Una de las muchas fortalezas de Power BI es la capacidad de acceder a datos de planificación de recursos empresariales (ERP) y liberar estos datos dentro de la organización para su análisis. Desafortunadamente, esto crea desafíos dentro de las organizaciones con ERP altamente funcionales e inversiones masivas en herramientas como SAP, Dynamics y Oracle.

Dentro de Power BI hay una gran cantidad de paradigmas de acceso diferentes que permiten el acceso a estos datos y algunas opciones para los controles organizacionales. Veamos los diferentes posibles accesos al ERP y las opciones para la distribución de informes en toda la organización que siguen a estas opciones para el acceso a los datos.

Opción 1: Modo de consulta directa

Power BI tiene una gran cantidad de conectores que se pueden modificar o pueden acceder directamente a su sistema ERP, incluidos conectores para SAP BW, HANA, Dynamics NAV, Oracle, IBM y otros. Muchas organizaciones eligen habilitar el modo de consulta directa dentro de Power BI para acceder a los datos dentro de su ERP. Esto presenta desafíos, ya que a menudo, los datos de ERP no están estructurados para un fácil análisis dentro de Power BI.

Prácticamente ninguna organización utiliza el modo de consulta directa por este motivo, excepto en los casos en que el ERP produce datos esquematizados que son semánticamente inteligibles. HANA hace esto y también admite el almacenamiento en caché en la memoria, pero la mayoría de las otras herramientas no lo hacen, por lo que la mayoría de los clientes eligen usar el Modo de importación para acceder a los datos de ERP.

Opción 2: modo de importación

Después de experimentar inicialmente con el modo de consulta directa, la mayoría de las organizaciones elegirán seguir el camino del modo de importación o crear una capa semántica incremental sobre sus datos.

La mayoría de las veces, la creación de este tipo de conector requiere transformaciones incrementales de Power BI, así como la adición de cálculos. Como resultado de este paradigma común, Power BI lanzó la función de vista previa de la Certificación de conjuntos de datos, de modo que las organizaciones que usan el Modo de importación puedan interactuar más fácil y rápidamente con sus conjuntos de datos a escala, compartir consultas y tener «conjuntos de datos bendecidos» para permitir el análisis.

La desventaja de este enfoque es la falta de controles empresariales. Aunque las funciones de certificación de conjuntos de datos, flujos de datos y modelado semántico de Power BI son excelentes y muy útiles, la mayoría de las organizaciones no las usan o no las han usado debido a su novedad. Todas estas características están diseñadas para la distribución, por lo que un resultado común de este enfoque es un gran grupo de analistas sin control, que crean caos sin tener la aprobación de la organización en los informes analíticos. Muchas organizaciones tendrán el “informe Gary” o la “vista Cindy” para sus datos como resultado de este enfoque.

Opción 3: Capa semántica separada

Las organizaciones más grandes comienzan a adoptar un enfoque matizado a medida que aumenta la madurez del uso de Power BI. Estas organizaciones utilizan su herramienta de modelado (Azure Analysis Services, Power BI Premium, Power BI en modo de importación) para definir un modelo más complejo que descomponga los datos de ERP, incluidos cálculos detallados para resúmenes de rango de fechas y otros indicadores clave de rendimiento.

Este mayor nivel de modelado a menudo requiere más poder de cómputo que el que Power BI puede proporcionar de manera predeterminada en el modo de importación predeterminado.

La desventaja de este enfoque es un mayor costo de administración desde una perspectiva de TI. Mientras que las otras opciones hacen uso de características más económicas, este enfoque requiere un gran esfuerzo de implementación y mantenimiento por adelantado y continuo. Además, se requiere complejidad para las consideraciones del diccionario de datos, ya que las agregaciones y cálculos comúnmente creados en esta vista son cada vez más diferentes de los que ofrece por defecto un ERP.

Mejores prácticas Power BI y conclusión

Por lo general, la mejor práctica adoptada por la mayoría de las organizaciones es ofrecer informes que tienen conexiones auditadas y canónicas a Power BI, basadas en una capa semántica separada o Power BI en modo de importación.

Como práctica recomendada, las colas de la interfaz de usuario indicaron que estos informes indican que se utilizan auditorías de TI o finanzas. Por ejemplo, las aplicaciones de logotipos, las opciones de estilo y la coherencia, el diseño y la uniformidad de los filtros pueden indicar informes gestionados, auditados y bendecidos por TI.

