Oprettelse af fremadrettede prognoser i LuckyTemplates ved hjælp af DAX

I denne blog vil vi gennemgå, hvordan du kan oprette automatiseret prognose fra historiske data i LuckyTemplates . Dette er almindeligt i virksomheder at lave prognoser og budgetter. Du kan se den fulde video af denne tutorial nederst på denne blog.

Har du nogensinde ønsket at oprette automatiske prognoser baseret på historiske oplysninger ? Tidligere var dette relativt svært at gøre ved hjælp af værktøjer som Excel, men du kan nemt gøre dette inde i LuckyTemplates .

Historisk set kunne du have hentet information og opsummeret det i en tabel og brugt det som et benchmark. Men i videoen viser jeg dig, hvordan du kan skabe benchmarks og prognoser dynamisk . Dette er en mere effektiv og effektiv måde at projicere tal frem på og giver dig mulighed for at sammenligne, hvordan du rent faktisk præsterer med en tidligere periode eller en kombination af tidligere perioder.

Det, vi skal gøre, er at se på historiske tidsperioder og bruge dem som værdier i vores ligning til at projicere en fremadrettet prognose.

Jeg vil bruge tidsintelligensfunktioner i LuckyTemplates til at vise, hvordan du kan gøre dette på en meget dynamisk måde.

Ved at kombinere flere teknikker i , kan du opnå disse virkelig gode indsigter. I dette tilfælde borer vi bare i prognoser og forsøger at skabe fremadrettede benchmarks, så vi kan sammenligne vores faktiske resultater med noget, der rent faktisk giver mening.

Indholdsfortegnelse

• Sådan opretter du automatiseret prognose fra historiske data
• Brug af variabler til at oprette et mål for en 3-årig prognose
• Oprettelse af visualisering
• Konklusion

Sådan opretter du automatiseret prognose fra historiske data

I mange tilfælde er din prognose udledt af dine historiske resultater. Så jeg vil vise dig, hvordan du hurtigt kan få fat i historiske data, konsolidere dem og derefter oprette en prognose ud fra dem, som stadig er tilpasset hele din datamodel. 

Lad os antage, at vi allerede har nogle salgsoplysninger allerede, og vi har vores salgsberegning her. 

Så vi skal finde en måde at projicere frem mod 2018. Vi ønsker at udarbejde vores salgsprognose i 2018. Hvis du ser på dette filter nede i højre side, har jeg faktisk kun filtreret for 2018, så vi' ser kun på 2018 her. 

Nu opretter vi endnu en måletabel ved at klikke på Indtast data, og den vil give dig mulighed for at oprette en måletabel. Lad os kalde denne tabel Salgsprognose . Hvis du kan vænne dig til at lave disse måletabeller, vil det gavne dig enormt med hensyn til at organisere din model. 

Dernæst opretter vi et nyt mål ved hjælp af tidsintelligensfunktioner til at lave vores salgsprognoser fra 2017's tal. Så vi går til New Measure, og lad os kalde dette Salgs-LY og gå til BEREGN efter Total Sales . Vi kunne gøre det samme for enhver af vores metrics, men i dette eksempel vil vi arbejde på salg.

Og vi har brug for en, som er en af ​​de bedste tidsintelligensfunktioner bare på grund af den fleksibilitet, du har med den. Så springer vi et år tilbage her ( -1 ), og sætter vores interval ( ÅR ) op her. Tryk derefter på Enter.

Hvis vi griber dette og trækker det til bordet, vil vi se, at vi nu projicerer alle data fra 2017 frem . Så vi fik vores første kolonne med information af de tre, som vi skal beregne i dag.

I dette eksempelscenarie skal vi også springe to år tilbage, fordi vi vil udarbejde en treårsprognose. Så for at gøre det andet år kopierer vi simpelthen mønsteret og laver et par justeringer.

Vi ændrer navnet på målingen og parameteren indeni, og vi fremskriver nu vores salg fra to år siden. Vi vil også gøre præcis det samme for de 3 år siden.

Og nu har vi tre års information, som vi nu kan skabe ind i vores prognose.

Brug af variabler til at oprette et mål for en 3-årig prognose

Der er en anden måde at gøre dette på på en effektiv måde for at skabe en LuckyTemplates-prognose. Vi bruger variabler til at oprette en måling i stedet for tre og få nøjagtig det samme resultat, som vi søger.

Så vi går til New Measure endnu en gang, og lad os kalde det Sales Forecast for dette . Vi går VAR (variabler), derefter Salg LY på næste linje. Det samme gør vi på de næste par rækker for 2 og 3 år siden .

Hvorefter vi kan hoppe ned og gå RETURN, og her kan vi sætte logikken ind. Vi bruger DIVIDE med vores tre års data, så vi opsummerer Salg LY, Salg for 2 år siden og Salg for 3 år siden . Derefter dividerer vi det med 3 . Vi vil også sætte vores alternative resultat, som er 0 .

Vi sætter bare alle tre mål, vi lavede tidligere, inde i variabler, vi får det samme resultat. Jeg kan varmt anbefale dette, da det er mere effektivt. Vi har nu vores salgsprognose, og vi har et gennemsnit af alle disse tre.

Desuden ønsker vi at se en vis stigning i vores salg, ikke? Så lad os lave en prognose for at fremvise en vækstrate på fem procent . For at gøre dette tilføjer vi simpelthen en FAKTOR i vores formel og ganger derefter den sidste række med faktoren .

Oprettelse af visualisering

Når alle de nødvendige formler er oprettet, omdanner vi dette til visualiseringer og ser tydeligt vores LuckyTemplates-prognose. Og vi har nu en virtuel salgsprognose, der viser, hvor meget vi skal tjene hver eneste dag for at nå vores prognose.

Vi kan også sætte dette inde i et kumulativt samlet mønster . Så vi går hen og laver et nyt mål og kalder det kumulativ prognose . På næste linje sætter vi BEREGN Salgsprognose ind . Gå derefter til FILTER efter datoer . 

Når vi har det, lægger vi det ned her og gør det til en kumulativ total, og nu fik vi en kumulativ prognose, som vi kunne måle kumulativt i forhold til vores faktiske resultater, så snart vi kom ind i 2018. 

Den fedeste måde at gøre dette på er, at den linker op til datamodellen . Så dine prognoser kan filtreres efter hvad som helst i datamodellen, fordi de stammer fra historisk information, der ligger på en tabel i datamodellen.

Med dette kan vi nemt gå hen og filtrere efter produktnavn her. Vi får fat i vores salgsprognose for produktnavnet, og nu har vi en prognose for mine produkter. 

Dette gør os også i stand til at vælge et bestemt produkt, f.eks. produkt 47. Og når vi ændrer filtrene her, kan vi se, hvor meget vi skal sælge pr. dag for dette produkt, og/eller se dets kumulative resultat tydeligt. 

Konklusion

I denne tutorial har vi gennemgået en masse, såsom tidsintelligens og kumulative samlede mønstre for at skabe en LuckyTemplates-prognose.

Jeg har set dette spurgt et antal gange i kommentarer og fora, og jeg ville bare vise, hvordan det er relativt ligetil at lave en prognose ud fra historisk information i LuckyTemplates.

Jeg håber du finder ud af, at du kan drage nytte af dette og implementere dette i dine egne miljøer. Find en måde at bruge nogle af de teknikker, som vi har gennemgået i denne tutorial. Dyk ned i videoen nedenfor og prøv at bruge de teknikker, jeg viste frem i dit eget udviklingsarbejde.

Alt det bedste!