Oplev unik indsigt ved hjælp af LuckyTemplates TOPN-funktion
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.
I dette eksempel skal vi dykke ned i lagerstyringsdata og udtrække nogle fantastiske indsigter. Du kan se den fulde video af denne tutorial nederst på denne blog.
Jeg tilføjer lidt mere variation i nogle af LuckyTemplates -udviklingen, som jeg fremviser her, og dette er en ganske unik indsigt omkring styring af dit lager.
Alle data har sine nuancer, så at lære en række forskellige teknikker vil placere enhver analytiker i en god position for de forskellige data, der kan blive lagt foran dig.
Ved at gennemgå dette eksempel på lagerstyring, håber jeg at udvide dit sind omkring, hvordan du kan bruge LuckyTemplates. Den unikke analyse kommer fra, hvor vi skal sammenligne vores nuværende lagerniveauer med det salg, vi faktisk ser i realtid i vores butikker .
Det, vi skal gøre, er at sammenligne historisk salg med det, vi i øjeblikket har på lager, fordi det er sådan, du skal administrere dit lager (hvis du tænker dybt over det et øjeblik).
Ved at forstå dette kan du sikre dig, at du holder trit med efterspørgslen, eller at du har forsyningen til at facilitere enhver bestemt strategisk promovering eller salgsbegivenhed , som du sætter i gang i en virksomhed.
Jeg viser dig, hvordan du bygger din datamodel, hvordan du implementerer den rigtigeberegninger, og hvordan du fremviser dette på en visuel måde, der giver mening og fremhæver indsigten godt for dine forbrugere.
Indholdsfortegnelse
Går over processen
Et vigtigt element for at få lagerindsigt er salgsinformation. Vi skal med andre ord beregne vores salg. For at optimere vores beholdning skal vi dog have en tabel, der er et tidsstempel for en bestemt periode.
For lagerdata vil vi have forskellige lageroplysninger hver eneste dag. På den anden side er salgsoplysninger historiske , så vi ønsker at analysere historiske salgsoplysninger for at sikre, at vi optimerer vores lagerniveauer på et bestemt tidspunkt.
Jeg har forbundet opslagstabeller til disse faktatabeller, salgsdata og lagerstyring . Vi har kunder , lagerkoder og produkter .
Den eneste forskel er datoen . Jeg har oprettet et inaktivt forhold her, fordi jeg ikke ønsker at filtrere denne lagerstyringstabel efter datoen, fordi dette er et tidsstempel.
Hvis vi ser på rapporten her, vil vi se, at slutningen af juli er den sidste dag for vores salg, som eksempel. Så den dag ved vi, hvad vi kan tidsstemple, og vi kan se alle de salg, vi har lavet.
Og vi ønsker at sammenligne, hvor mange salg vi har foretaget inden for de sidste 90 dage, med hvor meget lager, vi rent faktisk har ved hånden . For at opnå dette har vi brug for nogle formler.
Gennemgang af de anvendte formler
Så jeg oprettede et mål, hvor jeg startede med Total Revenue .
Så for at beregne de sidste 90 dage brugte jeg, som giver os mulighed for at have en startdato og en slutdato. Så her startede vi den 30. juni 2016, som er sidste dag i datasættet. Vi beregner, hvor stor omsætning vi har tjent inden for de sidste 90 dage pr. produkt baseret på de to datoer.
Så MAX-datoen vil altid være lig med den sidste dato i vores datasæt, som er den 30. juni. MAX -datoen – 90 har på den anden side givet os det 90-dages vindue til at beregne vores samlede omsætning for den periode for hvert produkt.
Når vi kigger ned i vores tabel, ser vi de produkter, som vi har solgt mest i de sidste 90 dage. Derefter kan vi sammenligne det med den samlede værdi af aktuelle aktier .
Til denne beregning gentager vi hver enkelt række i vores tabel og kan ikke tælle mængden og prisen op pr. Så gør den summen af den samlede værdi.
Med denne beregning kan vi se, hvor meget lager vi har i venteposition for hvert produkt.
Derefter kørte jeg også et lagerforhold, fordi vi måske har et forholdsniveau, som vi ønsker at være på for alle vores produkter, så vi altid vil have nok lagre af produkter til at sælge. Jeg dividerede simpelthen den samlede omsætning i de sidste 90 dage med den samlede værdi af nuværende lager .
