WEBVTT

00:00:00.000 --> 00:00:05.480
Het onderwerp van vandaag is iets waar bijna iedereen die met PowerBee werkt van heeft gehoord, maar wat bijna niemand echt kan uitleggen.

00:00:05.660 --> 00:00:09.980
Wat is DAX precies? Zijn het gewoon Excel-formules in PowerBee of is het iets compleet anders?

00:00:10.200 --> 00:00:14.640
Het zit zo, de meeste mensen denken dat DAX eigenlijk Excel-formules met een andere naam zijn, maar dat is niet zo.

00:00:14.880 --> 00:00:17.540
DAX is een compleet andere manier van denken over berekeningen.

00:00:17.740 --> 00:00:22.460
Als je het als Excel probeert te behandelen, raak je gefrustreerd en in de war omdat je cijfers niet kloppen.

00:00:22.640 --> 00:00:28.820
Aan het eind van deze aflevering weet je wat DAX echt is, waarom het belangrijk is en wat de kernconcepten zijn om het met vertrouwen te gebruiken.

00:00:28.820 --> 00:00:30.880
Pak je koffie erbij en laten we beginnen.

00:00:31.320 --> 00:00:32.360
Wat is DAX precies?

00:00:32.860 --> 00:00:41.140
DAX staat voor Data Analysis Expressions en het is de formuletaal die wordt gebruikt in PowerBee, PowerPivot in Excel en SQL Server Analysis Services.

00:00:41.460 --> 00:00:44.600
Zie het als de motor die achter de schermen je berekeningen aandrijft.

00:00:44.860 --> 00:00:49.660
DAX is niet nieuw. Het bestaat al sinds Excel PowerPivot meer dan 10 jaar geleden werd geïntroduceerd.

00:00:49.820 --> 00:00:54.040
Maar met PowerBee is het de standaardtaal geworden voor iedereen die serieus bezig is met data-analyse.

00:00:54.220 --> 00:00:55.540
En dit is wat het anders maakt.

00:00:55.540 --> 00:00:58.560
In Excel schrijf je formules die werken met individuele cellen.

00:00:58.560 --> 00:01:02.220
Wijs naar A1, vermenigvuldig met B1 en je krijgt een resultaat voor één cel.

00:01:02.460 --> 00:01:05.920
DAX werkt niet op die manier. Het werkt met hele tabellen en kolommen tegelijk.

00:01:06.080 --> 00:01:07.680
Je berekent niet één cel per keer.

00:01:07.900 --> 00:01:13.860
In plaats daarvan zeg je tegen de engine, neem deze hele kolom met getallen en tel deze op of filter deze hele tabel op basis van deze voorwaarden.

00:01:14.060 --> 00:01:15.340
Dus, hoe moet je dit voor je zien?

00:01:15.580 --> 00:01:17.360
Stel je voor dat je een kantoorgebouw bouwt.

00:01:17.500 --> 00:01:20.360
PowerBee geeft je de structuur, de vloeren, muren en kamers.

00:01:20.580 --> 00:01:21.560
Dat is je datamodel.

00:01:21.820 --> 00:01:23.260
DAX is de bedrading en de leidingen.

00:01:23.260 --> 00:01:24.760
Het is wat alles laat werken.

00:01:24.980 --> 00:01:28.700
Zonder DAX heb je een gebouw dat er mooi uitziet, maar geen elektriciteit of stromend water heeft.

00:01:28.900 --> 00:01:33.440
Met DAX gaan de lichten aan, werken de kranen en reageren je rapporten echt als iemand op een slicer klikt.

00:01:33.640 --> 00:01:35.580
Dat reactievermogen is precies het punt.

00:01:35.860 --> 00:01:39.560
DAX laat je berekeningen maken die automatisch reageren op filters en interacties.

00:01:39.800 --> 00:01:45.160
Maak één measure en het toont het juiste getal of iemand nu kijkt naar de totale verkoop per regio, per product of per maand.

00:01:45.320 --> 00:01:46.160
Het werkt gewoon.

00:01:46.160 --> 00:01:50.020
Maar om het goed te gebruiken, moet je de twee belangrijkste manieren begrijpen om met DAX te werken.

00:01:50.220 --> 00:01:51.280
Laten we die doornemen.

00:01:51.500 --> 00:01:54.220
De twee werelden, berekende kolommen versus measures.

00:01:54.520 --> 00:01:58.080
Vandaag bespreken we twee bouwstenen in DAX, berekende kolommen en measures.

00:01:58.360 --> 00:02:00.180
De meeste mensen denken dat ze hetzelfde zijn.

00:02:00.400 --> 00:02:01.140
Dat zijn ze niet.

00:02:01.340 --> 00:02:03.760
Ze door elkaar halen is een van de meest gemaakte fouten die ik zie.

00:02:03.900 --> 00:02:05.440
Een berekende kolom is statisch.

