Методы сегментации клиентов с использованием модели данных — LuckyTemplates и DAX

В этом сообщении блога я собираюсь показать вам, как использовать методы сегментации клиентов с помощью модели данных в LuckyTemplates. Вы можете посмотреть полное видео этого урока в нижней части этого блога.

Иногда ваши необработанные данные не содержат всей информации, необходимой для демонстрации чего-либо в LuckyTemplates. Но не позволяйте этому остановить вас.

Все, что вам нужно, — это представить себе, как вы можете построить свою модель данных, или использовать некоторую дополнительную логику в ваших таблицах поиска, которая может обеспечить гораздо более глубокое понимание, чем вы, возможно, считали возможным с необработанными данными, которые у вас есть в их текущей форме.

Я покажу вам подробный пример того, как вы можете сегментировать своих клиентов, оценивая, являются ли они хорошими клиентами, хорошими клиентами или плохими клиентами.

Оглавление

• Сегментация клиентов на основе эффективности
• Создание таблицы группировки клиентов
• Таблицы поиска и вычисляемые столбцы
• Расчет разницы продаж
• Использование логики SWITCH
• Заключение

Сегментация клиентов на основе эффективности

По сути, мы будем работать над тем, как сегментировать ваших клиентов на основе эффективности.

Вы можете использовать эту технику для сегментации практически чего угодно, но я хотел показать, насколько эффективной может быть демонстрация информации в вашем отчете на основе реального сценария.

Используя модель данных, мы можем быстро изолировать каждый конкретный сегмент для анализа. Мы можем видеть основные факторы, которые будут отличать наших клиентов от хороших, хороших, средних или плохих с точки зрения продаж.

Я создал срез или фильтр , который позволяет мне анализировать клиентов как хороших, хороших, средних или плохих на основе визуализаций, которые мы поместили в наш отчет.

Визуализация покажет нам, когда началось расхождение (февраль 2016 г.) и почему возникло расхождение.

Важно показать, почему с помощью визуализаций в ваших отчетах.

В нижней части нашего отчета мы можем видеть, когда именно произошло расхождение.

Мы также можем изучить наши продукты, чтобы определить, какие продукты вызвали это расхождение и сделали этих клиентов замечательными. Мы можем выяснить, какие продукты позволили клиентам покупать у нас больше, чем раньше.

Что еще круто, так это слайсеры в наших визуализациях. Они будут фильтровать на основе того, что мы интегрировали в нашу модель, а затем они также будут фильтровать на основе любой выбранной нами группы производительности или сегмента.

Давайте посмотрим на наших плохих клиентов, щелкнув Плохие продажи на слайсере. Затем мы можем увидеть, какие клиенты показали плохие результаты в столбце под срезом.

Глядя на диаграмму сравнения кумулятивных временных рамок продаж, мы можем сравнить продажи в этом году с продажами в прошлом году. Почему между ними большая разница? Это как-то связано с продуктами или прибылью?

На все эти вопросы можно ответить и продемонстрировать, используя методы сегментации клиентов, которые я вам покажу.

Создание таблицы группировки клиентов

Итак, как я сделал эту технику? Во-первых, давайте вернемся к модели. Я создал таблицу под названием .

Это то, что вам не нужно делать, но мне нравится создавать это, потому что это дает мне отдельную таблицу, которая демонстрирует группы клиентов. Я также поместил указатель рядом с группами, чтобы мы могли фильтровать или сортировать их от лучших к плохим.

Очевидно, нам понадобится соединение из таблицы Customer Grouping с таблицей Customers , потому что нам нужно сгруппировать наших клиентов определенным образом.

Давайте приступим и посмотрим на моих клиентов, которых мне нужно сегментировать.

Вот тут-то и появляются вычисляемые столбцы внутри этих справочных таблиц .

Таблицы поиска и вычисляемые столбцы

Таблицы внутри синего прямоугольника — это то, что мы называем таблицами поиска .

Здесь мы можем поместить наши вычисляемые столбцы .

Теперь некоторые из вас могут подумать, что вы можете сделать это динамичным, используя меры. Ну, вы абсолютно можете.

Тем не менее, я хотел сделать это с определенного момента времени. Это зависит от ситуации, и вы можете использовать либо вычисляемые столбцы, либо меры.

Используя вычисляемые столбцы, я хотел посмотреть на наши продажи с определенного момента времени. В данном случае я хотел специально посмотреть на продажи за 2016 и 2015 годы .

Для этого я использовал функцию РАСЧЕТ и поместил в нее фильтр, чтобы получать данные о продажах только за определенный период времени.

Расчет разницы продаж

Затем из продаж за 2016 г. и продаж за 2015 г. я могу получить разницу в продажах , используя эту формулу:

Разница в продажах — это то, с чего мы можем начать сегментировать наших клиентов на основе продаж.

Использование логики SWITCH

Разница в продажах между 2016 и 2015 годами определит, к какой группе производительности будут принадлежать наши клиенты. Именно здесь вступает в действие логика ПЕРЕКЛЮЧЕНИЯ .

Логика SWITCH TRUE позволяет вам создавать дополнительные измерения, которые выглядят как вложенные операторы IF , которые выглядят лучше.

Мы можем делать заявления, в которых говорится, что если разница в продажах клиента больше или равна 200 000 долларов, то он или она отличный клиент.

Именно так мы определяем, к какому сегменту или группе отнести наших клиентов. Этот метод легко адаптируется и может быть применен к любому измерению и любой таблице поиска.

Вы можете еще больше упростить это, не используя столбцы продаж за 2016 и 2015 годы и столбец «Разница в продажах». Вы можете просто поместить всю логику внутри меры.

Но в этом случае я хотел показать вам, как использовать вычисляемые столбцы в таблицах поиска для создания этих сегментов информации.

Если мы вернемся к нашим окончательным визуализациям, этот конкретный слайсер

исходит из этой таблицы.

Таблица затем фильтрует вычисления и логику, которые мы сделали в таблице Customers . Затем эта связь фильтруется до других таблиц.

Вот как все наши визуализации могут обновляться в зависимости от сегмента клиентов, который мы выбираем на слайсере.

С помощью этого руководства мы смогли продемонстрировать методы сегментации клиентов и показать различные способы нарезки наших данных.

Чудо всего этого в том, что в нашей настоящей модели его не было; мы должны были создать его, используя логику.

Заключение

В большинстве случаев вы хотите сосредоточиться на своих лучших клиентах, потому что именно они обеспечивают большую часть ваших хороших результатов. Итак, вы хотите определить тенденции в отношении производительности и провести углубленный анализ этого конкретного сегмента ваших данных .

Используя эту технику, мы можем изолировать наших хороших клиентов и выяснить, почему они хорошие. Мы можем понять, почему они показали хорошие результаты, и попытаться воспроизвести это для всех других клиентов, которые показали плохие результаты.

Это то, о чем этот учебник. Вы можете повторно использовать эти методы сегментации клиентов в различных аналитических сценариях. Дело не только в клиентах, но именно на этом я сосредоточился в данном конкретном случае.

Чтобы узнать о более практичных способах использования LuckyTemplates для получения важной важной информации, ознакомьтесь с этим модулем курса на веб-сайте LuckyTemplates Online. Многому можно научиться с помощью одного этого курса.

***** Изучаете LuckyTemplates? *****