Pipe In R: Koblingsfunksjoner med Dplyr
I denne opplæringen lærer du hvordan du kobler funksjoner sammen ved å bruke dplyr-røroperatøren i programmeringsspråket R.
Budsjettering av ytelsesanalyse kan noen ganger kreve at vi segmenterer resultatene vi har for øyeblikket til forskjellige grupper. Dette er for å analysere hvilke utøvere som var bedre enn andre kontra deres mål. Du kan se hele videoen av denne opplæringen nederst på denne bloggen.
LuckyTemplates kan administrere ytelsessegmentering og forstå deres forskjeller og effekter på det totale budsjettet. I denne opplæringen skal jeg diskutere hvordan du utfører en segmentering av budsjettering.
Segmentering er en teknikk som brukes for å begrense store målfag til definerte målgrupper.
Dette er et vanlig krav for budsjetteringstypeanalyse. Det er imidlertid ikke en enkel teknikk for de som nettopp har startet med LuckyTemplates. Det er mange ting du trenger for å få riktig for denne teknikken.
Jeg vil også diskutere hvordan du kan segmentere budsjetteringsdimensjonen du analyserer. Du kan segmentere i grupper som best prester versus dårligst presterende . Dette kan være basert på forskjellen mellom inntekt og budsjett .
Det viktigste å merke seg her er å forstå formelen for datasegmentering .
Innholdsfortegnelse
Støttetabell for budsjettering av ytelsessegmentering
Vi kommer til å bruke denne rapportsiden som jeg brukte sist. Øktene handlet om budsjettering.
Imidlertid skal denne opplæringen bare fokusere på hvordan du segmenterer data i grupper . Dette vil hjelpe oss å se hvordan vi oppretter grupper som ikke fantes i dataene våre, men som ble utledet fra resultatene basert på dataene våre.
Alle budsjetteringstiltakene her var allerede utledet siden de ble diskutert under dette. Du kan sjekke ut alle ressursene og diskusjonene du kan laste ned.
La oss si at vi allerede har ytelsen til salget vårt til budsjettdata. Deretter må vi segmentere dette for å identifisere hvem som presterer positivt fra gruppen , eller i dette eksempelet regionen .
Men vi må huske at dette ikke finnes i datasettet vårt. Derfor er det viktig at vi lager en støttetabell for å kategorisere ytelsen per region. La oss ta en titt på denne eksisterende støttetabellen.
Basert på denne tabellen klassifiseres regionene som best presterende hvis de er 40 % over budsjett . Hvis de er under budsjettet og ikke oppfyller dem i det hele tatt, blir de klassifisert som dårligste prester .
Dette vil tillate oss å få bedre innsikt og forstå scenariet bak analysen vår. Dataene per segmentering vil bli reflektert etter å ha opprettet støttetabellen.
Forstå segmenteringsformelen for budsjetteringsytelse
Bildet nedenfor viser det vanlige generelle DAX-mønsteret for datasegmentering.
Siden vi ser etter data fra forskjellige regioner, er det viktig å iterere gjennom hver enkelt by i hver region . Og det er det RankingDimension -variabelen gjør. Den lager en liste over hvert enkelt bynavn.
Deretter legger vi det inn i funksjonen fordi vi må evaluere hver enkelt by basert på deres salgs- vs budsjettprosent . Etter det bruker vi resultatet fra den evalueringen til å identifisere budsjettområdet eller gruppen en by tilhører.
Som du kan se her, talte den tidligere diskuterte beregningen opp antall byer i hver av ytelsesgruppene vi opprettet.
Vi kan også bruke dette lignende mønsteret for Budsjettgruppesalg- målet.
Bruker samme formel for budsjettgruppens salgsmål
Først, la oss klikke på Budsjettgruppe-salgsmålet og sjekke ut denne formelen:
Her brukte vi en logikk som er nesten det samme som å segmentere butikkene per by. Det er ikke mye endring fra mønsteret. Men i stedet for å telle butikkene, beregner vi det totale salget for hver butikk ved å brukefunksjon.
Denne informasjonen er nyttig hvis vi ønsker å vise resultatene ved hjelp av visualiseringer som et kart. Dette vil farge hver by avhengig av hvilken prestasjonsgruppe de tilhører i den valgte konteksten.