00:02:05.620 --> 00:02:07.260
Het voegt een nieuwe kolom toe aan je tabel.

00:02:07.440 --> 00:02:09.700
Het wordt gevuld tijdens een verversing en blijft daarna staan.

00:02:09.880 --> 00:02:11.580
Het verandert niet tot de volgende verversing.

00:02:11.780 --> 00:02:13.680
Dit is de eenvoudigste manier om erover na te denken.

00:02:13.680 --> 00:02:16.580
Stel je een archiefkast voor, je stopt een fel papier in een map.

00:02:16.680 --> 00:02:18.520
Op dat papier staat de volledige naam van de klant.

00:02:18.680 --> 00:02:20.780
Het maakt niet uit of je het dossier vandaag of volgende week bekijkt.

00:02:20.940 --> 00:02:21.960
De naam staat er nog steeds.

00:02:22.220 --> 00:02:23.340
Dat is een berekende kolom.

00:02:23.500 --> 00:02:24.780
Een meting is compleet anders.

00:02:25.020 --> 00:02:26.140
Het staat niet in de tabel.

00:02:26.340 --> 00:02:27.860
Het leeft in het geheugen van je rapport.

00:02:28.120 --> 00:02:32.640
Telkens wanneer iemand filtert, segmenteert of op een visual klikt, wordt de meting actief en herberekent deze.

00:02:32.880 --> 00:02:33.740
Waarom is dit belangrijk?

00:02:34.060 --> 00:02:38.080
Als een gebruiker op een slicer voor de noordoostelijke regio klikt, herberekent een meting direct.

00:02:38.260 --> 00:02:40.140
Een berekende kolom negeert de slicer.

00:02:40.380 --> 00:02:41.000
Dat moet wel.

00:02:41.200 --> 00:02:42.100
Het is statisch.

00:02:42.100 --> 00:02:43.880
Dit is de simpele regel.

00:02:44.120 --> 00:02:47.860
Als het getal moet veranderen wanneer iemand op een knop klikt, gebruik dan een meting.

00:02:48.040 --> 00:02:51.020
Als het altijd hetzelfde blijft, is een berekende kolom prima.

00:02:51.280 --> 00:02:53.300
Totale verkoop moet altijd een meting zijn.

00:02:53.520 --> 00:02:56.240
Als iemand filtert op regio of maand moet het totaal bijwerken.

00:02:56.400 --> 00:02:57.960
De volledige klantnaam is een kolom.

00:02:58.120 --> 00:02:58.960
Die verandert nooit.

00:02:59.140 --> 00:03:00.560
Een slicer heeft er geen invloed op.

00:03:00.700 --> 00:03:02.320
Hier raken de meeste beginners in de war.

00:03:02.540 --> 00:03:04.380
Ze maken voor alles berekende kolommen aan.

00:03:04.560 --> 00:03:06.480
Het voelt natuurlijk, want zo werkt Excel.

00:03:06.480 --> 00:03:09.040
Maar overmatig gebruik van kolommen maakt je model zwaar.

00:03:09.180 --> 00:03:10.380
Je rapporten worden traag.

00:03:10.560 --> 00:03:13.800
Berekende kolommen creëren statische cijfers die je gebruikers negeren.

00:03:13.960 --> 00:03:16.020
Metingen zijn bijna altijd de betere keuze.

00:03:16.260 --> 00:03:17.220
Ze zijn dynamisch.

00:03:17.460 --> 00:03:18.360
Ze reageren.

00:03:18.560 --> 00:03:22.120
Zodra je dit verschil begrijpt, ben je klaar voor de echte magie van DAX.

00:03:22.340 --> 00:03:23.940
Die magie heet filter context.

00:03:24.240 --> 00:03:26.020
Het grote idee, filter context.

00:03:26.300 --> 00:03:28.140
Oké, we hebben onze twee bouwstenen.

00:03:28.360 --> 00:03:30.140
Laten we het nu hebben over de motor erachter.

00:03:30.140 --> 00:03:34.300
Elk getal dat je in een Power BI rapport ziet, wordt berekend binnen iets dat filter context heet.

00:03:34.420 --> 00:03:36.320
Het klinkt ingewikkeld, maar het is simpel.

00:03:36.560 --> 00:03:39.740
Filter context is gewoon een reeks filters die op dat exacte moment actief zijn.

00:03:39.940 --> 00:03:41.220
Waar komen die filters vandaan?

00:03:41.360 --> 00:03:42.820
Ze komen van de slicers op je pagina.

00:03:43.020 --> 00:03:44.720
Ze komen van de visual waarop je hebt geklikt.

00:03:44.900 --> 00:03:46.240
Ze komen van de pagina zelf.

00:03:46.480 --> 00:03:48.720
Zelfs de rij die je bekijkt, creëert een filter context.

