Python における Self とは: 実際の例
Python における Self とは: 実際の例
このチュートリアルでは、サプライ チェーンの指標から直接、時間に関連した質の高い洞察をいくつか取り上げます。このチュートリアルの完全なビデオは、このブログの下部でご覧いただけます。
これは、私が以前に実施したサプライ チェーン管理に関するチュートリアルに関連しています。これには、複数の日付に関する特定の運用シナリオを管理する手法が含まれます。
また、適切なモデルを構築するためのベスト プラクティスのヒントについても説明しました。それに加えて、日付テーブルと複数の日付を持つファクト テーブルの間に非アクティブなリレーションシップを作成する方法についても説明しました。最後に、分析要件に基づいてこれらの関係をオンまたはオフにする方法について説明しました。
このチュートリアルでは、追加の時間関連の計算を作成することで、サプライ チェーン メトリックの洞察を拡張することに焦点を当てます。
サプライチェーンから共通情報を入手するだけでは必ずしも十分とは限りません。また、サプライ チェーンの計算を最適化し、さまざまな時間枠と比較する必要があります。ここで、タイム インテリジェンス テクニックを適用して階層化できます。
目次
進行中の注文に取り組んでいます
サンプル データに戻ると、日付別の進行中の注文テーブルが表示されます。この表には、注文日から配達日までの間にオープンしている注文または取引の数が表示されます。
移行中の注文の数、またはまだ��送されていない注文の数を確認できます。さらに、特定の日付には注文が殺到し、時間の経過とともに変化するため、数値は動的です。
このサプライチェーン指標の最も優れている点は、その設定方法です。これは動的であるため、在庫があるさまざまな倉庫や場所を確認できます。
「倉庫コード別コスト」テーブルでは、特定の倉庫の需要を確認できます。
特定の洞察を得るために、サプライ チェーンの指標をさらに詳しく調べることもできます。先ほども述べたように、すべては 2 つのことに帰着します。まず、モデルを正しく取得し、複数の日付を使用して正しく設定する必要があります。次に、正しい DAX 数式パターンの使用方法を知っておくことが重要です。
タイム インテリジェンスの計算を統合することにより、進行中の現在の注文を分析し、異なる時間枠と比較することができます。ここで重要な洞察は、時間の経過とともに需要が増加しているか、減少しているか、または一貫しているかを確認することです。
したがって、その洞察を販売およびマーケティング キャンペーンに使用して、製品の需要を向上させることができます。このように、LuckyTemplates のサプライ チェーンのメトリクスと分析がビジネスに非常に役立つのです。この種の分析を理解すると、ビジネス内で実際に規模を拡大し、マーケティング プログラムを使用して需要に対処できるようになります。
サプライ チェーン メトリックでの時間関連の計算の使用
すでにマーケティング キャンペーンを複数回実施している場合は、分析を実行して長期にわたる平均を取得できます。時間枠のデータをチェックアウトして比較できます。
タイム インテリジェンスの計算を既存のサプライ チェーン メトリクス分析に簡単にオーバーレイする方法を説明します。
Orders in Progress LQの計算を見ると、式がいかに単純であるかがわかります。
それは進行中の注文のリストから始まり、その後、タイム インテリジェンスの洞察に分岐しました。 関数を追加すると、別の時間枠に戻ることができます。たとえば、前の四半期。
そのメジャーをビジュアライゼーション内の既存のメジャーにオーバーレイすると、現在の四半期と最後の四半期との比較を行うことができます。濃い青色の線は前四半期の結果を示しており、現在の四半期は2019 年の第 3 四半期に該当します。
販売サイクルやサプライ チェーンによっては、今回のインテリジェンスの計算が非常に重要な洞察となる可能性があります。さらに、より広範囲に考えれば、複数の日付に関する他のサプライ チェーン指標に関連する洞察を得ることができます。
四半期ごとの注文差異の計算
四半期ごとの注文差分の表があります。日付別に表示すると、 2 つの四半期の差を簡単に比較できます。最初の核となる洞察から単純に分岐するためのメジャーを作成しただけです。
