Tidsbasert kohortanalyse – Sette opp datamodellene dine i LuckyTemplates

I denne opplæringen skal jeg gjøre et dypdykk i Time Based Cohort Analysis i LuckyTemplates.

Dette er en kort breakout-økt fra et nylig arrangement for LuckyTemplates-medlemmer. Du kan se hele videoen av denne opplæringen nederst på denne bloggen.

Jeg vil vise deg hvordan jeg setter opp dette. Dette er den vanskeligste oppgaven når du begynner å kjøre mer avanserte beregninger.

Du vil vite hvordan du setter opp datamodellene dine riktig for å unngå forvirring og sørge for at LuckyTemplates-modellen fungerer.

Innholdsfortegnelse

• Rask gjennomgang av kohortanalyse
• Opprette kohorter i LuckyTemplates
• Sette opp tabellen for kohortmåneder
• Kohortanalyseinnsikt
• Andre kohortanalyseformler som brukes
• Flere eksempler på kohortanalyse
• Konklusjon

Rask gjennomgang av kohortanalyse

Før jeg diskuterer denne teknikken, vil jeg først vise innsikten du kan få ut av den sammen med en rask gjennomgang av tidsbasert kohortanalyse.

Kohorter er en fancy måte å kalle segmenter eller grupperinger av dimensjonene eller variablene dine i dataene dine.

For eksempel vil du se på grupper av kundene dine.

Du ønsker å lage kohorter av når kundene dine først ble med eller begynte å bruke programvaren eller applikasjonen din.

For dette tilfellet har jeg laget kohorter for bestemte måneder. Så hvis kundene dine startet i juni 2017, er det deres spesielle kohort.

Det er ikke en gruppering på beløpene eller antall ganger de har handlet med deg. Du grupperer er basert på tid.

For dette eksempelet var det da de ble med.

Nå skal jeg vise deg hvordan du lager disse kohortene og deretter jobbe det inn i modellen din.

Opprette kohorter i LuckyTemplates

La oss ta en titt på modellen.

Dette er en ganske generisk modell. Slik vil du få modellene dine til å se ut.

Du kan se at jeg har et nytt lag av oppslagstabellene mine.

Men før jeg viser deg hensikten, skal jeg først jobbe med å lage disse kohortene i oppslagstabellen.

Oppslagstabellen er der du vil gruppere en bestemt dimensjon. I dette tilfellet er det kundene.

Så la oss se kundetabellen min.

Opprinnelig inkluderte kundetabellen min kun kundeindeksen og kundenavnene.

Men hvis du vil lage kohortene inne i oppslagstabellene, må du plassere dem der du vil at segmenteringen skal skje.

Nå ønsker jeg å finne ut kundens sluttdato. I mine demodata er sluttdatoen når kunden først logget på.

Den første påloggingen kan være når kunden registrerte seg ved hjelp av en e-post eller når de først brukte prøveversjonen av applikasjonen.

Du må finne ut første gang en tilkobling ble initiert av en kunde.

Jeg fikk denne informasjonen ved å bruke denne formelen:

Det brukerav påloggingsdatoen . Så pakket jeg den inn ifunksjon for å sikre at jeg får riktig filterkontekst. Dette gir meg den første daten.

Nå må jeg trene måneden. Jeg ønsker å lage mine kohorter basert på hvilken måned kunden ble med.

Denne teknikken er veldig fleksibel siden du kan lage forskjellige kohorter.

Men igjen, for dette eksempelet vil jeg bruke en månedskohort som viser måneden og året.

Dette er formelen jeg brukte for Join Month Cohort :

Jeg tok tak i måned og år -kolonnen fra datotabellen ved å bruke denne logikken:

Jeg trente meg gjennomi datotabellen og hvilken dato som tilsvarer kundens tilkoblingsdato. Så når den er lik TRUE , vil den returnere måned og år-kolonnen i samme tabell. 

Med dette har jeg nå min Join Month Cohort .

Sette opp tabellen for kohortmåneder

Nå vil jeg vise deg hvorfor jeg satte opp enbord.

La oss gå tilbake til kundetabellen.

Hvis du forlot den med denne informasjonen og logikken, kan det hende du ikke får hver gjentakelse av måneden og året.

