Wat is zelf in Python: voorbeelden uit de echte wereld
Wat is zelf in Python: voorbeelden uit de echte wereld
Klantanalyse is cruciaal voor elk bedrijf, vooral als u een groot aantal klanten heeft. Je kunt de volledige video van deze tutorial onderaan deze blog bekijken.
In deze specifieke zelfstudie werk ik door hoe we in de loop van de tijd een aantal overtuigende klantanalyses kunnen maken .
Ik kijk naar het koopgedrag van de klant tussen verschillende tijdsbestekken en zet die in een visualisatie , waarbij ik de informatie zo belicht dat je er weloverwogen beslissingen over kunt nemen.
Dankzij het gemak waarmee we filters en slicers over onze rapportpagina's in LuckyTemplates kunnen plaatsen, kunnen we echt een aantal zeer overtuigende visualisaties maken en zien wat onze klanten aan het doen zijn.
We kunnen ook dynamisch klantgroepen en prestatiegroepen aanklikken.
Ik praat een beetje over hoe je dit vrij naadloos kunt instellen binnen een rapportpagina en hoe je de belangrijkste informatie kunt markeren, wat echt van invloed zal zijn op de acties die je met je klanten onderneemt.
Die acties kunnen dingen verbeteren, zoals meer middelen beschikbaar stellen aan klanten, meer geld besteden aan marketing of advertenties en zoveel andere dingen.
Inhoudsopgave
Uw klanten groeperen
Als u veel klanten heeft, kan uw grafiek erg druk zijn en zou het vrij moeilijk zijn om de veranderingen in uw klantgedrag in de loop van de tijd te zien. U zult de inzichten niet op een effectieve manier kunnen presenteren.
Maar denk er in bredere termen over na hoe u dit kunt instellen, wat ik u zal laten zien.
U hoeft alleen maar na te denken over uw huidige model en hoe u op dat model kunt voortbouwen om vervolgens de inzichten te laten zien.
In dit voorbeeld ziet u dat ik enige tijdselectie heb en ik probeer de totale verkoop weer te geven op basis van de totale winst. Maar, wat ik ook wil laten zien is hoe dit verandert in de tijd per klant.
En je ziet hoe druk deze kaart is, toch?
Er zijn veel klanten en we kunnen de veranderingen van de klanten NIET echt zien. We kunnen niet zien hoe ze door de tijd bewegen in het prestatieperspectief.
We moeten het dus opsplitsen en segmenteren. We moeten deze klanten groeperen, waardoor we kunnen boren in een zeer nichegroep van klanten, en misschien nog verder kunnen boren.
Hier kun je zien dat ik een lijst met mijn klanten heb gemaakt en dat is eigenlijk best lang.
Maar we willen hier niet echt alle klanten gaan selecteren, toch? Als we dat doen, kunnen we niet echt zien wat we hebben geselecteerd nadat we dat hebben gedaan.
Dus heb ik deze groepen klanten gemaakt, waar ik zojuist een berekende kolom heb gebouwd die mijn klanten in deze specifieke groepen rangschikt.
Laat me je laten zien wat ik daar heb gedaan. Ik heb mijn datamodellen hier en we zullen ons concentreren op de Klantentafel.
In mijn klantentabel zie je dat ik ze heb gegroepeerd op basis van de klantverkooprang, en dat is deze hier.
Het enige dat dit doet, is echt scoren op Total Sales.
Dit is de totale verkoop vanaf het begin der tijden, dus er is geen tijdfilter op. Met andere woorden, het rangschikt alle klanten door de tijd heen.
Het is gewoon een manier voor ons om een andere dimensie op te splitsen of te creëren die vervolgens kan doordringen in specifieke aspecten van onze klanten of specifieke groepen van onze klanten.
Dit zou dan terugvloeien naar alle berekeningen die we uiteindelijk zullen doen over onze verkooptabel of budgettering, enzovoort.
Dus in plaats van al mijn klanten hier te bekijken, kan ik gewoon rang 1-10 gaan, en je kunt in de grafiek zien dat het snel kapot gaat.
Nu kunnen we onze klanten echt zien of doorgronden.
Dieper boren in klanten
We willen bijvoorbeeld analyseren hoe onze klantprestaties in de loop van de tijd veranderen voor onze winst versus verkoop. We kunnen hier ook kwartaal 3 plaatsen.
Hierdoor kunnen wij deze klanten goed monitoren.
We willen bijvoorbeeld State Ltd monitoren. We kunnen het selecteren en misschien kunnen we hier nog een kwartaal aan toevoegen. We kunnen hier echt behoorlijk behoorlijke inzichten gaan zien en vinden.
In het tweede kwartaal is deze specifieke klant hier begonnen. En om de een of andere reden viel het in het derde kwartaal van 2017 hier ver terug. Maar toen zoomde hij in het vierde kwartaal weer veel hoger in.
We zijn begonnen in een zeer gedetailleerde vorm wat betreft de visualisatie en wat de inzichten laten zien. Maar door de functionaliteit die we hebben ingebouwd, kunnen we geleidelijk naar meer unieke of specifieke inzichten gaan.
Dit is echt een goede manier om te overwegen, vooral wanneer u veel klanten in uw dataset heeft.
Bovendien hebben we de rest van onze modellen om mee te werken. We willen bijvoorbeeld alleen kijken naar de eerste 5 producten die de individuele klant heeft gekocht om te zien of dit het verschil veroorzaakt. En het lijkt erop dat het waarschijnlijk is.
Andere dingen die inzichten laten zien, zijn de individuele trendanalyse en we kunnen zien hoe ze in de loop van de tijd daadwerkelijk zijn verzonnen.
Er zijn veel verschillende manieren waarop u de gegevens uiteindelijk kunt filteren en u kunt ook op verschillende aspecten inzoomen.
Klanttrendanalyse in LuckyTemplates met behulp van DAX Segmenteer uw klanten in groepen – Geavanceerde DAX-voorbeelden Klantsegmentatietechnieken met behulp van het datamodel – LuckyTemplates & DAX
Conclusie
Deze blog laat de verschillende manieren zien die u kunt doen om klantanalyse eenvoudig en effectief te maken binnen .
Als u uw model goed instelt, speciaal met enkele groeperingstechnieken, kunt u inzoomen op de specifieke groep waarnaar u wilt kijken.
U kunt dingen instellen waarbij u al naar een subset van uw gegevens kijkt en snel inzoomen op specifieke klanten of klanten uit de eerste groep.
Dit is een heel goed overzicht van wat u kunt doen rond een rapportagescenario op basis van klantinzichten . Het gaat hier niet precies om één formule of één visualisatie. Het is een allesomvattende tutorial over wat er op een zeer schaalbare manier kan worden bereikt met LuckyTemplates.
Geniet ervan om deze door te werken.
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