Kundesegmenteringsteknikker ved hjælp af datamodellen – LuckyTemplates & DAX

I dette blogindlæg vil jeg vise dig, hvordan du laver kundesegmenteringsteknikker via datamodellen i LuckyTemplates. Du kan se den fulde video af denne tutorial nederst på denne blog.

Nogle gange vil dine rådata ikke have al den information, du har brug for for at vise noget i LuckyTemplates. Men lad ikke dette stoppe dig.

Det eneste, du har brug for, er en fantasi omkring, hvordan du kan opbygge din datamodel eller bruge noget ekstra logik i dine opslagstabeller, der kan muliggøre langt større indsigt, end du måske havde troet var muligt med de rådata, du har i dens nuværende form.

Jeg vil lede dig igennem et detaljeret eksempel på, hvordan du kan segmentere dine kunder ved at vurdere, om de er gode kunder, okay kunder eller dårlige kunder.

Indholdsfortegnelse

• Segmentering af kunder baseret på ydeevne
• Oprettelse af kundegrupperingstabellen
• Opslagstabeller og beregnede kolonner
• Beregning af salgsforskel
• Brug af SWITCH-logikken
• Konklusion

Segmentering af kunder baseret på ydeevne

Grundlæggende vil vi arbejde på, hvordan du segmenterer dine kunder baseret på ydeevne.

Du kan bruge denne teknik til at segmentere stort set alt, men jeg ville gerne vise, hvor effektivt det kan være at fremvise indsigt i din rapport baseret på et virkelighedsscenario.

Ved hjælp af datamodellen kan vi hurtigt isolere hvert specifikt segment til analyse. Vi kan se de underliggende drivere, der vil kendetegne vores kunder som store, gode, gennemsnitlige eller dårlige med hensyn til salg.

Jeg har oprettet et udsnit eller et filter , som gør det muligt for mig at analysere kunder som gode, gode, gennemsnitlige eller dårlige baseret på de visualiseringer, vi har lagt i vores rapport.

Visualiseringen vil vise os, hvornår divergensen startede (februar 2016), og hvorfor der er en divergens.

Det er vigtigt at vise hvorfor med visualiseringerne i dine rapporter.

I den nederste del af vores rapport kan vi se præcis, hvornår afvigelsen skete.

Vi kan også se på vores produkter for at afgøre, hvilke produkter der forårsagede denne divergens og gjorde disse kunder fantastiske. Vi kan finde ud af, hvilke produkter der gjorde det muligt for kunderne at købe mere hos os, end de havde tidligere.

Det, der også er fedt, er udskærerne i vores visualiseringer. De vil filtrere baseret på det, vi har integreret i vores model, og så vil de også filtrere baseret på den præstationsgruppe eller segment, vi har valgt.

Lad os se på vores fattige kunder ved at klikke på Dårligt salg på sliceren. Vi kan så se, hvilke klienter der har klaret sig dårligt på kolonnen under sliceren.

Ved at se på diagrammet for akkumulerede salgstidsrammesammenligninger kan vi se på salget i år versus salget fra sidste år. Hvorfor er der stor forskel på de to? Har det noget at gøre med produkterne eller marginalerne?

Alle disse spørgsmål kan besvares og fremvises ved at bruge de kundesegmenteringsteknikker, jeg vil vise dig.

Oprettelse af kundegrupperingstabellen

Så hvordan gjorde jeg denne teknik? Lad os først springe tilbage til modellen. Jeg lavede en tabel kaldet.

Dette er noget, du ikke behøver at gøre, men jeg kan godt lide at skabe det, fordi det giver mig en separat tabel, der viser kundegrupperne. Jeg har også sat et indeks ved siden af ​​grupperingerne, så vi kan filtrere eller sortere dem fra stor til dårlig.

Det er klart, at vi har brug for en forbindelse fra Kundegrupperingstabellen ned til Kundertabellen , fordi vi skal gruppere vores kunder på en bestemt måde.

