Ανάλυση δεδομένων με το power BI

Ανάλυση δεδομένων με Power BI: περιγραφική, διαγνωστική, προβλεπτική και καθοδηγητική ανάλυση, επιλογή κατάλληλων visuals και πρακτικά παραδείγματα

Εκπαιδευτής Ενηλίκων Νικόλαος Μπαλατσούκας Τηλ. (+30) 6977676785

Το power BI είναι ένα από τα εργαλεία που χρησιμοποιούνται στην ανάλυση δεδομένων. Ειδικότερα στο business intelligence το power BI αποτελεί το πιο δημοφιλές εργαλείο. Ουσιαστικά πλέον το power BI αποτελεί το πρότυπο της αγοράς στο business intelligence.

Ανάλυση δεδομένων

Στην κάνουμε ανάλυση δεδομένων εξετάζουμε δεδομένα για να βγάλουμε συμπεράσματα και να λάβουμε καλύτερες και πιο τεκμηριωμένες αποφάσεις. Αναζητούμε χρήσιμες πληροφορίες, μοτίβα και συμπεράσματα που μπορούν να μας βοηθήσουν σε αυτή την κατεύθυνση. Η ανάλυση δεδομένων περιλαμβάνει μια σειρά από βήματα. Η διαδικασία ανάλυσης δεδομένων ξεκινά από τα πρωτογενή δεδομένα και ολοκληρώνεται με την παρουσίαση των αποτελεσμάτων που οδηγούν στη λήψη αποφάσεων. Το power BI μπορεί να χρησιμοποιηθεί σε όλα τα βήματα της ανάλυσης δεδομένων:

  1. Λήψη ακατέργαστων δεδομένων από τις πρωτογενείς πηγές.
  2. Καθαρισμός και διόρθωση των προβλημάτων που τυχόν υπάρχουν στα δεδομένα.
  3. Μοντελοποίηση των δεδομένων ώστε να τα φέρουμε σε κατάλληλη μορφή που .
  4. Ανάλυση των δεδομένων με χρήση στατιστικών μεθόδων και αλγορίθμων.
  5. Οπτικοποίηση και δημιουργία dashboards για την παρουσίαση των αποτελεσμάτων. Τα γραφήματα και οι πίνακες βοηθούν τη λήψη αποφάσεων και την εξαγωγή συμπερασμάτων.

Περιγραφική ανάλυση (Descriptive Analytics) και διαγνωστική ανάλυση (Diagnostic Analytics) με το power BI

Το power BI αποτελεί ιδανικό εργαλείο για την περιγραφική ανάλυση και τη διαγνωστική ανάλυση. Στην περιγραφική ανάλυση (Descriptive Analytics) εεξτάζουμε τι συνέβη ενώ στη διαγνωστική ανάλυση (Diagnostic Analytics) εξετάζουμε το γιατί συνέβη. Για αυτούς τους δυο τύπους ανάλυσης δεδομένων το power BI είναι ίσως το καλύτερο εργαλείο. Σε αυτούς τους δυο τύποι ανάλυσης στηρίζεται κατά κύριο λόγο η επιχειρηματική ευφυΐα (business intelligence). Το power BI μας επιτρέπει να κάνουμε ανάλυση δεδομένων και business intelligence με πολύ απλό τρόπο. Δηλαδή το power BI είναι μεν απλό αλλά και εξαιρετικά ισχυρό εργαλείο. Σε αυτό το συνδυασμό πιθανότατα οφείλεται η γρήγορη διείσδυση στην αγορά και η καθιέρωσή του ως πρότυπο εργαλείο business intelligence.

Προβλεπτική ανάλυση (Predictive Analytics) και καθοδηγητική ανάλυση (Prescriptive Analytics) με το power BI

Όσον αφορά την προβλεπτική ανάλυση και την καθοδηγητική ανάλυση το power BI δεν έχει τις δυνατότητες που έχουν άλλα εργαλεία. Στην προβλεπτική ανάλυση (Predictive Analytics) ασχολούμαστε με τι πιθανότατα θα συμβεί ενώ στην καθοδηγητική ανάλυση (Prescriptive Analytics) εξετάζουμε τις ενέργειες πρέπει να κάνουμε. Αν θέλουμε να εμβαθύνουμε στην προβλεπτική και την καθοδηγητική ανάλυση είναι καλύτερο να χρησιμοποιήσουμε άλλα εργαλεία όπως για παράδειγμα τις γλώσσες προγραμματισμού python και R. Το power BI έχει τη δυνατότητα να συνδεθεί με προγράμματα που έχουμε δημιουργήσει σε γλώσσες R και python. Όμως εννοείται ότι σε αυτή την περίπτωση απαιτούνται γνώσεις προγραμματισμού.

