On-line-Verkäufe, PY und PM in den Spalten enthalten.

Außerdem möchte ich die Ergebnisse nach Marke aufschlüsseln.

Zuerst habe ich es mit Berechnungselementen gemacht:

Das Ergebnis entspricht den Anforderungen.

Beachten Sie, dass ich die Berechnungselemente filtern muss, um das PY-Ingredient (Woche) auszuschließen, da es bei Verwendung mit Quartalen und Monaten zu einem Fehler führen würde.

Als nächstes habe ich es mit expliziten Maßnahmen gemacht:

Wie Sie sehen, sind die Ergebnisse identisch.

Beachten Sie jedoch, dass in der ersten Spalte der Identify der Kennzahl anstelle des Namens des Berechnungselements angezeigt wird, wie Sie im ersten Screenshot sehen können.

Mit Express Measures kann ich den im Bild angezeigten Namen ändern. Beispielsweise haben die Kennzahlen für PY und PM einen unterschiedlichen Namen:

Dies ist bei Verwendung von Berechnungselementen nicht möglich. Die Visuals zeigen immer die Namen der Berechnungselemente an und ich kann sie nicht umbenennen.

Ich sehe nicht einmal den Namen der ursprünglichen Maßnahme.

Daher muss ich dem Visible einen aussagekräftigen Titel hinzufügen. Ich empfehle aber trotzdem, dies zu tun.

Verwendung anderer Visualisierungstypen (Spalten oder Balken)

Als nächstes habe ich es mit Spaltenvisualisierungen gemacht:

Das obere Visible verwendet die Berechnungselemente und das untere Visible enthält die expliziten Kennzahlen.

Hier haben wir die gleiche State of affairs wie zuvor:

• Ich muss einen Filter für die Berechnungselemente für das obere Bild hinzufügen.
• Ich kann die Kennzahlen im unteren Bild umbenennen.

Aber die Ergebnisse sind immer noch die gleichen.

Ich habe die Standardposition für Titel und Legende beibehalten. Sie sehen, dass sie geändert werden müssen, da sie doppelte Informationen enthalten. Darüber hinaus sieht man in der oberen Variante im Untertitel den Begriff „Zeitfunktion“, der für jeden Berichtskonsumenten bedeutungslos ist.

Abgesehen von den Titeln und Untertiteln sind die Unterschiede im Vergleich zum Matrixvisual sogar noch geringer.

Pivot-Tabellen in Excel

Schauen wir uns nun an, wie es in Excel-Pivot-Tabellen funktioniert:

Aber hier haben wir ein Drawback mit dem PY-Berechnungselement:

Was sich nicht ändert, ist die Notwendigkeit, die Berechnungselemente zu filtern, um nur die benötigten Elemente zu behalten:

Wie Sie sehen, ist die Spalte „PY“ leer, obwohl Daten für das Jahr 2022 vorliegen.

Als ich dies mit expliziten Maßnahmen versuchte, erhielt ich dieses Ergebnis:

Selbst bei expliziten Maßnahmen bleibt das PJ-Drawback bestehen.

Ich habe dann mithilfe der klassischen Zeitintelligenz eine PY-Kennzahl hinzugefügt, und es hat funktioniert, wie oben mit den grün hervorgehobenen Werten gezeigt.

Dies weist auf ein Drawback mit Excel und kalenderbasierter Zeitintelligenz hin.

Aber ich kann die Kennzahlnamen immer noch umbenennen, wie in Energy BI.

Daher gibt es keinen Unterschied zwischen den beiden Varianten.

Die Sicht des Benutzers – noch einmal

Wenn wir uns den Berichtskonsumenten ansehen, können wir dieselben Berichte erstellen, ohne einen Unterschied zu erkennen.

Zumindest für die einfachen Beispiele, die ich oben gezeigt habe.

Für den Berichtsdesigner ist das eine andere Geschichte.

Dieser Benutzertyp muss wissen, wie das Datenmodell und die Berechnungsgruppen verwendet werden.

Dies ist ein Hindernis für Self-Service-BI, bei dem Entwickler das Datenmodell zur Verfügung stellen und andere Benutzer ihre eigenen Berichte erstellen.

Eine gute Dokumentation zur Verwendung des Datenmodells sowie Schulungen und Schulungen sind unerlässlich, wenn nur Berechnungsgruppen verwendet werden, anstatt explizite Messungen anzubieten.

