Home
» Power BI
»
Az ügyfél árrés-összehúzódásának értékelése LuckyTemplates segítségével
Az ügyfél árrés-összehúzódásának értékelése LuckyTemplates segítségével
Itt megvizsgáljuk az ügyfelek árrésének csökkenését. Megpróbáljuk kitalálni, hogy milyen vevői árrések és miért szerződnek . A vásárlási gyakoriságuk miatt? Ez a vásárolt termékek miatt van? Vagy valami más ok miatt? Az oktatóanyag teljes videóját a blog alján tekintheti meg.
Ezt az elemzési problémát a LuckyTemplates segítségével számos technikával fogjuk megoldani .
Ez a fajta példa tökéletes végigfuttatásra, ha fejleszteni szeretné saját elemzési képességeit a LuckyTemplates használata során.
Nemcsak az Ön analitikus gondolkodását, hanem a LuckyTemplates gyakorlati alkalmazását is az ilyen típusú kihívások megoldására szolgáló eszközként.
A LuckyTemplates segítségével és számos, általam bemutatott technikával valóban hatékonyan kidolgozhatja ezt a betekintést.
Nem csak ez, hanem dinamikusan is kidolgozhatja. Tegyük fel például, hogy számos régióban vannak ügyfeleink. Nos, érdemes ezeken a régiókon keresztül is kiválasztani, majd felfedezni, hogy egy adott régióban mely ügyfeleink árrése csökkent egy bizonyos időszak alatt.
Ez egy igazán jó minőségű analitikai betekintés, és ez a kulcs. Erre akarjuk használni a LuckyTemplates-t. Ezt szeretném, ha megvalósítsa a saját modelljeiben.
Az ebből a technikából nyerhető betekintések bemutatása
Az itt bemutatott példámban azt értékelem, hogy mi történt az idei év és a tavalyi év között , hogy csökkentek-e vagy nőttek-e az ügyfelek árrései, de valóban bele kell fúrnom a zsugorodottakat.
Ezen az irányítópulton belül kattinthatunk az egyes állapotokra. Ezt sokféleképpen beállíthatjuk, mondjuk a kiskereskedelmi üzleteinkben, ha egy adott üzletbe szeretnénk belenyúlni. Ebben az esetben azokat az államokat nézzük, ahol termékeinket értékesítjük.
Csak a nullánál kisebb margókra koncentrálunk és figyelünk. A LuckyTemplatesben természetes szűrést alkalmazunk ennek a betekintésnek a megvalósításához, vagy az információkból való kivonatoláshoz.
Például kifejezetten New Yorkot nézzük, látjuk az összes New York-i eladásunkat. Ha megvizsgáljuk az összes ügyfelet, akkor érdemes megtudnunk, hogy kinek az árrés csökkent leginkább, és miért . Az itteni vásárlók klaszterében szeretnénk tudni, hogy milyen termékeket vásároltak, ki volt eladó, melyik üzletben vásárolt stb.
Ha tudni akarjuk, hogy mennyi volt a tényleges eladás és a nyereség, akkor valóban betérhetünk a miénkbeitt, és válassza ki ezeket az elemeket egyenként.
Ebben a táblázatban minden egyes rendelést, vásárlást és a vásárlás minden részletét megtaláljuk. Megvan a vásárló, az eladó, a megye, az állam neve, a város vagy az üzlet neve, az eladás tényleges haszonkulcsa, teljes árbevétel és teljes nyereség.
Tehát valóban nagyon konkrét információkkal rendelkezünk. Ha belegondolunk, ez egy hatalmas adathalmaz. És itt tényleg a részletekbe mélyedünk, hogy felfedezzük, mi történik és miért.
Ez azért van, mert akciósan kínáltuk ezeket a termékeket, vagy leáraztuk őket? Vannak általános termékek? Vannak olyan értékesítők, akik minden alkalommal csökkentik az árat, hogy eladjanak?
A képletek kidolgozása
Az elemzés elkészítéséhez természetes szűrést alkalmazunk. Nem kell bonyolult DAX-képleteket írnunk. Az első dolog, hogy hozzon létre néhány egyszerű alapvető mérőszámot, mint például a teljes értékesítés, a nyereség, a költségek stb.
Lépjünk az Új mérték elemre, majd hozzuk létre a Margins mértéket. Ehhez a képlethez egyszerűen elosztjuk a teljes nyereséget a teljes értékesítésünkkel . Ezután győződjön meg arról, hogy százalékos formában van formázva.
Most, mivel szeretnénk elemezni a túlórákat, és összehasonlítani 2017-et és 2016-ot , egy oldalszintű szűrőt helyezünk el 2017-re. Így például a haszonkulcsok itt a 2017-ben eladott összes termékre vonatkoznak. Ezután összehasonlíthatjuk a 2017-es és 2016-os haszonkulcsokat. néhány időintelligencia funkció használatával .