Γιατί είναι σημαντική η ανάλυση δεδομένων για τις επιχειρήσεις;

Οι επιχειρήσεις χρησιμοποιούν την ανάλυση δεδομένων για να λαμβάνουν αποφάσεις βασισμένες σε δεδομένα και όχι σε εμπειρία η σε διαίσθηση. Η ανάλυση δεδομένων μπορεί να δείξει ποια προϊόντα έχουν μεγαλύτερη ζήτηση ανά περιοχή ή ανά χρονική περίοδο ώστε να προσαρμόσει κατάλληλα τις προμήθειες και τα αποθέματα. Η χρήση δεδομένων για επιχειρηματικές αποφάσεις ονομάζεται Business Intelligence (επιχειρηματική ευφυΐα). Τα ιστορικά δεδομένα μπορούν να οδηγήσουν σε καλύτερη εκτίμηση της μελλοντικής ζήτησης ώστε να γίνει καλύτερος προγραμματισμός. Η διαχείριση δαπανών με βάση τα ιστορικά δεδομένα και τα συμπεράσματα της ανάλυσης δεδομένων βοηθά ώστε να περιορίσουμε μη αποτελεσματικές διαδικασίες και να μειώσουμε περιττές δαπάνες. Τα δεδομένα μας δείχνουν ποια προϊόντα, υπηρεσίες ή διαφημιστικές καμπάνιες αποδίδουν καλύτερα ώστε να πετύχουμε αύξηση πωλήσεων. Επίσης η σωστή ανάγνωση των δεδομένων μπορεί να βοηθήσει την επιχείρηση να αναγνωρίσει τις ανάγκες, τις προτιμήσεις και την αγοραστική συμπεριφορά ώστε να προχωρήσει σε έγκαιρο εντοπισμό προβλημάτων και να αποφασίσει τις κατάλληλες διορθωτικές κινήσεις.

Παραδείγματα ανάλυσης δεδομένων σε επιχειρήσεις

Ακολουθούν παραδείγματα που δείχνουν τη χρήση ανάλυσης δεδομένων για την εξαγωγή επιχειρηματικών συμπερασμάτων. Τα παραδείγματα είναι πολύ μικρά αλλά βοηθούν να γίνει κατανοητό πόσο σημαντική η ανάλυση δεδομένων για τις επιχειρήσεις και τι είναι η επιχειρηματική ευφυΐα (Business Intelligence). Εννοείται βεβαίως ότι χρειάζεται προσοχή: τα δεδομένα δείχνουν μια τάση, αλλά δεν αρκούν από μόνα τους για ακριβή πρόβλεψη και ασφαλή επιχειρηματικά συμπεράσματα.

1. Καλύτερες αποφάσεις μέσω ανάλυσης δεδομένων: Σε ποιο προϊόν να επενδύσουμε;
Παρατηρώντας τον πίνακα διαπιστώνουμε ότι το Προϊόν Β δημιουργεί το μεγαλύτερο συνολικό κέρδος. Αυτό το συμπέρασμα οδηγεί στην επιχειρηματική απόφαση ότι η επιχείρηση καλό θα είναι να επενδύσει περισσότερο σε αυτό το προϊόν.

Καλύτερες αποφάσεις μέσω ανάλυσης δεδομένων

2. Η ανάλυση δεδομένων βοηθά στην κατανόηση των πελατών
Τα δεδομένα δείχνουν ότι οι πελάτες 18–30 έχουν ξεκάθαρη προτίμηση στις online αγορές. Επίσης τα δεδομένα δείχνουν ότι οι πελάτες 51+ προτιμούν το φυσικό κατάστημα. Προκύπτει το συμπέρασμα ότι επιχείρηση ενδείκνυται να εφαρμόσει διαφορετικό τρόπο προσέγγισης και διαφορετική διαφημιστική καμπάνια για κάθε ηλικιακή ομάδα.

