Wat is zelf in Python: voorbeelden uit de echte wereld
Wat is zelf in Python: voorbeelden uit de echte wereld
Ik ga in deze zelfstudie een behoorlijk geavanceerde techniek voor gegevenssegmentatie behandelen, die gaat over het op een dynamische manier groeperen van gegevens binnen LuckyTemplates . Je kunt de volledige video van deze tutorial onderaan deze blog bekijken.
In deze zelfstudie gaan we specifiek kijken naar alleen deze specifieke visualisatie in dit dashboard dat ik heb gebruikt tijdens een Learning Summit over klantinzichten.
In dit geval groeperen of segmenteren we klanten op basis van het verkooppercentage. We gebruiken een secundaire tabel of ondersteunende tabel en combineren deze met DAX-formules om deze groepering te maken.
Inhoudsopgave
Klanten segmenteren op basis van verkooppercentage
De ene groep zit in de top 20%, een andere groep zit tussen de 25% en 80% en de derde groep zit in de onderste 25%. Ik heb die percentages gebruikt en ze door een DAX-formule gevoerd om vervolgens deze groepen van Top, Mid en Bottom te maken .
De segmentatie is in dit geval gebaseerd op verkopen , dus dit is een grafiek die omzet versus marges voor een bepaald tijdsbestek weergeeft, maar de segmentatie heeft plaatsgevonden via verkopen.
We kunnen in dit spreidingsdiagram de Top 20% van klanten zien; ze worden weergegeven door de donkerblauwe vlekken. De Mid-klanten zitten vanuit verkoopperspectief tussen de 25% en 80%; ze worden weergegeven door de lichtblauwe vlekken in het middelste deel van de kaart. De onderste 25% van de klanten op basis van verkopen zijn de lichtblauwe vlekken onderaan de grafiek.
Dit is een behoorlijk geavanceerde techniek voor gegevenssegmentatie, waarbij we wat geavanceerde logica in de berekeningen opnemen om deze groepen te creëren die gewoon niet bestaan . Met andere woorden, er is niets in onze onbewerkte gegevens dat bestaat om de top 20 van klanten, de onderste 25%, enz.
Dus we moeten die logica creëren met behulp van een ondersteunende tabel of een secundaire tabel , zoals ik ze noem. Deze tabel heeft geen enkele fysieke relatie met een van onze tabellen in het gegevensmodel, maar het is de sleutel tot dit type analyse.
Gebruikmakend van een secundaire of ondersteunende tafel
Dus laten we eens naar de tafel kijken. Je kunt deze groepen waarschijnlijk op veel verschillende manieren maken, maar dit is hoe ik het voor deze demonstratie heb opgezet.
In deze ondersteunende of secundaire tabel hebben we onze groepen als Top, Mid en Bottom. We hebben de kolom Laag en de kolom Hoog om te bepalen tot welk segment elke klant behoort.
Deze secundaire tabel met percentages kan in veel verschillende maatregelen worden hergebruikt. We zouden verkoop kunnen gebruiken en we zouden gemakkelijk marges of winsten of kosten kunnen integreren, of elke andere berekening die we kunnen doen. Het hoeft niet eens verkoop- of omzetgerelateerd te zijn.
We kunnen ook een deel van de logica hergebruiken omdat percentages overal op kunnen staan. Wat hier belangrijk is, is om de juiste logica in de formule te creëren.
Dus laten we eens kijken naar de formule, die ik noemde (dit jaar) en doornemen hoe ik de logica deed.
De variabelen uitwerken
Laten we eerst het eerste deel van de berekening doornemen, waar we de variabelen ( VAR ) uitwerken .
De eerste variabele is om de RankingDimension te identificeren waar we doorheen gaan werken. In dit geval zijn het klanten. Met de WAARDEN- functie doorlopen we elke klant die in een bepaald tijdsbestek een verkoop heeft gedaan .
De volgende variabele is TotalCustomers , die uitrekent hoeveel klanten daadwerkelijk een verkoop hebben gedaan . We willen niet alle klanten tellen, maar alleen degenen die iets hebben verkocht. In deze logica gebruiken we de functies CALCULATE , COUNTROWS , FILTER en ALL .
