Creación de un Gráfico de Pareto en Power BI: Guía Paso a Paso

El concepto de Pareto, también conocido como el principio 80/20, se puede aplicar eficazmente al análisis de datos para identificar y priorizar las principales subcategorías que influyen en el desempeño de una empresa. Este principio sostiene que aproximadamente el 80% de los efectos provienen del 20% de las causas. 

En el contexto empresarial, esto puede significar que una proporción relativamente pequeña de subcategorías podría generar la mayoría del impacto en términos de ingresos, costos, problemas de calidad, etc.

 

 Pasos para aplicar el análisis de Pareto a las principales subcategorías de una empresa

• Definir el objetivo del análisis: Determinar qué aspecto del negocio se va a analizar (por ejemplo, ingresos, costos, defectos, quejas de clientes, etc.).
• Recolectar datos relevantes: Recopilar datos precisos y actualizados sobre las subcategorías en cuestión. Esto puede incluir ventas por producto, costos por departamento, número de defectos por línea de producción, etc.
• Organizar y categorizar los datos: Agrupar los datos por subcategorías y sumarizar el impacto total de cada una (por ejemplo, total de ingresos por subcategoría de producto).
• Calcular el impacto acumulado: Ordenar las subcategorías de mayor a menor según su impacto. Calcular el impacto acumulado en términos porcentuales para identificar qué subcategorías contribuyen al 80% del efecto total.
• Visualizar los datos con un diagrama de Pareto: Crear un gráfico de barras donde las subcategorías estén ordenadas de mayor a menor impacto. Superponer una línea acumulativa para visualizar el porcentaje acumulado del impacto total.
• Interpretar los resultados:  Identificar las subcategorías clave que representan el 80% del impacto. Analizar las razones detrás del alto impacto de estas subcategorías y explorar oportunidades de mejora o inversión.

Ejemplo aplicado del grafico de Pareto en Power BI

Aprenderemos a crear un gráfico de Pareto en Power BI. Este tipo de gráfico es muy útil para identificar las subcategorías más importantes de un negocio, permitiendo visualizar tanto las ventas acumuladas como su porcentaje respecto al total.

Paso 1: Creación de la Tabla Base

Primero, necesitamos una tabla que contenga las subcategorías y las ventas. Asegúrate de tener estos datos listos en Power BI.

Paso 2: Creación de la Medida de Ventas

Vamos a crear una medida que represente las ventas. Sigue estos pasos:

• Crear nueva medida:
• Haz clic en "Nueva Medida".
• Nombra la medida como Ventas.
• Utiliza la siguiente fórmula:
• DAX Copiar código Ventas = SUM(Tabla[Ventas])
• Formato de la medida: Aplica formato de moneda sin decimales.

Paso 3: Ordenar y Rankear las Subcategorías

Para analizar mejor los datos, necesitamos ordenar y rankear las subcategorías.

• Ordenar ventas:
• Ordena las ventas de menor a mayor.
• Crear medida de ranking:
• Crea una nueva medida y nómbrala Ranking Ventas.
• Usa la función RANKX:
• DAX Copiar código Ranking Ventas = RANKX(ALL(Tabla[Subcategoría]), [Ventas], , DESC, DENSE)

Paso 4: Calcular Ventas Acumuladas

Ahora, vamos a calcular las ventas acumuladas utilizando la función CALCULATE y TOPN.

• Crear medida de ventas acumuladas:
• Nombra la medida Ventas Acumuladas.
• Utiliza la siguiente fórmula:
• DAX Copiar código: Ventas Acumuladas = CALCULATE([Ventas], TOPN([Ranking Ventas], ALL(Tabla[Subcategoría]), [Ventas], DESC))

Paso 5: Calcular el Porcentaje Acumulado

Para obtener el porcentaje acumulado de ventas, sigue estos pasos:

• Calcular el total de ventas:
• Crea una medida llamada Total Ventas.
• Utiliza la siguiente fórmula:
• DAX Copiar código Total Ventas = CALCULATE([Ventas], ALL(Tabla[Subcategoría]))
• Crear medida de porcentaje acumulado: 
• Nombra la medida Porcentaje Acumulado
• Utiliza la función DIVIDE:
• DAX Copiar código Porcentaje Acumulado = DIVIDE([Ventas Acumuladas], [Total Ventas], 0)

Paso 6: Crear el Gráfico de Pareto

Finalmente, vamos a visualizar nuestros datos en un gráfico de Pareto.