Vi kan klikke på denne visualiseringen for å sjekke ut byene som tilhører en bestemt forestillingsgruppe. For dette eksemplet, la oss klikke på gruppen Best Performers .
Når vi sjekker ut kartet og tar en titt på Miami-regionen , ser vi at det er en storby. Det kan være grunnen til at salget er bedre i den regionen.
Når vi klikker på gruppen Worst Performers , kan vi også se byene som er inkludert i den forestillingsgruppen.
Dynamisk gruppering basert på det valgte segmentet
En annen ting å merke seg her er at vi må gjenskape alle de tilsvarende tiltakene slik at de kan endres basert på utvalget fra prestasjonsgruppevisualiseringen. Disse er målene Budsjettgruppe % forskjell, Budsjettgruppesalg, Budsjettgruppeytelse og Budsjettgruppetelling .
Dette er fordi vi velger en dimensjon inne i et støttebord uten forhold til vår kjernemodell.
Når vi først bruker våre gamle mål og velger fra resultatgruppemålene, vil det ikke påvirke de andre beregningene ( budsjettgruppe % forskjell, budsjettgruppesalg, budsjettgruppeytelse, budsjettgruppetellinger ) som vi viser.
Det som gjør Budgeting Performance Segmentation -målet dynamisk er at det endrer de andre beregningene basert på de valgte dataene fra resultatgruppevisualiseringen . For å gjøre dette, må vi endre alle våre beregninger til en annen kontekst. Når et valg er gjort, må vi beregne det på nytt basert på denne segmenteringslogikken.
Til slutt vil denne delen av logikken iterere gjennom salget til hver region og identifisere ytelsesgruppen en by tilhører . Og det er stort sett det du trenger for å kunne segmentere dataene eller resultatene dine i grupper.
Avansert produktbudsjetteringsanalyse – LuckyTemplates og DAX-teknikker
Konklusjon
For å oppsummere kan budsjettering av ytelsessegmentering ved å bruke DAX i LuckyTemplates være fordelaktig på forskjellige måter. Det er en fin måte å presentere data over tid. Det kan åpne diskusjonen på tvers av ytelsesresultatene til kunder, produkter, butikker eller til og med regioner.
Ikke bare lar det deg gruppere data basert på en spesifisert segmentering, det gjør det også enklere å manipulere råresultatene og sammenligne dem med budsjettene eller lage prognoser.
Selv om den omtalte dynamiske segmenteringen er sømløs, må man kunne generere relativt kompleks analyse når man sammenligner faktiske resultater med budsjettresultater.
Forhåpentligvis fikk du mye ut av denne teknikken og fant måter på hvordan du kan implementere den i dine egne modeller.
I denne opplæringen lærer du hvordan du kobler funksjoner sammen ved å bruke dplyr-røroperatøren i programmeringsspråket R.
RANKX fra LuckyTemplates lar deg returnere rangeringen til et spesifikt tall i hver tabellrad som utgjør en del av en liste med tall.
Lær hvordan du demonterer en PBIX-fil for å trekke ut LuckyTemplates-temaer og bilder fra bakgrunnen og bruke den til å lage rapporten din!
Excel Formulas Cheat Sheet: Mellomveiledning
LuckyTemplates-kalendertabell: Hva er det og hvordan du bruker det
Lær hvordan du installerer programmeringsspråket Python i LuckyTemplates og hvordan du bruker verktøyene til å skrive koder og vise visuelle elementer.
Lær hvordan du beregner dynamiske fortjenestemarginer ved siden av LuckyTemplates og hvordan du kan få mer innsikt ved å grave dypere inn i resultatene.
Lær hvordan du sorterer feltene fra kolonner med utvidet datotabell på riktig måte. Dette er en god strategi å gjøre for vanskelige felt.
I denne artikkelen går jeg gjennom hvordan du kan finne de beste produktene dine per region ved å bruke DAX-beregninger i LuckyTemplates, inkludert TOPN- og CALCUATE-funksjonene.
Lær hvordan du bruker en søppeldimensjon for flagg med lav kardinalitet som du ønsker å inkludere i datamodellen din på en effektiv måte.