Pilihan Kapten FPL dengan Power BI: Laporan Berstruktur Cerita

Pilihan Kapten FPL dengan Power BI: Laporan Berstruktur Cerita

Jika Anda telah mengikuti seri saya tentang penyampaian cerita berdasarkan data, khususnya postingan terakhir tentang penataan laporan dengan awal, tengah, dan akhir, Anda akan tahu bahwa saya sedang mengembangkan sesuatu yang praktis.

Jadi sekarang saatnya menerapkan kerangka itu pada laporan FPL saya sendiri.

Karena jika strukturnya berhasil, maka itu akan berhasil jika taruhannya jelas: memilih kapten yang tepat setiap minggu di tim liga premier fantasi Anda.

Mengubah Laporan FPL Saya Menjadi Sebuah Cerita: Awal, Tengah, Akhir

Milikmu Pilihan kapten FPL adalah keputusan paling penting yang Anda buat setiap gameweek. Postingan ini menerapkan kerangka laporan awal–tengah–akhir pada laporan Fantasy Premier League Power BI saya dan menunjukkan cara mendesainnya untuk memberikan rekomendasi yang jelas.

Struktur laporan Power BI harus mengikuti cerita

Di postingan terakhir, saya berpendapat bahwa laporan Power BI harus mengikuti struktur yang sama seperti sebuah cerita:

Bukan karena kedengarannya bagus. Karena mengurangi beban kognitif dan meningkatkan pengambilan keputusan. Jadi mari kita terapkan dengan benar. Tidak secara teori. Di Liga Premier Fantasi.

Permulaannya: mengapa saya harus peduli?

Di FPL, ada satu keputusan setiap minggunya yang lebih penting dari keputusan lainnya:

Siapa kapten saya?

Lakukan dengan benar dan Anda menggandakan poin dari pemain dengan performa tertinggi. Jadi Anda mendapatkan skor pemain terbaik Anda dua kali! Jika Anda membuat pilihan yang tepat.

Jika Anda melakukan kesalahan, Anda bisa meninggalkan ribuan tempat dalam semalam.

Ini bukan sekadar metrik lainnya. Ini adalah keputusan leverage tertinggi dalam permainan. Jadi bagian awal laporan harus membingkai hal itu secara eksplisit.

Bukan:

• “Ikhtisar Pekan Pertandingan”
• “Metrik Pemain”

Tetapi:

Siapa yang harus saya kapten minggu ini?

Itulah konteksnya. Itulah cakupannya. Itulah keputusannya. Segala sesuatu berikut ini ada untuk mengurangi ketidakpastian seputar satu pertanyaan itu.

Jika halaman pembuka laporan tidak menunjukkan hal tersebut dalam hitungan detik, maka laporan tersebut tidak melakukan tugasnya. Seperti yang Anda lihat dari cuplikan layar di bawah halaman laporan yang diberi nama Bpermulaan – Pemain mana yang harus saya kapten minggu ini data menyarankan berdasarkan perkiraan poin minggu depan bahwa kaptennya adalah Cole Palmer atau Nico Reily dengan sedikit Co-pilot Power BI untuk bersenang-senang juga.

Bagian tengah: apa yang terjadi dan mengapa?

Setelah keputusan dibuat, kita bergerak ke tengah.

Di sinilah sebagian besar dasbor berada. Namun dalam struktur cerita, bagian ini mempunyai tugas: membangun kepercayaan terhadap keputusan.

Dalam istilah FPL, itu berarti menganalisis:

• pemain dengan performa tinggi
• poin proyeksi tinggi
• pencetak sejarah yang kuat
• pemain bernilai baik
• perbandingan berdasarkan posisi

Tapi inilah disiplinnya: Kami hanya memasukkan apa yang mempengaruhi keputusan kapten atau transfer. Tidak semuanya.

1) Pemain dengan performa tinggi

Bentuknya adalah salah satu sinyal jangka pendek paling jelas di FPL. Jika seorang pemain mencetak gol bagus dalam 3–5 pekan pertandingan terakhir, itu adalah momentum yang berarti. Jadi laporan tersebut harus muncul dengan jelas:

• Pemain top berdasarkan performa
• Dengan konteks (posisi, harga, menit bermain)

Tidak terkubur dalam tabel dengan baris demi baris data. Ini harus disorot. Karena bentuk mempengaruhi kepercayaan diri kapten secara langsung.

2) Poin proyeksi tinggi (EP_Next)

Poin yang diproyeksikan penting karena menjadi kapten adalah keputusan berwawasan ke depan, Anda telah mendengar semuanya sebelumnya, “Kinerja di masa lalu tidak berarti hasil di masa depan”. Laporan Anda harus menunjukkan dengan jelas:

• Poin yang diproyeksikan teratas secara keseluruhan
• Dan poin yang diproyeksikan teratas berdasarkan posisi

Di sinilah ceritanya menyempit. Kami tidak bertanya “Siapa yang menarik?” Kami bertanya:

Siapa yang paling mungkin memberikan poin minggu ini?

