Tabulky proporcí a četností v Excelu
Chtěli jsme se ponořit do tabulek četností v Excelu a také do tabulek proporcí. Podívejte se, co to je a kdy je použít.
V tomto příspěvku na blogu vám ukážu, jak provádět techniky segmentace zákazníků prostřednictvím datového modelu v LuckyTemplates. Celé video tohoto tutoriálu si můžete prohlédnout ve spodní části tohoto blogu.
Někdy vaše nezpracovaná data nebudou mít všechny informace, které potřebujete k předvedení něčeho v LuckyTemplates. Ale nenech se tím zastavit.
Vše, co potřebujete, je představivost ohledně toho, jak můžete sestavit svůj datový model nebo použít nějakou další logiku ve vyhledávacích tabulkách, která může umožnit mnohem lepší přehled, než jste si možná mysleli, že je možné s nezpracovanými daty, která máte v jejich současné podobě.
Provedu vás podrobným příkladem toho, jak můžete segmentovat své zákazníky vyhodnocením, zda jsou dobrými zákazníky, dobrými zákazníky nebo špatnými zákazníky.
Obsah
Segmentace zákazníků na základě výkonu
V podstatě budeme pracovat na tom, jak segmentovat vaše zákazníky na základě výkonu.
Tuto techniku můžete použít k segmentaci téměř čehokoli, ale já jsem chtěl ukázat, jak efektivní může být předvedení statistik ve vaší zprávě na základě skutečného scénáře.
Pomocí datového modelu můžeme rychle izolovat každý konkrétní segment pro analýzu. Můžeme vidět základní faktory, které budou rozlišovat naše zákazníky jako skvělé, dobré, průměrné nebo špatné z hlediska prodeje.
Vytvořil jsem slicer nebo filtr , který mi umožňuje analyzovat zákazníky jako skvělé, dobré, průměrné nebo špatné na základě vizualizací, které jsme vložili do našeho přehledu.
Vizualizace nám ukáže, kdy divergence začala (únor 2016) a proč k divergenci dochází.
Je důležité ukázat proč s vizualizacemi ve vašich přehledech.
Ve spodní části naší zprávy můžeme přesně vidět, kdy k divergenci došlo.
Můžeme se také podívat na naše produkty, abychom zjistili, které produkty způsobily tento rozdíl a udělaly tyto zákazníky skvělými. Můžeme zjistit, jaké produkty u nás zákazníkům umožnily nakoupit více než dříve.
Co je také skvělé, jsou slicery v našich vizualizacích. Budou filtrovat na základě toho, co jsme integrovali do našeho modelu, a poté budou také filtrovat na základě jakékoli výkonnostní skupiny nebo segmentu, které jsme vybrali.
Podívejme se na naše chudé klienty kliknutím na Poor Sales na řezu. Na sloupci pod slicerem pak můžeme vidět, kteří klienti si vedli špatně.
Když se podíváme na graf Porovnání kumulativních časových rámců prodeje, můžeme se podívat na tržby v tomto roce oproti tržbám z minulého roku. Proč je mezi nimi velký rozdíl? Má to něco společného s produkty nebo maržemi?
Všechny tyto otázky lze zodpovědět a předvést pomocí technik segmentace zákazníků, které vám ukážu.
Vytvoření tabulky seskupení zákazníků
Jak jsem tedy tuto techniku provedl? Nejprve se vraťme k modelu. Vytvořil jsem tabulku tzv.
To je něco, co nemusíte dělat, ale rád to vytvářím, protože mi to dává samostatnou tabulku, která představuje skupiny zákazníků. Vedle seskupení jsem také umístil rejstřík, abychom je mohli filtrovat nebo třídit od skvělých po špatné.
Je zřejmé, že budeme potřebovat připojení z tabulky Customer Grouping dolů do tabulky Customers , protože potřebujeme seskupit naše zákazníky specifickým způsobem.
Pojďme se podívat na mé zákazníky, které musím segmentovat.
Zde přicházejí na řadu vypočítané sloupce uvnitř těchto vyhledávacích tabulek .
Vyhledávací Tabulky A Vypočítané Sloupce
Tabulky v modrém rámečku jsou to, čemu říkáme vyhledávací tabulky .
Zde můžeme umístit naše vypočítané sloupce .
Nyní si někteří z vás mohou myslet, že tuto dynamiku můžete udělat pomocí opatření. No, rozhodně můžeš.
Chtěl jsem to však udělat od určitého okamžiku. To je závislé na situaci a můžete použít vypočítané sloupce nebo míry.
Pomocí vypočítaných sloupců jsem se chtěl podívat na naše tržby z určitého okamžiku. V tomto případě jsem se chtěl konkrétně podívat na Tržby 2016 a Tržby 2015 .
K tomu jsem použil funkci CALCULATE a umístil do ní filtr, takže získám tržby pouze za určité časové období.
