Evaluering av kundemarginsammentrekning ved hjelp av LuckyTemplates

Her skal vi se på kundemarginsammentrekning. Vi skal prøve å finne ut hvilke kundemarginer som reduseres og hvorfor de reduseres . Er det på grunn av deres innkjøpsfrekvens? Er det på grunn av produktene de kjøper? Eller av en annen grunn? Du kan se hele videoen av denne opplæringen nederst på denne bloggen.

Vi skal løse dette analytiske problemet med LuckyTemplates ved å bruke en rekke teknikker.

Denne typen eksempel er perfekt å gå gjennom hvis du ønsker å forbedre dine egne analytiske evner når du bruker LuckyTemplates.

Ikke bare din analytiske tenkning, men også den praktiske anvendelsen av å bruke LuckyTemplates som et verktøy for å løse denne typen utfordringer.

Gjennom LuckyTemplates og ved å implementere en rekke teknikker, som jeg viser frem, kan du faktisk utarbeide denne innsikten ganske effektivt.

Ikke bare det, du kan løse det på en dynamisk måte. La oss for eksempel si at vi har kunder over en rekke forskjellige regioner. Vel, vi vil kanskje også velge gjennom disse regionene, og deretter finne ut hvilke av våre kunders marginer som har redusert i en bestemt region over en viss periode.

Dette er en analytisk innsikt av virkelig høy kvalitet, og det er nøkkelen. Det er det vi ønsker å bruke LuckyTemplates til. Det er det jeg vil at du skal implementere i dine egne modeller.

Innholdsfortegnelse

• Demonstrasjon av innsikten du kan få fra denne teknikken
• Utarbeide formlene
• Opprette dashbordet og gjøre ytterligere forbedringer
•  Konklusjon

Demonstrasjon av innsikten du kan få fra denne teknikken

I eksemplet mitt her, evaluerer jeg hva som har skjedd mellom i år og i fjor , om kundemarginene ble redusert eller utvidet, men jeg borer virkelig inn i de som har gått ned.

I dette dashbordet kan vi klikke på hver stat. Vi kan sette opp dette på mange forskjellige måter, sier butikkene våre hvis vi ønsker å bore inn i en bestemt butikk. I dette tilfellet ser vi på statene der vi selger produktene våre.

Vi fokuserer bare og ser på marginene som er mindre enn null. Vi bruker litt naturlig filtrering inne i LuckyTemplates for å oppnå denne innsikten eller trekke ut denne innsikten fra informasjonen.

For eksempel ser vi spesielt på New York, vi ser alle salgene vi har gjort i New York. Hvis vi ser på alle kundene her, vil vi kanskje vite hvem sin margin som har falt mest og hvorfor . I klyngen av kunder her ønsker vi å vite hvilke produkter de har kjøpt, hvem som var selger, hvilken butikk de kjøpte osv.

Hvis vi vil vite hvor mye var det faktiske salget og fortjenesten, kan vi faktisk komme inn i vårher og velg alle disse elementene individuelt.

Nede i denne tabellen her har vi hver enkelt ordre, hvert kjøp og alle detaljene for det kjøpet. Vi har kunden, selgeren, fylket, statens navn, navnet på byen eller navnet på butikken, den faktiske fortjenestemarginen på salget, totalt salg og total fortjeneste.

Så vi har egentlig veldig spesifikk informasjon der. Hvis du tenker på det, er dette et enormt datasett. Og vi borer virkelig i detaljene her, og oppdager hva som skjer og hvorfor.

Er det fordi vi hadde disse produktene på tilbud, eller at vi ga dem rabatt? Finnes det noen vanlige produkter? Er det selgere som bare kutter prisen hver gang for å foreta et salg?

Utarbeide formlene

For å bygge denne analysen bruker vi naturlig filtrering. Vi trenger ikke skrive komplekse DAX-formler. Det første du må gjøre er å lage noen enkle kjernemål, for eksempel totalt salg, fortjeneste, kostnader, etc.

Vi går til Nytt mål, og lager deretter marginmålet vårt. For denne formelen deler vi ganske enkelt total fortjeneste på totalt salg . Deretter sørger vi for at den er formatert som en prosent.

