Pipe In R: Koblingsfunksjoner med Dplyr
I denne opplæringen lærer du hvordan du kobler funksjoner sammen ved å bruke dplyr-røroperatøren i programmeringsspråket R.
I dag blir jeg kompleks med DAX, men det er fordi jeg liker å vise kraften til dette formelspråket i LuckyTemplates. Jeg vil at du også skal komme dit. Dette er grunnen til at jeg alltid ønsker å bli praktisk angående implementering. Dynamisk segmentering er et perfekt eksempel på en virkelig verdifull kommersiell innsikt du kan trekke ut av analysen din i LuckyTemplates. Du kan se hele videoen av denne opplæringen nederst på denne bloggen.
Si at du vil se hvilke kundegrupper som kjøper produktene dine. Når jeg sier kundegrupper, er det dine toppkunder, dine mellomkunder eller dine nederste kunder? Du vil raskt oppdage at dette faktisk ikke er så lett å finne ut, siden denne "grupperingen" ikke engang eksisterer i råtabellene dine. Du må lage den via en støttetabell, og jeg viser deg hvordan i dette blogginnlegget.
I dette innlegget skal vi gå gjennom hvordan du kan visualisere hvilke kundegrupper som bidrar mest til fortjenesten din. Nå er det noen få trinn vi må gå gjennom for å komme til dette punktet, men dette er en virkelig flott analyse hvis du ønsker å gå gjennom tiden og finne ut hvor mye dine topp 5, topp 5 – 20 og resten av kundene dine bidrar til fortjenesten din.
Du kan bruke de samme teknikkene vi skal gå gjennom i dette blogginnlegget for å faktisk gjøre din egen analyse. Ved å bruke datamodellen kan du lage denne typen dynamisk visuell. For eksempel i dennevi ser på hva som er bidraget til topp 5, rangering 5 – 20 og resten.
Siden alt er dynamisk, kan vi også klikke gjennom hvert produkt som vi selger riktig og se forskjellen for hvert enkelt produkt. Vi kan se at noen produkter blir totalt dominert av topp 5, men det er sannsynligvis fordi det ikke selges så mye med det aktuelle produktet.
På den annen side, når vi klikker på et høytselgende produkt, kan vi se at det er litt mer distribuert. Dette er den typen god innsikt du kan få fra denne typen analyser.
Innholdsfortegnelse
Beregning av total fortjeneste
La oss starte fra bunnen av og jobbe gjennom hvordan vi faktisk kan komme til dette punktet. Det første vi må gjøre er å sette opp noen enkle beregninger.
Vi skal først beregne vår totale fortjeneste ved å bruke vårt totale salg minus våre totale kostnader.
Opprette tabell for rangering
La oss bare hoppe tilbake til datamodellen vår først. Du vil se at på toppen har vi våre kjernedatamodeller: Datotabell, Produkttabell, Regiontabell og Kundetabell, som alle går ned til Salgstabellen nederst. Hver enkelt transaksjon som gjøres er i salgstabellen vår, og det er der vi gjør beregningene våre.
Hvis du tenker deg om, har vi ikke noe i modellen vår her som forteller oss hvem som er blant de fem beste eller hvem som har rangert fra 5 – 20, eller hvem alle andre er. Dette betyr at vi må lage det. Husk også at vi ønsker at det skal være det, Ikke sant?
Så vi må lage en tabell som vil gjøre dette for oss. Vi vil opprette grupper i tillegg til deres MIN og MAX. For topp 5 er minimum 0 og maksimum 5. For rangeringer 5 – 20 vil det være 5 og 20, og så videre. Vi vil deretter integrere denne tabellen i datamodellen vår gjennom Dax-formelen, og denne vil deretter dynamisk rangere kundene basert på uansett konteksten for beregningen.
Formulering av kundefortjeneste etter gruppe
Vi skal finne ut hvordan du kan slå opp kundefortjeneste etter gruppe (4:00). La oss raskt gå gjennom hva som faktisk skjer her. Først av alt skal vi beregne total fortjeneste, som er målingen for total fortjeneste jeg lærte deg tidligere.
