Tietojen klustereiden arvioiminen LuckyTemplatesin DAX-tekniikalla

Tässä opetusohjelmassa aion näyttää sinulle, kuinka klustereiden näyttäminen tiedoissasi antaa sinulle paljon parempia oivalluksia kuin jos sinulla olisi vain hajontakaavio, johon on istutettu paljon tietoa. Voit katsoa tämän opetusohjelman koko videon tämän blogin alaosasta.

Aion käydä läpi joitain edistyneitä DAX-tekniikoita, joita sinun on käytettävä yhdessä tietomallin kanssa. Jos käytät niitä hyvin, analyyttiset mahdollisuudet avautuvat sinulle huomattavasti ja voit todella esitellä oivalluksia tehokkaalla tavalla.

Tässä nimenomaisessa esimerkissä yritän selvittää, oliko jokin syy siihen, miksi näemme asiakkaidemme klusteroitumisen heidän suoritustensa perusteella .

Päällekkäin logiikkaa (DAX-kaavan sisällä) toissijaisen taulukon yli, voin luokitella, onko asiakas hyvä, kunnossa, huono vai hyvä.

Sitten käyttämällä tätä uutta ulottuvuutta hajontakaaviossani, voin nähdä, näkyykö tulosten klusterointia juuri toteuttamani logiikan perusteella.

Sisällysluettelo

• Kuinka visualisoida tietosi klusterit
  • Tietomallin sisällä
  • Logiikan integrointi ulottuvuuteen
  • Visualisoinnin luominen
• Johtopäätös

Kuinka visualisoida tietosi klusterit

Tässä visualisoinnissa tarkastelemme jokaista asiakasta tietojoukostamme. Asiakkaita on paljon, ja analysoimme asiakkaita heidän kokonaismyyntinsä voittomarginaalien perusteella. Oikealla puolella meillä on klusteri tehokkaita asiakkaita tai korkeamman marginaalin asiakkaita.

Tämän saavuttamiseksi meidän on luotava logiikka, jonka avulla voimme visualisoida nämä tietoklusterit ja rakentaa logiikka sen perusteella, mihin tulosryhmään nämä asiakkaat kuuluvat.

Tärkeintä tässä on, että näitä voittoryhmiä ei todellisuudessa ole tietomallissa, joten meidän täytyy rakentaa tämä logiikka ja sitten peittää se.

Tämä esimerkki on vain yksi monista tavoista, joilla voimme tehdä tämän. Voisimme tarkastella voiton kasvua, marginaalin kasvua ja monia asioita, joissa tarvitsemme kaikenlaista logiikkaa, ja tuoda ne tänne. Voimme sitten tunnistaa minkä tahansa mallin tai tietojoukon, joka voi todella poimia meille oivalluksia.

Tietomallin sisällä

Tietomallia tarkasteltaessa ensimmäinen asia, joka on huomioitava, on, että olemme luoneet tähän tukitaulukon. Tukitaulukkoa käytetään yleensä joskus parametritaulukkona, mutta tässä tapauksessa aiomme käyttää logiikkaa, joka integroi tukitaulukon ydinmalliimme.

Tukitaulukossamme analysoimme, minkä kannattavuuden perusteella asiakasryhmän sisällä nämä asiakkaat istuvat.

Joten esimerkiksi jos asiakas on tuottanut yli 25 000 dollaria voittoa, hänestä tulee huippuasiakas, kun taas 20 000 - 25 000 dollarin arvoiset asiakkaat ovat hyvä asiakas, niin edelleen ja niin edelleen.

Logiikan integrointi ulottuvuuteen

Asiakastaulukossa hyödynnämme tukitaulukkoa ja rakennamme sitten logiikkaa.

Jotkut teistä saattavat ajatella, että on parempi kehittää kaikkea tätä logiikkaa tässä lasketussa sarakkeessa - kyllä, ehdottomasti - mutta joskus minusta se ei ole käytännöllistä, varsinkin kun tukitaulukossa on esimerkiksi 10 erilaista logiikkaa, jotka sinun on työstettävä läpi. .

Kyllä, voisit vain kehittää todella monimutkaisen lasketun sarakkeen, mutta mielestäni olisi paljon helpompaa laittaa ne tukitaulukon sisään ja sitten kirjoittaa tällainen yksinkertainen logiikka, joka integroi ne.

Tässä logiikassa LASKEMME, mihin ryhmään kukin asiakas istuu. Funktio palauttaa ryhmän , ja sitten FILTER- funktio luo iteroinnin logiikan läpi toistamiseksi.

Mikä on sitten kunkin asiakkaan kokonaisvoitto ; onko se minkä tahansa ryhmämme MIN- ja MAX-arvojen välissä . Jos on, palauta ryhmä. Ja näin luomme nämä voittoryhmät .

Visualisoinnin luominen

Nyt kun meillä on tämä ulottuvuus, voimme käyttää sitä visualisoinneissamme näiden klustereiden tunnistamiseen. Joten luomme hajontakaavion ja tuomme sitten voittomarginaalimme Y-akselille ja myynti X-akselille .

Mutta jos vedämme sisään Asiakkaan nimi , näemme tässä, että olemme luoneet tietoja, mutta ne eivät todellisuudessa näytä mitään arvoa. Se näyttäisi paljon paremmin, jos luomme tietoklustereita.

 Joten tehdäksesi tämän, täytämme vain pisteet ja muutamme muutamia tietovärejä varmistaaksemme, että jotkut erottuvat joukosta. Näiden yksinkertaisten säätöjen avulla voimme helposti tunnistaa ja poimia paljon enemmän tietoa visuaaleistamme .

Tukipöytä on todella keskeinen käsite, jota on käytettävä ja ymmärrettävä käytettäessäkoska voimme integroida sen niin monella tavalla.

On monia tapoja tunnistaa klustereita useiden eri mittareiden perusteella, koska on niin monia erilaisia ​​skenaarioita, että tietomme saattavat vaatia meitä analysoimaan.

Etsi kuvioita tiedoistasi sisäisellä logiikalla LuckyTemplatesin ja DAX:n avulla

Johtopäätös

Tässä tekniikassa on vähän, mutta klustereiden näyttäminen tiedoissasi logiikan avulla on todella tehokasta, ja on niin monia tapoja, joilla voit toistaa tämän muissa skenaarioissa tai omissa tiedoissasi.

Tämän haluan viime kädessä sinun ottavan tästä luomastani opetusohjelmasta, koska analyyttiset mahdollisuudet kasvavat eksponentiaalisesti tämän tyyppisen tekniikan ympärillä.

Tämä on edistynyt tekniikka, joten älä huolestu liikaa, jos se ei heti toimi, mutta kokeile sitä ehdottomasti. Huomaat nopeasti, että löydät todella mielenkiintoisia oivalluksia, joita sinulla ei ole ennen ollut.

Kippis!