Løs en dataanalyseudfordring med LuckyTemplates Accelerator

Til dette indlæg vil jeg lede dig gennem et scenarie i det virkelige liv, hvor du måske befinder dig i en lignende situation, hvor du bliver bedt om noget af en interessent, og du skal oprette en rapport hurtigt baseret på det, de beder om. Det er præcis, hvad LuckyTemplates Accelerator- dataanalyseudfordringen handler om. Du kan se den fulde video af denne tutorial nederst på denne blog.

I denne særlige accelerator har Brian (vores chief content officer hos LuckyTemplates) skabt et scenarie, hvor du kan bruge dine analytiske evner.

Med LuckyTemplates kommer beherskelse i at forstå, hvordan du kan anvende bestemte teknikker til forskellige miljøer og forskellige scenarier. For at kickstarte speederen vil jeg arbejde mig igennem problemet og se, hvordan det viser sig.

Indholdsfortegnelse

• The Brief For The Data Analytics Challenge
• Oprettelse af en ny måletabel til dataanalyseudfordringen
• Oprettelse af det samlede salgsmål for dataanalyseudfordringen
• Hvilke stater er salget højt eller lavt?
• Hvor mange salg lavede de 5 bedste produkter?
• Hvem er de 10 bedste sælgere?
• Konklusion

The Brief For The Data Analytics Challenge

Her er kort for denne dataanalyseudfordring:

Din chef kommer ind på dit kontor mandag morgen og ser stresset ud. Hun fortæller, at vi har mulighed for at erhverve en af ​​vores hovedkonkurrenter, og at den administrerende direktør ønsker en briefing fra COB for at besvare følgende spørgsmål om opkøbsmålet:

1. Hvad var deres højeste og laveste salg i et givet år?
2. I hvilke stater var deres salg højt? Lav?
3. Hvor mange salg lavede de i deres top 5 produkter hvert kvartal?
4. Hvem var deres top 10 sælgere i et givet år, og hvad var $-værdien af ​​deres salg?

Bare ved at se på dette kort ved jeg allerede, at vi vil bruge en eller anden form for rangeringsformel. Rangeringsformlen kommer til at være ens for alle disse krav, og vi ændrer blot konteksten.

Vi har også lidt af en mock-up af, hvad interessenten ønsker at se.

Som du kan se, er dette en meget almindelig hændelse i den virkelige verden, hvor du får et hurtigt spørgsmål, og du hurtigt skal kaste noget sammen ved hjælp af en mock-up og en disposition.

Det er præcis det, vi ønsker, at vi skal handle om, som er en dataanalyseudfordring, hvor alle helt sikkert kan hoppe ind og blive involveret.

Oprettelse af en ny måletabel til dataanalyseudfordringen

Det første, jeg skal gøre, er at lave en ny måletabel, fordi modellen allerede er bygget.

Alt jeg skal gøre er at tænke over logikken for at tilføje og beslutte hvilken rangeringsfunktion der skal bruges mellem eller .

Lad os lige hurtigt finde ud af, hvor salget kommer fra i vores datasæt. Det ser ud til, at linjesalget er vores indtægtskolonne.

Oprettelse af det samlede salgsmål for dataanalyseudfordringen

Jeg vil lave en ny foranstaltning.

Jeg har tænkt mig at kalde dette mål Total Sales , og lave en simpel sum af linjesalgskolonnen.

Jeg kan bare skille mig af med den søjle, som jeg ikke har brug for, så sørg for at lave målingen om til en målegruppe. Jeg har også min Dato-tabel opstillet i min model, som jeg laver om til et linjediagram, og derefter griber mit samlede salg og trækker det ind i værdiområdet.

Som du kan se, er dette diagram for travlt. Vi skal have måneden og året, så vi kan se dette mere klart. Jeg vil ændre konteksten her.

Dette er ikke sorteret korrekt, så jeg skal gå til min Dato-tabel , finde min Måned & År-kolonne og derefter bruge en understøttende kolonne kaldet Måned & År . Du kan oprette en Dato-tabel fra vores forum eller fra Analyst Hub.

Diagrammet ser så meget bedre ud nu og ligner mere det, vi havde brug for i mock-up'et.

Den næste ting at gøre er at oprette et filter for året, fordi vi vil være i stand til at opdele det efter år. Så jeg har tænkt mig at lave en vandret skæremaskine og placere denne i øverste højre hjørne.

Hvilke stater er salget højt eller lavt?

Det næste spørgsmål i kort er, hvilke stater er salget højt eller lavt ? Vi bliver nødt til at få vores tilstande ind i en tabel, så vi går til kolonnen Locations, vælger State og forvandler den til en tabel.

Jeg laver altid ting om til en tabel for at kunne se de resultater, jeg rent faktisk får. Jeg vil også indsætte mit samlede salg og derefter formatere valutaen.

Jeg har lige indset, at jeg ikke engang behøver at bruge en rangeringsfunktion, fordi jeg allerede kan foretage rangordningen her. Jeg kunne lave dette om til et formkort og se op- og nedture på denne måde.

Jeg kan også bruge et donutdiagram, hvis jeg vil. Der er masser af måder at fremhæve dataene på, og jeg behøver slet ikke bruge en rangeringsformel.

Hvor mange salg lavede de 5 bedste produkter?

Det næste spørgsmål fra briefen er, hvor mange salg de lavede fra deres top fem produkter hvert kvartal? Lad os se på, hvad mock-up'en beder os om.

