Ügyfélszegmentációs technikák az adatmodell használatával – LuckyTemplates és DAX

Ebben a blogbejegyzésben megmutatom, hogyan kell ügyfélszegmentációs technikákat végrehajtani a LuckyTemplates adatmodelljén keresztül. Az oktatóanyag teljes videóját a blog alján tekintheti meg.

Néha a nyers adatok nem rendelkeznek minden olyan információval, amelyre szüksége van ahhoz, hogy valamit megjelenítsen a LuckyTemplatesben. De ne hagyd, hogy ez megállítson.

Csak képzelőerőre van szüksége azzal kapcsolatban, hogyan építheti fel adatmodelljét, vagy használjon további logikát a keresési táblákon belül, amelyek sokkal nagyobb betekintést tesznek lehetővé, mint azt a jelenlegi formájukban lévő nyers adatokkal lehetségesnek gondolta.

Végigvezetek egy részletes példán arra vonatkozóan, hogyan szegmentálhatja ügyfeleit annak értékelésével, hogy jó ügyfelek, jó ügyfelek vagy rossz ügyfelek.

Tartalomjegyzék

• Ügyfelek szegmentálása teljesítmény alapján
• Az ügyfelek csoportosítási táblázatának létrehozása
• Keresési táblázatok és számított oszlopok
• Az értékesítési különbség kiszámítása
• A SWITCH Logic használata
• Következtetés

Ügyfelek szegmentálása teljesítmény alapján

Lényegében azon fogunk dolgozni, hogyan szegmentáljuk az ügyfeleket a teljesítmény alapján.

Használhatja ezt a technikát szinte bármi szegmentálására, de szerettem volna megmutatni, milyen hatékony lehet, ha valós forgatókönyv alapján betekintést nyújt a jelentésébe.

Az adatmodell segítségével gyorsan elkülöníthetjük az egyes szegmenseket elemzés céljából. Láthatjuk a mögöttes mozgatórugókat, amelyek megkülönböztetik ügyfeleinket az eladások tekintetében kiválóak, jók, átlagosak vagy rosszak között.

Létrehoztam egy szeletelőt vagy szűrőt , amely lehetővé teszi, hogy az ügyfeleket nagyszerűnek, jónak, átlagosnak vagy rossznak minősítsem a jelentésünkben elhelyezett vizualizációk alapján.

A vizualizáció megmutatja, hogy mikor kezdődött az eltérés (2016. február), és miért van eltérés.

Fontos, hogy a jelentésekben szereplő vizualizációkkal mutassa be a miérteket .

Jelentésünk alsó részében láthatjuk, hogy pontosan mikor történt az eltérés.

Megvizsgálhatjuk termékeinket is, hogy megállapíthassuk, mely termékek okozták ezt az eltérést, és melyek tettek naggyá ezeket az ügyfeleket. Megtudhatjuk, mely termékek tették lehetővé, hogy vásárlóink ​​többet vásároljanak tőlünk, mint korábban.

Szintén jók a szeletelők a vizualizációnkban. Szűrni fognak az alapján, amit a modellünkbe integráltunk, majd az általunk kiválasztott teljesítménycsoportok vagy szegmensek alapján is szűrnek.

Vessünk egy pillantást szegény ügyfeleinkre, ha a szeletelőn a Rossz értékesítés lehetőségre kattintunk. Ezután a szeletelő alatti oszlopban láthatjuk, hogy mely ügyfelek teljesítettek rosszul.

A kumulatív értékesítési időkeret-összehasonlítások diagramját tekintve megtekinthetjük az idei eladásokat a tavalyi eladásokkal szemben. Miért van nagy különbség a kettő között? Van valami köze a termékekhez vagy a margókhoz?

Mindezek a kérdések megválaszolhatók és bemutathatók az általam bemutatott ügyfélszegmentációs technikák felhasználásával.

Az ügyfelek csoportosítási táblázatának létrehozása

Szóval, hogyan csináltam ezt a technikát? Először ugorjunk vissza a modellhez. Létrehoztam egy táblázatot.

Ezt nem kell megtenned, de szeretem elkészíteni, mert ez ad egy külön táblázatot, amely bemutatja az ügyfélcsoportokat. A csoportosítások mellé egy indexet is tettem, hogy szűrhessük vagy rendezhessük őket a nagytól a gyengeig.

Nyilvánvalóan szükségünk lesz egy kapcsolatra az Ügyfélcsoport táblától egészen a Vevők tábláig, mert ügyfeleinket meghatározott módon kell csoportosítanunk.

