Pandas Drop Index -sarake: selitetty esimerkein
Pandas Drop Index -sarake: selitetty esimerkein
Tänään mennään eteenpäin. Aiomme todella sukeltaa syvälle asiakasvaihtumiseen: uusien asiakkaiden ja kadonneiden asiakkaiden analyysiin LuckyTemplatesissa. Voit katsoa tämän opetusohjelman koko videon tämän blogin alaosasta.
Toinen termi tälle on kulumisanalyysi, koska haluamme nähdä, kuinka asiakkaamme vaimenevat, kuinka monet asiakkaistamme tulevat kyytiin ja ostavat tuotteitamme, kuinka monet tulevat takaisin ja ostavat lisää, kuinka monta asiakasta menetämme ja niin edelleen.
Tämän tyyppisellä varsin edistyneellä analyysillä voit saavuttaa niin monia hienoja oivalluksia, minkä vuoksi halusin käyttää vähän aikaa perehtyäksenija DAX-kaavat.
Tässä asiakasanalyysiesimerkissä aloitan käymään läpi asiakasvaihtuvuuden ja tutkimaan, kuinka monta asiakasta menetetään tietyn ajanjakson jälkeen. Sukellan myös uusiin asiakkaisiin ja palaaviin asiakkaisiin.
Asiakkaiden vaihtuvuuden analysointi on erittäin tärkeä osa analyysiä organisaatiolle, varsinkin jos olet usein myyvä yritys, kuten verkkokauppias tai supermarketketju.
On selvää, että jos saat asiakkaita mukaan, haluat tietysti myydä heitä enemmän etkä menetä heitä esimerkiksi kilpailijoille.
On paljon helpompaa myydä olemassa olevalle asiakkaalle kuin löytää uusia asiakkaita.
Nykyiset asiakkaat ovat tärkeitä useimmille yrityksille, koska heille on paljon kannattavampaa jatkaa markkinointia sen sijaan, että joutuisi löytämään jatkuvasti uusia asiakkaita.
Sisällysluettelo
Kadonneiden asiakkaiden löytäminen
Tässä ensimmäisessä visualisoinnissa meillä on se, mitä voisimme pitää ylityönä.
Tämä kohta noin 90 päivään ei ole yhtä relevantti, koska kun olemme aivan ensimmäisinä päivinä, pidämme kaikkia tällä hetkellä "kadonneina".
Käydään nyt läpi toiminto nähdäksesi, mitä teemme täällä.
Tässä kaavassa laskemme yhteen asiakkaat, jotka eivät ole tehneet ostoksia viimeisten 90 päivän aikana tai mikä tahansa muuttuva vaihtumispäivämääräsi on.
Luomme virtuaalisen taulukon jokaiselle asiakkaalle tämän CustomersList- muuttujan avulla.
Suodatamme kaikki asiakkaat joka päivä. Ja mitä teemme KAIKKIIN kanssa , katsomme itse asiassa jokaista asiakasta jokaisena yksittäisenä päivänä.
Ja sitten jokaisen asiakkaan osalta arvioimme, onko hän tehnyt ostoksen viimeisten 90 päivän aikana. Jos he eivät ole tehneet, niin se arvioi 0:ksi ja laskee kyseisen asiakkaan.
Uusien asiakkaiden eristäminen
Katsotaan nyt uusia asiakkaitamme ja katsotaan, mitä se arvioi.
Tästä taulukosta näemme, että se on enemmän aikaisemmilla päivämäärillä, tammi-heinäkuussa, koska olemme juuri aloittaneet liiketoimintamme. Ihmiset ovat yleensä uusia.
Sitten se ilmeisesti tasoittuu loppua kohti, koska meillä on vain paluuasiakkaitamme siellä.
Sen tehtävänä on tehdä samanlainen logiikka. Laskemme, kuinka moni asiakas on tehnyt kaupat ennen tätä päivää.
Ja jos he eivät ole ostaneet mitään, jonka arvoksi tulee 0, se arvioi uudeksi asiakkaaksi.
