Как оценить кластеры в ваших данных с помощью метода DAX в LuckyTemplates

В этом руководстве я собираюсь показать вам, как демонстрация кластеров в ваших данных позволяет вам извлекать гораздо более важные сведения, чем если бы у вас была просто точечная диаграмма с большим количеством информации. Вы можете посмотреть полное видео этого урока в нижней части этого блога.

Я собираюсь рассмотреть некоторые продвинутые методы DAX, которые вам необходимо использовать в сочетании с моделью данных. Если вы используете их правильно, аналитические возможности значительно откроются для вас, и вы действительно сможете эффективно продемонстрировать идеи.

В этом конкретном примере я пытаюсь выяснить, есть ли какая-то причина, по которой мы наблюдаем определенную кластеризацию наших клиентов в зависимости от их производительности .

Накладывая некоторую логику (в формуле DAX) на дополнительную таблицу, я могу классифицировать, является ли клиент хорошим, нормальным, плохим или отличным.

Затем, используя это новое измерение в моей точечной диаграмме, я могу увидеть, появляется ли какая-либо кластеризация результатов на основе только что реализованной логики.

Оглавление

• Как визуализировать кластеры в ваших данных
  • Внутри модели данных
  • Интеграция логики в измерение
  • Создание визуализации
• Заключение

Как визуализировать кластеры в ваших данных

В этой визуализации мы рассматриваем каждого клиента в нашем наборе данных. У нас много клиентов, и мы анализируем клиентов на основе их прибыли в общем объеме продаж. С правой стороны у нас есть кластер высокоэффективных клиентов или клиентов с более высокой маржой.

Чтобы достичь этого, нам нужно создать логику, которая позволит нам визуализировать эти кластеры информации и построить эту логику на основе того, к какой группе прибыли относятся эти клиенты.

Ключевым моментом здесь является то, что эти группы прибыли на самом деле не существуют в модели данных, поэтому нам нужно построить эту логику, а затем наложить ее.

Этот пример — лишь один из многих способов, которыми мы могли бы это сделать. Мы могли бы рассмотреть рост прибыли, рост маржи и множество других вещей, где нам нужна любая логика, и привнести ее сюда. Затем мы можем идентифицировать любой шаблон или кластер информации, который действительно может извлечь для нас некоторую информацию.

Внутри модели данных

Глядя на модель данных, первое, что нужно отметить, это то, что мы создали здесь вспомогательную таблицу. Вспомогательная таблица обычно используется иногда как таблица параметров, но в этом случае мы собираемся использовать логику, которая интегрирует вспомогательную таблицу в нашу базовую модель.

Внутри нашей вспомогательной таблицы мы анализируем, к какой группе клиентов, исходя из прибыльности, относятся эти клиенты.

Так, например, если клиент получил более 25 000 долларов прибыли, то он будет лучшим клиентом, а те, кто от 20 000 до 25 000 долларов, будут хорошим клиентом, и так далее и тому подобное.

Интеграция логики в измерение

В таблице клиентов мы используем вспомогательную таблицу, а затем построили некоторую логику.

Некоторые из вас могут подумать, что лучше развивать всю эту логику внутри этого вычисляемого столбца — да, абсолютно — но иногда я нахожу это непрактичным, особенно когда в вспомогательной таблице есть, скажем, 10 различных частей логики, которые вам нужно проработать. .

Да, вы могли бы просто разработать действительно сложный вычисляемый столбец, но я думаю, что было бы намного проще поместить их во вспомогательную таблицу, а затем написать подобную простую логику, которая объединила бы их.

В этой логике здесь мы ВЫЧИСЛЯЕМ, к какой группе относится каждый клиент. Группа будет возвращена функцией ЗНАЧЕНИЯ , а затем функция ФИЛЬТР создает итерацию для повторения логики.

Тогда для каждого клиента здесь, какова общая прибыль ; находится ли он между MIN и MAX любой из наших групп. Если это так, то верните эту группу. И вот как мы создаем эти группы прибыли .

Создание визуализации

Теперь, когда у нас есть это измерение, мы можем использовать его в наших визуализациях для идентификации этих кластеров. Итак, мы создадим точечную диаграмму , а затем отнесем нашу прибыль на ось Y, а продажи — на ось X.

Но если мы перетащим Customer Name , мы увидим здесь, что мы создали некоторую информацию, но на самом деле она не представляет никакой ценности. Будет намного лучше, если мы создадим кластеры информации.

 Поэтому для этого мы просто заполняем точки и меняем несколько цветов данных, чтобы некоторые из них выделялись. Выполняя эти простые настройки, мы можем легко идентифицировать и извлекать гораздо больше информации из наших визуальных элементов .

Вспомогательная таблица — это действительно ключевая концепция, которую нужно обойти и понять при использовании LuckyTemplates , потому что мы можем интегрировать ее множеством способов.

Есть много способов, которыми мы могли бы идентифицировать кластеры на основе различных метрик, поскольку существует так много разных сценариев, что наши данные могут потребовать от нас анализа.

Используйте DAX для сегментации и группировки данных в LuckyTemplates
Найдите шаблоны в ваших данных с помощью внутренней логики с помощью LuckyTemplates и DAX
Динамическая сегментация: как сегментировать клиентов на группы с помощью Advanced DAX

Заключение

В этом методе есть некоторые нюансы, но демонстрация кластеров в ваших данных с использованием логики действительно мощна, и существует так много способов, которыми вы можете воспроизвести это в других сценариях или в своих собственных данных.

В конечном счете, это то, что я хочу, чтобы вы извлекли из этого руководства, которое я создал, поскольку аналитические возможности, связанные с этим типом техники, растут в геометрической прогрессии.

Это продвинутая техника, так что не слишком беспокойтесь, если она сразу не имеет смысла, но обязательно попробуйте ее. Вы быстро обнаружите, что открыли для себя некоторые действительно интересные идеи, которых у вас не было раньше.

Ваше здоровье!