LuckyTemplates-datasett: Lær hvordan du oppdager unormal atferd ved hjelp av DAX

I dette blogginnlegget vil jeg vise deg i detalj hvordan du kan oppdage unormale atferdsmønstre i dine LuckyTemplates-datasett . Dette er ikke noe som umiddelbart vil skille seg ut når du kjører analyse på tvers av dataene dine, så du må tenke ganske analytisk på det. Du kan se hele videoen av denne opplæringen nederst på denne bloggen.

Ved å tenke grundig over hva du ønsker å oppnå og deretter sette opp en datamodell som fungerer for denne typen beregninger, kan du oppnå resultater av høy kvalitet.

I dette eksemplet skal vi prøve å forstå hva en kunde har gjort tidligere. Vi vil også vurdere om nylige kjøp er normale eller unormale sammenlignet med det som har skjedd tidligere.

Innholdsfortegnelse

• Oppdag avvikere i dine LuckyTemplates-datasett
• Unike produkter kjøpt
• Gjennomsnittlige produkter kjøpt på et kvartal
• Gjennomsnittlige produkter kjøpt i alle kvartaler
• Konklusjon

Oppdag avvikere i dine LuckyTemplates-datasett

La oss tenke på dette fra et kommersielt perspektiv. La oss si at vi er en nettforhandler, et flyselskap eller et supermarked og at vi må implementere et lojalitetsprogram.

Vi må se på kundedatasettet vårt for å vite hvor mye en kunde faktisk har kjøpt for hvert enkelt kvartal kontra hva de kjøpte i gjennomsnitt.

Plutselig ser vi en massiv økning eller nedgang i kjøpsmønstre eller kjøpsatferd. Vi ønsker å forstå hvorfor de kjøper mye mer enn vanlig, eller hvorfor de kjøper mindre enn vanlig.

På denne måten kan vi opprette varsler i CRM-systemet vårt og deretter la salgsteamet vårt målrette mot disse personene ved å gi ut rabatter eller kuponger.

Dette er en veldig kraftig innsikt du kan hente fra LuckyTemplates. Verdien du kan trekke ut fra analysen din kan ha en positiv innvirkning på virksomheten din.

Unike produkter kjøpt

For å beregne gjennomsnittlige produkter kjøpt i et bestemt kvartal, må vi først regne ut de unike produktene som er kjøpt. Hvor mange individuelle produkter kjøpte de for hver enkelt kunde?

Vi kan finne ut dette ved å si at for enhver kundesammenheng vil vi finne ut avav produkt-ID-en i salgstabellen.

Denne formelen kommer til å gi oss hvert eneste unike produkt en kunde har kjøpt fra oss i den aktuelle konteksten.

Gitt formelen ovenfor, når vi klikker på Q1 av 2017, kan vi se at kunden Aaron Day kun kjøpte 1 produkt.

Gjennomsnittlige produkter kjøpt på et kvartal

Dette er formelen vi vil bruke for å produsere denne spesielle innsikten. Det kommer til å si i gjennomsnitt hvor mye en bestemt kunde har kjøpt i løpet av et kvartal.

Gjennomsnittlige produkter kjøpt i alle kvartaler

Det neste vi trenger er en målestokk eller et tall for å sammenligne det med noe slik at vi kan forstå hva som er unormal oppførsel.

Vi vil da beregne den samme innsikten, men vi ser ikke på noen bestemt dato. Vi vil frigi enhver kontekst på datoer.

Det denne formelen gjør er å returnere gjennomsnittlig unike produkter i hvert kvartal for en bestemt kunde. Dette er hvordan vi oppnår denne spesielle innsikten.

Så nå har vi to verdier. Når vi foretar et valg (f.eks. Q2 2017), kommer aldri kolonnen Gjennomsnittlige produkter kjøpt i alle kvartaler å endre seg på grunn av funksjonen ALLE datoer . Denne funksjonen fjerner alle filtre vi har vist fra Dates.

Med hvert valg vi gjør, vil kolonnen Gjennomsnittlige produkter kjøpt på et kvartal endres.

Ved å sammenligne disse to kolonnene kan vi vite hva som er normalt, og hva som ikke er det.

Vi kan sette det vi har kommet opp så langt i et visuelt diagram for en mer dyptgående analyse. Vi kan veldig raskt se hvor mange produkter våre kunder har kjøpt i et bestemt kvartal (høyre side) kontra hvor mye de i gjennomsnitt kjøper (venstre side).

Vi vil kunne se den unormale oppførselen fra våre LuckyTemplates-datasett og se hvilke kunder som har økt kjøpene sine. Hvem er disse menneskene, og hvorfor gjør de det?

Bevæpnet med dataene vi har samlet inn, kan vi implementere handlingsrettede strategier for å gjenskape dette.

Vi kan forsterke markedsføringsbudskapet vårt for å øke kjøpene til de som ikke produserer unormal atferd.

Konklusjon

Det er her en unormal, avvikende eller anomali type analyse tilfører mye verdi. Hvorfor? Fordi vi ønsker å forstå om kundene våre presterer bedre eller om selgerne selger mer.

Hvis vi kan finne atferdsmønstre som er positive for oss i et bestemt segment av dataene våre, kan vi replikere dette på tvers av andre segmenter.

Målet er å gjenskape fordelaktig kundeadferd og bruke den på andre områder av virksomheten.

Denne teknikken vil hjelpe enormt med å øke din analytiske tenkning rundt hva du kan oppnå i LuckyTemplates. 

Disse typer analyser og mange flere kan bli funnet i Advanced LuckyTemplates-modulene på LuckyTemplates Online . For mer informasjon, sjekk ut modulen nedenfor.

Nyt å anmelde denne.