Kundsegmenteringstekniker med hjälp av datamodellen – LuckyTemplates & DAX

I det här blogginlägget ska jag visa dig hur du gör kundsegmenteringstekniker via datamodellen i LuckyTemplates. Du kan se hela videon av denna handledning längst ner på den här bloggen.

Ibland kommer din rådata inte att ha all information du behöver för att visa upp något i LuckyTemplates. Men låt inte detta stoppa dig.

Allt du behöver är en fantasi kring hur du kan bygga ut din datamodell eller använda ytterligare logik i dina uppslagstabeller som kan möjliggöra mycket större insikter än du kanske trodde var möjligt med den rådata du har i sin nuvarande form.

Jag kommer att gå igenom ett detaljerat exempel på hur du kan segmentera dina kunder genom att utvärdera om de är bra kunder, okej kunder eller dåliga kunder.

Innehållsförteckning

• Segmentera kunder baserat på prestanda
• Skapa kundgrupperingstabellen
• Uppslagstabeller och beräknade kolumner
• Beräkna försäljningsskillnaden
• Använda SWITCH-logiken
• Slutsats

Segmentera kunder baserat på prestanda

I huvudsak kommer vi att arbeta med hur du segmenterar dina kunder baserat på prestanda.

Du kan använda den här tekniken för att segmentera nästan vad som helst, men jag ville visa hur effektivt det kan vara att visa upp insikter om din rapport baserat på ett verkligt scenario.

Med hjälp av datamodellen kan vi snabbt isolera varje specifikt segment för analys. Vi kan se de underliggande drivkrafterna som kommer att särskilja våra kunder som stora, bra, genomsnittliga eller dåliga när det gäller försäljning.

Jag har skapat en slicer eller ett filter som gör att jag kan analysera kunder som bra, bra, genomsnittliga eller dåliga baserat på de visualiseringar vi har lagt in i vår rapport.

Visualiseringen kommer att visa oss när divergensen började (februari 2016) och varför det finns en divergens.

Det är viktigt att visa varför med visualiseringarna i dina rapporter.

Längst ner i vår rapport kan vi se exakt när avvikelsen inträffade.

Vi kan också titta på våra produkter för att avgöra vilka produkter som orsakade denna skillnad och gjorde dessa kunder fantastiska. Vi kan ta reda på vilka produkter som gjorde det möjligt för kunder att köpa mer av oss än de hade tidigare.

Vad som också är coolt är skivorna i våra visualiseringar. De kommer att filtrera baserat på vad vi har integrerat i vår modell, och sedan kommer de också att filtrera baserat på vilken prestationsgrupp eller segment vi har valt.

Låt oss ta en titt på våra fattiga kunder genom att klicka på Dålig försäljning på skivaren. Vi kan sedan se vilka klienter som har presterat dåligt på kolumnen under slicern.

Genom att titta på diagrammet för ackumulerade jämförelser av försäljningstidsram kan vi titta på försäljningen i år kontra försäljningen från förra året. Varför är det stor skillnad mellan de två? Har det något med produkterna eller marginalerna att göra?

Alla dessa frågor kan besvaras och visas upp genom att använda de kundsegmenteringstekniker jag kommer att visa dig.

Skapa kundgrupperingstabellen

Så, hur gjorde jag den här tekniken? Låt oss först hoppa tillbaka till modellen. Jag skapade en tabell som heter.

Det här är något du inte behöver göra, men jag gillar att skapa det eftersom det ger mig en separat tabell som visar upp kundgrupperna. Jag har också lagt ett index bredvid grupperingarna så att vi kan filtrera eller sortera dem från bra till dålig.

Uppenbarligen kommer vi att behöva en anslutning från tabellen Kundgruppering ner till tabellen Kunder eftersom vi behöver gruppera våra kunder på ett specifikt sätt.

Låt oss hoppa in och ta en titt på mina kunder jag behöver segmentera.

Det är här de beräknade kolumnerna i dessa uppslagstabeller kommer in.

Uppslagstabeller och beräknade kolumner

Tabellerna inuti den blå rutan är vad vi kallar uppslagstabeller .

Det är här vi kan lägga våra beräknade kolumner .

Nu kanske några av er tror att ni kan göra detta dynamiskt med hjälp av mått. Det kan du absolut.

Jag ville dock göra detta från en viss tidpunkt. Detta är situationsberoende och du kan använda antingen beräknade kolumner eller mått.

Med hjälp av beräknade kolumner ville jag titta på vår försäljning från en specifik tidpunkt. I det här fallet ville jag specifikt titta på försäljningen 2016 och försäljningen 2015 .

För att göra detta använde jag funktionen BERÄKNA och placerade ett filter inuti den så att jag bara får försäljning för en viss tidsperiod.

Beräkna försäljningsskillnaden

Från försäljningen 2016 och 2015 års försäljning kan jag härleda försäljningsskillnaden med den här formeln:

Försäljningsskillnaden är där vi kan börja segmentera våra kunder baserat på försäljningen .

Använda SWITCH-logiken

Försäljningsskillnaden mellan 2016 och 2015 kommer att avgöra vilken prestationsgrupp våra kunder kommer att sitta i. Det är här SWITCH - logiken kommer in.

Delogik låter dig skapa ytterligare dimensioner som ser ut som kapslade IF-satser som ser bättre ut.

Vi kan göra uttalanden som säger att om en kunds försäljningsskillnad är större än eller lika med 200 000 $, så är han eller hon en fantastisk kund.

Det är så vi bestämmer vilket segment eller grupp vi ska placera våra kunder i. Denna teknik är mycket anpassningsbar och kan placeras över vilken dimension och vilken uppslagstabell som helst.

Du kan förenkla detta ytterligare genom att inte använda försäljningskolumnerna för 2016 och 2015 och kolumnen Försäljningsskillnad. Du kan bara lägga all logik inuti måttet.

Men i det här fallet ville jag visa dig hur du använder beräknade kolumner i uppslagstabeller för att skapa dessa informationssegment.

Om vi ​​går tillbaka till våra slutliga visualiseringar, just den här skivaren

kommer från det här bordet.

Detabellen filtrerar sedan beräkningarna och logiken vi har gjort i tabellen Kunder . Sedan filtreras den relationen ner till de andra tabellerna.

Så här kan alla våra visualiseringar uppdateras baserat på det kundsegment vi väljer på slicern.

Genom denna handledning kunde vi visa upp kundsegmenteringstekniker och visa olika sätt att skära upp och skära upp vår data.

Det underliga med det hela är att det inte fanns i vår faktiska modell; vi var tvungna att skapa den med logik.

Slutsats

I de flesta fall vill du fokusera på dina bästa kunder eftersom det är därifrån de flesta av dina goda resultat kommer. Så du vill identifiera trender kring prestanda och göra en djupgående granskning av detta specifika segment av din data .

Genom att använda denna teknik kan vi isolera våra bra kunder och ta reda på varför de är bra. Vi kan förstå varför de har presterat bra och försöker replikera det för alla andra kunder som har presterat dåligt.

Det här är vad den här handledningen handlar om. Du kan återanvända dessa kundsegmenteringstekniker i en mängd olika analytiska scenarier. Det behöver inte bara handla om kunder utan det är det jag fokuserade på i det här fallet.

För mer praktiska sätt att använda LuckyTemplates för att hitta kraftfulla insikter som är viktiga, kolla in den här kursmodulen på LuckyTemplates Online. Mycket att lära av med denna enda kurs.

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