Adatszegmentálás százalékos csoportok alapján – Advanced DAX in LuckyTemplates

Ebben az oktatóanyagban egy meglehetősen fejlett adatszegmentációs technikát fogok áttekinteni , amely az adatok dinamikus csoportosításáról szól a LuckyTemplates-en belül . Az oktatóanyag teljes videóját a blog alján tekintheti meg.

Ebben az oktatóanyagban konkrétan ezt a konkrét vizualizációt fogjuk megvizsgálni ezen az irányítópulton, amelyet a vásárlói betekintések körüli Learning Summit során használtam.

Ebben az esetben az ügyfeleket az értékesítés százalékos aránya alapján csoportosítjuk vagy szegmentáljuk. Másodlagos táblát vagy támogató táblát használunk, és kombináljuk DAX képletekkel a csoportosítás létrehozásához.

Tartalomjegyzék

• Vevők szegmentálása az értékesítési százalék alapján
• Másodlagos vagy alátámasztó asztal használata
• A változók kidolgozása
• Logika az adatszegmentációhoz
• Az adatszegmentációs képlet újrafelhasználása
• Következtetés

Vevők szegmentálása az értékesítési százalék alapján

Az egyik csoport a felső 20%, egy másik csoport 25% és 80% között van, a harmadik csoport pedig az alsó 25% között van. Felhasználtam ezeket a százalékokat, és amajd létrehozza ezeket a Top, Mid és Bottom csoportokat .

A szegmentálás ebben az esetben az eladásokon alapul, így ez egy diagram, amely az értékesítést és a haszonkulcsot mutatja egy adott időszakra vonatkozóan, de a szegmentálás értékesítésen keresztül történt.

Ezen a pontdiagramon az ügyfelek Top 20%-át láthatjuk; sötétkék foltok képviselik őket. A középső ügyfelek értékesítési szempontból 25% és 80% között ülnek; a diagram középső részén lévő halványkék foltok képviselik őket. Az eladások alapján a vásárlók alsó 25%-a a világoskék foltok a diagram alsó részén. 

Ez egy meglehetősen fejlett technika az adatszegmentáláshoz, ahol bizonyos fejlett logikát építünk be a számításokba, hogy létrehozzuk ezeket a csoportokat, amelyek egyszerűen nem léteznek . Más szóval, a nyers adatainkban semmi sem létezik, amely kitörhetné az ügyfelek közül az első 20-at, az alsó 25%-ot stb.

Tehát létre kell hoznunk ezt a logikát egy támogató tábla vagy egy másodlagos tábla segítségével , ahogy én nevezem őket. Ennek a táblának nincs fizikai kapcsolata az adatmodell egyik táblájával, de ez a kulcsa az ilyen típusú elemzéseknek.

Másodlagos vagy alátámasztó asztal használata

Tehát vessünk egy pillantást a táblázatra. Valószínűleg sokféleképpen létrehozhatja ezeket a csoportokat, de én így állítottam be ehhez a bemutatóhoz.

Ebben az alátámasztó vagy másodlagos táblázatban a csoportjaink felső, középső és alsó csoportjai vannak. Rendelkezünk az Alacsony és a Magas oszlopokkal, amelyekkel azonosíthatjuk, hogy az egyes ügyfelek melyik szegmenshez tartoznak.

Ez a másodlagos százaléktáblázat valójában számos különböző mérőszámban újra felhasználható. Használhatnánk az értékesítést, és könnyen integrálhatnánk a haszonkulcsokat, a nyereséget vagy a költségeket, vagy bármilyen más számítást, amit elvégezhetünk. Még csak nem is kell, hogy az értékesítéshez vagy bevételhez kapcsolódjon. 

A logika egy részét újra felhasználhatjuk, mert a százalékok bármire vonatkozhatnak. Itt az a fontos, hogy a megfelelő logikát hozzuk létre a képletben. 

Tehát merüljünk el a képletben, amelyet én hívtam(idén), és nézd meg, hogyan csináltam a logikát.

A változók kidolgozása

Először menjünk végig a számítás első részén, ahol kidolgozzuk a változókat ( VAR ).

Az első változó a RankingDimension azonosítása, amelyen keresztül fogunk dolgozni. Ebben az esetben az ügyfelekről van szó. Az ÉRTÉKEK funkcióval végignézünk minden olyan ügyfelet, aki adott időkeretben értékesített . 

A következő változó a TotalCustomers , amely azt számolja ki , hogy ténylegesen hány ügyfél hajtott végre eladást . Nem akarjuk az összes vásárlót számolni, inkább csak azokat, akik valamilyen eladást teljesítettek. Ebben a logikában a CALCULATE , COUNTROWS , FILTER és az ALL függvényeket használjuk .

A harmadik változó a CustomerRank , ahol ügyfeleinket az eladásaik alapján rangsoroljuk. És ez a TY Customer Rank képlete .

Ez a képlet csak egy egyszerű rangsorolást végez, amely a RANKX függvényt használja.

Logika az adatszegmentációhoz

Most merüljünk el a számítás többi részében. Ez az a logika, amely lehetővé teszi számunkra az adatszegmentációs elemzést.

A SZÁMÍTÁS függvény minden egyes vásárlón keresztül iterál, és a és a SZŰRŐ függvényekkel létrehozott támogató táblázaton ( Ügyfélcsoportok ) keresztül értékeli ki . 

Ezután kiértékeli, hogy a CustomerRank nagyobb-e, mint a TotalCustomers , majd megszorozza az Ügyfélcsoportok alacsony oszlopával. Tehát azt kérdezi tőlünk, hogy a CustomerRank magasabb-e, mint az alsó.

Majd a következő sorban kiemeli, hogy a CustomerRank kisebb vagy egyenlő-e, mint a TotalCustomers; ezt követően megszorozzuk az Ügyfélcsoportok tábla magasabb tálcájával.

Ha az igaz, akkor az ügyfél megmarad, és megkapjuk a teljes eladást.

Az adatszegmentációs képlet újrafelhasználása

Ez a képlet kissé bonyolult, de tényleg érdekes. Ezt a számítást is újra felhasználjuk.

Például, ha ügyfeleinket egy másik mérőszámmal, például haszonkulcs alapján akarjuk nézni, mindössze annyit kell tennünk, hogy lecseréljük az összes értékesítést itt Profit Margin-ra , és módosítsuk a Rangsort a haszonkulcsok alapján .

Ezután pontosan ugyanazt a támogató táblát használhatjuk a logika futtatásához. 

Következtetés

Ez az adatszegmentálás fejlettebb technikája, amelyet ebben az oktatóanyagban mutattam be. Kihasználjuk a DAX és az adatmodell erejét támogató táblázatunkkal.

Elképesztő, mire vagyunk képesek az egész formulával. Módosíthatjuk az időkeretet, és az ügyfeleket mindig az általunk beállított százalékok alapján osztja fel. 

Remélem, hogy hasznosnak találta ezt az oktatóanyagot, és alkalmazhatja saját munkájában.

Minden jót!

***** LuckyTemplates tanulása? *****