Her skal vi se på faldende kundemargin. Vi vil prøve at finde ud af, hvilke kundemarginer, der falder, og hvorfor de falder . Er det på grund af deres indkøbsfrekvens? Er det på grund af de produkter, de køber? Eller af en anden grund? Du kan se den fulde video af denne tutorial nederst på denne blog.
Vi skal løse dette analytiske problem med LuckyTemplates ved hjælp af en række teknikker.
Denne form for eksempel er perfekt at gennemgå, hvis du vil forbedre dine egne analytiske evner, når du bruger LuckyTemplates.
Ikke kun din analytiske tænkning, men også den praktiske anvendelse af at bruge LuckyTemplates som et værktøj til at løse disse typer udfordringer.
Gennem LuckyTemplates og ved at implementere en række teknikker, som jeg fremviser, kan du faktisk udarbejde denne indsigt ganske effektivt.
Ikke nok med det, du kan finde ud af det på en dynamisk måde. Lad os sige, at vi for eksempel har kunder på tværs af en række forskellige regioner. Nå, vi vil måske også vælge gennem disse regioner og derefter finde ud af, hvilke af vores kunders marginer, der er blevet mindre i en bestemt region over en bestemt periode.
Dette er en analytisk indsigt af virkelig høj kvalitet, og det er nøglen. Det er det, vi vil bruge LuckyTemplates til. Det er det, jeg vil have dig til at implementere i dine egne modeller.
Indholdsfortegnelse
Demonstration af den indsigt, du kan få fra denne teknik
I mit eksempel her evaluerer jeg, hvad der er sket mellem i år og sidste år , om kundemarginerne er faldet eller udvidet, men jeg borer virkelig ind i dem, der er blevet mindre.
Inden for dette dashboard kan vi klikke på hver stat. Vi kunne sætte dette op på mange forskellige måder, siger vores detailbutikker, hvis vi vil bore ind i en bestemt butik. I dette tilfælde kigger vi på de stater, hvor vi sælger vores produkter.
Vi fokuserer kun og ser på marginalerne, der er mindre end nul. Vi bruger en vis naturlig filtrering inde i LuckyTemplates for at opnå denne indsigt eller udtrække denne indsigt fra informationen.
For eksempel ser vi specifikt på New York, vi ser alle de salg, vi har lavet i New York. Hvis vi ser på alle kunderne her, vil vi måske gerne vide, hvis margin er faldet mest og hvorfor . I klyngen af kunder her vil vi gerne vide, hvilke produkter de har købt, hvem der var sælger, hvilken bestemt butik de købte osv.
Hvis vi ønsker at vide, hvor meget var det faktiske salg og fortjeneste, kan vi faktisk komme ind i voresher og vælg alle disse elementer individuelt.
Nede i denne tabel her har vi hver enkelt ordre, hvert køb og alle detaljerne for det køb. Vi har kunden, sælgeren, amtet, statens navn, navnet på byen eller navnet på butikken, den faktiske avance på salget, det samlede salg og det samlede overskud.
Så vi har virkelig meget specifikke oplysninger der. Hvis du tænker over det, er dette et massivt datasæt. Og vi borer virkelig i detaljerne her og opdager, hvad der foregår og hvorfor.
Er det fordi vi havde disse produkter på udsalg, eller fordi vi gav dem rabat? Er der nogle almindelige produkter? Er der sælgere, der bare skærer prisen ned hver gang for at lave et salg?
Udarbejde formlerne
For at bygge denne analyse bruger vi naturlig filtrering. Vi behøver ikke at skrive komplekse DAX-formler. Den første ting at gøre er at oprette nogle simple kernemål, såsom samlet salg, overskud, omkostninger osv.
Vi går til New Measure, og opretter derefter vores Margins-mål. For denne formel dividerer vi simpelthen det samlede overskud med vores samlede salg . Derefter sørger vi for, at det er formateret som en procent.
Nu, da vi ønsker at analysere overarbejde og sammenligne 2017 og 2016 , sætter vi et sideniveaufilter på 2017. Så for eksempel er fortjenestemargener her for alt, hvad vi har solgt i 2017. Vi kan derefter sammenligne avancer for 2017 og 2016 bruger nogle Time Intelligence-funktioner .
Så vi går nyt mål igen, og opretter Profit Margins LY (for sidste år). Vi bruger BEREGN fortjenestemarginer og derefter SAMEPERIODLASTÅR .
Med det resultat her kan vi nu regne ud udvidelsen eller nedgangen i kundemarginen over tid mellem 2017 og 2016.
Så vi opretter en ny foranstaltning endnu en gang, Margin Change , som er lig med Profits Margins (i år) minus Profits Margins LY (sidste år).
Oprettelse af Dashboard og Foretag yderligere forbedringer
Når vi har alle disse foranstaltninger på plads, kan vi begynde at lave vores dashboard. Denne analyse er perfekt til et punktdiagram, fordi det er her, vi kan finde klynger af information .