Tehát ismét új mértéket hozunk létre, és létrehozzuk az LY nyereséghányadokat (a tavalyi évre). Használjuk a CALCULATE Profit Margins-t , majd a SAMEPERIODLASTYEAR-t .
Ezzel az eredménnyel most ki tudjuk számítani a 2017 és 2016 közötti időbeli ügyfélmarzs-bővülést vagy -csökkenést.
Tehát még egyszer létrehozunk egy új mértéket, a fedezetváltozást , amely egyenlő a Profits Margins (idén) mínusz a Profit Margins LY (tavaly) összeggel.
Az irányítópult létrehozása és további fejlesztések
Ha mindezen intézkedések megvannak, megkezdhetjük irányítópultunk elkészítését. Ez az elemzés tökéletes egy szóródiagramhoz, mert itt találhatunk információs klasztereket .
Ehhez az X tengelybe helyezzük a fedezetváltozásunkat, az Y tengelyünkbe pedig a nyereséghányadokat. Ügyfélnevünket bevisszük a Részletek közé, hogy az adott klaszter megjelenjen a diagramunkban.
Ezután beállítjuk az állapotunkat, ahol szűrhetjük az állapotokat. Ezután lent megterítjük az asztalunkat. Az itt található adatmodellnek köszönhetően az összes keresési táblánkból elhozhatunk elemeket, és összehasonlíthatjuk őket az Értékesítési tábla bármiivel, vagy bármely, az Értékesítési tábla felett elkészített képlettel.
Így megragadhatjuk a rendelési azonosítónkat, mivel minden egyedi rendelést megnézünk, majd behozzuk az összes többi elemet, beleértve a termék nevét, a megyét, az államot, az üzletet, a vásárlót, aki megvásárolta, az összes értékesítést, Teljes nyereség és megfelelő haszonkulcs.
Az egyik probléma itt az, hogy az árrésváltozás pontosan megegyezik a haszonkulccsal. Miért? Mert az előző évben valójában nem volt eladás , és ez haszontalan meglátás. Hatalmas árrés-változást fog mutatni, mert az árrés tavaly nulla volt.
Meg kell szabadulnunk ezektől egy olyan mérőszám létrehozásával, amely kiszámítja, hogy mennyi volt a tavalyi tranzakciók száma . Most már megkaptuk az összes tranzakciót (mérőszám) az aktuális, 2017-es évre, így létrehozunk egy Tranzakció LY (tavaly) nevű képletet.
Pontosan ugyanazt a technikát alkalmazzuk, mint korábban. A CALCULATE Total Transactions , és. Ezután beírjuk a Dátumok oszlopba.
Ezeket a szűrőket a jobb oldalon is használhatjuk. Kiválaszthatjuk a vizualitást, a Margin Change és a Profit Margins-t Ügyfél neve alapján, majd megragadjuk a Tranzakciók LY mértékét, és behelyezhetjük a vizuális szintű szűrőkbe.
Sőt, tehetünk egy további szűrőt is, nem kell bonyolult DAX képleteket írnunk mindezekre az apróságokra, amelyeket esetleg szűrni szeretnénk.
Ha ezt a szűrőt csak azokra a tavalyi eladásokra helyezzük el, amelyek nullánál nagyobbak, akkor nagyon gyorsan megszabadulhatunk azoktól a hibás számoktól, amelyek valójában semmit sem jelentenek.
Most, hogy a leszerződött árréseket nézzük, meg akarunk szabadulni mindentől, ami kibővült. Ehhez visszamegyünk a szűrési részhez, és megnézzük a 0-nál kisebb értékeket . Kattintson a Szűrő alkalmazása gombra, és automatikusan gyorsan megváltoztatja a diagramot.
Most, hogy megvannak a keresett ismereteink, játszhatunk és javíthatunk a látványelemeken, például a háttéren, a színeken stb.
Ebben az oktatóanyagban számos technikán mentem keresztül, beleértve azt is, hogyan ágazunk át néhány DAX logikán, és még mélyebbre ásunk egy adott betekintést a jobb oldalon található további szűrők és a vizuális szintű szűrő használatával.
A legfontosabb dolog itt az, hogy ez a technika lehetővé teszi, hogy megtalálja vagy lefúrja ezeket az információkat anélkül, hogy igazán összetett képleteket kellene írnia.
Merüljön el ebben a tartalomban, és próbálja meg reprodukálni. Ismerje meg, hogyan teheti ezt meg, majd replikálja saját adatkészletein keresztül.
Így fogja kihozni a legtöbbet ebből az anyagból és néhány oktatóanyagból, amelyeken átfutok.