LuckyTemplates Financial Dashboard: Komplette tabelltilpasningstips
LuckyTemplates er et flott verktøy for finansiell rapportering. Her er en veiledning om hvordan du lager tilpassede tabeller for ditt LuckyTemplates økonomiske dashbord.
Hva om du kunne vite når kundene dine sannsynligvis vil foreta sitt neste kjøp ved å bruke prediktiv analyse i LuckyTemplates? Du kan se hele videoen av denne opplæringen nederst på denne bloggen.
Ved å bruke prediktive analyseteknikker kan vi prøve å forutsi når kundene dine forventes å kjøpe produktene og tjenestene dine.
Selvfølgelig kommer det til å være litt arbeid inne i LuckyTemplates for å få alt dette til å fungere. Men det vil bare vise frem de utrolige og kraftige LuckyTemplates analytiske funksjonene som er tilgjengelige for deg når du bruker DAX-formler riktig.
Med LuckyTemplates kan du inkorporere forskjellige formler og datamodelleringsteknikker for å trekke ut noen svært meningsfulle innsikter.
I dette innlegget skal vi diskutere noen prediktive innsiktsideer. Dette er noe som er veldig gjennomførbart fra et DAX-perspektiv. Deretter skal vi diskutere hvordan vi kan bruke dataene til å forutsi kundeadferd. Til syvende og sist kan dette påvirke vår økonomiske bunnlinje positivt.
Innholdsfortegnelse
Bruke historiske data for å forutsi kundeadferd
Før vi dykker inn i diskusjonen vår, la oss ta en titt på de historiske dataene fra kundeatferdstabellen.
På toppen ser du feltene Kundenavn , Totalt antall dager transaksjoner , Dato for siste kjøp , Dager siden siste kjøp , Gjennomsnittlig dager mellom kjøp , Dager over gjennomsnittet og Totalt salg .
Ved å bruke prediktiv analyse i LuckyTemplates kan vi se tilbake i tid og se når kundene faktisk har kjøpt. Vi kan også se hvor mange ganger en person har handlet med oss.
Basert på tidsrammen de kjøpte, hvor sannsynlig er det at de vil kjøpe tilbake når som helst i nær fremtid?
Resultatene fra svaret på dette spørsmålet er en verdifull innsikt.
Hva du kan gjøre med historiske data
Enkel prediktiv analyse i LuckyTemplates kommer ikke til å være 100 % nøyaktig, og det er mange forviklinger rundt hva som kan skje, men tenk på hvordan du kan bruke denne innsikten.
Hvis en kunde i gjennomsnitt har kjøpt noe fra oss 15 ganger i løpet av de siste 2 årene og de har gjort dette hver 40. eller 50. dag, kan du gjøre litt markedsføring, foreta en salgssamtale eller sørge for at de ser en annonse på nettet for å spørre dem til å ta grep.
Det er så mange gode måter du kan bruke denne innsikten på. Selv om det ikke kommer til å være perfekt, vil det gi deg en forståelse av en kundes kjøpsbeslutninger, og du kan komme opp med en markedsplan basert på disse beslutningene.
1. Fastsettelse av siste transaksjonsdato
Så la oss gå gjennom hvordan jeg gjorde det. Jeg skal begynne med den faktiske siste kjøpsdatoen. La oss se på formelen.
2. Bestemme dagene siden siste kjøp
Det neste du må gjøre er å regne ut dagene siden siste kjøp. Hvor mange dager er det siden siste kjøp? Hva er den siste faktiske transaksjonsdatoen i datasettet mitt? Jeg finner det ut ved å bruke denne enkle formelen.
Fra disse dataene kan vi fastslå når kunden sist kjøpte fra oss. Det er interessant og nyttig fordi du vil vite når kunden sist kjøpte fra deg, og deretter sammenligne det med den gjennomsnittlige tidsrammen mellom kjøp.
Når du har den referansen, er det slik du kan oppdage kundetrender. I dette tilfellet har kunden Gregory Jackson kjøpt hver 61. dag.
Men han har ikke kjøpt noe på 451 dager, så det er noe helt klart galt der. Du kan bruke disse dataene til å gjøre endringer i markedsføringsstrategiene dine for å be denne kunden om å bli aktiv igjen.
3. Bestemme gjennomsnittlig antall dager mellom kjøp
Så dette er den store delen av denne analysen: hvordan regner vi ut gjennomsnittlige dager mellom kjøp? Selv om det er en kombinasjon av mange ting, kan det være enklere enn du tror.
Du kan få en like god projeksjon, og den er kanskje ikke perfekt, men like bra, ved å visualisere denne formelen.
Så alt jeg gjorde var at jeg gikk inn og for hver enkelt kunde regnet jeg ut når var deres siste kjøp versus når var deres første kjøp , og så delte jeg dem på det totale antallet dager de handlet.
