Vyhodnocení zákaznické marže pomocí LuckyTemplates

Zde se podíváme na snižování marže zákazníků. Pokusíme se zjistit, jaké marže zákazníků se snižují a proč se snižují . Je to kvůli frekvenci jejich nákupu? Je to kvůli produktům, které kupují? Nebo z nějakého jiného důvodu? Celé video tohoto tutoriálu si můžete prohlédnout ve spodní části tohoto blogu.

Tento analytický problém vyřešíme pomocí LuckyTemplates pomocí řady technik.

Tento druh příkladu je ideální k prozkoumání, pokud chcete zlepšit své vlastní analytické schopnosti při používání LuckyTemplates.

Nejen vaše analytické myšlení, ale také praktická aplikace používání LuckyTemplates jako nástroje k řešení těchto typů problémů.

Prostřednictvím LuckyTemplates a implementací řady technik, které předvádím, můžete tento náhled skutečně vypracovat docela efektivně.

Nejen to, můžete to vypracovat dynamickým způsobem. Řekněme například, že máme zákazníky v celé řadě různých regionů. No, možná bychom chtěli vybrat také přes tyto regiony a pak zjistit, které marže našich zákazníků se v určitém konkrétním regionu za určité období snížily.

Jedná se o skutečně vysoce kvalitní analytický náhled a to je klíčové. K tomu chceme LuckyTemplates používat. To je to, co chci, abyste implementovali do svých vlastních modelů.

Obsah

• Ukázka poznatků, které můžete touto technikou získat
• Vypracování vzorců
• Vytvoření řídicího panelu a další vylepšení
•  Závěr

Ukázka poznatků, které můžete touto technikou získat

Ve svém příkladu zde vyhodnocuji, co se stalo mezi letošním a loňským rokem , zda se marže zákazníků snížily nebo rozšířily, ale skutečně se vrtám do těch, kteří se snížili.

Na tomto panelu můžeme kliknout na každý stav. Mohli bychom to nastavit mnoha různými způsoby, řekněme naše maloobchodní prodejny, pokud chceme proniknout do konkrétního obchodu. V tomto případě se díváme na státy, kde naše produkty prodáváme.

Zaměřujeme se a díváme se pouze na okraje, které jsou menší než nula. Používáme přirozené filtrování uvnitř LuckyTemplates, abychom dosáhli tohoto náhledu nebo extrahovali tento náhled z informací.

Například, konkrétně se díváme na New York, vidíme všechny prodeje, které jsme v New Yorku provedli. Když se podíváme na všechny zákazníky zde, možná bychom chtěli vědět, čí marže se snížila nejvíce a proč . Ve shluku zákazníků zde chceme vědět, jaké produkty si zakoupili, kdo byl prodejce, v jakém konkrétním obchodě nakoupili atd.

Pokud chceme vědět, kolik byl skutečný prodej a zisky, můžeme si skutečně přijít na svézde a vyberte všechny tyto prvky jednotlivě.

V této tabulce zde máme každou jednotlivou objednávku, každý nákup a všechny podrobnosti o tomto nákupu. Máme zákazníka, prodejce, kraj, název státu, název města nebo název obchodu, skutečné ziskové rozpětí prodeje, celkový prodej a celkový zisk.

Takže tam máme opravdu velmi konkrétní informace. Pokud se nad tím zamyslíte, jedná se o masivní soubor dat. A opravdu se zde vrtáme do detailů, zjišťujeme, co se děje a proč.

Je to proto, že jsme měli tyto produkty ve slevě nebo jsme je zlevnili? Existují nějaké běžné produkty? Existují prodejci, kteří pouze snižují cenu pokaždé, aby uskutečnili prodej?

Vypracování vzorců

K vytvoření této analýzy využíváme přirozené filtrování. Nepotřebujeme psát složité vzorce DAX. První věc, kterou musíte udělat, je vytvořit několik jednoduchých základních opatření, jako jsou celkové prodeje, zisky, náklady atd.

Přejdeme na New Measure a poté vytvoříme naši míru Margins. Pro tento vzorec jednoduše vydělíme celkové zisky naším celkovým prodejem . Poté se ujistíme, že je formátován jako procento.