ανάλυση δεδομένων βοηθά στην κατανόηση των πελατών

3. Αύξηση πωλήσεων: Ποια διαφήμιση αποδίδει καλύτερα;
Ο πίνακας δείχνει ότι με το ίδιο διαφημιστικό κόστος το Instagram φέρνει περισσότερες πωλήσεις. Αυτό το συμπέρασμα οδηγεί στην επιχειρηματική απόφαση ότι η επιχείρηση καλό θα είναι να αυξήσει το budget στο Instagram.

Αύξηση πωλήσεων: Ποια διαφήμιση αποδίδει καλύτερα

4. Η ανάλυση δεδομένων βοηθά στη μείωση κόστους: Πού ξοδεύουμε περισσότερα;
Εξετάζοντας τον πίνακα παρατηρούμε ότι το κόστος των μεταφορών είχε μια δυσανάλογη αύξηση σε σχέση με τις άλλες δυο κατηγορίες. Αυτό είναι το πρώτο σημείο που αξίζει να διερευνήσει η επιχείρηση.

ανάλυση δεδομένων βοηθά στη μείωση κόστους

5. Πρόβλεψη τάσεων με ανάλυση δεδομένων: Πόσο απόθεμα θα χρειαστούμε;
Τα δεδομένα δείχνουν ότι υπάρχει σαφής ανοδική τάση στις πωλήσεις παγωτών καθώς πλησιάζει το καλοκαίρι. Προκύπτει το συμπέρασμα ότι περιμένουμε ακόμα μεγαλύτερη αύξηση τον Ιούλιο. Συνεπώς καλό θα είναι η επιχείρηση να αυξήσει το απόθεμά της ώστε να ικανοποιήσει την αυξημένη ζήτηση.

Πρόβλεψη τάσεων με ανάλυση δεδομένων

6. Εντοπισμός προβλημάτων με ανάλυση δεδομένων: Κάτι άλλαξε στις πωλήσεις;
Ο πίνακας δείχνει ότι υπάρχει απότομη πτώση την 4η εβδομάδα. Οι παραγγελίες πέφτουν από 500 σε 280. Αυτή η παρατήρηση δείχνει ότι υπάρχει μια ανωμαλία που πρέπει να διερευνηθεί. Για παράδειγμα ίσως υπάρχει έλλειψη προϊόντων, δυσκολία πρόσβασης στο φυσικό κατάστημα, διακοπή κάποιας διαφημιστικής καμπάνιας ή τεχνικό πρόβλημα στο e-shop.

Εντοπισμός προβλημάτων με ανάλυση δεδομένων

Τέλος να σημειώσουμε ότι είναι σημαντικό να κάνουμε το διαχωρισμό ανάμεσα το «τι δείχνουν τα δεδομένα» και στο «τι αποφασίζει να κάνει η επιχείρηση». Για παράδειγμα, τα δεδομένα δείχνουν ότι το Instagram απέδωσε καλύτερα. Όμως η απόφαση για την αύξηση του budget είναι επιχειρηματική απόφαση. Η απόφαση στηρίζεται σε αυτό το συμπέρασμα αλλά ενδέχεται α λαμβάνει υπόψη και άλλα συμπεράσματα καθώς και άλλες παραμέτρους.

Πώς γίνεται η ανάλυση δεδομένων με το Power BI;

Το power BI αποτελεί ένα πανίσχυρο εργαλείο ανάλυσης δεδομένων. Υποστηρίζει ολόκληρη τη διαδικασία: από τη λήψη ακατέργαστων δεδομένων, τον καθαρισμό και διόρθωση τυχόν προβλημάτων που μπορεί να υπάρχουν στα δεδομένα, την οργάνωση και μοντελοποίηση των δεδομένων και τέλος τη δημιουργία dashboards και οπτικοποίηση των αποτελεσμάτων. Το ίδιο το power BI είναι πολύ απλό στη χρήση. Επιτρέπει να κάνουμε ανάλυση δεδομένων εύκολα, γρήγορα και εντυπωσιακά. Επιπλέον όμως έχει πολλές δυνατότητες συνεργασίας με εργαλεία που διευκολύνουν επιμέρους διαδικασίες. Συνεργάζεται με το Power Query για τον καθαρισμό και το μετασχηματισμό των δεδομένων. Μέσω του power query είναι διαθέσιμη η γλώσσα M για την εκτέλεση πιο σύνθετων μετασχηματισμών που δεν γίνονται εύκολα από το γραφικό περιβάλλον.