00:03:48.960 --> 00:03:50.180
Dit is waarom het je zou moeten boeien.

00:03:50.400 --> 00:03:53.480
Wanneer je een meting zoals totale verkoop schrijft, vertel je deze niet om naar de noordoostelijke

00:03:53.480 --> 00:03:54.440
regio in Q3 te kijken.

00:03:54.640 --> 00:03:56.880
Je vertelt de meting alleen om de verkoopkolom op te tellen.

00:03:56.880 --> 00:03:57.700
Dat is alles.

00:03:57.700 --> 00:04:00.120
De meting weet niets van regio's of kwartalen.

00:04:00.260 --> 00:04:03.100
Ze telt simpelweg alle rijen op die op dat moment zichtbaar zijn.

00:04:03.300 --> 00:04:05.520
De filter context bepaalt wat er zichtbaar is.

00:04:05.760 --> 00:04:06.920
Stel je een spotlight voor.

00:04:07.120 --> 00:04:08.680
Je gehele dataset is de kamer.

00:04:08.860 --> 00:04:10.220
De filter context is de spotlight.

00:04:10.540 --> 00:04:13.180
De meting is een camera die een foto maakt van precies datgene wat in het licht staat.

00:04:13.380 --> 00:04:15.140
Verplaats de spotlight naar de noordoostelijke regio.

00:04:15.320 --> 00:04:16.520
De meting wordt opnieuw berekend.

00:04:16.680 --> 00:04:18.460
Verplaats hem naar Q3 en hij wordt opnieuw berekend.

00:04:18.600 --> 00:04:20.000
Je hebt de formule niet gewijzigd.

00:04:20.120 --> 00:04:21.260
De context is veranderd.

00:04:21.420 --> 00:04:22.620
Dit verwart de meeste mensen.

00:04:22.620 --> 00:04:26.440
Ze schrijven een meting die er in één visual goed uitziet, maar zodra ze die in een matrix met

00:04:26.440 --> 00:04:28.200
andere filters plaatsen, verandert het getal.

00:04:28.360 --> 00:04:29.740
Ze denken dat er iets kapot is.

00:04:29.900 --> 00:04:30.800
Het is niet kapot.

00:04:31.040 --> 00:04:32.640
Dat is precies wat de meting hoort te doen.

00:04:32.820 --> 00:04:33.740
Hij is dynamisch.

00:04:33.980 --> 00:04:35.000
Dit is de echte kracht.

00:04:35.180 --> 00:04:39.040
Je schrijft één formule en die werkt voor elke mogelijke filter combinatie in je hele rapport.

00:04:39.240 --> 00:04:41.140
Eén formule, oneindig veel antwoorden.

00:04:41.380 --> 00:04:42.560
Maar je moet voorzichtig zijn.

00:04:42.780 --> 00:04:45.820
Als je niet weet welke filters actief zijn, zul je je getal niet begrijpen.

00:04:46.020 --> 00:04:47.260
Je moet de spotlight volgen.

00:04:47.500 --> 00:04:50.940
Word vertrouwd met de filter context en je ontgrendelt de echte kracht van DAX.

00:04:50.940 --> 00:04:55.440
En dat brengt ons bij de ster van de show, de Kelkje Leed functie, de belangrijkste functie,

00:04:55.600 --> 00:04:56.200
Kelkje Leed.

00:04:56.400 --> 00:04:57.120
Welkom terug.

00:04:57.340 --> 00:05:00.540
De kennissnack van vandaag gaat over de allerbelangrijkste functie in DAX.

00:05:00.760 --> 00:05:01.820
Die heet Kelkje Leed.

00:05:02.000 --> 00:05:04.660
Als je maar één functie onder de knie krijgt, laat het dan deze zijn.

00:05:04.860 --> 00:05:08.640
Met Kelkje Leed kun je de filter context aansturen in plaats van alleen de actieve filters

00:05:08.640 --> 00:05:09.340
te accepteren.

00:05:09.520 --> 00:05:10.980
Dit is hoe normale metingen werken.

00:05:11.200 --> 00:05:14.380
Wanneer je een meting schrijft, respecteert deze automatisch de huidige filter context.

00:05:14.600 --> 00:05:18.340
Als iemand 2024 selecteert in een slicer, toont je meting de cijfers van 2024.

00:05:18.340 --> 00:05:21.880
Als ze de noordoostelijke regio kiezen, toont deze de noordoostelijke cijfers.

00:05:22.060 --> 00:05:25.160
De meting reageert op alle actieve filters, zonder extra werk.

00:05:25.360 --> 00:05:26.580
Dat is het standaardgedrag.

00:05:26.760 --> 00:05:29.320
Maar wat als je een getal nodig hebt dat de huidige filters negeert?

00:05:29.520 --> 00:05:33.160
Misschien wil je de totale verkoop voor alle regio's naast de verkoop van de geselecteerde

00:05:33.160 --> 00:05:33.700
regio zien.

