Segmentering av dimensioner baserat på rankning – Avancerad analysteknik för LuckyTemplates

I det här exemplet kommer vi att bli ganska avancerade i LuckyTemplates med DAX. Vi kommer att fokusera på att segmentera dimensioner baserat på dess rankning i den specifika tabellen. Du kan se hela videon av denna handledning längst ner på den här bloggen.

Detta är ett fantastiskt koncept för hur du kan använda beräknade kolumner i LuckyTemplates. Detta kan ge ytterligare insikter som aldrig skulle ha varit möjligt med traditionella verktyg som Excel.

Att använda dessa tekniker effektivt och sedan implementera fantastiska visualiseringar runt dem, som jag också kommer att dyka in i, kan verkligen visa upp din data på ett övertygande sätt.

Innehållsförteckning

• Visualisering av segmenterad data
• Segmentera och rangordna dina data
• Slutsats

Visualisering av segmenterad data

Jag har alltid pratat om den fantastiska analytiska kraften hos LuckyTemplates men du kommer inte att se denna nivå av analys om du använderen och en. Dess verkliga kraft kommer fram när du använder en kombination av olika formler och tekniker staplade tillsammans.

Det är vad jag ska visa dig genom visualiseringen nedan.

Återigen, data som visas här kan inte analyseras så djupt som detta om du inte lägger flera formler på lager . Jag kallar denna teknik för att mäta förgrening . För att lägga till det överlagrade jag också lite beräknad kolumnlogik för att bryta ner resultaten ytterligare. Det är det bästa sättet att få en riktigt bra insikt i ett fall som detta.

I detta spridningsdiagram som finns i den nedre högra delen av rapporten, till exempel, ser du att det finns olika färger som representerar olika datagrupper. I det här fallet representerar prickarna städer, där varje färg visar dig den bästa, den sämsta och de vars ranking bara är okej.

Du kommer också att se att vår y-axel visar marginalförändringen från kvartal till kvartal . X-axeln, å andra sidan, visar försäljningsförändring från kvartal till kvartal .

Detta är den typ av insikt vi får när vi segmenterar vår data efter mått förgrening. Den visar dig om en stor försäljningsökning härrörde från en stor ökning av marginalen och vice versa. Den visar korrelationen mellan dessa datapunkter.

Naturligtvis är detta bara en demodatauppsättning så att du inte kommer att se ett stort kluster. Men när du väl tillämpar den här tekniken på din egen data kan du få ännu mer avancerade insikter.

Med alla dessa formel och tekniker kombinerade kommer du också att märka en skillnad i det övergripande utseendet och känslan av visualiseringen. Jag ska visa dig vad jag menar med att ta bort legenden för City Group.

Observera att jag skapade stadsgruppsförklaringen med hjälp av beräknad kolumnlogik . Så när jag tar bort den legenden ändras sättet som data visas upp. Det ger inte så mycket insikt som vi behöver.

Allt vi ser nu är allmänna datapunkter. Det visar oss inte var våra sämsta eller bästa kunder är. Bara det tar ut en hel del insikter vi borde få.

Vi ser nu att dessa ytterligare lager av logik faktiskt tillåter oss att se saker i ett mycket bättre ljus .

Låt mig nu dra tillbaka City Group som en legend.

Som du kan se förbättras visualiseringen avsevärt.

Segmentera och rangordna dina data

Den här gången vill jag visa dig hur jag segmenterade dessa grupper av kunder för att skapa den legenden.

Inne i den beräknade kolumnen använde jagför att få rangen för varje stad baserat på de angivna dimensionerna. I det här fallet rangordnar vi dem baserat på försäljning.

I formeln inkluderade jag regionerna i vår tabell och deras totala försäljning .

RANKX är extremt hjälpsam här eftersom det ger oss ett sätt att organisera all denna data och få lite insikt i dem.

Vi kan inte bara kontrollera vilka städer som går bra, utan också vilka som inte presterar lika bra, varför de finns långt ner längst ner i kolumnen.

Denna funktion är också grunden för nästa logik jag ska använda.

Så utöver RANKX brukade jag också skapa en extra dimension.

Med det extra lagret kan jag nu se vilka städer som har bäst presterande och de sämst presterande städerna. Så om stadsförsäljningsrankningen är lägre än eller lika med 10, taggas de som en del av "Bästa".

Detta är en riktigt bra teknik som du kan använda för att skapa fler sätt att segmentera din data. Observera att detta inte bara är användbart i ett punktdiagram. Detta kan även tillämpas på olika typer av visualisering.

Du kan till exempel också använda den i ett munkdiagram som visas nedan.

Du kommer också att se att munkdiagrammet och spridningsdiagrammet rör sig bredvid varandra. Så om jag klickar på den del som representerar de sämsta siffrorna på munkdiagrammet, justeras även spridningsdiagrammet.

Detta gör att vi kan nollställa delmängder av data eller andra dimensioner.

Slutsats

Försök att dyka in i dessa tekniker och implementera några av dem i dina egna modeller. Jag är övertygad om att du kommer att se bra resultat och att du kommer att vara nöjd med resultaten när det gäller vad du kommer att få i dina rapporter och instrumentpanelen.

Förhoppningsvis kan du se hur en kombination av dessa olika tekniker kan ge dig några riktigt avancerade analysnivåer. Att göra detta på LuckyTemplates kan ge dig riktigt detaljerade rapporter och högkvalitativa visualiseringar precis som den i vårt exempel.

Med vänliga hälsningar.