Tietojen segmentointi prosenttiryhmien perusteella – edistynyt DAX LuckyTemplatesissa

Aion käydä läpi melko edistyneen tietojen segmentointitekniikan tässä opetusohjelmassa, joka koskee tietojen ryhmittelyä dynaamisella tavalla LuckyTemplatesissa . Voit katsoa tämän opetusohjelman koko videon tämän blogin alaosasta.

Tässä opetusohjelmassa tarkastelemme erityisesti juuri tätä visualisointia tässä kojelaudassa, jota käytin asiakasnäkemyksiä käsittelevässä Learning Summitissa.

Tässä tapauksessa ryhmittelemme tai segmentoimme asiakkaita myynnin prosenttiosuuden perusteella. Käytämme toissijaista taulukkoa tai tukitaulukkoa ja yhdistämme sen DAX-kaavojen kanssa tämän ryhmittelyn luomiseksi.

Sisällysluettelo

• Asiakkaiden segmentointi myyntiprosentin perusteella
• Toissijaisen tai tukipöydän käyttäminen
• Muuttujien harjoitteleminen
• Logiikka tietojen segmentointiin
• Tietojen segmentointikaavan uudelleenkäyttö
• Johtopäätös

Asiakkaiden segmentointi myyntiprosentin perusteella

Yksi ryhmä on ylimmän 20 prosentin joukossa, toinen ryhmä on 25–80 prosenttia ja kolmas ryhmä alimmassa 25 prosentissa. Olen käyttänyt niitä prosentteja ja syöttänyt ne aLuo sitten nämä ylä-, keski- ja alaryhmät .

Segmentointi perustuu tässä tapauksessa myyntiin, joten tämä on kaavio, joka näyttää myynnin vs. marginaalit tietyltä ajanjaksolta, mutta segmentointi on tapahtunut myynnin kautta.

Näemme tässä hajontakaaviossa asiakkaiden Top 20 %; niitä edustavat tummansiniset täplät. Mid-asiakkaat istuvat myynnin näkökulmasta 25 % ja 80 % välillä; niitä edustavat vaaleansiniset täplät kaavion keskiosassa. Alhaisimmat 25 % asiakkaista myynnin perusteella ovat vaaleansinisiä täpliä kaavion alaosassa. 

Tämä on melko edistyksellinen tekniikka tietojen segmentoinnissa, jossa sisällytämme laskelmiin kehittyneen logiikan luodaksemme näitä ryhmiä, joita ei vain ole olemassa . Toisin sanoen, raakatiedoissamme ei ole mitään, joka voisi erottaa asiakkaista 20 parhaan, 25 prosentin jne.

Joten meidän on luotava tämä logiikka käyttämällä tukitaulukkoa tai toissijaista taulukkoa , kuten minä niitä kutsun. Tällä taulukolla ei ole fyysistä suhdetta mihinkään tietomallin taulukkoomme, mutta se on avain tämäntyyppiseen analyysiin.

Toissijaisen tai tukipöydän käyttäminen

Joten katsotaan taulukkoa. Voit luultavasti luoda näitä ryhmiä monilla eri tavoilla, mutta näin asensin sen tätä esittelyä varten.

Tässä tuki- tai toissijaisessa taulukossa ryhmämme ovat ylä-, keski- ja alaosa. Meillä on Low- ja High-sarakkeet tunnistamaan, mihin segmenttiin kukin asiakas kuuluu.

Tätä toissijaista prosenttitaulukkoa voidaan itse asiassa käyttää uudelleen useissa eri mittareissa. Voisimme käyttää myyntiä ja voisimme helposti integroida katteita tai voittoja tai kustannuksia tai muita laskelmia, joita voimme tehdä. Sen ei tarvitse edes liittyä myyntiin tai tuloihin. 

Voimme myös käyttää uudelleen osaa logiikasta, koska prosenttiosuudet voivat olla mitä tahansa. Tässä on tärkeää luoda oikea logiikka kaavan sisään. 

Sukellaan siis kaavaan, jota kutsuin(tänä vuonna) ja käy läpi, miten tein logiikan.

Muuttujien harjoitteleminen

Käydään ensin läpi laskennan ensimmäinen osa, jossa lasketaan muuttujat ( VAR ).

Ensimmäinen muuttuja on tunnistaa RankingDimension , jota aiomme työstää. Tässä tapauksessa kyse on asiakkaista. ARVOT - toiminnolla käymme läpi jokaisen asiakkaan, joka on tehnyt myynnin tietyllä aikavälillä . 

Seuraava muuttuja on TotalCustomers , joka laskee, kuinka moni asiakas todella teki myynnin . Emme halua laskea kaikkia asiakkaita, vaan vain niitä, jotka ovat tehneet jonkin verran myyntiä. Tässä logiikassa käytämme CLCULATE , COUNTROWS , FILTER ja KAIKKI- funktioita.

Kolmas muuttuja on CustomerRank , jossa luokittelemme asiakkaamme heidän tekemänsä myynnin perusteella. Ja tämä on kaava Customer Rank TY:lle .

Tämä tietty kaava tekee vain yksinkertaisen luokituksen, joka käyttää RANKX -toimintoa.

Logiikka tietojen segmentointiin

Sukellaan nyt laskennan loppuosaan. Tämä on logiikka, jonka avulla voimme saavuttaa tämän datan segmentointianalyysin.

CLCULATE - funktio iteroi jokaisen asiakkaan läpi ja arvioi sen tukitaulukon ( Asiakasryhmät ) kautta, jonka loimme funktioilla ja FILTER . 

Ja sitten se arvioi, onko CustomerRank suurempi kuin TotalCustomers , ja kertoo sen sitten Asiakasryhmien alhainen -sarakkeella. Joten se kysyy meiltä, ​​onko CustomerRank korkeampi kuin pohja.

Ja sitten seuraavalla rivillä se korostaa, onko CustomerRank pienempi tai yhtä suuri kuin TotalCustomers; se kerrotaan sitten Asiakasryhmät-taulukon korkeammalla bin.

Jos se on yhtä suuri kuin tosi, asiakas säilyy ja saamme kokonaismyynnistä.

Tietojen segmentointikaavan uudelleenkäyttö

Tämä kaava on hieman monimutkainen, mutta se on todella mielenkiintoinen. Käytämme myös tätä laskelmaa uudelleen.

Jos esimerkiksi haluamme tarkastella asiakkaitamme eri mittareilla, kuten voittomarginaalilla, meidän tarvitsee vain korvata myynti yhteensä voittomarginaalilla ja muuttaa sijoitusta voittomarginaalien perusteella .

Sitten voimme käyttää täsmälleen samaa tukitaulukkoa ajaaksemme tämän logiikan läpi. 

Johtopäätös

Tämä on edistyneempi tekniikka tietojen segmentoinnissa, jonka olen osoittanut tässä opetusohjelmassa. Hyödynnämme DAX:n tehoa ja tietomallia tukitaulukossamme.

On hämmästyttävää, mitä voimme tehdä koko kaavalla. Voimme muuttaa aikakehystä, ja se jakaa asiakkaat aina määrittämiemme prosenttiosuuksien mukaan. 

Toivon, että olet löytänyt arvokasta hyötyä tästä opetusohjelmasta ja soveltanut sitä omaan työhön.

Kaikki parhaat!

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