Por el contrario, también es importante fomentar la comunidad de analistas para que los usuarios se animen a administrar sus negocios más de cerca con los datos. Sin una visión para promover una cultura basada en datos, cualquier iniciativa de BI está condenada al fracaso y la iniquidad, ya que los usuarios continúan operando en la oscuridad y tomando decisiones intuitivas en lugar de verificar las corazonadas con datos.

La combinación de cultura, un enfoque de implementación técnica y el enfoque suave (de arriba hacia abajo, de abajo hacia arriba o híbrido) al que se hace referencia en el documento técnico de Power BI de 2018  Planificación de una implementación empresarial  conduce a las implementaciones más exitosas de Power BI.

¡Buena suerte con sus implementaciones de Power BI!

Personalizar la experiencia del cliente es un elemento clave del panorama minorista actual. Esto presenta importantes desafíos organizativos para los responsables de la toma de decisiones, que pueden limitar el intercambio de datos y hacer que los equipos trabajen en silos. Los responsables de la toma de decisiones deben tener acceso a un panel de la empresa para ayudarlos a administrar sus tiendas y realizar un seguimiento del rendimiento y los datos de conocimiento del cliente.

El 40% de los gerentes de marketing han declarado que no tienen las habilidades necesarias para usar los datos de los clientes de la manera más efectiva posible.

La digitalización del comercio minorista significa que debe haber una gran cantidad de datos disponibles para su uso, incluida información sobre productos, comportamiento del cliente, tasas de conversión y ubicación y rendimiento de las tiendas.

También debe haber un lugar centralizado para almacenar todos estos datos, de modo que se puedan consultar fácilmente durante el proceso de toma de decisiones.

El mercado minorista se está volviendo cada vez más complejo, lo que significa que las empresas necesitan gestionar cantidades de información cada vez mayores.

Los informes efectivos son primordiales: es esencial tener un panel de control que brinde a los gerentes, vendedores y otras partes interesadas acceso diario a los datos que necesitan, incluso sin conexión.

También es importante elegir los KPI correctos. En el sector minorista, tener acceso a una descripción general de la actividad de ventas, con datos tanto a corto como a largo plazo, es clave.

El panel de Predictive Retail Analytics demuestra cómo los datos de millones de compras pasadas pueden determinar de manera inteligente qué clientes potenciales tienen más probabilidades de comprar. Esto, a su vez, permite que el marketing y las ventas desarrollen comunicaciones dirigidas a cada audiencia, lo que aumenta las tasas de éxito de la campaña y genera ingresos para la empresa. Eventualmente ayuda a los minoristas a explorar la amplia oportunidad que incluye, pero no se limita a

Las herramientas de generación de informes como Power BI ofrecen más capacidades del tipo de Inteligencia Artificial (IA) , como Quick Insights y Q&A . Las estadísticas rápidas son realmente útiles para descubrir los grandes saltos en las ganancias brutas simplemente analizándolas con un conjunto de algoritmos de aprendizaje automático . La función de preguntas y respuestas a través del análisis del lenguaje natural ayudará a hacer las preguntas y la respuesta inmediata de una devolución visual. También ayuda a agregar servicios cognitivosa los informes para realmente poner algo de estructura en contra de los datos. Habrá una fácil navegación a través de los datos a través de la función de Marcadores, Desglose. La función de iluminación puntual en un elemento visual en particular definitivamente atraerá la atención de la gente.

Los paneles y gráficos pueden visualizar rápidamente las métricas minoristas más importantes, proporcionando información basada en datos y permitiendo que los minoristas se concentren más tiempo en el negocio y menos tiempo en conjeturas.

Fuentes:

1. Cómo los paneles de Power BI pueden impulsar la industria minorista: https://www.softwebsolutions.com/resources/power-bi-dashboard-for-retailers.html

2. Cómo crear un panel simple y eficaz para su empresa minorista: https://toucantoco.com/blog/en/how-to-create-a-simple-and-effective-dashboard-for-your-retail-company /

3. BI audaz para análisis predictivo:

https://www.boldbi.com/solutions/analytics/predictive-analytics

En resumen, un modelo de datos es la agrupación de

• Tablas de datos cargadas:
  • con una o más columnas subidas por un motivo (no suba ninguna columna de su fuente en su modelo a menos que tenga un motivo).
  • con una o más filas de datos que se han subido por un algún motivo (no cargue filas desde su fuente en su modelo a menos que tenga un motivo).
• Relaciones entre las tablas subidas al informe de Power BI.
• Las medidas (fórmulas) creadas que aplican las reglas del informe a los datos sin procesar para extraer información de negocio (como podría ser, el precio el beneficio,  venta menos el precio de costo), incluyendo
  • las fórmulas
  • el formato aplicado a las fórmulas
  • los nombres del informe puestos a las fórmulas

Todo lo comentado se conoce como “el modelo de datos” en Power BI.

