محاسبات سطح جزئیات (LOD) در Tableau به کاربران این امکان را می‌دهد که سطح تجمع داده‌ها را کنترل کرده و تحلیل‌های دقیق‌تر و بینش‌بخش‌تری انجام دهند. این راهنما به بررسی نحوه استفاده از محاسبات LOD برای مقایسه میانگین فروش کلی با میانگین فروش به ازای هر مشتری می‌پردازد و به کاربران کمک می‌کند تا به بینش‌های عملی درباره رفتار مشتریان و عملکرد فروش دست یابند.
مراحل ساخت Sparklines با نشانگرهای Min-Max در Tableau
- 1.چرا از محاسبات LOD استفاده کنیم؟
- 2. راهنمای گام به گام
- 3. تحلیل تعاملی
- 4. کاربردهای عملی
1. چرا از محاسبات LOD استفاده کنیم؟
در تحلیل فروش، درک تفاوت میان میانگین فروش کلی و میانگین فروش به ازای هر مشتری می‌تواند به شناسایی تغییرات در رفتار مشتریان و استراتژی‌های فروش کمک کند. به عنوان مثال، این تحلیل می‌تواند نشان دهد که آیا فروش بیشتر در میان تعداد کمی از مشتریان پرمصرف متمرکز شده است یا به صورت یکنواخت‌تر در میان تمام مشتریان توزیع شده است.
2. راهنمای گام به گام
2.1. اتصال به منبع داده
ابتدا به مجموعه داده‌ای که حداقل شامل فیلدهای زیر باشد متصل شوید:
- مبلغ فروش
- شناسه مشتری
2.2. ایجاد محاسبه میانگین فروش کلی
برای محاسبه میانگین فروش کلی مراحل زیر را دنبال کنید:
- به منوی Analysis بروید و گزینه Create Calculated Field را انتخاب کنید.
- نام این فیلد را Overall Average Sales بگذارید.
فرمول زیر را وارد کنید:
AVG([Sales Amount])
2.3. ایجاد محاسبه میانگین فروش به ازای هر مشتری
اینجاست که عبارات LOD به کار می‌آیند. برای محاسبه میانگین فروش به ازای هر مشتری، یک فیلد محاسباتی دیگر ایجاد کنید:
- به Analysis > Create Calculated Field بروید.
- نام این فیلد را Average Sales per Customer بگذارید.
- فرمول زیر را با استفاده از عبارت LOD وارد کنید:
{FIXED [Customer ID]: AVG([Sales Amount])}
2.4. مصورسازی داده‌ها
برای مقایسه این دو شاخص:
- Overall Average Sales را به Rows بکشید.
- Average Sales per Customer را نیز به Rows اضافه کنید.
- به صورت اختیاری، از Measure Names و Measure Values برای نمایش هر دو شاخص در کنار هم در یک نمودار میله‌ای استفاده کنید.
2.5. تحلیل نتایج
- اگر میانگین فروش کلی به طور قابل توجهی بیشتر از میانگین فروش به ازای هر مشتری باشد، ممکن است نشان‌دهنده تمرکز فروش بر تعداد کمی از مشتریان پرمصرف باشد.
- فاصله کمتر بین این شاخص‌ها نشان‌دهنده توزیع متعادل‌تر فروش است.
3. تحلیل تعاملی
برای تحلیل تعاملی‌تر:
- فیلترهایی برای دوره‌های زمانی اضافه کنید تا ببینید میانگین‌ها چگونه در طول زمان تغییر می‌کنند.
- از رنگ‌بندی برای برجسته کردن تفاوت‌ها بین این دو شاخص استفاده کنید.
- داشبوردهایی با نمودارهای اضافی برای بخش‌بندی مشتریان ایجاد کنید.
4. کاربردهای عملی
- بخش‌بندی مشتریان: شناسایی و هدف‌گذاری مشتریان با ارزش بالا.
- بهینه‌سازی استراتژی فروش: توسعه استراتژی‌هایی برای افزایش فروش در میان مشتریان کم‌مصرف.
- پایش عملکرد: ردیابی روندهای توزیع فروش در طول زمان.
دیدگاهتان را بنویسید