Kundesegmenteringsteknikker ved bruk av datamodellen – LuckyTemplates og DAX

I dette blogginnlegget skal jeg vise deg hvordan du gjør kundesegmenteringsteknikker via datamodellen i LuckyTemplates. Du kan se hele videoen av denne opplæringen nederst på denne bloggen.

Noen ganger vil ikke rådataene dine ha all informasjonen du trenger for å vise frem noe i LuckyTemplates. Men ikke la dette stoppe deg.

Alt du trenger er en fantasi rundt hvordan du kan bygge ut datamodellen din eller bruke litt ekstra logikk i oppslagstabellene dine som kan gi langt større innsikt enn du kanskje trodde var mulig med rådataene du har i sin nåværende form.

Jeg vil lede deg gjennom et detaljert eksempel på hvordan du kan segmentere kundene dine ved å vurdere om de er gode kunder, ok kunder eller dårlige kunder.

Innholdsfortegnelse

• Segmentering av kunder basert på ytelse
• Opprette kundegrupperingstabellen
• Oppslagstabeller og beregnede kolonner
• Beregne salgsforskjellen
• Bruke SWITCH-logikken
• Konklusjon

Segmentering av kunder basert på ytelse

I hovedsak vil vi jobbe med hvordan du segmenterer kundene dine basert på ytelse.

Du kan bruke denne teknikken til å segmentere omtrent hva som helst, men jeg ønsket å vise hvor effektivt det kan være å vise frem innsikt i rapporten din basert på et virkelighetsscenario.

Ved å bruke datamodellen kan vi raskt isolere hvert enkelt segment for analyse. Vi kan se de underliggende driverne som vil skille kundene våre som gode, gode, gjennomsnittlige eller dårlige når det gjelder salg.

Jeg har laget en slicer eller et filter som lar meg analysere kunder som gode, gode, gjennomsnittlige eller dårlige basert på visualiseringene vi har lagt inn i rapporten vår.

Visualiseringen vil vise oss når divergensen startet (februar 2016) og hvorfor det er en divergens.

Det er viktig å vise hvorfor med visualiseringene i rapportene dine.

Nederst i rapporten kan vi se nøyaktig når divergensen skjedde.

Vi kan også se på produktene våre for å finne ut hvilke produkter som forårsaket denne forskjellen og gjorde disse kundene gode. Vi kan finne ut hvilke produkter som gjorde det mulig for kundene å kjøpe mer fra oss enn de hadde tidligere.

Det som også er kult er slicerne i visualiseringene våre. De vil filtrere basert på hva vi har integrert i modellen vår, og så kommer de også til å filtrere basert på hvilken ytelsesgruppe eller segment vi har valgt.

La oss ta en titt på våre fattige kunder ved å klikke på Dårlig salg på sliceren. Vi kan da se hvilke klienter som har prestert dårlig på kolonnen under sliceren.

Ved å se på diagrammet for akkumulerte salgstidsrammesammenligninger, kan vi se på salg i år kontra salg fra i fjor. Hvorfor er det stor forskjell mellom de to? Har det noe med produktene eller marginene å gjøre?

Alle disse spørsmålene kan besvares og fremvises ved å bruke kundesegmenteringsteknikkene jeg vil vise deg.

Opprette kundegrupperingstabellen

Så hvordan gjorde jeg denne teknikken? Først, la oss hoppe tilbake til modellen. Jeg opprettet en tabell som heter.

Dette er noe du ikke trenger å gjøre, men jeg liker å lage det fordi det gir meg en egen tabell som viser frem kundegruppene. Jeg har også satt en indeks ved siden av grupperingene slik at vi kan filtrere eller sortere dem fra gode til dårlige.

Det er klart at vi trenger en tilkobling fra Kundegrupperingstabellen ned til Kundertabellen fordi vi trenger å gruppere kundene våre på en bestemt måte.

La oss hoppe inn og se på kundene mine jeg trenger å segmentere.