Vi skal grundlæggende finde ud af, hvad vores top fem produkter er, og se, hvor mange salg de laver i hvert kvartal. Det her er lidt hårdt, men det kan bestemt lade sig gøre.

Lad os få fat i kvartalet og året og bringe det ind til vores bord.

Og indbring derefter vores samlede salg for hvert kvartal.

Vi skal også have et kig på vores produkter og se, hvad vores topplacerede produkter er. Lad os finde produktdimensionen.

Vores top fem produkter er 63, 28, 51, 67 og 34.

Jeg skal isolere disse top fem produkter og derefter få det samlede salg af netop disse fem ved hjælp af en funktion kaldet TOPN. Jeg vil tilføje en formel og bruge , som sætter mig i stand til at ændre konteksten.

Det er her, det bliver lidt mere vanskeligt og tvetydigt, for ser vi på de fem bedste produkter på årsbasis, eller ser vi på de fem bedste produkter for hvert kvartal?

For mig er dette spørgsmål at spørge, hvad de fem bedste produkter er for hvert kvartal. For at besvare dette spørgsmål bliver jeg nødt til at se på alle mine produkter, og det er grunden til, at jeg indsætter min produkttabel i beregningen og placerer dem i en faldende rækkefølge, fra højeste til laveste.

For hvert andet kvartal vil den rangere dem fra top til bund, derefter bringe de fem øverste produkter baseret på det samlede salg og derefter returnere hvert produkts salg.

Hvis jeg bringer dette ind i min tabel, kan vi se, at $450.482 af salget fra kvartal 1 kom fra de fem bedste produkter.

For at dobbelttjekke kan vi bare klikke på en fjerdedel og scanne listen ned. Husk, at vi ikke ser på de fem bedste produkter over et år. Vi ser på de fem bedste produkter i hvert enkelt kvartal, og disse produkter kan ændre sig.

Vi kan tage dette til næste niveau og komme med vores top fem i forhold til alt salg. Du skal blot dividere de fem bedste med det samlede salg.

Her er vores top fem produktsalg sammenlignet med alt salg.

Hvem er de 10 bedste sælgere?

Det næste spørgsmål, vi vil tage fat på, er, hvem er de 10 bedste sælgere i et givet år, og hvad var dollarværdien af ​​deres salg? Dette er endnu en interessant. Lad os dykke ned i sælgere.

Lad os bringe vores samlede salg ind sammen med sælgere . Vi kan se, hvem vores top 10 performende sælgere er.

Men hvis jeg kun vil returnere top 10, bliver jeg nødt til at oprette en placering. Jeg vil navngive foranstaltningen Top 10 sælgere og bruge. Tricket her er at bruge ALLE sælgere, så jeg kan fjerne al kontekst fra sælgerkolonnen og rangere salget i forhold til hver sælger.

Jeg kan skrive et hvor hvis RANKX er mindre end eller lig med 10, så returnere det samlede salg; hvis ikke, skal den være lig med blank.

Nu skal jeg bare hente de 10 bedste sælgere, og for alt andet bliver det tomt.

Så slipper jeg for det samlede salg og bruger visualisering som denne:

Lad os rydde lidt op her, og bruge en mørk og hvid kontrast. Jeg slipper også for ordombrydningen for titlerne på aksen og bruger formatmaleren til at lave ændringer.

Der er ting, vi stadig kan forbedre her. Jeg vil ændre det visuelle øverste venstre billede til et søjlediagram, fordi linjediagrammet ikke er den største repræsentation af tid, tilføje dataetiketter og fjerne aksen for at gøre det visuelle renere.

En anden ting, jeg kan gøre, er at skabe noget logik for virkelig at fremhæve topsalget og lavt salg. Vi kan tilføje dataetiketter til top 10 sælgere-visualen, placere dem inden for søjlerne og tilføje en anden blå nuance.

Jeg er nødt til at ændre lidt på farverne for at sikre, at dette stemmer overens med vores farveskema. Og så laver jeg en tekstboks og skriver noget som dette:

Denne tekstboks gør det nemmere at se årssnitteren.

Hvad kan vi gøre for det samlede salg pr. stat? Kortet er ikke det bedste visuelle – helt ærligt, jeg elsker det ikke.

Vi kunne bruge et mørkere tema til kortet for at få det til at passe med resten af ​​rapporten.

Potentielt kan vi også bruge kortboblerne og gøre dem en lille smule større.

Vi kan placere vores samlede salg efter stat til venstre og omarbejde de andre tabeller. Vi kan vælge New York som en stat til venstre, og det vil ændre konteksten for de andre billeder.

Så hvordan kan vi repræsentere disse data lidt anderledes? Måske kan vi have to tabeller for Quarter & Year , og så ændre indsigten inde i den anden tabel.

Rapporten er nu i stand til at besvare alle spørgsmål fra briefen, og begynder at se ret godt ud.

Konklusion

Forhåbentlig har du nydt at arbejde sammen med mig gennem denne dataanalyseudfordring. Vi har en meget dynamisk rapport baseret på det indhold, der blev produceret i Acceleratoren.

Det er et spørgsmål om at trække de rigtige teknikker fra din hukommelsesbank, og når du først er bekendt med alle de forskellige muligheder, vil du blive ret overrasket over, hvor hurtigt du kan bringe tingene sammen.

Pas på den næste accelerator. Denne dataanalyse-udfordring er et unikt initiativ fra. Vi har også en træningsworkshop hver fjortende dag, som alle kan deltage i og diskutere i fællesskab. Vi sørger også for, at de, der lige er startet, bliver fortrolige med forskellige måder at løse deres egne dataproblemer.