Výpočet prodejního rozdílu
Poté z prodeje v roce 2016 a prodeje v roce 2015 mohu odvodit rozdíl v prodeji pomocí tohoto vzorce:
Rozdíl v prodeji je místo, kde můžeme začít segmentovat naše zákazníky na základě prodeje.
Použití logiky SWITCH
Rozdíl v prodeji mezi roky 2016 a 2015 určí, do které výkonnostní skupiny budou naši zákazníci sedět. Zde přichází na řadu logika SWITCH .
Thelogika umožňuje vytvářet další dimenze, které vypadají jako vnořené příkazy IF , které vypadají lépe.
Můžeme učinit prohlášení, která říkají, že pokud je rozdíl v prodeji zákazníka větší nebo roven 200 000 USD, pak je to skvělý zákazník.
Tímto způsobem určíme, do jakého segmentu nebo skupiny zařadíme naše zákazníky. Tato technika je vysoce přizpůsobivá a lze ji umístit do jakékoli dimenze a jakékoli vyhledávací tabulky.
Můžete to ještě zjednodušit tím, že nebudete používat sloupce prodeje 2016 a 2015 a sloupec Rozdíl tržeb. Můžete jednoduše vložit veškerou logiku dovnitř opatření.
Ale v tomto případě jsem vám chtěl ukázat, jak použít vypočítané sloupce ve vyhledávacích tabulkách k vytvoření těchto segmentů informací.
Pokud se vrátíme k našim finálním vizualizacím, tento konkrétní slicer
pochází z tohoto stolu.
Thetabulka pak filtruje výpočty a logiku, kterou jsme provedli v tabulce Zákazníci . Potom se tento vztah odfiltruje do ostatních tabulek.
Takto se mohou všechny naše vizualizace aktualizovat na základě segmentu zákazníků, který vybereme na sliceru.
Prostřednictvím tohoto tutoriálu jsme byli schopni předvést techniky segmentace zákazníků a ukázat různé způsoby, jak krájet a dělit naše data.
Překvapivé na tom všem je, že v našem skutečném modelu neexistoval; museli jsme to vytvořit pomocí logiky.
Závěr
Ve většině případů se chcete zaměřit na své nejlepší zákazníky, protože odtud pochází většina vašich dobrých výsledků. Chcete tedy identifikovat trendy týkající se výkonu a provést hloubkovou kontrolu tohoto konkrétního segmentu vašich údajů .
Pomocí této techniky můžeme izolovat naše dobré zákazníky a zjistit, proč jsou dobří. Dokážeme pochopit, proč si vedli dobře, a pokusíme se to zopakovat u všech ostatních klientů, kteří si vedli špatně.
O tom je tento tutoriál. Tyto techniky segmentace zákazníků můžete znovu použít v různých analytických scénářích. Nemusí to být jen o zákaznících, ale právě na to jsem se v tomto konkrétním případě zaměřil.
Praktičtější způsoby, jak využít LuckyTemplates k nalezení užitečných poznatků, na kterých záleží, najdete v tomto modulu kurzu na webu LuckyTemplates Online. S tímto jediným kurzem se toho můžete hodně naučit.
***** Učíte se LuckyTemplates? *****
Chtěli jsme se ponořit do tabulek četností v Excelu a také do tabulek proporcí. Podívejte se, co to je a kdy je použít.
Zistite, ako stiahnuť a nainštalovať DAX Studio a Tabular Editor 3 a ako ich nakonfigurovať na použitie v LuckyTemplates a v Exceli.
Tento blog obsahuje vizualizáciu Shape Map pre priestorovú analýzu v LuckyTemplates. Ukážem vám, ako môžete efektívne využiť túto vizualizáciu s jej funkciami a prvkami.
V tomto návode predstavujem jedinečný nápad týkajúci sa finančného výkazníctva, ktorý spočíva v prideľovaní výsledkov na vopred určené šablóny tabuliek v rámci LuckyTemplates.
Vytvářejte míry DAX v LuckyTemplates pomocí existujících mír nebo vzorců. Tomu říkám technika větvení opatření.
V tomto blogu preskúmajte množinu údajov LuckyTemplates, najvýkonnejšie volanie funkcií, ktoré vám prináša tisíce funkcií M a DAX na dosah ruky.
V dnešnom návode sa podelím o niekoľko techník modelovania údajov o tom, ako lepšie usporiadať vaše merania DAX pre efektívnejší pracovný tok.
LuckyTemplates je skvelý nástroj pre finančné výkazníctvo. Tu je návod, ako vytvoriť prispôsobené tabuľky pre váš finančný dashboard LuckyTemplates.
V tomto návode sa bude diskutovať o toku jazyka Power Query a o tom, ako môže pomôcť vytvoriť hladkú a efektívnu zostavu údajov.
Budu diskutovat o jedné z mých oblíbených technik kolem vlastních ikon LuckyTemplates, která používá vlastní ikony dynamickým způsobem ve vizuálech LuckyTemplates.