Tietää, ketkä ovat palaavia asiakkaita
Palaavia asiakkaita ovat ne, jotka on arvioitu kadonneiksi.
Toisin sanoen he eivät ole ostaneet mitään 90 päivään. Ajan mittaan laskemme, kuinka moni todella palaa.
Tämä olisi hämmästyttävä oivallus, jos järjestät kampanjoita tai markkinointia ja haluat tietää, kuinka monta näistä menetetyistä asiakkaista sait takaisin markkinointitoimien kautta.
Palaavat asiakkaat -kaavassa arvioimme vain asiakkaita, jotka ovat tosiasiallisesti ostaneet jonakin päivänä.
Joten tässä käytämme logiikkaa jokaiselle asiakkaalle arvioimalla, onko hän tehnyt myynnin viimeisten 90 päivän aikana.
Jos he eivät ole ostaneet viimeisten 90 päivän aikana, heidän katsotaan palautuvan. Arvioi sitten todeksi ja laske asiakas kyseisenä päivänä.
Johtopäätös
Tämä opetusohjelma aiheestaasiakasanalyysi on melko edistynyt DAX-laskelmissa. Tämä vain esittelee LuckyTemplatesin analyyttistä voimaa.
Aiemmin tällaisen tiedon tuottaminen maksoi paljon rahaa. Mutta nyt voit saavuttaa nämä mahtavat oivallukset puhtaalla ja tehokkaalla kaavalla käyttämällä DAX-kieltä.
Muista, että se todellakin on tietomallin mukainen. Kaikki on sisällytetty sinne.
Voimme itse asiassa laittaa suodattimia tähän. Haluamme esimerkiksi sukeltaa vain yhteen osavaltioon, esimerkiksi Floridaan, tai kolmeen parhaaseen osavaltioomme, se kaikki arvioi dynaamisesti.
Sukelen niin moniin tekniikoihin videolla. Jotkut ovat erittäin edistyneitä, mutta haluat varmasti tutustua näihin asioihin.
Jos näet mahdollisuudet ja potentiaalin LuckyTemplatesin avulla, mielesi voi vain laajentua eksponentiaalisesti mahdollisuuksien avulla suorittaa analyysiä omien tietojoukkoidesi yli.
Sivuhuomautuksena käsittelen monia edistyksellisimpiä LuckyTemplates-tekniikoita, joita voit ajatella kurssilla osoitteessa , joten tarkista se aina kun voit.
Kaikkea hyvää ja onnea näille tekniikoille.
Pandas Drop Index -sarake: selitetty esimerkein
7 tapaa tarkistaa, sisältääkö Python-merkkijono alimerkkijonon
Ymmärrä, mitä Power Automate Dynamic Content on ja kuinka sen avulla käyttäjät voivat valita kenttäviittauksia aiemmista vaiheista tai kirjoittaa lausekkeita.
Tässä opetusohjelmassa opit jakamaan tiedoston sellaisen henkilön kanssa, joka ei kuulu yritykseesi, käyttämällä sql-kyselyparametria LuckyTemplatesissa.
Opi käyttämään poistotoimintoa ja vahvistamaan ponnahdusikkunoita sovellukseen, jonka olet luonut tyhjästä.
Opi visualisoimaan minkä tahansa taulukon tai matriisin solun suodatinkonteksti LuckyTemplates DAX Studiossa työkaluvihjeiden avulla.
Opi luomaan Power Automate -virtauksia tyhjästä. Mallin käyttämisen sijaan luomme käynnistimet ja toiminnot itse.
Katso tämä Brianin LuckyTemplates-vinkki siitä, kuinka voit dynaamisesti vertailla ensimmäistä N arkipäivää Power Queryn avulla.
Opi Power Apps -mallipohjaisista sovelluksista, ympäristön määrittämisestä ja tehokkaasta navigoinnista sen ympärillä.
Opi lisää sivustokarttojen työstämisestä Power Apps -mallipohjaisissa sovelluksissa ja tutustu erilaisiin monimutkaisiin asioihin ja niiden ratkaisemiseen.