<고객에 대한 대시보드>
-2022년 기준 나이 구하기
-2022년 기주 나이 평균
-성별별 비율 구하기
일단 남자별 여자별 수 구하기
납자가 1, 여자가 0
남자
여자
-전체 성별 수
여자, 남자 비율
여자 비율
남자비율
-전체 customer 수
-연도별 first join date한 사람 수
색=평균 2022년 기준 나이
tetxt=customer id가 평균적으로 몇개인지
-city별 고객수
각 city별 booking한 사람들의 수
-양방향 대시보드
성별이 숫자로만 나와서 계산된 필드 만들기
양방향 그래프 만들기 위해서 계산된 필드 만들기
결과물
-first join date별 gender
<고객에 대한 대시보드>
(대시보드 만들때 주위해야하는거)
*** 가로 컨테이너 대시보드에 드래그-마우스 오른쪽 클릭후 균등 분배
맞춤 - 전체보기 하면 제목이 안 짤림
*그래프들도 전체 보기 해야 더 깔끔하게 보기 가능
<재방문에 대한 대시보드>
-재방문한 고객수
SUM(IF { FIXED [Customer Id]: COUNTD([Transaction Date]) > 1 } THEN 1 ELSE 0 END)
-거래한 날짜 수
거래한 날짜의 수 구하기
transaction date가 총 몇개인지 구하는 코드
-고객들이 방문한 횟수
고객이 방문한 횟수
fixed 모든 고객들을 각각 계산하게 도와줌
countD에서 중복된 고객들 걸러냄
-고객들의 재방문 여부
재방문 여부 코드
IF { FIXED [Customer Id]: COUNTD([Transaction Date]) } > 1 THEN 1 ELSE 0 END
-재방문율
재방문율
-코호트
재방문율
문자열로 바꾸기(에러나는 경우 이렇게 하기)
첫 구매 연도 컬럼(코호트)
{ FIXED [Customer Id] : MIN(DATETRUNC('day', [Transaction Date])) }
연도별 경과 연수(코호트)-첫 구매후 며칠 있다가 또 구매했는지 구하는 식
행에 드레그한뒤 year만 나오게 설정
DATEDIFF('day', [첫 구매 연도 컬럼(코호트)], [Transaction Date])
day= 날짜 간 차이를 일 단위로 계산
첫 구매 연도 컬럼=첫 구매 날짜로 지정된것
transaction Date=transaction이 발생한 날짜
*연도별 경과 연수는 평균이 나오게 설정함
-연도, 달이 나오게 코호트
code:
첫 구매달
{ FIXED [Customer Id] : MIN(DATETRUNC('month', [Transaction Date])) }
첫 구매 연도
{ FIXED [Customer Id] : MIN(DATETRUNC('year', [Transaction Date])) }
fixed[customer ID]-각 고객별로 독립적으로 구한다(ex: 고객 a,b,c가 있으면 각 고객 a,b,c별로 구한다는거)
예시:
- 고객 A:
- 첫 번째 트랜잭션: 2020년 3월 10일
- MIN(DATETRUNC('month', [Transaction Date])) → 첫 번째 트랜잭션 월은 2020년 3월
- 고객 B:
- 첫 번째 트랜잭션: 2020년 5월 5일
- MIN(DATETRUNC('month', [Transaction Date])) → 첫 번째 트랜잭션 월은 2020년 5월
- 고객 C:
- 첫 번째 트랜잭션: 2021년 2월 1일
- MIN(DATETRUNC('month', [Transaction Date])) → 첫 번째 트랜잭션 월은 2021년 2월
결론:
- 각 고객에 대해 고객별로 첫 번째 트랜잭션 월을 계산하게 됩니다.
- 이 방식은 고객마다 독립적으로 처리되므로, 각 고객의 첫 구매 월을 개별적으로 알 수 있습니다.
즉, FIXED [Customer Id]는 고객 A, B, C 각각에 대해 계산하고, 고객 A의 첫 구매 월, 고객 B의 첫 구매 월, 고객 C의 첫 구매 월을 각각 다르게 반환하는 방식입니다.
DATERUNC('month', [transaction date]): transaction date 월 단위로 나타내는것
예시: 2020년 5월 17일이 2020년 5월 1일로 변환
min:transaction중 가장 이른 날짜
고객 1명이 2020년 1월 3일, 2020년 2월 18일에 거래를 했다면 가장 이른 시기에 거래를 한게 채택됨, 이 경우 2020 1월 1일것이 채택
-도시별 재방문율
-재방문 많이 하는 시간
-총 방문한 고객 수
이번에도 중복 없이 셈
-재방문한 고객 수(자연수)
SUM(IF { FIXED [Customer Id]: COUNTD([Transaction Date]) > 1 } THEN 1 ELSE 0 END)
customerid를 기준으로 transaction date가 중복되는걸 빼고 몇개인지를 샌뒤 transaction date가 고유하게 2개 이상인 고객들의 수를 알려주는 코드
-방문 고객수 중 재방문한 고객수
-재방문한 사람들이 산 계절의 옷
-재방문항 사람들이 많이 산 target sex의 옷
-재방문한 고객들이 거래한 시간
대시보드
-재방문에 대한 대시보드
파이차트 경우 오른쪽에 보고 싶은 데이터 누르면 그것만 보기 가능
<이탈자들에 대한 대시보드>
-이탈자들 수(자연수)
-이탈한 사람들 비율
-이탈에 대한 코호트
재방문 한 사람들과 같은 코드를 썼다(색상에 대한 데이터만 이탈에 대한것)
코드
첫 구매달
{ FIXED [Customer Id] : MIN(DATETRUNC('month', [Transaction Date])) }
첫 구매 연도
{ FIXED [Customer Id] : MIN(DATETRUNC('year', [Transaction Date])) }
-이탈한 사람들의 비율
-이탈한 사람들의 수(자연수)
-이탈한 사람들이 산 계절의 옷
-이탈자들이 많이 구매한 시간
-이탈한 고객들이 산 target sex의 옷
-이탈에 대한 대시보드