Το power BI έχει έτοιμα εργαλεία για τη συνεργασία με τις γλώσσες προγραμματισμού python και R που επιτρέπουν την εκτέλεση περίπλοκων αλγορίθμων. Συνεργάζεται με τα άλλα εργαλεία της Microsoft όπως για παράδειγμα power apps και power automate με σκοπό τη δημιουργία προγραμμάτων χωρίς γνώσεις προγραμματισμού. Επίσης στο power BI είναι διαθέσιμη η DAX (Data Analysis Expressions) που χρησιμοποιείται για ανάλυση και υπολογισμούς πάνω στα δεδομένα του μοντέλου. Με απλά λόγια, κάθε διαδικασία στην ανάλυση δεδομένων μπορεί να υλοποιηθεί εύκολα και γρήγορα είτε με το ίδιο το power BI είτε με τα συνεργαζόμενα εργαλεία.

Επίσης είναι διαθέσιμο το power BI service με το οποίο μπορούμε να δημοσιεύσουμε ολόκληρο το dashboard στο διαδίκτυο. Το power BI service επιτρέπει τη χρήση ρόλων ώστε κάθε συνεργάτης να βλέπει μόνο τα δεδομένα που του έχουμε επιτρέψει να βλέπει. Εδώ πρέπει να σημειώσουμε οτι το power BI service δεν είναι free.

Εφαρμογές Power BI

Το σύνολο των παραπάνω εργαλείων χρησιμοποιούνται σε μία εφαρμογή power bi. Το πρώτο βήμα που γεννά την ανάγκη δημιουργίας εφαρμογής power bi είναι ο επιχειρηματικός στόχος. Μία επιχείρηση που θέλει να αξιοποιήσει τα οφέλη της ανάλυσης δεδομένων συνήθως επιλέγει το power bi διότι αποτελεί το πρότυπο της αγοράς στο business intelligence. Σε αυτή τη περίπτωση αναλαμβάνουμε να φτιάξουμε μία ολοκληρωμένη εφαρμογή power bi για την επιχείρηση. Δημιουργούμε αυτοματισμούς για τη λήψη των δεδομένων από τις πρωτογενείς πηγές. Κάνουμε την οργάνωση και τη μοντελοποίηση των δεδομένων και προχωράμε στη δημιουργία των dashboard τα οποία απαντούν στα επιχειρηματικά ερωτήματα που τέθηκαν. Στο άρθρο μας μπορείτε να μάθετε περισσότερα για τις εφαρμογές power bi για επιχειρήσεις. Μια πετυχημένη εφαρμογή power bi πρέπει να έχει τα κατάλληλα dashboard ώστε να υποστηρίζει τεκμηριωμένες επιχειρηματικές αποφάσεις.

1. Σύνδεση και εισαγωγή δεδομένων

Το power BI δίνει δυνατότητα λήψης δεδομένων από ποικιλία πηγών. Επιτρέπει σύνδεση με σχεδόν κάθε είδους πηγή δεδομένων όπως:

2. Καθαρισμός και μετασχηματισμός με το Power Query

Αφού λάβουμε τα δεδομένα υπάρχει περίπτωση να χρειαστεί να κάνουμε διορθώσεις. Ενδέχεται να υπάρχουν προβλήματα ποιότητας δεδομένων όπως διπλοεγγραφές, λανθασμένος τύπος δεδομένων, κενές ή ελλιπείς τιμές, ασυνεπής μορφοποίηση, περιττά κενά και άλλα προβλήματα. Το power BI συνδέεται με το Power Query για τον καθαρισμό και μετασχηματισμό των δεδομένων. Συγκεκριμένα με το power query μπορούμε εύκολα και γρήγορα να εκτελέσουμε τις ακόλουθες ενέργειες:

