Aikaperusteinen kohorttianalyysi – tietomallien määrittäminen LuckyTemplatesissa

Tässä opetusohjelmassa aion sukeltaa syvällisesti LuckyTemplatesin aikaperusteiseen kohorttianalyysiin.

Tämä on lyhyt purkausistunto äskettäisestä LuckyTemplates-jäsenten tapahtumasta. Voit katsoa tämän opetusohjelman koko videon tämän blogin alaosasta.

Haluan näyttää sinulle, kuinka asensin tämän. Tämä on vaikein tehtävä, kun alat suorittaa edistyneempiä laskelmia.

Haluat tietää kuinka määrität tietomallisi oikein, jotta vältyt sekaannuksista ja varmistat, että LuckyTemplates-malli toimii.

Sisällysluettelo

• Kohorttianalyysin pikakatsaus
• Kohorttien luominen LuckyTemplatesissa
• Kohorttikuukausitaulukon määrittäminen
• Kohorttianalyysin tiedot
• Muut käytetyt kohorttianalyysikaavat
• Lisää kohorttianalyysiesimerkkejä
• Johtopäätös

Kohorttianalyysin pikakatsaus

Ennen kuin käsittelen tätä tekniikkaa, haluan ensin näyttää oivalluksia, joita voit saada siitä irti, sekä nopean katsauksen aikaperusteisesta kohorttianalyysistä.

Kohortit ovat hieno tapa kutsua tietojesi ulottuvuuksien tai muuttujien segmenttejä tai ryhmittelyjä.

Haluat esimerkiksi tarkastella asiakasryhmiäsi.

Haluat luoda kohortteja siitä, milloin asiakkaasi liittyivät ensimmäisen kerran ohjelmistoosi tai sovelluksiisi tai aloittivat sen käytön.

Tätä tapausta varten olen luonut kohortteja tietyiltä kuukausilta. Joten jos asiakkaasi aloittivat kesäkuussa 2017, se on heidän erityinen kohorttinsa.

Se ei ole ryhmittely sen perusteella, kuinka monta kertaa he ovat käyneet kauppaa kanssasi. Ryhmittelysi perustuu aikaan.

Tässä esimerkissä se on, kun he liittyivät.

Nyt aion näyttää sinulle, kuinka nämä kohortit luodaan ja sitten yhdistetään malliisi.

Kohorttien luominen LuckyTemplatesissa

Katsotaanpa mallia.

Tämä on melko yleinen malli. Tältä haluat saada mallisi näyttämään.

Voit nähdä, että minulla on toinen kerros hakutaulukoitani.

Mutta ennen kuin näytän sinulle sen tarkoituksen, yritän ensin luoda nämä kohortit hakutaulukon sisällä.

Hakutaulukko on paikka, johon haluat ryhmitellä tietyn ulottuvuuden. Tässä tapauksessa kyse on asiakkaista.

Katsotaanpa siis asiakastaulukkoani.

Alun perin Asiakkaat-taulukossani oli vain asiakasindeksi ja asiakkaiden nimet.

Mutta jos haluat luoda kohortteja hakutaulukoiden sisään, sinun on sijoitettava ne sinne, missä haluat segmentoinnin tapahtuvan.

Nyt haluan selvittää asiakkaan liittymispäivämäärän. Demotiedoissani liittymispäivä on se, jolloin asiakas ensimmäisen kerran kirjautui sisään.

Ensimmäinen kirjautuminen voi tapahtua, kun asiakas rekisteröityi sähköpostilla tai kun hän käytti ensimmäisen kerran sovelluksen kokeiluversiota.

Sinun on selvitettävä ensimmäisen kerran, kun asiakas aloitti yhteyden.

Sain nämä tiedot tällä kaavalla:

Se käyttääkirjautumispäivämäärästä . _ Sitten kääriin sen-toiminto varmistaaksesi, että saan oikean suodattimen kontekstin. Tämä antaa minulle ensimmäiset treffit.

Minun täytyy nyt treenata kuukausi. Haluan luoda kohorttini sen perusteella, mihin kuukauteen asiakas liittyi.

Tämä tekniikka on erittäin joustava, koska voit luoda erilaisia ​​kohortteja.

Mutta jälleen kerran, tässä esimerkissä käytän kuukausikohorttia, joka näyttää kuukauden ja vuoden.

Tämä on kaava, jota käytin liittymiskuukauden kohortissa :

Nappasin Kuukausi ja vuosi -sarakkeen päivämäärätaulukosta käyttämällä tätä logiikkaa:

Selvisin läpipäivämäärätaulukosta ja mikä päivämäärä vastaa asiakkaan liittymispäivää. Sitten kun se on yhtä kuin TOSI , se palauttaa saman taulukon Kuukausi & Vuosi -sarakkeen. 

Tämän myötä minulla on nyt liittymiskuukauden kohortti .

Kohorttikuukausitaulukon määrittäminen

Nyt haluan näyttää sinulle, miksi perustin apöytä.

Palataan asiakaspöytään.

Jos jätit sen tämän tiedon ja logiikan kanssa, et ehkä saa jokaista kuukauden ja vuoden iteraatiota.