¿Porqué necesitamos un modelo?

Power BI es una herramienta de informes de BI basada en modelos de datos. La ventaja de un modelo de datos es que no requieren que el redactor del informe genere primero una consulta para obtener los datos de una base de datos (normalmente SQL Server) y devuelva los resultados de esa consulta a SSRS para que los resultados se puedan representar en un informe.
No hay nada de malo en utilizar una herramienta de BI no basada en modelos de datos, es solo que es un enfoque diferente al uso de una herramienta basada en modelos de datos. El mayor «problema» con las herramientas de generación de informes que no se basan en modelos de datos es que cada vez que necesita un nuevo informe, debe empezar de nuevo, a menudo desde cero. Cada informe tiene un único propósito con muy poca capacidad de reutilización o extensibilidad.
Las ventajas de una herramienta basada en modelos de datos como Power BI son:

• El creador del «modelo de datos» de Power BI crea una capacidad reutilizable (el modelo de datos) que se puede utilizar para resolver los requisitos de informes actuales, así como (a menudo) los requisitos futuros sin la necesidad de volver atrás y escribir más consultas para recuperar un nuevo subconjunto de datos.

• Quien crea el modelo a menudo puede ser un perfil empresarial (normalmente con buenas habilidades en Excel); no es necesario que sea un administrador de bases de datos con formación profesional o un profesional de SQL.

• El modelo es de naturaleza «conceptual», respaldado por una interfaz fácil de usar que le permite «construir» el modelo lógicamente con un mínimo de codificación . Nota: Necesitará hacer algo de codificación (escribir fórmulas) para un buen modelo, pero no más difícil que el promedio de una hoja de cálculo de Excel una vez que tenga las habilidades.

Ejemplo de un modelo de datos

Dentro de Power BI Desktop encontrará «vista modelo», en la siguiente imagen puedes verlo.

Aquí podemos ver, las tablas, las columnas de cada tabla, las relaciones entre ellas, los tipos de relaciones y la dirección de propagación del filtro entre las tablas con las relaciones.

Las medidas son parte del modelo

Las medidas son el conjunto de instrucciones estándar que le dicen a Power BI cómo extraer los informes y estos forman parte de su modelo de datos.
Por ejemplo, si consideramos la columna ExtendedAmount de la tabla de ventas (que se muestra a continuación).

Ésta es una columna de números que se almacena en la tabla de ventas en el modelo de datos. Estos números representan el valor total de un artículo de línea de ventas. Por ejemplo, si compró 2 productos a $ 5,00 cada uno, el ExtendedAmount sería de € 10,00. Por tanto, se sigue que:

• Si sumo la columna, me dice el valor total de todas las transacciones de ventas
• Si cuento los valores en la columna, me dirá cuántos artículos de línea de ventas hay en todas las ventas.
• Si promedio los valores de la columna, nos indicará el valor promedio gastado por los clientes en todos los productos.
• Si encuentro el valor máximo en la columna, me indicará el valor de artículo de línea individual más grande que se ha producido.

LA ventaja de Power BI es que es capaz de hacer todo lo anterior sin la necesidad de escribir fórmulas. Pero Power BI no tiene ningún concepto de lo que significa cada una de las fórmulas anteriores en un contexto empresarial. Puede hacer los cálculos, pero no puede darle un buen nombre para el resultado, ni elegir el formato numérico más apropiado para el resultado. Si quieres esas cosas, debes hacerlo tú mismo. Necesita ampliar el modelo de datos para incluir medidas (fórmulas) para satisfacer sus necesidades. Podrías escribir las siguientes medidas:

Total Sales Value = SUM(Sales[ExtendedAmount])              format as Currency, 0 decimals
Total Line Items = COUNT(Sales[ExtendedAmount])             format as whole number, comma separated
Average Line Item Value = AVERAGE(Sales[ExtendedAmount])    format as Currency, 2 decimals
Maximum Line Item Value = MAX(Sales[ExtendedAmount])        format as Currency, 2 decimals

Estos son solo ejemplos simples que funcionan en una sola columna de datos. Todos estos pueden ser calculados por Power BI sin la necesidad de aprender el lenguaje de fórmulas de DAX. Pero si desea algo más complejo (y probablemente más útil), definitivamente necesitará aprender algo de DAX para aprovechar al máximo Power BI.