Aber wir stoßen beispielsweise an Grenzen, wenn wir versuchen, Daten nach einer nicht vorhandenen Kennzahl zu filtern, weil diese nur mit einem Berechnungselement verfügbar ist.

Gleiches gilt für Excel-Nutzer, die Excel-Berichte mit PivotTables auf Foundation des Semantic-Modells erstellen möchten.

Auch hier müssen wir ihnen beibringen, wie sie das Datenmodell richtig verwenden.

Dies ist viel einfacher, wenn wir alle notwendigen Maßnahmen konkretisieren und in intestine strukturierten Anzeigeordnern ablegen.

Die Benutzer können die benötigten Maßnahmen auswählen und mit ihnen arbeiten.

Abschluss

Wie Sie gesehen haben, kann die Erstellung expliziter Kennzahlen für den Berichtsdesigner, der mit unseren semantischen Modellen arbeitet, von Vorteil sein.

Meine Richtlinie bei der Erstellung semantischer Modelle ist folgende:

Die Bedürfnisse des Benutzers stehen an erster Stelle.
Technische Gründe stehen immer an zweiter Stelle.
Kein technischer Gewinn überwiegt die Benutzerfreundlichkeit und Verständlichkeit der Ausgabe.

Jetzt sind Sie an der Reihe.

Was sind Ihre Richtlinien bei der Erstellung eines semantischen Modells?

Was ist Ihre wichtigste Überlegung während der Entwurfsphase?

Referenzen

Der SQLBI-Artikeldas UDF- und Berechnungsgruppen vergleicht und zeigt, wie sie kombiniert werden.

Und hier ist das Video zu diesem Artikel:

Hier das Video von Guys in a Dice zum gleichen Thema mit einer etwas anderen Sichtweise:

Wie in meinen vorherigen Artikeln verwende ich den Contoso-Beispieldatensatz. Sie können den ContosoRetailDW-Datensatz kostenlos von Microsoft herunterladen Hier.

Die Contoso-Daten können wie beschrieben unter der MIT-Lizenz frei verwendet werden in diesem Dokument. Ich habe den Datensatz aktualisiert, um die Daten auf aktuelle Daten zu übertragen, und alle für dieses Beispiel nicht benötigten Tabellen entfernt.

Aktie

Publish


Aktie

Einführung

KI-Agentenoder autonome Systeme, die auf agentischer KI basieren, haben die aktuelle Landschaft der KI-Systeme und -Bereitstellungen verändert. Da diese Systeme immer leistungsfähiger werden, benötigen wir auch Spezialisierungen Bewertungsmetriken die nicht nur Korrektheit, sondern auch prozedurales Denken, Zuverlässigkeit und Effizienz quantifizieren. Während Genauigkeit eine der am häufigsten verwendeten Metriken bei der Bewertung statischer großer Sprachmodelle ist, erfordern Agentenbewertungen häufig zusätzliche Maßnahmen, die sich auf die Aktionsqualität, den Werkzeugeinsatz und die Effizienz der Flugbahn konzentrieren – insbesondere beim Aufbau moderner KI-Agenten.

In diesem Artikel werden fünf solcher Kennzahlen aufgeführt, zusammen mit weiteren Lektüren, um tiefer in die einzelnen Kennzahlen einzutauchen.

1. Aufgabenabschlussrate (TCR)

Auch bekannt als ErfolgsquoteDiese Metrik misst den Prozentsatz der zugewiesenen Aufgaben, die erfolgreich ausgeführt werden, ohne dass eine menschliche Aufsicht oder Intervention erforderlich ist. Betrachten Sie es als ein Maß für die Fähigkeit des Agenten, Argumente mit einem korrekten Endergebnis zu verbinden. Beispielsweise könnte ein Kundensupport-Bot, der ein Rückerstattungsproblem selbst löst, auf diese Kennzahl angerechnet werden. Seien Sie gewarnt: Die alleinige Verwendung dieser Metrik als binäres Maß (Erfolg vs. Misserfolg) kann Grenzfälle oder Aufgaben verschleiern, die technisch erfolgreich waren, deren Erledigung jedoch übermäßig lange dauerte.

Lesen Sie mehr in dieses Papier.

