LuckyTemplates Analytics: Kör scenarieanalys på genomsnittlig orderstorlek

I den här handledningen dyker vi in ​​i kraften i LuckyTemplates-analys . Jag ska gå igenom något ganska praktiskt för en återförsäljare som säljer varor med hög frekvens. Du kan se hela videon av denna handledning längst ner på den här bloggen.

När du är ett företag som säljer mycket varor – säg en återförsäljare på nätet – om du kan analysera hur mycket du skulle tjäna på att öka din genomsnittliga orderstorlek, har du en analysbit som mycket effektivt kan omvandlas till en plan för attack som kommer att göra stor skillnad för ditt resultat.

Från denna insikt kan du köra kampanjer eller marknadsföringsevenemang som är fokuserade på de kunder där du känner att du kommer att få högst avkastning.

Med detta exempel täcker jag några olika DAX-tekniker. Det finns mycket att ta ifrån det, särskilt ur teknisk synvinkel. Du kan lära dig hur du kör itererande funktioner över dina underliggande datatabeller för att upptäcka just denna insikt, men också se potentialen för många fler insikter precis som den.

Innehållsförteckning

• Kör scenarieanalys på orderstorlek
• Använda itererande funktioner
•  Nyckelord
• Slutsats

Kör scenarieanalys på orderstorlek

Här har jag använt parameterfunktionen upp för att skapa en dynamisk scenarioanalys av orderstorleken. Det här är ett fantastiskt sätt att använda LuckyTemplates-analys.

I det här fallet vill vi se vad som kommer att hända med vår försäljning över tiden om vi ökar vår genomsnittliga orderstorlek . Vi har här möjligheten att välja hur mycket vi vill öka. Vi kan ha $80 eller $230, hela vägen upp till $250 som max. Vi kan också titta på hur det påverkar över tid.

Utifrån detta kan vi planera väl om vi vill köra en kampanj eller göra lite reklam. Vi kan göra en analys av hur vår orderstorlek påverkar vår försäljning, t.ex. kan vi få upp vår genomsnittliga orderstorlek baserat på vissa uppförsäljningar eller korsförsäljning med vårt säljteam som är utbildat att rekommendera dessa produkter.

Det viktigaste är att ha en god förståelse för itererande funktioner eftersom det i grunden är vad du behöver använda för att införliva detta genomsnittliga orderstorleksvärde.

Använda itereringsfunktionen s

Itererande funktioner har i allmänhet ett X i slutet. Det finns några andra som inte har, men främst de du verkligen behöver förstå tidigt är SUMX, AVERAGEX och många fler. Dessa funktioner itererar genom varje enskild rad i en tabell.

I det här fallet har vi specificerat tabellen Försäljning . Vad vi gör här är att för varje enskild rad i försäljningstabellen tittar vi på vilken kvantitet vi sålde och multiplicerar det med vilket pris produkten än var.

Med andra ord, vi beräknar en försäljning för varje transaktion till varje rad med vår data. Om vi ​​nu vill placera några scenarier över om vi kan öka våra genomsnittliga order, måste vi på något sätt införliva en variabel i denna rad för rad beräkning .

Så vi måste multiplicera kvantiteten med det aktuella priset och med vår ökning i orderstorlek. I det här fallet måste vi ta tag i den här variabeln som skapades från den nya parametern och mata in den i itereringsfunktionen här.

Det är så vi kommer till vår Sales with Order Bump- beräkning.

Så till exempel ökar vi vår genomsnittliga beställning med 250 USD genom att göra några upp- eller korsförsäljningar, då är detta vad effekten skulle bli kumulativt.

Vi tar sedan tag i den här nya beräkningen och jag lägger in den i vårt mönster, där vi använder.

Vi jämförde det kumulativt med vår försäljning utan någon orderuppgång, och det är så vi får skillnaden. Sedan förgrenar vi oss till Sales Gains .

 Nyckelord

Jag rekommenderar att du börjar med det initiala scenariot och sedan förgrenar du det till dessa olika kumulativa totala mönster. På så sätt kan du sedan visualisera saker på ett lite annorlunda sätt.

Du kan börja med att mata in variabeln, men sedan ta reda på vad din visualisering är och implementera DAX-formeln som faktiskt tar dig dit.

Därefter kan du utnyttja kraften i datamodellen, som vi gjorde i exemplet. Vi lägger bara till fler produkter eftersom vi just nu bara ökar beställningsvärdet för just dessa produkter. När vi lägger till produkterna kan vi se hur det kommer att påverka oss över vilken tidsram som helst.

Alla dessa andra saker, som kolumnen Datum, produktnamnet, etc., tar bara in dimensioner från resten av vår datamodell. Vi införlivar dem helt enkelt i vår rapport och skapar några övertygande insikter.

Komplext "What If"-analysexempel i LuckyTemplates med DAX

Slutsats

Den här analysen är verkligen praktisk och kommersiell, det är därför jag gillar den så mycket . Det kan tillföra mycket värde till organisationer som säljer med hög frekvens, snabbt.

Du kommer att kunna svara på frågan, om jag ökade min genomsnittliga orderstorlek, vad kommer det att göra med min lönsamhet? Vad kommer det att göra jämfört med om vår genomsnittliga orderstorlek faktiskt minskade?

Kolla in det och försök arbeta med dessa tekniker i dina egna modeller.

Med vänliga hälsningar!