Dynamisk segmentering med dynamiske parametere – Avanserte LuckyTemplates og DAX-teknikk

Jeg skal snakke om dynamisk segmentering ved å bruke dynamiske parametere fordi jeg har sett medlemmer spørre om det så mange ganger på LuckyTemplates støtteforum. Du kan se hele videoen av denne opplæringen nederst på denne bloggen.

Det som er utfordrende med dette er å finne ut hvilke områder som skal segmenteres først. Du må også finne en måte å mate dynamiske parametere inn i formelen din. Jeg skal forenkle alt dette gjennom eksemplet jeg skal vise her.

Innholdsfortegnelse

• Opprette en hva-hvis-parameter
• Bruk av dynamiske parametere
• Visualisere resultatene
• Konklusjon

Opprette en hva-hvis-parameter

Det første jeg trenger er en parameter. I dette tilfellet opprettet jeg en kunderangeringsparameter .

Jeg opprettet denne parameteren ved å gå inn i Modellering, deretter ved å klikke på Ny parameter.

En hva-hvis-parameter vil automatisk opprette en tabell for meg. Det skaper også et mål for utvalget jeg gjorde.

Når jeg drar det inn i rapporten min, kommer det til å vise hvilket valg jeg gjør i sliceren.

Det viktigste å huske her er at parameterne dine skal dele resultatene hver gang du gjør en tilpasset segmentering .

Så bortsett fra Customer Rank-parameteren, har jeg også informasjon om områder hvor butikkene finnes.

Konteksten for beregningen er en av nøkkelfaktorene for å få dette riktig. Det er også ekstra kontekst her nede som viser hvor butikkene er.

Nå vil jeg skille inntektene mine ved å sammenligne mine toppkunder og bunnkunder. Jeg ønsker også at både disse topp- og bunngruppene skal være dynamiske. Det er her dynamiske parametere kommer inn i bildet.

Bruk av dynamiske parametere

Så resultatene må endres avhengig av hvordan jeg vil se på dataene. Dette betyr at hvis jeg endrer slicer for Customer Rank , bør dataene på tabellen også endres.

Det første jeg skal gjøre er å bruke en formel for å få mine beste kunder inn på tabellen.

Jeg opprettet kolonnen ved å brukefunksjon for den totale inntekten og deretter brukesom en rangeringsfunksjon. TOPN returnerer også en virtuell tabell basert på rangeringsresultater.

Jeg la til kontekst her mens vi beregner den totale inntekten fordi jeg bare ser på de best rangerte kundene. Denne rangeringen bestemmes av kunderangeringsverdien .

Ved å bruke TOPN skal jeg gå gjennom alle kundedataene. Imidlertid vil det bare opprettholde konteksten for topp 4, siden det er parameteren som settes i tabellen. Det er verdien jeg har satt i sliceren.

Jeg kan flytte sliceren til 3, og resultatene må også endres og gjenspeile bare dataene for topp 3.

Jeg vil også se på de nederste kundene mine, så jeg legger det til i tabellen min.

Siden jeg legger mine bunnkunder der, er det også viktig å merke seg at jeg trenger det totale antallet kunder per butikk innenfor en gitt tidsramme.

For å få det totale antallet kunder brukte jegfunksjon.

Merk at alt dette bare er eksempeldata, så tallene jeg kommer opp med fra denne formelen kan virke små og urealistiske. Men denne beregningen vil også fungere for større frekvenser når den først er brukt på scenarier i det virkelige liv.

Her er formelen jeg brukte for å få bunnkundene. Legg merke til at den er veldig lik den jeg brukte for toppkunder , men med noen mindre justeringer.

Jeg brukte både CALCUATE og TOPN -funksjonene her også. Men i stedet for bare å legge inn kunderangeringen , brukte jeg forskjellen mellom Totalkunder og Kunderangering . 

Da i stedet for bare å plassereog kundenavn , måtte jeg legge til logikk. Siden jeg får de nederste kundene i stedet for de øverste, kommer jeg til å bruke ASC i stedet for DESC .

Den forrige formelen gikk gjennom hver enkelt kunde for å få de beste. Men siden jeg får de nederste kundene, betyr dette at det også vil telle tilfellene der det var null salg .

Jeg må sørge for at de som regnes som bunnkunden også har kjøpt. Dette er grunnen til at jeg har lagt til at verdien skal være større enn 0 .

På grunn av det viser dataene mine nå hvor mange kunder som faktisk har kjøpt. På denne første raden viser det at 11 kunder kjøpte noe i den spesifikke butikken innenfor den gitte tidsrammen.

Det kan bli ganske vanskelig på denne delen, mest fordi TOPN allerede lager en virtuell tabell, men jeg lager også en annen virtuell tabell i den. Denne virtuelle tabellen ser på en mye mindre undergruppe av kunder, og ikke på kundene som helhet.

Så jeg gjør en annen rangering her på slutten av formelen for total inntekt . Og som jeg nevnte tidligere, bruker jeg ASC i stedet for DESC .

Med disse formlene har jeg nå lagt til dynamiske parametere i den dynamiske segmenteringen.

Visualisere resultatene

Teknikken jeg brukte kan potensielt brukes til mye større datasett. Dette betyr at for bedre å forstå resultatene, er det nyttig å ha noen visualiseringer for å vise dem frem.

Jeg starter med et enkelt diagram som kan vise deg en sammenligning av de øverste kontra de nederste kundene for hver butikk.

Jeg kan også endre dette og bruke et stablet stolpediagram i tilfelle tallene er store nok og vil bli bedre vist på den måten.

Med disse visualiseringene kan jeg få et bedre innblikk i tallene. Dette viser for eksempel hvilke butikker som har høyere risiko. Jeg kan se hvilke butikker som har svært få kunder som resulterer i lav inntekt.

Konklusjon

Dataene jeg brukte her er svært lavfrekvente, men forestill deg mulighetene når dette brukes på større datasett. Denne teknikken kan også segmentere annen informasjon og legge til så mange forskjellige parametere bortsett fra bare topp- og bunnkunder, eller butikkplasseringer.

Dette eksemplet viser hvordan man kan jobbe med tiltak også innenfor tiltak. Teknikker som disse gir fantastisk innsikt i data, uavhengig av hvor de brukes.

Beste ønsker,