Hvordan evaluere klynger i dataene dine ved å bruke DAX-teknikk i LuckyTemplates

I denne opplæringen skal jeg vise deg hvordan fremvisning av klynger i dataene dine gjør det mulig for deg å trekke ut langt overlegen innsikt enn om du bare hadde et punktdiagram med mye informasjon plantet der inne. Du kan se hele videoen av denne opplæringen nederst på denne bloggen.

Jeg skal gå gjennom noen avanserte DAX-teknikker som du må bruke i kombinasjon med datamodellen. Hvis du bruker dem godt, åpner de analytiske mulighetene seg betydelig for deg, og du kan virkelig vise frem innsikt på en effektiv måte.

I dette spesielle eksemplet prøver jeg å se om det var noen grunn til at vi ser en viss gruppering av kundene våre basert på deres ytelse .

Ved å legge litt logikk (innenfor en DAX-formel) over en sekundærtabell, er jeg i stand til å klassifisere om en kunde er god, ok, dårlig eller god.

Så ved å bruke denne nye dimensjonen i punktdiagrammet mitt, kan jeg se om det dukker opp noen gruppering av utfall basert på logikken jeg nettopp implementerte.

Innholdsfortegnelse

• Hvordan visualisere klynger i dataene dine
  • Inne i datamodellen
  • Integrering av logikk i dimensjonen
  • Opprette visualiseringen
• Konklusjon

Hvordan visualisere klynger i dataene dine

I denne visualiseringen ser vi på hver enkelt kunde i datasettet vårt. Det er mange kunder, og vi analyserer kundene basert på deres fortjenestemarginer i deres totale salg. På høyre side har vi en klynge av kunder med høy ytelse eller kunder med høyere marginer.

For å oppnå dette må vi lage en logikk som gjør oss i stand til å visualisere disse klyngene av informasjon og bygge den logikken basert på hvilken profittgruppe disse kundene sitter i.

Nøkkelen her er at disse profittgruppene faktisk ikke eksisterer i datamodellen, så vi må bygge denne logikken, og deretter legge den over.

Dette eksemplet er bare en av mange måter vi kan gjøre dette på. Vi kan se på profittvekst, marginvekst og en rekke ting der vi trenger enhver form for logikk og bringe den inn her. Vi kan deretter identifisere ethvert mønster eller klynge av informasjon som virkelig kan trekke ut litt innsikt for oss.

Inne i datamodellen

Når vi ser på datamodellen, er den første tingen å merke seg at vi har laget en støttetabell her. En støttetabell brukes vanligvis noen ganger som en parametertabell, men i dette tilfellet skal vi bruke en logikk som integrerer støttetabellen i vår kjernemodell.

Inne på støttebordet vårt analyserer vi hvilken kundegruppe basert på lønnsomhet som disse kundene sitter innenfor.

Så for eksempel, hvis kunden har generert over $25 000 i fortjeneste, så kommer de til å være en toppklient, mens de mellom $20 000 og $25 000 kommer til å være en god kunde, så videre og så videre.

Integrering av logikk i dimensjonen

I kundetabellen bruker vi støttetabellen, og bygde deretter litt logikk.

Noen av dere tenker kanskje at det er bedre å utvikle all denne logikken inne i denne kalkulerte kolonnen – ja, absolutt – men noen ganger synes jeg det ikke er praktisk, spesielt når støttetabellen har for eksempel 10 forskjellige logikkstykker som du må jobbe gjennom .

Ja, du kan bare utvikle en veldig komplisert beregnet kolonne, men jeg tror det ville være så mye lettere å sette dem i en støttetabell, og deretter skrive enkel logikk som dette, som ville integrere dem.

I denne logikken her, BEREGNER vi hvilken gruppe hver kunde sitter i. Gruppen kommer til å bli returnert av funksjonen , og da er FILTER -funksjonen det som skaper iterasjon for å iterere gjennom logikken.

Så, for hver kunde her, hva er den totale fortjenesten ; ligger det mellom MIN og MAX for noen av gruppene våre. Hvis den gjør det, returner den gruppen. Og det er hvordan vi oppretter disse fortjenestegruppene .

Opprette visualiseringen

Nå som vi har denne dimensjonen, kan vi bruke den i visualiseringene våre for å identifisere disse klyngene. Så vi lager et spredningsplott , og tar deretter inn fortjenestemarginene våre i Y-aksen og Salg inn i X-aksen .

Men hvis vi drar inn Kundenavn , vil vi se her at vi har laget noe informasjon, men det viser egentlig ingen verdi. Det ville vist mye bedre om vi oppretter klynger av informasjon.

 Så for å gjøre dette, fyller vi bare punktene og endrer noen få datafarger for å sikre at noen skiller seg ut. Ved å gjøre disse enkle justeringene kan vi enkelt identifisere og trekke ut mye mer informasjon inne i bildene våre .

Støttebordet er et virkelig nøkkelbegrep for å komme seg rundt og å forstå når du brukerfordi vi kan integrere det på så mange måter.

Det er mange måter vi kan identifisere klynger på basert på en rekke beregninger, ettersom det er så mange forskjellige scenarier som dataene våre kan kreve at vi analyserer.

Finn mønstre i dataene dine med intern logikk ved å bruke LuckyTemplates og DAX

Konklusjon

Det er litt med denne teknikken, men å vise klynger i dataene dine ved hjelp av logikk er veldig kraftig, og det er så mange måter du kan replikere dette i andre scenarier eller på tvers av dine egne data.

Det er til syvende og sist det jeg vil at du skal trekke ut fra denne opplæringen jeg har laget, ettersom de analytiske mulighetene vokser eksponentielt rundt denne typen teknikk.

Dette er en avansert teknikk, så ikke bli for bekymret hvis det ikke gir mening umiddelbart, men prøv det definitivt. Du vil raskt oppdage at du oppdager noen virkelig interessante innsikter som du ikke hadde før.

Jubel!