Advanced Analytics؛ What-if، سناریوسازی و تحلیل هوشمند در Power BI

کتاب جامع Power BI — آموزش پروژه‌محور، تصویری و کاربردی

مقدمه؛ از «چه اتفاقی افتاد؟» به «اگر این کار را کنیم چه می‌شود؟»

تا اینجا بیشتر داشبوردها به ما می‌گفتند فروش چقدر بوده، کدام شعبه بهتر بوده و نسبت به پارسال چه تغییری کرده‌ایم. حالا یک قدم جلوتر می‌رویم: اگر قیمت را تغییر بدهیم چه می‌شود؟ اگر هدف فروش ۱۰ درصد بیشتر شود چه؟ چه عواملی بیشترین ارتباط را با یک نتیجه دارند؟

این فصل درباره استفاده هوشمندانه از قابلیت‌های تحلیلی Power BI است؛ نه اینکه هر قابلیت AI را صرفاً چون جذاب است وارد داشبورد کنیم.

۱۵.۱. بلوغ تحلیل

گزارش توصیفی می‌گوید چه اتفاقی افتاده؛ تحلیل تشخیصی دنبال چرایی می‌گردد؛ سناریوسازی اثر فرضیات را بررسی می‌کند و تحلیل پیش‌بینانه تلاش می‌کند درباره آینده برآورد بسازد.

۱۵.۲. What-if Parameter چیست؟

What-if Parameter به کاربر اجازه می‌دهد یک مقدار فرضی را تغییر دهد و اثر آن را روی Measureها ببیند.

فرض: افزایش قیمت = 5%
→ فروش تعدیل‌شده
→ سود تعدیل‌شده
→ حاشیه سود جدید

این مقدار سناریویی است و نباید با داده واقعی اشتباه گرفته شود.

۱۵.۳. سناریوی قیمت شرکت هانا

مدیر فروش می‌پرسد اگر متوسط قیمت ۷ درصد بالا برود و تعداد فروش ثابت بماند، Revenue چه تغییری می‌کند؟ یک Parameter درصد تغییر قیمت می‌سازیم.

Scenario Sales =
[Total Sales] * (1 + [Price Change %])

۱۵.۴. سناریو با چند فرض

در مدل واقعی ممکن است هم‌زمان Price Change، Volume Change و Cost Change داشته باشیم.

Scenario Revenue = [Total Sales] * (1 + [Price Change %]) * (1 + [Volume Change %])

۱۵.۵. سناریوی سود

Scenario Cost = [Total Cost] * (1 + [Cost Change %])
Scenario Profit = [Scenario Revenue] - [Scenario Cost]
Scenario Margin % = DIVIDE([Scenario Profit],[Scenario Revenue])

سناریو باید واضح برچسب بخورد تا مدیر آن را با Actual اشتباه نگیرد.

۱۵.۶. Actual، Budget و Scenario

این سه مفهوم را در مدل و Visual از هم جدا نگه دار.

۱۵.۷. Scenario Analysis چه زمانی مفید است؟

برای بودجه‌بندی، قیمت‌گذاری، هدف‌گذاری، تحلیل ظرفیت و بررسی حساسیت KPIها کاربرد دارد.

ولی اگر رابطه فرض‌ها با نتیجه از نظر کسب‌وکار معتبر نباشد، داشبورد فقط ماشین حساب شیک می‌شود.

۱۵.۸. Sensitivity Analysis

تحلیل حساسیت می‌پرسد KPI به کدام فرض حساس‌تر است. مثلاً سود با یک درصد تغییر قیمت بیشتر تکان می‌خورد یا یک درصد تغییر هزینه؟

Test A: Price +1%
Test B: Cost +1%
Compare Δ Profit

۱۵.۹. Decomposition Tree

Decomposition Tree کمک می‌کند یک Measure مثل Profit را بر اساس Region، Product، Channel و سایر Dimensionها باز کنیم و مسیرهای مختلف را بررسی کنیم.

