Kundeanalyse i LuckyTemplates; Gjennomgang av ytelse over tid

Kundeanalyse er en avgjørende ting å gjøre for enhver bedrift, spesielt hvis du har et stort antall kunder. Du kan se hele videoen av denne opplæringen nederst på denne bloggen.

I denne spesielle opplæringen arbeider jeg gjennom hvordan vi kan lage noen overbevisende kundeanalyse overtid .

Jeg ser på kundens kjøpsatferd mellom ulike tidsrammer og legger dem inn i en , og fremhever informasjonen på en måte som gjør at du kan ta informerte beslutninger om den.

På grunn av hvor enkelt vi kan plassere filtre og slicere over rapportsidene våre i LuckyTemplates, kan vi virkelig lage noen virkelig overbevisende visualiseringer og se hva kundene våre gjør.

Vi kan også klikke oss dynamisk inn i kundegrupper og prestasjonsgrupper.

Jeg snakker litt om hvordan du kan sette opp dette på en rapportside ganske sømløst og være i stand til å fremheve nøkkelinformasjonen, som virkelig vil ha innvirkning på hvilke handlinger du tar med kundene dine.

Disse handlingene kan forbedre ting som å sette mer ressurser til kunder, mer penger til markedsføring eller reklame og så mange ting av den art.

Innholdsfortegnelse

• Gruppering av kundene dine
• Borer dypere inn i kunder
• Konklusjon

Gruppering av kundene dine

Når du har mange kunder, kan diagrammet ditt være veldig travelt, og det ville være ganske vanskelig å se endringene i kundeatferden din over tid. Du vil ikke kunne vise frem innsikten på en effektiv måte.

Men tenk på det i bredere termer av hvordan du setter opp dette, som jeg vil vise deg.

Du må bare tenke på din nåværende modell og hvordan du kan bygge på toppen av den modellen for deretter å vise frem innsikten.

I dette eksemplet vil du se at jeg har et tidsvalg, og jeg prøver å vise totalt salg etter total fortjeneste. Men det jeg også vil vise er hvordan denne endres over tid per kunde.

Og du ser hvor travelt dette diagrammet er, ikke sant?

Det er mange kunder og vi er IKKE i stand til å se endringene til kundene. Vi kan ikke se hvordan de beveger seg gjennom tiden i ytelsesperspektivet.

Så vi må bryte det opp og segmentere det. Vi må gruppere disse kundene, noe som vil gjøre oss i stand til å bore inn i en veldig nisjegruppe av kunder, og kanskje bore enda lenger.

Her kan du se at jeg har satt opp en liste over kundene mine, og den er faktisk ganske lang.

Men vi ønsker egentlig ikke å gå ned hit og velge ut alle kunder, ikke sant? Hvis vi gjør det, kan vi egentlig ikke se hva vi har valgt etter at vi har gjort det.

Så jeg har opprettet disse kundegruppene, hvor jeg nettopp har bygget en beregnet kolonne som rangerer kundene mine i akkurat disse gruppene.

La meg vise deg hva jeg har gjort der. Jeg har mine datamodeller her, og vi vil fokusere på kundetabellen.

I kundetabellen min ser du at jeg har gruppert dem basert på kundesalgsrangeringen, som er denne her.

Alt dette egentlig gjør er rangering på totalt salg.

Dette er totalt salg fra tidenes begynnelse, så det er ikke noe tidsfilter på dette. Det er med andre ord rangering av alle kunder over tid.

Det er bare en måte for oss å kunne bryte opp eller skape en annen dimensjon som deretter kan bore inn i spesifikke aspekter ved våre kunder eller spesifikke grupper av våre kunder.

Dette ville da flyte ned til allesom vi til slutt vil gjøre over salgstabellen vår eller budsjettering, og så videre.

Så i stedet for å se på alle kundene mine her, kan jeg bare gå på rangering 1-10, og du kan se i diagrammet at det bryter sammen raskt.

Nå kan vi virkelig se eller bore inn i kundene våre.

Borer dypere inn i kunder

For eksempel ønsker vi å analysere hvordan kundenes ytelse endres over tid for fortjeneste kontra salg. Vi kan legge her kvartal 3 også.

Dette gjør oss i stand til å overvåke disse kundene effektivt.

For eksempel ønsker vi å overvåke State Ltd. Vi kan velge det og kanskje legge til et kvartal til her. Vi kan virkelig begynne å se og finne noen ganske anstendige innsikter her.

I andre kvartal startet akkurat denne kunden her. Og av en eller annen grunn, i tredje kvartal 2017, falt det langt tilbake her. Men så zoomet hele veien opp igjen mye høyere i fjerde kvartal.

Vi startet i en veldig detaljert form når det gjelder visualiseringen og hva innsikten viser. Men gjennom funksjonaliteten vi har innebygd, kan vi gradvis gå over til mer unike eller spesifikke innsikter.

Dette er en veldig god måte å vurdere spesielt når du har mange kunder i datasettet ditt.

Dessuten har vi resten av modellene våre å jobbe med. Så for eksempel ønsker vi å se på bare de første 5 produktene som den enkelte kunde har kjøpt for å se om det er dette som forårsaker forskjellen. Og det ser det ut som det sannsynligvis er.

Andre ting som viser innsikt er den individuelle trendanalysen, og vi kan se hvordan de faktisk er laget over tid.

Det er mange forskjellige måter du kan gjøre for å filtrere dataene til slutt, og du kan også se nærmere på ulike aspekter.

Konklusjon

Denne bloggen viser frem de forskjellige måtene du kan gjøre for å gjøre kundeanalyse enkelt og effektivt på innsiden.

Hvis du setter opp modellen din spesielt med noen grupperingsteknikker, kan du bore inn i den spesifikke gruppen du vil se på.

Du kan sette opp ting der du allerede ser på et undersett av dataene dine og raskt bore inn i spesifikke kunder eller kunder fra den første gruppen.

Dette er en veldig god gjennomgang av hva du kan gjøre rundt et rapporteringsscenario basert på kundeinnsikt . Dette handler ikke akkurat om én formel her eller én visualisering. Det er en altomfattende opplæring rundt hva som kan oppnås på en veldig skalerbar måte med LuckyTemplates.

Nyt å jobbe gjennom denne.