Sådan evaluerer du klynger i dine data ved hjælp af DAX-teknik i LuckyTemplates

I denne tutorial vil jeg vise dig, hvordan fremvisning af klynger i dine data gør det muligt for dig at udtrække langt overlegen indsigt, end hvis du bare havde et punktdiagram med en hel masse information plantet derinde. Du kan se den fulde video af denne tutorial nederst på denne blog.

Jeg vil gennemgå nogle avancerede DAX-teknikker, som du skal bruge i kombination med datamodellen. Hvis du bruger dem godt, åbner de analytiske muligheder sig væsentligt for dig, og du kan virkelig fremvise indsigt på en effektiv måde.

I dette særlige eksempel forsøger jeg at se, om der var nogen grund til, at vi ser en vis klynge af vores kunder baseret på deres præstation .

Ved at overlejre noget logik (inden for en DAX-formel) på tværs af en sekundær tabel, er jeg i stand til at klassificere, om en kunde er god, okay, dårlig eller god.

Så ved at bruge denne nye dimension i mit punktdiagram, kan jeg se, om der vises en klynge af resultater baseret på den logik, jeg lige har implementeret.

Indholdsfortegnelse

• Sådan visualiserer du klynger i dine data
  • Inde i datamodellen
  • Integrering af logik i dimensionen
  • Oprettelse af visualisering
• Konklusion

Sådan visualiserer du klynger i dine data

I denne visualisering ser vi på hver enkelt kunde i vores datasæt. Der er masser af kunder, og vi analyserer kunderne ud fra deres avancer i deres samlede salg. På højre side har vi en klynge af højtydende kunder eller kunder med højere margin.

For at opnå dette er vi nødt til at skabe en logik, der gør os i stand til at visualisere disse klynger af information og bygge den logik ud fra, hvilken overskudsgruppe disse kunder sidder i.

Det vigtigste her er, at disse overskudsgrupper faktisk ikke eksisterer i datamodellen, så vi skal bygge denne logik og derefter overlejre den.

Dette eksempel er blot en af ​​de mange måder, vi kunne gøre dette på. Vi kunne se på profitvækst, marginvækst og en række ting, hvor vi har brug for enhver form for logik og bringe det ind her. Vi kan derefter identificere ethvert mønster eller klynge af information, der virkelig kan udtrække noget indsigt for os.

Inde i datamodellen

Når man ser på datamodellen, er den første ting at bemærke, at vi har lavet en understøttende tabel her. En understøttende tabel bruges normalt nogle gange som en parametertabel, men i dette tilfælde vil vi bruge en logik, der integrerer den understøttende tabel i vores kernemodel.

Inde i vores støttebord analyserer vi, hvilken kundegruppe ud fra lønsomhed, som disse kunder sidder inde i.

Så for eksempel, hvis kunden har genereret over $25.000 i overskud, så vil de være en topkunde, mens de mellem $20.000 og $25.000 vil være en god kunde, så videre og så videre.

Integrering af logik i dimensionen

I kundetabellen bruger vi støttetabellen og byggede derefter noget logik.

Nogle af jer tror måske, at det er bedre at udvikle al denne logik inde i denne beregnede kolonne - ja, absolut - men nogle gange finder jeg det ikke praktisk, især når den understøttende tabel har f.eks. 10 forskellige stykker logik, som du skal arbejde igennem .

Ja, du kunne bare udvikle en virkelig kompliceret beregnet søjle, men jeg tror, ​​det ville være så meget nemmere at placere dem inde i en understøttende tabel, og så skrive simpel logik som denne, som ville integrere dem.

I denne logik her, BEREGNER vi , hvilken gruppe hver kunde sidder i. Gruppen vil blive returneret af funktionen , og så er FILTER -funktionen det, der skaber iteration for at iterere gennem logikken.

Så hvad er den samlede fortjeneste for hver kunde her ; sidder den mellem MIN og MAX for nogen af ​​vores grupper. Hvis det gør det, så returner den gruppe. Og det er sådan, vi skaber disse overskudsgrupper .

Oprettelse af visualisering

Nu hvor vi har denne dimension, kan vi bruge den i vores visualiseringer til at identificere disse klynger. Så vi opretter et spredningsplot og bringer derefter vores overskudsmargener ind i Y-aksen og Salg i X-aksen .

Men hvis vi trækker Kundenavn ind , vil vi se her, at vi har oprettet nogle oplysninger, men de viser ikke rigtig nogen værdi. Det ville fremvise meget bedre, hvis vi opretter klynger af information.

 Så for at gøre dette skal vi bare udfylde punkterne og ændre et par datafarver for at sikre, at nogle skiller sig ud. Ved at udføre disse enkle justeringer kan vi nemt identificere og udtrække meget mere information inde i vores visuals .

Støttebordet er et virkelig nøglekoncept at komme rundt og forstå, når du brugerfordi vi kan integrere det på så mange måder.

Der er mange måder, hvorpå vi kunne identificere klynger baseret på en række forskellige metrics, da der er så mange forskellige scenarier, som vores data kan kræve, at vi analyserer.

Find mønstre i dine data med intern logik ved hjælp af LuckyTemplates & DAX

Konklusion

Der er lidt til denne teknik, men at vise klynger i dine data ved hjælp af logik er virkelig kraftfuldt, og der er så mange måder, du kan replikere dette i andre scenarier eller på tværs af dine egne data.

Det er i sidste ende det, jeg vil have dig til at uddrage fra denne tutorial, jeg har lavet, da de analytiske muligheder vokser eksponentielt omkring denne type teknik.

Dette er en avanceret teknik, så bliv ikke for bekymret, hvis det ikke giver mening med det samme, men prøv det helt sikkert. Du vil hurtigt opdage, at du opdager nogle virkelig interessante indsigter, som du ikke havde før.

Skål!