۱۵.۱۰. سؤال مناسب برای Decomposition Tree

به جای «فروش چقدر است؟» سؤال بهتر این است: «افت سود از کدام منطقه، محصول یا کانال آمده؟»

این Visual برای Exploration بسیار مناسب است.

۱۵.۱۱. Key Influencers؛ مفهوم

Key Influencers برای بررسی عواملی طراحی شده که با افزایش یا کاهش یک نتیجه ارتباط دارند.

مثلاً بررسی کنیم چه ویژگی‌هایی با احتمال رضایت بیشتر مشتری یا مقدار فروش بالاتر همراه‌اند.

۱۵.۱۲. همبستگی با علت یکی نیست

نکته: اگر یک عامل به عنوان Influencer دیده شد، به معنی اثبات رابطه علت و معلولی نیست.

ممکن است متغیرهای دیگری در پشت نتیجه باشند. خروجی تحلیلی باید با دانش کسب‌وکار تفسیر شود.

۱۵.۱۳. نمونه Key Influencers در فروش

می‌توانیم بررسی کنیم فروش بالا با چه عواملی همراه است: Region، Product Category، Customer Segment یا Sales Channel.

۱۵.۱۴. Forecasting؛ مفهوم

Forecast تلاش می‌کند بر اساس الگوی تاریخی یک برآورد از آینده ارائه کند. این برآورد قطعیت نیست.

برای سری زمانی باید داده تاریخی کافی، Grain زمانی مناسب و کیفیت قابل قبول داشته باشیم.

۱۵.۱۵. چه زمانی Forecast قابل اتکا نیست؟

اگر داده خیلی کم باشد، ساختار بازار ناگهان عوض شده باشد، شوک‌های بیرونی بزرگ وجود داشته باشد یا تاریخچه پر از Missing و خطا باشد، Forecast می‌تواند گمراه‌کننده شود.

۱۵.۱۶. فصل‌پذیری

بعضی کسب‌وکارها الگوی فصلی دارند. فروش قبل از عید، تابستان یا پایان سال ممکن است رفتار متفاوتی داشته باشد.

در تحلیل Forecast باید Seasonality واقعی کسب‌وکار را بشناسیم، نه اینکه فقط خط آینده را نگاه کنیم.

۱۵.۱۷. Forecast با Target فرق دارد

۱۵.۱۸. Anomaly Detection؛ مفهوم

در سری زمانی ممکن است نقاطی بسیار متفاوت از الگوی معمول دیده شوند. تشخیص Anomaly می‌تواند توجه تحلیل‌گر را به این نقاط جلب کند.

بعد از پیدا شدن Anomaly باید علت کسب‌وکاری را بررسی کنیم؛ مثلاً کمپین، قطعی سیستم، سفارش بزرگ یا خطای داده.

۱۵.۱۹. Smart Narrative؛ مفهوم

قابلیت‌های Narrative می‌توانند خلاصه متنی از برخی یافته‌های Visualها ارائه کنند.

این متن جای تحلیل‌گر را نمی‌گیرد. خروجی باید از نظر Context و معنای کسب‌وکار بررسی شود.

۱۵.۲۰. Q&A؛ سؤال با زبان طبیعی

در محیط‌هایی که مدل، نام‌گذاری و زبان داده مناسب باشد، قابلیت Q&A می‌تواند به کاربر اجازه دهد سؤال‌هایی با زبان طبیعی مطرح کند.

کیفیت نام جدول‌ها، ستون‌ها و Synonymها روی تجربه کاربر اثر دارد.

۱۵.۲۱. مدل خوب، AI بهتر

قابلیت‌های هوشمند روی مدل نامرتب معجزه نمی‌کنند. Dimensionهای واضح، Measureهای درست و داده باکیفیت پایه تحلیل هوشمند هستند.

Good Data + Good Model + Business Context
> Fancy AI on bad data

۱۵.۲۲. تحلیل Pareto

یکی از تحلیل‌های کاربردی این است که ببینیم چند درصد محصولات یا مشتریان بخش عمده فروش را می‌سازند.