次数の差の公式は次のとおりです。基本的には、 Orders in ProgressからOrders In Progress LQを引くだけです。
テーブルを振り返ると、さまざまな時間枠での注文の入り方を簡単に把握できます。
これは、皆さんと共有したい重要な測定分岐方法論の 1 つです。さまざまな分岐手法を使用して、LuckyTemplates で高品質でスケーラブルなレポートを開発することを強くお勧めします。
すでに述べたように、これらのサンプル計算は動的であるため、特定のウェアハウスを具体的に調べることができます。これに基づいて貴重な洞察を得るさまざまな方法もあります。たとえば、特定の倉庫の平均在庫を長期にわたって確認したり、異なる倉庫を比較したりできます。
私があなたに教えているこのテクニックは、時間に関連した高品質の分析です。この洞察に取り組むのは非常に困難でしたが、LuckyTemplates のおかげで、正しい DAX 式と高度なテクニックを使用してシームレスに行うことができます。
サプライチェーン指標の追加テクニック
これまで説明してきたことに加えて、製品タイプ フィルターをオーバーレイすることもできます。これを使用して、サプライ チェーン内で製品または製品カテゴリが時間の経過とともにどのように機能するかを調べることができます。
私の主な例では注文トランザクションを調べていますが、長期にわたる在庫コストを調べることもできます。また、コア指標のCosts、Revenue、Transaction、Order Quantitiesなどの他のデータを分析することもできます。このデータはすべて、現金要件の測定や予測に大いに役立ちます。
さらに、マーケティング キャンペーン期間中の需要が日々の需要よりも大幅に高いかどうかを確認できます。結果に応じて、注文を満たすために現金要件を削減する必要があるか、またはより多くの在庫を持ち込む必要があるかどうかを判断できます。
LuckyTemplates のサプライ チェーン管理手法
LuckyTemplates による在庫管理の洞察: 在庫と売上の比較
業界全体にわたるビッグ データの変革的な役割
結論
サプライ チェーンの指標から抽出できる貴重な洞察は数多くあります。最も重要なことは、これらの洞察がビジネスに大きな価値をもたらすことができるということです。
すべては、サプライ チェーンの指標を最適化し、ビジネスに役立つ洞察を抽出することから始まります。
LuckyTemplates のビジネス インテリジェンスについてあなたと話すことができてとても楽しかったです。このチュートリアルの対応するビデオも気に入っていただければ幸いです。
私たちの教育プラットフォームをぜひ探索してください。
Python における Self とは: 実際の例
R の .rds ファイルからオブジェクトを保存および読み込む方法を学習します。このブログでは、R から LuckyTemplates にオブジェクトをインポートする方法についても説明します。
この DAX コーディング言語チュートリアルでは、GENERATE 関数の使用方法とメジャー タイトルを動的に変更する方法を学びます。
このチュートリアルでは、マルチスレッド動的ビジュアル手法を使用して、レポート内の動的データ視覚化から洞察を作成する方法について説明します。
この記事では、フィルター コンテキストについて説明します。フィルター コンテキストは、LuckyTemplates ユーザーが最初に学習する必要がある主要なトピックの 1 つです。
LuckyTemplates Apps オンライン サービスが、さまざまなソースから生成されたさまざまなレポートや分析情報の管理にどのように役立つかを示したいと思います。
LuckyTemplates でのメジャー分岐や DAX 数式の結合などの手法を使用して、利益率の変化を計算する方法を学びます。
このチュートリアルでは、データ キャッシュの具体化のアイデアと、それが結果を提供する際の DAX のパフォーマンスにどのように影響するかについて説明します。
これまで Excel を使用している場合は、ビジネス レポートのニーズに合わせて LuckyTemplates の使用を開始するのに最適な時期です。
LuckyTemplates ゲートウェイとは何ですか? 知っておくべきことすべて