Pipe In R: Anslutningsfunktioner med Dplyr
I den här handledningen kommer du att lära dig hur du kopplar ihop funktioner med hjälp av dplyr-röroperatorn i programmeringsspråket R.
I den här handledningen går jag igenom några fantastiska scenarioanalystekniker och visar hur du kan kombinera flera av dem i LuckyTemplates. Jag pratar om att prognostisera produktefterfrågan . Du kan se hela videon av denna handledning längst ner på den här bloggen.
LuckyTemplates är ett fantastiskt verktyg för dataanalys när du kan implementera tekniker som denna.
Ta en situation där du vill analysera framtida produktbehov. Att ha möjligheten att ställa in dina modeller i LuckyTemplates så att du kan köra flera scenarier samtidigt kan ge dig insikter som kan ta ditt företag till nästa nivå.
Att kunna införliva några ' ' parametrar och sedan köra scenariotypanalys gör att du kan prognostisera eller förutsäga vad du kan behöva göra i framtiden för att extrahera rätt mängd intäkter eller optimal vinstmängd.
Denna handledning visar dig hur du kan uppskatta framtida produktefterfrågan i LuckyTemplates med hjälp av DAX.
För att göra detta måste vi ha ett slags riktmärke för att avgöra hur mycket vi kommer att sälja. Och sedan kan vi behöva lägga på några faktorer ovanpå det som kan förändra den efterfrågan.
Enligt min åsikt är det bästa riktmärket för att utforma en framåtriktad prognos eller uppskattade framtidsinriktade belopp att titta på vad vi traditionellt har sålt . Låt oss nu dyka in i hur vi kan göra det med What If-parametrar och DAX i LuckyTemplates.
Innehållsförteckning
Uppskattning av efterfrågan med hjälp av What If
För att använda What If-parametern klickar vi helt enkelt på New Parameter i modelleringsbandet.
Så i den här demonstrationen har jag skapat vad jag kallar en efterfrågefaktor , vilket är en tabell.
Med denna tabell kan vi ändra efterfrågan och se vad som händer med våra efterfrågeförväntningar.
Här har vi en bild som representerar vad vi förväntar oss för att efterfrågan ska gå baserat på efterfrågefaktorn som vi har lagt in i vår modell.
I vår modell ser vi att denna efterfrågefaktor bara är ett stödbord . Vi kan bara extrahera siffrorna härifrån och sedan mata in dem i våra beräkningar.
Låt oss nu ta en titt på denna prognostiserade efterfrågeanalys ur ett DAX-perspektiv.
Uppskattning av efterfrågan med DAX
När vi prognostiserar efterfrågan måste vi projicera en del historisk försäljning och införliva denna efterfrågefaktor. Detta är lätt att uppnå på grund av de fantastiska tidsintelligensfunktionerna i LuckyTemplates.
Först beräknar vi vår. Vad den här formeln gör är att helt enkelt titta tillbaka i tiden på exakt dagen innan.
Våra faktiska resultat är dock ganska upptagna. Så jag har gjort en del utjämning för att få en tydlig insikt och jag rekommenderar starkt detta ur ett visuellt perspektiv.
För att göra detta lägger vi på det glidande medelvärdesmönstret eller tekniken för glidande medelvärde. Här är beräkningen jag gjorde för detta:
Jag gjorde Estimated Sales först, vilket är lika med Försäljningen förra året multiplicerat med ett plus efterfrågefaktorn. Sedan jämnade jag ut det genom att räkna ut ett glidande medelvärde för den uppskattade försäljningen som vi beräknar.
Om vi tittar på diagrammet ser resultaten mycket mer tilltalande ut när vi sätter utjämningsfaktorn. Och så vi kan nu använda kraften i datamodellen och välja kvartal och år för att få in och ut det, och prognostisera efterfrågan snabbt och enkelt.
Vi kan också välja dem här också och det kommer att förändra det visuella.
Det kommer inte att visa det som förväntat eftersom detta bara beräknar terminsbeloppen.
Slutsats
Så det är så du kan kombinera massor av tekniker för att prognostisera efterfrågan med hjälp av kraften i What If-parametern och DAX i LuckyTemplates.
Vi har börjat med att skapa en parametertabell och sedan skapat total försäljning som ett kärnmått. Vi har övergått till att använda tidsintelligens och införlivat vår What If-parameter. Sedan har vi jämnat ut det och visualiserat det. Det är så vi får fram projektionen.
Du måste förstå data, DAX-formeln, parametrarna och sammanhanget för att allt ska fungera bra.
Du kommer att upptäcka genom att lära dig denna teknik att det finns många olika sätt att expandera på den, och inte bara vara begränsad till att analysera eller förutsäga produktefterfrågan. Du kan till exempel också utforska förändringar i regional efterfrågan och/eller butiksefterfrågan.
Det finns bara så många sätt att tillämpa begreppen som förklaras i denna handledning, så det är väl värt att lägga tid på att förstå detta väl.
Med vänliga hälsningar,
***** Lär du dig Lucky Templates? *****
I den här handledningen kommer du att lära dig hur du kopplar ihop funktioner med hjälp av dplyr-röroperatorn i programmeringsspråket R.
RANKX från LuckyTemplates låter dig returnera rankningen av ett specifikt nummer i varje tabellrad som utgör en del av en lista med nummer.
Lär dig hur du tar isär en PBIX-fil för att extrahera LuckyTemplates-teman och bilder från bakgrunden och använda den för att skapa din rapport!
Excel Formler Fuskblad: Mellanvägledning
LuckyTemplates Kalendertabell: Vad är det och hur man använder det
Lär dig hur du installerar programmeringsspråket Python i LuckyTemplates och hur du använder dess verktyg för att skriva koder och visa bilder.
Lär dig hur du beräknar dynamiska vinstmarginaler vid sidan av LuckyTemplates och hur du kan få fler insikter genom att gräva djupare i resultaten.
Lär dig hur du sorterar fälten från en utökad datumtabells kolumner korrekt. Detta är en bra strategi att göra för svåra fält.
I den här artikeln går jag igenom hur du kan hitta dina toppprodukter per region med hjälp av DAX-beräkningar i LuckyTemplates, inklusive TOPN- och CALCULATE-funktionerna.
Lär dig hur du använder en skräpdimension för flaggor med låg kardinalitet som du vill infoga i din datamodell på ett effektivt sätt.