Dynamisk segmentering med dynamiske parametre – avancerede LuckyTemplates & DAX-teknik

Jeg vil tale om dynamisk segmentering ved hjælp af dynamiske parametre, fordi jeg har set medlemmer spørge om det så mange gange på LuckyTemplates supportforum. Du kan se den fulde video af denne tutorial nederst på denne blog.

Det, der er udfordrende ved dette, er at finde ud af, hvilke områder der skal segmenteres først. Du skal også finde en måde at tilføje dynamiske parametre til din formel. Jeg vil forenkle alt det gennem det eksempel, jeg vil vise her.

Indholdsfortegnelse

• Oprettelse af en hvad-hvis-parameter
• Anvendelse af dynamiske parametre
• Visualisering af resultaterne
• Konklusion

Oprettelse af en hvad-hvis-parameter

Det første jeg har brug for er en parameter. I dette tilfælde oprettede jeg en kunderangeringsparameter .

Jeg oprettede denne parameter ved at gå ind i Modellering og derefter ved at klikke på Ny parameter.

En hvad-hvis-parameter ville automatisk oprette en tabel for mig. Det skaber også et mål for det valg, jeg har foretaget.

Når jeg trækker det ind i min rapport, vil det vise det valg, jeg foretager i sliceren.

Det vigtigste at huske her er, at dine parametre bør opdele resultaterne, hver gang du laver en tilpasset segmentering .

Så bortset fra Customer Rank-parameteren har jeg også information om områder, hvor butikkerne findes.

Konteksten for beregningen er en af ​​nøglefaktorerne for at få dette rigtigt. Der er også yderligere kontekst hernede, der viser, hvor butikkerne er.

Nu vil jeg adskille min omsætning ved at sammenligne mine topkunder og mine nederste kunder. Jeg ønsker også, at både disse top- og bundgrupper skal være dynamiske. Det er her, dynamiske parametre kommer ind i billedet.

Anvendelse af dynamiske parametre

Så resultaterne skal ændre sig alt efter, hvordan jeg vil se på dataene. Det betyder, at hvis jeg ændrer sliceren for Customer Rank , bør dataene på tabellen også ændre sig.

Det første, jeg vil gøre, er at bruge en formel til at få mine bedste kunder ind i tabellen.

Jeg oprettede kolonnen ved at brugefunktion for den samlede omsætning og derefter brugesom rangeringsfunktion. TOPN returnerer også en virtuel tabel baseret på rangeringsresultater.

Jeg tilføjede kontekst her, da vi beregner den samlede omsætning , fordi jeg kun ser på de bedst placerede kunder. Denne rangering bestemmes af kunderangeringsværdien .

Ved at bruge TOPN kommer jeg til at gennemgå alle kundedata. Det ville dog kun bevare konteksten for top 4, da det er den parameter, der er sat i tabellen. Det er den værdi, jeg har sat i udstikkeren.

Jeg kan flytte min slicer til 3, og resultaterne skal også ændres og kun afspejle dataene for top 3.

Jeg vil også se på mine nederste kunder, så det vil jeg tilføje i min tabel.

Da jeg sætter mine nederste kunder der, er det også vigtigt at bemærke, at jeg ville have brug for det samlede antal kunder pr. butik inden for en given tidsramme.

For at få det samlede antal kunder brugte jegfungere.

Bemærk, at det hele kun er eksempeldata, så de tal, jeg kommer med fra denne formel, kan virke små og urealistiske. Men denne beregning ville også fungere for større frekvenser, når den først anvendes på scenarier i det virkelige liv.

Her er den formel, jeg brugte til at få de nederste kunder. Bemærk, at den minder meget om den, jeg brugte til Topkunder , men med nogle mindre justeringer.

Jeg brugte både CALCUATE og TOPN funktionerne her også. Men i stedet for blot at indsætte kunderangen , brugte jeg forskellen mellem de samlede kunder og værdien for kundens rangering . 

Så i stedet for bare at placereog kundenavne , jeg var nødt til at tilføje logik. Da jeg får de nederste kunder i stedet for de øverste, vil jeg bruge ASC i stedet for DESC .

Den tidligere formel gentog hver enkelt kunde for at få de bedste. Men da jeg får de nederste kunder, betyder det, at det også vil tælle de tilfælde, hvor der var nul salg .

Jeg skal sikre mig, at dem, der tæller som den nederste kunde, også har foretaget et køb. Det er derfor, jeg har tilføjet, at værdien skal være større end 0 .

Derfor viser mine data nu, hvor mange kunder der rent faktisk har foretaget et køb. På denne første række viser det, at 11 kunder købte noget i den specifikke butik inden for den givne tidsramme.

Det kan blive ret vanskeligt i denne del, mest fordi TOPN allerede er ved at skabe en virtuel tabel, men jeg er også ved at skabe en anden virtuel tabel i den. Denne virtuelle tabel ser på en meget mindre delmængde af kunder og ikke på kunderne som helhed.

Så jeg laver endnu en rangering her i slutningen af ​​formlen for Samlet omsætning . Og som jeg nævnte tidligere, bruger jeg ASC i stedet for DESC .

Med disse formler har jeg nu tilføjet dynamiske parametre til den dynamiske segmentering.

Visualisering af resultaterne

Den teknik, jeg brugte, kunne potentielt bruges til meget større datasæt. Dette betyder, at for bedre at forstå resultaterne, er det nyttigt at have nogle visualiseringer til at fremvise dem.

Jeg starter med et simpelt diagram, der kan vise dig en sammenligning af de øverste kontra de nederste kunder for hver butik.

Jeg kan også ændre dette og bruge et stablet søjlediagram, hvis tallene er store nok og ville blive bedre vist på den måde.

Med disse visualiseringer kan jeg få et bedre indblik i tallene. Dette viser for eksempel, hvilke butikker der har en højere risiko. Jeg kan se, hvilke butikker der har meget få kunder, hvilket resulterer i lav omsætning.

Konklusion

De data, jeg brugte her, er meget lavfrekvente, men forestil dig mulighederne, når dette anvendes på større datasæt. Denne teknik kan også segmentere andre oplysninger og tilføje så mange forskellige parametre bortset fra kun top- og bundkunder eller butiksplaceringer.

Dette eksempel viser, hvordan man også arbejder med foranstaltninger inde i foranstaltninger. Teknikker som disse giver fantastisk indsigt i data, uanset hvor de anvendes.

Alt det bedste,