Nyní, protože chceme analyzovat přesčasy a porovnat roky 2017 a 2016 , dáme filtr na úrovni stránky na rok 2017. Takže například ziskové marže zde jsou pro všechny, které jsme prodali v roce 2017. Poté můžeme porovnat ziskové marže za roky 2017 a 2016 pomocí některých funkcí Time Intelligence .

Takže jdeme znovu na nové opatření a vytváříme ziskové marže LY (za minulý rok). Použijeme CALCULATE Profit Margins a poté SAMEPERIODLASTYEAR .

S tímto výsledkem nyní můžeme vypočítat expanzi nebo snížení marže zákazníků v průběhu let mezi lety 2017 a 2016.

Znovu tedy vytvoříme nové měřítko, Margin Change , které se rovná ziskovým maržím (letos) mínus ziskové marže LY (minulý rok).

Vytvoření řídicího panelu a další vylepšení

Jakmile máme všechna tato opatření zavedena, můžeme začít s výrobou našeho dashboardu. Tato analýza je ideální pro bodový graf, protože zde můžeme najít shluky informací .

Abychom toho dosáhli, umístíme naši změnu marže na osu X a naše marže zisku na osu Y. Abychom tento shluk dostali do našeho grafu, vneseme naše jméno zákazníka do podrobností.

Dále nastavíme náš stát, kde můžeme filtrovat podle států. Potom jsme dole postavili náš stůl. Díky datovému modelu, který zde máme, můžeme přenést prvky ze všech našich vyhledávacích tabulek a porovnat je s čímkoli v tabulce Prodeje nebo s jakýmkoli vzorcem, který jsme vytvořili nad tabulkou Prodej.

Můžeme si tedy vzít své ID objednávky, protože se podíváme na každou jednotlivou objednávku, a pak uvést všechny ostatní prvky, včetně názvu našeho produktu, okresu, státu, obchodu, zákazníka, který jej zakoupil, celkového prodeje, Celkové zisky a správné marže.

Jedním z problémů je, že změna marže je přesně stejná jako zisková marže. Proč? Protože rok předtím vlastně žádný prodej nebyl a je to zbytečný poznatek. Ukáže to masivní změnu marže, protože marže v loňském roce byla nulová.

Musíme se jich zbavit tím, že vytvoříme měřítko, které zjistí, jaké byly celkové transakce v loňském roce . Nyní již máme celkové transakce (míru) pro aktuální rok 2017, a tak vytvoříme vzorec nazvaný Transaction LY (minulý rok).

Uděláme přesně stejnou techniku, jakou jsme použili předtím. Používáme CALCULATE Total Transactions a. Poté vložíme do našeho sloupce Data .

Tyto filtry můžeme použít i na pravé straně. Můžeme vybrat vizuál, změnu marže a ziskové marže podle jména zákazníka, pak uchopit míru LY transakcí a vložit ji do filtrů vizuální úrovně.

Navíc můžeme přidat další filtr, nemusíme psát složité vzorce DAX pro všechny tyto maličkosti, které bychom mohli chtít filtrovat.

Tím, že zde tento filtr dáme pouze pro ty loňské prodeje, které jsou větší než nula, se můžeme velmi rychle zbavit všech těch chybných čísel, které ve skutečnosti nic neznamenají.

Nyní, když se díváme na kontrahované marže, chceme se zbavit všeho, co je rozšířeno. Za tímto účelem se vrátíme do sekce filtrování a podíváme se na hodnoty, které jsou menší než 0 . Klikneme na Použít filtr a graf se automaticky rychle změní.

Nyní, když máme poznatky, které hledáme, můžeme si pohrát a vylepšit vizuální prvky, jako je pozadí, barvy atd.

Odpovězte, zda se marže časem rozšiřují nebo zmenšují s LuckyTemplates

 Závěr

V tomto tutoriálu jsem prošel řadou technik, včetně toho, jak se rozvětvujeme logikou jazyka DAX a pronikáme ještě hlouběji do konkrétního náhledu pomocí těchto dalších filtrů na pravé straně a filtru vizuální úrovně.

Klíčovou věcí zde je, že tato technika vám umožňuje najít nebo proniknout do těchto informací, aniž byste museli psát opravdu složité vzorce.

Ponořte se do tohoto obsahu a pokuste se jej replikovat. Pochopte, jak to můžete udělat, a poté to replikujte ve svých vlastních souborech dat.

Tak z tohoto materiálu a z některých výukových programů, kterými procházím, vytěžíte maximum.

Na zdraví!