Dette giver os et sekundært tal, som vi kan analysere og sortere efter for at se, hvilke produkter der sælger, og hvilke produkter der ikke sælger godt. Og da vi bruger denne fantastiske bordfunktion, kan vi sortere det godt og se klart de laveste kontra de højeste lagerforhold.
Lagerindsigt fra datamodellen
Ud fra resultaterne i tabellen kan vi få betydelige indsigter bortset fra vores lagerbeholdninger.
Lave lagerforhold betyder, at vi sandsynligvis ikke har meget lager om bord, og vi skal have flere, afhængigt af hvilket forhold du vil indstille for at opfylde ordrer i fremtiden.
På bagsiden er høje lagerforhold naturligvis de meget dårligt sælgende produkter. De sælger ikke ret meget, så måske burde vi sænke dem bare for at få dem solgt og ikke sidde og trække vores forretning ned.
Det er virkelig god indsigt, som du kan få fra lagerdataene.
En anden ting er, at dette hænger sammen med vores datamodel , og så har vi faktisk en række varehuse, som lageret kunne holdes på. Vi vil måske optimere det og se vores salg i bestemte regioner og det lager, der er placeret.
Når vi kan klikke på Lageret , kan vi se det lager, som vi i øjeblikket har på det pågældende lager. Vi kan derefter matche det til en slags regional information. Det har jeg ikke gjort endnu, i dette eksempel, men det er styrken ved at bruge datamodellen og sætte disse ekstra filtre på plads.
Beregn dage med nul lager – Inventory Management Insights m/LuckyTemplates
Lagerstyring – LuckyTemplates Showcase
Konklusion
Nøglen til stor lagerindsigt er at forstå datamodellen rigtig godt.
Du skal forstå, at du har to faktatabeller her, og at du skal koble dine opslagstabeller til disse to faktatabeller på en måde, så filtrene fungerer korrekt. På denne måde, når du tilføjer noget kontekst til dine beregninger, beregner filtrene resultater, der giver mening for dig.
Ved at kombinere alle disse teknikker omkring forskellige aspekter af LuckyTemplates er det dér, du virkelig skal komme til for at få rigtig god indsigt.
Alle disse teknikker isoleret set gør ikke nær så meget, som når du kombinerer datamodellen med DAX-beregninger og visualiseringer af virkelig høj kvalitet .
Det er her den virkelige magt ligger i at bruge LuckyTemplates som et analytisk værktøj.
Alt det bedste med at finde ud af, hvordan du kan passe disse typer teknikker ind i dine egne datasæt.
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.
Lær nogle fantastiske analytiske teknikker, som vi kan gøre til datamodellering i LuckyTemplates ved hjælp af DAX-understøttende tabeller.
Her dykker vi ned i LuckyTemplates Advanced DAX og implementerer rangeringslogik for at få en meget unik indsigt. Jeg viser også måleforgrening i dette eksempel.
Denne blog introducerer den nye funktion i LuckyTemplates, What-If-analyseparameteren. Du vil se, hvordan det gør alt hurtigt og nemt til din scenarieanalyse.
Lær, hvordan du afgør, om din omsætningsvækst er god ved at kontrollere, om dine avancer er udvidet ved hjælp af LuckyTemplates, der måler forgrening.
Lær og forstå, hvordan du kan oprette og bruge LuckyTemplates Parameters, som er en kraftfuld funktion i Query Editor.
Denne vejledning vil diskutere om oprettelse af et rundt søjlediagram ved hjælp af Charticulator. Du lærer, hvordan du designer dem til din LuckyTemplates-rapport.
Lær, hvordan du bruger PowerApps-funktioner og -formler til at forbedre funktionaliteten og ændre adfærd i vores Power Apps-lærredsapp.
I denne øvelse lærer du, hvordan du kæder funktioner sammen ved hjælp af dplyr-røroperatoren i programmeringssproget R.
RANKX fra LuckyTemplates giver dig mulighed for at returnere rangeringen af et specifikt tal i hver tabelrække, der udgør en del af en liste over tal.