00:05:33.880 --> 00:05:36.960
Of je hebt de verkoop van vorig jaar nodig terwijl iemand naar dit jaar kijkt.

00:05:37.140 --> 00:05:39.420
In die gevallen kun je niet vertrouwen op de standaardcontext.

00:05:39.600 --> 00:05:40.540
Je moet deze aanpassen.

00:05:40.780 --> 00:05:42.200
Dat is precies wat Kelkje Leed doet.

00:05:42.400 --> 00:05:44.900
Kelkje Leed werkt door de filter context tijdelijk te wijzigen.

00:05:44.900 --> 00:05:48.260
Je geeft het een uitdrukking om te berekenen en vervolgens geef je één of meer filters op

00:05:48.260 --> 00:05:48.880
om toe te passen.

00:05:49.000 --> 00:05:52.100
Het wijzigt de context, voert de berekening uit en geeft het resultaat terug.

00:05:52.260 --> 00:05:54.480
De oorspronkelijke filter context blijft onaangetast.

00:05:54.700 --> 00:05:55.460
Dat is de magie.

00:05:55.620 --> 00:05:57.060
De syntaxis is eenvoudig.

00:05:57.220 --> 00:06:00.380
Je schrijft Kelkje Leed, Expressie, Filter 1, Filter 2.

00:06:00.600 --> 00:06:03.020
De expressie is meestal een meting die je al hebt gemaakt.

00:06:03.280 --> 00:06:05.260
Filters zijn de voorwaarden die je wilt toepassen.

00:06:05.440 --> 00:06:07.460
Je kunt zoveel filters toevoegen als je nodig hebt.

00:06:07.680 --> 00:06:08.880
Laten we kijken hoe dit werkt.

00:06:09.100 --> 00:06:10.960
Stel je hebt een meting genaamd totale verkoop.

00:06:10.960 --> 00:06:13.060
Deze toont de verkoop voor de geselecteerde periode.

00:06:13.220 --> 00:06:16.260
Om de verkoop voor dezelfde periode vorig jaar te tonen, schrijf je Kelkje Leed totale

00:06:16.260 --> 00:06:18.220
verkoop, dezelfde periode vorig jaar kalenderdatum.

00:06:18.380 --> 00:06:19.600
Dat is alles wat nodig is.

00:06:19.800 --> 00:06:22.820
Kelkje Leed neemt je bestaande meting en verschuift de datum context met één jaar

00:06:22.820 --> 00:06:23.100
terug.

00:06:23.260 --> 00:06:25.400
Je krijgt de vergelijking die je nodig hebt in één regel.

00:06:25.700 --> 00:06:28.440
Zonder Kelkje Leed zit je vast aan de bestaande filter context.

00:06:28.700 --> 00:06:32.400
Met Kelkje Leed kun je filters overschrijven, nieuwe toevoegen of bestaande verwijderen.

00:06:32.540 --> 00:06:35.700
Je kunt de totale verkoop voor alle producten opvragen, zelfs als iemand filtert op een

00:06:35.700 --> 00:06:36.460
specifieke categorie.

00:06:36.460 --> 00:06:39.540
Je kunt de verkoop van vorige maand ophalen terwijl het rapport deze maand toont.

00:06:39.680 --> 00:06:41.080
De controle ligt in jouw handen.

00:06:41.240 --> 00:06:43.980
Ongeveer 80% van geavanceerde DAX leunt op Kelkje Leed.

00:06:44.440 --> 00:06:48.100
Tijdsintelligentie, dynamische vergelijkingen, aangepaste aggregaties, lopende totalen, ze

00:06:48.100 --> 00:06:49.760
gebruiken allemaal Kelkje Leed op de achtergrond.

00:06:50.100 --> 00:06:53.460
Comfortabel worden met deze ene functie geeft je enorme macht over je rapporten.

00:06:53.620 --> 00:06:55.480
Maar Kelkje Leed werkt op het filterniveau.

00:06:55.640 --> 00:06:57.860
Hoe zit het met rij voor rij logica binnen een meting?

00:06:58.080 --> 00:07:00.240
Dat is waar een andere set functies van pas komt.

00:07:00.460 --> 00:07:02.880
Iterator functies, wanneer je rij voor rij moet denken.

00:07:02.880 --> 00:07:06.820
Kelkje Leed handelt wijzigingen op filterniveau uitstekend af, maar soms moet je in een tabel

00:07:06.820 --> 00:07:09.860
stappen en berekeningen uitvoeren op elke rij afzonderlijk binnen een meting.

00:07:10.000 --> 00:07:11.440
De eenvoudige som kan dat niet.

00:07:11.620 --> 00:07:13.840
Je hebt iets nodig dat rij voor rij door de tabel loopt.

00:07:14.040 --> 00:07:15.700
Hier is een veelvoorkomende situatie.