Men det vi trenger å gjøre er å se hvilken rangering hver kunde er i, og om de sitter innenfor hver av de tilpassede rekkene som vi nettopp opprettet i tabellen vår. Hvis de gjør det, blir de deretter satt inn i den gruppen av topp 5, rangering 5 til 10 eller resten.
Dette er logikken vi skal bruke for å faktisk lage eller kjøre disse beregningene.
La oss bare spotte noe veldig raskt her og dra måneden og året inn i tabellen. Vi vil kunne se det totale salget for hver av disse månedene.
Bruk av kundefortjeneste etter gruppe
Hvis vi drar våre kundegrupper i tabellen, gir det oss ikke et korrekt resultat. Hvis du virkelig borer i disse tallene, er de alle nøyaktig like. Så det vi må gjøre er å bruke Customer Profits by Group . Dette vil levere hver av fortjenesten per rangering til oss.
Det vi må gjøre er å se nærmere på en mer spesifikk tidsramme, slik at vi setter på et filter for de siste seks månedene av 2016.
Hvis vi setter noen dataetiketter på, kan vi se at dette er å beregne den totale fortjenesten, men deretter dele den opp per kundegruppe.
Visualisere tabellen
La oss gi det et diagram og se prosenten. Alt vi trenger å gjøre er å endretil diagrammet 100 % stablet kolonne.
Dette gir oss nå prosentandelen av salget fra disse tilpassede gruppene. Vi endrer visualiseringen litt og gjør dette til en rullegardin. Og så skal vi lage en annen visualisering, som vil gi oss vårt salg per produkt.
Denne beregningen justeres automatisk basert på hvilken kontekst vi setter den inn i. Så hvis vi justerer og inkluderer alle månedene i 2016, kan vi se hvordan ting endres for hver måned.
Hvis vi klikker på noen av produktene i tabellen til venstre, kan vi dynamisk se på prosentbasis hvor mye av fortjenesten vår som bestemmes av spesifikke grupper.
Visualisere sammensetningen av fortjeneste
Når vi klikker gjennom alle de forskjellige produktene, kan vi se hva som er sammensetningen av fortjenesten vår over tid for hvert av produktene vi selger. Vi kan se på det fra et hele porteføljeperspektiv.
Eller vi kan til og med gå inn i våre topp 3 produkter og se at det var et fall på slutten av 2015. Vi kan spørre hvorfor en høyere andel av våre mindre kunder kjøper disse produktene sammenlignet med at våre større kunder ikke kjøper noe.
Tydeligvis vil ting som dette gi en veldig god diskusjon å høre fra selgerne og ledelsen. Denne DAX-formelen er en virkelig flott teknikk som faktisk kan gjenbrukes i en rekke forskjellige scenarier. Jeg anbefaler på det sterkeste å dykke ned i denne dynamiske segmenteringsteknikken og ta en titt på hvordan du faktisk kan bruke den for deg selv og for noen av analysen du gjør.
Konklusjon
Som du kan se, er det litt til det, men det er virkelig kraftige ting. Denne analysen er flott for å se sammensetningen av hvem som kjøper tingene dine, ikke bare på tvers av produktene dine som helhet, men du kan til og med dykke ned i spesifikke produkter og sammenligne hvordan sminken kan være annerledes. Denne teknikken har et teknisk begrep -. Det er fordi vi dynamisk segmenterer resultatene våre ved å plassere dem gjennom en eller annen logikk, som vil dele det opp i sin egen kake.
Jeg går gjennom denne spesielle teknikken på en omfattende måte i kurset mitt Løse analytiske scenarier på . Sjekk dette for å lære mer. I denne videoen går jeg gjennom en oversikt over hvordan du kan implementere det selv og hvordan det kan se ut i rapportene dine.
Lykke til med implementeringen av denne!
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.