2. Genauigkeit der Werkzeugauswahl

Dadurch wird gemessen, wie präzise der Agent in einem bestimmten Schritt die richtige Funktion, externe Komponente oder API auswählt und ausführt – mit anderen Worten, wie konsequent er gute auswahlorientierte Entscheidungen trifft, anstatt zufällig zu handeln. Besonders wichtig wird die Auswahl von Maßnahmen in wichtigen Bereichen wie dem Finanzwesen. Um diese Metrik richtig zu verwenden, benötigen Sie in der Regel einen „Floor Fact“- oder „Goldstandard“-Pfad zum Vergleich, der in manchen Kontexten schwierig zu definieren sein kann.

Lesen Sie mehr in diese Übersicht.

3. Autonomie-Rating

Dies wird auch als „Human Intervention Price“ bezeichnet und ist das Verhältnis der vom Agenten autonom durchgeführten Aktionen zu den Aktionen, die irgendeine Type menschlichen Eingreifens erforderten (Klärung, Korrektur, Genehmigungen usw.). Es hängt stark mit dem Return on Funding (ROI) des Einsatzes von KI-Agenten zusammen. Bedenken Sie jedoch, dass in kritischen Bereichen wie dem Gesundheitswesen eine geringe Autonomie nicht unbedingt eine schlechte Sache ist. Tatsächlich kann eine zu hohe Autonomie ein Zeichen dafür sein, dass Sicherheitsleitplanken fehlen. Daher muss diese Metrik im Kontext der Anwendung interpretiert werden.

Lesen Sie mehr in dieser anthropische Forschungsbeitrag.

4. Wiederherstellungsrate (RR)

Wie oft erkennt ein Agent einen Fehler und plant effektiv eine Neubehebung? Das ist die Kernidee der Wiederherstellungsrate: eine Messgröße für die Widerstandsfähigkeit eines Agenten gegenüber unerwarteten Ergebnissen, insbesondere wenn er häufig mit Instruments und externen Systemen interagiert, die außerhalb seiner direkten Kontrolle liegen. Dies erfordert eine sorgfältige Interpretation, da eine sehr hohe Wiederherstellungsrate manchmal eine zugrunde liegende Instabilität aufdecken kann, wenn der Agent sich quick ständig selbst korrigiert.

Lesen Sie mehr in dieses Papier.

5. Kosten professional erfolgreicher Aufgabe

Diese Metrik wird auch mit Namen wie Token-Effizienz und Kosten professional Ziel beschrieben, aber im Wesentlichen misst sie den gesamten Rechen- oder Wirtschaftsaufwand, der investiert wird, um eine Aufgabe erfolgreich abzuschließen. Dies ist eine wichtige Messgröße, die bei der Skalierung agentenbasierter Systeme zur Bewältigung größerer Aufgabenmengen ohne Kostenüberraschungen im Auge behalten werden muss.

Lesen Sie mehr in diesen Leitfaden.

Aktie

Publish


Aktie

Stellen Sie sich vor, Sie sind ein Bauer mit zwei Apfelplantagen. Eines Tages beschließen Sie, die Äpfel in jeder der Plantagen zu zählen. In Plantagen A stehen 1.000 Äpfel, in Plantagen B nur 500. Auf den ersten Blick scheint Plantagen A der klare Gewinner zu sein. Aber was wäre, wenn ich Ihnen sagen würde, dass Plantagen A ten.000 Bäume haben, in Plantagen B aber nur 500? Plötzlich sieht Plantagen B gar nicht mehr so ​​schlecht aus, oder?

Das ist die Macht der Proportionen. In der Wirtschaft wie auch in der Landwirtschaft können nackte Zahlen täuschen. Um wirklich zu verstehen, wie intestine Ihr Unternehmen dasteht, müssen Sie sich die Proportionen ansehen.

Sie sehen sich wahrscheinlich jeden Tag absolute Zahlen an. Beispielsweise hat Ihr Unternehmen diese Woche einen Umsatz von 10.000 US-Greenback erzielt. Heute haben 250 Kunden Bestellungen aufgegeben, gestern waren es 200 und letzte Woche am selben Tag 100 usw.

Proportionen hingegen sind wie das Kleingedruckte. Sie fallen vielleicht nicht so sofort ins Auge wie absolute Zahlen, vermitteln aber ein genaueres Bild der Gesundheit Ihres Unternehmens.

Nehmen wir zum Beispiel die Gewinnspanne. Das ist ein Verhältnis, das Ihren Gewinn mit Ihrem Umsatz vergleicht. Eine hohe Gewinnspanne deutet darauf hin, dass …