Klantsegmentatietechnieken met behulp van het datamodel – LuckyTemplates & DAX

In deze blogpost laat ik je zien hoe je klantsegmentatietechnieken toepast via het datamodel in LuckyTemplates. Je kunt de volledige video van deze tutorial onderaan deze blog bekijken.

Soms bevatten uw onbewerkte gegevens niet alle informatie die u nodig heeft om iets in LuckyTemplates te laten zien. Maar laat dit je niet tegenhouden.

Het enige dat u nodig heeft, is een verbeeldingskracht over hoe u uw gegevensmodel kunt bouwen of wat aanvullende logica kunt gebruiken in uw opzoektabellen die veel meer inzichten kunnen opleveren dan u mogelijk voor mogelijk had gehouden met de onbewerkte gegevens die u in de huidige vorm heeft.

Ik zal u een gedetailleerd voorbeeld laten zien van hoe u uw klanten kunt segmenteren door te evalueren of ze goede klanten, goede klanten of slechte klanten zijn.

Inhoudsopgave

• Klanten segmenteren op basis van prestaties
• De klantgroeperingstabel maken
• Opzoektabellen en berekende kolommen
• Berekening van het verkoopverschil
• De SWITCH-logica gebruiken
• Conclusie

Klanten segmenteren op basis van prestaties

In wezen werken we aan het segmenteren van uw klanten op basis van prestaties.

U kunt deze techniek gebruiken om vrijwel alles te segmenteren, maar ik wilde laten zien hoe effectief het kan zijn om inzichten in uw rapport weer te geven op basis van een realistisch scenario.

Met behulp van het datamodel kunnen we elk specifiek segment snel isoleren voor analyse. We kunnen de onderliggende drijfveren zien die onze klanten zullen onderscheiden als goed, goed, gemiddeld of slecht in termen van verkoop.

Ik heb een slicer of filter gemaakt waarmee ik klanten als goed, goed, gemiddeld of slecht kan analyseren op basis van de visualisaties die we in ons rapport hebben geplaatst.

De visualisatie zal ons laten zien wanneer de divergentie begon (februari 2016) en waarom er een divergentie is.

Het is belangrijk om het waarom te laten zien met de visualisaties in je rapportages.

Onderaan ons rapport kunnen we precies zien wanneer de divergentie plaatsvond.

We kunnen ook in onze producten kijken om te bepalen welke producten deze divergentie hebben veroorzaakt en deze klanten geweldig hebben gemaakt. We kunnen erachter komen met welke producten klanten meer bij ons konden kopen dan voorheen.

Wat ook gaaf is, zijn de slicers in onze visualisaties. Ze filteren op basis van wat we in ons model hebben geïntegreerd, en dan gaan ze ook filteren op basis van de prestatiegroepering of het segment dat we hebben geselecteerd.

Laten we eens kijken naar onze arme klanten door te klikken op Slechte verkopen in de slicer. We kunnen dan zien welke clients slecht hebben gepresteerd op de kolom onder de slicer.

Door te kijken naar de grafiek Cumulative Sales Time Frame Comparisons, kunnen we de verkopen van dit jaar vergelijken met de verkopen van vorig jaar. Waarom is er een groot verschil tussen de twee? Heeft het iets te maken met de producten of de marges?

Al deze vragen kunnen worden beantwoord en getoond door gebruik te maken van de klantsegmentatietechnieken die ik u zal laten zien.

De klantgroeperingstabel maken

Dus, hoe heb ik deze techniek gedaan? Laten we eerst teruggaan naar het model. Ik heb een tabel gemaakt met de naam .

Dit is iets wat je niet hoeft te doen, maar ik maak het graag omdat het me een aparte tabel geeft die de klantgroepen laat zien. Ik heb ook een index naast de groeperingen geplaatst, zodat we ze kunnen filteren of sorteren van goed naar slecht.

Het is duidelijk dat we een verbinding nodig hebben van de tabel Klantengroepering naar de tabel Klanten , omdat we onze klanten op een specifieke manier moeten groeperen.

