（写在前面的话：非常感谢@韭菜大神和@冬神的指点，万分感谢。）
哎，说归说，还是需要继续学习CALCULATE函数，也是蛮无奈的。最近白茶在研究帕累托分析法，本期分享一下帕累托ABC分析法的基础——累计求和。
这里简要的说一下什么叫帕累托分析法：意大利经济学家，帕累托研究发现，美国80%的经济被20%的人所掌握着，而另外20%的经济却被80%的人所掌握。而且很多事情都符合这一“二八定律”，于是就诞生了帕累托的分析观点，将事物发生的频率划分为A、B、C三类，通过集中精力解决A类问题，可以缓解主要矛盾，同时，不忘B类、C类的次要影响，说白了就是将事物划分为主次层次。
其中，频率为0%~80%的，为A类因素，是主要影响因素；
频率为80%~90%的，为B类因素，是次要影响因素；
频率为90%~100%的，为C类因素，是一般影响因素。
这就是著名的帕累托ABC分析法。
小伙伴们，明白了没？我们不光要做帕累托分析图，还要知道原理。
以下是白茶做的示例文件：
这是头几天白茶做的，修改一下，将其导入PowerBI中。
之前呢，白茶在网上学了几个累计求和的公式，白茶分享一下。
第一种是利用EARFIER函数，如下：
这种方法，有一个很明显不对劲的地方，就是EARFIER这里，不能插入表和列，白茶当时不明白为什么，@韭菜大神指点我，这个函数没理解到位，就是EARFIER必须存在于行上下文中，且有两个行上下文，说得通俗一点就是要有原生表和派生表。这个函数有点抽象，白茶目前还理解的不是很到位。
第二种是利用VAR变量，如下：
这是第二种方式。@韭菜大神指点，有两处很明显的错误。一是公式的本意是按照销售数量不同值进行累计，可是矩阵中是按照日期；二是使用了ALL，可以看出最小的销售量是“5”，其他每个值都比5大，那么每一行都会进行汇总，结果当然是错误的。（解决办法是添加索引列，再进行筛选）
最后，感谢@韭菜大神和@冬神，两位大神的意见是一致的，既然判定销售数量有问题，那么判定时间就好了啊。一语点醒梦中人啊，而且这种方法可以避免一些上面两个代码有可能存在的错误，比如说当不同日期的销售数量一致的时候，那么上面的计算公式肯定会存在点问题，解决的办法是添加参数索引。但是按照这种日期筛选法，可以极大程度的避免这个。
代码如下：
累计求和 =
CALCULATE (SUM ('示例'[销售数量] ),FILTER ( ALL ('示例'),'示例'[时间].[Date] <= MAX ('示例'[时间].[Date] ) ))
其结果如图：
这次在矩阵中观察毫无问题！
看似简单的问题，白茶却浪费了很多时间，基础不牢，地动山摇啊。
小伙伴们❤GET了么？
白茶会不定期的分享一些函数卡片
（文件在知识星球[PowerBI丨需求圈]）
这里是白茶，一个PowerBI的初学者。
下面这个知识星球是针对有实际需求的小伙伴，有需要的请加入下面的知识星球。
网友评论