Kundeanalyse i LuckyTemplates; Gennemgang af ydeevne over tid

Kundeanalyse er en afgørende ting at gøre for enhver virksomhed, især hvis du har et stort antal kunder. Du kan se den fulde video af denne tutorial nederst på denne blog.

I denne særlige vejledning arbejder jeg igennem, hvordan vi kan skabe nogle overbevisende kundeanalyser overarbejde .

Jeg ser på kundens købsadfærd mellem forskellige tidsrammer og sætter dem ind i en , der fremhæver informationen på en måde, så du kan træffe informerede beslutninger om dem.

På grund af den lethed, hvormed vi kan placere filtre og slicere over vores rapportsider i LuckyTemplates, kan vi virkelig skabe nogle virkelig overbevisende visualiseringer og se, hvad vores kunder laver.

Vi kan også dynamisk klikke ind i kundegrupper og præstationsgrupper.

Jeg taler lidt om, hvordan du kan sætte dette op inden for en rapportside ganske problemfrit og være i stand til at fremhæve de vigtigste informationer, hvilket virkelig vil have indflydelse på, hvilke handlinger du foretager dig med dine kunder.

Disse handlinger kan forbedre ting som at sætte flere ressourcer til kunder, flere penge til markedsføring eller reklame og så mange ting af den art.

Indholdsfortegnelse

• Gruppering af dine kunder
• Borer dybere ind i kunderne
• Konklusion

Gruppering af dine kunder

Når du har mange kunder, kan dit diagram være meget travlt, og det ville være ret svært at se ændringerne i din kundeadfærd over tid. Du vil ikke være i stand til at fremvise indsigten på en effektiv måde.

Men tænk på det i bredere vendinger om, hvordan du opsætter dette, som jeg vil vise dig.

Du skal bare tænke på din nuværende model, og hvordan du kan bygge oven på den model for derefter at fremvise indsigten.

I dette eksempel vil du se, at jeg har et vist tidsvalg, og jeg prøver at vise det samlede salg efter samlet overskud. Men det, jeg også vil vise, er, hvordan dette ændrer sig over tid pr. kunde.

Og du kan se, hvor travlt dette diagram er, ikke?

Der er mange kunder, og vi er ikke rigtig i stand til at se ændringerne hos kunderne. Vi kan ikke se, hvordan de bevæger sig gennem tiden i præstationsperspektivet.

Så vi skal bryde det op og segmentere det. Vi er nødt til at gruppere disse kunder, hvilket vil gøre os i stand til at bore ind i en meget nichegruppe af kunder og måske bore endnu længere.

Her kan du se, at jeg har oprettet en liste over mine kunder, og den er faktisk ret lang.

Men vi har ikke rigtig lyst til at gå herned og udvælge alle kunder, vel? Hvis vi gør det, kan vi ikke rigtig se, hvad vi har valgt, efter vi har gjort det.

Så jeg har lavet disse grupper af kunder, hvor jeg netop har bygget en beregnet kolonne, der rangerer mine kunder i netop disse grupper.

Lad mig vise dig, hvad jeg har lavet der. Jeg har mine datamodeller her, og vi vil fokusere på kundetabellen.

I min kundetabel kan du se, at jeg har grupperet dem baseret på kundesalgsrangen, som er denne her.

Alt, hvad dette gør, er at rangere på det samlede salg.

Dette er det samlede salg fra tidens begyndelse, så der er ikke noget tidsfilter på dette. Det er med andre ord at rangere alle kunder gennem tiden.

Det er blot en måde for os at kunne bryde op eller skabe en anden dimension, som så kan bore i specifikke aspekter af vores kunder eller specifikke grupper af vores kunder.

Dette ville så flyde ned til allesom vi til sidst vil gøre over vores salgstabel eller budgettering og så videre.

Så i stedet for at se på alle mine kunder her, kan jeg bare gå 1-10, og du kan se i diagrammet, at det går i stykker hurtigt.

Nu kan vi virkelig se eller bore i vores kunder.

Borer dybere ind i kunderne

For eksempel ønsker vi at analysere, hvordan vores kundepræstation ændrer sig over tid for vores overskud versus salg. Vi kan også sætte kvartal 3 her.

Dette gør os i stand til at overvåge disse kunder effektivt.

For eksempel vil vi overvåge State Ltd. Vi kan vælge det, og måske kan vi tilføje endnu en fjerdedel her. Vi kan virkelig begynde at se og finde nogle ret anstændige indsigter her.

I andet kvartal startede netop denne kunde her. Og af en eller anden grund faldt det i tredje kvartal af 2017 helt tilbage hertil. Men så zoomede helt tilbage op meget højere i fjerde kvartal.

Vi startede i en meget detaljeret form i forhold til visualiseringen og hvad indsigterne viser. Men gennem den funktionalitet, vi har indbygget, kan vi gradvist flytte til mere unikke eller specifikke indsigter.

Dette er en rigtig god måde at overveje specielt, når du har mange kunder i dit datasæt.

Desuden har vi resten af ​​vores modeller at arbejde med. Så vi vil for eksempel kun se på de første 5 produkter, som den enkelte kunde har købt for at se, om det er det, der er årsag til forskellen. Og det ser det nok ud til at være.

Andre ting, der viser indsigter, er den individuelle trendanalyse, og vi kan se, hvordan de faktisk er opbygget gennem tiden.

Der er mange forskellige måder, du kan gøre for at filtrere dataene til sidst, og du kan også bore i forskellige aspekter.

Konklusion

Denne blog viser de forskellige måder, du kan gøre for at gøre kundeanalyse nem og effektiv indeni.

Hvis du opsætter din model godt specielt med nogle grupperingsteknikker, så kan du kan bore ind i den specifikke gruppe, du vil se på.

Du kan sætte ting op, hvor du allerede ser på et undersæt af dine data og hurtigt bore ind i specifikke kunder eller kunder fra den oprindelige gruppe.

Dette er en rigtig god gennemgang af, hvad du kan gøre omkring et rapporteringsscenarie baseret på kundeindsigt . Det handler ikke ligefrem om én formel her eller én visualisering. Det er i det hele taget en tutorial omkring, hvad der kan opnås på en meget skalerbar måde med LuckyTemplates.

Nyd at arbejde igennem denne.