Datasegmentering baserad på procentgrupper – Avancerat DAX i LuckyTemplates

Jag ska gå igenom en ganska avancerad datasegmenteringsteknik i denna handledning, som handlar om att gruppera data på ett dynamiskt sätt inuti LuckyTemplates . Du kan se hela videon av denna handledning längst ner på den här bloggen.

I den här handledningen kommer vi specifikt att titta på just den här visualiseringen i den här instrumentpanelen som jag använde under ett Learning Summit kring kundinsikter.

I det här fallet grupperar eller segmenterar vi kunder baserat på procentandel av försäljningen. Vi använder en sekundär tabell eller stödtabell och kombinerar den med DAX-formler för att skapa denna gruppering.

Innehållsförteckning

• Segmentera kunder baserat på försäljningsprocent
• Använder ett sekundärt eller stödjande bord
• Träna ut variablerna
• Logik för datasegmentering
• Hur man återanvänder datasegmenteringsformeln
• Slutsats

Segmentera kunder baserat på försäljningsprocent

En grupp är bland de översta 20 %, en annan grupp är mellan 25 % och 80 %, och den tredje gruppen är i de lägsta 25 %. Jag har använt dessa procentsatser och matat dem genom enför att sedan skapa dessa grupper av Top, Mid och Bottom .

Segmenteringen i det här fallet är baserad på försäljning så detta är ett diagram som visar försäljning kontra marginaler för en viss tidsram, men segmenteringen har skett via försäljning.

Vi kan se i detta punktdiagram de 20 % bästa av kunderna; de representeras av de mörkblå fläckarna. Mid-kunderna sitter ur ett försäljningsperspektiv mellan 25% och 80%; de representeras av de ljusblå fläckarna i mitten av diagrammet. De nedre 25 % av kunderna baserat på försäljning är de ljusblå fläckarna längst ner i diagrammet. 

Detta är en ganska avancerad teknik för datasegmentering, där vi införlivar en del avancerad logik i beräkningarna för att skapa dessa grupper som helt enkelt inte existerar . Med andra ord, det finns inget i vår rådata som kan bryta ut de 20 bästa av kunderna, de 25 % lägre, etc.

Så vi måste skapa den logiken med hjälp av en stödtabell eller en sekundär tabell, som jag kallar dem. Den här tabellen har ingen fysisk relation med någon av våra tabeller i datamodellen, men den är nyckeln till den här typen av analys.

Använder ett sekundärt eller stödjande bord

Så låt oss ta en titt på tabellen. Du kan förmodligen skapa dessa grupper på många olika sätt, men så här har jag ställt upp det för den här demonstrationen.

I den här stödjande eller sekundära tabellen har vi våra grupper som Top, Mid och Bottom. Vi har kolumnen Låg och hög kolumn för att identifiera vilket segment varje kund tillhör.

Denna sekundära tabell över procentsatser kan faktiskt återanvändas över många olika mått. Vi kan använda försäljning och vi kan enkelt integrera marginaler eller vinster eller kostnader, eller någon annan beräkning som vi kan göra. Det behöver inte ens vara försäljnings- eller intäktsrelaterat. 

Vi kan också återanvända en del av logiken eftersom procentsatser kan vara på vad som helst. Det som är viktigt här är att skapa den korrekta logiken i formeln. 

Så låt oss dyka in i formeln, som jag kallade(i år) och gå igenom hur jag gjorde logiken.

Träna ut variablerna

Låt oss gå igenom den första delen av beräkningen först, där vi räknar fram variablerna ( VAR ).

Den första variabeln är att identifiera RankingDimension som vi ska arbeta igenom. I det här fallet är det kunder. Med VALUES -funktionen itererar vi genom varje kund som har gjort en försäljning inom en viss tidsram . 

Nästa variabel är TotalCustomers , som räknar ut hur många kunder som faktiskt gjorde en försäljning . Vi vill inte räkna alla kunder, utan bara de som gjort en del försäljning. I den här logiken använder vi funktionerna CALCULATE , COUNTROWS , FILTER och ALLA .

Den tredje variabeln är CustomerRank , där vi rangordnar våra kunder baserat på försäljningen som de har gjort. Och detta är formeln för Customer Rank TY .

Denna speciella formel gör bara en enkel rangordning, som använder RANKX- funktionen.

Logik för datasegmentering

Låt oss nu dyka in i resten av beräkningen. Detta är logiken som gör det möjligt för oss att uppnå denna datasegmenteringsanalys.

Funktionen CALCULATE itererar genom varje kund och utvärderar genom den stödjande tabellen ( Customer Groups ) som vi skapade med funktionerna  och FILTER .

Och sedan utvärderar den om CustomerRank är högre än TotalCustomers och multiplicerar den sedan med kolumnen Customer Groups Low . Så det frågar oss om CustomerRank är högre än botten.

Och sedan i nästa rad framhävs om CustomerRank är mindre än eller lika med TotalCustomers; den multipliceras sedan med den högre fack i tabellen Kundgrupper.

Om det blir lika med sant kommer den kunden att behållas och vi får den totala försäljningen.

Hur man återanvänder datasegmenteringsformeln

Den här formeln är lite komplex, men den är verkligen intressant. Vi återanvänder även denna beräkning.

Om vi ​​till exempel vill titta på våra kunder med ett annat mått, till exempel en vinstmarginal, behöver vi bara ersätta den totala försäljningen här med vinstmarginalen och ändra rankningen baserat på vinstmarginaler .

Då kan vi använda exakt samma stödtabell för att köra den här logiken. 

Slutsats

Detta är en mer avancerad teknik om datasegmentering som jag har demonstrerat i den här handledningen. Vi använder kraften hos DAX och datamodellen med vår stödtabell.

Det är otroligt vad vi kan göra med hela formeln. Vi kan ändra tidsramen, och det kommer alltid att dela upp kunderna med de specifika procentsatserna vi ställer in. 

Jag hoppas att du har funnit ett stort värde från denna handledning och tillämpar den på ditt eget arbete.

Med vänliga hälsningar!

***** Lär du dig Lucky Templates? *****