For at gøre dette sætter vi vores marginændring i X-aksen og vores overskudsmargener i vores Y-akse. Vi bringer vores kundenavn ind i detaljerne for at få denne klynge i vores diagram.
Dernæst opretter vi vores stat, hvor vi kan filtrere på staterne. Så sætter vi vores tabel op nedenfor. På grund af den datamodel, vi har her, kan vi bringe elementer fra alle vores opslagstabeller og sammenligne dem med hvad som helst i salgstabellen eller med en hvilken som helst formel, vi har lavet over salgstabellen.
Så vi kan få fat i vores ordre-id, da vi ser på hver enkelt ordre, og derefter bringe alle de andre elementer ind, inklusive vores produktnavn, amtet, staten, butikken, kunden, der købte den, samlet salg, Samlet overskud og korrekte marginer.
Et problem her er, at marginændringen er nøjagtig den samme som fortjenestemarginen. Hvorfor? For der var faktisk ikke noget udsalg året før, og det er en ubrugelig indsigt. Det vil vise en massiv marginændring, fordi marginen sidste år var nul.
Det, vi skal gøre, er at slippe af med dem ved at oprette en måling, der viser, hvad de samlede transaktioner var sidste år . Nu har vi allerede samlet transaktioner (mål) for det indeværende år, 2017, og så vil vi oprette en formel kaldet Transaktion LY (sidste år).
Vi vil gøre nøjagtig den samme teknik, som vi brugte lige før. Vi bruger BEREGNET samlede transaktioner , og. Derefter sætter vi i kolonnen Datoer .
Vi kan også bruge disse filtre på højre side. Vi kan vælge de visuelle, marginændringer og overskudsmargener efter kundenavn, og derefter få fat i Transactions LY-målet og lægge det ind i de visuelle niveaufiltre.
Desuden kan vi sætte et ekstra filter, vi behøver ikke at skrive komplekse DAX-formler for alle disse små ting, som vi måske vil filtrere.
Ved kun at sætte dette filter her for de salg sidste år, der er større end nul, kan vi meget hurtigt slippe af med alle de fejlagtige tal, der faktisk ikke betyder noget.
Nu da vi ser på de kontrakterede marginer, ønsker vi at slippe af med alt, der er udvidet. For at gøre dette går vi tilbage til filtreringssektionen og ser på værdier, der er mindre end 0 . Vi klikker på Anvend filter, og det ændrer automatisk diagrammet hurtigt.
Nu hvor vi har den indsigt, vi søger, kan vi lege og forbedre det visuelle, såsom baggrunden, farverne osv.
Svar, hvis avancerne udvides eller trækker sig sammen over tid med LuckyTemplates
Konklusion
I denne tutorial har jeg gennemgået en række teknikker, herunder hvordan vi forgrener os gennem noget DAX-logik og borer endnu dybere ind i en bestemt indsigt ved at bruge disse ekstra filtre på højre side og det visuelle niveaufilter.
Det vigtigste her er, at denne teknik giver dig mulighed for at finde eller bore i disse oplysninger uden at skulle skrive virkelig komplekse formler.
Dyk ned i dette indhold og prøv at replikere det. Forstå, hvordan du kan gøre det, og repliker det derefter over dine egne datasæt.
Det er sådan, du kommer til at få mest muligt ud af dette materiale og ud af nogle af disse tutorials, som jeg gennemgår.
Skål!
Denne blog indeholder LuckyTemplates TOPN DAX-funktionen, som giver dig mulighed for at få unik indsigt fra dine data, hvilket hjælper dig med at træffe bedre markedsføringsbeslutninger.
Find ud af, hvorfor det er vigtigt at have en dedikeret datotabel i LuckyTemplates, og lær den hurtigste og mest effektive måde at gøre det på.
Denne korte vejledning fremhæver LuckyTemplates mobilrapporteringsfunktion. Jeg vil vise dig, hvordan du kan udvikle rapporter effektivt til mobilenheder.
I denne LuckyTemplates Showcase gennemgår vi rapporter, der viser professionel serviceanalyse fra et firma, der har flere kontrakter og kundeengagementer.
Gå gennem de vigtigste opdateringer til Power Apps og Power Automate og deres fordele og implikationer for Microsoft Power Platform.
Opdag nogle almindelige SQL-funktioner, som vi kan bruge, såsom streng, dato og nogle avancerede funktioner til at behandle eller manipulere data.
I denne tutorial lærer du, hvordan du opretter din perfekte LuckyTemplates-skabelon, der er konfigureret til dine behov og præferencer.
I denne blog vil vi demonstrere, hvordan man lagdelte feltparametre med små multipler for at skabe utrolig nyttig indsigt og visuals.
I denne blog vil du lære, hvordan du bruger LuckyTemplates rangerings- og brugerdefinerede grupperingsfunktioner til at segmentere et eksempeldata og rangordne det efter kriterier.
I denne tutorial vil jeg dække en specifik teknik omkring, hvordan du kun viser Kumulativ Total op til en bestemt dato i dine visuals i LuckyTemplates.
