Wat is zelf in Python: voorbeelden uit de echte wereld
Wat is zelf in Python: voorbeelden uit de echte wereld
Als u een real-world voorbeeldscenario wilt hebben van prognoses met behulp van LuckyTemplates, bent u op de juiste pagina. U vindt in deze tutorial een prognosetechniek die u zeker in uw eigen werkomgeving kunt implementeren. Je kunt de volledige video van deze tutorial onderaan deze blog bekijken.
In het voorbeeld vergelijk ik mijn werkelijke resultaten met mijn prognoses en bekijk ze cumulatief. De cumulatieve totalen geven me een veel beter overzicht en zorgen ervoor dat ik weet wanneer er een trend verschijnt. Als u de prognosetechniek gebruikt die ik in deze zelfstudie bespreek, kunt u hetzelfde bereiken.
Eerst moet u echter de daadwerkelijke prognose maken. Mogelijk hebt u deze in een afzonderlijke gegevensbron of spreadsheet staan, of moet u deze mogelijk maken omdat u er nog geen heeft. Er zijn tal van manieren waarop je het kunt maken - soms is het eenvoudig en soms is het, naar mijn mening, complexer dan nodig is.
Als je dat eenmaal hebt ingesteld, kan het ontwikkelen van eenvoudige logica en het gebruik van formules met DAX je echt inzicht geven in je gegevens.
Het is prima om de werkelijke resultaten op zichzelf te bekijken, maar in veel gevallen heb je een benchmark nodig om de relatieve prestaties echt te laten zien.
Tenzij u een grondige kennis van cijfers heeft, is het gebruik van een benchmark of prognose (zoals in dit geval) de beste manier om dit aan uw consumenten te laten zien.
Bovendien kunt u, door de andere filters in uw datamodel te gebruiken, uw rapporten instellen om effectief in specifieke delen van uw datasets te duiken en te zien hoe de resultaten hebben gepresteerd ten opzichte van de unieke benchmark. Soms zijn er een paar nuances om te begrijpen, maar dit is een andere tutorial.
Inhoudsopgave
Een prognose maken
We hebben hier een eenvoudig gegevensmodel met Total Sales, wat slechts historische informatie is, dus we moeten een prognose maken. Er zijn veel manieren om dit te doen, maar ik zal je laten zien hoe je een eenvoudige kunt maken.
In deze demonstratie ga ik projecteren wat we hebben bereikt in 2015 tot 2016. Ik gebruik met Total Sales en ga vervolgens naar en voer Dates in .
Dit gaat ons de verkopen van vorig jaar opleveren. We kunnen in onze tabel hier zien dat de eerste ingevoerde gegevens op 1 juni 2014 waren.
Nu wordt het weerspiegeld in onze 2015 (de totale verkoop van vorig jaar).
We moeten echter nog een stap verder gaan. We willen 2016 voorspellen, dus we beginnen met onze gegevens vanaf januari 2016 en gaan dan voor het hele jaar. Om dat te doen, veranderen we de context van de berekening (met behulp van CALCULATE ), maar we filteren informatie uit die niet in 2016 is (met een instructie). En dus filteren we de tabel Datums waar het jaar gelijk is aan 2016.
Dit zal letterlijk elke datum die niet 2016 is voor deze voorspelling wegwerken of weglaten. Laten we het naar onze tabel slepen en we zullen zien dat onze gegevens beginnen vanaf januari 2016.
We hebben nu de prognose voor 2016.
Wanneer we het in een grafiek weergeven, kunnen we onze totale verkoop per dag en onze verkoopprognose zien, wat slechts een projectie is van het jaar ervoor.
De cumulatieve prognose uitwerken
Nu gaan we deze omzetten in cumulatieve totalen en we gaan deze cumulatief bekijken, waardoor we betere inzichten kunnen krijgen. Het eerste dat we moeten doen, is de cumulatieve omzet berekenen .
We kunnen dit vervolgens hergebruiken om onze cumulatieve prognose voor 2016 uit te werken . Het enige dat we hoeven te doen, is de Totale verkoop invullen met de prognose voor 2016 .
Nu hebben we het cumulatieve totaal van de prognose voor 2016 , wat alleen de verwachte resultaten voor 2015 zijn. We hebben ze omgezet in een cumulatief totaal, dat we kunnen vergelijken met onze cumulatieve verkopen van dit jaar .
We kunnen dit omzetten in een visualisatie en deze informatie kunnen analyseren over hoe we cumulatief gaan. Er is hier een klein probleem waarbij het cumulatieve totaal helemaal wordt geprojecteerd, ook al is er geen informatie en dat willen we waarschijnlijk niet.
We kunnen dit heel eenvoudig oplossen door toe te voegen aan onze formule. geretourneerd . Hiermee wordt alle informatie verwijderd die vanaf een bepaalde datum beschikbaar is.
We drukken op Enter en we zien in onze grafiek dat de lijn verdwijnt, omdat we onze huidige verkoop over onze verkoopprognose leggen.
Prognose versus verkoop
Vanaf hier kunnen we onze verkoop versus onze prognose berekenen via metingvertakking .
En we zouden dit alleen in een visualisatie kunnen veranderen, maar het levert ons op dit moment niet echt enig inzicht op omdat we geen gegevens hebben van september tot december en het gewoon als nul beschouwt.
We kunnen dit weer oplossen door die IBLANK- logica in te voeren.
En daarmee kunnen we nu zien hoe we door de tijd gaan versus onze cumulatieve voorspelling.
Bovendien kunnen we, omdat dit in het datamodel is aangesloten, bijvoorbeeld onze producten inbrengen. We maken er een snijmachine van en kijken hoe het met elk van onze producten gaat.
We kunnen al onze producten dynamisch selecteren en zien hoe ze volgen.
Prognose Analysetechnieken in LuckyTemplates met DAX
Vooruitzichten maken in LuckyTemplates DAX gebruiken
Een nieuwe tabel maken in LuckyTemplates: budgetten en prognoses automatisch implementeren met DAX
Conclusie
Dit is een unieke voorspellingstechniek die ik in deze zelfstudie heb gedemonstreerd. Eerst hebben we een prognose gemaakt, we hebben het vrij eenvoudig gehouden en daarna hebben we een cumulatief totaal gebruikt om het beter te visualiseren. Daarna hebben we het vergeleken en konden we de tijd volgen en zien hoe alle verkopen verliepen.
Het gaat hierbij om de zakelijke toepassingen. Ik behandel eigenlijk veel vergelijkbare toepassingen rond prognoses in mijn Dit is de moeite van het bekijken waard als u meer wilt weten over de prognosetechniek, budgettering, segmentatie- en groeperingstechnieken en scenarioanalyse, om er maar een paar te noemen.
Ik hoop dat je een manier zult vinden om deze voorspellingstechniek in je eigen werk op te nemen.
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