Kohorttianalyysin käyttöönotto LuckyTemplatesissa – edistyneet DAX-konseptit

Tässä blogissa esittelen LuckyTemplates-kohorttianalyysin . Tämä oli yksi niistä aiheista, jotka kävin läpi yksityiskohtaisesti a, jossa esitin, mitä kohorttianalyysi on ja kuinka voit tehdä sen LuckyTemplatesissa. Tässä opetusohjelmassa opit määrittämään sen LuckyTemplates-mallissasi. Voit katsoa tämän opetusohjelman koko videon tämän blogin alaosasta.

Kohorttianalyysin ideana on, että ryhmittelemme asiakkaamme tietyn käyttäytymisen tai ominaisuuden perusteella.

Tässä esimerkissä ryhmittelemme asiakkaamme sen perusteella, milloin he alun perin ostivat , ja sitten aiomme analysoida asiakkaiden säilyttämisprosenttia .

Ajatuksena on siis luoda kohortti siitä, milloin asiakkaat ostavat ensimmäisen kerran, ja sitten analysoidaan ajan mittaan, kuinka kauan kestää, ennen kuin he tulevat ostamaan uudelleen. Sen jälkeen vertaamme kaikkia asiakkaitamme kaikkien kuukausien aikana ja katsomme, paranevatko vai laskevatko säilytystasot.

Tässä esityksessä meillä on prosenttiosuudet, mikä on hyvä tapa tarkastella sitä, mutta meillä on myös absoluuttisia lukuja.

Sisällysluettelo

• Asiakkaiden ostosten luokittelu
• DAX-kaavat kohorttianalyysiin
• Aikakehysten luokittelu
• Johtopäätös

Asiakkaiden ostosten luokittelu

Jos ajattelet kohorttia sinänsä, se tarkoittaa "asiakkaiden ryhmittelyä". Joten tässä selvitetään , milloin asiakas liittyi tai milloin hän osti meiltä ensimmäisen kerran. Luokittelemme tämän liittymispäiväksi . 

Liittymispäivämäärän kaava on vain vähimmäisostopäivämäärä myyntitaulukossa. Joten laskemme vähimmäis- tai alhaisimman päivämäärän, jonka jokainen näistä asiakkaista kullakin eri rivillä on ostanut.

Sitten luokittelimme ne tiettyyn kohorttiin sen mukaan, minkä kuukauden ja vuoden he ovat ostaneet . 

Esimerkiksi Jesse Evans täällä osti 11. maaliskuuta 2014, joten Evansin kaltaiset asiakkaat kuuluvat maaliskuun 2014 kohorttiin.

DAX-kaavat kohorttianalyysiin

Tässä käyttämämme kaavat ovat hyvin yksinkertaisia. Liittymispäivä on vain tilauspäivän ( myynti ) MIN .

Kohorttikuukausi on pohjimmiltaan kyseisen liittymispäivän kuukauden selvittäminen.

Ja sitten tuomme ne tänne.

Voimme luoda kohortin useista eri muuttujista . Tämä on vain yksi esimerkki todellisesta säilytysprosentista.

Aikakehysten luokittelu

Toinen luokiteltava asia ovat ajanjaksot . Nämä ovat vain yleisiä (1, 2, 3 jne.), mutta meidän on luotava joitain yleisiä ajanjaksoja vertaillaksemme kaikkia näitä kohortteja (tammikuu 2014, helmikuu 2014 jne.), koska ne kaikki ovat eri aikaväleissä. Meidän on verrattava kaikkia näitä kohortteja eri aikajaksoilta.

Joten asetamme sen näin, jos teemme tällaista analyysiä. Meillä on jakso 1–12, ja kuvaamme minimipäiviä ja maksimipäiviä.

Jos asiakas esimerkiksi osti meiltä ja osti sen sitten takaisin ensimmäisten 30 päivän aikana, kyseinen asiakas luokitellaan ensimmäiseksi säilytysjaksoksi (jakso 1). Jos asiakas osti meiltä uudelleen 120–150 päivän kuluttua, asiakas on jaksolla 5 ja niin edelleen.

Näemme, että tämä tehdään kaikissa kohortteissamme, vaikka nämä asiakkaat tekevät ensimmäisen ostonsa myöhemmin. Sitten vertaamme kohorttiamme vertailukelpoiselta pohjalta aina tammikuuhun 2014 asti käyttämällä monimutkaista laskelmien yhdistelmää.

Aikaperusteinen kohorttianalyysi – Tietomallin määrittäminen LuckyTemplatesissa

Johtopäätös

Learning Summitissa pohdiskelin paljon tarkemmin, kuinka voit luoda kaavasi, jotta voit tehdä tämän, mutta ajattelin, että tämä olisi hyvä johdanto. Monet teistä eivät luultavasti ole edes kuulleet kohorttianalyysistä.

Tämä on melko edistynyt analyyttinen tekniikka, mutta halusin antaa sinulle pohjan siitä, mitä kohorttianalyysi on, ja näyttää, kuinka voimme selvittää tämän LuckyTemplatesissa. Voimme tehdä sen myös erittäin dynaamisella ja tehokkaalla tavalla, jossa voimme integroida sen malliimme.

Olen nähnyt tämän analyysin tehdyn Excelissä ja joissakin muissa edistyneissä työkaluissa, mutta voimme tehdä sen Power Bi:ssä ja tehdä siitä entistä paremman ja tehokkaamman. Katso alla olevista linkeistä lisää tätä aihetta käsitteleviä LuckyTemplates-resursseja.

Kippis!

***** Opitko LuckyTemplates? *****