Total Sales Value = SUM(Sales[ExtendedAmount])              format as Currency, 0 decimals
Total Line Items = COUNT(Sales[ExtendedAmount])             format as whole number, comma separated
Average Line Item Value = AVERAGE(Sales[ExtendedAmount])    format as Currency, 2 decimals
Maximum Line Item Value = MAX(Sales[ExtendedAmount])        format as Currency, 2 decimals

Esta función de Power BI «Múltiplos pequeños» es muy reciente, se presentó en diciembre de 2020, un gran impulso para las capacidades de visualización de los datos en Power BI y para mejorar el rendimiento de los informes.

Los múltiplos pequeños son sólo una forma en la que se puede reemplazar varios elementos visuales con un sólo elemento visual que muestra los mismos datos y de esta manera mejorar el rendimiento. Para mostrarlo, en los siguientes informes de líneas idénticos pero con diferente filtro para cada uno

A principios de este año escribí publicaciones de blog que mostraban cómo se puede mejorar el rendimiento de los informes mostrando la misma cantidad de datos en menos imágenes (por ejemplo, reemplazando varias tarjetas con una sola tabla) y cómo la cantidad de imágenes en una página afecta el rendimiento del informe incluso si no muestran ningún dato; varias otras personas también han escrito publicaciones similares . Los múltiplos pequeños son solo otra forma en que puede reemplazar varios elementos visuales con un solo elemento visual que muestra los mismos datos.

Para ilustrarlo, en el siguiente informe con cinco gráficos de líneas separados que son idénticos, aparte del hecho de que hay un filtro diferente establecido en cada uno vamos a analizar su velocidad.

Para ver su rendimiento vamos a utilizar la función de Power BI Performance Analyzer para analizar el rendimiento de los elementos.

En este caso, todo es bastante rápido, pero si observamos que cada consulta de DAX tarda entre 10 a 12 ms y cuando llegamos al visual «recuento de ventas por fecha» el tiempo que se tarda en ejecutar los 5 informes son 710 ms.
Ahora, esto mismo lo vamos a hacer con un gráfico de una sóla línea visual pero usando múltiplos pequeños.

Son los mismos datos y los mismos gráficos pero mira lo que muestra la función de Power BI Performance Analyzer.

Dos puntos a destacar:

• Solo hay una consulta DAX que tarda unos 12 ms, con un rendimiento similar al de cada una de las cinco consultas DAX de la versión anterior del informe. En este caso, al solicitar todos los datos en una sola consulta, en lugar de cinco consultas separadas, Power BI ha podido optimizar la forma en que recupera los datos que necesita. Esto no significa que, desde el punto de vista de DAX, la versión de múltiplos pequeños del informe sea cinco veces más rápida que la original, pero en general verá alguna mejora. en el rendimiento general de esta consolidación de consultas y, en algunos casos, esto puede ser bastante significativo.
• Si bien la suma de las consultas para cada uno de los elementos visuales separados es básicamente la misma que la duración de la consulta para el elemento visual de múltiplos pequeños, lo cual tiene sentido porque muestran los mismos datos de la misma manera, la duración total de los múltiplos pequeños visual es de 486 ms en comparación con 710 ms para la duración total del recuento de ventas por fecha para el elemento visual en la versión original, por lo que ha habido una mejora general definitiva en el tiempo de renderizado.

En resumen, si tiene algún elemento visual donde puedes aplicar la función de Power BI Pequeñs Múltiplos, hágalo y verá como mejor el rendimiento del informe.

Hace un mes el equipo de IA de Power BI lanzó la detección de anomalías, una función que nos permite detectar anomalías en los datos de series temporales y sus explicaciones.

Esta función ahora ya la tenemos en el móvil, los consumidores de informes pueden ver y comprender las anomalías directamente desde las aplicaciones en el teléfono. Este servicio está disponible para iOS, Android y Windows, tanto para teléfono y tabletas.

