Segmentering af dimensioner baseret på rangering – Avanceret analyseteknik for LuckyTemplates

I dette eksempel vil vi blive ret avancerede i LuckyTemplates ved hjælp af DAX. Vi vil fokusere på at segmentere dimensioner baseret på deres placering i den pågældende tabel. Du kan se den fulde video af denne tutorial nederst på denne blog.

Dette er et fantastisk koncept for, hvordan du kan bruge beregnede kolonner i LuckyTemplates. Dette kan give yderligere indsigt, som aldrig ville have været muligt med traditionelle værktøjer som Excel.

At udnytte disse teknikker effektivt og derefter implementere fantastiske visualiseringer omkring dem, som jeg også vil dykke ned i, kan virkelig fremvise dine data på en overbevisende måde.

Indholdsfortegnelse

• Visualisering af segmenterede data
• Segmentering og rangering af dine data
• Konklusion

Visualisering af segmenterede data

Jeg har altid talt om LuckyTemplates' fantastiske analytiske kraft, men du vil ikke se dette analyseniveau, hvis du brugeren efter en. Dens sande kraft kommer frem, når du bruger en kombination af forskellige formler og teknikker stablet sammen.

Det er det, jeg vil vise dig gennem visualiseringen nedenfor.

Igen, de data, der vises her, kan ikke analyseres så dybt som dette, hvis du ikke lagdeler flere formler . Jeg kalder denne teknik for at måle forgrening . For at tilføje det, overlejrede jeg også noget beregnet kolonnelogik for at nedbryde resultaterne yderligere. Det er den bedste måde at få et rigtig godt indblik i en sag som denne.

I dette punktdiagram, der findes i den nederste højre del af rapporten, vil du for eksempel se, at der er forskellige farver, der repræsenterer forskellige datagrupper. I dette tilfælde repræsenterer prikkerne byer, hvor hver farve viser dig den bedste, den værste og dem, hvis placeringer bare er okay.

Du vil også se, at vores y-akse viser marginændringen fra kvartal til kvartal . X-aksen viser på den anden side salgsændringer fra kvartal til kvartal .

Det er den type indsigt, vi får, når vi segmenterer vores data efter mål forgrening. Det viser dig, om en stor stigning i salget kom fra en stor stigning i margin og omvendt. Det viser dig sammenhængen mellem disse datapunkter.

Selvfølgelig er dette kun et demodatasæt, så du vil ikke se en enorm klynge. Men når du først anvender denne teknik på dine egne data, kan du få endnu mere avanceret indsigt.

Med alle disse formler og teknikker kombineret, vil du også bemærke en forskel i det overordnede udseende og følelse af visualiseringen. Jeg skal vise dig, hvad jeg mener med at fjerne legenden for City Group.

Bemærk, at jeg oprettede bygruppeforklaringen ved hjælp af beregnet kolonnelogik . Så når jeg fjerner den legende, ændres måden dataene vises på. Det giver ikke så meget indsigt, som vi har brug for.

Det eneste, vi ser nu, er generelle datapunkter. Det viser os ikke, hvor vores værste eller bedste kunder er. Alene det fjerner en hel masse indsigt, vi burde få.

Vi ser nu, at disse yderligere lag af logik faktisk tillader os at se tingene i et meget bedre lys .

Lad mig nu trække City Group tilbage som en legende.

Som du kan se, forbedres visualiseringen betydeligt.

Segmentering og rangering af dine data

Denne gang vil jeg vise dig, hvordan jeg segmenterede disse grupper af kunder for at skabe den legende.

Inde i den beregnede kolonne brugte jegfor at få rangeringen af ​​hver by baseret på de angivne dimensioner. I dette tilfælde rangerer vi dem baseret på salg.

I formlen inkluderede jeg regionerne i vores tabel og deres samlede salg .

RANKX er yderst hjælpsom her, fordi det giver os en måde at organisere alle disse data på og få lidt indsigt i dem.

Vi kan ikke kun tjekke, hvilke byer der klarer sig godt, men også hvilke der ikke klarer sig så godt, hvorfor de findes langt nede i bunden af ​​kolonnen.

Denne funktion er også grundlaget for den næste logik, jeg skal bruge.

Så oven i RANKX plejede jeg også at skabe en ekstra dimension.

Med det ekstra lag kan jeg nu se, hvad mine byer, der klarer sig bedst, samt de dårligst ydende byer. Så hvis City Sales Rank er lavere end eller lig med 10, tagges de som en del af "Bedste".

Dette er en rigtig god teknik, du kan bruge til at skabe flere måder at segmentere dine data på. Bemærk, at dette ikke kun er nyttigt i et punktdiagram. Dette kan også anvendes til forskellige typer visualisering.

For eksempel kan du også bruge det i et donut-diagram som vist nedenfor.

Du vil også se, at doughnut-diagrammet og scatter-diagrammet bevæger sig ved siden af ​​hinanden. Så hvis jeg klikker på den del, der repræsenterer de værste tal på doughnut-diagrammet, justeres punktdiagrammet også.

Dette giver os mulighed for at nulstille ind på delmængder af data eller andre dimensioner.

Konklusion

Prøv at dykke ned i disse teknikker og implementer nogle af dem i dine egne modeller. Jeg er overbevist om, at du vil se gode resultater, og du vil være tilfreds med resultaterne i forhold til, hvad du får i dine rapporter og dashboard.

Forhåbentlig kan du se, hvordan en kombination af disse forskellige teknikker kan give dig nogle virkelig avancerede analyseniveauer. At gøre dette på LuckyTemplates kan give dig virkelig detaljerede rapporter og højkvalitetsvisualiseringer ligesom den i vores eksempel.

Alt det bedste.