Clusters in uw gegevens evalueren met behulp van de DAX-techniek in LuckyTemplates

In deze zelfstudie laat ik u zien hoe u door het presenteren van clusters in uw gegevens veel betere inzichten kunt verkrijgen dan wanneer u alleen een spreidingsdiagram had met een heleboel informatie erin. Je kunt de volledige video van deze tutorial onderaan deze blog bekijken.

Ik ga enkele geavanceerde DAX-technieken doornemen die je moet gebruiken in combinatie met het datamodel. Als je ze goed gebruikt, gaan de analytische mogelijkheden substantieel voor je open en kun je inzichten echt op een effectieve manier laten zien.

In dit specifieke voorbeeld probeer ik te zien of er een reden was waarom we een bepaalde clustering van onze klanten zien op basis van hun prestaties .

Door wat logica (binnen een DAX-formule) over een secundaire tabel heen te leggen, kan ik classificeren of een klant goed, oké, arm of geweldig is.

Door deze nieuwe dimensie in mijn spreidingsdiagram te gebruiken, kan ik vervolgens zien of er een clustering van uitkomsten verschijnt op basis van de logica die ik zojuist heb geïmplementeerd.

Inhoudsopgave

• Hoe u clusters in uw gegevens kunt visualiseren
  • Binnen het gegevensmodel
  • Integratie van logica in de dimensie
  • De visualisatie maken
• Conclusie

Hoe u clusters in uw gegevens kunt visualiseren

In deze visualisatie kijken we naar elke afzonderlijke klant in onze dataset. Er zijn veel klanten en we analyseren de klanten op basis van hun winstmarges in hun totale omzet. Aan de rechterkant hebben we een cluster van goed presterende klanten of klanten met een hogere marge.

Om dit te bereiken, moeten we een logica creëren waarmee we deze informatieclusters kunnen visualiseren en die logica bouwen op basis van de winstgroep waarin deze klanten zitten.

Het belangrijkste hier is dat deze winstgroepen niet echt bestaan ​​in het datamodel, dus we moeten deze logica bouwen en er vervolgens overheen leggen.

Dit voorbeeld is slechts een van de vele manieren waarop we dit kunnen doen. We zouden kunnen kijken naar winstgroei, margegroei en een verscheidenheid aan dingen waar we elke vorm van logica nodig hebben en die hier binnenhalen. We kunnen dan elk patroon of elke cluster van informatie identificeren die echt enig inzicht voor ons kan opleveren.

Binnen het gegevensmodel

Als we naar het gegevensmodel kijken, is het eerste dat opvalt dat we hier een ondersteunende tabel hebben gemaakt. Een ondersteunende tabel wordt over het algemeen soms gebruikt als een parametertabel, maar in dit geval gaan we een logica gebruiken die de ondersteunende tabel integreert in ons kernmodel.

Binnen onze ondersteunende tafel analyseren we op basis van winstgevendheid in welke klantengroep deze klanten zitten.

Dus als de klant bijvoorbeeld meer dan $ 25.000 aan winst heeft gegenereerd, wordt hij een topklant, terwijl die tussen $ 20.000 en $ 25.000 een goede klant wordt, enzovoort, enzovoort.

Integratie van logica in de dimensie

In de klantentabel gebruiken we de ondersteunende tabel en bouwen vervolgens wat logica.

Sommigen van jullie denken misschien dat het beter is om al deze logica in deze berekende kolom te ontwikkelen - ja, absoluut - maar soms vind ik het niet praktisch, vooral wanneer de ondersteunende tabel, laten we zeggen 10 verschillende stukjes logica hebben die je moet doorwerken .

Ja, je zou gewoon een heel gecompliceerde berekende kolom kunnen ontwikkelen, maar ik denk dat het zoveel gemakkelijker zou zijn om ze in een ondersteunende tabel te plaatsen en dan eenvoudige logica als deze te schrijven, die ze zou integreren.

In deze logica hier BEREKENEN we in welke groep elke klant zit. De groep wordt geretourneerd door de VALUES- functie, en vervolgens zorgt de FILTER- functie voor iteratie om door de logica te itereren.

Wat is dan voor elke klant hier de totale winst ; zit het tussen de MIN en de MAX van een van onze groepen. Als dat het geval is, retourneert u die groep. En zo creëren we deze Winstgroepen .

De visualisatie maken

Nu we deze dimensie hebben, kunnen we deze gebruiken in onze visualisaties om deze clusters te identificeren. We maken dus een spreidingsplot en brengen vervolgens onze winstmarges naar de Y-as en Sales naar de X-as .

Maar als we Customer Name erin slepen , zien we hier dat we wat informatie hebben gecreëerd, maar het toont niet echt enige waarde. Het zou veel beter tot zijn recht komen als we clusters van informatie zouden creëren.

 Dus om dit te doen, vullen we gewoon de punten en veranderen we een paar gegevenskleuren om ervoor te zorgen dat sommige opvallen. Door deze eenvoudige aanpassingen uit te voeren, kunnen we gemakkelijk veel meer informatie in onze visuals identificeren en extraheren .

De ondersteunende tabel is een heel belangrijk concept om te omzeilen en te begrijpen bij het gebruik van LuckyTemplates , omdat we het op zoveel manieren kunnen integreren.

Er zijn veel manieren waarop we clusters kunnen identificeren op basis van verschillende statistieken, omdat er zoveel verschillende scenario's zijn die we volgens onze gegevens mogelijk moeten analyseren.

Gebruik DAX om gegevens te segmenteren en te groeperen in LuckyTemplates
Vind patronen in uw gegevens met interne logica met behulp van LuckyTemplates en DAX
Dynamische segmentatie: klanten in groepen segmenteren met behulp van geavanceerde DAX

Conclusie

Er zit wat in deze techniek, maar het presenteren van clusters in uw gegevens met behulp van logica is echt krachtig, en er zijn zoveel manieren waarop u dit kunt repliceren in andere scenario's of in uw eigen gegevens.

Dat is uiteindelijk wat ik wil dat je uit deze tutorial haalt die ik heb gemaakt, aangezien de analytische mogelijkheden rond dit type techniek exponentieel groeien.

Dit is een geavanceerde techniek, dus maak je geen zorgen als het niet meteen logisch is, maar probeer het zeker uit. Je zult snel merken dat je een aantal echt interessante inzichten ontdekt die je eerder niet had.

Proost!