En la aplicación veremos las mismas indicaciones de anomalías detectadas en el objeto visual que en el servicio de Power BI Desktop y servicio de Power BI.
Y abrimos el informe desde la aplicación, hay varias formas de abrir el panel de anomalías para ver información adicional y sus explicaciones sobre las anomalías.

Como podemos ver en las imágenes de arriba, 3 maneras:

• Podemos tocar el punto de la anomalía que queremos analizar.
• Podemos dar a más opciones y ver las anomalías.
• Y por último, si tocamos el punto de datos para mostrar una información sobre herramientas y nos aparecerá las anomalías.

En el panel de anomalías al igual que en Power BI Desktop o Servicio de Power BI veremos una explicación en lenguaje natural de la anomalía detectada, así como los factores asociados, y si deslizamos el dedo a derecha y izquierda veremos los factores relevantes y sus puntos fuertes.

Mientras vemos el panel de anomalías, podemos ver el informe e ir interactuando con el para comprender mejor los datos con la detección de anomalías.

 La creación de informes optimizados en Power BI es importante para ganar tiempo, un informe mal optimizado puede hacer que tarde tiempo en ejecutarlo y puede llevar a algún que otro problema.

Si estás en esta situación te mostraremos algunos consejos prácticos y sencillos sobre cómo optimizar los informes de Power BI. Estos consejos se dividirán en dos secciones. Modelo de datos y Vista de informe.

Modelo de Datos

1.- Utilice el Esquema EstrellaPower BI está diseñado para funcionar de manera más eficiente cuando se usa un Esquema Estrella. Al dividir el modelo de datos en tablas y dimensiones, las consultas se optimizarán en el informe. Estas tablas y dimensiones deben estar relacionadas entre sí, no unidas dando como resultado informes de mayor rendimiento.
2.- Limitar el modelo de datosLa forma más rápida de optimizar el informe de Power BI es limitar la cantidad de columnas a sola las que necesita en el modelo de datos que quieres aplicar. Hay que revisar que las tablas de Power Query y determinar qué campos se están utilizando. Elimina las columnas que no se utilicen en ninguno de los cáculos o informes. Otra manera de limitar el modelo de datos es usar el nivel de seguridad de fila (RLS) cuando corresponda.
3.- Impulsar las transformaciones de datos en sentido ascendenteEs importante, si se puede, trasladar la manipulación de datos a la consulta, esto ayudará al rendimiento de su informe en Power BI. Ya sea que esté haciendo cálculos, formateando o agrupando con la granularidad adecuada en SQL, esto eliminará que Power BI haga cambios en los elementos. Si sigue estos pasos, consulta Query Folding Power BI
4.- Mover la lógica de nivel de fila a Power QueryMueva cualquier lógica que se deba calcular en el nivel de fila a Power Query en lugar de usar DAX para realizar los cálculos IF THEN más básicos, use mejor M para hacer lo mismo. Estos campos se incluirán en el modelo de datos permanente traído desde Power Query en lugar de que se realicen en el lado de Power BI.
5.- Eliminar columnas calculadasLas columnas calculadas suponen una gran pérdida de rendimiento. Cada vez que interactúa con su informe, las columnas calculadas se vuelven a calcular. Las medidas, por el contrario, sólo se recalculan cuando se interactúa con esa medida específica en el informe. Si es posible, es mejor que mueva su columna calculada a Power Query. Si no puede hacer eso, conviértalo en una medida mejorará el informe en Power BI. Si no puede hacer eso, pregúntese por qué necesita esta columna calculada.
6.- Convertir varias medidas en variablesEn lugar de crear métricas que requieran el uso de varias medidas, utilice variables. Puede realizar varios cálculos dentro de una sola medida utilizando las funciones VAR y RETURN. Esto minimizará la cantidad de medidas que utiliza y aumentará el rendimiento de las métricas que se calculan. Si va a repetir una variable varias veces, aún puede crear una medida independiente para ese valor. Vea un ejemplo de variables a continuación.

7.- Modificar fechas y tipos de columnasLas fechas se mostrarán como mm / dd / aaaa 12:00:00 am de forma predeterminada en Power BI. Para reducir los caracteres en el modelo de datos, cambie los tipos de fecha a Fecha para eliminar la parte Hora. Si tiene números enteros con una gran cantidad de puntos decimales, reduzca los lugares decimales que se muestran. Por último, si tiene texto que muestra VERDADERO o FALSO, puede cambiarlos para que sean binarios, por lo que 1 y 0.

