LuckyTemplates-datamodel til avanceret scenarieanalyse ved hjælp af DAX

Jeg vil her vise, hvor utroligt LuckyTemplates er som analytisk værktøj. Jeg vil lære dig, hvordan du udvikler en LuckyTemplates-datamodel til en avanceret scenarieanalyse . Du kan se den fulde video af denne tutorial nederst på denne blog.

Med LuckyTemplates kan vi opnå så meget, som vi måske aldrig havde troet var muligt.

Udvikling af scenarieanalyselogik inden for en LuckyTemplates-datamodel er nok min foretrukne teknik at bruge, primært fordi det kan være så værdifuldt for virksomheden.

I stedet for blot at se tilbage og rapportere om historisk information, er det, vi kan gøre med scenarieanalyse, nærmest at forudsige fremtiden . Vi kan trække håndtag i vores metrics og på tværs af vores data og se, hvordan det påvirker de endelige resultater. Mulighederne bliver uendelige!

Næsten ethvert datasæt, der udforsker information over tid, kan bruge denne teknik eller en form for de teknikker, som vi gennemgår i denne tutorial. Vi vil også gå ind i måleforgrening , hvordan man bruger parametertabeller , hvordan man indsætter variabler i mål , og meget mere.

Indholdsfortegnelse

• Eksempel på scenarieanalyse: virkningen af ​​prisændring
• Samlet salg med SUM vs Samlet salg med SUMX
• Oprettelse af en understøttende tabel for at vise prisændringsprocent
• Høst Den valgte prisændringsprocent
• Viser alle salgspåvirkninger af udvalgte produkter
• Viser salg af udvalgte produkter
• Udarbejdelse af hovedberegningen
• Forgrening til flere tiltag for mere indsigt
• Oprettelse af overbevisende visualiseringer for at vise resultaterne
• Konklusion

Eksempel på scenarieanalyse: virkningen af ​​prisændring

I denne tutorial skal vi analysere virkningen af ​​prisændringer på vores samlede omsætning. Vi vil opsætte vores model, chokere priserne på bestemte produkter og derefter se dens indvirkning på hele den salgsportefølje, vi har.

I vores datamodel har vi vores kunder, produkter, regioner, datoer og salg.

I vores Salgstabel, som er en faktatabel, har vi her vores Enhedspris.

Vi er nødt til at isolere denne enhedspris, som giver os vores samlede omsætning og på en eller anden måde chokere den med et scenarie . For eksempel vil vi hæve vores priser med 10 % eller 20 %, og vi ønsker at se virkningen af ​​prisændringen.

Samlet salg med SUM vs Samlet salg med SUMX

Først ser vi på vores nøglemål her kaldet Samlet salg . 

Det er et simpelt mål, der blot opsummerer kolonnen Samlet omsætning , og det er ikke nok til at køre denne analyse . Samlet omsætning har allerede taget højde for denne enhedspris. Så vi skal beregne den samlede omsætning, men bruge ordremængden og enhedsprisen , og det kan vi gøre ved at bruge .

Denne formel går gennem salgstabellen . For hver række i salgstabellen ganges ordremængden med enhedsprisen for hver række. Vi sætter dette på en tabel med vores Datoer, og vi kan se, at vi får præcis det samme resultat, men det er kun beregnet på en anden måde.

Denne Total Sales SUMX-formel er, hvor vi bygger vores scenarier, fordi vi kan isolere enhedsprisen, og vi kan nu chokere den. Det næste, vi har brug for, er den procentvise prisændring, som ikke findes i vores datamodel, så vi er nødt til at oprette den.

Oprettelse af en understøttende tabel for at vise prisændringsprocent

For at oprette en ny tabel, som viser prisændringerne, går vi Indtast data og udfylder kolonnerne.

Vi indtaster de prisændringer, som vi ønsker, såsom 2%, 5%, 10% osv.

Når vi først har indlæst det, vil det skabe en tabel for os, men denne tabel har intet forhold til vores datamodel.

Derefter sørger vi for at formatere dette til en procentdel.

Nu hvor vi har dette støttebord, kan vi bringe det ind og forvandle det til en skæremaskine.

Dette gør os i stand til at foretage et udvalg af, hvor meget prisændring vi ønsker at køre og lave en analyse. Derefter bliver vi nødt til at oprette en foranstaltning, der vil høste den prisændringsprocent, der vælges i udskæringen.

Høst Den valgte prisændringsprocent

I denne formel ( prisændring / prisscenarie ), som vil høste den valgte prisændringsprocent, bruger vimed vores prisændring . Så medvil det svare til prisændringsprocenten . Hvis det ikke er det, vil det være nul (0) ændring.

Med denne foranstaltning får vi nu prisændringen baseret på et udvalg. 

Når vi ikke vælger noget, viser den 0 %, så det er fantastisk. Ingen fejl.

Det kan vi nu integrere i vores beregninger.

Vi trækker dette ind, og vi har dette dynamiske Scenario Salg baseret på den procentvise ændring.

