Tidsbaserad kohortanalys – Konfigurera dina datamodeller i LuckyTemplates

I den här handledningen ska jag göra en djupdykning i Time Based Cohort Analysis i LuckyTemplates.

Det här är en kort breakout-session från en nyligen genomförd händelse för LuckyTemplates-medlemmar. Du kan se hela videon av denna handledning längst ner på den här bloggen.

Jag vill visa dig hur jag ställer upp det här. Detta är den svåraste uppgiften när du börjar köra mer avancerade beräkningar.

Du vill veta hur du ställer in dina datamodeller korrekt för att undvika förvirring och se till att LuckyTemplates-modellen fungerar.

Innehållsförteckning

• Snabb recension av kohortanalys
• Skapa kohorter i LuckyTemplates
• Ställa in tabellen för kohortmånader
• Kohortanalysinsikter
• Andra kohortanalysformler som används
• Fler exempel på kohortanalyser
• Slutsats

Snabb recension av kohortanalys

Innan jag diskuterar den här tekniken vill jag först visa de insikter du kan få ut av den tillsammans med en snabb recension om Time Based Cohort Analysis.

Kohorter är ett fint sätt att anropa segment eller grupperingar av dina dimensioner eller variabler i din data.

Till exempel vill du titta på grupper av dina kunder.

Du vill skapa kohorter av när dina kunder först gick med eller började använda din programvara eller applikation.

För det här fallet har jag skapat kohorter för särskilda månader. Så om dina kunder började i juni 2017, är det deras specifika kohort.

Det är inte en gruppering på beloppen eller antalet gånger de har gjort transaktioner med dig. Din gruppering är baserad på tid.

I det här exemplet var det när de gick med.

Nu ska jag visa dig hur du skapar dessa kohorter och sedan arbeta in det i din modell.

Skapa kohorter i LuckyTemplates

Låt oss ta en titt på modellen.

Detta är en ganska generisk modell. Så här vill du få dina modeller att se ut.

Du kan se att jag har ytterligare ett lager av mina uppslagstabeller.

Men innan jag visar er syftet, ska jag först arbeta med att skapa dessa kohorter i uppslagstabellen.

Uppslagstabellen är där du vill gruppera en viss dimension. I det här fallet är det kunderna.

Så låt oss se min kundtabell.

Ursprungligen inkluderade min kundtabell endast kundindex och kundnamn.

Men om du vill skapa kohorterna i uppslagstabellerna måste du placera dem där du vill att segmenteringen ska ske.

Nu vill jag räkna ut kundens Join Date. I min demodata är anslutningsdatumet när kunden först loggade in.

Den första inloggningen kan vara när kunden registrerade sig med ett e-postmeddelande eller när de först använde testversionen av applikationen.

Du måste ta reda på första gången en anslutning initierades av en kund.

Jag fick denna information med hjälp av denna formel:

Den använderav inloggningsdatumet . Sedan lindade jag in den ifunktion för att se till att jag får rätt filterkontext. Detta ger mig den första dejten.

Nu måste jag träna månaden. Jag vill skapa mina kohorter baserat på vilken månad kunden gick med.

Denna teknik är mycket flexibel eftersom du kan skapa olika kohorter.

Men återigen, för det här exemplet kommer jag att använda en månadskohort som visar månaden och året.

Det här är formeln jag använde för Join Month Cohort :

Jag tog tag i kolumnen Månad och år från tabellen Datum genom att använda denna logik:

Jag tränade igenomi tabellen Datum och vilket datum som motsvarar Kundens anslutna datum. Sedan när den är lika med TRUE , kommer den att returnera kolumnen Månad och år i samma tabell. 

Med detta har jag nu min Join Month Cohort .

Ställa in tabellen för kohortmånader

Nu vill jag visa dig varför jag skapade entabell.

Låt oss gå tillbaka till kundtabellen.

Om du lämnade den med denna information och logik kanske du inte får varje iteration av månaden och året.