Rank customers by Sales
→ Cumulative Sales
→ Cumulative %

این تحلیل برای تمرکز تیم فروش روی مشتریان کلیدی مفید است.

۱۵.۲۳. ABC Analysis

بر اساس سهم تجمعی می‌توان آیتم‌ها را به گروه‌های A، B و C تقسیم کرد. مرز گروه‌ها باید بر اساس سیاست کسب‌وکار تعیین شود.

این روش در مشتری، محصول و موجودی کاربرد دارد.

۱۵.۲۴. Top N پویا

می‌توانیم با Parameter به کاربر اجازه دهیم Top 5، Top 10 یا Top 20 را انتخاب کند.

Selected Top N → ranking/filter logic → dynamic visual

۱۵.۲۵. Dynamic Metric Selector

گاهی مدیر می‌خواهد همان نمودار را یک بار با Sales، یک بار Profit و یک بار Quantity ببیند. با Field Parameter یا الگوی انتخاب Metric می‌توان تجربه پویا ساخت.

این کار تعداد Visualهای تکراری را کاهش می‌دهد.

۱۵.۲۶. Dynamic Dimension

کاربر می‌تواند انتخاب کند نمودار بر اساس Branch، Product، Customer Segment یا Channel شکسته شود.

این تکنیک برای صفحه Exploration مفید است، ولی گزینه‌های زیاد می‌تواند کاربر را گیج کند.

۱۵.۲۷. Small Multiples

وقتی می‌خواهیم یک روند را برای چند Category به شکل قابل مقایسه ببینیم، Small Multiples می‌تواند جایگزین خوبی برای نمودار شلوغ با ده‌ها Line باشد.

۱۵.۲۸. Cohort Analysis؛ مفهوم

Cohort Analysis کاربران یا مشتریان را بر اساس یک ویژگی زمانی مشترک گروه‌بندی می‌کند؛ مثلاً ماه اولین خرید.

بعد می‌توان رفتار گروه‌های مختلف را در ماه‌های بعد مقایسه کرد.

۱۵.۲۹. Retention در سناریوی مشتری

Cohort = First Purchase Month
Retention Month 1
Retention Month 2
Retention Month 3

این تحلیل برای کسب‌وکارهای تکرار خرید، اشتراک و سرویس‌های دیجیتال ارزشمند است.

۱۵.۳۰. Segmentation

تقسیم مشتریان بر اساس Sales، Frequency، Margin یا رفتار خرید کمک می‌کند همه مشتریان را یکسان نبینیم.

Segmentation می‌تواند Rule-based یا مبتنی بر روش‌های تحلیلی بیرون از Power BI باشد.

۱۵.۳۱. تحلیل RFM؛ مفهوم

RFM یک روش شناخته‌شده برای بخش‌بندی مشتری است و می‌توان خروجی آن را در Power BI تحلیل کرد.

۱۵.۳۲. Drill Down تحلیلی

وقتی KPI غیرعادی می‌شود، مسیر بررسی را طراحی کن: Company → Region → Branch → Product → Customer.

این مسیر باید با سؤال‌های واقعی مدیر هماهنگ باشد.

۱۵.۳۳. AI Visual را کجا نگذاریم؟

روی صفحه Executive هر قابلیت هوشمندی را فقط برای نمایش تکنولوژی اضافه نکن. مدیرعامل اول KPI و Exception را می‌خواهد.

Visualهای اکتشافی را می‌توان در صفحه جداگانه Advanced Analysis قرار داد.

۱۵.۳۴. سناریوی جامع شرکت هانا

مدیر می‌خواهد بداند اگر قیمت ۵ درصد زیاد شود، هزینه ۳ درصد بالا برود و حجم فروش ۲ درصد افت کند، سود چه می‌شود؛ سپس می‌خواهد بفهمد افت سود فعلی بیشتر از کدام Product/Branch آمده.

