Segmenteringsexempel med avancerad DAX i LuckyTemplates

När du väl lärt dig mer och mer av avancerade DAX-formler kommer du att se världen av analytiska möjligheter expandera oändligt mycket för dig. I det här exemplet kommer jag att visa dig med hur mycket. Du kan se hela videon av denna handledning längst ner på den här bloggen.

I det här blogginlägget ska jag utforska lite relativt avancerad DAX-logik och sedan bygga vidare på den genom att kombinera en första beräkning med en annan. Det här blogginlägget följer en befintlig video som gjorde det möjligt för oss att gruppera våra kunder efter deras försäljningsrankning .

Det fick mig att tänka på vad mer vi kan generera från denna information. Jag insåg att det skulle vara intressant om vi tittade på det ur ett procentperspektiv istället för ett totalperspektiv.

Till exempel, om du ett år gör 20 % av din försäljning från dina topp 5-kunder och sedan nästa år gör du bara 5 %. Ur ett marknadsföringsperspektiv vill du förstå varför detta inträffar och vidta åtgärder för att öka denna andel.

Innehållsförteckning

• Fastställande av dynamisk rankning per kundgrupp
• Tabeller för total försäljning och kundgrupper
• Bestämma procentandel av kundförsäljning efter rankningsgrupp
• Visualisera data
• Slutsats

Fastställande av dynamisk rankning per kundgrupp

Låt oss först gå igenom hur vi grupperade dessa kunder i första hand. Vi skapade ett mått och kallade det kundförsäljning per grupp med hjälp av denna formel:

Vad vi gjorde var att dynamiskt rangordna inom varje år hur många försäljningar som gjordes per kund med hjälp av. Vi grupperade dem i tre: Topp 5, Topp 5 till 20 och sedan resten.

Men vad vi nu vill göra är att bestämma procentandelen av dessa belopp i total försäljning. Så vi vill se alla dessa siffror som procentsatser så att vi kan se om den procentuella förändringen sker över tiden.

Detta är inte så svårt att göra från där vi är nu. Om du gick igenom det tidigare blogginlägget eller videon och förstod det, då kommer den här att bli en piece of cake.

För att få dessa resultat i procent måste vi räkna ut hur vi får siffrorna i Total-raden till siffrorna i topp 5, rankning 5 till 20 och resten. Till exempel tjänade våra topp 5-kunder oss 4 988 170,10 USD under 2014, vilket måste delas med vårt totala 35 040 899,50 USD för att få procentsatsen.

Det första du ska göra är att kopiera och replikera tabellen i duken, och sedan räkna ut ett mått som kommer att hämta de 35 miljonerna Totala försäljningarna i detta sammanhang.

Som du kan se har vi sett total försäljning inifrån funktionen BERÄKNA och sedan ändrat sammanhanget med en ganska avancerad.

Tabeller för total försäljning och kundgrupper

Den totala försäljningen har i sig inget samband med tabellen Kundgrupper som vi skapade i det tidigare blogginlägget. Det finns absolut inget samband mellan de två.

Så om vi försöker filtrera den totala försäljningen efter tabellen Kundgrupper kommer ingenting att hända. Men kolla vad som händer när vi tar upp det här i tabellen.

Det finns ett filter placerat i kolumnerna 2014, 2015 och 2016; så vi får summan i varje enskild iteration av tabellen Grupper. Dimensionen Grupper filtreras dock inte eftersom de inte är kopplade till datamodellen. Så vi har i princip de två nyckelelementen i denna analys.

Bestämma procentandel av kundförsäljning efter rankningsgrupp

Nästa steg är att skapa ett nytt mått eller använda det befintliga måttet och kalla det % Customers Sales per Group. Vi delar upp kundförsäljningen efter grupp med total försäljning, med 0 som mitt alternativa resultat.

Självklart måste vi formatera detta och ändra det till procent.

Det sista steget är att ta tag i det här måttet och lägga det i tabellen för att se procenten. Det ser ut som att det beräknar rätt resultat eftersom vi får 100% för alla summor. Som du kan se är detta en supercool teknik byggd ovanpå en befintlig teknik som vi har använt tidigare.

Visualisera data

Som pricken över i:et kan du lägga detta i en visualisering, speciellt om du ska visa mer än de tre år som jag har illustrerat i denna tabell. Det finns ett antal olika sätt att dela och tärna denna information, som med det här linjediagrammet:

Eller om du föredrar det kan vi använda ett ytdiagram istället:

Där har du det: vi har nu dynamiskt beräknat var vår försäljning kommer ifrån och från vilka rankningsgrupper de kommer från genom tiden.

Detta är verkligen kraftfullt avancerat DAX-analysarbete som ger fantastiska insikter. I många scenarier är det nyckeln till beslutsfattande och riskhantering att ha en god förståelse för sammansättningen av dina attribut. Jag tänker på situationer som banklåneböcker, försäkringsskydd, försäljningstillskrivning och många andra. Genom att använda en kombination av dessa tekniker kan du avslöja dessa insikter ganska effektivt.

Slutsats

Det finns många faktorer inblandade i att sätta ihop denna typ av beräkning. Om du precis har börjat med DAX, kolla in mina onlinekurser och för att få en bra förståelse för var du ska börja och vad du kan uppnå utöver detta. Kombinationen av tekniker här öppnar upp en värld av möjligheter som du kan använda om och om igen i många modeller.

Nyckeln till att förstå hur du flyttar över detta till dina egna modeller är att tänka på dimensionen eller attributet du vill borra i, som kunder, regioner eller produkter. Du måste sedan iterera det attributet i ditt mått. Ibland kan du till och med behöva en stödtabell för att skapa den logiken att köra igenom.

Lycka till med denna. Om du har några frågor eller feedback låt mig veta i kommentarerna nedan.