Prognosteknik: Utforska prognoslogik i LuckyTemplates-modeller

Om du vill ha ett exempelscenario i verkligheten för prognoser med hjälp av LuckyTemplates, är du på rätt sida. Du hittar i denna handledning en prognosteknik som du säkert kan implementera i din egen arbetsmiljö. Du kan se hela videon av denna handledning längst ner på den här bloggen.

I exemplet jämför jag mina faktiska resultat med mina prognoser och tittar på dem kumulativt. De ackumulerade summorna ger mig en mycket bättre överblick och säkerställer att jag vet när en trend dyker upp. Om du använder prognostekniken som jag diskuterar i den här handledningen kommer du att kunna uppnå samma sak.

Först måste du dock skapa den faktiska prognosen. Du kan ha detta i en separat datakälla eller kalkylblad, eller så kan du behöva skapa det eftersom du inte har ett ännu. Det finns många sätt du kan skapa det på – ibland är det enkelt, och ibland, enligt min mening, är det mer komplext än det behöver vara.

När du väl har den inställningen kan utvecklingen av en enkel logik och använda formler med DAX verkligen ge dig insikter i dina data.

Att granska faktiska resultat i sig är bra, men i många fall behöver du ett riktmärke för att verkligen visa den relativa prestandan.

Om du inte har en grundlig förståelse för siffror är det bästa sättet att visa detta för dina konsumenter att använda ett riktmärke eller en prognos (som i det här fallet).

Genom att använda de andra filtren i din datamodell kan du dessutom ställa in dina rapporter för att dyka in i specifika områden av dina datamängder effektivt och se hur resultaten har presterat jämfört med det unika riktmärket. Ibland finns det några nyanser att förstå, men det här är en annan handledning.

Innehållsförteckning

• Skapa en prognos
• Arbeta fram den kumulativa prognosen
• Prognos kontra försäljning
• Slutsats

Skapa en prognos

Vi har en enkel datamodell här med Total Sales, som bara är historisk information, så vi måste skapa en prognos. Det finns många sätt att göra detta, men jag ska visa dig hur du skapar ett enkelt.

I den här demonstrationen ska jag projicera vad vi har uppnått under 2015 till 2016. Jag använder med Total Sales , och går sedan och lägger in Dates .

Detta kommer att ge oss försäljningen förra året. Vi kan se att i vår tabell här att den första data som matades in var den 1 juni 2014.

Nu återspeglas det i vårt 2015 (försäljningen totalt förra året).

Men vi måste gå ett steg längre. Vi vill prognostisera 2016, så vi kommer att ha våra data från och med januari 2016 och sedan för hela året. För att göra det ändrar vi kontexten för beräkningen (med hjälp av CALCULATE ), men vi filtrerar bort information som inte finns i 2016 (med ett uttalande). Så vi filtrerar tabellen Datum där året är lika med 2016.

Detta kommer bokstavligen att bli av med eller tömma alla datum som inte är 2016 för den här prognosen. Låt oss dra in det i vår tabell så ser vi att vår data börjar från januari 2016.

Vi har nu 2016 års prognos.

När vi visar det på ett diagram kan vi se vår totala försäljning per dag och vår försäljningsprognos, som bara är en prognos från året innan.

Arbeta fram den kumulativa prognosen

Nu ska vi omvandla dessa till kumulativa summor och vi ska titta på dessa kumulativt, vilket gör att vi kan få bättre insikter. Det första vi behöver göra är att beräkna kumulativ försäljning .

Vi kan sedan återanvända detta för att ta fram vår kumulativa 2016-prognos . Allt vi behöver göra är att lägga in den totala försäljningen med 2016 års prognos .

Nu har vi den kumulativa summan av 2016 års prognos , som bara är de beräknade resultaten för 2015. Vi har förvandlat dem till en ackumulerad summa, som vi kan jämföra med vår ackumulerade försäljning i år .

Vi kan förvandla detta till en visualisering och kunna analysera denna information om hur vi går kumulativt. Det är lite av ett problem här där den kumulativa summan projiceras hela vägen, även om det inte finns någon information och vi förmodligen inte vill ha det.

Vi kan fixa det väldigt enkelt genom att lägga till i vår formel. Så om det bokstavligen inte finns någon försäljning den dagen kommer detta tillbaka. Detta kommer att bli av med all information som skickas vidare från ett visst datum.

Vi trycker på Enter och vi ser i vårt diagram att linjen försvinner, eftersom vi lägger över vår nuvarande försäljning mot vår försäljningsprognos.

Prognos kontra försäljning

Härifrån kan vi beräkna vår försäljning kontra vår prognos genom att mäta förgrening .

Och vi skulle kunna förvandla detta till enbart en visualisering, men det genererar inte riktigt någon insikt för oss för tillfället eftersom vi inte har några data från september till december och det tar det bara som noll.

Vi kan fixa detta igen genom att lägga in den ISBLANK- logiken.

Och med det kan vi nu se hur vi går genom tiden kontra vår kumulativa prognos.

Eftersom detta är kopplat i datamodellen kan vi dessutom ta in våra produkter till exempel. Vi förvandlar den till en slicer och ser hur vi går med var och en av våra produkter.

Vi kan dynamiskt välja alla våra produkter och se hur de spårar.

Slutsats

Detta är en unik prognosteknik som jag har demonstrerat i denna handledning. Först skapade vi en prognos, vi höll den ganska enkel och sedan använde vi en ackumulerad summa för att visualisera den bättre. Efter det jämförde vi det och kunde följa tiden och se hur all försäljning gick.

Allt handlar om affärsapplikationerna med detta. Jag täcker faktiskt många liknande applikationer kring prognostisering i min Det här är värt att kolla upp om du vill lära dig mer om prognostekniken, budgetering, segment- och grupperingstekniker och scenarioanalys för att nämna några.

Jag hoppas att du kommer att kunna hitta ett sätt att införliva denna prognosteknik i ditt eget arbete.

Med vänliga hälsningar!

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