Så tenk på det. Så for hver kunde vil vi finne ut når var det første kjøpet de gjorde , når var det siste kjøpet de gjorde , og deretter hvor mange dager de faktisk handlet med oss.
Det er åpenbart ikke perfekt, men det kommer til å gi deg et estimat av gjennomsnittlige dager og kjøp. Når noen kommer til deg med jevne mellomrom, kommer det til å vise deg gjennomsnittlige dager mellom kjøp på en logisk måte.
4. Bestemme dagene over gjennomsnittet
Så laget jeg et annet mål som viser at hvis en kunde er over sine estimerte gjennomsnittsdager, vil det vise meg hvor mange dager de faktisk er over. Dette er hva kolonnen Dager over gjennomsnittet viser.
Tankene mine eksploderer med hva du kan gjøre med denne figuren. La oss si at du er en nettforhandler, du regner ut at en kunde kommer til deg hver 30. dag.
Så frem til den datoen kan du sende ut e-postmarkedsføring til dem, eller du kan gjøre noen annonser på Facebook. Dette er en virkelig, virkelig flott innsikt som du kan bruke til å forbedre kundebevaringsgraden.
Et annet eksempel er akkurat denne kunden her. Gjennomsnittlig tid mellom kjøp er 98 dager, mens siste kjøp ble gjort for 48 dager siden.
I dagene frem til denne kundens neste kjøp kan du sende ut noe markedsføringsmateriell for å minne dem om virksomheten din.
5. Bestemme lønnsomheten til en kunde
Et annet mål vi kan bruke er kundenes lønnsomhet. Brukerkolonnen, kan du sjekke hvilke som er dine beste kunder.
Du kan også finne ut om det ville ha stor innvirkning på virksomheten din hvis du mistet en bestemt kunde. Ved å bruke eksempelet i tabellen nedenfor, vil det å miste Gregory Jackson som kunde ikke ha stor innvirkning fordi du bare tjente $3 222 i salg fra ham.
På den annen side ønsker du å beholde Joshua Romero fordi han har vært en veldig god kunde så langt. Du kan formulere en markedsføringsplan og deretter kontakte ham.
Du kan identifisere kundene som er mest lønnsomme for virksomheten din, og avgjøre om de kjøper som de skal. Kolonnene Totalt salg og Dager over gjennomsnittet viser deg hvordan du identifiserer disse to tallene i sanntid.
Konklusjon
Så jeg skal runde av med denne innsikten. Evnen til å integrere avansert prediktiv analyse i LuckyTemplates er kraftig og kan tilføre organisasjonen din mye verdi.
For eksempel kan det å gjøre fremtidige forretningsspådommer gjøre virksomheten din mer effektiv og tillate deg å få et konkurransefortrinn i forhold til konkurrentene dine.
Ta deg tid til å se gjennom denne videoen og lær deg en teknikk du kan bruke for å forutsi fremtidige forretningsscenarier.
Hvis du vil lære mer om noen av de mest avanserte analyseteknikkene i LuckyTemplates, sjekk ut lenken nedenfor fra.
Lykke til med disse teknikkene
LuckyTemplates er et flott verktøy for finansiell rapportering. Her er en veiledning om hvordan du lager tilpassede tabeller for ditt LuckyTemplates økonomiske dashbord.
Denne opplæringen vil diskutere Power Query Language Flow og hvordan den kan bidra til å lage en jevn og effektiv datarapport.
Jeg vil diskutere en av mine favorittteknikker rundt LuckyTemplates egendefinerte ikoner, som bruker egendefinerte ikoner på en dynamisk måte i LuckyTemplates visuals.
I denne bloggen viser jeg deg hvordan du kan lage LuckyTemplates-tabeller ved å bruke en formel som kombinerer UNION-funksjonen og ROW-funksjonen.
Oppdag hvordan on-premises data gateway lar Power Automate få tilgang til skrivebordsapplikasjoner når brukeren er borte fra datamaskinen.
Denne bloggen inneholder LuckyTemplates TOPN DAX-funksjonen, som lar deg få unik innsikt fra dataene dine, og hjelper deg med å ta bedre markedsføringsbeslutninger.
Lær noen fantastiske analytiske teknikker som vi kan gjøre for datamodellering i LuckyTemplates ved å bruke DAX-støttetabeller.
Her dykker vi ned i LuckyTemplates Advanced DAX og implementerer rangeringslogikk for å få en helt unik innsikt. Jeg viser også frem målegrening i dette eksemplet.
Denne bloggen introduserer den nye funksjonen i LuckyTemplates, What-If-analyseparameteren. Du vil se hvordan det gjør alt raskt og enkelt for scenarioanalysen din.
Finn ut hvordan du kan finne ut om inntektsveksten din er god ved å sjekke om marginene dine økte ved å bruke LuckyTemplates som måler forgrening.