Dette er fordi en kunde kanskje ikke har blitt med i løpet av noen måned og år. Så for å få en god visualisering, må du sørge for at hver eneste måned og år er referert i en bestemt tabell.

Det kan også være fordi informasjonen du trenger kanskje ikke er innenfor den dynamiske beregningen til alle kundene.

Husk at det kommer nye kunder om bord hele tiden. Så denne informasjonen bør teoretisk sett alltid bli oppdatert.

Dette er grunnen til at jeg opprettet en annen tabell ved å bruke formelen for kohortmåneder :

Jeg tok tak i indeksen ogkolonner fra Datoer-tabellen. Disse to kolonnene ble Cohort MonthnYear .

Dette er datotabellen:

Du kan se at den har mange kolonner som inneholder mye informasjon. Men for dette eksemplet trengte jeg bare kolonnene Indeks og Måned og år. Så jeg oppsummerte Datoer-tabellen ved å bruke Kohortmåneder .

Jeg har nå hver iterasjon, som også ble unike verdier.

Nå, hvis denne informasjonen ble hentet fra Datoer-tabellen, ville det blitt referert mye til den. Men fordi det nå er en kolonne som inneholder unike verdier, har den blitt en enkel oppslagstabell.

Du kan opprette en en-til-mange-relasjon fratil kundetabellen .

Dette forholdet vil fortsette å filtrere frem til nettstedets datatabell . CALCUATE - logikken kommer til å være i denne tabellen på grunn av forholdet til kundetabellen.

Når du har satt opp alt dette, har du nå en dimensjon som du kan plassere i en matrise. Denne matrisen vil gi deg hver eneste måned.

Kohortanalyseinnsikt

En annen interessant ting med kohortanalyse i LuckyTemplates er at du kan analysere trendene i kohortene.

For dette eksempelet ønsket jeg å regne ut kundeavviklingen min.

Du kan se at jeg har en dynamisk visualisering. Jeg har 641 kunder som ble med i juni 2017-kohorten. 12 kunder dro imidlertid i løpet av den første perioden.

Du må generere en generisk tabell som viser periodene du har laget.

For dette tilfellet har jeg laget en tabell i modellen min kalt Kohortperioder.

Jeg har også laget et støttebord i den.

Du kan se hvordan jeg har laget Min og Maks dager for hver enkelt periode. Dette spesifiserer tidsvinduet du ønsker å analysere for hver enkelt kohort.

Går tilbake til eksemplet, kan du se at i periode 2 var det 14 kunder som churnet innenfor perioden på 30 og 60 dager.

Og mens du går nedover i tabellen, kan du se hvordan denne verdien endres for ulike kohorter.

I en annen tabell viser den verdiene i prosent.

Prosentandeler er bedre sammenlignet med tall fordi du kan få verdifull innsikt fra dem. Du kan identifisere trenden til kundene som forlater i en bestemt periode.

Du kan identifisere problemene som forårsaket denne trenden. Det kan være fordi du droppet på markedsføring og annonsering, eller at du ikke får så mange salg fra kundene dine.

Andre kohortanalyseformler som brukes

Dette er de andre formlene jeg brukte for denne tidsbaserte kohortanalyseteknikken i LuckyTemplates.

Denne dynamiske churning-formelen gjorde det mulig for meg å få innsikt fra dataene.

Når du forstår dynamiske grupperingsteknikker ved hjelp av DAX, vil du kunne få mer ut av rapporten.

Flere eksempler på kohortanalyse

For å vise egenskapene til denne teknikken, vil jeg legge til et annet eksempel.

La oss si at jeg ønsker å se individuelt på kundene i denne spesifikke kohorten som snurret.

Jeg kan velge en verdi i tabellen min, og den vil automatisk vise individuelle kundenivåer i en annen tabell basert på hvordan jeg setter den opp.

Konklusjon

Du kan bruke denne strategien for hvilken som helst kohort du prøver å utvikle. Det kan være kohorter på produkter, regioner eller kunder.

Eksemplet i denne opplæringen er imidlertid det mest relevante. Kohortanalyse har blitt populært av SAS-applikasjoner. Så du bør gruppere kundene dine basert på når de er ute etter.

Du kan lage utrolige analyser i LuckyTemplates ved å bruke denne teknikken.

Jeg håper at denne opplæringen har gitt deg en god idé om hva kohortanalyse er og hvordan du implementerer den.

Beste ønsker,