• Insertar gráfico:\
• Selecciona un gráfico de columnas agrupadas y de líneas.
• En el eje de las columnas, coloca las subcategorías.
• En el eje de valores, coloca las ventas.
• En el eje de líneas, coloca el porcentaje acumulado.

Paso 7: Adición de Iconos y Formatos

Para mejorar la visualización, vamos a agregar iconos y colores.

• Agregar iconos:
• Selecciona la matriz.
• Ve a la configuración de iconos en la celda.
• Define iconos verdes para subcategorías que representen hasta el 80% y naranjas para el resto.
• Formato de fondo:
• Aplica un color de fondo a las ventas acumuladas utilizando reglas para diferenciar visualmente los segmentos importantes.

Con estos pasos, has creado un gráfico de Pareto en Power BI que te ayudará a identificar las subcategorías clave de tu negocio. Este análisis es crucial para enfocar esfuerzos en mejorar costos, precios y estrategias en las áreas que más impacto tendrán en tus ventas. Si te gustó esta guía, no olvides compartirla y suscribirte a nuestro blog para más contenido sobre inteligencia de negocios.

 

 

Segmentación de Empleados con las funciones condicionales DAX: IF, AND, OR

En el entorno empresarial actual, comprender la percepción de los empleados sobre la importancia y exigencia de su trabajo es crucial para mejorar la satisfacción laboral y aumentar la productividad. En este caso de estudio, nos enfocaremos en el departamento de Recursos Humanos de una empresa ficticia llamada ABC Corp. El objetivo principal es utilizar Power BI para segmentar a aquellos empleados que consideran que su trabajo es muy importante pero que también lo perciben como poco o algo exigente. Esto nos permitirá identificar oportunidades de mejora y diseñar estrategias efectivas para maximizar la satisfacción y el rendimiento laboral.

Planteamiento del caso:

ABC Corp es una empresa con una fuerza laboral diversa y numerosa. El departamento de Recursos Humanos ha notado una discrepancia entre los empleados que consideran su trabajo de gran importancia y aquellos que sienten que su trabajo es poco o algo exigente. Esta disparidad puede afectar la moral, la motivación y la retención de los empleados, lo que a su vez puede tener un impacto negativo en el rendimiento general de la empresa.

El departamento de Recursos Humanos reconoce la necesidad de abordar esta situación y está buscando una solución efectiva para identificar a los empleados que caen en esta categoría. Para lograrlo, se han recopilado datos sobre las percepciones de los empleados mediante encuestas internas. Los datos incluyen respuestas a preguntas relacionadas con la importancia percibida y la exigencia del trabajo.

Objetivos del caso de estudio:

• Utilizar Power BI para analizar y visualizar los datos recopilados sobre la importancia y la exigencia del trabajo de los empleados.
• Identificar y segmentar a los empleados que consideran que su trabajo es muy importante pero lo perciben como poco o algo exigente.
• Explorar posibles causas subyacentes de esta percepción y entender los factores que contribuyen a ella.
• Proporcionar información relevante y visualmente atractiva a los responsables de la toma de decisiones en Recursos Humanos.

Al lograr estos objetivos, el departamento de Recursos Humanos de ABC Corp podrá tomar decisiones informadas y proactivas para mejorar la experiencia laboral de los empleados y fomentar un entorno de trabajo más productivo y satisfactorio.

 

Posibles estrategias de parte del departamento de Recursos Humanos:

• Reevaluar y rediseñar las descripciones de puesto.
• Ofrecer oportunidades de desarrollo profesional y crecimiento.
• Implementar programas de reconocimiento y recompensas.
• Fomentar una cultura de retroalimentación y comunicación abierta.
• Facilitar la participación en proyectos desafiantes.
• Promover la colaboración y el trabajo en equipo.
• Brindar programas de capacitación y desarrollo específicos para fortalecer habilidades.
• Introducir rotación de puestos para brindar nuevas experiencias.
• Establecer metas y objetivos claros para mantener la motivación y el enfoque.
• Diseñar programas de bienestar y equilibrio entre el trabajo y la vida personal.

