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 denne blog introducerer jeg LuckyTemplates kohorteanalyse . Dette var et af de emner, som jeg gennemgik i detaljer i en, hvor jeg demonstrerede , hvad kohorteanalyse er, og hvordan du kan gøre det i LuckyTemplates. I denne vejledning lærer du, hvordan du sætter den op i din LuckyTemplates-model. Du kan se den fulde video af denne tutorial nederst på denne blog.
Ideen omkring kohorteanalyse er, at vi grupperer vores kunder ud fra en bestemt adfærd eller egenskab, som de har.
I dette eksempel grupperer vi vores kunder baseret på, hvornår de første gang købte , og derefter skal vi analysere fastholdelsesraten for disse kunder .
Så ideen er at skabe en kohorte af, hvornår kunderne først køber og derefter analyseret over tid, hvor lang tid det tager for dem at komme og købe igen. Vi sammenligner derefter alle kunderne i vores kohorte af alle måneder og ser, om fastholdelsesniveauerne forbedres eller reduceres.
I denne demonstration har vi procenter, hvilket er en god måde at se det på, men vi har også absolutte tal.
Indholdsfortegnelse
Klassificering af kundekøb
Hvis du tænker på kohorte i sig selv, betyder det "gruppering af kunder". Så her regner vi ud, hvornår kunden tiltrådte, eller hvornår de først købte hos os. Det er det, vi klassificerer som tilmeldingsdatoen .
Tilslutningsdatoformlen er kun den mindste købsdato i salgstabellen. Så vi udarbejder minimums- eller laveste dato, som nogen af disse kunder på hver række har købt.
Derefter klassificerede vi dem i deres særlige kohorte baseret på hvilken måned og år de har købt .
For eksempel købte Jesse Evans her den 11. marts 2014, så kunder som Evans vil være i marts 2014-kohorten.
DAX-formler til kohorteanalyse
Formlerne vi bruger her er meget enkle. Tilmeldingsdatoen er kun MIN for ordredatoen ( salg ).
Kohortemåneden er dybest set at finde ud af måneden for den tilmeldingsdato.
Og så bringer vi dem hertil.
Vi kan lave en kohorte på mange forskellige variabler . Dette er blot et eksempel fra den virkelige verden på fastholdelsesrater.
Klassificering af tidsrammer
Den anden ting at klassificere er tidsperioderne . Disse er kun generiske (1, 2, 3 osv.), men vi er nødt til at oprette nogle generiske tidsperioder for at sammenligne alle disse kohorter (januar 2014, feb 2014 osv.), fordi de alle er i forskellige tidsrammer. Vi er nødt til at lave en like-for-like sammenligning af alle disse kohorter over forskellige tidsperioder.
Så det er sådan, vi sætter det op, hvis vi laver denne form for analyse. Vi har periode 1 til 12, og vi fanger Minimum Days og Max Days.
For eksempel, hvis en kunde købte hos os og derefter købte tilbage igen inden for de første 30 dage, vil denne kunde blive klassificeret som den første opbevaringsperiode (periode 1). Hvis kunden har købt hos os igen mellem 120 og 150 dage, er denne kunde i periode 5, og så videre.
Vi ser, at dette bliver gennemført på tværs af alle vores kohorter, selvom disse kunder foretager deres første køb på et senere tidspunkt. Vi sammenligner derefter vores kohorte på et like-for-like-grundlag helt tilbage til januar 2014 ved at bruge den komplekse kombination af beregninger.
Tidsbaseret kohorteanalyse – Sådan opsætter du din datamodel i LuckyTemplates
Konklusion
I Learning Summit dykkede jeg meget længere ned i, hvordan du præcist kan generere dine formler for at kunne gøre dette, men jeg tænkte, at dette ville være en god introduktion. Mange af jer har sikkert ikke engang hørt om kohorteanalyse.
Dette er en ret avanceret analytisk teknik, men jeg ville gerne give dig en primer om, hvad kohorteanalyse er, og vise dig, hvordan vi kan finde ud af dette i LuckyTemplates. Vi kan også gøre det på en meget dynamisk og effektiv måde, hvor vi kan integrere det i vores model.
Jeg har set denne analyse udført i Excel og nogle andre avancerede værktøjer, men vi kan gøre det i Power Bi og gøre det endnu bedre og mere effektivt. Tjek nedenstående links for flere LuckyTemplates-ressourcer omkring dette emne.
Skål!
***** Lærer du Lucky Templates? *****
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.