Hvis intet er valgt, vil det være nøjagtigt det samme.

Viser alle salgspåvirkninger af udvalgte produkter

Der er dog lidt af et problem her. Når vi for eksempel vælger tre af disse produkter, påvirker det alt. Al kontekst har ændret sig, og nu ser vi kun Scenario Salg for kun disse tre produkter.

I denne analyse ønsker vi at se indvirkningen på alt vores salg baseret på blot prisændringen på visse produkter. Så uanset hvilket valg der er foretaget, ønsker vi at få resultaterne i vores samlede salg, som ikke ændres baseret på valget.

For at gøre dette opretter vi et andet mål og kalder det Alle salg . Vi vil brugefunktion til vores samlede salg , så vi beregner stadig det samlede salg, men vi går til Produkter .

Vi trækker dette ind i vores tabel, og hvis vi vælger et produkt, forbliver de samlede salgsresultater nøjagtigt de samme, hvilket vises i kolonnen Alle salg.

Viser salg af udvalgte produkter

Desuden ønsker vi at finde ud af det samlede salg af det eller de produkter, vi vælger . I dette tilfælde opretter vi en separat beregning bare for at sikre, at der ikke er noget problem i vores beregninger. Vi kan have en ekstra skæremaskine, men den kan justere beregningen. Vi vil sikre os, at filtre er slået til eller fra de korrekte valg. 

Sådan skriver vi målet eller formlen.

Vi bruger CALCUATE Total Sales igen. Gå derefter til Produkter . Hvis vi placerer dette i vores bord, vil vi se, at når vi vælger produktet, giver det os kun salget for det specifikke udvalg.

Udarbejdelse af hovedberegningen

Nu kan vi oprette vores hovedberegning for at fuldføre vores analyse. Vi vil bruge vores eksisterende nøglemål til at opbygge denne beregning.

Så vi starter med vores alle salg , og vi trækker udvalgte salg fra , som er salget uden indvirkning på det. Så tilføjer vi Scenario Salg igen .

Hvis der ikke vælges noget produkt, vil ændringen i vores udvalgte scenariesalg være nøjagtig den samme som vores scenariesalg.

Men hvis vi vælger nogle produkter, er resultaterne for Salg af udvalgte scenarier anderledes, fordi formlen for salg af udvalgte scenarier beregner hele porteføljen ved at øge de valgte produkter med den valgte procentdel.

Forgrening til flere tiltag for mere indsigt

Herfra kan vi gå endnu længere. Vi kan have faktiske forhold versus scenarier , hvor vi trækker alle salg fra udvalgte scenarier .

Så hvis vi kan tilføje dette i tabellen, kan vi se den ekstra omsætning pr. dag, som vi potentielt ville opnå ved at øge prisen med 10 %.

Vi kan også tilføje en anden tidsramme, hvis vi for eksempel kun vil se på et bestemt år.

Desuden kunne vi se på den procentvise ændring af vores faktiske forhold vs. scenarier . Vi kan få dette ved at dividere (ved hjælp affunktion) Faktiske vs. scenarier efter alle salg, og så placerer vi nul som det alternative resultat.

Hvis der ikke er valgt noget produkt, vil det give det valgte prisscenarie, hvilket er 10 % i dette tilfælde.

Men når vi for eksempel vælger disse produkter, er resultaterne anderledes, fordi vi kun øger prisen på disse tre produkter.

Oprettelse af overbevisende visualiseringer for at vise resultaterne

Nu hvor vi er færdige med vores beregninger, kan vi opsætte nogle visualiseringer for at få dette til at se mere overbevisende ud. Vi tilføjer nogle farver for at gøre det mere visuelt tiltalende.

Vi kan også tilføje nogle dataetiketter. 

Med denne opsætning af visualisering kan vi dynamisk chokere ethvert af vores produkter ved enhver prisændring, som vi har i vores slicer.

Vi vil måske også tilføje et kort mere, som vil give os en opsummerende metrik.

Så for eksempel ��nsker vi at øge prisen med 20 % af vores top fire produkter, resultaterne i vores visualiseringer vil ændre sig dynamisk, når vi vælger prisændringen og produkterne.

Og det er sådan, vi bygger en LuckyTemplates-datamodel specifikt til en avanceret scenarieanalyse.

Konklusion

Dette er ret avanceret, men meget opnåeligt. Det kræver bare meget øvelse og får dig også virkelig til at fokusere på dine data. Det får dig til at tænke grundigt over den slags indsigt, du vil teste omkring dine fremtidige resultater. Prøv at identificere de variabler i dine datasæt eller beregninger, som du kan "chokere" eller justere for at gennemgå deres indvirkning på din underliggende præstation.

Jeg anbefaler stærkt denne LuckyTemplates datamodeludviklingsteknik. Sørg for at prøve at inkorporere det i dine modeller, så du indlejrer koncepterne i dit sind og tager dem endnu længere.

Held og lykke med denne!

***** Lærer du Lucky Templates? *****