Laten we eens kijken naar mijn klanten die ik moet segmenteren.

Dit is waar de berekende kolommen in deze opzoektabellen binnenkomen.

Opzoektabellen en berekende kolommen

De tabellen in het blauwe vak noemen we opzoektabellen .

Hier kunnen we onze berekende kolommen plaatsen .

Nu denken sommigen van jullie misschien dat je dit met maatregelen dynamisch kunt maken. Nou, dat kan je absoluut.

Toch wilde ik dit vanaf een bepaald moment gaan doen. Dit is afhankelijk van de situatie en u kunt zowel berekende kolommen als metingen gebruiken.

Met behulp van berekende kolommen wilde ik onze verkopen vanaf een specifiek tijdstip bekijken. In dit geval wilde ik specifiek kijken naar de 2016 Sales en 2015 Sales .

Om dit te doen, heb ik de CALCULATE- functie gebruikt en er een filter in geplaatst, zodat ik alleen verkopen krijg voor een bepaalde periode.

Berekening van het verkoopverschil

Vervolgens kan ik uit de verkopen van 2016 en de verkopen van 2015 het verkoopverschil afleiden met behulp van deze formule:

Met het verkoopverschil kunnen we beginnen met het segmenteren van onze klanten op basis van de verkopen.

De SWITCH-logica gebruiken

Het omzetverschil tussen 2016 en 2015 zal bepalen in welke prestatiegroep onze klanten gaan zitten. Hier komt de SWITCH- logica om de hoek kijken.

Met de SWITCH TRUE- logica kunt u extra dimensies maken die eruitzien als geneste IF-statements die er beter uitzien.

We kunnen uitspraken doen die zeggen dat als het verkoopverschil van een klant groter is dan of gelijk is aan $ 200.000, hij of zij een geweldige klant is.

Dit is hoe we bepalen in welk segment of welke groep we onze klanten plaatsen. Deze techniek is zeer flexibel en kan in elke dimensie en elke opzoektabel worden gebruikt.

U kunt dit nog verder vereenvoudigen door de verkoopkolommen 2016 en 2015 en de kolom Verkoopverschil niet te gebruiken. Je kunt gewoon alle logica in de maat stoppen.

Maar in dit geval wilde ik u laten zien hoe u berekende kolommen in opzoektabellen kunt gebruiken om deze informatiesegmenten te maken.

Als we teruggaan naar onze laatste visualisaties, deze specifieke slicer

komt van deze tafel.

De tabel filtert vervolgens de berekeningen en logica die we in de tabel Klanten hebben gedaan . Vervolgens filtert die relatie naar de andere tabellen.

Op deze manier kunnen al onze visualisaties worden bijgewerkt op basis van het klantsegment dat we op de slicer selecteren.

Door middel van deze zelfstudie konden we klantsegmentatietechnieken demonstreren en verschillende manieren laten zien om onze gegevens op te splitsen en te dobbelen.

Het wonder van dit alles is dat het niet bestond in ons eigenlijke model; we moesten het maken met behulp van logica.

Conclusie

In de meeste gevallen wilt u zich concentreren op uw belangrijkste klanten, omdat daar de meeste van uw goede resultaten vandaan komen. U wilt dus trends op het gebied van prestaties identificeren en een diepgaand onderzoek uitvoeren naar dit specifieke segment van uw gegevens .

Door deze techniek te gebruiken, kunnen we onze goede klanten isoleren en uitzoeken waarom ze goed zijn. We kunnen begrijpen waarom ze goed hebben gepresteerd en proberen dit te repliceren bij alle andere klanten die slecht hebben gepresteerd.

Dit is waar deze tutorial over gaat. U kunt deze technieken voor klantsegmentatie hergebruiken in verschillende analytische scenario's. Het hoeft niet alleen om klanten te gaan, maar dat is het item waarop ik me in dit specifieke geval heb gericht.

Bekijk deze cursusmodule op LuckyTemplates Online voor meer praktische manieren om LuckyTemplates te gebruiken om krachtige inzichten te vinden die er toe doen. Genoeg om van te leren met deze ene cursus.

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