Bereken het gemiddelde per klanttransactie met behulp van DAX in LuckyTemplates

Wat ik in deze zelfstudie wil demonstreren, is hoe we de gemiddelde omzet, winst of transacties per bepaalde dimensie binnen DAX in LuckyTemplates kunnen berekenen. Je kunt de volledige video van deze tutorial onderaan deze blog bekijken.

In dit specifieke voorbeeld gaan we ernaar kijken vanuit het perspectief van een klant. We gaan proberen te analyseren wat de gemiddelde verkopen zijn die we per transactie per klant maken?

Dit zal ons in staat stellen te begrijpen wie onze beste klanten zijn, maar ook wie onze klanten zijn die binnenkomen en een aanzienlijk bedrag kopen.

Vanaf hier kunnen we uiteindelijk begrijpen wat de marges zijn die we per transactie van onze klanten halen. Zijn ze in sommige regio's goed in vergelijking met andere regio's? Zijn ze goed voor sommige producten in vergelijking met andere producten?

We gaan kijken naar het gemiddelde aantal gekochte producten per transactie. Daarna ga ik je ook laten zien hoe je nog meer kunt afleiden, zodat je nog meer interessante inzichten kunt vinden op basis van deze eerste. We gaan ons uitbreiden naar andere dingen en ik ga je laten zien hoe je het efficiënt kunt doen.

Inhoudsopgave

• Hoe het gemiddelde per transactie te berekenen
• Bereken de gemiddelde omzet per transactie
• Gegevensbalken gebruiken
• Bereken de gemiddelde winst per transactie
• Bereken gemiddelde marges per transactie
• Gemiddelde marges per transactie in de loop van de tijd
• Andere inzichten
• De gegevens visualiseren
• Conclusie

Hoe het gemiddelde per transactie te berekenen

Eerst zullen we een waarde per transactie berekenen door in de tabel Verkoop te springen. Aan de linkerkant hebben we een order-ID-kolom.

Dus elk order-ID komt overeen met elke transactie in deze specifieke tabel. We moeten een manier vinden om elk van deze transacties te evalueren en in wezen de verkopen die we hebben gemaakt voor elke afzonderlijke transactie te middelen.

Dit geeft ons – afhankelijk van de context – het gemiddelde per transactie. Dit kan zijn vanuit een regionaal perspectief, een klantperspectief of een verkoperperspectief.

Sommige gegevenstabellen hebben een Bestellings-ID en binnen die Bestellings-ID kunt u een aantal verschillende transacties hebben. Afhankelijk van welke gemiddelde berekening u wilt doen, wilt u waarschijnlijk die kolom in de berekeningen invoeren. Laten we eerst de gemiddelde verkoop berekenen.

Bereken de gemiddelde omzet per transactie

Laten we een meting maken en deze Gemiddelde verkoop per transactie noemen . Ik ga de AVE RAGEX-functie gebruiken , omdat dit ons in staat stelt om deze gemiddelden te doen door iets te herhalen. Binnen AVERAGEX ga ik WAARDEN gebruiken en mijn bestellings-ID invoeren. Vervolgens wil ik de totale verkoop voor elke afzonderlijke bestelling gemiddeld maken .

Zodra ik deze meting sleep met mijn klantnaamcontext, is dit de tabel die ik bedenk:

Dit laat ons gemiddeld zien hoeveel elke persoon verdient per transactie elke keer dat ze een winkel binnenkomen.

Gegevensbalken gebruiken

Dit is op zichzelf al een redelijk goed inzicht, maar we kunnen dit er beter uit laten zien met behulp van voorwaardelijke opmaak en gegevensbalken .

Bereken de gemiddelde winst per transactie

We hoeven hier niet te stoppen; we kunnen nog verder gaan. We hebben enkele andere kernberekeningen zoals Totale winst en Totale kosten . Met deze berekeningen kan ik de gemiddelde winst per transactie achterhalen . Het enige wat ik hoef te doen is de meting die ik zojuist heb gebruikt kopiëren en plakken in een nieuwe meting, en in plaats van Totale verkoop ga ik Totale winst invoeren .

