LuckyTemplates-datauppsättningar: Lär dig hur du upptäcker onormalt beteende med DAX

I det här blogginlägget kommer jag att visa dig i detalj hur du kan upptäcka onormala beteendemönster i dina LuckyTemplates-datauppsättningar . Detta är inte något som direkt sticker ut när du kör analys över din data så du måste tänka ganska analytiskt på det. Du kan se hela videon av denna handledning längst ner på den här bloggen.

Genom att fundera djupt på vad du vill uppnå och sedan sätta upp en datamodell som fungerar för dessa typer av beräkningar kan du få resultat av hög kvalitet.

I det här exemplet kommer vi att försöka förstå vad en kund har gjort tidigare. Vi kommer också att bedöma om de senaste köpen är normala eller onormala jämfört med vad som har hänt tidigare.

Innehållsförteckning

• Upptäck outliers i dina LuckyTemplates-datauppsättningar
• Unika produkter köpta
• Genomsnittliga produkter köpta på ett kvartal
• Genomsnittliga produkter köpta i alla kvartal
• Slutsats

Upptäck outliers i dina LuckyTemplates-datauppsättningar

Låt oss tänka på detta ur ett kommersiellt perspektiv. Säg att vi är en onlineåterförsäljare, ett flygbolag eller en stormarknad och vi måste implementera ett lojalitetsprogram.

Vi måste titta på vår kunddatauppsättning för att veta hur mycket en kund faktiskt har köpt för varje enskilt kvartal jämfört med vad de köpt i genomsnitt.

Helt plötsligt ser vi en massiv ökning eller minskning av köpmönster eller köpbeteende. Vi vill förstå varför de köper mycket mer än vanligt, eller varför de köper mindre än vanligt.

På så sätt kan vi skapa varningar i vårt CRM-system och sedan låta vårt säljteam rikta in sig på dessa personer genom att dela ut rabatter eller kuponger.

Detta är en riktigt kraftfull insikt som du kan hämta från LuckyTemplates. Värdet du kan extrahera från din analys kan påverka din verksamhet positivt.

Unika produkter köpta

För att beräkna det genomsnittliga antalet köpta produkter under ett visst kvartal måste vi först räkna ut de unika köpta produkterna. För varje enskild kund, hur många individuella produkter köpte de?

Vi kan ta reda på detta genom att säga att för alla kundsammanhang kommer vi att räkna utav produkt-ID:t i försäljningstabellen.

Denna formel kommer att ge oss varenda unik produkt som en kund har köpt av oss i det aktuella sammanhanget.

Med tanke på formeln ovan, när vi klickar på Q1 2017, kan vi se att kunden Aaron Day bara köpte 1 produkt.

Genomsnittliga produkter köpta på ett kvartal

Det här är formeln vi kommer att använda för att producera just denna insikt. Det kommer att säga i genomsnitt hur mycket en viss kund har köpt under ett kvartal.

Genomsnittliga produkter köpta i alla kvartal

Nästa sak vi behöver är ett riktmärke eller en siffra för att jämföra det med något så att vi kan förstå vad som är onormalt beteende.

Vi kommer då att räkna ut samma insikt, men vi tittar inte på något speciellt datum. Vi kommer att släppa alla sammanhang på datum.

Vad denna formel gör är att returnera de genomsnittliga unika produkterna i varje enskilt kvartal för en viss kund. Det är så vi uppnår just denna insikt.

Så nu har vi två värden. När vi gör ett urval (ex. Q2 2017), kommer kolumnen Genomsnittliga produkter köpta i alla kvartal aldrig att ändras på grund av funktionen ALLA datum . Den här funktionen tar bort alla filter som vi visade upp från Dates.

Med varje val vi gör kommer kolumnen Average Products Buyed in a Quarter att ändras.

Genom att jämföra dessa två kolumner kan vi veta vad som är normalt och vad som inte är det.

Vi kan lägga det vi har kommit fram hittills i ett visuellt diagram för en mer djupgående analys. Vi kan mycket snabbt se hur många produkter våra kunder har köpt i ett visst kvartal (höger sida) kontra hur mycket de i genomsnitt köper (vänster sida).

Vi kommer att kunna se det onormala beteendet från våra LuckyTemplates-datauppsättningar och se vilka kunder som har ökat sina köp. Vilka är dessa människor och varför gör de det?

Med den data vi har samlat in kan vi sedan implementera handlingsbara strategier för att replikera detta.

Vi kan förstärka vårt marknadsföringsbudskap för att öka köpen för dem som inte producerar onormalt beteende.

Slutsats

Det är här en onormal analys, avvikande analys eller anomalityp tillför mycket mervärde. Varför? För vi vill förstå om våra kunder presterar bättre eller om säljarna säljer mer.

Om vi ​​kan hitta beteendemönster som är positiva för oss i ett visst segment av vår data, kan vi replikera detta över andra segment.

Målet är att replikera fördelaktigt kundbeteende och tillämpa det på andra delar av verksamheten.

Denna teknik kommer oerhört att hjälpa till att öka ditt analytiska tänkande kring vad du kan uppnå i LuckyTemplates. 

Dessa typer av analyser och många fler finns i modulerna Advanced LuckyTemplates på LuckyTemplates Online . För mer information, kolla in modulen nedan.

Njut av att recensera denna.