Detta beror på att en kund kanske inte har gått med under någon månad och år. Så för att få en bra visualisering måste du se till att varje månad och år refereras i en viss tabell.

Det kan också bero på att informationen du behöver kanske inte är inom den dynamiska beräkningen av alla kunder.

Kom ihåg att det kommer nya kunder ombord hela tiden. Så denna information bör teoretiskt sett alltid uppdateras.

Det är därför jag skapade en annan tabell med formeln Cohort Months :

Jag tog tag i Indexet ochkolumner från tabellen Datum. Dessa två kolumner blev Cohort MonthnYear .

Detta är datumtabellen:

Du kan se att den har många kolumner som innehåller mycket information. Men för det här exemplet behövde jag bara kolumnerna Index och Månad och år. Så jag sammanfattade tabellen Datum med hjälp av Cohort Months .

Jag har nu varje iteration, som också blev unika värden.

Om den här informationen hämtades från tabellen Datum, skulle den ha hänvisats till mycket. Men eftersom det nu är en kolumn som innehåller unika värden har det blivit en enkel uppslagstabell.

Du kan skapa en en-till-många-relation fråntill kundbordet .

Denna relation kommer att fortsätta att filtrera fram till tabellen Webbplatsdata . BERÄKNA - logiken kommer att finnas i den här tabellen på grund av dess relation till kundtabellen.

När du har gjort allt detta har du nu en dimension som du kan placera i en matris. Denna matris kommer att ge dig varje månad.

Kohortanalysinsikter

En annan intressant sak med kohortanalys i LuckyTemplates är att du kan analysera trenderna inom kohorterna.

För det här exemplet ville jag räkna ut min Customer Churning.

Du kan se att jag har en dynamisk visualisering. Jag har 641 kunder som gick med i juni 2017-kohorten. Däremot lämnade 12 kunder under den första perioden.

Du måste skapa en generisk tabell som visar de perioder du har tänkt ut.

För det här fallet har jag skapat en tabell i min modell som heter Kohortperioder.

Jag har också skapat ett stödbord i den.

Du kan se hur jag har skapat Min- och Maxdagarna för varje enskild period. Detta anger tidsfönstret som du vill analysera för varje enskild kohort.

Om du går tillbaka till exemplet kan du se att under period 2 var det 14 kunder som churnade inom perioden på 30 och 60 dagar.

Och när du går ner i tabellen kan du se hur detta värde förändras för olika kohorter.

I en annan tabell visar den värdena i procent.

Procentsatser är bättre jämfört med siffror eftersom du kan få värdefulla insikter från dem. Du kan identifiera trenden för kunder som lämnar inom en viss period.

Du kan identifiera problemen som orsakade denna trend. Det kan bero på att du tappade marknadsföring och reklam, eller att du inte får lika många försäljningar från dina kunder.

Andra kohortanalysformler som används

Det här är de andra formlerna jag använde för denna tidsbaserade kohortanalysteknik i LuckyTemplates.

Denna dynamiska churning-formel gjorde det möjligt för mig att få insikter från data.

När du väl förstår dynamiska grupperingstekniker med DAX kommer du att kunna få ut mer av din rapport.

Fler exempel på kohortanalyser

För att visa den här teknikens möjligheter vill jag lägga till ett annat exempel.

Låt oss säga att jag vill titta individuellt på kunderna i den här specifika kohorten som cirkulerade.

Jag kan välja ett värde i min tabell och den kommer automatiskt att visa individuella kundnivåer i en annan tabell baserat på hur jag ställer in den.

Slutsats

Du kan använda den här strategin för vilken kohort du än försöker utforma. Det kan vara kohorter om produkter, regioner eller kunder.

Exemplet i denna handledning är dock det mest relevanta. Kohortanalys har blivit populärt av SAS-applikationer. Så, du bör gruppera dina kunder baserat på när de churning.

Du kan skapa otrolig analys i LuckyTemplates med den här tekniken.

Jag hoppas att den här handledningen har gett dig en bra uppfattning om vad kohortanalys är och hur du implementerar den.

Med vänliga hälsningar,