Tidsbaseret kohorteanalyse – Opsætning af dine datamodeller i LuckyTemplates

I denne tutorial vil jeg dykke i dybden i tidsbaseret kohorteanalyse i LuckyTemplates.

Dette er en kort breakout-session fra en nylig begivenhed for LuckyTemplates-medlemmer. Du kan se den fulde video af denne tutorial nederst på denne blog.

Jeg vil gerne vise dig, hvordan jeg konfigurerer dette. Dette er den sværeste opgave, når du begynder at køre mere avancerede beregninger.

Du vil vide, hvordan du korrekt opsætter dine datamodeller for at undgå forvirring og sikre dig, at LuckyTemplates-modellen fungerer.

Indholdsfortegnelse

• Hurtig gennemgang af kohorteanalyse
• Oprettelse af kohorter i LuckyTemplates
• Opsætning af tabellen for kohortemåneder
• Kohorteanalyseindsigt
• Andre anvendte kohorteanalyseformler
• Flere eksempler på kohorteanalyse
• Konklusion

Hurtig gennemgang af kohorteanalyse

Før jeg diskuterer denne teknik, vil jeg først vise den indsigt, du kan få ud af den, sammen med en hurtig gennemgang af Time Based Cohort Analysis.

Kohorter er en smart måde at kalde segmenter eller grupperinger af dine dimensioner eller variabler i dine data.

For eksempel vil du se på grupper af dine kunder.

Du ønsker at oprette kohorter af, hvornår dine kunder først tiltrådte eller begyndte at bruge din software eller applikation.

Til dette tilfælde har jeg oprettet kohorter af bestemte måneder. Så hvis dine kunder startede i juni 2017, er det deres særlige kohorte.

Det er ikke en gruppering på beløbene eller det antal gange, de har handlet med dig. Din gruppering er baseret på tid.

I dette eksempel er det, da de tiltrådte.

Nu vil jeg vise dig, hvordan du opretter disse kohorter og derefter arbejder det ind i din model.

Oprettelse af kohorter i LuckyTemplates

Lad os tage et kig på modellen.

Dette er en ret generisk model. Sådan vil du gerne få dine modeller til at se ud.

Du kan se, at jeg har endnu et lag af mine opslagstabeller.

Men før jeg viser dig dets formål, vil jeg først arbejde på at skabe disse kohorter inde i opslagstabellen.

Opslagstabellen er det sted, hvor du vil gruppere en bestemt dimension. I dette tilfælde er det kunderne.

Så lad os se min kundetabel.

Oprindeligt inkluderede min kundetabel kun kundeindekset og kundenavne.

Men hvis du vil oprette kohorterne inde i opslagstabellerne, skal du placere dem, hvor du ønsker, at segmenteringen skal ske.

Nu vil jeg regne ud kundens tilmeldingsdato. I mine demodata er tilmeldingsdatoen, når kunden loggede ind første gang.

Det første login kunne være, når kunden tilmeldte sig ved hjælp af en e-mail, eller når de første gang brugte prøveversionen af ​​applikationen.

Du skal finde ud af, første gang en forbindelse blev oprettet af en kunde.

Jeg fik denne information ved hjælp af denne formel:

Det brugeraf logindatoen . Så pakkede jeg den ind ifunktion for at sikre, at jeg får den korrekte filterkontekst. Dette giver mig den første date.

Jeg skal nu træne måneden. Jeg vil oprette mine kohorter ud fra hvilken måned kunden tiltrådte.

Denne teknik er meget fleksibel, da du kan oprette forskellige kohorter.

Men igen, i dette eksempel vil jeg bruge en månedskohorte, som viser måneden og året.

Dette er den formel, jeg brugte til Join Month Cohorten :

Jeg tog fat i kolonnen Måned og år fra datotabellen ved at bruge denne logik:

Jeg arbejdede igennemi Dato-tabellen, og hvilken dato er lig med Kundens Tilmeldingsdato. Når den er lig med TRUE , returnerer den måned og år kolonnen i den samme tabel. 

Med dette har jeg nu min Join Month Cohort .

Opsætning af tabellen for kohortemåneder

Nu vil jeg vise dig, hvorfor jeg oprettede enbord.

Lad os gå tilbage til kundetabellen.

Hvis du efterlod den med denne information og logik, får du muligvis ikke hver gentagelse af måneden og året.