Vista de informe en Power BI

1.- Minimiza las imágenesAl crear su informe, intente utilizar la menor cantidad posible de elementos visuales en su informe. Esto reducirá la cantidad de cálculos que realiza Power BI al representar su informe. 
2.- Uno use rebanadoras Use rebanadoras solo donde sea necesario. Como alternativa, utilice los filtros disponibles para los usuarios en el Panel de filtros. Los segmentaciones son menos eficientes para calcular los datos necesarios en el Panel de filtros. Si usa una segmentación, conviértala en un solo menú desplegable en lugar de una lista. Una lista rellenará previamente algunas consultas y la hará menos eficiente. 
3.- Utilice el analizador de rendimientoPower BI tiene una forma integrada para que pueda analizar el rendimiento de sus informes. En las opciones de Power BI  puede encontrar el Analizador de rendimiento. Al abrir este panel y hacer clic en Grabar, se mostrará tan rápido como se procesa su informe al realizar las diferentes funciones en su informe. También puede ver qué secciones específicas de su informe están causando retrasos en el rendimiento para que pueda trabajar para mejorar esas secciones.

Power BI

La detección de anomalías es uno de los temas populares en el aprendizaje automático para detectar datos poco comunes en los conjuntos de datos.
Por ejemplo, en un invernadero, la temperatura y otros elementos del invernadero pueden cambiar repentinamente y afectar a la cosecha. Identificar las anomalías del tráfico de visitas de los usuarios a la tienda online, la transacción de tarjetas de crédito, etc. nos ayuda a detectar los problemas lo antes posible y abordarlos.

Ahora con Power BI podemos detectar las anomalías de series temporales con el gráfico de líneas, para obtener más información lo podéis consultar en el blog de Power BI de Microsoft.

La detección de anomalías sirve para los datos de series temporales, lo que significa que podemos encontrar esta anomalía en los datos según el horizonte temporal.

¿Cómo podemos habilitar la detección de anomalías?

• Primero, necesitamos descargar la última versión, la última de power bi es noviembre 2020.
• Segundo, seleccionar archivo -> opciones y configuración > Opción -> Funciones de vista previa

• Tercero, cerramos Power BI y volvemos a abrirlo (después de habilitar cualquier característica de vista previa que necesitemos hacer).

Función de anomalías en Power BI

La detección de anomalías está activa en un gráfico de líneas, para verlo primero ha que seleccionar la tabla con los datos a analizar:

• Primero, cargamos los datos en Power BI Desktop.
• Segundo, hacemos clic en el gráfico de líneas en el panel de visualización y seleccionamos la fecha para el eje y los datos en valores.

• Tercero, hacer clic en la pestaña Analytics.
• Cuarto, hacemos clic en la opción buscar anomalías y hacemos clic en «agregar».

• Quinto, en el gráfico se mostraría la anomalía detectada con una sensibilidad del 70%.

• Sexto, se podría cambiar la sensibilidad a mayor o menor. Si disminuimos la sensibilidad es posible que veamos más puntos de datos, también si aumentamos la sensibilidad, es posible que veamos más puntos de datos de anomalías.

Podemos disminuir la sensibilidad al 56% para ver menos puntos en los datos y luego aumentarla al 93% para ver más anomalías.

• Séptimo, para mejorar el gráfico, podemos añadir valores que nos ayuden a describir mejor el motivo de las anomalías. 

– Octavo, también podemos cambiar la forma del tamaño y la forma del punto de datos de anomalías.

– Noveno, si pinchamos en cada uno de los puntos podemos ver la explicación de las anomalías. Al pinchar aparecerá una nueva página llamada página de anomalías, primero se mostrará una explicación sobre cuál es el valor esperado. A continuación algunas explicaciones más sobre qué factores pueden afectar esta anomalía. Sólo tenga en cuenta que puede haber alguna explicación para un punto y no para todos los puntos de datos.

 En este artículo, vamos a comentar cómo se conecta Google Analytics a la aplicación de escritorio Power BI y también al servicio Power BI. Antes de profundizar en el tema, lo que primero debemos comprender qué es Google Analytics y cuáles son las funciones que proporciona Google Analytics.