Jadi bagian tengah kita, halaman satu dari dua diberi nama yang tepat Tengah – Pemain Teratas berdasarkan Bentuk EP dan Posisi terlihat seperti ini

3) Skor tinggi tapi murah – ROI bagus untuk pebisnis di luar sana

Transfer juga penting. Jangan lupakan itu. Bagian tengah juga harus muncul:

• pemain dengan total poin tinggi
• relatif terhadap biayanya
• dengan bentuk terkini yang kuat

Begitulah cara Anda mengidentifikasi nilai.

Bek seharga £5,5 juta dengan rata-rata 6 poin per pertandingan mungkin merupakan transfer yang lebih baik daripada gelandang berkinerja buruk seharga £7,5 juta.

Laporan tersebut akan membantu menjawab:

• Jika saya perlu transfer minggu ini, berapa nilainya?
• Posisi mana yang menawarkan keuntungan?

Hal ini membangun kasus ini. Hal ini membangun kepercayaan diri.

Akhir: apa yang kita lakukan selanjutnya?

Sekarang sampai pada bagian yang paling banyak dilewatkan oleh dashboard. Akhir cerita. Implikasinya. Rekomendasi.

Berdasarkan:

• membentuk
• poin yang diproyeksikan
• nilai
• perbandingan posisi

Laporan harus sampai pada:

Ini kaptennya.

Dan secara opsional:

Ini adalah alternatif teratas berdasarkan posisi.

Jadi salah satu posting sebelumnya dalam seri ini membuat buletin Brent Ozar, yang disebut Kelebihan Data Membunuh Pengambilan Keputusan dan dia menambahkan komentar di buletinnya tentang posting saya yang mengatakan “Gethyn Ellis mengatakan Kelebihan data membunuh pengambilan keputusan, dan saya akan menambahkan ini salah satu alasan orang lebih bersandar pada AI untuk menyaring sesuatu” Jadi saya melakukannya, untuk akhir saya, saya mendapat Power BI Copilot yang menjelaskan berdasarkan data saya tim terbaik minggu ini. Ini dia jika Anda menginginkannya untuk batas waktu hari Jumat

Ini tidak menghilangkan nuansa. Ini menghilangkan ambiguitas. Ini memberikan kejelasan kepada manajer.

Mengapa ini berhasil

Struktur ini berfungsi karena selaras dengan cara otak memproses keputusan.

Awal: Mengapa saya harus peduli? → Keputusan kapten.

Tengah: Apa yang terjadi dan mengapa? → Bentuk, proyeksi, nilai.

Akhir: Apa yang kita lakukan selanjutnya? → Pemilihan kapten + alternatif.

Itu bukan tulisan kreatif. Ini keselarasan kognitif.

Apa artinya ini bagi analisis bisnis

Sekarang perkecil. Mengganti:

“Siapa yang harus saya kapteni?”

Dengan:

• Pemasok mana yang harus kami negosiasi ulang?
• Produk mana yang harus kita prioritaskan?
• Di wilayah mana kita harus berinvestasi?

Strukturnya identik. Kebanyakan dashboard bisnis berhenti di tengah-tengah. Contoh FPL memperjelasnya karena taruhannya terlihat dan langsung. Jika saya menerbitkan dasbor FPL yang tidak pernah memberi tahu saya siapa yang harus menjadi kapten, percuma saja. Hal yang sama juga harus berlaku dalam bisnis.

Ujian sebenarnya

Jika seseorang membuka laporan Power BI Anda dan bertanya:

“Jadi, apa yang harus kita lakukan?”

Maka ceritamu belum selesai. Di FPL, hal itu akan merugikan peringkat Anda.

Dalam bisnis, hal ini mengorbankan kejelasan, kecepatan, dan keselarasan. Itu sebabnya struktur itu penting.

Ingin menerapkan ini di luar FPL?

Fantasy Premier League membuat taruhannya menjadi jelas.

Jika kapten salah, peringkat Anda akan turun. Jika Anda mengambil keputusan yang salah dalam bisnis, Anda akan kehilangan waktu, uang, dan momentum. Strukturnya sama.

Di dalam Akselerator Datakami bekerja dengan tim untuk beralih dari pelaporan ke dukungan keputusan — dimulai dengan keputusan, menyusun laporan dengan tujuan, dan membuat implikasinya eksplisit.

Jika Anda serius untuk mengubah laporan Power BI menjadi alat pengambilan keputusan, bukan hanya dasbor, itulah yang kami fokuskan.

Pada postingan berikutnya, kita akan melihat sesuatu yang lebih tidak mengenakkan lagi: Anda bukanlah pahlawan dalam laporan ini, namun penontonlah yang menjadi pahlawannya.

Terkait: Struktur Laporan Power BI: Awal, Tengah, Akhir

Contoh: Analisis Berbasis Keputusan dalam Praktek: Contoh Sepak Bola Fantasi