Lad os springe ind og se på mine kunder, jeg skal segmentere.

Det er her de beregnede kolonner inde i disse opslagstabeller kommer ind.

Opslagstabeller og beregnede kolonner

Tabellerne inde i det blå felt er det, vi kalder opslagstabeller .

Det er her vi kan placere vores beregnede kolonner .

Nu tror nogle af jer måske, at I kan gøre denne dynamisk ved hjælp af mål. Nå, det kan du absolut.

Jeg ønskede dog at gøre dette fra et bestemt tidspunkt. Dette er situationsafhængigt, og du kan bruge enten beregnede kolonner eller mål.

Ved hjælp af beregnede kolonner ville jeg se på vores salg fra et bestemt tidspunkt. I dette tilfælde ville jeg specifikt se på 2016-salget og 2015-salget .

For at gøre dette brugte jeg funktionen CALCUATE og placerede et filter inde i den, så jeg kun får salg for en bestemt tidsperiode.

Beregning af salgsforskel

Så ud fra 2016-salg og 2015-salg kan jeg udlede salgsforskellen ved hjælp af denne formel:

Salgsforskellen er , hvor vi kan begynde at segmentere vores kunder baseret på salget.

Brug af SWITCH-logikken

Salgsforskellen mellem 2016 og 2015 vil afgøre , hvilken præstationsgruppe vores kunder skal sidde i. Det er her SWITCH- logikken kommer ind.

Detlogik giver dig mulighed for at oprette yderligere dimensioner, der ligner indlejrede IF-sætninger , der ser bedre ud.

Vi kan lave udsagn, der siger, at hvis en kundes salgsforskel er større end eller lig med $200.000, så er han eller hun en fantastisk kunde.

Det er sådan, vi bestemmer, hvilket segment eller hvilken gruppe vi skal placere vores kunder i. Denne teknik er yderst tilpasningsdygtig og kan placeres på tværs af enhver dimension og enhver opslagstabel.

Du kan forenkle dette yderligere ved ikke at bruge salgskolonnerne for 2016 og 2015 og kolonnen Salgsforskel. Du kan bare sætte al logikken inde i målingen.

Men i dette tilfælde ville jeg vise dig, hvordan du bruger beregnede kolonner i opslagstabeller til at oprette disse informationssegmenter.

Hvis vi går tilbage til vores endelige visualiseringer, denne særlige slicer

kommer fra denne tabel.

Dettabel filtrerer derefter de beregninger og logik, vi har lavet i tabellen Kunder . Derefter filtreres forholdet ned til de andre tabeller.

Sådan kan alle vores visualiseringer opdateres baseret på det kundesegment, vi vælger på sliceren.

Gennem denne tutorial var vi i stand til at fremvise kundesegmenteringsteknikker og vise forskellige måder at opdele vores data på.

Det vidundere ved det hele er, at det ikke fandtes i vores egentlige model; vi var nødt til at oprette det ved hjælp af logik.

Konklusion

I de fleste tilfælde ønsker du at fokusere på dine topkunder, fordi det er der, de fleste af dine gode resultater kommer fra. Så du ønsker at identificere tendenser omkring ydeevne og foretage en dybdegående gennemgang af dette specifikke segment af dine data .

Ved at bruge denne teknik kan vi isolere vores gode kunder og finde ud af, hvorfor de er gode. Vi kan forstå, hvorfor de har præsteret godt og forsøge at kopiere det på tværs af alle de andre kunder, der har præsteret dårligt.

Det er, hvad denne tutorial handler om. Du kan genbruge disse kundesegmenteringsteknikker på tværs af en række analytiske scenarier. Det behøver ikke kun at handle om kunder, men det er det emne, jeg fokuserede på i dette særlige tilfælde.

For mere praktiske måder at bruge LuckyTemplates til at finde kraftfuld indsigt, der betyder noget, kan du tjekke dette kursusmodul på LuckyTemplates Online. Masser at lære af med dette ene kursus.

***** Lærer du Lucky Templates? *****