Google Analytics es un servicio de web gratuito (aunque también hay un servicio de pago) y una herramienta analítica que se utiliza principalmente en diferentes organizaciones con fines SEO (optimización en los motores de búsqueda). Al utilizar esta herramienta obtiene diferentes informes basados en los datos de su organización. Lo bueno de Power BI es que podemos obtener los datos de Google Analytics en Power Bi y podemos crear nuestros propios paneles e informes. Power BI proporciona un conector para obtener los datos de Google Analytics.

Conéctese a Google Analytics con Power BI Desktop

Primer paso, entramos en nuestra aplicación Power BI Desktop y hacemos clic en obtener datos como se relata en la imangen.

Segundo paso, hacer clic en obtener datos, aparece un menú desplegable y hacemos clic en «más», aquí se abrirá una venta como se muestra en la imagen.

Tercer paso, buscamos Google Analytics en el cuadro de búsqueda y hacemos clic en conectar.

Cuarto paso, con nuestro usuario y contraseña iniciamos Google Analytics desde Power BI.
Quinto paso, hacemos clic en conectar como mostramos a continuación.

Sexto paso, una vez que accedes se abre una ventana del navegador que muestra todas las tablas y visualizaciones. Seleccionamos las tablas que nos hacen falta para el análisis y hacemos clic en cargar. Podemos editar los datos antes de cargarlos, de esta manera podemos hacer cambios antes de la carga.

Y listo, ya tendría en Power BI Desktop conectado a Google Analytics.

¿Te gustaría conectar Google Analytics desde el servicio de Power BI?

Conéctate a Google Analytics en el servicio de Power BI 

Paso 1, iniciamos sesión en el servicio de Power BI:

• https://powerbi.microsoft.com/en-us/landing/signin/

Paso 2, en la barra lateral izquierda, debemos hacer clic en aplicaciones que está resaltado en la imagen.

Paso 3, haga clic en obtener aplicaciones como se muestra en la imagen de abajo.

Paso 4, Se abrirá una nueva ventana en AppSource donde podremos estará Google Analytics, tal y como en la imagen.

Paso 5, hacemos clic en Google Analytics, y nos llevará a otra página.

Paso 6, hacemos clic en obtener ahora.

Paso 7, al hacer clic, nos redirigirá a la página de inicio de sesión. Debemos ingresar con nuestros usuario y contraseña de Google Analytics.

Paso 8, después de iniciar sesión nos llevará a la página donde importaremos los datos que vamos a necesitar para el análisis.

Paso 9, veremos que se agrega una aplicación a nuestra cuenta llamada Google Analytics.

Informe creado en el servicio de Power BIEl informe se divide en las siguientes categorías:

1. Tráfico.
2. Visitas.
3. Rendimiento
4. Páginas principales.

Tráfico, en la imagen de abajo, puede ver que la página muestra el tráfico del sitio durante los últimos 30 días. Aquí se muestra el total de visitas, la tasa de rebote y el total de sesiones. Se crea un gráfico de barras que representa un total de sesiones por día. En el gráfico de líneas, en la parte inferior, el gráfico de líneas muestra el total de visitas y sesiones en un día.

Usuarios, esta página representa el total de usuarios que visitan el sitio web. Crea diferentesgráficos como,  gráfico con nuevos usuarios agregados y el total de usuarios. En los siguientes gráficos, muestra usuarios diarios promedio y nuevos usuarios. Puede agregar sus ideas y agregarlos en el informe. 

Rendimiento, esta página muestra que diferentes páginas del sitio web tardan en cargarse, como puede ver en el gráfico. Verificará si el rendimiento de su sitio web está aumentando o disminuyendo.

Páginas principales: esta página muestra las vistas de todas las páginas de su sitio web en orden decreciente. Ayudará a detectar qué página de su sitio web ven los usuarios y qué páginas son menos vistas. Por lo tanto, puede trabajar en las páginas que se ven menos.

¡Usa Power BI!

¿Cuántas veces nos ha pasado cuando llevas trabajando en una visualización de Power BI que cuando estás apunto de terminar, desearías que hubiera alguna manera de realizar un resumen de manera automática?

Pues parece que nos ha escuchado Microsoft y con las últimas actualizaciones de programa han añadido «Narrativas Inteligentes«.

¿Qué son las narrativas inteligentes y que es lo que hacen?

