Hur man implementerar kohortanalys i LuckyTemplates – avancerade DAX-koncept

I den här bloggen presenterar jag LuckyTemplates kohortanalys . Detta var ett av de ämnen som jag gick igenom i detalj i en, där jag visade vad kohortanalys är och hur du kan göra det i LuckyTemplates. I den här handledningen kommer du att lära dig hur du ställer in den i din LuckyTemplates-modell. Du kan se hela videon av denna handledning längst ner på den här bloggen.

Tanken kring kohortanalys är att vi grupperar våra kunder utifrån ett visst beteende eller attribut som de har.

I det här exemplet grupperar vi våra kunder baserat på när de först köpte , och sedan kommer vi att analysera behållningsgraden för dessa kunder .

Så tanken är att skapa en kohort av när kunderna först köper och sedan analyserat över tid hur lång tid det tar för dem att komma och köpa igen. Vi jämför sedan alla kunder i vår kohort för alla månader och ser om retentionsnivåerna förbättras eller minskar.

I den här demonstrationen har vi procentsatser, vilket är ett bra sätt att se på det, men vi har också absoluta tal.

Innehållsförteckning

• Klassificering av kundköp
• DAX-formler för kohortanalys
• Klassificering av tidsramar
• Slutsats

Klassificering av kundköp

Om du tänker på kohorten i sig betyder det "gruppering av kunder". Så här räknar vi ut när kunden gick med eller när de först köpte av oss. Det här är vad vi klassificerar som anslutningsdatum . 

Anslutningsdatumsformeln är bara Minsta inköpsdatum i försäljningstabellen. Så vi räknar ut det lägsta eller lägsta datumet som någon av dessa kunder på varje rad har köpt.

Sedan klassificerade vi dem i just deras kohort utifrån vilken månad och år de har köpt . 

Till exempel köpte Jesse Evans här den 11 mars 2014, så kunder som Evans kommer att ingå i mars 2014-kohorten.

DAX-formler för kohortanalys

Formlerna vi använder här är väldigt enkla. Anslutningsdatumet är bara MIN för beställningsdatumet (försäljning) .

Kohortmånaden är i grunden att ta reda på månaden för det anslutningsdatumet .

Och sedan tar vi hit dem.

Vi kan skapa en kohort på många olika variabler . Detta är bara ett verkligt exempel på retentionsgrader.

Klassificering av tidsramar

Den andra saken att klassificera är tidsperioderna . Dessa är bara generiska (1, 2, 3, etc.), men vi måste skapa några generiska tidsperioder för att jämföra alla dessa kohorter (januari 2014, februari 2014, etc.) eftersom de alla är i olika tidsramar. Vi behöver göra en like-for-like-jämförelse av alla dessa kohorter över olika tidsperioder.

Så det här är hur vi ställer in det om vi gör den här typen av analys. Vi har period 1 till 12, och vi fångar Mina dagar och Maxdagar.

Till exempel, om en kund köpte från oss och sedan köpte tillbaka igen inom de första 30 dagarna, skulle den kunden klassificeras som den första lagringsperioden (period 1). Om kunden köpte från oss igen mellan 120 och 150 dagar, är den kunden i period 5, och så vidare.

Vi ser att detta slutförs i alla våra kohorter även om dessa kunder gör sitt första köp vid ett senare tillfälle. Vi jämför sedan vår kohort på en lika-för-lik-basis ända tillbaka till januari 2014 genom att använda den komplexa kombinationen av beräkningar.

Tidsbaserad kohortanalys – hur du ställer in din datamodell i LuckyTemplates

Slutsats

I Learning Summit fördjupade jag mig mycket längre i hur exakt du kan generera dina formler för att kunna göra detta, men jag tänkte att det här skulle vara en bra introduktion. Många av er har förmodligen inte ens hört talas om kohortanalys.

Detta är en ganska avancerad analytisk teknik, men jag ville ge dig en primer om vad kohortanalys är och visa dig hur vi kan ta reda på detta i LuckyTemplates. Vi kan också göra det på ett mycket dynamiskt och effektivt sätt där vi kan integrera det i vår modell.

Jag har sett den här analysen göras i Excel och några andra avancerade verktyg, men vi kan göra det i Power Bi och göra det ännu bättre och mer effektivt. Kolla in länkarna nedan för fler LuckyTemplates-resurser kring detta ämne.

Skål!

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