Nå siden vi ønsker å analysere overtid og sammenligne 2017 og 2016 , setter vi et sidenivåfilter på 2017. Så for eksempel er fortjenestemarginene her for alt vi har solgt i 2017. Vi kan deretter sammenligne fortjenestemarginene for 2017 og 2016 ved hjelp av noen Time Intelligence-funksjoner .

Så vi går nytt mål igjen, og oppretter Profit Margins LY (for fjoråret). Vi bruker CALCUATE Profit Margins , og deretter SAMEPERIODLASTYEAR .

Med det resultatet her, kan vi nå regne ut utvidelsen eller reduksjonen av kundemarginen over tid mellom 2017 og 2016.

Så vi oppretter et nytt mål igjen, Margin Change , som er lik Profits Margins (i år) minus Profits Margins LY (i fjor).

Opprette dashbordet og gjøre ytterligere forbedringer

Når vi har alle disse tiltakene på plass, kan vi begynne å lage dashbordet vårt. Denne analysen er perfekt for et punktdiagram fordi det er her vi kan finne klynger av informasjon .

For å gjøre dette, legger vi vår Margin Change i X-aksen, og våre Profit Margins i vår Y-akse. Vi henter inn kundenavnet vårt i detaljene for å få denne klyngen i diagrammet vårt.

Deretter setter vi opp staten vår, hvor vi kan filtrere på statene. Deretter setter vi opp tabellen nedenfor. På grunn av datamodellen vi har her, kan vi hente elementer fra alle oppslagstabellene våre, og sammenligne dem med hva som helst i salgstabellen eller med en hvilken som helst formel vi har gjort over salgstabellen.

Så vi kan hente bestillings-ID-en vår, ettersom vi ser på hver enkelt bestilling, og deretter hente inn alle de andre elementene, inkludert produktnavnet vårt, fylket, staten, butikken, kunden som kjøpte den, totalt salg, Total fortjeneste og riktige marginer.

En sak her er at marginendringen er nøyaktig den samme som fortjenestemarginen. Hvorfor? For det var faktisk ikke noe salg året før, og det er en ubrukelig innsikt. Det vil vise en massiv Margin Change fordi marginen i fjor var null.

Det vi må gjøre er å kvitte oss med disse ved å lage et mål som viser hva de totale transaksjonene var i fjor . Nå har vi allerede fått totalt antall transaksjoner (mål) for inneværende år, 2017, og derfor skal vi lage en formel kalt Transaksjon LY (i fjor).

Vi skal gjøre akkurat den samme teknikken som vi brukte like før. Vi bruker CALCUATE Total Transactions , og. Deretter legger vi inn Datoer- kolonnen.

Vi kan også bruke disse filtrene på høyre side. Vi kan velge de visuelle, margendringer og fortjenestemarginer etter kundenavn, og deretter ta tak i Transactions LY-målet og sette det inn i de visuelle nivåfiltrene.

Dessuten kan vi sette et ekstra filter, vi trenger ikke å skrive komplekse DAX-formler for alle disse små tingene som vi kanskje vil filtrere.

Ved å sette dette filteret her for kun salg i fjor som er større enn null, kan vi veldig raskt bli kvitt alle de feil tallene som faktisk ikke betyr noe.

Nå siden vi ser på de kontraktsfestede marginene, ønsker vi å bli kvitt alt som utvides. For å gjøre dette går vi tilbake til filtreringsdelen og ser på verdier som er mindre enn 0 . Vi klikker på Bruk filter, og det endrer automatisk diagrammet raskt.

Nå som vi har den innsikten vi søker, kan vi leke og forbedre det visuelle, for eksempel bakgrunnen, fargene osv.

Svar hvis marginene utvides eller trekker seg sammen over tid med LuckyTemplates

 Konklusjon

I denne opplæringen har jeg gått gjennom en rekke teknikker, inkludert hvordan vi forgrener oss gjennom noen DAX-logikk, og borer enda dypere inn i en bestemt innsikt ved å bruke disse tilleggsfiltrene på høyre side, og det visuelle nivåfilteret.

Nøkkelen her er at denne teknikken lar deg finne eller bore i denne informasjonen uten å måtte skrive veldig komplekse formler.

Dykk ned i dette innholdet og prøv å gjenskape det. Forstå hvordan du kan gjøre det, og repliker det deretter over dine egne datasett.

Det er slik du kommer til å få mest mulig ut av dette materialet og ut av noen av disse veiledningene som jeg går gjennom.

Jubel!