Skapa framåtriktade prognoser i LuckyTemplates med DAX

I den här bloggen kommer vi att gå igenom hur du kan skapa automatiska prognoser från historiska data i LuckyTemplates . Detta är vanligt i företag att göra prognoser och budgetar. Du kan se hela videon av denna handledning längst ner på den här bloggen.

Har du någonsin velat skapa automatiska prognoser baserade på historisk information ? Tidigare var detta relativt svårt att göra med hjälp av verktyg som Excel, men du kan göra detta enkelt i LuckyTemplates .

Historiskt sett kan du ha hämtat information och sammanfattat den i en tabell och använt den som ett riktmärke. Men i videon visar jag hur du kan skapa benchmarks och prognoser dynamiskt . Detta är ett mer effektivt och effektivt sätt att projicera siffror framåt och gör att du kan jämföra hur du faktiskt presterar mot en tidigare period eller en kombination av tidigare perioder.

Vad vi ska göra är att titta på historiska tidsperioder och använda dem som värden i vår ekvation för att projicera en framåtriktad prognos.

Jag kommer att använda tidsintelligensfunktioner i LuckyTemplates för att visa upp hur du kan göra detta på ett mycket dynamiskt sätt.

Genom att kombinera flera tekniker i kan du uppnå dessa riktigt bra insikter. I det här fallet borrar vi bara i prognoser och försöker skapa riktmärken framåt, så att vi kan jämföra våra faktiska resultat mot något som faktiskt är vettigt.

Innehållsförteckning

• Hur man skapar en automatiserad prognos från historiska data
• Använda variabler för att skapa ett mått för en 3-års prognos
• Skapar visualiseringen
• Slutsats

Hur man skapar en automatiserad prognos från historiska data

I många fall härleds din prognos från dina historiska resultat. Så jag ska visa dig hur du snabbt kan ta tag i historisk data, konsolidera den och sedan skapa en prognos från den, som fortfarande är anpassad till hela din datamodell. 

Låt oss anta att vi redan har en del försäljningsinformation redan och vi har vår försäljningsberäkning här. 

Så vi måste hitta ett sätt att projicera framåt mot 2018. Vi vill arbeta fram vår försäljningsprognos under 2018. Om du tittar på det här filtret nere till höger har jag faktiskt bara filtrerat för 2018, så vi tittar bara på 2018 här. 

Nu skapar vi ytterligare en måtttabell genom att klicka på Enter Data och den ger dig möjlighet att skapa en måtttabell. Låt oss kalla den här tabellen Försäljningsprognoser . Om du kan ta för vana att skapa dessa måtttabeller, skulle det gynna dig enormt när det gäller att organisera din modell. 

Därefter skapar vi ett nytt mått med hjälp av tidsinformationsfunktioner för att göra våra försäljningsprognoser från 2017 års siffror. Så vi går till Nytt mått, och låt oss kalla detta Sales LY och gå BERÄKNA efter total försäljning . Vi skulle kunna göra samma sak för vilken som helst av våra mätvärden, men i det här exemplet kommer vi att arbeta med försäljning.

Och vi behöver en, som är en av de bästa tidsintelligensfunktionerna bara på grund av den flexibilitet du har med den. Sedan hoppar vi tillbaka ett år här ( -1 ), och lägger upp vårt intervall ( ÅR ) här. Tryck sedan på Enter.

Om vi ​​tar tag i detta och drar det till bordet kommer vi att se att vi nu projicerar all data från 2017 framåt . Så vi fick vår första kolumn med information av de tre som vi ska beräkna idag.

I detta exempelscenario måste vi hoppa två år tillbaka också eftersom vi vill ta fram en treårsprognos. Så för att göra det andra året kopierar vi helt enkelt mönstret och gör bara ett par justeringar.

Vi ändrar namnet på måttet och parametern inuti, och vi projicerar nu vår försäljning från två år sedan. Vi kommer också att göra exakt samma sak för 3 år sedan.

Och nu har vi tre års information som vi nu kan skapa i vår prognos.

Använda variabler för att skapa ett mått för en 3-års prognos

Det finns ett annat sätt att göra detta på ett effektivt sätt för att skapa en LuckyTemplates-prognos. Vi kommer att använda variabler för att skapa ett mått, istället för tre, och få exakt samma resultat som vi söker.

Så vi går till New Measure en gång till och för detta, låt oss kalla det för försäljningsprognosen . Vi går VAR (variabler), sedan Sales LY på nästa rad. Vi gör samma sak på nästa par rader för 2 och 3 år sedan .

Därefter kan vi hoppa ner och gå RETURN, och det är här vi kan lägga in logiken. Vi använder DIVIDE med våra tre års data, så vi summerar försäljning LY, försäljning för 2 år sedan och försäljning för 3 år sedan . Sedan delar vi det med 3 . Vi lägger också vårt alternativa resultat, som är 0 .

Vi lägger bara alla tre åtgärderna vi gjorde tidigare inuti variabler, vi får samma resultat. Jag rekommenderar starkt detta, eftersom det är mer effektivt. Vi har nu vår försäljningsprognos och vi har ett snitt på alla dessa tre.

Dessutom vill vi se en viss ökning av vår försäljning, eller hur? Så låt oss göra en prognos för att visa upp en tillväxt på fem procent . För att göra detta lägger vi enkelt till en FAKTOR i vår formel och multiplicerar sedan den sista raden med faktorn .

Skapar visualiseringen

När alla nödvändiga formler har skapats omvandlar vi detta till visualiseringar och ser tydligt vår LuckyTemplates-prognos. Och vi har nu en virtuell försäljningsprognos som visar hur mycket vi behöver tjäna varje dag för att nå vår prognos.

Vi kan också lägga detta i ett kumulativt totalt mönster . Så vi går och skapar ett nytt mått, och kallar det Cumulative Forecast . På nästa rad lägger vi in ​​BERÄKNA försäljningsprognos . Gå sedan till FILTRERA efter datum . 

När vi väl har det lägger vi ner det här och gör det till en kumulativ summa, och nu fick vi en kumulativ prognos som vi kunde mäta upp kumulativt kontra våra faktiska resultat så snart vi kom in i 2018. 

Det coolaste sättet att göra detta på är att det länkar till datamodellen . Så dina prognoser kan filtreras efter vad som helst i datamodellen eftersom de härrör från historisk information som ligger på en tabell i datamodellen.

Med detta kan vi enkelt gå och filtrera efter produktnamn här. Vi tar vår försäljningsprognos för produktnamnet och nu har vi prognostiserat mina produkter. 

Detta gör det också möjligt för oss att välja en viss produkt, säg produkt 47. Och när vi ändrar filtren här kan vi se hur mycket vi behöver sälja per dag för denna produkt, och/eller se dess kumulativa resultat tydligt. 

Slutsats

I den här handledningen har vi gått igenom mycket, som tidsintelligens och kumulativa totala mönster för att skapa en LuckyTemplates-prognos.

Jag har sett detta frågat ett antal gånger i kommentarer och forum, och jag ville bara visa upp hur det är relativt enkelt att skapa en prognos från historisk information i LuckyTemplates.

Jag hoppas att du upptäcker att du kan dra nytta av detta och implementera detta i dina egna miljöer. Hitta något sätt att använda några av de tekniker som vi har gått igenom i den här handledningen. Dyk in i videon nedan och försök använda de tekniker jag visade upp i ditt eget utvecklingsarbete.

Med vänliga hälsningar!