“Analiz özellikleri ve yapay zekâ görselleri” dersinde bu görsellerin ne işe yaradığını bir tabloda gördün. Bu derste iki yapay zekâ görselini derinlemesine kullanacağız ve her bulguyu bir DAX ölçüsüyle kendimiz doğrulayacağız. Görselin bir cümlesini rapora koymadan önce aynı sayıyı ölçüyle üretebiliyor olmalısın.
Ayrıştırma ağacı (decomposition tree)
Ayrıştırma ağacı bir ölçüyü seçtiğin boyutlara göre adım adım böler. İki kutusu var:
- Çözümle (Analyze): Bölünecek değer. Bir ölçü ya da bir toplama olmalı:
[Net Satış],[İade Oranı %]. - Açıklama ölçütü (Explain by): Bölmede kullanılabilecek boyutlar:
Satislar[Kanal],Kategoriler[Kategori],Musteriler[Segment],Musteriler[Bolge],Musteriler[Cinsiyet]…
Bir düğümün yanındaki + simgesine basınca sıradaki boyutu sen seçersin. Listenin en üstünde ampul simgeli iki yapay zekâ bölmesi (AI split) vardır:
- Yüksek değer (High value): Tüm boyutları dener ve ölçünün en yüksek değerine götüren boyutu seçer.
- Düşük değer (Low value): Aynı şeyi en düşük değer için yapar. Oranlarda (iade, iptal) sorunlu bölgeyi bulmak için kullanılır.
Yapay zekâ düzeyleri arka arkaya eklenebilir; yüksek ve düşük karıştırılabilir. Ama yapay zekâ düzeyinden sonra elle seçilmiş bir düzey gelemez: el ile bölersen ampul kalkar ve düzey normal düzeye döner. Ampule tıklamak da düzeyi normal davranışa döndürür.
Mutlak mı, göreli mi?
Biçim bölmesindeki Analiz kartında yapay zekâ bölmesinin modu seçilir. 2024 net satışı (747.065,70 ₺) üzerinde ilk düzeyi düşün:
| Boyut | En yüksek düğüm | Değer | Düğüm ortalaması | En yüksek ÷ ortalama |
|---|---|---|---|---|
| Cinsiyet (2 düğüm) | Kadın | 401.983,85 ₺ | 373.532,85 ₺ | 1,08 |
| Kanal (3) | Mobil | 346.352,70 ₺ | 249.021,90 ₺ | 1,39 |
| Kategori (7) | Elektronik | 206.432,20 ₺ | 106.723,67 ₺ | 1,93 |
| Bölge (7, boş düğüm dahil) | İç Anadolu | 255.512,80 ₺ | 106.723,67 ₺ | 2,39 |
- Mutlak (Absolute) mod en büyük düğüm değerine bakar ve Cinsiyet = Kadın’ı seçer. Az değerli boyutlar her zaman büyük parçalar üretir; mutlak mod bu yüzden “iki büyük dilim” buldu ama ilginç bir şey söylemedi.
- Göreli (Relative) mod sütunun geri kalanına göre öne çıkan değeri arar: düğüm değerini o boyuttaki düğümlerin ortalamasına böler. Burada Bölge = İç Anadolu 2,39 katla öne çıkıyor.
Hangisi doğru? İkisi de doğru hesaplıyor; farklı soru soruyorlar. “Satışın büyük kısmı nerede?” için mutlak, “nerede sıra dışı yoğunlaşma var?” için göreli.
Düzeyleri kilitlemek ve sınırlar
- Kilitleme: Rapor yazarı bir düzeyin üzerine gelip kilit simgesine basar; okuyucu o düzeyi kaldıramaz ya da değiştiremez, ama düzey içinde farklı düğümlere tıklayabilir. Kilitli bir düzeyden önce kilitsiz düzey olamaz: ilk iki düzeyi kilitlersen okuyucu üçüncüden itibaren keşif yapar.
- Sınırlar: En fazla 50 düzey, aynı anda en fazla 5.000 veri noktası; her düzey ilk 10 düğümü gösterir.
- Yapay zekâ bölmesi çalışmayan durumlar: Azure Analysis Services, Power BI Rapor Sunucusu, Web’de yayımla ve Çözümle kutusundaki karmaşık ölçüler.
Anahtar etkileyiciler (key influencers)
Bu görsel “Hedef değişkeni en çok ne etkiliyor?” sorusunu sorar. Kutuları:
- Çözümle: Hedef. Satislar tablosunun satır düzeyinde çözümlenir.
- Açıklama ölçütü: Aday etkenler. Her etken çözümlenen tablonun düzeyinde tanımlı olmalı (satış satırı başına bir değer).
- Genişletme ölçütü (Expand by): Yalnızca bir ölçüyü ya da toplanmış alanı çözümlerken analiz düzeyini belirler (ör.
Satislar[SatirNo]); bu alan etken sayılmaz.
| Hedef türü | Soru | Örnek | Sonuç nasıl yazılır? |
|---|---|---|---|
| Kategorik | “Durum = İade olmasını ne etkiliyor?” | Satislar[Durum], değer: İade | “… olduğunda İade olasılığı X kat artar” |
| Sürekli | “Tutarın artmasını ne etkiliyor?” | Satislar[Tutar] (özetlenmemiş) ya da bir ölçü | “… olduğunda ortalama Tutar Y ₺ daha yüksek” |
Özetlenmemiş sayısal bir sütunu iki şekilde de çözümleyebilirsin; seçim Biçim → Analiz kartındadır. Ölçüler her zaman sürekli çözümlenir. Görselin iki sekmesi vardır: Anahtar etkileyiciler tek tek etkenleri, En iyi segmentler (Top segments) ise birkaç koşulun birleşimini (ör. “Segment Kurumsal ve Bölge Ege”) hedef oranına göre sıralar; kabarcık büyüklüğü segmentteki satır sayısıdır.
