Datasegmentering basert på prosentgrupper – Avansert DAX i LuckyTemplates

Jeg skal gå gjennom en ganske avansert datasegmenteringsteknikk i denne opplæringen, som handler om å gruppere data på en dynamisk måte inne i LuckyTemplates . Du kan se hele videoen av denne opplæringen nederst på denne bloggen.

I denne opplæringen skal vi spesifikt se på akkurat denne visualiseringen i dette dashbordet jeg brukte under et Learning Summit rundt kundeinnsikt.

I dette tilfellet grupperer eller segmenterer vi kunder basert på prosentandel av salget. Vi bruker en sekundær tabell eller støttetabell og kombinerer den med DAX-formler for å lage denne grupperingen.

Innholdsfortegnelse

• Segmentering av kunder basert på salgsprosent
• Bruke et sekundært eller støttende bord
• Å regne ut variablene
• Logikk for datasegmentering
• Slik gjenbruker du datasegmenteringsformelen
• Konklusjon

Segmentering av kunder basert på salgsprosent

En gruppe er blant de øverste 20 %, en annen gruppe er mellom 25 % og 80 %, og den tredje gruppen er i de nederste 25 %. Jeg har brukt disse prosentene og matet dem gjennom enfor deretter å opprette disse gruppene Top, Mid og Bottom .

Segmenteringen i dette tilfellet er basert på salg , så dette er et diagram som viser salg mot marginer for en bestemt tidsramme, men segmenteringen har skjedd via salg.

Vi kan se i dette punktdiagrammet topp 20 % av kundene; de er representert av de mørkeblå flekkene. Mid-kundene sitter fra et salgsperspektiv mellom 25 % og 80 %; de er representert av de lyseblå flekkene i den midtre delen av diagrammet. De nederste 25 % av kundene basert på salg er de lyseblå flekkene nederst i diagrammet. 

Dette er en ganske avansert teknikk for datasegmentering, der vi inkorporerer litt avansert logikk i beregningene for å lage disse gruppene som bare ikke eksisterer . Med andre ord, det er ingenting i rådataene våre som kan bryte ut de 20 beste kundene, de nederste 25 %, osv.

Så vi må lage den logikken ved å bruke en støttetabell eller en sekundærtabell , som jeg kaller dem. Denne tabellen har ingen fysisk sammenheng med noen av tabellene våre i datamodellen, men den er nøkkelen til denne typen analyse.

Bruke et sekundært eller støttende bord

Så la oss ta en titt på tabellen. Du kan sikkert lage disse gruppene på mange forskjellige måter, men dette er hvordan jeg satte det opp for denne demonstrasjonen.

I denne støtte- eller sekundærtabellen har vi gruppene våre som Topp, Midt og Nederst. Vi har kolonnen Lav og Høy for å identifisere hvilket segment hver kunde tilhører.

Denne sekundære tabellen med prosentandeler kan faktisk gjenbrukes på tvers av mange forskjellige mål. Vi kan bruke salg og vi kan enkelt integrere marginer eller fortjeneste eller kostnader, eller andre beregninger vi kan gjøre. Det trenger ikke engang å være salgs- eller inntektsrelatert. 

Vi kan også gjenbruke noe av logikken fordi prosenter kan være på hva som helst. Det som er viktig her er å lage den riktige logikken inne i formelen. 

Så la oss dykke ned i formelen, som jeg kalte(i år) og gå gjennom hvordan jeg gjorde logikken.

Å regne ut variablene

La oss gå gjennom den første delen av regnestykket først, hvor vi regner ut variablene ( VAR ).

Den første variabelen er å identifisere RankingDimension som vi skal jobbe gjennom. I dette tilfellet er det kunder. Med VERDIER -funksjonen itererer vi gjennom hver kunde som har foretatt et salg i en bestemt tidsramme . 

Den neste variabelen er TotalCustomers , som beregner hvor mange kunder som faktisk har solgt . Vi ønsker ikke å telle alle kundene, men bare de som har solgt noe. I denne logikken bruker vi funksjonene CALCUATE , COUNTROWS , FILTER og ALLE funksjonene.

Den tredje variabelen er CustomerRank , der vi rangerer kundene våre basert på salgene de har gjort. Og dette er formelen for kunderangering TY .

Denne spesielle formelen gjør bare en enkel rangering, som bruker RANKX- funksjonen.

Logikk for datasegmentering

La oss nå dykke ned i resten av regnestykket. Dette er logikken som gjør oss i stand til å oppnå denne datasegmenteringsanalysen.

CALCUATE - funksjonen går gjennom hver kunde og evaluerer gjennom den støttetabellen ( kundegrupper ) vi opprettet med og FILTER -funksjonene. 

Og så evaluerer den om CustomerRank er høyere enn TotalCustomers og multipliserer den med Customer Groups Low- kolonnen. Så det spør oss om CustomerRank er høyere enn bunnen.

Og så i neste rad fremhever det om CustomerRank er mindre enn eller lik TotalCustomers; den multipliseres deretter med den høyere boksen i Kundegrupper-tabellen.

Hvis det kommer til å være lik sant, vil den kunden beholdes og vi får det totale salget.

Slik gjenbruker du datasegmenteringsformelen

Denne formelen er litt kompleks, men den er virkelig interessant. Vi gjenbruker også denne beregningen.

For eksempel, hvis vi ønsker å se på kundene våre etter en annen beregning, for eksempel en fortjenestemargin, er alt vi trenger å gjøre å erstatte det totale salget her med fortjenestemargin og endre rangeringen basert på fortjenestemarginer .

Da kan vi bruke nøyaktig samme støttetabell for å kjøre denne logikken gjennom. 

Konklusjon

Dette er en mer avansert teknikk om datasegmentering som jeg har demonstrert i denne opplæringen. Vi utnytter kraften til DAX og datamodellen med støttetabellen vår.

Det er utrolig hva vi kan gjøre med hele formelen. Vi kan endre tidsrammen, og den vil alltid dele opp kunder med de spesifikke prosentene vi setter opp. 

Jeg håper du har funnet stor verdi fra denne opplæringen og bruker den på ditt eget arbeid.

Beste ønsker!

***** Lære Lucky Templates? *****