De derde variabele is CustomerRank , waar we onze klanten rangschikken op basis van de verkopen die ze hebben gedaan. En dit is de formule voor klantrang TY .
Deze specifieke formule doet gewoon een eenvoudige rangschikking, die de RANKX- functie gebruikt.
Logica voor gegevenssegmentatie
Laten we nu in de rest van de berekening duiken. Dit is de logica die ons in staat stelt om deze analyse van gegevenssegmentatie te realiseren.
De CALCULATE- functie herhaalt elke klant en evalueert via die ondersteunende tabel ( Customer Groups ) die we hebben gemaakt met de COUNTROWS- en FILTER -functies.
En dan evalueert het of de CustomerRank groter is dan de TotalCustomers en vermenigvuldigt het vervolgens met de kolom Customer Groups Low . Dus het vraagt ons of de CustomerRank hoger is dan de onderkant.
En dan wordt in de volgende rij aangegeven of de CustomerRank kleiner is dan of gelijk is aan de TotalCustomers; het wordt vervolgens vermenigvuldigd met de hogere bin van de tabel Klantengroepen.
Als het gelijk is aan waar, blijft die klant behouden en krijgen we de totale verkoop.
Hoe de formule voor gegevenssegmentatie opnieuw te gebruiken
Deze formule is een beetje ingewikkeld, maar het is echt een interessante. Ook deze berekening gebruiken we opnieuw.
Als we bijvoorbeeld naar onze klanten willen kijken met een andere maatstaf, zoals een winstmarge, hoeven we alleen de totale verkoop hier te vervangen door winstmarge en de rangorde te wijzigen op basis van winstmarges .
Dan kunnen we precies dezelfde ondersteunende tabel gebruiken om deze logica door te voeren.
Gebruik DAX om gegevens te segmenteren en te groeperen in LuckyTemplates
Segmentatievoorbeeld Geavanceerde DAX gebruiken in LuckyTemplates
Klanten dynamisch groeperen op basis van hun rangschikking met RANKX in LuckyTemplates
Conclusie
Dit is een meer geavanceerde techniek over gegevenssegmentatie die ik in deze zelfstudie heb gedemonstreerd. We benutten de kracht van DAX en het datamodel met onze ondersteunende tabel.
Het is verbazingwekkend wat we kunnen doen met de hele formule. We kunnen het tijdsbestek wijzigen en het zal klanten altijd delen door de specifieke percentages die we hebben ingesteld.
Ik hoop dat je veel waarde uit deze tutorial hebt gehaald en deze op je eigen werk kunt toepassen.
Al het beste!
***** LuckyTemplates leren? *****
Wat is zelf in Python: voorbeelden uit de echte wereld
Je leert hoe je objecten uit een .rds-bestand in R opslaat en laadt. In deze blog wordt ook besproken hoe je objecten uit R naar LuckyTemplates importeert.
In deze tutorial over DAX-coderingstaal leert u hoe u de functie GENERATE gebruikt en hoe u de titel van een maat dynamisch wijzigt.
Deze zelfstudie behandelt hoe u de Multi Threaded Dynamic Visuals-techniek kunt gebruiken om inzichten te creëren op basis van dynamische gegevensvisualisaties in uw rapporten.
In dit artikel zal ik de filtercontext doornemen. Filtercontext is een van de belangrijkste onderwerpen waarover elke LuckyTemplates-gebruiker in eerste instantie zou moeten leren.
Ik wil laten zien hoe de online service LuckyTemplates Apps kan helpen bij het beheren van verschillende rapporten en inzichten die uit verschillende bronnen zijn gegenereerd.
Leer hoe u wijzigingen in uw winstmarge kunt berekenen met behulp van technieken zoals vertakking van metingen en het combineren van DAX-formules in LuckyTemplates.
Deze tutorial bespreekt de ideeën van materialisatie van datacaches en hoe deze de prestaties van DAX beïnvloeden bij het leveren van resultaten.
Als u tot nu toe nog steeds Excel gebruikt, is dit het beste moment om LuckyTemplates te gaan gebruiken voor uw zakelijke rapportagebehoeften.
Wat is LuckyTemplates Gateway? Alles wat u moet weten