00:07:15.900 --> 00:07:18.840
Je hebt een verkooptabel met hoeveelheid en eenheidsprijs in aparte kolommen.

00:07:19.020 --> 00:07:20.900
Je wilt een meting die de totale omzet toont.

00:07:21.080 --> 00:07:23.880
Je kunt niet zomaar een hoeveelheid vermenigvuldigen met een eenheidsprijs.

00:07:24.080 --> 00:07:26.780
Dat vermenigvuldigt de totale, niet de individuele rijen.

00:07:26.780 --> 00:07:31.480
Je moet de hoeveelheid van elke rij vermenigvuldigen met de eenheidsprijs en daarna al die resultaten optellen.

00:07:31.700 --> 00:07:33.100
Dat is rij voor rij wiskunde.

00:07:34.440 --> 00:07:35.860
Iterator functies zijn hiervoor gebouwd.

00:07:36.060 --> 00:07:41.920
Dat zijn de functies die eindigen op x, sumx, ave, r, age, x, c, u, n, t, x, minx, max.

00:07:42.120 --> 00:07:43.420
De x staat voor expressie.

00:07:43.680 --> 00:07:50.540
Deze functies nemen een tabel, lopen elke rij af, voeren een berekening uit op elke rij en aggregeren de resultaten tot één waarde.

00:07:50.780 --> 00:07:56.220
Voor het omzetvoorbeeld schrijf je sumx, verkoop, verkoophoeveelheid, verkoopeenheidsprijs.

00:07:56.220 --> 00:07:59.220
Het eerste argument is de tabel om overheen te itereren.

00:07:59.400 --> 00:08:02.920
Het tweede argument is de expressie die op elke rij moet worden geëvalueerd.

00:08:03.260 --> 00:08:07.520
Sumx gaat rij voor rij, vermenigvuldigt hoeveelheid met prijs en telt alles op.

00:08:07.600 --> 00:08:11.100
Eén meting geeft je de correcte totale omzet, eenvoudig en direct.

00:08:11.340 --> 00:08:15.440
Gebruik iterators wanneer je berekening meerdere kolommen van dezelfde rij betreft.

00:08:15.680 --> 00:08:18.720
Winst per regelitem, kortingsprijs, gewogen scores.

00:08:19.140 --> 00:08:23.620
Wanneer de berekening rij voor rijlogica vereist binnen een measure, is een iterator je hulpmiddel.

00:08:23.620 --> 00:08:25.700
Maar iterators hebben een prestatiekost.

00:08:25.700 --> 00:08:31.120
Ze lopen elke rij langs, dus overmatig gebruik op tabellen met miljoenen rijen kan je rapporten enorm vertragen.

00:08:31.320 --> 00:08:35.380
De simpele regel, gebruik alleen een iterator wanneer je echt rij voor rijlogica nodig hebt.

00:08:35.580 --> 00:08:39.040
Als een simpele som of gemiddelde het juiste antwoord geeft, gebruik dat dan in plaats daarvan.

00:08:39.200 --> 00:08:40.720
Je rapporten zullen je dankbaar zijn.

00:08:40.940 --> 00:08:45.160
Nog een tip, soms is een berekende kolom plus een simpele som sneller dan een sumx.

00:08:45.380 --> 00:08:49.440
Als je een berekende kolom maakt die de berekening op rijniveau één keer uitvoert tijdens het verversen,

00:08:49.440 --> 00:08:54.680
en daarna een normale som op die kolom gebruikt, vermijd je de kosten van de iterator telkens wanneer iemand het rapport bekijkt.

00:08:54.860 --> 00:08:56.960
Test beide benaderingen met je eigen gegevens.

00:08:57.180 --> 00:09:00.760
De snelste optie hangt af van de grootte van je model en hoe vaak de gegevens veranderen.

00:09:00.920 --> 00:09:01.740
Kies verstandig.

00:09:01.920 --> 00:09:03.680
Time Intelligence simpel uitgelegd.

00:09:03.820 --> 00:09:07.900
Laten we het nu hebben over een van de meest gevraagde functies in Power BI, het vergelijken van tijdsperiode.

00:09:08.100 --> 00:09:10.600
Hoe zijn de verkopen van deze maand vergeleken met vorige maand?

00:09:10.740 --> 00:09:12.620
Hoe loopt het jaar ten opzichte van vorig jaar?

00:09:12.620 --> 00:09:17.420
Deze vragen komen in bijna elk bedrijfsrapport naar voren en DAX heeft functies die daarvoor zijn gemaakt.

00:09:17.620 --> 00:09:23.740
Time Intelligence functies verwerken year-to-date totalen, dezelfde periode vorig jaar, voortschrijdende gemiddelden en maand-op-maand wijzigingen.

00:09:23.940 --> 00:09:27.840
Ze maken deel uit van DAX, dus je hoeft geen complexe filterlogica vanaf nul te schrijven.

