Brugerdefineret dynamisk segmentering ved hjælp af DAX i LuckyTemplates

I dette blogindlæg vil jeg gennemgå et avanceret DAX-mønster om, hvordan man opretter tilpasset dynamisk segmentering i LuckyTemplates. Du kan anvende denne fantastiske teknik på mange scenarier for at få meningsfuld indsigt. Du kan se den fulde video af denne tutorial nederst på denne blog.

Dynamiske grupper oprettes, når en række forskellige kunder segmenteres baseret på forskellige målinger som salg, marginvækst og gennemsnitlig fortjeneste pr. måned.

Indholdsfortegnelse

• Gruppering af kunder
• Oprettelse af nye dynamiske grupper
• Fortjeneste ved tilpasset gruppering
• Marginer efter brugerdefineret gruppering
• Konklusion

Gruppering af kunder

Målet med tilpasset dynamisk segmentering er at rangere kunder baseret på forskellige metrics . Ser du på visualiseringen nedenfor, vil du se, at dataene er segmenteret i tre grupper – 1 til 20, 21 til 50 og "andet".

På grund af disse grupper kan du se nøglekunder, nøgleprodukter eller nøgledimensioner og virkelig bore i det aspekt på en mere effektiv måde. Du kan se mønstre i dine data. Ellers ville alle disse data kun ligne et virvar af prikker på et punktdiagram uden disse grupper. 

Vi går også efter at lave en dynamisk beregning. Det betyder, at kunderne ikke kun rangeres gennem hele datasættet og tidslinjen. Vi gør det også til specifikke valg.

Lad os sige, at jeg kun vil se på data fra mine kunder i den vestlige region for første halvdel af året.

Når disse filtre er anvendt, vil du se, at resultaterne opdateres dynamisk. Den rangerer automatisk de valgte data fra 1 til 20, 21 til 50 og så videre.

Når først disse placeringer er oprettet, kan du også lave en slicer ud af det og bore i disse specifikke kundegrupper virkelig effektivt.

Det interessante ved dette filter er, at intet af dette hører til nogen eksisterende tabel fra kernedatamodellerne, og det kommer heller ikke fra nogen database. Den genereres i din LuckyTemplates-model ved at bruge den rigtige DAX-formel.

Oprettelse af nye dynamiske grupper

Sådan kan du opbygge disse grupper fra bunden. Husk, at du prøver at bygge en tabel, der præsenterer data på samme måde, som tabellen nedenfor gør det, med minimums- og maksimumsgrænser for hver gruppe.

Jeg har begrænset det til 3 grupper for at gøre det nemmere at lægge ud, men alt efter behov kan man faktisk have flere.

Når disse grænser er sat, bliver disse brugerdefinerede grupper til en understøttende tabel.

Som du kan se, har de brugerdefinerede grupper ikke nogen relation til andre elementer i din model. Så vi vil tilføje noget logik og køre en DAX-formel gennem denne tabel. Når den logik er der, kan vi begynde at filtrere resultaterne.

Det er her, disse kommer ind. Vi vil bruge to mønstre her – overskud og marginer .

Fortjeneste ved tilpasset gruppering

Vi starter med det første mønster, som ser på Profits by Custom Grouping .

Lad os nedbryde denne foranstaltning del for del.

Hvis vi nu har et kig på vores ranking, vil vores ranking altid være baseret på.

Det interessante her er, at selvom dette er baseret på Total Sales , er vores output faktisk ikke Salg. Outputtet vil være baseret på andre målinger. Det viser igen, hvor effektiv denne teknik er.

Så i stedet for bare at brugefunktion, vil vi tilføje en anden kontekst i formlen. Igen er dette baseret på det faktum, at vi bruger et støttebord.

Brugerfunktion, vil vi evaluere hver enkelt kundes placering.

Vi rangerer hver kunde ved at bruge de grænser, vi har sat for hver gruppe. Det er derfor, du vil se, at vi har tilføjet Min Rank og Max Rank i vores mål.

Når evalueringen nu opfylder betingelserne for de filtre, vi har indstillet, er det, når resultaterne vil returnere det samlede overskud . 

Marginer efter brugerdefineret gruppering

Lad os nu se på Margins- segmenteringen.

Igen, lad os bryde denne formel ned del for del.

Du vil se, at dette er næsten nøjagtigt det samme som Profit-segmenteringen, men denne gang bruger vi funktionen CALCULATE for Profit Margin .

Ligesom før tilføjer vi også kontekst ved at indstille min. rang og maks. rang for vores tilpassede grupper . Derfra får vi de resultater, vi har brug for.

Det er her resultaterne er opdelt i forskellige segmenter. Det vigtigste at huske er, at det, vi filtrerer her, er den tabel, vi har oprettet, som er brugerdefinerede grupper .

Som du kan se i visualiseringen nedenfor, er denne tabel filtreret, fordi vores brugerdefinerede gruppe nu er i vores legende.

Så visualiseringen vil nu vise data baseret på de særlige kunder, der er en del af den segmenterede gruppe.

Konklusion

Med denne teknik er det nu nemt at rangere data baseret på specifikke segmenter. Husk, at denne logik anvendes dynamisk for hvert valg, du har. Så hvis du vil rangere data for Midwest Wholesale Sales, skal du også anvende den samme evaluering på det specifikke udvalg.

Denne type indsigt er ikke ligefrem noget, der bare springer ud af dine rådata. Skønheden ved dynamisk segmentering er, at den også kan bruges i forskellige situationer og forskellige rapporteringsapplikationer.

Alt det bedste.