Hur man utvärderar kluster i dina data med hjälp av DAX-teknik i LuckyTemplates

I den här handledningen kommer jag att visa dig hur att visa upp kluster i dina data gör att du kan extrahera överlägsna insikter än om du bara hade ett punktdiagram med en hel del information planterad där. Du kan se hela videon av denna handledning längst ner på den här bloggen.

Jag ska gå igenom några avancerade DAX-tekniker som du behöver använda i kombination med datamodellen. Om du använder dem väl öppnar sig de analytiska möjligheterna avsevärt för dig och du kan verkligen visa upp insikter på ett effektivt sätt.

I det här specifika exemplet försöker jag se om det fanns någon anledning till att vi ser en viss klustring av våra kunder baserat på deras prestation .

Genom att lägga lite logik (inom en DAX-formel) över en sekundär tabell kan jag klassificera om en kund är bra, okej, dålig eller bra.

Genom att sedan använda den här nya dimensionen i mitt spridningsdiagram kan jag se om någon klustring av resultat visas baserat på den logik jag just implementerade.

Innehållsförteckning

• Hur man visualiserar kluster i dina data
  • Inuti datamodellen
  • Integrera logik i dimensionen
  • Skapar visualiseringen
• Slutsats

Hur man visualiserar kluster i dina data

I den här visualiseringen tittar vi på varje enskild kund i vår datamängd. Det finns många kunder och vi analyserar kunderna utifrån deras vinstmarginaler i deras totala försäljning. På höger sida har vi ett kluster av högpresterande kunder eller kunder med högre marginal.

För att uppnå detta behöver vi skapa en logik som gör att vi kan visualisera dessa informationskluster och bygga den logiken utifrån vilken vinstgrupp dessa kunder sitter i.

Det viktigaste här är att dessa vinstgrupper faktiskt inte existerar i datamodellen, så vi måste bygga den här logiken och sedan lägga över den.

Det här exemplet är bara ett av många sätt vi kan göra detta på. Vi skulle kunna titta på vinsttillväxt, marginaltillväxt och en mängd olika saker där vi behöver någon typ av logik och ta in den här. Vi kan sedan identifiera vilket mönster eller kluster av information som helst som verkligen kan utvinna lite insikt åt oss.

Inuti datamodellen

När man tittar på datamodellen är det första att notera att vi har skapat en stödtabell här. En stödtabell används vanligtvis ibland som en parametertabell, men i det här fallet kommer vi att använda en logik som integrerar stödtabellen i vår kärnmodell.

Inne i vårt stödbord analyserar vi vilken kundgrupp utifrån lönsamhet som dessa kunder sitter inom.

Så till exempel, om kunden har genererat över 25 000 $ i vinst, kommer de att bli en toppkund, medan de mellan 20 000 $ och 25 000 $ kommer att bli en bra kund, så vidare och så vidare.

Integrera logik i dimensionen

I kundtabellen använder vi stödtabellen och byggde sedan upp lite logik.

En del av er kanske tycker att det är bättre att utveckla all denna logik i den här beräknade kolumnen – ja, absolut – men ibland tycker jag att det inte är praktiskt, speciellt när den stödjande tabellen har, säg 10 olika delar av logik som du måste arbeta igenom .

Ja, du kan bara utveckla en riktigt komplicerad beräknad kolumn, men jag tror att det skulle vara så mycket lättare att placera dem i en stödjande tabell och sedan skriva enkel logik som denna, som skulle integrera dem.

I denna logik här, BERÄKNA vi vilken grupp varje kund sitter i. Gruppen kommer att returneras av funktionen, och sedan är FILTER -funktionen det som skapar iteration för att iterera genom logiken.

Sedan, för varje kund här, vad är den totala vinsten ; ligger det mellan MIN och MAX för någon av våra grupper. Om det gör det, returnera den gruppen. Och det är så vi skapar dessa vinstgrupper .

Skapar visualiseringen

Nu när vi har den här dimensionen kan vi använda den i våra visualiseringar för att identifiera dessa kluster. Så vi skapar en spridningsplot och tar sedan in våra vinstmarginaler på Y-axeln och försäljning på X-axeln .

Men om vi drar in Customer Name , ser vi här att vi har skapat en del information, men den visar egentligen inget värde. Det skulle visa upp mycket bättre om vi skapar kluster av information.

 Så för att göra detta fyller vi bara i punkterna och ändrar några datafärger för att se till att några sticker ut. Genom att göra dessa enkla justeringar kan vi enkelt identifiera och extrahera mycket mer information i våra bilder .

Stödbordet är ett riktigt nyckelbegrepp att ta sig runt och förstå när man använder deteftersom vi kan integrera det på så många sätt.

Det finns många sätt vi kan identifiera kluster baserat på en mängd olika mätvärden, eftersom det finns så många olika scenarier som vår data kan kräva att vi analyserar.

Hitta mönster i dina data med intern logik med hjälp av LuckyTemplates & DAX

Slutsats

Det finns lite med den här tekniken, men att visa upp kluster i din data med hjälp av logik är verkligen kraftfullt, och det finns så många sätt att du kan replikera detta i andra scenarier eller över dina egna data.

Det är i slutändan vad jag vill att du ska extrahera från denna handledning som jag har skapat, eftersom de analytiska möjligheterna växer exponentiellt kring denna typ av teknik.

Det här är en avancerad teknik, så oroa dig inte för om det inte är vettigt omedelbart, men testa det definitivt. Du kommer snabbt att upptäcka några riktigt intressanta insikter som du inte hade tidigare.

Skål!