Ugorjunk be, és vessünk egy pillantást a szegmentálandó ügyfeleimre.

Itt jönnek be a kiszámított oszlopok ezekben a keresőtáblázatokban .

Keresési táblázatok és számított oszlopok

A kék mezőben lévő táblázatokat keresőtábláknak nevezzük .

Ide tehetjük kiszámított oszlopainkat .

Most néhányan azt gondolhatják, hogy ezt dinamikussá tehetik mértékek használatával. Nos, teljesen megteheti.

Ezt azonban egy bizonyos időponttól kezdve meg akartam tenni. Ez helyzetfüggő, és használhat számított oszlopokat vagy mértékeket.

Számított oszlopok segítségével szerettem volna megnézni eladásainkat egy adott időpontból. Ebben az esetben kifejezetten a 2016-os értékesítést és a 2015-ös értékesítést szerettem volna megnézni .

Ehhez a CALCULATE funkciót használtam, és egy szűrőt helyeztem el benne, így csak egy adott időszakra kapok eladásokat.

Az értékesítési különbség kiszámítása

Ezután a 2016-os értékesítésből és a 2015-ös értékesítésből levezethetem az értékesítési különbséget a következő képlettel:

Az értékesítési különbség az, ahol elkezdhetjük vásárlóinkat az eladások alapján szegmentálni.

A SWITCH Logic használata

A 2016 és 2015 közötti értékesítési különbség határozza meg, hogy ügyfeleink melyik teljesítménycsoportba fognak ülni. Itt jön be a SWITCH logika.

AA logika lehetővé teszi további dimenziók létrehozását, amelyek jobban néznek ki, mint beágyazott IF utasítások .

Tehetünk olyan kijelentéseket, amelyek azt mondják, hogy ha egy ügyfél eladási különbsége nagyobb vagy egyenlő, mint 200 000 USD, akkor ő nagyszerű vásárló.

Így határozzuk meg, hogy melyik szegmensbe vagy csoportba helyezzük ügyfeleinket. Ez a technika nagymértékben alkalmazkodó, és bármely dimenzióban és keresőtáblázatban alkalmazható.

Ezt még tovább egyszerűsítheti, ha nem használja a 2016-os és 2015-ös értékesítési oszlopokat, valamint az Értékesítési különbség oszlopot. Egyszerűen belehelyezheti az összes logikát az intézkedésbe.

De ebben az esetben meg akartam mutatni, hogyan lehet kiszámított oszlopokat használni a keresőtáblázatokban ezen információszegmensek létrehozásához.

Ha visszatérünk a végső vizualizációkhoz, akkor ehhez a szeletelőhöz

ebből a táblázatból származik.

Atáblázat, majd kiszűri az Ügyfelek táblában elvégzett számításokat és logikát . Ezután ez a kapcsolat leszűri a többi táblát.

Így minden vizualizációnk frissülhet a szeletelőn kiválasztott ügyfélszegmens alapján.

Ezen az oktatóanyagon keresztül be tudtuk mutatni az ügyfélszegmentálási technikákat, és bemutattuk az adatok szeletelésének és feldarabolásának különböző módjait.

Az egészben az a csoda, hogy a mi tényleges modellünkben nem létezett; logika segítségével kellett létrehoznunk.

Következtetés

A legtöbb esetben a legjobb ügyfelekre szeretne összpontosítani, mert a legtöbb jó eredmény innen származik. Tehát szeretné azonosítani a teljesítmény trendjeit , és alapos áttekintést szeretne végezni az adatok ezen szegmenséről .

Ezzel a technikával elszigetelhetjük jó ügyfeleinket, és kideríthetjük, miért jók. Meg tudjuk érteni, miért teljesítettek jól, és megpróbáljuk megismételni ezt az összes többi ügyfélnél, akik rosszul teljesítettek.

Ez az oktatóanyag erről szól. Ezeket az ügyfélszegmentációs technikákat számos elemzési forgatókönyvben újra felhasználhatja. Ennek nem kell csak az ügyfelekről szólnia, de ebben a konkrét esetben ez az a tétel, amelyre összpontosítottam.

Ha többet szeretne megtudni arról, hogyan használhatja a LuckyTemplates alkalmazást a fontos betekintések megszerzéséhez, tekintse meg ezt a kurzusmodult a LuckyTemplates Online webhelyen. Rengeteg tanulság van ebből az egy tanfolyamból.

***** LuckyTemplates tanulása? *****