00:09:28.000 --> 00:09:29.380
Maar er is een addertje onder het gras.

00:09:29.500 --> 00:09:33.820
Time Intelligence functies vereisen een correcte datumtabel, niet zomaar een datumkolom uit je feitentabel.

00:09:34.020 --> 00:09:38.000
Je hebt een aparte tabel nodig met één rij per dag die je volledige datumbereik zonder gaten beslaat,

00:09:38.100 --> 00:09:40.020
en deze moet in je model worden gemarkeerd als datumtabel.

00:09:40.020 --> 00:09:42.220
Sla je die stap over, dan zullen de functies simpelweg niet werken.

00:09:42.400 --> 00:09:50.800
Zodra je die datumtabel hebt ingesteld, zijn de meest nuttige functies TOTALGYTD, SAMEPERIODLASTGYEAR, DATEADD en DATESBETWEN.

00:09:51.220 --> 00:09:52.800
TOTALGYTD is de eenvoudigste.

00:09:52.900 --> 00:09:58.620
Je schrijft TOTALGYTD, Total Sales, Calendar, Date, en je krijgt een lopend totaal vanaf het begin van het jaar tot de datum die in de context staat.

00:09:58.800 --> 00:10:02.260
Plaats dit in een lijngrafiek per maand en je ziet dat cumulatieve totaal groeien naarmate het jaar voordert.

00:10:02.780 --> 00:10:05.860
SAMEPERIODLASTGYEAR doet precies wat de naam suggereert.

00:10:05.860 --> 00:10:13.460
Het verschuift de datumcontext 1 jaar terug. Je combineert het met Calculate, zoals dit, Calculate, Total Sales, SAMEPERIODLASTGYEAR, calendar, date.

00:10:13.620 --> 00:10:16.980
Nu staan de verkopen van vorig jaar naast de cijfers van dit jaar voor een eenvoudige vergelijking.

00:10:17.840 --> 00:10:22.220
DATADD is nog flexibeler. Hiermee kun je verschuiven PERDAGEN, maanden, kwartalen of jaren.

00:10:22.380 --> 00:10:27.340
Je kunt dit kwartaal vergelijken met hetzelfde kwartaal van 2 jaar geleden of de cijfers van vorige maand bekijken door min 1 maand te gebruiken.

00:10:27.520 --> 00:10:29.640
Het is het Zwitsers zakmes voor het verschuiven van tijd.

00:10:29.640 --> 00:10:32.740
De meest gemaakte fout is het vergeten om de datummaattabel te markeren.

00:10:32.920 --> 00:10:36.520
Je kunt een perfecte datummaattabel hebben met elke dag van 2020 tot en met 2030,

00:10:36.740 --> 00:10:40.880
maar als je deze niet markeert als datummaattabel in het model, zullen de functies fouten of lege waarde retourneren.

00:10:41.020 --> 00:10:45.740
Het is een eenvoudige instelling. Klik met de rechter muisknop op de tabel, kies markeren als datummaattabel en selecteer de datumkolom.

00:10:45.940 --> 00:10:47.620
Doe dit één keer en alles begint te werken.

00:10:47.800 --> 00:10:53.440
Een andere fout is het gebruik van tijdintelligentiefuncties op een datumkolom in je feitentabel in plaats van een speciale datummaattabel.

00:10:53.440 --> 00:10:58.260
De functies verwachten een aaneengesloten datumbereik zonder gaten en feitentabellen hebben dat bijna nooit.

00:10:58.460 --> 00:11:02.380
Bouw dus een juiste datummaattabel, markeer deze en je tijdintelligentie zal soepel werken.

00:11:02.600 --> 00:11:04.380
Veel voorkomende valkuilen voor beginners.

00:11:04.680 --> 00:11:07.660
Zelfs met de juiste functies trappen beginners nog in veel voorkomende valstrikken.

00:11:07.860 --> 00:11:10.920
Laat me de grootste met je doornemen, zodat je ze vanaf dag 1 kunt vermijden.

00:11:11.080 --> 00:11:14.780
De nummer 1 bron van Bax in DAX is het verwarren van rijkontext met filtercontext.

00:11:14.980 --> 00:11:19.340
Eerder bespraken we hoe berekende kolommen een rijkontext creëren en één rij tegelijk evalueren,

00:11:19.540 --> 00:11:22.700
terwijl metingen filtercontext gebruiken op basis van de actieve filters.

00:11:22.700 --> 00:11:26.440
Beginners schrijven vaak een meting alsof deze toegang heeft tot individuele rijen

00:11:26.440 --> 00:11:28.760
en vragen zich dan af waarom de resultaten onjuist zijn.

00:11:28.960 --> 00:11:32.480
Als je meting individuele rijen moet zien, gebruik dan een iteratorfunctie.

