Almindelig kundeadfærdsanalyse ved hjælp af LuckyTemplates

I dagens forretningsverden er det at udføre fælles kundeadfærdsanalyser af yderste vigtighed for mange funktionelle områder inden for virksomheder. Du kan se den fulde video af denne tutorial nederst på denne blog.

Analyse af forbrugeradfærd tjener som et værktøj til at hjælpe med at planlægge og opfylde salgsmål.

Derudover hjælper forståelsen af ​​køberadfærd med til at beslutte, hvor og hvordan produkter eller tjenester skal placeres bedre.

Du kan evaluere, hvordan dine kunder agerer og forudsige, hvordan de vil opføre sig i fremtiden på en dynamisk måde ved hjælp af LuckyTemplates. 

I denne video tutorial vil jeg dykke ned i nogle adfærdstype analyser for at finde ud af den mest almindelige adfærd fra kunder.

Jeg vil gennemgå, hvordan du kan analysere adfærd for bestemte elementer i dit datasæt. I dette tilfælde vil jeg analysere, hvor meget dine forbrugere i gennemsnit køber ud fra dine produkter gennem tiden. Jeg vil også se på, hvor mange transaktioner vores kunder i gennemsnit foretager på et bestemt produkt. Så disse er de adfærdsmæssige svar, som du kan hente fra dine datasæt.

DAX-formlen er ikke voldsomt svær, og det vigtigste, du skal forstå, er at gentage funktioner – eller hvordan du kan iterere gennem en anden dimension og derefter analysere resultatet af deres effekt baseret på den kontekst, du er i.

Lad mig vise dig, hvordan jeg gjorde det, og forhåbentlig kan du få en indsigt, som du måske vil anvende til din egen analyse.

Indholdsfortegnelse

• Gennemsnitligt salg pr. kunde
• Gennemsnit for alle kunder
• Transaktioner pr. kunde
• Konklusion

Gennemsnitligt salg pr. kunde

Jeg vil gerne se, hvad det gennemsnitlige salg pr. kunde er for et bestemt produkt. For eksempel vil jeg se, hvor meget vores kunder i gennemsnit kommer til at bruge på Produkt 63.

Så hvordan gør jeg det? Først og fremmest skal vi komme med en formel, der siger, at hvert enkelt produkt vil gentage hver enkelt kunde for at evaluere det samlede salg, som den pågældende kunde laver, og derefter gennemsnittet det op. Dette vil give os det gennemsnitlige salg, men pr. kunde.

Hvis du tænker over det, kan du også bare bruge kunde-id'et, og du vil få præcis de samme resultater.

Det er helt op til dig, hvordan du gør det, men det er godt at have en god forståelse for, hvad der sker med datamodellen.

Dette er, hvad VALUES gør: Vi vil gentage hver enkelt kunde, der har købt produkt 63. Vi vil evaluere, hvor meget de har købt, og så vil det lægge gennemsnittet op medfungere.  

Gennemsnit for alle kunder

Dette vil blive påvirket af den kontekst, vi har på kundenavnet . Så det, der sker, er, når jeg vælger en kunde eller en gruppe af kunder, gentagelsen gælder kun for den kunde, som vi faktisk har valgt.

Dette ville kun gentage sig gennem hver kunde, hvis vi slap af med ethvert filter, der kommer fra denne særlige skæremaskine.

Dette er, hvad gennemsnittet for alle kunder gør; dette vil altid være et tal, der ikke ændrer sig, uanset hvilket valg du foretager i Customer Name sliceren.

Det, jeg gjorde for at komme frem til dette gennemsnit, er at sikre mig, at alt fra Kunder-tabellen ikke gælder for den aktuelle kontekst. Dette vil give mig mulighed for at iterere – uanset valg – gennem hver enkelt kunde og hente salget.

Sådan kan vi finde ud af, hvad der er den almindelige kundeadfærd og derefter sammenligne det med et udvalg eller en gruppe af kunder, som vi vælger. Dette er den del, hvor det kan blive ret fancy i din analyse. Lad os sige, at du ser på alle kunder, men du ønskede også at gruppere disse kunder efter region, eller hvis de er en god eller dårlig kunde, eller hvis de er en klient med høj margin eller lav margin.

Transaktioner pr. kunde

Du kan også gøre dette til transaktioner og se på dine produkter som helhed fra et adfærdsmæssigt perspektiv. Jeg brugte nøjagtig samme teknik og beregnede deres samlede transaktioner i gennemsnit for hver enkelt kunde.

Så gik jeg tilbage og satte det inde i CALCULATE-sætningen med ALT. Dette gav mig den overordnede adfærd for hver enkelt kunde i datasættet, og så kunne vi sammenligne det med det valg, vi foretog.

Det er kraftfulde ting lige her, og der er masser af applikationer til teknikker, der ligner dette. Der er så mange ting, du kan opnå med LuckyTemplates blot ved at analysere gennemsnitlig kundeadfærd og derefter sammenligne den med en lille delmængde.

Konklusion

Hvis du ser på det pålydende, er det ret svært at forestille sig, hvordan du kan lave en kundeadfærdsanalyse inde i LuckyTemplates. Det er grunden til denne tutorial, hvor jeg dykker ned i denne type indsigt.

Først skal du analytisk tænke over, hvordan du vil opnå dit ønskede resultat i LuckyTemplates. Og strukturer derefter din model og DAX-formler ved at kombinere både 'out of the box'-tænkning og nogle praktiske anvendelser.

Der er mange måder, hvordan kundeadfærdsanalyse som denne kan gavne en virksomhed. Sådanne indsigter kan hjælpe dig med at bestemme de handlinger og beslutninger, du vil implementere fra et marketingperspektiv og også for fremtidige logistiske udfordringer.

For flere eksempler omkring avanceret virksomhedsanalyse . Tjek nedenstående kursusmodul fra.

Nyd at lære om denne analytiske teknik.

***** Lærer du Lucky Templates? *****