Det er her de beregnede kolonnene i disse oppslagstabellene kommer inn.

Oppslagstabeller og beregnede kolonner

Tabellene inne i den blå boksen er det vi kaller oppslagstabeller .

Det er her vi kan sette våre beregnede kolonner .

Nå tror noen av dere kanskje at dere kan gjøre dette dynamisk ved hjelp av tiltak. Vel, det kan du absolutt.

Jeg ønsket imidlertid å gjøre dette fra et visst tidspunkt. Dette er situasjonsavhengig, og du kan bruke enten beregnede kolonner eller mål.

Ved å bruke beregnede kolonner ønsket jeg å se på salget vårt fra et bestemt tidspunkt. I dette tilfellet ønsket jeg spesifikt å se på 2016-salget og 2015-salget .

For å gjøre dette brukte jeg CALCUATE -funksjonen og plasserte et filter inne i den slik at jeg bare får salg for en bestemt tidsperiode.

Beregne salgsforskjellen

Så fra 2016 Sales og 2015 Sales kan jeg utlede salgsforskjellen ved å bruke denne formelen:

Salgsforskjellen er hvor vi kan begynne å segmentere kundene våre basert på salget .

Bruke SWITCH-logikken

Salgsforskjellen mellom 2016 og 2015 vil avgjøre hvilken ytelsesgruppe kundene våre skal sitte i. Det er her SWITCH- logikken kommer inn.

Delogikk lar deg lage flere dimensjoner som ser ut som nestede IF-setninger som ser bedre ut.

Vi kan komme med utsagn som sier at hvis en kundes salgsforskjell er større enn eller lik $200 000, så er han eller hun en god kunde.

Dette er hvordan vi bestemmer hvilket segment eller gruppe kundene våre skal legges inn i. Denne teknikken er svært tilpasningsdyktig og kan settes på tvers av enhver dimensjon og enhver oppslagstabell.

Du kan forenkle dette ytterligere ved å ikke bruke salgskolonnene for 2016 og 2015 og kolonnen Salgsforskjell. Du kan bare legge all logikken inne i målingen.

Men i dette tilfellet ønsket jeg å vise deg hvordan du bruker beregnede kolonner i oppslagstabeller for å lage disse informasjonssegmentene.

Hvis vi går tilbake til våre endelige visualiseringer, denne spesielle sliceren

kommer fra dette bordet.

Detabellen filtrerer deretter beregningene og logikken vi har gjort i Kunder- tabellen. Deretter filtreres forholdet ned til de andre tabellene.

Slik kan alle våre visualiseringer oppdateres basert på kundesegmentet vi velger på sliceren.

Gjennom denne opplæringen var vi i stand til å vise frem kundesegmenteringsteknikker og vise forskjellige måter å dele opp dataene våre på.

Det underlige med det hele er at det ikke fantes i vår faktiske modell; vi måtte lage den ved hjelp av logikk.

Konklusjon

I de fleste tilfeller ønsker du å fokusere på dine beste kunder fordi det er der de fleste av dine gode resultater kommer fra. Så du vil identifisere trender rundt ytelse og gjennomføre en grundig gjennomgang av dette spesifikke segmentet av dataene dine .

Ved å bruke denne teknikken kan vi isolere våre gode kunder og finne ut hvorfor de er gode. Vi kan forstå hvorfor de har prestert bra og prøver å gjenskape det på tvers av alle andre klienter som har prestert dårlig.

Dette er hva denne opplæringen handler om. Du kan gjenbruke disse kundesegmenteringsteknikkene på tvers av en rekke analytiske scenarier. Det trenger ikke bare handle om kunder, men det er det jeg fokuserte på i dette spesielle tilfellet.

For mer praktiske måter å bruke LuckyTemplates for å finne kraftig innsikt som betyr noe, sjekk ut denne kursmodulen på LuckyTemplates Online. Mye å lære av med dette ene kurset.

***** Lære Lucky Templates? *****