Як оцінити кластери у ваших даних за допомогою техніки DAX у LuckyTemplates

У цьому підручнику я покажу вам, як демонстрація кластерів у ваших даних дає змогу отримувати набагато кращу інформацію, ніж якби у вас була просто точкова діаграма з великою кількістю інформації. Ви можете переглянути повне відео цього підручника внизу цього блогу.

Я збираюся ознайомитися з деякими розширеними методами DAX, які потрібно використовувати в поєднанні з моделлю даних. Якщо ви їх добре використовуєте, перед вами відкриваються значні аналітичні можливості, і ви дійсно зможете ефективно продемонструвати свої знання.

У цьому конкретному прикладі я намагаюся з’ясувати, чи є якась причина, чому ми бачимо певну кластеризацію наших клієнтів на основі їх продуктивності .

Накладаючи деяку логіку (у формулі DAX) на допоміжну таблицю, я можу класифікувати клієнта як «хороший», «добре», «поганий» чи «чудовий».

Потім, використовуючи цей новий вимір у моїй точковій діаграмі, я можу побачити, чи з’являється якась кластеризація результатів на основі логіки, яку я щойно застосував.

Зміст

• Як візуалізувати кластери у своїх даних
  • Всередині моделі даних
  • Інтеграція логіки в вимір
  • Створення візуалізації
• Висновок

Як візуалізувати кластери у своїх даних

У цій візуалізації ми розглядаємо кожного клієнта в нашому наборі даних. Є багато клієнтів, і ми аналізуємо клієнтів на основі їхнього прибутку від загального обсягу продажів. З правого боку ми маємо кластер високоефективних клієнтів або клієнтів з вищою прибутковістю.

Щоб досягти цього, нам потрібно створити логіку, яка дозволить нам візуалізувати ці кластери інформації та побудувати цю логіку на основі того, до якої групи прибутків належать ці клієнти.

Ключовим тут є те, що ці групи прибутку насправді не існують у моделі даних, тому нам потрібно побудувати цю логіку, а потім накласти її.

Цей приклад є лише одним із багатьох способів, як ми можемо це зробити. Ми могли б розглянути зростання прибутку, зростання маржі та багато інших речей, де нам потрібна будь-яка логіка, і включити її сюди. Потім ми можемо ідентифікувати будь-який шаблон або групу інформації, яка справді може отримати для нас певне розуміння.

Всередині моделі даних

Дивлячись на модель даних, перше, що слід зазначити, це те, що ми створили тут допоміжну таблицю. Допоміжну таблицю зазвичай іноді використовують як таблицю параметрів, але в цьому випадку ми будемо використовувати логіку, яка інтегрує допоміжну таблицю в нашу основну модель.

У нашій допоміжній таблиці ми аналізуємо, до якої групи клієнтів на основі прибутковості сидять ці клієнти.

Так, наприклад, якщо клієнт отримав понад 25 000 доларів США прибутку, то він буде найкращим клієнтом, тоді як клієнти з 20 000 до 25 000 доларів США будуть хорошими клієнтами тощо.

Інтеграція логіки в вимір

У таблиці клієнтів ми використовуємо допоміжну таблицю, а потім будуємо деяку логіку.

Дехто з вас може подумати, що краще розвинути всю цю логіку в цьому обчислюваному стовпці — так, безумовно — але іноді я вважаю це непрактичним, особливо коли допоміжна таблиця має, скажімо, 10 різних частин логіки, які вам потрібно пропрацювати .

Так, ви можете просто розробити дуже складний обчислюваний стовпець, але я думаю, що було б набагато простіше помістити їх у допоміжну таблицю, а потім написати просту логіку, як ця, яка б їх інтегрувала.

За цією логікою тут ми ОБРАХУВАЄМО, до якої групи входить кожен клієнт. Групу повертатиме функція , а потім функція FILTER створює ітерацію для повторення логіки.

Потім, для кожного клієнта тут, який загальний прибуток ; чи знаходиться він між MIN і MAX будь-якої з наших груп. Якщо так, поверніть цю групу. Ось як ми створюємо групи прибутку .

Створення візуалізації

Тепер, коли ми маємо цей вимір, ми можемо використовувати його в наших візуалізаціях, щоб ідентифікувати ці кластери. Отже, ми створимо діаграму розсіювання , а потім перенесемо нашу маржу прибутку на вісь Y, а продажі — на вісь X.

Але якщо ми перетягнемо Customer Name , ми побачимо тут, що ми створили деяку інформацію, але насправді вона не має жодної цінності. Це буде набагато краще, якщо ми створимо кластери інформації.

 Тому для цього ми просто заповнюємо точки та змінюємо кілька кольорів даних, щоб переконатися, що деякі виділяються. Виконуючи ці прості налаштування, ми можемо легко ідентифікувати та витягти набагато більше інформації в наших візуальних елементах .

Підтримуючий стіл є дійсно ключовим поняттям, яке потрібно обійти та зрозуміти під час використаннятому що ми можемо інтегрувати це багатьма способами.

Існує багато способів ідентифікації кластерів на основі різноманітних показників, оскільки існує дуже багато різних сценаріїв, які ми можемо потребувати аналізу наших даних.

Знайдіть шаблони у своїх даних за допомогою внутрішньої логіки за допомогою LuckyTemplates і DAX

Висновок

У цій техніці є дещо, але демонстрація кластерів у ваших даних за допомогою логіки є дійсно потужною, і є так багато способів, якими ви можете відтворити це в інших сценаріях або у своїх власних даних.

Зрештою, це те, що я хочу, щоб ви витягли з цього підручника, який я створив, оскільки аналітичні можливості експоненціально зростають навколо цього типу техніки.

Це просунутий метод, тому не хвилюйтеся, якщо він не має сенсу відразу, але обов’язково спробуйте його. Ви швидко побачите, що відкриваєте справді цікаві ідеї, яких раніше не мали.

здоров'я!