MicroStrategy ONE
Unir entre conjuntos de datos
La propiedad de VLDB Unir entre conjuntos de datos determina cómo se calculan los valores de los indicadores cuando se presentan atributos no relacionados de diferentes conjuntos de datos de un dashboard.
Los conjuntos de datos se muestran a continuación como visualizaciones de cuadrícula simples dentro de un panel.
Observe que un conjunto de datos incluye el atributo Región, mientras que el otro solo incluye Categoría. El atributo Región no está relacionado directamente con el atributo Categoría, pero está incluido con la categoría en uno de los dos conjuntos de datos.
En este panel, elige crear una nueva visualización de cuadrícula con Región y Ventas. Estos objetos no están en el mismo conjunto de datos, por lo que es necesario combinar los datos de distintos conjuntos de datos. Por defecto, los datos no se unen mediante los atributos no relacionados Categoría y Región. Se muestra el siguiente conjunto de datos:
Los datos de ventas son 260$ para las dos regiones, lo que equivale a las ventas totales de todas las regiones. En la mayoría de los casos, los datos de ventas deberían reflejar los datos de cada región. Esto se puede lograr permitiendo que se unan datos para los atributos no relacionados Categoría y Región.
Ahora, los datos de ventas son 185$ en Norte (una combinación de las ventas de libros y electrónica en la región Norte) y de 85$ en Sur (venta de películas en la región Sur).
Las siguientes configuraciones definen el comportamiento de unión:
- Rechazar joins basados en atributos comunes no relacionados: por defecto, los datos de los atributos no relacionados incluidos en el mismo conjunto de datos no se unen. Esta opción ofrece compatibilidad retroactiva.
- Permitir joins basados en atributos comunes no relacionados: Se unen los datos para atributos no relacionados incluidos en el mismo conjunto de datos. Esta opción permite que los datos de indicadores tengan en cuenta los atributos del mismo conjunto de datos para combinarlos lógicamente y ofrecer así resultados más precisos e intuitivos en la mayoría de los casos.