Dette skyldes, at en kunde måske ikke har tilmeldt sig i nogen måned og år. Så for at få en god visualisering skal du sørge for, at hver eneste måned og år er refereret i en bestemt tabel.

Det kan også være, fordi de oplysninger, du har brug for, måske ikke er inden for den dynamiske beregning af alle kunder.

Husk, at der hele tiden kommer nye kunder ombord. Så disse oplysninger bør teoretisk set altid blive opdateret.

Det er derfor, jeg oprettede en anden tabel ved hjælp af formlen for kohortemåneder :

Jeg greb indekset ogkolonner fra tabellen Datoer. Disse to kolonner blev til kohortemånedsåret .

Dette er datotabellen:

Du kan se, at den har mange kolonner, der indeholder en masse information. Men til dette eksempel havde jeg kun brug for kolonnerne Indeks og Måned & År. Så jeg opsummerede tabellen Datoer ved hjælp af kohortemåneder .

Jeg har nu hver iteration, som også blev unikke værdier.

Hvis denne information nu blev hentet fra Datoer-tabellen, ville der have været refereret meget til dem. Men fordi det nu er en kolonne, der indeholder unikke værdier, er det blevet til en simpel opslagstabel.

Du kan oprette et en-til-mange forhold fratil kundebordet .

Dette forhold vil fortsætte med at filtrere indtil tabellen Webstedsdata . CALCUATE - logikken vil være i denne tabel på grund af dens relation til kundetabellen.

Når du har det hele sat op, har du nu en dimension, som du kan placere i en matrix. Denne matrix vil give dig hver eneste måned.

Kohorteanalyseindsigt

En anden interessant ting ved kohorteanalyse i LuckyTemplates er, at du kan analysere tendenserne inden for kohorterne.

Til dette eksempel ønskede jeg at regne ud min Customer Churning.

Du kan se, at jeg har en dynamisk visualisering. Jeg har 641 kunder, som sluttede sig til juni 2017-kohorten. 12 kunder rejste dog i den første periode.

Du skal generere en generisk tabel, som viser de perioder, du har udtænkt.

Til dette tilfælde har jeg lavet en tabel i min model kaldet Kohorteperioder.

Jeg har også lavet et støttebord i den.

Du kan se, hvordan jeg har oprettet min og maks dage for hver enkelt periode. Dette angiver det tidsvindue, du ønsker at analysere for hver enkelt kohorte.

Går vi tilbage til eksemplet, kan du se, at der i periode 2 var 14 kunder, der fratrådte inden for perioden på 30 og 60 dage.

Og når du går ned i tabellen, kan du se, hvordan denne værdi ændrer sig for forskellige kohorter.

I en anden tabel viser den værdierne i procenter.

Procentsatser er bedre sammenlignet med tal, fordi du kan få værdifuld indsigt fra dem. Du kan identificere tendensen for kunder, der forlader inden for en bestemt periode.

Du kan identificere de problemer, der forårsagede denne tendens. Det kan være, fordi du faldt fra på markedsføring og annoncering, eller at du ikke får så mange salg fra dine kunder.

Andre anvendte kohorteanalyseformler

Dette er de andre formler, jeg brugte til denne tidsbaserede kohorteanalyseteknik i LuckyTemplates.

Denne dynamiske churning-formel gjorde det muligt for mig at få indsigt fra dataene.

Når du forstår dynamiske grupperingsteknikker ved hjælp af DAX, vil du kunne få mere ud af din rapport.

Flere eksempler på kohorteanalyse

For at vise denne tekniks muligheder vil jeg tilføje et andet eksempel.

Lad os sige, at jeg ønsker at se individuelt på kunderne i denne specifikke kohorte, der væltede.

Jeg kan vælge en værdi i min tabel, og den vil automatisk vise individuelle kundeniveauer i en anden tabel baseret på, hvordan jeg sætter den op.

Konklusion

Du kan bruge denne strategi til den kohorte, du prøver at udtænke. Det kan være kohorter om produkter, regioner eller kunder.

Eksemplet i denne tutorial er dog det mest relevante. Kohorteanalyse er blevet populært af SAS-applikationer. Så du bør gruppere dine kunder baseret på, hvornår de er churning.

Du kan lave utrolige analyser i LuckyTemplates ved hjælp af denne teknik.

Jeg håber, at denne vejledning har givet dig en god idé om, hvad kohorteanalyse er, og hvordan du implementerer det.

Alt det bedste,