Diferencia entre las funciones DAX COUNTROWS() y DISTINCTCOUNT()

DAX (Data Analysis Expressions) es un lenguaje de fórmulas utilizado en Power BI para realizar cálculos y análisis de datos. Con DAX, los usuarios pueden crear medidas personalizadas, columnas calculadas y tablas calculadas para obtener información más avanzada y detallada a partir de conjuntos de datos. DAX ofrece una amplia gama de funciones y operadores que permiten realizar operaciones matemáticas, lógicas y de agregación en los datos. 

Es una herramienta fundamental para aprovechar al máximo el potencial analítico de Power BI y obtener insights valiosos para la toma de decisiones empresariales.

Función COUNTROWS()

La función COUNTROWS en Power BI es una función de agregación utilizada para contar el número de filas en una tabla o una expresión de tabla. Proporciona el recuento total de filas devueltas por una tabla o una expresión de tabla dentro de un contexto dado.

La función COUNTROWS es útil para realizar análisis cuantitativos y obtener métricas de conteo en informes y visualizaciones. Por ejemplo, puedes utilizarla para contar el número de clientes en una tabla de datos de ventas o el número de registros que cumplen ciertos criterios en un conjunto de datos.

Su sintaxis básica es la siguiente:

COUNTROWS(tabla o expresión de tabla)

Donde "tabla o expresión de tabla" representa la tabla o la expresión que se desea contar.

Un ejemplo de aplicación sería el siguiente:

Supongamos que tienes una tabla llamada "Ventas" con información sobre las transacciones de ventas realizadas por una empresa. Si deseas saber cuántas transacciones de venta se realizaron en total, puedes utilizar la función COUNTROWS de la siguiente manera:

COUNTROWS(Ventas)

Esto devolverá el recuento total de filas en la tabla "Ventas", lo que te dará el número total de transacciones de venta registradas.

En resumen, la función COUNTROWS en Power BI es una herramienta poderosa para contar filas y realizar análisis cuantitativos en los datos, permitiéndote obtener información clave sobre el tamaño de conjuntos de datos y cumplimiento de criterios específicos.

Función DISTINCTCOUNT()

La función DISTINCTCOUNT en Power BI es una función de agregación utilizada para contar el número de valores distintos en una columna o expresión. A diferencia de la función COUNTROWS, que cuenta todas las filas, DISTINCTCOUNT se enfoca en contar solo los valores únicos.

La función DISTINCTCOUNT es muy útil para realizar análisis de conteo de elementos distintos en un conjunto de datos. Puedes aplicarla en situaciones en las que deseas contar la cantidad de categorías únicas, clientes únicos, productos únicos u otros elementos distintos en una columna determinada.

La sintaxis básica de la función DISTINCTCOUNT es la siguiente:

DISTINCTCOUNT(columna o expresión)

Donde "columna o expresión" representa la columna o expresión que contiene los valores que se desean contar de forma distinta.

Aquí tienes un ejemplo de aplicación:

Supongamos que tienes una tabla llamada "Ventas" con información sobre las transacciones de ventas realizadas por una empresa, y en esa tabla tienes una columna llamada "Producto" que contiene el nombre de los productos vendidos. Si deseas saber cuántos productos distintos se vendieron, puedes utilizar la función DISTINCTCOUNT de la siguiente manera:

DISTINCTCOUNT(Ventas[Producto])

Esto te dará el recuento de valores únicos en la columna "Producto", lo que te permitirá saber cuántos productos diferentes se vendieron en total.

En resumen, la función DISTINCTCOUNT en Power BI es una herramienta útil para contar valores distintos en una columna o expresión, lo que te ayuda a obtener información sobre la cantidad de elementos únicos en tus datos y realizar análisis basados en esa información.

 

Diferencia entre Columnas Calculadas y Medidas en Power BI

Columnas Calculadas

Las columnas calculadas en Power BI son una funcionalidad poderosa que permite a los usuarios crear nuevas columnas en un conjunto de datos utilizando fórmulas personalizadas. Estas columnas se calculan dinámicamente en función de las expresiones y lógica definidas por el usuario. Con las columnas calculadas, es posible realizar cálculos complejos, combinar datos de diferentes fuentes, aplicar transformaciones personalizadas y generar métricas relevantes para el análisis de datos.