Las narrativas inteligentes de Power BI es una característica lanzada con la actualización de septiembre de 2020.

Es un objetivo visual de IA que genera automáticamente informes a partir de visualizaciones.

Es decir, crea un resumen a partir de cualquier gráfico que tenga en el informe, sus valoraciones son dinámicas e interactivas, es decir, cambian según el contexto del filtro.

La verdad que es una función increíble, no sólo ahorra tiempo sino que también mejora la narración de los datos al encontrar los principales conocimientos en el gráfico y mostrarlos.

Otra de las ventajas de esta función de narrativa inteligente de Power BI es que puede ayudarnos a valorar una segunda opinión, de esta manera podríamos confirmar una opinión o agregar algo más al informe.

¿Cómo puedo usar esta función?

Lo primero que debemos de hacer es actualizar nuestro Power BI Desktop, cualquier versión anterior a la versión de septiembre de 2020 no tiene esta característica de narrativa inteligente.

Después de actualizar Power BI Desktop debemos activar de manera manual la función de Narrativa Inteligente en el menú de «Opciones».

Esta es la ruta para activarla:

Archivo -> Opciones y configuración -> Opciones-> Vista previa > Narrativa inteligente.

Una vez marcado, el icono de Narrativas Inteligente aparecerá en la pestaña «insertar» y en el panel visualizaciones:

Para esta demostración, haremos uso de nuestros amados datos: años y ventas por región.

Ahora que hay un elemento visual que se puede resumir en la página del informe, ahora podemos usar las «Narrativas Inteligentes» para hacer el resumen.
Esto se puede hacer de dos maneras:

1. Hacer clic en el botón derecho del ratón encima del gráfico y luego realizar «resumir» como se muestra a continuación.

• 2. Hacer clic en el icono de Narrativas Inteligentes en el panel de Visualizaciones o en la pestaña «Insertar».

Como se puede ver, con la inteligencia narrativa se ha generado un resumen de lo visual; ventas por región.

Pero esta función va más allá, los valores del cuadro del texto de la Narrativa Inteligente cambian según el año filtrado.

Y con esta función como podemos ver hemos creado un informe resumido interactivo en pocos minutos.
ObservacionesHay algunos puntos de esta función que podrían mejorar, en mi opinión el cuadro de revisión oculta la mayor parte del cuadro de texto, estaría bien si se pudiera mover por separado sólo para poder leer correctamente el resumen.

Personalizar los textos y valores generados a nuestra manera, se debería dejar cambiar, por ejemplo, las unidades de visualización de los valores dinámicos de una forma a otra, fuente, color, etc.
Con todo esto es una gran mejora de Power BI que nos aporta valor al informe.

La detección de anomalías ayuda a los usuarios a mejorar los gráficos de líneas, se  detecta automáticamente anomalías en los datos de series de tiempo. 

Y esto ayuda con el análisis y sus causas. Con solo un par de clics, puedes encontrar información fácilmente.

Para activar esta función lo primero que hay que hacer es activar la opción de función yendo a Archivo -> Opciones y configuración -> Opciones -> Función de vista previa y asegurarse de que la detección de anomalías esté activada:

Otra opción para habilitarlo es seleccionando el gráfico y agregando la opción «Buscar anomalías» en el panel de análisis.

En este gráfico que mostramos, se ve los ingresos a lo largo del tiempo. La función de detección de anomalías de manera automática enriquece el gráfico con las anomalías y el rango de los valores esperados, como se puede ver, cuando un valor sale de este límite esperado, se marca como una anomalía.

Esta función de detección de anomalías es totalmente personalizable, se puede dar forma, tamaño, el color de la anomalía, estilo y la transparencia del rango. 
También se puede configurar la sensibilidad, esta parte es muy sensible, si de disminuye la sensibilidad, el algoritmo es más selectivo en lo que se podría considerar una anomalía.

Una vez detectada las anomalías en Power BI, si seleccionamos una de ellas Power BI ejecuta un análisis en los campos de su modelo de datos para descubrir posibles explicaciones. 
En el ejemplo que mostramos, se puede ver que el 30 de agosto, los ingresos fueron de € 5187, que este rango está por encima de lo esperado de € 2447 a € 3423. Para ver una explicación se puede abrir las tarjetas en este panel para ver más detalles de la explicación.

Desde el informe se pueden ver anomalías y explicaciones después de que el administrador publique el informe en la nube.