00:11:32.700 --> 00:11:33.920
Zo niet, hou het dan simpel.

00:11:34.140 --> 00:11:37.880
De tweede grote fout is het gebruik van berekende kolommen wanneer een meting zou volstaan.

00:11:38.080 --> 00:11:41.500
Berekende kolommen voelen vertrouwd aan omdat je de waarden in de tabel kunt zien,

00:11:41.700 --> 00:11:44.880
maar elke berekende kolom maakt je model groter en het vernieuwen langzamer.

00:11:45.160 --> 00:11:49.420
Vraag jezelf voor het toevoegen af, moet deze waarde veranderen wanneer iemand het rapport filtert.

00:11:49.540 --> 00:11:51.160
Indien ja, dan moet het een meting zijn.

00:11:51.160 --> 00:11:53.820
Een andere valkouw is het negeren van het datamodel zelf.

00:11:54.020 --> 00:11:55.280
DAX werkt niet in isolatie.

00:11:55.480 --> 00:11:57.680
Het is afhankelijk van de relaties tussen je tabellen.

00:11:57.860 --> 00:12:01.720
Als je model zwakke relaties, een verkeerde kardinaliteit of ontbrekende join sleutels heeft,

00:12:01.900 --> 00:12:03.300
zullen je DAX-formules stilletjes falen.

00:12:03.420 --> 00:12:05.880
Je krijgt getallen die aannemelijk lijken, maar in werkelijkheid onjuist zijn.

00:12:06.060 --> 00:12:07.440
De oplossing is niet betere DAX.

00:12:07.640 --> 00:12:08.620
Herstel eerst je model.

00:12:08.900 --> 00:12:10.800
Dan is er nog het verkeerd gebruik van Kelkjeleet.

00:12:11.020 --> 00:12:15.100
Beginners voegen meerdere filters toe in Kelkjeleet zonder te beseffen dat ze elkaar kunnen opheffen.

00:12:15.100 --> 00:12:19.960
Een filter voor de verkoop van 2024 en een ander voor de verkoop van vorig jaar conflicteren bijvoorbeeld,

00:12:20.160 --> 00:12:21.740
en het resultaat zal niet zijn wat je verwacht.

00:12:21.900 --> 00:12:24.320
Elk filter in Kelkjeleet moet een duidelijk doel hebben.

00:12:24.520 --> 00:12:27.120
Als je niet zeker weet wat het doet, test het dan eerst apart.

00:12:27.380 --> 00:12:30.040
Nog een veelgemaakte fout is het niet gebruiken van variabelen.

00:12:30.240 --> 00:12:34.860
Met VAR gedeclareerde variabelen laten je tussen resultaten opslaan en hergebruiken in dezelfde measure.

00:12:35.140 --> 00:12:38.180
Zonder deze herhaal je dezelfde berekening meerdere keren in één formule,

00:12:38.400 --> 00:12:41.180
wat je code minder leesbaar, moeilijker te debuggen en trager maakt.

00:12:41.180 --> 00:12:43.360
Maak er een gewoonte van om VAR vroeg te gebruiken.

00:12:43.520 --> 00:12:45.260
Het bespaart je uren aan frustratie.

00:12:45.440 --> 00:12:48.400
En tot slot, valideer je measures altijd in verschillende contexten.

00:12:48.520 --> 00:12:52.320
Een measure die perfect werkt in een kaartvisual, kan in een matrix totaal fout gaan.

00:12:52.540 --> 00:12:56.600
Dat komt doordat de totaalrij in een andere filter context evalueert dan de detailrijen.

00:12:56.740 --> 00:13:00.920
Test je measures in tabellen, kaarten, matrices en met verschillende slicer combinaties.

00:13:01.140 --> 00:13:04.800
Als een measure in al die scenario's standhoudt, weet je dat deze solide is.

00:13:05.360 --> 00:13:06.380
Alles samenbrengen

00:13:06.380 --> 00:13:09.840
Goed, laten we een concreet voorbeeld doornemen dat alles samenbrengt.

00:13:09.840 --> 00:13:12.460
Stel je bouwt een verkooprapport en je moet drie getallen tonen.

00:13:12.580 --> 00:13:18.240
De totale verkoop voor deze periode, de totale verkoop voor dezelfde periode vorig jaar en het groeipercentage daartussen.

00:13:18.420 --> 00:13:20.880
Het eerste wat je nodig hebt, is een schone datumtabel.

00:13:21.100 --> 00:13:25.800
Ga naar je model, maak een datumtabel die je volledige datumbereik beslaat, één rij per dag, zonder gaten.

00:13:26.000 --> 00:13:29.800
Klik er vervolgens met de rechter muisknop op, kies markeren als datumtabel en selecteer de datumkolom.

00:13:30.020 --> 00:13:33.720
Doe dit één keer en elke tijdslimiet functie die je daarna schrijft, zal gewoon werken.

