Algemene analyse van klantgedrag met behulp van LuckyTemplates

In de huidige zakenwereld is het uitvoeren van gemeenschappelijke klantgedragsanalyses van het grootste belang voor veel functionele gebieden binnen bedrijven. Je kunt de volledige video van deze tutorial onderaan deze blog bekijken.

Het analyseren van consumentengedrag dient als hulpmiddel bij het plannen en behalen van verkoopdoelstellingen.

Bovendien helpt het begrijpen van kopersgedrag om te beslissen waar en hoe producten of diensten beter gepositioneerd kunnen worden.

Met LuckyTemplates kun je op een dynamische manier evalueren hoe je klanten handelen en voorspellen hoe ze zich in de toekomst zullen gedragen. 

In deze video-tutorial duik ik in een aantal gedragstype-analyses om het meest voorkomende gedrag van klanten uit te werken.

Ik ga doornemen hoe u het gedrag van bepaalde elementen in uw dataset kunt analyseren. In dit geval wil ik analyseren hoeveel uw consumenten gemiddeld kopen op basis van uw producten in de loop van de tijd. Ik wil ook kijken hoeveel transacties onze klanten gemiddeld doen op een bepaald product. Dit zijn dus de gedragsachtige antwoorden die u uit uw datasets kunt halen.

De DAX-formule is niet erg moeilijk, en het belangrijkste dat u moet begrijpen, is het herhalen van functies - of hoe u door een andere dimensie kunt itereren en vervolgens het resultaat van hun effect kunt analyseren op basis van de context waarin u zich bevindt.

Laat me je laten zien hoe ik het deed en hopelijk heb je een inzicht dat je misschien wilt toepassen op je eigen analyse.

Inhoudsopgave

• Gemiddelde omzet per klant
• Gemiddelde voor alle klanten
• Transacties per klant
• Conclusie

Gemiddelde omzet per klant

Ik wil zien wat de gemiddelde verkoop per klant is voor een bepaald product. Ik wil bijvoorbeeld zien hoeveel onze klanten gemiddeld te besteden krijgen aan Product 63.

Dus hoe doe ik het? Allereerst moeten we een formule bedenken die zegt dat elk afzonderlijk product door elke afzonderlijke klant zal worden herhaald om de totale verkoop van die specifieke klant te evalueren, en dat vervolgens te middelen. Dit geeft ons de gemiddelde omzet, maar dan per klant.

Als je erover nadenkt, kun je ook gewoon de klant-ID gebruiken en krijg je exact dezelfde resultaten.

Het is helemaal aan jou hoe je dat doet, maar het is goed om goed te begrijpen wat er met het datamodel gebeurt.

Dit is wat VALUES doet: we gaan elke klant doorlopen die Product 63 heeft gekocht. We gaan evalueren hoeveel ze hebben gekocht en dan gaan we het gemiddelde nemen met de AVERAGEX- functie.  

Gemiddelde voor alle klanten

Dit wordt beïnvloed door de context die we hebben over de klantnaam . Dus wat er gebeurt, is dat wanneer ik een klant of een groep klanten selecteer, de iteratie alleen van toepassing is op de klant die we daadwerkelijk hebben geselecteerd.

Dit zou alleen door elke klant worden herhaald als we alle filters uit deze specifieke snijmachine zouden verwijderen.

Dit is wat het gemiddelde voor alle klanten doet; dit is altijd een nummer dat niet verandert, ongeacht de selectie die u maakt in de slicer Klantnaam.

Wat ik heb gedaan om tot dit gemiddelde te komen, is ervoor te zorgen dat alles uit de tabel Klanten niet van toepassing is op de huidige context. Hierdoor kan ik – ongeacht de selectie – elke afzonderlijke klant doorlopen en de verkopen ophalen.

Zo kunnen we achterhalen wat het gebruikelijke klantgedrag is en dit vervolgens vergelijken met een selectie of een groep klanten die we selecteren. Dit is het deel waar het behoorlijk chique kan worden in uw analyse. Stel dat u naar alle klanten kijkt, maar u wilt die klanten ook per regio groeperen, of ze een goede of slechte klant zijn, of een klant met hoge of lage marge zijn.

Transacties per klant

U kunt dit ook doen voor transacties en uw producten als geheel bekijken vanuit een gedragsperspectief. Ik gebruikte precies dezelfde techniek en berekende hun totale transacties gemiddeld voor elke afzonderlijke klant.

Toen ging ik terug en plaatste dat in de CALCULATE-verklaring met ALL. Dit gaf me het algemene gedrag van elke afzonderlijke klant in de dataset en vervolgens konden we het vergelijken met de selectie die we maakten.

Dit zijn krachtige dingen hier, en er zijn veel toepassingen voor soortgelijke technieken. Er zijn zoveel dingen die u met LuckyTemplates kunt bereiken door simpelweg het gemiddelde klantgedrag te analyseren en dit vervolgens te vergelijken met een kleine subset.

Conclusie

Als je het op het eerste gezicht bekijkt, is het vrij moeilijk voor te stellen hoe je een analyse van klantgedrag kunt maken in LuckyTemplates. Dat is de reden voor deze tutorial, waarin ik diep inga op dit soort inzichten.

Eerst moet je analytisch nadenken over hoe je het gewenste resultaat wilt bereiken in LuckyTemplates. En structureer vervolgens uw model en DAX-formules door zowel 'out of the box'-denken als enkele praktische toepassingen te combineren.

Er zijn veel manieren waarop een analyse van klantgedrag een bedrijf ten goede kan komen. Dergelijke inzichten kunnen u helpen bij het bepalen van de acties en beslissingen die u zult implementeren vanuit een marketingperspectief en ook voor toekomstige logistieke uitdagingen.

Voor meer voorbeelden rond geavanceerde bedrijfsanalyses . Bekijk de onderstaande cursusmodule van LuckyTemplates Online .

Geniet van het leren over deze analytische techniek.

***** LuckyTemplates leren? *****