Vanlig kundbeteendeanalys med hjälp av LuckyTemplates

I dagens affärsvärld är det ytterst viktigt att genomföra en gemensam kundbeteendeanalys för många funktionsområden inom företag. Du kan se hela videon av denna handledning längst ner på den här bloggen.

Att analysera konsumentbeteende fungerar som ett verktyg för att hjälpa till att planera och uppfylla försäljningsmål.

Att förstå köpbeteende hjälper dessutom att bestämma var och hur produkter eller tjänster ska placeras bättre.

Du kan utvärdera hur dina kunder agerar och förutsäga hur de kommer att bete sig i framtiden på ett dynamiskt sätt med hjälp av LuckyTemplates. 

I den här videohandledningen kommer jag att dyka ner i en analys av beteendetyp för att räkna ut det vanligaste beteendet från kunder.

Jag ska gå igenom hur du kan analysera beteendet hos vissa element i din datamängd. I det här fallet vill jag analysera hur mycket dina konsumenter i genomsnitt köper baserat på dina produkter över tiden. Jag vill också titta på hur många transaktioner våra kunder i genomsnitt gör på en viss produkt. Så det här är de beteendemässiga svaren som du kan hämta från dina datamängder.

DAX-formeln är inte särskilt svår, och det viktigaste du måste förstå är att iterera funktioner – eller hur du kan iterera genom en annan dimension och sedan analysera resultatet av deras effekt baserat på vilket sammanhang du än befinner dig i.

Låt mig visa dig hur jag gjorde det och förhoppningsvis kan du få en insikt som du kanske vill tillämpa på din egen analys.

Innehållsförteckning

• Genomsnittlig försäljning per kund
• Genomsnitt för alla kunder
• Transaktioner per kund
• Slutsats

Genomsnittlig försäljning per kund

Jag vill se vad den genomsnittliga försäljningen är per kund för en viss produkt. Jag vill till exempel se hur mycket våra kunder i genomsnitt får spendera på Produkt 63.

Så hur gör jag det? Först och främst måste vi komma med en formel som säger att varje enskild produkt kommer att upprepas genom varje enskild kund för att utvärdera den totala försäljningen som den specifika kunden gör, och sedan genomsnittet av det. Detta kommer att ge oss den genomsnittliga försäljningen, men per kund.

Om du tänker efter kan du också bara använda kund-ID och du kommer att få exakt samma resultat.

Det är helt upp till dig hur du gör det, men det är bra att ha en god förståelse för vad som händer med datamodellen.

Det här är vad VALUES gör: vi kommer att gå igenom varje enskild kund som har köpt produkt 63. Vi kommer att utvärdera hur mycket de köpte och sedan kommer det att beräkna ett genomsnitt medfungera.  

Genomsnitt för alla kunder

Detta kommer att påverkas av vilken kontext vi än har på kundnamnet . Så vad som händer är när jag väljer en kund eller grupp av kunder, upprepningen gäller bara den kund som vi faktiskt har valt.

Detta skulle bara upprepas genom varje kund om vi blev av med något filter som kommer från just denna skärmaskin.

Detta är vad genomsnittet för alla kunder gör; detta kommer alltid att vara en siffra som inte ändras oavsett vilket val du gör i Customer Name slicer.

Det jag gjorde för att komma fram till detta genomsnitt är att se till att allt från tabellen Kunder inte gäller det aktuella sammanhanget. Detta gör att jag kan iterera – oavsett urval – genom varje enskild kund och hämta försäljningen.

Så här kan vi räkna ut vad som är det vanliga kundbeteendet och sedan jämföra det med ett urval eller en grupp av kunder som vi väljer ut. Detta är den del där det kan bli ganska fancy i din analys. Låt oss säga att du tittar på alla kunder, men du ville också gruppera dessa kunder efter region, eller om de är en bra eller dålig kund, eller om de har en kund med hög marginal eller låg marginal.

Transaktioner per kund

Du kan också göra detta för transaktioner och se dina produkter i sin helhet ur ett beteendeperspektiv. Jag använde exakt samma teknik och beräknade deras totala transaktioner i genomsnitt för varje enskild kund.

Sedan gick jag tillbaka och lade in det i CALCULATE-satsen med ALLA. Detta gav mig det övergripande beteendet för varje enskild kund i datamängden och sedan kunde vi jämföra det med vilket val vi än gjorde.

Det här är kraftfulla saker här, och det finns många applikationer för tekniker som liknar denna. Det finns så många saker du kan uppnå med LuckyTemplates genom att helt enkelt analysera genomsnittligt kundbeteende och sedan jämföra det med en liten delmängd.

Slutsats

Om du tittar på det på nominellt värde är det ganska svårt att föreställa sig hur du kan göra en kundbeteendeanalys inuti LuckyTemplates. Det är anledningen till denna handledning, där jag gör en djupdykning i denna typ av insikt.

Först måste du analytiskt fundera över hur du vill uppnå ditt önskade resultat i LuckyTemplates. Och strukturera sedan din modell och DAX-formler genom att kombinera både "out of the box"-tänkande och några praktiska tillämpningar.

Det finns många sätt som kundbeteendeanalys som denna kan gynna ett företag. Sådana insikter kan hjälpa dig att avgöra vilka åtgärder och beslut du kommer att genomföra ur ett marknadsföringsperspektiv och även för framtida logistiska utmaningar.

För fler exempel kring avancerad affärsanalys . Kolla in kursmodulen nedan från.

Njut av att lära dig om denna analytiska teknik.

***** Lär du dig Lucky Templates? *****