Summary  
This chapter demonstrates how to implement code to create time intelligence measures—year-to-date, same period last year, and year-on-year growth—by leveraging DAX functions to manipulate filter contexts against a dedicated date table.

General domain of usage  
business intelligence

Standard DAX-målinger reagerer på de aktive filtre — en slicer sat til februar returnerer februars total. Tidsintelligens går videre: den besvarer spørgsmål, der kræver at træde uden for det aktuelle filter og automatisk sammenligne med en anden periode.

### Hvorfor tidsintelligens kræver en dedikeret datotabel
Sales-tabellen indeholder en Order Date-kolonne. Det kan virke logisk at anvende tidsintelligensfunktioner direkte på denne — men det fungerer ikke pålideligt, og årsagen er grundlæggende for, hvordan tidsintelligensfunktioner opererer.
- **Sales table — Order Date**:
indeholder kun datoer, hvor ordrer blev placeret. Der er huller i kalenderen;
- **Dates table — Date**: én række for hver kalenderdag uden undtagelse — en komplet, sammenhængende kalender. Ingen huller. Dette er, hvad tidsintelligensfunktioner kræver.



Tidsintelligensfunktioner refererer altid til den dedikerede datotabel — aldrig datokolonnen i faktatabellen.

Bemærk

### Markering af datotabellen
Før nogen tidsintelligensfunktioner kan anvendes, skal datotabellen formelt erklæres som modellens officielle datotidsakse. Power Pivot validerer kolonnen for huller og dubletter på dette tidspunkt — hvis nogen findes, opstår der en fejl, som skal rettes, før du kan fortsætte.

1. Åbn **Power Pivot → Administrer** og naviger til `Dates`-tabellen i gittervisning;
2. Gå til fanen **Design** i Power Pivot-båndet;
3. Klik på **Markér som datotabel → Markér som datotabel**;
4. Vælg **Date**-kolonnen fra rullemenuen og klik på **OK**;
5. Hvis der ikke vises nogen fejl, er tabellen valideret og klar — tidsintelligensfunktioner kan nu referere til den.

Hvis Power Pivot giver en fejl under dette trin, skal du kontrollere Date-kolonnen for dublerede datoer eller manglende dage. Begge problemer skal rettes i kildedataene, før du prøver igen.

### Tidsintelligensmål
#### 1. YTD — Year to date

```
Total Sales YTD := TOTALYTD(SUM(Sales[Total]), Dates[Date])
```

   Når pivottabellen filtreres til en bestemt måned, returnerer Total Sales kun denne måned. Total Sales YTD udvider filteret, så det løber fra 1. januar i det pågældende år til den sidste dato i konteksten og akkumulerer alle måneder op til og med den aktuelle måned.


#### 2. LY — Samme periode sidste år
```
Total Sales LY := CALCULATE(SUM(Sales[Total]), SAMEPERIODLASTYEAR(Dates[Date]))
```
Når pivottabellen viser februar 2025, returnerer `Total Sales LY` februar 2024. Hvis der ikke findes data fra det foregående år i modellen, returnerer målingen tomt — hvilket er korrekt adfærd, ikke en fejl.

#### 3. YoY Growth % — År-til-år vækst
```
YoY Growth % := DIVIDE([Total Sales] - [Total Sales LY], [Total Sales LY])
```
Kombinerer de to foregående målinger — begge refereres ved navn, ikke genberegnet direkte. Hvis enten Total Sales eller Total Sales LY opdateres, opfanger YoY Growth % ændringen automatisk. Formater denne måling som procent i Power Pivot.

Henvis altid til eksisterende målinger ved navn i sammensatte målinger i stedet for at gentage den underliggende beregning. Hvis logikken for Total Sales ændres, opdateres YoY Growth % automatisk uden behov for redigering.

## Opgave
**Trin 1 - Test dine målinger i en pivottabel** 

- Gå til **Indsæt → Pivottabel → Brug denne projektmappes datamodel → OK**. 
- Tilføj `MonthName` (fra Dates-tabellen) til **Rækker**-området.
- Tilføj `Total Sales`, `Total Sales YTD`, `Total Sales LY` og `YoY Growth %` (alle fra Sales-tabellen) til Værdier-området.

Lær hvordan du omdanner rå Excel-data til en sammenkoblet datamodel med Power Pivot, DAX-målinger og et interaktivt dashboard, der opdateres automatisk. Ud fra en flad tabel opbygger du relationer mellem flere tabeller, skriver beregnede målinger og leverer en gennemarbejdet, genanvendelig rapport — alt sammen i Excel.
Egnet til Excel-brugere med grundlæggende erfaring, som ønsker at gå videre end rapportering på flade ark.

En introduktion til, hvad datamodellering er, hvorfor det er vigtigt, og hvad du vil opbygge gennem hele kurset. Du vil blive præsenteret for Nordic Bikes-projektet og se det færdige dashboard, før du skriver en eneste formel.

Før du opbygger en model, skal dine data have den rette struktur. Dette afsnit dækker, hvordan man opdeler flade data i rene, formålsbestemte tabeller med korrekte nøgler, ensartet formatering og tydelig adskillelse mellem fakta og dimensioner.

Den centrale tekniske sektion af kurset. Du vil aktivere Power Pivot, indlæse dine tabeller i datamodellen, forbinde dem med relationer og lære at identificere og løse de problemer, der tavst ødelægger en model.

Lær at skrive beregninger, der rækker langt ud over, hvad Excel-formler alene kan gøre. Fra grundlæggende KPI-målinger til tidsintelligensfunktioner opbygger dette afsnit det analytiske lag, der driver din rapportering.

Gør din model til et færdigt produkt. Du vil oprette pivottabeller, der besvarer reelle forretningsspørgsmål, omdanne dem til diagrammer og samle det hele i et interaktivt dashboard styret af delte slicere.

En struktureret gennemgang af, hvad der gør en model pålidelig, klar og klar til overdragelse. Sektionen afsluttes med et afsluttende projekt, hvor du anvender alle færdigheder fra kurset fra start til slut.

Introduktion til Tidsintelligens

Hvorfor tidsintelligens kræver en dedikeret datotabel

Markering af datotabellen

Tidsintelligensmål

1. YTD — Year to date

2. LY — Samme periode sidste år

3. YoY Growth % — År-til-år vækst

Opgave