Telefonos ügyfélszolgálati értékesítési adatok elemzése

Ez a riport egy telefonos ügyfélszolgálat értékesítési adatait elemzi. A riport célja, hogy átláthatóan bemutassa az ügyintézők teljesítményét, a csoportok közötti különbségeket, valamint az értékesítési eredményeket időbeli és terméktípusok szerinti bontásban. A riport használatával a menedzsment gyorsan és hatékonyan tudja értékelni az értékesítési csapat munkáját, kiemelni az erősségeket és az esetleges fejlesztési területeket.

Adatbázis bemutatása

Az adatokat egy MS SQL Server adatbázisban tároltam, amelyet kifejezetten ehhez a riporthoz hoztam létre. Az adatbázis tartalmaz egy ténytáblát és több dimenziótáblát, melyek biztosítják a riport rugalmasságát és részletességét. Az adatbázis főbb táblái:

• FactSales (Ténytábla): Az értékesítési tranzakciókat tartalmazza, mint például az értékesített mennyiség (Quantity), a tranzakcióhoz kapcsolódó termék azonosítója (ProductID), az ügyintéző azonosítója (AgentID), és a tranzakció dátuma (DateKey).
• DimAgent (Dimenziótábla): Az ügyintézők adatait tartalmazza, például az ügyintéző nevét (AgentName) és a csoport azonosítóját (TeamID).
• DimTeam: Az ügyintézők csoportjainak adatai találhatók itt.
• DimProduct: A termékek adatait tartalmazza, beleértve a termék nevét (ProductName), kategóriáját (ProductCategory), és az egységárat (UnitPrice) valamint a pontszámot (ProductScore).
• DimDate: Egy teljes dátumtábla, amely biztosítja az időbeli elemzésekhez szükséges dimenziókat (hónap, hét, nap stb.).

Az adatok előkészítéséhez és feltöltéséhez Pythonban készítettem egy szkriptet, az AI segítségével amely véletlenszerű, de valósághű tranzakciós adatokat generált az adatbázisba.

Adattranszformációk

Az adatok Power BI-ba való betöltése után minimális adattranszformációra volt szükség. Az egyetlen átalakítás, amit elvégeztem, az adatok típusának egységesítése volt (Change Type), például számok és dátumok helyes formázása. Az adatok tiszták és előkészítettek voltak az elemzéshez, így további komoly transzformációkra nem volt szükség.

Adatmodell

Az adatmodell egy csillagséma szerint épült fel, ahol a FactSales tábla kapcsolódik a dimenziótáblákhoz a következő módon:

• FactSales[AgentID] ↔ DimAgent[AgentID]
• FactSales[ProductID] ↔ DimProduct[ProductID]
• FactSales[DateKey] ↔ DimDate[DateKey]
• DimAgent[TeamID] ↔ DimTeam[TeamID]

Ez az egyszerű, de jól strukturált modell biztosítja az adatkapcsolatok logikus felépítését, és lehetővé teszi a gyors és pontos adatelemzést.

Kalkulációk

A riport dinamikus elemzése érdekében több DAX kalkulációt készítettem, amelyek különböző üzleti mutatók számítását biztosítják:

1. TotalAmount (Összbevétel):
   TotalAmount = SUMX(FactSales, FactSales[Quantity] * RELATED(DimProduct[UnitPrice]))


   Ez a képlet kiszámítja az értékesítések összbevételét, az eladott mennyiség és az egységár szorzatából.

2. TotalQuantity (Összes eladott darabszám):
   TotalQuantity = SUM(FactSales[Quantity])


   Ez az ügyintézők által eladott termékek teljes darabszámát számolja.

3. TotalScore (Összpontszám):

   TotalScore = SUMX(FactSales, FactSales[Quantity] * RELATED(DimProduct[ProductScore]))


   Az értékesített termékek pontszámainak összegét adja meg.

4. Title (Oldal címe az ügyintéző neve alapján):

   Title = CALCULATE(SELECTEDVALUE(DimAgent[AgentName]), ALLSELECTED(DimAgent[AgentName]))


   Ez a measure dinamikusan beállítja az ügyintéző nevét az adott oldal címeként, amikor egy adott ügyintéző oldala van megnyitva.

Oldalak és vizualizációk

1. Főoldal:
   • Cél: A riport kiindulópontja, amely áttekintést nyújt a tartalomról és gyors navigációt biztosít.
   • Vizualizációk:
     • Három fő gomb: Összefoglaló, Részletes adatok, Csoportok elemzése.
     • Egy külön navigációs gomb az ügyintézők számára: minden ügyintéző neve gombként szerepel, amelyek az adott ügyintéző oldalára vezetnek.
2. Összefoglaló oldal:
   • Cél: A legfontosabb teljesítménymutatók bemutatása (pl. összbevétel, darabszám, pontszámok).
   • Vizualizációk:
     • KPI kártyák (főbb mutatók).
     • Oszlopdiagramok (pl. termékkategóriák szerinti megoszlás).
     • Trenddiagramok időbeli elemzéshez.
3. Részletes adatok oldal:
   • Cél: A tranzakciók teljes körű bemutatása.
   • Vizualizációk:
     • Táblázatok az eladott termékekről, ügyintézőkről és pontszámokról.
     • Szeletelők, amelyek segítségével gyorsan lehet szűrni az adatokat (pl. dátum, termék, ügyintéző szerint).
4. Csoportok elemzése:
   • Cél: A három csoport teljesítményének összehasonlítása.
   • Vizualizációk:
     • Halmozott oszlopdiagram (pl. termékkategóriák megoszlása csoportonként).
     • Oszlopdiagram az összbevételről csoportonként.
     • Időbeli trendek bemutatása.
5. Ügyintézők oldala:
   • Cél: Az egyes ügyintézők teljesítményének részletes elemzése.
   • Vizualizációk:
     • KPI kártyák (összbevétel, darabszám, pontszámok).
     • Halmozott oszlopdiagramok (termékkategóriák aránya).
     • Részletes tranzakciós táblázat.
6. Ügyintézők navigációja oldal:
   • Cél: Könnyű navigáció az ügyintézők oldala között.
   • Vizualizációk:
     • 15 gomb (minden ügyintéző nevével), amelyek az egyes ügyintézői oldalakra navigálnak.

Továbbfejlesztési ötletek

1. Dinamikus benchmarking:
   • Létrehozhatók még mutatók, amelyek az egyes ügyintézők teljesítményét az átlaghoz viszonyítják (pl. „Átlag felett/alatt” mérések).
2. Interaktív dashboardok:
   • Több szintű interaktivitás, például Drill-through funkciók a csoportok és ügyintézők között.
3. Prediktív elemzések:
   • Időbeli trendek alapján előrejelzések készítése (pl. várható bevétel vagy teljesítmény).
4. Gamifikációs elemek:
   • Ranglisták vagy teljesítményhez kapcsolódó „jelvények” bevezetése az ügyintézők ösztönzésére.
5. Bónusz kiszámítása
           A pontok alapján a jutalék kiszámítása és megjelenítése, hogy lássa az ügyintéző hogy áll, mennyit fog kapni a hónap végén.

 

A teljes riport – (Néhány másodperc míg a riport betöltődik)