Örnek sonuçlar bu modelde: Genel iade oranı 110 ÷ 1.620 satır = %6,8. Görsel muhtemelen şunu söyler: “Segment Kurumsal olduğunda İade olasılığı 1,74 kat artar.” Kurumsal satırlarda iade %9,8 (45 ÷ 461), diğer segmentlerde %5,6. Sürekli hedefte: Elektronik satırlarında ortalama Tutar 1.428,15 ₺, diğer kategorilerde 722,01 ₺; görsel bunu “Kategori Elektronik olduğunda ortalama Tutar yaklaşık 706 ₺ daha yüksek” diye yazar.
Anahtar etkileyiciler ne ister, neyi yapamaz?
- Yeterli gözlem: Seçilen durum için en az 100 gözlem, karşılaştırılan durumlar için en az 10 gözlem gerekir. Bizim 110 iade satırımız sınırın hemen üstünde; tek bir yılı süzersen görsel “yeterli veri yok” der.
- Örneklem: Analiz 10.000 veri noktalık bir örneklem üzerinde çalışır.
- Çok değerli etken: 10’dan fazla benzersiz değeri olan etkenlerde kalite düşebilir; sayısal etkeni sürekli analize çevir ya da grupla.
- Küçük gruplar: Bir grubun oranı yüksek olsa da gözlem azsa istatistiksel olarak anlamlı bulunmaz. Ege’de iade %11,3 ama yalnızca 22 iade satırı var; görsel Ege’yi etken olarak göstermeyebilir.
- Desteklenmeyenler: DirectQuery, Azure Analysis Services ve SQL Server Analysis Services’e canlı bağlantı, Web’de yayımla, SharePoint Online gömme. Modelde örtük ölçüleri engelle açıksa (ör. hesaplama grupları tanımlıysa) kategorik hedef çözümlenemez.
Anlatı görseli ve Copilot
Anlatı (Narrative) görselinin iki modu var. Copilot modu seçtiğin görselleri ya da sayfaları okuyup bir özet yazar; Copilot’un açık olduğu ücretli bir Fabric ya da Premium kapasitesi ister, deneme kapasitelerinde çalışmaz. Bu modda özet filtre değişince kendiliğinden güncellenmez; okuyucu yenile düğmesine basarak seçili filtrelere göre yeni özet ister. Özel (Custom) mod eski akıllı anlatıdır (smart narrative): metni sen yazarsın, içine ölçüye bağlı dinamik değerler koyarsın ve bunlar filtreyle güncellenir. Anlatı görseli anahtar etkileyiciler gibi bazı görselleri henüz okuyamıyor. Soru-Cevap görselini kullanma; kaldırılıyor ve yerini Copilot alıyor (“Copilot ile çalışmak” dersi).
Bulguyu okumak: etki nedensellik değildir
“Kurumsal olduğunda iade olasılığı 1,74 kat artar” cümlesi bir ilişki raporudur. “Kurumsal müşteri olmak iadeye yol açar” demez. Kurumsal müşteriler toplu sipariş veriyor, farklı ürünler alıyor ya da iadeyi farklı bir süreçle yapıyor olabilir. Rapora şöyle yaz:
- Kötü: “Kurumsal müşteriler iadeye neden oluyor.”
- İyi: “Kurumsal segmentte iade oranı %9,8, diğer segmentlerde %5,6. Fark her kanalda ve her yılda görülüyor. Nedeni için kurumsal iade gerekçelerine bakılmalı.”
“Her kanalda ve her yılda görülüyor” cümlesini ölçüyle kontrol ettik: Kurumsal iade oranı Web’de %12,0’a karşı %5,8, Mobil’de %9,0’a karşı %5,7, Mağaza’da %6,7’ye karşı %4,5; yıllara göre 2022’de %15,8 / %10,4, 2023’te %11,9 / %5,4, 2024’te %7,6 / %5,3. Bir ilişki alt gruplarda da tekrar ediyorsa daha güvenilirdir; bir alt grupta tersine dönüyorsa (Simpson paradoksu) toplam bulgu yanıltıcı olabilir. Ayrıca görsel lojistik regresyon kullandığı için sayı diğer etkenleri de hesaba katar; senin basit oranınla birebir aynı çıkmayabilir.
Bulguyu bir ölçüyle yeniden üretmek
Görselin yaptığı karşılaştırma, “seçili değer” ile “diğer değerler”dir. Bu karşılaştırmayı ölçüyle kur:
Diğer Segmentlerin İade Oranı = VAR Secili = VALUES(Musteriler[Segment]) RETURN CALCULATE([İade Oranı %], EXCEPT(ALL(Musteriler[Segment]), Secili))
Segment satırlarında bu ölçü Kurumsal için %5,6, Premium için %7,9, Bireysel için %7,1 verir. [İade Oranı %] ÷ bu ölçü, görselin “kat” değerinin basit karşılığıdır: Kurumsal 1,74, Bireysel 0,88, Premium 0,65. Ayrıştırma ağacının bulgusunu da aynı şekilde kontrol et: “Bu kanalda en büyük kategori satışın ne kadarı?” sorusunu bir pay ölçüsüyle cevapla (alıştırma 4). Ölçüyü bir matrise koy, görselin cümlesiyle karşılaştır, ancak ondan sonra rapora yaz.