LuckyTemplates-datasets: leer hoe u abnormaal gedrag kunt detecteren met behulp van DAX

In deze blogpost laat ik je in detail zien hoe je abnormale gedragspatronen binnen je LuckyTemplates-datasets kunt ontdekken . Dit is niet iets dat meteen opvalt bij het uitvoeren van analyses over uw gegevens, dus u moet er behoorlijk analytisch over nadenken. Je kunt de volledige video van deze tutorial onderaan deze blog bekijken.

Door goed na te denken over wat u wilt bereiken en vervolgens een datamodel op te zetten dat werkt voor dit soort berekeningen, kunt u resultaten van hoge kwaliteit verkrijgen.

In dit voorbeeld proberen we te begrijpen wat een klant eerder heeft gedaan. We zullen ook beoordelen of recente aankopen normaal of abnormaal zijn in vergelijking met wat er in het verleden is gebeurd.

Inhoudsopgave

• Ontdek uitschieters in uw LuckyTemplates-datasets
• Unieke producten gekocht
• Gemiddelde producten gekocht in een kwartaal
• Gemiddelde gekochte producten in alle kwartalen
• Conclusie

Ontdek uitschieters in uw LuckyTemplates-datasets

Laten we dit vanuit een commercieel perspectief bekijken. Stel dat we een online retailer, een luchtvaartmaatschappij of een supermarkt zijn en dat we een loyaliteitsprogramma moeten implementeren.

We moeten naar onze klantendataset kijken om te weten hoeveel een klant daadwerkelijk heeft gekocht voor elk afzonderlijk kwartaal versus wat ze gemiddeld hebben gekocht.

Ineens zien we een enorme toename of afname van kooppatronen of koopgedrag. We willen begrijpen waarom ze veel meer kopen dan normaal, of waarom ze minder kopen dan normaal.

Op deze manier kunnen we alerts aanmaken in ons CRM-systeem en vervolgens ons verkoopteam deze mensen laten targeten door kortingen of coupons uit te delen.

Dit is een heel krachtig inzicht dat je uit LuckyTemplates kunt halen. De waarde die u uit uw analyse kunt halen, kan een positieve invloed hebben op uw bedrijf.

Unieke producten gekocht

Om de gemiddelde gekochte producten in een bepaald kwartaal te berekenen, moeten we eerst de unieke gekochte producten berekenen. Voor elke individuele klant, hoeveel individuele producten hebben ze gekocht?

We kunnen dit achterhalen door te zeggen dat we voor elke klantcontext de DISTINCT COUNT van de product-ID in de verkooptabel zullen berekenen.

Deze formule geeft ons elk uniek product dat een klant in de huidige context bij ons heeft gekocht.

Gezien de bovenstaande formule, wanneer we op Q1 van 2017 klikken, kunnen we zien dat klant Aaron Day slechts 1 product heeft gekocht.

Gemiddelde producten gekocht in een kwartaal

Dit is de formule die we zullen gebruiken om dit specifieke inzicht te produceren. Het gaat gemiddeld zeggen hoeveel een bepaalde klant in een kwartaal heeft gekocht.

Gemiddelde gekochte producten in alle kwartalen

Het volgende dat we nodig hebben, is een maatstaf of een getal om het ergens mee te vergelijken, zodat we kunnen begrijpen wat abnormaal gedrag is.

We berekenen dan hetzelfde inzicht, maar kijken niet naar een bepaalde datum. We zullen elke context op datums vrijgeven.

Wat deze formule doet, is de gemiddelde unieke producten in elk kwartaal voor een bepaalde klant retourneren. Zo bereiken we dit specifieke inzicht.

Dus nu hebben we twee waarden. Wanneer we een selectie maken (bijv. Q2 2017), zal de kolom Gemiddelde gekochte producten in alle kwartalen nooit veranderen vanwege de functie ALLE datums . Deze functie verwijdert alle filters die we uit Dates hebben getoond.

Bij elke selectie die we maken, verandert de kolom 'Gemiddelde gekochte producten in een kwartaal'.

Door deze twee kolommen te vergelijken, kunnen we weten wat normaal is en wat niet.

We kunnen wat we tot nu toe hebben gevonden in een visuele grafiek zetten voor een meer diepgaande analyse. We kunnen heel snel zien hoeveel producten onze klanten in een bepaald kwartaal hebben gekocht (rechterkant) versus hoeveel ze gemiddeld kopen (linkerkant).

We kunnen het abnormale gedrag van onze LuckyTemplates-datasets zien en zien welke klanten hun aankopen hebben verhoogd. Wie zijn deze mensen en waarom doen ze het?

Gewapend met de gegevens die we hebben verzameld, kunnen we vervolgens bruikbare strategieën implementeren om dit te repliceren.

We kunnen onze marketingboodschap versterken om meer aankopen te doen van degenen die geen abnormaal gedrag vertonen.

Conclusie

Dit is waar een analyse van het type abnormale, uitbijter of anomalie veel waarde toevoegt. Waarom? Omdat we willen begrijpen of onze klanten beter presteren of dat de verkopers meer verkopen.

Als we gedragspatronen kunnen vinden die positief voor ons zijn in een bepaald segment van onze gegevens, kunnen we dit repliceren in andere segmenten.

Het doel is om voordelig klantgedrag na te bootsen en toe te passen op andere onderdelen van het bedrijf.

Deze techniek zal enorm helpen bij het vergroten van uw analytische denkwijze over wat u kunt bereiken in LuckyTemplates. 

Dit soort analyses en nog veel meer zijn te vinden in de geavanceerde LuckyTemplates-modules op LuckyTemplates Online . Bekijk de onderstaande module voor meer informatie.

Veel plezier met het reviewen van deze.