LuckyTemplates Advanced Analytics: Sekundära tabelllogiktekniker

I den här handledningen ska jag gå igenom några avancerade analystekniker inom LuckyTemplates och DAX-formelspråket som jag kallar sekundär tabelllogik. Du kan se hela videon av denna handledning längst ner på den här bloggen.

Ibland när du använder LuckyTemplates för din analys vill du hitta eller upptäcka intressanta insikter, men den aktuella informationen du arbetar med kanske inte tillåter dig att extrahera sådana insikter.

Det är därför det ibland är avgörande att skapa sekundära tabeller för att få in sådan information till din kärndatamodell.

Jag visar från början till slut hur du behöver tänka analytiskt kring att utnyttja dessa tabeller, men sedan också hur du implementerar dem på ett riktigt praktiskt sätt.

Vi lär oss bättre genom att göra, så jag ska ta dig igenom ett praktiskt exempel på hur du kan gå tillväga för att göra detta på egen hand. Jag ska visa hur du kan ta in olika information eller insikter till din dataanalys som verkligen visar upp saker på ett mycket mer effektivt sätt.

Så här räknar vi ut den totala försäljningen av våra säljare under de senaste 60 dagarna. Och baserat på det kommer vi dynamiskt att klassificera dem som bra, mellanklass- eller bottensäljare.

När vi går genom tiden kan vi titta tillbaka under de senaste 60 dagarna och se vilka säljare under en 60-dagarsperiod som säljer riktigt bra.

Innehållsförteckning

• Förgrenar sig för sekundär tabelllogik
• Skapa den sekundära tabellen
• Använder sekundär tabelllogik för att extrahera insikter
• Slutsats

Förgrenar sig för sekundär tabelllogik

Innan vi dyker in i att skapa den sekundära tabelllogiken, låt oss gå igenom beräkningarna som är involverade i att uppnå detta.

Det här exemplet här är statiskt när det gäller den inbyggda demodatauppsättningen, så jag var tvungen att skapa en formel som hämtar det sista datumet för min försäljningstabell. 

Jag avser det specifikt på det sättet för den här demonstrationen, men du kan ha det på ett annat sätt i dina egna datamängder som det skulle uppdatera varje dag. Här är formeln jag skapade för att få det sista datumet .

Från detta kan vi sedan mata in den här formeln i vår beräkning, Transaktioner senaste 60 dagarna . I den här beräkningen går vi BERÄKNA LÄNDRADER i tabellen Försäljning . Sedan öppnar vi det dynamiska 60-dagarsfönstret genom att använda FILTRERA ALLA datum som itererar genom datumtabellen , som sedan ger oss de resultat vi letar efter.

Detta kommer att visa oss den totala försäljningen som någon säljare har gjort under de senaste 60 dagarna på rullande basis, allteftersom vi går genom tiden. När vi filtrerar detta kan vi se våra sämsta och bästa säljare.

Vi kan också göra detta utseende mer tilltalande genom att använda några datafält . Vi går till villkorlig formatering,

ändra sedan lite med lite färger.

Nu kan vi tydligt se våra bästa säljare baserat på de senaste 60 dagarna i denna datamängd.

Nu är det här den sekundära tabelllogiken kommer in. Vi grupperar dessa säljare baserat på hur många produkter de säljer.

Denna insikt kommer att hjälpa oss att hantera våra medarbetare väl och fatta bättre beslut när det gäller att ge belöningar eller kanske till och med sparka dem som inte presterar alls.

Skapa den sekundära tabellen

En sekundär tabelllogik är nödvändig här eftersom detta är en dynamisk beräkning. Vi kan inte lägga in detta i uppslagstabellen. Vi måste kunna iterera genom siffrorna till logiken i en sekundär tabell för att sedan gruppera dessa personer.

Så för att skapa en annan tabell går vi till Enter Data och skriver sedan in rubriken och kolumnerna. 

Vi skapar vårt Min och vårt Max , och lägger sedan in de värderingar som vi tänker ha. Sedan klickar vi på Ladda.

När det har laddats upp har vi det i vår modell. Observera att en sekundär tabell inte har något samband med vår datamodell. Den sitter bara här ute och vi kopplar den inte till någonting eftersom vi inte behöver det.

Det här är tabellen vi måste iterera oss igenom. Det betyder att vi för varje säljare och resultatet vi fick från vår transaktion de senaste 60 dagarna bestämmer vilken grupp de tillhör baserat på våra Min och Max här.

Så nu måste vi skriva en formel som skulle göra det möjligt för oss att räkna ut vad det är.

Använder sekundär tabelllogik för att extrahera insikter

För att extrahera dessa insikter måste vi först skapa ett nytt mått. Vi kommer att returnera ett textvärde här eftersom vi kommer att placera dessa personer i en grupp.

Låt oss kalla den här formeln Säljare Performance Group . Vi använder funktionen CALCULATE to SELECTEDVALUE , som är vår sekundära tabelllogik , där den hittar och returnerar ett textvärde (top, OK, poor). Vi lägger ett alternativt resultat ( BLANK ) för säkerhets skull.

Sedan är det på nästa rad där vi lägger vår sekundära tabelllogik. Och vi använder FILTER -funktionen, eftersom den itererar genom ALL vår säljarlogik .

Med denna logik kommer vi att ta reda på gruppen som en viss säljare är i, och den gruppen kommer att vara dynamisk eftersom detta mått är dynamiskt. Och så om vi tar med detta i vår tabell, så kommer vi nu att se resultatet.

Vi tog en viss figur från ett annat bord, som jag kallar ett sekundärt bord, och tog sedan in den via mått i vår modell.

Slutsats

Detta är kraften i avancerad analys i LuckyTemplates. Genom att använda sekundär tabelllogik behöver vi inte dessa mellanliggande beräkningar. Formeln gör allt det hårda arbetet för oss. 

Det här är alla tips du behöver för att kunna förstå detta unika koncept i LuckyTemplates. Dessa tekniker är faktiskt ganska unika för och för några av de bästa praxisutvecklingar som vi slutför.

Det är först efter att du har läst den här bloggen och tittat på videon nedan som du kommer att förstå exakt vad jag menar. Så fortsätt och granska videon. Jag kan lova att det finns mycket att lära.

Ditt sinne kommer att expandera exponentiellt när det gäller analys och information som du kan få in i dina rapporter.

Lycka till!