What-if Parameters
→ Scenario Profit
→ Decomposition Tree
→ Branch/Product investigation

۱۵.۳۵. طراحی صفحه Scenario Lab

[Price Change Slider]
[Volume Change Slider]
[Cost Change Slider]

[Scenario Revenue] [Scenario Profit] [Scenario Margin]

Actual vs Scenario Trend
Impact by Product / Branch

این صفحه را واضح با عنوان «سناریوی فرضی» مشخص کن.

۱۵.۳۶. طراحی صفحه Advanced Insights

KPI selector
Decomposition Tree
Key Influencers
Anomaly / Trend
Top-N / Dynamic Dimension

هدف صفحه Exploration است، نه گزارش ثابت مدیریتی.

۱۵.۳۷. اعتبارسنجی تحلیل

هر Insight مهم را با داده خام، SME یا تحلیل مستقل کنترل کن. مخصوصاً وقتی تصمیم مالی یا عملیاتی مهم قرار است بر اساس آن گرفته شود.

نکته: هوشمند بودن Visual مسئولیت اعتبارسنجی تحلیل را حذف نمی‌کند.

۱۵.۳۸. خطاهای رایج Advanced Analytics

خطای اول: Scenario را به عنوان Forecast معرفی کردن.

خطای دوم: Forecast را به عنوان حقیقت آینده نشان دادن.

خطای سوم: Influencer را علت قطعی فرض کردن.

خطای چهارم: استفاده از داده کم‌کیفیت.

خطای پنجم: شلوغ کردن Executive Dashboard با AI Visualها.

خطای ششم: سناریو بدون فرضیات شفاف.

خطای هفتم: نتیجه تحلیلی بدون Validation.

۱۵.۳۹. Best Practiceها

فرضیات Scenario را شفاف نمایش بده.

Actual، Target، Forecast و Scenario را جدا کن.

AI Visual را برای سؤال مشخص استفاده کن.

Insight را با Context کسب‌وکار تفسیر کن.

داده و مدل را قبل از تحلیل هوشمند درست کن.

صفحه Executive را ساده نگه دار.

تحلیل‌های اکتشافی را تست و اعتبارسنجی کن.

۱۵.۴۰. تمرین پایه

یک What-if Parameter برای تغییر قیمت از منفی ۱۰ تا مثبت ۲۰ درصد بساز و Scenario Sales را محاسبه کن.

۱۵.۴۱. تمرین متوسط

سه Parameter برای Price، Volume و Cost طراحی کن و Scenario Profit و Margin را بساز.

۱۵.۴۲. تمرین کاربردی

برای Profit یک Decomposition Tree طراحی کن که Region، Branch، Product Category و Channel را بررسی کند.

۱۵.۴۳. تمرین چالشی

یک صفحه Advanced Insights طراحی کن که سؤال «چرا Achievement پایین آمده؟» را با چند روش اکتشافی پاسخ دهد. برای هر Visual توضیح بده چرا انتخاب شده است.

۱۵.۴۴. پروژه نهایی فصل؛ Scenario & Insight Lab شرکت هانا

در پایان باید بتوانی به مدیر بگویی کدام عدد Actual است، کدام Target، کدام Forecast و کدام فقط نتیجه یک Scenario فرضی است.

جمع‌بندی فصل پانزدهم

Advanced Analytics زمانی ارزش دارد که سؤال تصمیم‌گیری مشخص داشته باشیم. What-if برای بررسی فرضیات است، Forecast برای برآورد، Decomposition برای شکستن KPI و Influencer برای کشف الگوهای مرتبط.

Question
→ Choose analytical method
→ Validate assumptions
→ Explain result
→ Support decision

در فصل بعد وارد بخش حرفه‌ای توسعه و نگهداری می‌شویم: ابزارهای توسعه مدل، مدیریت Measureها، Tabular Editor/DAX Studio در سطح مفهومی و Workflow حرفه‌ای برای مدل‌های بزرگ Power BI.