Vanlig kundeatferdsanalyse ved hjelp av LuckyTemplates

I dagens forretningsverden er det å gjennomføre felles kundeatferdsanalyser av største betydning for mange funksjonsområder i bedrifter. Du kan se hele videoen av denne opplæringen nederst på denne bloggen.

Å analysere forbrukeratferd fungerer som et verktøy for å hjelpe med å planlegge og oppfylle salgsmål.

I tillegg hjelper forståelse av kjøperatferd å bestemme hvor og hvordan produktene eller tjenestene skal plasseres bedre.

Du kan evaluere hvordan kundene dine handler og forutsi hvordan de vil oppføre seg i fremtiden på en dynamisk måte ved å bruke LuckyTemplates. 

I denne videoopplæringen vil jeg dykke ned i noen atferdstypeanalyser for å finne ut den vanligste atferden fra kunder.

Jeg skal gå gjennom hvordan du kan analysere atferden til bestemte elementer i datasettet ditt. I dette tilfellet ønsker jeg å analysere hvor mye forbrukerne dine i gjennomsnitt kjøper basert på produktene dine over tid. Jeg vil også se på hvor mange transaksjoner våre kunder i gjennomsnitt gjør på et bestemt produkt. Så dette er svarene av atferdstypen du kan hente fra datasettene dine.

DAX-formelen er ikke så veldig vanskelig, og det viktigste du må forstå er å iterere funksjoner – eller hvordan du kan iterere gjennom en annen dimensjon og deretter analysere resultatet av effekten deres basert på hvilken kontekst du er i.

La meg vise deg hvordan jeg gjorde det, og forhåpentligvis kan du ha en innsikt som du kanskje vil bruke på din egen analyse.

Innholdsfortegnelse

• Gjennomsnittlig salg per kunde
• Gjennomsnittlig for alle kunder
• Transaksjoner per kunde
• Konklusjon

Gjennomsnittlig salg per kunde

Jeg vil se hva som er gjennomsnittlig salg per kunde for et bestemt produkt. For eksempel vil jeg se hvor mye kundene våre i gjennomsnitt får brukt på produkt 63.

Så hvordan gjør jeg det? Først av alt må vi komme opp med en formel som sier at hvert enkelt produkt vil iterere gjennom hver enkelt kunde for å evaluere det totale salget som den aktuelle kunden gjør, og deretter gjennomsnittet det opp. Dette kommer til å gi oss gjennomsnittlig salg, men per kunde.

Hvis du tenker deg om, kan du også bare bruke kunde-ID-en, og du kommer til å få nøyaktig de samme resultatene.

Det er helt opp til deg hvordan du gjør det, men det er godt å ha en god forståelse av hva som skjer med datamodellen.

Dette er hva VALUES gjør: vi skal iterere gjennom hver enkelt kunde som har kjøpt produkt 63. Vi skal evaluere hvor mye de har kjøpt, og deretter kommer det til å beregne gjennomsnittet medfunksjon.  

Gjennomsnittlig for alle kunder

Dette vil bli påvirket av hvilken kontekst vi har på kundenavnet . Så det som skjer er når jeg velger en kunde eller gruppering av kunder, gjentakelsen gjelder kun for kunden som vi faktisk har valgt.

Dette ville bare gjenta seg gjennom hver kunde hvis vi ble kvitt et hvilket som helst filter som kommer fra denne spesielle sliceren.

Dette er hva gjennomsnittet for alle kunder gjør; dette vil alltid være et tall som ikke endres uavhengig av valget du gjør i Customer Name slicer.

Det jeg gjorde for å komme opp med dette gjennomsnittet er å sørge for at alt fra Kunder-tabellen ikke gjelder for den nåværende konteksten. Dette vil tillate meg å iterere – uavhengig av valg – gjennom hver enkelt kunde og hente salget.

Slik kan vi finne ut hva som er vanlig kundeatferd og deretter sammenligne det med et utvalg eller en gruppering av kunder som vi velger. Dette er delen der det kan bli ganske fancy i analysen din. La oss si at du ser på alle kundene, men at du også ønsket å gruppere disse kundene etter region, eller om de er en god eller dårlig kunde, eller om de er en klient med høy margin eller lav margin.

Transaksjoner per kunde

Du kan også gjøre dette for transaksjoner og se produktene dine under ett fra et atferdsperspektiv. Jeg brukte nøyaktig samme teknikk og beregnet deres totale transaksjoner i gjennomsnitt for hver enkelt kunde.

Så gikk jeg tilbake og la det inn i CALCUATE-setningen med ALLE. Dette ga meg den generelle oppførselen til hver enkelt kunde i datasettet, og så kunne vi sammenligne det med det valget vi gjorde.

Dette er kraftige ting her, og det er mange applikasjoner for teknikker som ligner på dette. Det er så mange ting du kan oppnå med LuckyTemplates ganske enkelt ved å analysere gjennomsnittlig kundeadferd og deretter sammenligne den med en liten delmengde.

Konklusjon

Hvis du ser på det pålydende, er det ganske vanskelig å forestille seg hvordan du kan lage en kundeatferdsanalyse inne i LuckyTemplates. Det er grunnen til denne opplæringen, hvor jeg gjør et dypdykk i denne typen innsikt.

Først må du analytisk tenke på hvordan du vil oppnå ønsket resultat i LuckyTemplates. Og strukturer deretter modellen og DAX-formlene ved å kombinere både "ut av boksen"-tenkning og noen praktiske applikasjoner.

Det er mange måter kundeatferdsanalyse som dette kan være til nytte for en bedrift. Slik innsikt kan hjelpe deg med å bestemme handlingene og beslutningene du vil implementere fra et markedsføringsperspektiv og også for fremtidige logistiske utfordringer.

For flere eksempler rundt avansert forretningsanalyse . Sjekk ut kursmodulen nedenfor fra.

Nyt å lære om denne analytiske teknikken.

***** Lære Lucky Templates? *****