Met deze nieuwe maatstaf kunnen we berekenen wat onze winst is uit elke afzonderlijke transactie en deze vervolgens middelen.

Ik kan de nieuwe maat gewoon in mijn tabel slepen om tot nieuwe inzichten te komen. Onze klant Chris Fuller heeft bijvoorbeeld een grotere winstgevendheid per transactie dan Philip Foster, die daadwerkelijk meer omzet maakte. Dit is een redelijk goed inzicht, toch?

Bereken gemiddelde marges per transactie

Ook kunnen wij omgaan met gemiddelde marges per transactie . We hoeven nergens naar te verwijzen vanuit de tabel, omdat we eigenlijk gewoon maten binnen maten kunnen gebruiken .

Het enige wat we hoeven te doen is de gemiddelde winst per transactie te delen door de gemiddelde verkoop per transactie en vervolgens 0 in te voeren als alternatief resultaat . We moeten er ook voor zorgen dat het correct is opgemaakt.

Als ik dit eenmaal in de tabel heb gesleept, zie je nu waarom we hogere winsten hebben voor Chris Fuller dan voor Philip Foster's. Chris heeft hogere marges in vergelijking met Philip.

Dit is een zeer interessant inzicht voor deze specifieke klant, evenals de rest van onze klanten.

Wat cool is, is dat we deze techniek in elke context kunnen gebruiken. Momenteel gebruiken we alleen een filter uit onze tabel Klanten. Als je erover nadenkt, kunnen we filters uit elk van deze tabellen in ons gegevensmodel gebruiken en zien hoe dingen veranderen.

Gemiddelde marges per transactie in de loop van de tijd

We kunnen ook onze gemiddelde marges per transactie in de loop van de tijd bekijken . Ik zal dit snel opsommen met behulp van Maand & Jaar en Gemiddelde marges per transactie als waarden, en ze vervolgens in een grafiek zetten.

We kunnen zien hoe de gemiddelde marges in de loop van de tijd veranderen en zien de seizoensgebondenheid.

Andere inzichten

Over het algemeen is het nu een stuk eenvoudiger om onze klanten met een hoge marge versus klanten met een lage marge te zien. Klant Juan Collins heeft bijvoorbeeld een marge van 40%. Deze steekt er als een zonnetje uit.

We kunnen ook een filter opslaan om te zien welke de meest winstgevende klanten per transactie zijn; dit zou er mogelijk op kunnen wijzen dat de verkoper die aan deze onderdelen is toegewezen, erg goed is.

De gegevens visualiseren

We kunnen het inzicht met behulp van DAX in LuckyTemplates verder onderzoeken en onze beste klanten op regionale basis bepalen. Gebeurt er regionaal iets? We kunnen overschakelen van een visuele kaart naar een gevulde kaart.

We kunnen inzoomen en dieper kijken. In mijn voorbeeld heeft New Hampshire lage marges, terwijl elke andere regio vrij gelijk verdeeld is.

U kunt ook klanten uit de tabel selecteren en hieruit een subset van klanten bepalen waar de storing was.

Conclusie

We kunnen zoveel geweldige inzichten verkrijgen wanneer we gemiddelden berekenen met DAX in LuckyTemplates. Ze voegen ook veel waarde toe aan wat we binnen een bedrijf zouden kunnen doen vanuit een marketingperspectief en het toewijzen van verkoopmiddelen.

U wilt zich natuurlijk richten op de klanten die het meeste kopen tegen de hoogste marges. En door dit type analyse kunt u uw middelen afstemmen op waar u denkt dat u de beste resultaten gaat optimaliseren.

In deze zelfstudie hebben we aan één ding gewerkt en zijn we daarna verder gegaan met tal van andere dingen. U kunt veel berekeningen en technieken uitvoeren met behulp van DAX in LuckyTemplates en een aantal zeer goede inzichten opdoen.

Dit soort analytisch werk is zo krachtig. Als u meer soortgelijke voorbeelden wilt bekijken, bekijk dan de module op Online. Deze module bevat inhoud over het oplossen van echte zakelijke problemen met behulp van de best practices van DAX in LuckyTemplates.

Al het beste,