Web Analytics
LOD Fixed

LOD Fixed

LOD Fixed

Level of Detail (LOD) pozwala na wykonanie agregacji na precyzyjnie wskazanym poziomie szczegółowości. Kalkulacje LOD są o wiele bardziej rozbudowane niż standardowe kalkulacje na poziomie rekordu, co daje większy wachlarz możliwości w tworzeniu dashboardów. Poziom ich „ziarnistości” można dostosowywać poprzez kalkulacje: FIXED, INCLUDE lub EXCLUDE. Funkcja FIXED ma wysoki priorytet w kolejności wykonywania operacji i działa przed filtrami arkusza. Dlatego ważne jest zrozumienie w jakiej kolejności dane zostaną ograniczone, zanim zostaną zaprezentowane.

Poniżej znajduje się kolejność wykonywania operacji filtrowania w odniesieniu do LOD Fixed.

  1. Filtr ekstraktu.
  2. Filtr źródła danych.
  3. Filtr kontekstowy (po nim następuje LOD Fixed).
  4. Filtr wymiaru (po nim następuje LOD Include, Exclude).
  5. Filtr miary.
  6. Filtr pola kalkulowanego.

Budowa pola kalkulowanego opiera się o wybranie jednej z wyżej wymienionych funkcji, a następnie wykorzystanie odpowiedniej funkcji w celu agregacji danych.

image
  1. Nazwa wybranej funkcji (FIXED, INCLUDE, EXCLUDE).
  2. Wymiary według których chcemy agregować dane (lub pominąć w przypadku EXCLUDE).
  3. Rodzaj agregacji np. SUM(), MIN(), MAX(), STDEV(), etc.
  4. Wybrana miara.

Po przeciągnięciu danych do wierszy i kolumn otrzymamy taki efekt:

image

Możesz zauważyć, że wartości obliczone w kolumnie Kalkulacja Fixed (1) to suma sprzedaży dla całej podkategorii Accessories (2).

Przykłady zastosowania funkcji FIXED

Izolowanie pojedynczej wartości

Jednym z podstawowych zastosowań LOD jest izolowanie pojedynczej wartości.

image

Powyższa kalkulacja wyszukuje najwyższą sprzedaż na przestrzeni wszystkich dni w źródle danych. Możesz zauważyć, że polu kalkulowanym Fixed MAX Sales nie działają na nią filtry wybrane po prawej stronie. Powyższa kalkulacja może być punktem wyjścia do dalszych obliczeń.

image

Porównanie okresu roku bieżącego i ubiegłego

Poniższa kalkulacja pozwala na porównanie zysku pomiędzy dwoma latami.

Najpierw utwórz pole kalkulowane.

image

Następnie przeciągnij obecny rok do filtrów, datę do kolumn oraz kalkulację Profit diff do wierszy.

image

Na zielono zaznaczono elementy, gdzie zysk był większy w obecnym okresie, na czerwono zaznaczone są linie, gdzie ubiegły rok w danym miesiącu wygenerował większy zysk. Efekt końcowy wygląda następująco:

image

Zliczanie transakcji dokonanych przez klienta

Stworzenie kalkulacji Fixed w poniższym przykładzie pozwala na lepsze zaprezentowanie ilości zamówień dokonywanych przez klientów. Poniższa metoda może być wykorzystywana w dalszych obliczeniach, dlatego niejednokrotnie jest ona lepszym wyborem niż zwykły Count Distinct.

Pierwszym krokiem będzie stworzenie kalkulacji przekształcającej ilość transakcji.

image

Teraz możemy stworzyć histogram prezentujący częstość składania zamówień przez klientów.

Przenieś kalkulację w miejsce kolumn, następnie kliknij na nią prawym przyciskiem myszy i wybierz opcję Dimension oraz Discrete. Następnie ponownie przeciągnij kalkulację Liczba transakcji, tym razem doLabels. Wykres będzie wyglądał następująco:

image

Patrząc na ten wykres możesz stwierdzić, że najczęściej klienci składają między 6-8 zamówień.

Analiza dni zyskownych i generujących stratę

Dashboard prezentujący dni przynoszące zysk lub stratę można łączyć z innymi wymiarami, by dostarczyć bardziej precyzyjnych raportów.

Zacznij od stworzenia pola kalkulowanego dla zysku według dnia. Każdy dzień jest poziomem szczegółowości, dla którego wyznaczany jest zysk.

image

Następnie utwórz drugą kalkulację, która pozwala na określenie, czy dany dzień był zyskowny czy stratny. Dla wartości, gdzie Profit jest większy od zera, przypisz mu wartość Zyskowny. W przypadku ujemnego wyniku nazwij go Stratny.

image

Przeciągnij Order Date do kolumn, a następnie rozwiń go do miesięcy usuwając Kwartał z kolumn. Do wierszy przeciągnij pole Jaki dzień oraz Sales. Kliknij prawym przyciskiem w Sales i wybierz Measure > Count Distinct. Przeciągnij również pozycję Jaki dzień na kolor w Marks. Pozwoli to na rozróżnienie opisanych przez wcześniej dni.

image

W efekcie końcowym otrzymujemy wykresy, których szczyty określają zysk lub stratę w danym dniu.

image

Wykres kohorty

Kohortę określamy jako zbiór obiektów wyodrębnionych z populacji. Poniższy wykres pozwala na przedstawienie, jaki udział w kolejnych latach mieli klienci, którzy zaczęli swoje zakupy w roku 2018.