00:13:33.940 --> 00:13:35.340
Schrijf daarna je basismeasure.

00:13:35.340 --> 00:13:39.160
Noem het totale verkoop en type, totale verkoop is gelijk aan som van verkoopbedrag.

00:13:39.340 --> 00:13:42.960
Dat is het fundament en elke andere berekening zal voortbouwen op deze ene eenvoudige regel.

00:13:43.200 --> 00:13:44.880
Schrijf vervolgens de measure voor het voorgaande jaar.

00:13:45.100 --> 00:13:47.340
Gebruik kelkje leed met SAMEPERIODLASTGXYAR.

00:13:48.140 --> 00:13:49.180
Het ziet er als volgt uit.

00:13:49.360 --> 00:13:54.260
Verkoop vorig jaar is gelijk aan kelkje leed totale verkoop SAMEPERIODLASTGYAR kalenderdatum.

00:13:54.400 --> 00:13:56.840
Nu heb je het huidige jaar direct naast het vorige jaar staan.

00:13:57.080 --> 00:13:58.260
Nu het groeipercentage.

00:13:58.560 --> 00:14:02.580
Gebruik de feit om situaties af te handelen waarin de verkoop van vorig jaar nul kan zijn.

00:14:02.580 --> 00:14:03.840
En dat zal gebeuren.

00:14:03.840 --> 00:14:05.220
Schrijf het als volgt op.

00:14:05.800 --> 00:14:10.440
Groeipercentage is gelijk aan de feit totale verkoop min verkoop vorig jaar gedeeld door verkoop vorig jaar.

00:14:10.660 --> 00:14:14.580
De feit geeft veilig een blank terug in plaats van een foutmelding als de noemer nul is.

00:14:14.800 --> 00:14:16.900
Dat is de slimme manier om crashes te voorkomen.

00:14:17.120 --> 00:14:20.580
Nu heb je drie herbruikbare measures die werken met elk filter dat je erop loslaat.

00:14:20.780 --> 00:14:23.420
Sliep ze in een tabel per product, per regio, per maand.

00:14:23.620 --> 00:14:25.200
Ze zullen elke keer correct reageren.

00:14:25.360 --> 00:14:26.440
Dat is precies het punt.

00:14:26.720 --> 00:14:30.340
Bouw op een schoon model, beheers een handvol kernfuncties en de rest valt op zijn plek.

00:14:30.340 --> 00:14:32.720
Probeer dus niet op dag één complexe daks te schrijven.

00:14:32.720 --> 00:14:34.380
Zorg eerst dat je model klopt.

00:14:34.620 --> 00:14:37.500
Leer de basis, measures, filter, context en calculate.

00:14:37.940 --> 00:14:41.600
En je lost de meeste zakelijke problemen op met slechts een paar regelscode.

00:14:41.800 --> 00:14:42.880
Dus hier komen we uit.

00:14:43.080 --> 00:14:47.420
Je weet wat daks is, waarom filter, context belangrijk is en hoe calculate en iteratorfuncties werken.

00:14:47.580 --> 00:14:50.260
Je hebt de gebruikelijke valkuilen gezien en hoe je ze kunt vermijden.

00:14:50.440 --> 00:14:53.260
En we hebben een concreet voorbeeld doorlopen dat alles met elkaar verbindt.

00:14:53.360 --> 00:14:56.240
De echte kracht van daks zit niet in het uit het hoofd leren van honderd functies,

00:14:56.440 --> 00:14:58.520
maar in een goed datamodel en een paar kernpatronen.

00:14:58.520 --> 00:15:01.320
Zorg voor een goed model en de daks wordt bijna vanzelfsprekend.

00:15:01.480 --> 00:15:03.120
Dit is wat ik je aanraad om te proberen.

00:15:03.260 --> 00:15:04.140
Open Power B.

00:15:04.380 --> 00:15:08.060
Bouw een simpel model met een datumtabel, een verkoopstabel en een producttabel.

00:15:08.300 --> 00:15:10.320
Schrijf daarna een week lang elke dag één measure.

00:15:10.560 --> 00:15:15.220
Begin met de totale verkoop, voeg de verkoop van vorig jaar toe, voeg het groeipercentage toe en probeer daarna een lopend totaal.

00:15:15.340 --> 00:15:17.920
Aan het eind van de week schrijf je measures zonder erbij na te denken.

00:15:18.200 --> 00:15:19.100
Zo valt het kwartje.

00:15:19.300 --> 00:15:22.600
Als deze aflevering je heeft geholpen, abonneer je dan en blijf je kennis uitbreiden.

00:15:22.600 --> 00:15:28.740
De volgende keer praten we over het debuggen van daks als er dingen misgaan, want dat gebeurt, en weten hoe je ze oplost is het halve werk.

00:15:28.900 --> 00:15:29.260
Tot dan!
