Deepseek这么火,我们还用学习PowerBI吗?

您看看需不需要 2025-02-20 21:51:00

AI 凭借其强大的文字处理能力席卷而来,我们对此已司空见惯。而以深度分析见长的 DeepSeek,是否能够助力我们开展具体的数据分析呢?让我们以 PowerBI 中的一个经典问题为例,一同探究 DeepSeek 的表现究竟如何。

假设有两张表,一个是每日销售表,一个是每月目标表,模拟数据如下:

在PowerBI如何建模分析,来计算每个月每个产品的目标完成情况?

就这个问题,我向Deepseek这样提问:

我的数据源有两张表,一个是每日销售表(字段有日期、产品名称、实际销量),一个是每月目标表(字段有年度月份、产品名称、目标销量);我的需求是,按月、按年来统计每个产品的目标完成情况。请问用PowerBI进行分析,应该如何建立数据模型?

我的本意是先进行第一步建立数据模型,不过它经过长达46秒的思考,分5个步骤给出了很全面的回答,下面来看看它的具体效果。

第1步它知道应该先建立日期表,很厉害,这一点很多初学者都未必有这个习惯,它给出的公式也可以直接用,不过这是DAX公式来建立计算表的,它却说这是PowerQuery,细节有瑕疵,如果你不了解的情况下,真是用这个公式在PowerQuery中是无法建立日期表的。

第2步是整理原始数据的两种表:

在销售表中添加个每月1号的字段,这种思路很巧妙,可以实现效果,不过很没有必要,直接用日期字段与日期表的日期建立关系就可以。在目标表中将年度月份转换为日期类型的说法不准确,它的做法实际上是添加个计算列,使目标表中有个日期的字段,以便与日期表建立关系,这个做法完全正确,不过对于计算列的DAX公式,它仍然当成是PowerQuery。

第3步建立数据模型关系,把这几个表之间模型关系方向,以及基数都表达了出来,一个经典的星型模型,非常好。

不过产品表是从哪里冒出来的?虽然的确应该有个产品维度表,不过在前面的2个步骤都完全没有提到这个表:(

第4步建立关键度量值,这次终于知道这些公式是DAX了,对于目标销量,完全不用写这么复杂,没有必要用USERELATIONSHIP函数,因为上一步的关系并没有虚线关系,其他两个度量值没有问题。

第5步给出了可视化建议,用矩阵或者折线和簇状柱形图来展示目标完成情况,很贴切。

它还进一步给出了关键注意事项,这些建议对新手确实有用。

最后,它给出了模型示意图,说了一大堆,原来它并没有忘记我向它提出的正在问题呀:)

非常巧妙的利用这些简单字符的排版,形成一个直观的PowerBI模型关系图,棒棒哒~

其实上面提出的问题是我之前分享过的一个PowerBI案例,你可以参考这篇文章,理解并对照我和DeepSeek的处理思路:

Power BI数据分析入门案例:目标实际对比

通过Deepseek的回答,我相信Deepseek真正理解了我提出的问题,给出了适用于PowerBI的处理思路,整体思路也没有问题,不过在细节上有不少瑕疵,如果你不了解PowerBI,完全照搬它的每一个步骤,肯定是走不通的。

这也是当前各种 AI 普遍存在的幻觉,AI 能够为你提供诸多建议,输出较为全面的观点,但在特定领域真正处理细节问题时,我们却不能对其完全依赖。

AI 更像是一个知识渊博、性格豪放的专家,擅长为你指明方向、提出建议,然而若要求其亲自上阵,去切实解决某一具体问题,它便会表现得得粗枝大叶,它仍然会一顿输出,但输出结果是否准确,则需要用户自行甄别。

因此,我们仍需在自身所处领域不断学习、持续精进,将 AI 作为辅助工具,能够精准分辨出 AI 输出内容中存在错误、需要修正的部分,并且知晓如何修正,才能真正让 AI 助力我们提升工作效率。

PowerBI星球的最新2024版内容合辑,值得你收藏学习:

0 阅读:1