{"id":541,"date":"2018-05-26T07:51:00","date_gmt":"2018-05-26T07:51:00","guid":{"rendered":"https:\/\/trainingpowerbi.wordpress.com\/?p=541"},"modified":"2019-07-16T15:25:38","modified_gmt":"2019-07-16T13:25:38","slug":"tasas-de-variacion-con-time-intelligence","status":"publish","type":"post","link":"https:\/\/bicontrolling.com\/index.php\/2018\/05\/26\/tasas-de-variacion-con-time-intelligence\/","title":{"rendered":"Tasas de variaci\u00f3n e Inteligencia de Tiempo"},"content":{"rendered":"

Introducci\u00f3n<\/h4>\n

Data Analysis Expressions<\/em> (DAX)<\/strong> incluye la importante funcionalidad de Time Intelligence o inteligencia de tiempo<\/strong>,<\/em> funciones integradas en el lenguaje con las que podemos manipular y agregar datos en funci\u00f3n de periodos temporales para construir y comparar c\u00e1lculos sobre dichos periodos. Este tipo de an\u00e1lisis de series temporales<\/strong> es esencial en cualquier modelo de datos.<\/p>\n

Aunque Time Intelligence<\/em> es un tema muy amplio al que dedicaremos varios art\u00edculos, en este vamos a centrarnos en uno de los intereses principales del estudio de las series temporales, que reside en la evaluaci\u00f3n de los cambios de una magnitud a lo largo del tiempo. Estos cambios se valoran a trav\u00e9s de las denominadas tasas de variaci\u00f3n<\/strong>,que surgen de la comparaci\u00f3n de los valores de la serie en dos periodos de tiempo distintos.<\/p>\n

<\/p>\n

Para ello, vamos a usar la funci\u00f3n DATEADD()<\/code>, sin duda una de las funciones de inteligencia de tiempo m\u00e1s vers\u00e1tiles a la hora de generar comparaciones temporales a lo largo de un conjunto de diferentes periodos de tiempo. Su sintaxis es muy sencilla:<\/p>\n

<\/code>DATEADD( fechas ; n\u00ba de intervalos ; intervalo <\/span> )<\/code><\/code><\/p>\n

En el primer par\u00e1metro introducimos la clave principal de nuestra tabla de fechas; en el segundo, el n\u00famero de d\u00edas, meses, trimestres o a\u00f1os a a\u00f1adir o substraer del contexto de filtro (si es positivo las fechas del contexto de evaluaci\u00f3n de la visualizaci\u00f3n correspondiente se mover\u00e1n hacia delante en el tiempo y si es negativo hacia atr\u00e1s) y en el tercero, el tipo de intervalo. Por ejemplo, para calcular las ventas del mes anterior:<\/p>\n

VentasMesAnterior =
\nCALCULATE<\/span> (<\/span> [Ventas]; DATEADD<\/span> (<\/span> Calendario[Fecha]; -1<\/span>; MONTH<\/span> )<\/span> )<\/span><\/p>\n

Y como podemos ver en la siguiente imagen, el filtro de contexto bajo el que CALCULATE<\/code> eval\u00faa el par\u00e1metro de expresi\u00f3n, en este caso [Ventas], corresponde a las fechas correspondientes al periodo del mes anterior al de dicho contexto:<\/p>\n

\"\"<\/a><\/p>\n

De esta manera, la funci\u00f3n DATEADD()<\/code> trabaja de forma din\u00e1mica con el periodo del filtro de contexto presente en la visualizaci\u00f3n, de forma que si estamos mirando datos a un nivel de granularidad diaria, la f\u00f3rmula anterior devolver\u00e1 el importe de las ventas del mismo d\u00eda del mes anterior:<\/p>\n

\"\"<\/a><\/p>\n

Es esta versatilidad la que nos permitir\u00e1 calcular de forma r\u00e1pida y sencilla tasas de variaci\u00f3n referidas a multitud de periodos de tiempo distintos.<\/p>\n

Variaci\u00f3n absoluta<\/h4>\n

La variaci\u00f3n absoluta de una serie temporal (tambi\u00e9n llamada incremento<\/em>) es la diferencia entre dos valores de la serie.<\/strong> Por ejemplo, la variaci\u00f3n absoluta de la magnitud con respecto al periodo anterior es:<\/p>\n

<\/p>\n

Que en DAX lo podemos expresar as\u00ed:<\/p>\n

DiferenciaVentas<\/span> =
\n[Ventas] – [VentasMesAnterior]<\/p>\n

Y obtendremos la diferencia entre los dos periodos, al nivel de granularidad que queramos:<\/p>\n

\"\"<\/a><\/p>\n

<\/h4>\n

Variaci\u00f3n relativa<\/h4>\n
\n

Las variaciones relativas de una serie temporal denominadas tambi\u00e9n tasas<\/em> o tantos<\/em>, son el cociente entre una variaci\u00f3n absoluta y una medida del tama\u00f1o de la serie. A veces se multiplican por 100 para describirlas como porcentajes. La m\u00e1s conocida es la denominada \u00abcrecimientos b\u00e1sicos<\/em>\u00bb de una serie temporal<\/strong>:<\/p>\n

