В этой записи блога я подробно покажу вам, как вы можете обнаружить ненормальные модели поведения в своих наборах данных LuckyTemplates . Это не то, что сразу бросается в глаза при анализе ваших данных, поэтому вы должны думать об этом достаточно аналитически. Вы можете посмотреть полное видео этого урока в нижней части этого блога.
Глубоко подумав о том, чего вы хотите достичь, а затем настроив модель данных, которая работ��ет для этих типов вычислений, вы можете получить высококачественные результаты.
В этом примере мы попытаемся понять, что клиент делал ранее. Мы также оценим, являются ли недавние покупки нормальными или ненормальными по сравнению с тем, что произошло в прошлом.
Оглавление
- Обнаружение выбросов в наборах данных LuckyTemplates
- Куплены уникальные продукты
- Среднее количество товаров, покупаемых за квартал
- Средние продукты, покупаемые во всех кварталах
- Заключение
Обнаружение выбросов в наборах данных LuckyTemplates
Давайте подумаем об этом с коммерческой точки зрения. Допустим, мы интернет-магазин, авиакомпания или супермаркет, и нам нужно внедрить программу лояльности.
Нам нужно взглянуть на наш набор данных о клиентах, чтобы узнать, сколько клиент фактически купил за каждый отдельный квартал по сравнению с тем, что он купил в среднем.
Внезапно мы видим значительное увеличение или уменьшение покупательских моделей или покупательского поведения. Мы хотим понять, почему они покупают намного больше, чем обычно, или почему они покупают меньше, чем обычно.
Таким образом, мы можем создавать оповещения в нашей системе CRM, а затем позволять нашей команде продаж ориентироваться на этих людей, предоставляя скидки или купоны.
Это действительно мощная информация, которую вы можете извлечь из LuckyTemplates. Ценность, которую вы можете извлечь из своего анализа, может положительно повлиять на ваш бизнес.
Куплены уникальные продукты
Чтобы рассчитать среднее количество продуктов, купленных в определенном квартале, нам сначала нужно определить количество купленных уникальных продуктов. Для каждого отдельного клиента, сколько отдельных продуктов они купили?
Мы можем выяснить это, сказав, что для любого контекста клиента мы вычислим DISTINCT COUNT идентификатора продукта в таблице продаж.

Эта формула даст нам каждый уникальный продукт, который клиент купил у нас в текущем контексте.
Учитывая приведенную выше формулу, когда мы нажимаем на первый квартал 2017 года, мы видим, что клиент Аарон Дэй купил только 1 продукт.
Среднее количество товаров, покупаемых за квартал
Это формула, которую мы будем использовать для получения этого конкретного понимания. Он покажет в среднем, сколько конкретный покупатель купил за квартал.
Средние продукты, покупаемые во всех кварталах
Следующее, что нам нужно, это эталон или число, чтобы сравнить его с чем-то, чтобы мы могли понять, что является ненормальным поведением.
Затем мы вычислим то же понимание, но не будем смотреть на какую-то конкретную дату. Мы опубликуем любой контекст по датам.
Что делает эта формула, так это возвращает среднее количество уникальных продуктов в каждом квартале для конкретного клиента. Вот как мы достигаем этого особого понимания.
Итак, теперь у нас есть два значения. Когда мы делаем выборку (например, второй квартал 2017 г.), столбец «Среднее количество продуктов, купленных во всех кварталах» никогда не изменится из-за функции ВСЕХ дат . Эта функция удаляет все фильтры, которые мы продемонстрировали в Dates.
С каждым нашим выбором столбец «Среднее количество продуктов, купленных за квартал» будет меняться.
Сравнивая эти два столбца, мы можем узнать, что нормально, а что нет.
Мы можем представить то, что мы получили, на визуальной диаграмме для более глубокого анализа. Мы можем очень быстро увидеть, сколько продуктов наши клиенты купили в определенном квартале (справа) и сколько в среднем они покупают (слева).
Мы сможем увидеть ненормальное поведение из наших наборов данных LuckyTemplates и увидеть, какие клиенты увеличили свои покупки. Кто эти люди и зачем они это делают?
Вооружившись собранными данными, мы можем реализовать действенные стратегии, чтобы воспроизвести это.
Мы можем усилить наше маркетинговое сообщение, чтобы увеличить количество покупок тех, кто не ведет себя ненормально.
Заключение
Именно здесь аномальный, выбросной или аномальный тип анализа добавляет большую ценность. Почему? Потому что мы хотим понять, работают ли наши клиенты лучше или продавцы продают больше.
Если мы сможем найти модели поведения, которые являются положительными для нас в определенном сегменте наших данных, мы сможем воспроизвести это в других сегментах.
Цель состоит в том, чтобы воспроизвести выгодное поведение клиентов и применить его в других сферах бизнеса.
Этот метод чрезвычайно поможет улучшить ваше аналитическое мышление в отношении того, чего вы можете достичь в LuckyTemplates.
Эти и многие другие типы анализа можно найти в модулях Advanced LuckyTemplates на веб-сайте LuckyTemplates Online . Для получения более подробной информации ознакомьтесь с модулем ниже.
Наслаждайтесь просмотром этого.





