Datasegmentering baseret på procentgrupper – Avanceret DAX i LuckyTemplates

Jeg vil gennemgå en ganske avanceret datasegmenteringsteknik i denne tutorial, som handler om at gruppere data på en dynamisk måde inde i LuckyTemplates . Du kan se den fulde video af denne tutorial nederst på denne blog.

I denne tutorial skal vi specifikt se på netop denne visualisering i dette dashboard, jeg brugte under et Learning Summit omkring kundeindsigt.

I dette tilfælde grupperer eller segmenterer vi kunder baseret på procentdel af salget. Vi bruger en sekundær tabel eller understøttende tabel og kombinerer den med DAX-formler for at skabe denne gruppering.

Indholdsfortegnelse

• Segmentering af kunder baseret på salgsprocent
• Brug af et sekundært eller understøttende bord
• Udregning af variablerne
• Logik til datasegmentering
• Sådan genbruger du datasegmenteringsformlen
• Konklusion

Segmentering af kunder baseret på salgsprocent

En gruppe er i de øverste 20 %, en anden gruppe er mellem 25 % og 80 %, og den tredje gruppe er i de nederste 25 %. Jeg har brugt disse procenter og fodret dem gennem enfor derefter at oprette disse grupper af Top, Mid og Bottom .

Segmenteringen i dette tilfælde er baseret på salg, så dette er et diagram, der viser salg versus marginer for en bestemt tidsramme, men segmenteringen er sket via salg.

Vi kan se i dette punktdiagram de øverste 20 % af kunderne; de er repræsenteret af de mørkeblå pletter. Mid-kunderne sidder fra et salgsperspektiv mellem 25% og 80%; de er repræsenteret af de lyseblå pletter i den midterste del af diagrammet. De nederste 25 % af kunderne baseret på salg er de lyseblå pletter i den nederste del af diagrammet. 

Dette er en ganske avanceret teknik til datasegmentering, hvor vi inkorporerer noget avanceret logik i beregningerne for at skabe disse grupper, der bare ikke eksisterer . Med andre ord er der intet i vores rådata, der kan udskille top 20 af kunder, bund 25% osv.

Så vi er nødt til at skabe den logik ved hjælp af en understøttende tabel eller en sekundær tabel , som jeg kalder dem. Denne tabel har ikke noget fysisk forhold til nogen af ​​vores tabeller i datamodellen, men det er nøglen til denne type analyse.

Brug af et sekundært eller understøttende bord

Så lad os tage et kig på bordet. Du kan sikkert oprette disse grupper på mange forskellige måder, men det er sådan jeg har sat det op til denne demonstration.

I denne understøttende eller sekundære tabel har vi vores grupper som Top, Mid og Bottom. Vi har kolonnen Lav og Høj kolonne til at identificere, hvilket segment hver kunde tilhører.

Denne sekundære tabel over procentsatser kan faktisk genbruges på tværs af mange forskellige mål. Vi kunne bruge salg, og vi kunne nemt integrere marginer eller overskud eller omkostninger eller enhver anden beregning, som vi kan gøre. Det behøver ikke engang at være salgs- eller omsætningsrelateret. 

Vi kan også genbruge noget af logikken, fordi procenter kan stå på hvad som helst. Det, der er vigtigt her, er at skabe den korrekte logik inde i formlen. 

Så lad os dykke ned i formlen, som jeg kaldte(i år) og gennemgå, hvordan jeg gjorde logikken.

Udregning af variablerne

Lad os først gennemgå den første del af beregningen, hvor vi regner variablerne ( VAR ).

Den første variabel er at identificere den RankingDimension , som vi skal arbejde igennem. I dette tilfælde er det kunder. Med VALUES -funktionen itererer vi gennem hver kunde, der har foretaget et salg inden for en bestemt tidsramme . 

Den næste variabel er TotalCustomers , som beregner, hvor mange kunder der rent faktisk har foretaget et salg . Vi vil ikke tælle alle kunderne, men derimod kun dem, der har solgt noget. I denne logik bruger vi funktionerne CALCUATE , COUNTROWS , FILTER og ALLE .

Den tredje variabel er CustomerRank , hvor vi rangerer vores kunder baseret på det salg, de har foretaget. Og dette er formlen for Customer Rank TY .

Denne særlige formel laver bare en simpel ranking, som bruger RANKX- funktionen.

Logik til datasegmentering

Lad os nu dykke ned i resten af ​​regnestykket. Dette er logikken, der gør os i stand til at opnå denne datasegmenteringsanalyse.

Funktionen CALCUATE gentager hver kunde og evaluerer gennem den understøttende tabel ( kundegrupper ), vi oprettede med funktionerne og FILTER . 

Og derefter evaluerer den, om CustomerRank er større end TotalCustomers , og multiplicerer den derefter med kolonnen Customer Groups Low . Så det spørger os, om CustomerRank er højere end bunden.

Og så i næste række fremhæver det, om CustomerRank er mindre end eller lig med TotalCustomers; den ganges derefter med den højere bin i tabellen Kundegrupper.

Hvis det bliver lig med sandt, vil den kunde blive fastholdt, og vi får det samlede salg.

Sådan genbruger du datasegmenteringsformlen

Denne formel er lidt kompleks, men den er virkelig interessant. Vi genbruger også denne beregning.

Hvis vi f.eks. ønsker at se på vores kunder ud fra en anden metrik, såsom en overskudsmargen, skal vi bare erstatte det samlede salg her med overskudsmargen og ændre rangeringen baseret på overskudsmargener .

Så kan vi bruge nøjagtig den samme understøttende tabel til at køre denne logik igennem. 

Konklusion

Dette er en mere avanceret teknik om datasegmentering, som jeg har demonstreret i denne tutorial. Vi udnytter kraften i DAX og datamodellen med vores understøttende tabel.

Det er utroligt, hvad vi kan gøre med hele formlen. Vi kan ændre tidsrammen, og det vil altid opdele kunderne med de specifikke procenter, vi sætter op. 

Jeg håber, du har fundet stor værdi af denne tutorial og anvender den på dit eget arbejde.

Alt det bedste!

***** Lærer du Lucky Templates? *****