Zacznij od stworzenia pola kalkulowanego. Zwróci ono datę kiedy nastąpiła pierwsza transakcja danego klienta. Możemy założyć, że jest to data kiedy pozyskaliśmy tego klienta. Chyba, że mamy bardziej precyzyjne informacje w systemie CRM.

image

Następnie przeciągnij Year (Order date) do kolumn, Sales do wierszy oraz Fixed customer name na kolor w Marks i zaznacz Show Mark Labels.

image

Jak interpretować powyższy wykres?

W roku 2018 klienci wygenerowali sprzedaż na poziomie 484 247. Klienci z roku 2018 wygenerowali sprzedaż w wysokości 365 144 w roku 2019. Pozwala nam to na określenie zaangażowania klientów w sprzedaż. Dla jeszcze lepszego zaprezentowania kohorty, warto zduplikować wykres i następnie kliknąć prawym przyciskiem myszy na Sales > Quick Table Calculation. Wybierz opcję Compute Using > Table(down).

image

Tym samym widzimy, że 77,6% klientów robiących zakupy w roku 2019 to klienci pozyskani w roku ubiegłym. Tylko 22,4 % wszystkich transakcji było wygenerowanych przez nowych klientów.

Tempo pozyskiwania nowych klientów

Wykres przedstawiony w tym przykładzie jest doskonałym sposobem na zaprezentowanie, jak poszczególne obszary radzą sobie w pozyskiwaniem nowych klientów na przestrzeni lat.

Pierwszym krokiem jest stworzenie pola kalkulowanego, który określi pierwszą datę zakupu dokonanego przez klienta (dokładnie jak w przykładzie powyżej).

image

Utwórz kolejne pole kalkulowane, które posegreguje klientów według tych, którzy są nowi lub stali.

image

Przeciągnij następnie pola Customer Name, Order ID oraz Kalk. nowy czy stały w miejsce wierszy. Zostanie wtedy utworzona prosta tabela, która pozwoli na sprawdzenie poprawności obliczeń. Zauważysz też, że pierwsza transakcja dokonana przez klienta nada mu etykietę nowy, a każda kolejna będzie się nazywać stały.

image

Poniżej zobaczysz, jakie kroki należy podjąć, by uzyskać pożądany wykres.

image

Najpierw musisz przeciągnąć Customer Name w miejsce wierszy. Następnie kliknij na niego prawym przyciskiem myszy i wybierz opcję miary (COUNT DISTINCT). Kolejnym krokiem będzie wybranie Quick Table Calculation i opcji Running Total. W miejsce kolumn wstaw wartość dnia z Order Date (1). Przeciągnij następnie Kalk. nowy czy stały w miejsce filtrów i zaznacz opcję Nowy (2). Ostatnim krokiem będzie przeciągnięcie regionu na kolor w Marks oraz Label, co pozwoli na rozróżnienie regionów (3). Efekt końcowy prezentuje się następująco:

image

Patrząc na powyższy wykres możesz zauważyć, iż West jest regionem najszybciej generującym nowych klientów, zaś South - regionem, gdzie poziom nowych klientów na przestrzeni lat jest najniższy.

Ile czasu mija do powrotu klienta

Poniższy wykres przedstawia, ile kwartałów mija od pierwszej transakcji, gdy klient zrobi zakupy w danym kwartale. Przykład przedstawiony jest na zamówieniach i może znaleźć zastosowanie w dashboardach, które mają cykliczne wydarzenia.

Utwórz pierwsza kalkulację, która pozawala na określenie, kiedy miał miejsce najwcześniejszy zakup dokonany przez klienta.

image

Utwórz następnie kalkulację określającą, kiedy miał miejsce kolejny zakup.

image

Następnie utwórz kolejne pole kalkulowane odwołujące się do wcześniej zrobionego obliczenia.

image

Ostatnim obliczeniem jest wskazanie różnicy w kwartałach pomiędzy pierwszym a drugim zakupem.

image

Następnie przeciągnij Różnica kwartałów w miejsce kolumn, a kwartał z pola Pierwszy zakup w miejsce wierszy (1). Na koniec prawym przyciskiem myszy przeciągnij Customer Name na kolor w Marks oraz Label. Zaznacz opcję Count Distinct. Dodatkowo możesz zmienić wartość NULL na nazwę Przeterminowane.

image

W efekcie otrzymasz poniższy wykres:

image

Jak interpretować dane?

Patrząc na drugi kwartał roku 2018 (2018 K2) oraz kolumnę z wartością 2 możemy stwierdzić, iż 26 osób, które dokonały transakcji w tym okresie, czekały pół roku (dwa kwartały) zanim dokonały kolejnego zakupu. Pozycje znajdujące się pod kolumną Przeterminowane wskazują na klientów, którzy po dokonaniu zakupu, nigdy więcej go nie powtórzyli.

Następna strona →

LOD Include i Exclude