I dag vil jeg introducere de fantastiske ting, du kan gøre med kurvanalyseteknikken . Med Basket Analysis inde i LuckyTemplates kan du prøve at analysere kundesalget af en gruppe af produkter i forhold til en anden gruppering af produkter . Du kan se den fulde video af denne tutorial nederst på denne blog
Der er masser af applikationer til dette på tværs af LuckyTemplates. Men til denne tutorial vil jeg dele den bedste praksis med at bruge denne type teknik med dig.
Ved at køre denne type analyser kan vi beregne salgstendenser eller købsadfærd hos de kunder, der køber hos os eller i vores butikker.
Ved at kende og forstå disse mønstre kan vi styre mange aspekter af salgsprocessen bedre. For eksempel bedre lagerstyring, opsalgsmuligheder, mere målrettet markedsføring og meget mere.
I denne kurvanalyse forsøger jeg dybest set at vise de kunder, der har købt en bestemt gruppe af produkter. Og så vil jeg prøve at se, om de også har købt en anden gruppe produkter.
Resultaterne ville være meget nyttige, når du vil køre en funktionsanalyse omkring de kunder , der har købt en gruppe produkter og ikke den anden. Derefter kan du følge dem op med effektiv markedsføring og annoncering.
Indholdsfortegnelse
LuckyTemplates-model til kurveanalyse
Først og fremmest vil jeg springe til min model, fordi det er her, vi kan finde den mest essentielle måde at få kurvanalysen rigtigt på. Et stort tip, når du kører denne type analyse, er, at integration af udvalg som disse kurve i din kernemodel er en kompliceret måde at gøre det på.
Tag et kig på min kernemodel, som er meget enkel.
Når jeg går tilbage til mine data, replikerede jeg en meget simpel produkttabel. Jeg har lige lavet to tabeller, der er nøjagtig ens, men med forskellige titler. Den ene kaldes Initial Basket .
Den anden kaldes Selection Basket .
Disse kurve er, hvad jeg kalder støtteborde. Hvis du ser på min model, har disse tabeller ikke et forhold til andre tabeller.
Jeg vil bare integrere beregninger fra disse tabeller i kernemodellen. Men det skal gøres gennem en formel, ikke gennem relationer. Personligt tror jeg, at dette gør alting meget nemmere og renere end at overkomplicere forholdet.
Det er et af mine bedste tips til kurvanalyse. Lav disse kurve separat og brug dem som støtteborde ved siden af kernemodellen. Lad os nu tage et kig på de formler eller beregninger, som jeg lavede og integrerede i tabellerne.
Fremvisning af The Basket-kunderne
Som du kan se, har jeg navngivet kurvene anderledes i tabellen. Det er nu Initial Basket Products og Selection Products , så kan jeg multi-vælge produkterne her, mens jeg lægger dem i en pålægsmaskine.
Derefter har jeg kørt nogle beregninger for unikke kunder ved hjælp af formlen nedenfor.
Dybest set kører jeg barefunktion af Salget ved hver kundes navn.
Kolonnen Kurvkunder er, hvor det begynder at blive lidt vanskeligt. Denne beregner, hvor mange kunder, der har købt den særlige gruppe af produkter, som jeg har valgt under Indledende kurvskærer .
Da tabellen ikke har nogen relation til salgstabellen, hvor alle transaktionerne er fundet, skal jeg bruge formlen nedenfor.
Mens jeg beregner de unikke kunder, anvender jeg også en anden relation eller kontekst inde ved hjælp affungere. Det giver mig mulighed for at skabe et virtuelt forhold mellem den oprindelige kurv og det oprindelige kurvindeks samt produktbeskrivelsesindekset i det tilsvarende salg.
Desuden skal jeg i kolonnen Udvalgskunder bare gøre det samme og bruge nøjagtigt det samme mønster. Men denne gang vurderer det en anden undergruppe af produkter baseret på mit udvalg.
Identifikation af det samlede antal kurvkunder
Nu kommer jeg ind på den mest essentielle kurveanalyse, og det er her, der er brug for mere avanceret logik for virkelig at sammenligne de to kurve.
Jeg vil sammenligne alle de kunder, der har købt i det første sæt kurv, med alle de kunder, der har købt i det andet sæt kurv. Det er grunden til, at jeg har tilføjet kolonnen for Total Kurvkunder .
Sådan kan jeg gøre det her ved hjælp af denne meget avancerede formel nedenfor.
Det vigtigste at overveje her er, at TREATAS -funktionen er nøjagtig den samme som den tidligere beregning. Men i stedet for at skabe skalære værdier, vil den skabe en virtuel tabel ved hjælp affungere.
Så formlen vil vise en tabel for kunderne baseret på de produktvalg, jeg har foretaget fra de indledende kurvprodukter og udvalgte produkter .
Så har jeg brugtfunktion til at vurdere, hvilke kunder der er en del af den indledende kurv og også indgår i den valgte kurv.
Endelig, denfunktion afslutter jobbet ved at returnere det samlede antal kunder, der er til stede i begge kurve.
Yderligere tips og teknikker til kurveanalyse i LuckyTemplates
Det fantastiske ved denne kurvanalyseteknik er, at du faktisk kan genbruge formlen, når du vil bringe en anden kontekst.
For eksempel vil jeg inkludere konteksten for Country her; Jeg skal bare bringe dette til bordet for en anden visualisering og tilføje Total Basket Customers- formlen i den nye visualisering.
Så nu er jeg i stand til at vise det samlede antal kurvkunder for alle disse forskellige lande. Dette er meget anvendeligt i detailbutikker, og det kan indsnævres til mere specifikke regioner eller kundesæt .
Som du kan se, er der så mange måder at forbedre din kurvanalyse på. Denne vejledning er kun en introduktion til kurvanalysens vidunderlige kraft.
Konklusion
Dette er bestemt værd at dykke ned i meget detaljeret, hvis denne specifikke analyse er det, du leder efter eller kræver i dine egne modeller.
Dette muliggør mange indsigter på højt niveau, hvor du kan omfordele dine ressourcer eller din finansiering til de mest passende områder for din virksomhed.
Hold øje med mere dybdegående sessioner om kurvanalyse i de kommende videoer af LuckyTemplates. Hvis du kan lide at se mere avancerede analytiske eksempler, kan du helt sikkert tjekke dette modul på LuckyTemplates Online –.
Held og lykke med denne!
***** Lærer du Lucky Templates? *****
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.
