Труба в R: підключення функцій за допомогою Dplyr
У цьому підручнику ви дізнаєтесь, як об’єднати функції разом за допомогою оператора каналу dplyr мовою програмування R.
Сьогодні ми підемо на передовий рівень. Ми збираємося глибоко зануритися в відтік клієнтів: аналіз нових клієнтів і втрачених клієнтів у LuckyTemplates. Ви можете переглянути повне відео цього підручника внизу цього блогу.
Іншим терміном для цього є аналіз вибуття, тому що ми хочемо побачити, як наші клієнти відтікають, скільки наших клієнтів приходять на борт і купують наші продукти, скільки повертаються і купують ще, скільки клієнтів ми втрачаємо і т.д.
Є так багато чудових ідей, які ви можете отримати за допомогою цього типу досить поглибленого аналізу, саме тому я хотів витратити трохи часу на поглиблене вивченняі формули DAX.
У цьому прикладі аналізу клієнтів я починаю аналіз відтоку клієнтів і досліджую, скільки клієнтів втрачається після певного періоду часу. Я також вивчаю нових і постійних клієнтів.
Аналіз відтоку клієнтів є дуже важливою частиною аналізу для організації, особливо якщо ви здійснюєте часті продажі, як-от інтернет-магазин або мережа супермаркетів.
Очевидно, якщо ви залучаєте клієнтів, ви хочете продавати їм більше і не втрачати їх, наприклад, через конкурентів.
Набагато легше продати існуючому клієнту, ніж знайти нових.
Існуючі клієнти мають вирішальне значення для більшості підприємств, оскільки набагато вигідніше продовжувати продавати їм, а не постійно шукати нових клієнтів.
Зміст
Пошук загублених клієнтів
У цій першій візуалізації тут ми маємо те, що ми б вважали понаднормовими.
Цей момент до 90 днів не такий актуальний, тому що коли ми знаходимося в перших днях, ми фактично вважаємо всіх «втраченими» на даний момент.
Тепер давайте пройдемося по функції, щоб побачити, що ми тут робимо.
У цій формулі ми підраховуємо клієнтів, які не робили покупок протягом останніх 90 днів або іншої змінної дати відтоку.
Ми створюємо віртуальну таблицю для кожного клієнта за допомогою цієї змінної CustomersList .
Ми фільтруємо всіх клієнтів на будь-який день. І те, що ми робимо з ALL , це те, що ми фактично дивимося на кожного клієнта кожного окремого дня.
А потім для кожного клієнта ми оцінюємо, чи робив він покупку за останні 90 днів. Якщо вони цього не зробили, тоді це буде оцінено як 0 і зараховано цього клієнта.
Ізоляція нових клієнтів
Тепер давайте подивимося на наших нових клієнтів і подивимося, що це оцінює.
У цій таблиці ми бачимо, що це більш ранні дати, з січня по липень, оскільки ми тільки розпочали свій бізнес. Люди взагалі нові.
Тоді, очевидно, це згладжується ближче до кінця, тому що у нас просто є клієнти, які повертаються.
Його функція виконує подібну логіку. Ми підраховуємо, скільки клієнтів здійснили продаж до сьогоднішнього дня.
І якщо вони не придбали нічого, що буде оцінюватися як 0, тоді це оцінюється як новий клієнт.
Знання постійних клієнтів
Клієнти, які повертаються, - це ті, хто був оцінений як втрачений.
Тобто 90 днів нічого не купували. З часом ми підрахуємо, скільки насправді повертається.
Це було б дивовижним розумінням, якщо ви проводите рекламні акції чи займаєтеся маркетингом і хочете знати, скільки з цих втрачених клієнтів ви повернули завдяки своїй маркетинговій діяльності.
У формулі «Клієнти, що повернулися» ми оцінюємо лише тих клієнтів, які дійсно зробили покупку в будь-який день.
Отже, тут ми використовуємо певну логіку для кожного клієнта, оцінюючи, чи здійснював він продаж за останні 90 днів.
Якщо вони не купували протягом останніх 90 днів, вони вважаються такими, що повернулися. Потім оцініть як істинне та врахуйте цього клієнта в цей конкретний день.
Висновок
Цей підручник нааналіз клієнтів є досить просунутим у розрахунках DAX. Це лише демонстрація аналітичної потужності, яку ви можете мати з LuckyTemplates.
У минулому отримання такого роду інформації коштувало великих грошей. Але тепер ви можете отримати ці приголомшливі знання за допомогою чіткої та ефективної формули, використовуючи мову DAX.
Пам’ятайте, що він фактично узгоджується з моделлю даних. Туди все включено.
Насправді ми можемо застосувати деякі фільтри до цього. Наприклад, ми хочемо зануритися в лише один штат, скажімо, Флориду, або наші 3 найкращі штати, усі вони оцінюються динамічно.
Я занурююсь у стільки технік у відео. Деякі з них дуже просунуті, але ви, звичайно, хочете отримати доступ до цих речей.
Якщо ви бачите можливості та потенціал із LuckyTemplates, тоді ваш розум може експоненціально розширюватись завдяки можливостям аналізу ваших власних наборів даних.
Як додаткову примітку, я розглядаю низку найдосконаліших методів LuckyTemplates, про які ви можете згадати в курсі на сайті , тож перевірте це, коли зможете.
Всього найкращого та удачі з цими техніками.
У цьому підручнику ви дізнаєтесь, як об’єднати функції разом за допомогою оператора каналу dplyr мовою програмування R.
RANKX від LuckyTemplates дозволяє повернути рейтинг певного числа в кожному рядку таблиці, який є частиною списку чисел.
Дізнайтеся, як розібрати файл PBIX, щоб витягти теми та зображення LuckyTemplates із фону та використовувати їх для створення звіту!
Шпаргалка формул Excel: Посібник середнього рівня
Календарна таблиця LuckyTemplates: що це таке та як ним користуватися
Дізнайтеся, як інсталювати мову програмування Python у LuckyTemplates і як використовувати її інструменти для написання кодів і відображення візуальних елементів.
Дізнайтеся, як обчислювати динамічну маржу прибутку за допомогою LuckyTemplates і як ви можете отримати більше інформації, глибше досліджуючи результати.
Дізнайтеся, як правильно сортувати поля зі стовпців розширеної таблиці дат. Це хороша стратегія для складних полів.
У цій статті я поясню, як знайти найпопулярніші продукти для регіону за допомогою обчислень DAX у LuckyTemplates, включаючи функції TOPN і CALCULATE.
Дізнайтеся, як використовувати вимірювання сміття для позначок низької потужності, які ви хочете ефективно включити у свою модель даних.