<\/p>\n<\/div>\n

Los crecimientos b\u00e1sicos resultan de dividir el incremento de la serie entre el valor anterior de la misma, lo que da al incremento un marco de referencia. En DAX:<\/p>\n

DiferenciaVentas%<\/span> =
\nDIVIDE (( [Ventas] – [VentasMesAnterior] ); [VentasMesAnterior] )<\/p>\n

 \"\"<\/a><\/em><\/span><\/p>\n

\u00bfExisten alternativas a las funciones de inteligencia de tiempo?<\/h4>\n

En realidad, todas las funciones de inteligencia de tiempo pueden ser reescritas usando c\u00f3digo DAX gen\u00e9rico<\/strong>, utilizando principalmente las funciones CALCULATE()<\/code>, FILTER()<\/code>, VALUES()<\/code> y ALL()<\/code> . Las funciones integradas de inteligencia de tiempo solo nos facilitan el trabajo al simplificar la realizaci\u00f3n de este tipo de c\u00e1lculos. El inconveniente de usar dichas funciones es que nuestros modelos de datos deben ce\u00f1irse a un conjunto de reglas, como que el calendario debe ser est\u00e1ndar, no pudiendo usar estas funciones con calendarios especiales de granularidad semanal como por ejemplo el calendario 4-4-5 o, la imposibilidad de usar conexiones a or\u00edgenes de datos mediante Direct Query. <\/em><\/p>\n

Cabe se\u00f1alar que si bien la complejidad del c\u00f3digo aumenta notablemente, el uso de funciones DAX corrientes para realizar nuestros c\u00e1lculos basados en escalas de tiempo nos permite especificar cualquier granularidad para cualquier lapso temporal (desde segundos hasta d\u00e9cadas). Por ejemplo, para calcular las ventas del mes anterior sin depender de las funciones de inteligencia de tiempo integradas en DAX tendr\u00edamos que hacer lo siguiente:<\/p>\n

VentasMesAnterior DAX =
\nSUMX<\/span> (<\/span>
\n    <\/span>VALUES<\/span> (<\/span> Calendario[A\u00f1oMesNumero] )<\/span>;
\n    <\/span>IF<\/span> (<\/span>
\n        <\/span>CALCULATE<\/span> (<\/span> COUNTROWS<\/span> (<\/span> VALUES<\/span> (<\/span> Calendario[Fecha] )<\/span> )<\/span> )<\/span>
\n= CALCULATE<\/span> (<\/span> VALUES<\/span> (<\/span> Calendario[DiasEnElMes] )<\/span> )<\/span>;
\n        <\/span>CALCULATE<\/span> (<\/span>
\n[Ventas];
\n        <\/span>    <\/span>ALL<\/span> (<\/span> Calendario )<\/span>;
\n        <\/span>    <\/span>FILTER<\/span> (<\/span>
\n        <\/span>        <\/span>ALL<\/span> (<\/span> Calendario[A\u00f1oMesNumero] )<\/span>;
\nCalendario[A\u00f1oMesNumero]
\n= EARLIER<\/span> (<\/span> Calendario[A\u00f1oMesNumero] )<\/span> – 1<\/span>
\n        <\/span>    <\/span>)<\/span>
\n        <\/span>)<\/span>;
\n        <\/span>CALCULATE<\/span> (<\/span>
\n[Ventas];
\n        <\/span>    <\/span>ALL<\/span> (<\/span> Calendario )<\/span>;
\n        <\/span>    <\/span>CALCULATETABLE<\/span> (<\/span> VALUES<\/span> (<\/span> Calendario[A\u00f1oMesNumero] )<\/span> )<\/span>;
\n        <\/span>    <\/span>FILTER<\/span> (<\/span>
\n        <\/span>        <\/span>ALL<\/span> (<\/span> Calendario[A\u00f1oMesNumero] )<\/span>;
\nCalendario[A\u00f1oMesNumero]
\n= EARLIER<\/span> (<\/span> Calendario[A\u00f1oMesNumero] )<\/span> – 1<\/span>
\n        <\/span>    <\/span>)<\/span>
\n        <\/span>)<\/span>
\n    <\/span>)<\/span>
\n)<\/span><\/p>\n

Y obtendr\u00edamos el mismo resultado que usando la funci\u00f3n DATEADD()<\/code>:<\/p>\n

\"\"<\/a><\/p>\n

Todo el c\u00f3digo DAX de este art\u00edculo ha sido formateado con \u00abDAX Formatter\u00bb <\/em><\/span>
\n\"DAX<\/a><\/p><\/blockquote>\n","protected":false},"excerpt":{"rendered":"

Introducci\u00f3n Data Analysis Expressions (DAX) incluye la importante funcionalidad de Time Intelligence o inteligencia de tiempo, funciones integradas en el lenguaje con las que podemos manipular y agregar datos en funci\u00f3n de periodos temporales para construir y comparar c\u00e1lculos sobre dichos periodos. Este tipo de an\u00e1lisis de series temporales es esencial en cualquier modelo de datos. […]<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[4,5],"tags":[9,11,14,23,34],"post_series":[],"class_list":["post-541","post","type-post","status-publish","format-standard","hentry","category-dax-power-pivot","category-inteligencia-de-tiempo","tag-dax","tag-inteligencia-de-negocios","tag-power-bi","tag-power-pivot","tag-time-intelligence"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t