Las columnas calculadas en Power BI ofrecen flexibilidad y capacidad de adaptación a medida que los requisitos del análisis evolucionan. Los usuarios pueden utilizar una amplia gama de funciones y operadores para crear expresiones que manipulan y transforman los datos en el formato necesario. Esto permite realizar cálculos matemáticos, lógicos y estadísticos, así como extraer información de texto, fechas y otras fuentes.

Además, las columnas calculadas pueden utilizarse para crear medidas, que son valores agregados o calculados basados en un conjunto de datos. Estas medidas proporcionan una forma de resumir y visualizar los datos de manera efectiva, lo que permite obtener información y conocimientos más profundos.

Medidas en DAX

Las medidas en DAX (Data Analysis Expressions) son un elemento fundamental en Power BI y otras herramientas de análisis de datos de Microsoft, como Power Pivot y Analysis Services. Estas medidas permiten realizar cálculos y agregaciones dinámicas sobre los conjuntos de datos, proporcionando métricas y valores calculados que son fundamentales para el análisis y la toma de decisiones.

En DAX, las medidas se definen utilizando funciones y operadores para realizar operaciones matemáticas, lógicas, estadísticas y de manipulación de datos. Estas funciones permiten realizar cálculos complejos y realizar agregaciones basadas en columnas específicas o en conjuntos de datos filtrados. Además, las medidas pueden utilizar funciones de tiempo, texto y otras categorías para realizar análisis detallados y personalizados.

Una de las características más poderosas de las medidas en DAX es su capacidad para responder dinámicamente a los cambios en el contexto de análisis. Esto significa que las medidas se adaptan automáticamente a las interacciones de los usuarios, como la selección de filtros, segmentaciones y jerarquías. Como resultado, las medidas proporcionan resultados actualizados en tiempo real, lo que permite explorar y analizar los datos de manera flexible y en profundidad. 

Las medidas en DAX también pueden ser reutilizadas en diferentes visualizaciones y paneles, lo que brinda coherencia y consistencia en el análisis. Además, se pueden crear medidas personalizadas a partir de medidas existentes, lo que permite construir análisis más complejos y sofisticados.

 

Aquí hay dos diferencias clave entre las columnas calculadas y las medidas en Power BI:

Contexto de cálculo:

• Columnas calculadas: Las columnas calculadas se calculan durante la fase de carga o actualización del modelo de datos en Power BI. Los cálculos se realizan en el nivel de fila y se aplican a todos los registros del conjunto de datos. Estas columnas se almacenan físicamente en la tabla subyacente y están disponibles para su uso en cualquier visualización o análisis.
• Medidas: Las medidas se calculan dinámicamente en función del contexto de análisis y las interacciones del usuario. Cada vez que se realiza una consulta o se aplica un filtro, las medidas se adaptan automáticamente a ese contexto específico y proporcionan resultados actualizados. Las medidas no se almacenan físicamente en la tabla subyacente, sino que se calculan al vuelo según sea necesario.

Nivel de agregación:

• Columnas calculadas: Las columnas calculadas son útiles para realizar cálculos a nivel de fila y no admiten agregaciones o resúmenes. Los cálculos se aplican a cada registro individualmente y no se pueden utilizar para obtener valores agregados o realizar cálculos sobre subconjuntos de datos.
• Medidas: Las medidas son ideales para realizar cálculos y agregaciones a diferentes niveles, como sumas, promedios, mínimos, máximos, entre otros. Las medidas pueden realizar cálculos basados en columnas específicas o en conjuntos de datos filtrados, lo que permite obtener valores agregados y resúmenes útiles para el análisis.

En resumen, las columnas calculadas se calculan durante la carga del modelo y se aplican a todos los registros, mientras que las medidas se calculan dinámicamente según el contexto de análisis. Las columnas calculadas operan a nivel de fila y no admiten agregaciones, mientras que las medidas permiten realizar cálculos y agregaciones a diferentes niveles, lo que facilita el análisis y la generación de métricas relevantes.