Ako implementovať kohortovú analýzu v LuckyTemplates – Pokročilé koncepty DAX

V tomto blogu predstavujem kohortovú analýzu LuckyTemplates . Toto bola jedna z tém, ktorou som sa podrobne zaoberal v a, kde som demonštroval, čo je kohortová analýza a ako ju môžete urobiť v LuckyTemplates. V tomto návode sa naučíte, ako ho nastaviť vo svojom modeli LuckyTemplates. Celé video tohto návodu si môžete pozrieť v spodnej časti tohto blogu.

Myšlienka kohortovej analýzy je taká, že našich zákazníkov zoskupujeme na základe konkrétneho správania alebo atribútu, ktorý majú.

V tomto príklade zoskupujeme našich zákazníkov podľa toho, kedy prvýkrát nakúpili , a potom budeme analyzovať mieru udržania týchto zákazníkov .

Myšlienkou je teda vytvoriť kohortu, kedy zákazníci prvýkrát nakupujú, a následne analyzovať v priebehu času, ako dlho im trvá, kým prídu a nakúpia znova. Potom porovnáme všetkých zákazníkov v našej kohorte za všetky mesiace a uvidíme, či sa úrovne udržania zlepšujú alebo znižujú.

V tejto ukážke máme percentá, čo je dobrý spôsob, ako sa na to pozrieť, ale máme aj absolútne čísla.

Obsah

• Klasifikácia nákupov zákazníkov
• Vzorce DAX pre kohortovú analýzu
• Klasifikácia časových rámcov
• Záver

Klasifikácia nákupov zákazníkov

Ak uvažujete o kohorte ako takej, znamená to „zoskupenie zákazníkov“. Takže tu zisťujeme, kedy sa zákazník pripojil alebo kedy u nás prvýkrát nakúpil. To je to, čo klasifikujeme ako dátum pripojenia . 

Vzorec Dátum pripojenia je len minimálny dátum nákupu v tabuľke Predaj. Zisťujeme teda minimálny alebo najnižší dátum, ktorý ktorýkoľvek z týchto zákazníkov v každom inom riadku zakúpil.

Potom sme ich zaradili do ich konkrétnej kohorty na základe mesiaca a roku, ktorý si zakúpili . 

Napríklad Jesse Evans tu nakúpil 11. marca 2014, takže zákazníci ako Evans budú v kohorte z marca 2014.

Vzorce DAX pre kohortovú analýzu

Vzorce, ktoré tu používame, sú veľmi jednoduché. Dátum pripojenia je len MIN dátumu objednávky (predaja).

Mesiac kohorty v podstate zisťuje mesiac tohto dátumu pripojenia.

A potom ich sem privedieme.

Môžeme vytvoriť kohortu na mnohých rôznych premenných . Toto je len jeden skutočný príklad miery zadržania.

Klasifikácia časových rámcov

Ďalšia vec, ktorú treba klasifikovať, sú časové obdobia . Tieto sú len všeobecné (1, 2, 3 atď.), ale musíme vytvoriť nejaké všeobecné časové obdobia na porovnanie všetkých týchto kohort (január 2014, február 2014 atď.), pretože všetky sú v rôznych časových rámcoch. Musíme urobiť podobné porovnanie všetkých týchto kohort v rôznych časových obdobiach.

Takže takto to nastavíme, ak robíme tento druh analýzy. Máme obdobie 1 až 12 a zachytávame minimálne dni a maximálne dni.

Napríklad, ak zákazník nakúpil od nás a potom znova nakúpil v priebehu prvých 30 dní, tento zákazník bude klasifikovaný ako prvé obdobie uchovávania (obdobie 1). Ak zákazník u nás nakúpil znova medzi 120 a 150 dňami, tento zákazník je v Období 5 atď.

Vidíme, že sa to dokončuje vo všetkých našich kohortách, aj keď títo zákazníci uskutočňujú svoj prvý nákup neskôr. Potom porovnáme našu kohortu na rovnakom základe až do januára 2014 pomocou komplexnej kombinácie výpočtov.

Časová kohortová analýza – Ako nastaviť dátový model v LuckyTemplates

Záver

Na Learning Summite som sa zaoberal tým, ako presne môžete vytvárať svoje vzorce, aby ste to dokázali, ale myslel som si, že by to bol dobrý úvod. Mnohí z vás pravdepodobne ani nepočuli o kohortovej analýze.

Toto je pomerne pokročilá analytická technika, ale chcel som vám poskytnúť základ toho, čo je kohortová analýza, a ukázať vám, ako to môžeme zistiť v LuckyTemplates. Môžeme to urobiť aj veľmi dynamickým a efektívnym spôsobom, keď to môžeme integrovať do nášho modelu.

Videl som túto analýzu vykonanú v Exceli a niektorých ďalších pokročilých nástrojoch, ale môžeme to urobiť v Power Bi a urobiť to ešte lepšie a efektívnejšie. Ďalšie zdroje LuckyTemplates týkajúce sa tejto témy nájdete na nižšie uvedených odkazoch.

Na zdravie!

***** Učíte sa LuckyTemplates? *****