Ako hodnotiť klastre v údajoch pomocou techniky DAX v LuckyTemplates

V tomto návode vám ukážem, ako vám zobrazenie klastrov vo vašich údajoch umožňuje získať oveľa lepšie poznatky, ako keby ste mali len bodový graf s množstvom informácií. Celé video tohto návodu si môžete pozrieť v spodnej časti tohto blogu.

Prejdem si niektoré pokročilé techniky DAX, ktoré musíte použiť v kombinácii s dátovým modelom. Ak ich používate dobre, analytické príležitosti sa vám podstatne otvárajú a môžete skutočne efektívne prezentovať poznatky.

V tomto konkrétnom príklade sa snažím zistiť, či existuje nejaký dôvod, prečo vidíme určité zoskupenie našich zákazníkov na základe ich výkonnosti .

Prekrytím nejakej logiky (v rámci vzorca DAX) cez sekundárnu tabuľku som schopný klasifikovať, či je zákazník dobrý, v poriadku, zlý alebo skvelý.

Potom pomocou tejto novej dimenzie v mojom rozptylovom grafe môžem zistiť, či sa objaví nejaké zoskupenie výsledkov na základe logiky, ktorú som práve implementoval.

Obsah

• Ako vizualizovať klastre vo vašich údajoch
  • Vnútri dátového modelu
  • Integrácia logiky do dimenzie
  • Vytvorenie vizualizácie
• Záver

Ako vizualizovať klastre vo vašich údajoch

V tejto vizualizácii sa pozeráme na každého jedného zákazníka v našom súbore údajov. Je tu veľa zákazníkov a my ich analyzujeme na základe ich ziskových marží v ich celkovom predaji. Na pravej strane máme skupinu vysokovýkonných zákazníkov alebo klientov s vyššou maržou.

Aby sme to dosiahli, musíme vytvoriť logiku, ktorá nám umožní vizualizovať tieto zhluky informácií a vybudovať túto logiku na základe ziskovej skupiny, v ktorej títo zákazníci sedia.

Kľúčovou vecou je, že tieto ziskové skupiny v dátovom modeli v skutočnosti neexistujú, takže musíme vytvoriť túto logiku a potom ju prekryť.

Tento príklad je len jedným z mnohých spôsobov, ako to môžeme urobiť. Mohli by sme sa pozrieť na rast zisku, rast marže a rôzne veci, kde potrebujeme akýkoľvek typ logiky a priniesť ju sem. Potom môžeme identifikovať akýkoľvek vzor alebo zhluk informácií, ktoré pre nás môžu skutočne získať určitý prehľad.

Vnútri dátového modelu

Keď sa pozrieme na dátový model, prvá vec, ktorú treba poznamenať, je, že sme tu vytvorili podpornú tabuľku. Podporná tabuľka sa vo všeobecnosti niekedy používa ako tabuľka parametrov, ale v tomto prípade použijeme logiku, ktorá integruje podpornú tabuľku do nášho základného modelu.

V našej podpornej tabuľke analyzujeme, v ktorej skupine zákazníkov na základe ziskovosti títo zákazníci sedia.

Napríklad, ak zákazník vygeneroval zisky viac ako 25 000 USD, potom bude špičkovým klientom, zatiaľ čo zákazníci medzi 20 000 a 25 000 USD budú dobrým klientom, tak ďalej a tak ďalej.

Integrácia logiky do dimenzie

V zákazníckej tabuľke využívame podpornú tabuľku a potom sme vytvorili nejakú logiku.

Niektorí z vás by si mohli myslieť, že je lepšie rozvinúť celú túto logiku v tomto vypočítanom stĺpci – áno, absolútne – ale niekedy mi to príde nepraktické, najmä keď podporná tabuľka obsahuje povedzme 10 rôznych častí logiky, cez ktoré sa musíte prepracovať. .

Áno, mohli by ste vytvoriť skutočne komplikovaný vypočítaný stĺpec, ale myslím si, že by bolo oveľa jednoduchšie umiestniť ich do podpornej tabuľky a potom napísať jednoduchú logiku, ako je táto, ktorá by ich integrovala.

V tejto logike vypočítame , v akej skupine každý zákazník sedí. Skupinu vráti funkcia a potom funkcia FILTER vytvorí iteráciu na iteráciu cez logiku.

Potom, pre každého zákazníka tu, aký je celkový zisk ; sedí medzi MIN a MAX niektorej z našich skupín. Ak áno, vráťte túto skupinu späť. A takto vytvárame tieto ziskové skupiny .

Vytvorenie vizualizácie

Teraz, keď máme túto dimenziu, môžeme ju použiť v našich vizualizáciách na identifikáciu týchto zhlukov. Takže vytvoríme bodový graf , potom prenesieme naše ziskové marže na os Y a tržby na os X .

Ak však pretiahneme Meno zákazníka , uvidíme, že sme vytvorili nejaké informácie, ale v skutočnosti nevykazujú žiadnu hodnotu. Oveľa lepšie by sa ukázalo, keby sme vytvorili zhluky informácií.

 Aby sme to dosiahli, stačí vyplniť body a zmeniť niekoľko farieb údajov, aby niektoré vynikli. Vykonaním týchto jednoduchých úprav môžeme ľahko identifikovať a extrahovať oveľa viac informácií v rámci našich vizuálov .

Nosný stôl je skutočne kľúčovým konceptom, s ktorým sa môžete pri používaní obísť a pochopiťpretože ho môžeme integrovať mnohými spôsobmi.

Existuje mnoho spôsobov, ako môžeme identifikovať klastre na základe rôznych metrík, pretože existuje toľko rôznych scenárov, ktoré si naše údaje môžu vyžadovať analýzu.

Nájdite vzory vo svojich údajoch pomocou internej logiky pomocou LuckyTemplates a DAX

Záver

V tejto technike je niečo málo, ale predvádzanie klastrov vo vašich údajoch pomocou logiky je skutočne výkonné a existuje toľko spôsobov, ako to môžete replikovať v iných scenároch alebo vo svojich vlastných údajoch.

To je v konečnom dôsledku to, čo chcem, aby ste si vybrali z tohto tutoriálu, ktorý som vytvoril, pretože analytické príležitosti exponenciálne rastú okolo tohto typu techniky.

Toto je pokročilá technika, takže sa príliš neznepokojujte, ak to okamžite nedáva zmysel, ale určite to vyskúšajte. Rýchlo zistíte, že objavíte skutočne zaujímavé poznatky, ktoré ste doteraz nemali.

Na zdravie!