Tämä johtuu siitä, että asiakas ei ehkä ole liittynyt mihinkään kuukauteen tai vuoteen. Joten saadaksesi hyvän visualisoinnin, sinun on varmistettava, että jokaiseen kuukauteen ja vuoteen viitataan tietyssä taulukossa.

Se voi myös johtua siitä, että tarvitsemasi tiedot eivät välttämättä ole kaikkien asiakkaiden dynaamisissa laskelmissa.

Muista, että uusia asiakkaita tulee koko ajan. Joten nämä tiedot pitäisi teoriassa aina päivittää.

Tästä syystä loin toisen taulukon kohorttikuukausien kaavalla:

Nappasin indeksin jasarakkeita Päivämäärät-taulukosta. Näistä kahdesta sarakkeesta tuli Kohortin kuukausivuosi .

Tämä on päivämäärätaulukko:

Voit nähdä, että siinä on monia sarakkeita, jotka sisältävät paljon tietoa. Mutta tässä esimerkissä tarvitsin vain indeksi- ja kuukausi- ja vuosisarakkeet. Joten tein yhteenvedon Päivämäärät-taulukosta kohorttikuukausien avulla .

Minulla on nyt jokainen iteraatio, josta tuli myös ainutlaatuisia arvoja.

Jos nämä tiedot olisi haettu Päivämäärät-taulukosta, niihin olisi viitattu paljon. Mutta koska se on nyt sarake, joka sisältää ainutlaatuisia arvoja, siitä on tullut yksinkertainen hakutaulukko.

Voit luoda yksi-moneen suhteenAsiakaspöytään . _

Tätä suhdetta suodatetaan edelleen Web-sivuston tietotaulukkoon asti . CLCULATE - logiikka tulee olemaan tässä taulukossa, koska se on yhteydessä asiakastaulukkoon.

Kun olet määrittänyt tämän kaiken, sinulla on nyt ulottuvuus, jonka voit sijoittaa matriisiin. Tämä matriisi antaa sinulle joka ikinen kuukausi.

Kohorttianalyysin tiedot

Toinen mielenkiintoinen asia LuckyTemplatesin kohorttianalyysissä on, että voit analysoida kohorttien sisällä olevia trendejä.

Tätä esimerkkiä varten halusin selvittää asiakkaan vaihtuvuuden.

Voit nähdä, että minulla on dynaaminen visualisointi. Minulla on 641 asiakasta, jotka liittyivät kesäkuun 2017 kohorttiin. Ensimmäisen jakson aikana lähti kuitenkin 12 asiakasta.

Sinun on luotava yleinen taulukko, joka esittelee suunnittelemasi ajanjaksot.

Tätä tapausta varten olen luonut mallissani taulukon nimeltä Kohorttijaksot.

Olen luonut siihen myös tukitaulukon.

Voit nähdä, kuinka olen luonut Min- ja Max-päivät jokaiselle ajanjaksolle. Tämä määrittää aikaikkunan, jonka haluat analysoida kullekin yksittäiselle kohortille.

Palataksemme esimerkkiin, voit nähdä, että kaudella 2 oli 14 asiakasta, jotka vaimenivat 30 ja 60 päivän aikana.

Ja kun siirryt taulukkoa alaspäin, näet, kuinka tämä arvo muuttuu eri kohortteissa.

Toisessa taulukossa se näyttää arvot prosentteina.

Prosentit ovat parempia lukuihin verrattuna, koska voit saada niistä arvokkaita oivalluksia. Voit tunnistaa tiettynä ajanjaksona lähtevien asiakkaiden trendin.

Voit tunnistaa ongelmat, jotka aiheuttivat tämän trendin. Se voi johtua siitä, että lopetit markkinoinnin ja mainonnan tai et saa niin paljon myyntiä asiakkailtasi.

Muut käytetyt kohorttianalyysikaavat

Nämä ovat muut kaavat, joita käytin tässä aikaperusteisessa kohorttianalyysitekniikassa LuckyTemplatesissa.

Tämän dynaamisen sekoituskaavan avulla sain oivalluksia tiedoista.

Kun ymmärrät dynaamiset ryhmittelytekniikat DAX:n avulla, voit saada enemmän irti raportistasi.

Lisää kohorttianalyysiesimerkkejä

Tämän tekniikan ominaisuuksien osoittamiseksi haluan lisätä toisen esimerkin.

Oletetaan, että haluan tarkastella yksitellen asiakkaita tässä vaihtuneessa kohortissa.

Voin valita arvon taulukostani, ja se näyttää automaattisesti yksittäiset asiakastasot toisessa taulukossa sen määrittämisen perusteella.

Johtopäätös

Voit käyttää tätä strategiaa mihin tahansa kohorttiin, jota yrität suunnitella. Se voi olla tuotteiden, alueiden tai asiakkaiden kohortteja.

Tämän opetusohjelman esimerkki on kuitenkin olennaisin. SAS-sovellukset ovat tehneet kohorttianalyysin suosituksi. Joten sinun tulee ryhmitellä asiakkaasi sen mukaan, milloin he vaihtuvat.

Voit luoda uskomattomia analyyseja LuckyTemplatesissa tällä tekniikalla.

Toivon, että tämä opetusohjelma on antanut sinulle hyvän käsityksen siitä, mitä kohorttianalyysi on ja kuinka se toteutetaan.

Kaikki parhaat,