Dynamisk segmentering med dynamiska parametrar – avancerade Lucky Templates & DAX-teknik

Jag ska prata om dynamisk segmentering med dynamiska parametrar eftersom jag har sett medlemmar fråga om det så många gånger på LuckyTemplates supportforum. Du kan se hela videon av denna handledning längst ner på den här bloggen.

Det som är utmanande med detta är att ta reda på vilka områden som ska segmenteras först. Du måste också hitta ett sätt att mata in dynamiska parametrar i din formel. Jag ska förenkla allt detta genom exemplet jag ska visa här.

Innehållsförteckning

• Skapa en What-If-parameter
• Tillämpa dynamiska parametrar
• Visualisera resultaten
• Slutsats

Skapa en What-If-parameter

Det första jag behöver är en parameter. I det här fallet skapade jag en kundrankningsparameter .

Jag skapade den här parametern genom att gå in i Modellering och sedan genom att klicka på Ny parameter.

En vad-om-parameter skulle automatiskt skapa en tabell för mig. Det skapar också ett mått på urvalet jag gjorde.

När jag drar in det i min rapport kommer det att visa vilket val jag än gör i skivaren.

Det viktigaste att komma ihåg här är att dina parametrar bör dela resultaten varje gång du gör en anpassad segmentering .

Så förutom parametern Customer Rank har jag också information om områden där butikerna finns.

Kontexten för beräkningen är en av nyckelfaktorerna för att få detta rätt. Det finns också ytterligare sammanhang här nere som visar var butikerna finns.

Nu vill jag separera mina intäkter genom att jämföra mina toppkunder och mina bottenkunder. Jag vill också att både dessa topp- och bottengrupper ska vara dynamiska. Det är här dynamiska parametrar kommer in i bilden.

Tillämpa dynamiska parametrar

Så resultaten måste ändras beroende på hur jag vill se på datan. Det betyder att om jag ändrar slicern för Customer Rank , bör även data i tabellen ändras.

Det första jag ska göra är att använda en formel för att få in mina bästa kunder i tabellen.

Jag skapade kolumnen med hjälp avfunktion för den totala intäkterna och sedan användasom en rankningsfunktion. TOPN returnerar också en virtuell tabell baserad på rankningsresultat.

Jag lade till sammanhang här när vi beräknar den totala intäkterna eftersom jag bara tittar på de högst rankade kunderna. Den rankningen bestäms av Customer Rank Value .

Genom att använda TOPN kommer jag att arbeta igenom all kunddata. Det skulle dock bara bibehålla sammanhanget för topp 4, eftersom det är parametern som ställs in i tabellen. Det är värdet jag har ställt in i skivaren.

Jag kan flytta min slicer till 3, och resultaten måste också ändras och endast återspegla data för topp 3.

Jag vill också titta på mina bottenkunder, så jag ska lägga till det i min tabell.

Eftersom jag placerar mina bottenkunder där är det också viktigt att notera att jag skulle behöva det totala antalet kunder per butik inom en given tidsram.

För att få det totala antalet kunder använde jagfungera.

Observera att allt detta bara är exempeldata, så siffrorna jag kommer fram till från den här formeln kan verka små och orealistiska. Men den här beräkningen skulle också fungera för större frekvenser när den väl tillämpas på verkliga scenarier.

Här är formeln jag använde för att få bottenkunderna. Lägg märke till att den är väldigt lik den jag använde för Toppkunder , men med några mindre justeringar.

Jag använde både CALCULATE och TOPN -funktionerna här också. Men istället för att bara lägga in kundrankningen använde jag skillnaden mellan totala kunder och kundrankningsvärde . 

Då istället för att bara placeraoch kundnamn var jag tvungen att lägga till logik. Eftersom jag får de nedersta kunderna istället för de översta, kommer jag att använda ASC istället för DESC .

Den tidigare formeln itererade genom varje enskild kund för att få de bästa. Men eftersom jag får de lägsta kunderna betyder det att det också skulle räknas de fall där det var noll försäljning .

Jag måste se till att de som räknas som bottenkund också gjort ett köp. Det är därför jag har lagt till att värdet ska vara större än 0 .

På grund av det visar min data nu hur många kunder som faktiskt gjorde ett köp. På den här första raden visar det att 11 kunder köpte något i den specifika butiken inom den givna tidsramen.

Det kan bli ganska knepigt i den här delen, mest för att TOPN redan skapar en virtuell tabell, men jag skapar också en annan virtuell tabell i den. Denna virtuella tabell tittar på en mycket mindre delmängd av kunder, och inte på kunderna som helhet.

Så jag gör en annan rankning här i slutet av formeln för totala intäkter . Och som jag nämnde tidigare använder jag ASC istället för DESC .

Med dessa formler har jag nu lagt till dynamiska parametrar i den dynamiska segmenteringen.

Visualisera resultaten

Tekniken jag använde skulle potentiellt kunna användas för mycket större datamängder. Det betyder att för att bättre förstå resultaten är det användbart att ha några visualiseringar för att visa upp dem.

Jag börjar med ett enkelt diagram som kan visa dig en jämförelse mellan de bästa och de lägsta kunderna för varje butik.

Jag kan också ändra detta och använda ett staplat stapeldiagram om siffrorna är tillräckligt stora och skulle visas bättre på det sättet.

Med dessa visualiseringar kan jag få en bättre inblick i siffrorna. Detta visar till exempel vilka butiker som löper högre risk. Jag kan se vilka butiker som har väldigt få kunder vilket resulterar i låga intäkter.

Slutsats

Datan jag använde här är väldigt lågfrekvent, men föreställ dig möjligheterna när detta tillämpas på större datamängder. Denna teknik kan också segmentera annan information och lägga till så många olika parametrar förutom bara topp- och bottenkunder eller butiksplatser.

Det här exemplet visar hur man kan arbeta med åtgärder även inom åtgärder. Sådana tekniker ger fantastisk insikt i data, oavsett var den används.

Med vänliga hälsningar,