Voy a repasar algunas técnicas DAX avanzadas que debe utilizar en combinación con el modelo de datos. Si los usa bien, las oportunidades analíticas se abren sustancialmente para usted y realmente puede mostrar ideas de una manera efectiva.
En este ejemplo en particular, estoy tratando de ver si hay alguna razón por la que estamos viendo una cierta agrupación de nuestros clientes en función de su rendimiento.
Al superponer algo de lógica (dentro de una fórmula DAX) en una tabla secundaria, puedo clasificar si un cliente es bueno, aceptable, malo o excelente.
En esta visualización, observamos a cada uno de los clientes de nuestro conjunto de datos. Hay muchos clientes y estamos analizando a los clientes en función de sus márgenes de beneficio en sus ventas totales. En el lado derecho, tenemos un grupo de clientes de alto rendimiento o clientes de mayor margen.
Para lograr esto, necesitamos crear una lógica que nos permita visualizar estos grupos de información y construir esa lógica basada en el grupo de ganancias en el que se encuentran estos clientes.
La clave aquí es que estos grupos de ganancias en realidad no existen en el modelo de datos, por lo que necesitamos construir esta lógica y luego superponerla.
Este ejemplo es solo una de las muchas formas en que podemos hacer esto. Podríamos ver el crecimiento de las ganancias, el crecimiento de los márgenes y una variedad de cosas donde necesitamos cualquier tipo de lógica y traerla aquí. Entonces podemos identificar cualquier patrón o grupo de información que realmente pueda extraernos alguna idea.
Dentro del modelo de datos
En cuanto al modelo de datos, lo primero que hay que tener en cuenta es que hemos creado una tabla de apoyo aquí. Una tabla de soporte generalmente se usa como una tabla de parámetros, pero en este caso, vamos a usar una lógica que integra la tabla de soporte en nuestro modelo central.
Dentro de nuestra tabla de apoyo, estamos analizando qué grupo de clientes en función de la rentabilidad en el que se sientan estos clientes.
Entonces, por ejemplo, si el cliente ha generado más de $25,000 en ganancias, será un cliente principal, mientras que aquellos entre $20,000 y $25,000 serán buenos clientes, y así sucesivamente.
Integrando la lógica en la dimensión
En la tabla de clientes, utilizamos la tabla de soporte y luego construimos algo de lógica.
Algunos de ustedes podrían pensar que es mejor desarrollar toda esta lógica dentro de esta columna calculada, sí, absolutamente, pero a veces no lo encuentro práctico, especialmente cuando la tabla de soporte tiene, digamos, 10 piezas diferentes de lógica con las que tiene que trabajar.
En esta lógica, CALCULAMOS en qué grupo se sienta cada cliente. El grupo será devuelto por la función VALORES, y luego la función FILTRO es lo que crea la iteración para iterar a través de la lógica.
Para cada cliente aquí, ¿cuáles son las ganancias totales; se encuentra entre el MIN y el MAX de cualquiera de nuestros grupos? Si es así, devuelva ese grupo. Y así es como creamos estos Grupos de Beneficio.
Crear la visualización
Ahora que tenemos esta dimensión, podemos usarla dentro de nuestras visualizaciones para identificar estos grupos. Por lo tanto, crearemos un diagrama de dispersión, luego incluiremos nuestros márgenes de beneficio en el eje Y y las ventas en el eje X.
Pero, si arrastramos Customer Name, veremos aquí que hemos creado alguna información, pero en realidad no muestra ningún valor. Se mostraría mucho mejor si creamos grupos de información.
Entonces, para hacer esto, solo llenamos los puntos y cambiamos algunos colores de datos para asegurarnos de que algunos se destaquen. Al hacer estos simples ajustes, podemos identificar y extraer fácilmente mucha más información dentro de nuestras imágenes.
La tabla de soporte es un concepto realmente clave para moverse y comprender cuando se usa LuckyTemplates porque podemos integrarlo de muchas maneras.
Hay muchas maneras en las que podemos identificar grupos en función de una variedad de métricas, ya que hay tantos escenarios diferentes que nuestros datos pueden requerir que los analicemos.
Hay un poco de esta técnica, pero mostrar clústeres en sus datos usando la lógica es realmente poderoso, y hay muchas maneras en que puede replicar esto en otros escenarios o en sus propios datos.
En última instancia, eso es lo que quiero que extraiga de este tutorial que he creado, ya que las oportunidades analíticas crecen exponencialmente en torno a este tipo de técnica.
Esta es una técnica avanzada, así que no te preocupes demasiado si no tiene sentido de inmediato, pero definitivamente pruébala. Descubrirá rápidamente que descubre algunas ideas realmente interesantes que no tenía antes.
El uso de DAX para la evaluación de clústeres es un tema que me interesa mucho. ¡Estoy ansioso por probarlo
Carlos García -
¡Me encanta cómo se aborda la técnica DAX para evaluar clústeres! Definitivamente es un recurso valioso para mejorar el análisis de datos. Gracias por compartir esta información.
Patricia 89 -
Me siento tan aliviada de encontrar información útil sobre DAX y clústeres. ¡Gracias por despejar mis dudas!
Victoria de León -
¿Este artículo tiene actualizaciones futuras sobre técnicas avanzadas de DAX? Me gustaría aprender más sobre nuevas optimizaciones.
Carmen la Analista -
Este artículo hizo que evaluar clústeres pareciera bastante sencillo. Estoy lista para aplicar lo aprendido en mi próximo proyecto
Santiago Creativo -
¡Oye! Me has inspirado a retomar mis estudios de datos. Me parece que la técnica DAX es un gran aliado para la evaluación
Raúl el Analista -
Siempre pensé que el análisis de clústeres era complicado, pero este artículo me ha dado esperanza. Definitivamente probaré la técnica DAX este fin de semana
María de Madrid -
Veo que el uso de DAX puede ser complicado al principio, pero con ejemplos como este se hace más fácil. ¡Gracias por compartir!
Javier Móvil -
El uso de DAX para la evaluación de clústeres es un tema que me interesa mucho. ¡Estoy ansioso por probarlo
Carlos García -
¡Me encanta cómo se aborda la técnica DAX para evaluar clústeres! Definitivamente es un recurso valioso para mejorar el análisis de datos. Gracias por compartir esta información.
Patricia 89 -
Me siento tan aliviada de encontrar información útil sobre DAX y clústeres. ¡Gracias por despejar mis dudas!
Victoria de León -
¿Este artículo tiene actualizaciones futuras sobre técnicas avanzadas de DAX? Me gustaría aprender más sobre nuevas optimizaciones.
Carmen la Analista -
Este artículo hizo que evaluar clústeres pareciera bastante sencillo. Estoy lista para aplicar lo aprendido en mi próximo proyecto
Santiago Creativo -
¡Oye! Me has inspirado a retomar mis estudios de datos. Me parece que la técnica DAX es un gran aliado para la evaluación
Raúl el Analista -
Siempre pensé que el análisis de clústeres era complicado, pero este artículo me ha dado esperanza. Definitivamente probaré la técnica DAX este fin de semana
María de Madrid -
Veo que el uso de DAX puede ser complicado al principio, pero con ejemplos como este se hace más fácil. ¡Gracias por compartir!