I dette blogindlæg vil jeg vise dig detaljeret, hvordan du kan opdage unormale adfærdsmønstre i dine LuckyTemplates-datasæt . Dette er ikke noget, der umiddelbart vil skille sig ud, når du kører analyse på tværs af dine data, så du skal tænke ret analytisk over det. Du kan se den fulde video af denne tutorial nederst på denne blog.
Ved at tænke dybt over, hvad du vil opnå, og derefter opsætte en datamodel, der fungerer til disse typer beregninger, kan du opnå resultater af høj kvalitet.
I dette eksempel vil vi forsøge at forstå, hvad en kunde tidligere har gjort. Vi vil også vurdere, om de seneste køb er normale eller unormale i forhold til, hvad der er sket tidligere.
Indholdsfortegnelse
Opdag outliers i dine LuckyTemplates-datasæt
Lad os tænke over dette fra et kommercielt perspektiv. Lad os sige, at vi er en onlineforhandler, et flyselskab eller et supermarked, og vi skal implementere et loyalitetsprogram.
Vi er nødt til at se på vores kundedatasæt for at vide, hvor meget en kunde faktisk har købt for hvert enkelt kvartal i forhold til hvad de købte i gennemsnit.
Lige pludselig ser vi en massiv stigning eller et fald i købsmønstre eller købsadfærd. Vi ønsker at forstå, hvorfor de køber meget mere end normalt, eller hvorfor de køber mindre end normalt.
På denne måde kan vi oprette alarmer i vores CRM-system og derefter lade vores salgsteam målrette mod disse personer ved at uddele rabatter eller kuponer.
Dette er en virkelig kraftfuld indsigt, som du kan udlede fra LuckyTemplates. Den værdi, du kan udvinde fra din analyse, kan påvirke din virksomhed positivt.
Unikke produkter købt
For at beregne det gennemsnitlige købte produkt i et bestemt kvartal, skal vi først beregne de unikke købte produkter. Hvor mange individuelle produkter købte de for hver enkelt kunde?
Vi kan finde ud af dette ved at sige, at for enhver kundesammenhæng vil vi finde ud afaf produkt-id'et i salgstabellen.
Denne formel kommer til at give os hvert eneste unikke produkt, en kunde har købt hos os i den aktuelle kontekst.
Givet formlen ovenfor, når vi klikker på Q1 af 2017, kan vi se, at kunden Aaron Day kun købte 1 produkt.
Gennemsnitlige produkter købt på et kvartal
Dette er den formel, vi vil bruge til at producere denne særlige indsigt. Det kommer til at sige i gennemsnit, hvor meget en bestemt kunde har købt på et kvartal.
Gennemsnitlige produkter købt i alle kvartaler
Den næste ting, vi har brug for, er et benchmark eller et tal for at sammenligne det med noget, så vi kan forstå, hvad der er unormal adfærd.
Vi vil så beregne den samme indsigt, men vi ser ikke på nogen bestemt dato. Vi vil frigive enhver kontekst på datoer.
Hvad denne formel gør, er at returnere de gennemsnitlige unikke produkter i hvert kvartal for en bestemt kunde. Sådan opnår vi netop denne indsigt.
Så nu har vi to værdier. Når vi foretager et valg (f.eks. Q2 2017), vil kolonnen Gennemsnitlige produkter købt i alle kvartaler aldrig ændre sig på grund af funktionen ALLE datoer . Denne funktion fjerner alle filtre, vi har vist fra Dates.
Med hvert valg, vi foretager, vil kolonnen Gennemsnitlige produkter købt på et kvartal ændre sig.
Ved at sammenligne disse to kolonner kan vi vide, hvad der er normalt, og hvad der ikke er.
Vi kan sætte det, vi er kommet frem til indtil videre, i et visuelt diagram for en mere dybdegående analyse. Vi kan meget hurtigt se, hvor mange produkter vores kunder har købt i et bestemt kvartal (højre side) kontra hvor meget de i gennemsnit køber (venstre side).
Vi vil være i stand til at se den unormale adfærd fra vores LuckyTemplates-datasæt og se, hvilke kunder der har øget deres køb. Hvem er disse mennesker, og hvorfor gør de det?
Bevæbnet med de data, vi har indsamlet, kan vi derefter implementere handlingsrettede strategier for at replikere dette.
Vi kan forstærke vores marketingbudskab for at øge indkøbene for dem, der ikke producerer unormal adfærd.
Konklusion
Det er her en unormal, afvigende eller anomali-type analyse tilføjer en masse værdi. Hvorfor? For vi vil gerne forstå, om vores kunder præsterer bedre, eller om sælgerne sælger mere.
Hvis vi kan finde adfærdsmønstre, der er positive for os i et bestemt segment af vores data, kan vi replikere dette på tværs af andre segmenter.
Målet er at kopiere fordelagtig kundeadfærd og anvende den på andre områder af virksomheden.
Denne teknik vil enormt hjælpe med at øge din analytiske tænkning omkring, hvad du kan opnå i LuckyTemplates.
Disse typer analyser og mange flere kan findes i de avancerede LuckyTemplates-moduler på LuckyTemplates Online . For flere detaljer, tjek modulet nedenfor.
Nyd at anmelde denne.
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.
Find ud af, hvorfor det er vigtigt at have en dedikeret datotabel i LuckyTemplates, og lær den hurtigste og mest effektive måde at gøre det på.
Denne korte vejledning fremhæver LuckyTemplates mobilrapporteringsfunktion. Jeg vil vise dig, hvordan du kan udvikle rapporter effektivt til mobilenheder.
I denne LuckyTemplates Showcase gennemgår vi rapporter, der viser professionel serviceanalyse fra et firma, der har flere kontrakter og kundeengagementer.
Gå gennem de vigtigste opdateringer til Power Apps og Power Automate og deres fordele og implikationer for Microsoft Power Platform.
Opdag nogle almindelige SQL-funktioner, som vi kan bruge, såsom streng, dato og nogle avancerede funktioner til at behandle eller manipulere data.
I denne tutorial lærer du, hvordan du opretter din perfekte LuckyTemplates-skabelon, der er konfigureret til dine behov og præferencer.
I denne blog vil vi demonstrere, hvordan man lagdelte feltparametre med små multipler for at skabe utrolig nyttig indsigt og visuals.
I denne blog vil du lære, hvordan du bruger LuckyTemplates rangerings- og brugerdefinerede grupperingsfunktioner til at segmentere et eksempeldata og rangordne det efter kriterier.
I denne tutorial vil jeg dække en specifik teknik omkring, hvordan du kun viser Kumulativ Total op til en bestemt dato i dine visuals i LuckyTemplates.
