Úvod do analýzy košíku – tipy osvědčených postupů pro LuckyTemplates

Dnes vám představím úžasné věci, které můžete dělat s technikou analýzy košíků . Pomocí analýzy košíků v rámci LuckyTemplates se můžete pokusit analyzovat zákaznický prodej jedné skupiny produktů oproti jiné skupině produktů . Celé video tohoto tutoriálu si můžete prohlédnout ve spodní části tohoto blogu

V LuckyTemplates je pro to spousta aplikací. Ale pro tento tutoriál se s vámi chci podělit o osvědčené postupy při používání tohoto typu techniky.

Spuštěním tohoto typu analýzy můžeme zpracovat prodejní trendy nebo nákupní chování zákazníků, kteří nakupují u nás nebo v našich prodejnách.

Poznáním a pochopením těchto vzorců můžeme lépe řídit mnoho aspektů prodejního procesu. Například lepší řízení zásob, možnosti dalšího prodeje, cílenější marketing a mnoho dalšího.

V této analýze košíku se v podstatě snažím ukázat zákazníkům, kteří si zakoupili určitou skupinu produktů. A pak zkusím zjistit, jestli si také nezakoupili jinou skupinu produktů.

Výsledky by byly velmi užitečné, pokud chcete provést analýzu funkcí u těch zákazníků, kteří si koupili jednu skupinu produktů a druhou ne. Poté na ně můžete navázat účinným marketingem a reklamou.

Obsah

• Model LuckyTemplates pro analýzu koše
• Představení košíku zákazníkům
• Identifikace celkového počtu zákazníků košíku
• Další tipy a techniky pro analýzu košíků v LuckyTemplates
• Závěr

Model LuckyTemplates pro analýzu koše

Nejprve přejdu ke svému modelu, protože zde můžeme najít nejpodstatnější způsob, jak správně provést analýzu koše. Velkým tipem při spouštění tohoto typu analýzy je, že integrace výběrů, jako jsou tyto koše, do vašeho základního modelu, je komplikovaný způsob, jak toho dosáhnout. 

Podívejte se na můj základní model, který je velmi jednoduchý. 

Když jsem se vrátil ke svým datům, replikoval jsem velmi jednoduchou tabulku Produkty. Právě jsem vytvořil dvě tabulky, které jsou úplně stejné, ale s různými názvy. Jeden se nazývá Počáteční košík .

Druhý se jmenuje Výběrový košík .

Tyto koše jsou to, čemu říkám podpůrné stoly. Pokud se podíváte na můj model, tyto tabulky nemají vztah k žádným jiným tabulkám.

Právě integruji výpočty z těchto tabulek do základního modelu. Ale musí to být provedeno pomocí vzorce, ne prostřednictvím vztahů. Osobně si myslím, že tím je všechno mnohem jednodušší a čistší než přílišné komplikování vztahů.

To je jeden z mých nejlepších praktických tipů pro analýzu koše. Vytvořte tyto koše samostatně a použijte je jako podpůrné stoly na stranu základního modelu. Nyní se podíváme na vzorce nebo výpočty, které jsem vytvořil a integroval do tabulek.

Představení košíku zákazníkům

Jak vidíte, koše jsem v tabulce pojmenoval jinak. Nyní jsou to produkty Initial Basket Products a Selection Products , poté zde mohu produkty vybrat vícekrát, když je vkládám do kráječe.

Poté jsem provedl několik výpočtů pro jedinečné zákazníky pomocí vzorce níže.

V podstatě jen spouštímfunkce prodeje jménem každého zákazníka.

Sloupec Zákazníci košíku je místo, kde to začíná být trochu složitější. Tento vypočítává, kolik zákazníků si zakoupilo konkrétní skupinu produktů, kterou jsem vybral v segmentu Počáteční košík .

Protože tabulka nemá žádný vztah k prodejní tabulce, kde se nacházejí všechny transakce, musím použít níže uvedený vzorec.

Když vypočítávám jedinečné zákazníky, aplikuji také jiný vztah nebo kontext uvnitř pomocífunkce. Umožňuje mi vytvořit virtuální vztah mezi počátečním košíkem a indexem počátečního košíku a také indexem popisu produktu v odpovídajících prodejích.

Navíc pro sloupec Výběr zákazníků musím udělat to samé a použít úplně stejný vzor. Tentokrát ale hodnotí jinou podskupinu produktů na základě mého výběru.  

Identifikace celkového počtu zákazníků košíku

Nyní se dostávám k nejpodstatnější analýze košíků a zde je zapotřebí pokročilejší logiky, aby bylo možné tyto dva košíky skutečně porovnat. 

Chci porovnat všechny zákazníky, kteří nakoupili v první sadě košíku, se všemi zákazníky, kteří nakoupili v druhé sadě košíku. To je důvod, proč jsem přidal sloupec Zákazníci s celkovým košíkem .

Takto to mohu udělat zde pomocí tohoto velmi pokročilého vzorce níže.

Nejdůležitější věcí, kterou je zde třeba vzít v úvahu, je, že funkce TREATAS je úplně stejná jako předchozí výpočet. Ale místo vytváření skalárních hodnot se vytvoří virtuální tabulka pomocífunkce.

Vzorec tedy vytvoří tabulku pro zákazníky na základě výběru produktů, které jsem provedl z počátečního košíku Produkty a Výběr produktů .

Pak jsem použilfunkce pro vyhodnocení toho, kteří zákazníci jsou součástí počátečního košíku a jsou také zahrnuti do vybraného košíku. 

Konečně,funkce dokončí úlohu vrácením celkového počtu zákazníků přítomných v obou koších.

Další tipy a techniky pro analýzu košíků v LuckyTemplates

Skvělá věc na této technice analýzy koše je, že můžete vzorec skutečně znovu použít, když chcete přinést jiný kontext.

Například zde chci zahrnout kontext pro zemi ; Jen to musím přenést na stůl pro jinou vizualizaci a přidat vzorec Total Basket Customers do nové vizualizace.

Nyní tedy mohu zobrazit celkový počet zákazníků košíku pro všechny tyto různé země. To je velmi použitelné v maloobchodních prodejnách a lze jej zúžit na specifičtější regiony nebo skupiny zákazníků .

Jak vidíte, existuje mnoho způsobů, jak zlepšit analýzu košíku. Tento tutoriál je pouze úvodem do úžasné síly analýzy košíků.

Závěr

To rozhodně stojí za to podrobně prozkoumat, pokud je tato konkrétní analýza tím, co hledáte nebo požadujete ve svých vlastních modelech.

To umožňuje mnoho přehledů na vysoké úrovni, kde můžete přerozdělit své zdroje nebo financování do oblastí, které jsou pro vaše podnikání nejvhodnější.

Sledujte podrobnější informace o analýze košíků v nadcházejících videích LuckyTemplates. Pokud chcete vidět pokročilejší analytické příklady, určitě se můžete podívat na tento modul na LuckyTemplates Online –.

Hodně štěstí s tímto!

***** Učíte se LuckyTemplates? *****