3. Δημιουργία μοντέλου δεδομένων

Η δημιουργία μοντέλου δεδομένων (Data Modeling) στο Power BI περιλαμβάνει την οργάνωση των δεδομένων σε πίνακες και τη συσχέτιση μεταξύ των πινάκων. Κάθε πίνακας πρέπει να έχει το σωστό τύπο δεδομένων σε κάθε πεδίο. Επίσης ένας πίνακας ενδέχεται να συνδέεται με άλλο πίνακα, δηλαδή το πεδίο ενός πίνακα να παίρνει τιμές από πεδίο άλλου πίνακα. Κατά το Data Modeling στο Power BI οργανώνουμε fact και dimension tables, δημιουργούμε date tables και φτιάχνουμε DAX measures. Ο Fact Table είναι ο κεντρικός πίνακας που καταγράφει γεγονότα ή τις συναλλαγές που συνέβησαν. με απλά λόγια ο Fact Table συνήθως περιέχει τα δεδομένα από τα οποία υπολογίζονται τα KPIs. Ο Dimension Table περιέχει τις περιγραφικές πληροφορίες που μας επιτρέπουν να αναλύσουμε τα facts. Ο Fact Sales βρίσκεται στο κέντρο και τα dimensions γύρω του. Αυτό είναι το Star Schema. Στόχος της δημιουργίας μοντέλου δεδομένων στο Power BI είναι να φέρουμε τα δεδομένα σε σημείο που μας επιτρέπει να κάνουμε σωστούς υπολογισμούς και αναλύσεις.

4. Υπολογισμοί και ανάλυση με DAX

Αφού φορτώσουμε τα δεδομένα και δημιουργήσουμε το μοντέλο δεδομένων στη συνέχεια μπορούμε να χρησιμοποιούμε το Power BI για να δημιουργήσουμε νέες μετρήσεις, επιχειρηματικούς δείκτες και KPIs. Το DAX (Data Analysis Expressions) είναι η γλώσσα τύπων του Power BI. Χρησιμοποιούμε DAX με σκοπό να δημιουργήσουμε μετρήσεις που έχουν επιχειρηματική σημασία. Ξεκινάμε από τα αρχικά δεδομένα του μοντέλου δεδομένων και με τη χρήση DAX δημιουργούμε τα KPI που θα μας οδηγήσουν στις επιχειρηματικές αποφάσεις. Τα Dimensions φιλτράρουν τον Fact Table και το DAX υπολογίζει τα Measures πάνω στα δεδομένα που απομένουν.

Το DAX του Power BI μοιάζει αρκετά με τους τύπους του Excel. Όμως το DAX του Power BI είναι σχεδιασμένο κυρίως για ανάλυση δεδομένων σε ολόκληρους πίνακες και σχέσεις μεταξύ πινάκων. Ενώ οι τύποι του excel χρησιμοποιούνται σε υπολογισμούς κελί προς κελί. Αυτό είναι κάτι που μπερδεύει όσους γνωρίζουν πως να κάνουν ανάλυση δεδομένων με το excel και θέλουν να κάνουν τη μετάβαση σε ανάλυση δεδομένων με Power BI. Οι συναρτήσεις και η σύνταξη είναι παρόμοιες. Όμως η βασική διαφορά ανάμεσα στους τύπους του Excel και το DAX του Power BI αφορά κυρίως το επίπεδο εφαρμογής του υπολογισμού. Στο Excel σκεφτόμαστε κυρίως σε κελιά και περιοχές κελιών. Ενώ στο DAX σκεφτόμαστε κυρίως σε στήλες, πίνακες και σύνολα δεδομένων που φιλτράρονται δυναμικά. Επειδή υπάρχει μεγάλο πλήθος χρηστών που γνωρίζουν το excel και προσπαθούν να μάθουν το power BI έχουμε δημιουργήσει οδηγό μετάβασης από το excel στο power BI.

5. Οπτικοποίηση των αποτελεσμάτων

Αφού ολοκληρώσουμε τη μοντελοποίηση, τη δημιουργία measures και την επιλογή των KPI πλέον μπορούμε να προχωρήσουμε στην οπτικοποίηση των αποτελεσμάτων. Το δυνατό σημείο του power BI είναι η διαδραστικότητα. Όλα τα power BI visuals έχουν δυνατότητα διαδραστικότητας μέσα στο dashboard. To power BI διαθέτει πάνω από 30 βασικά visuals. Ανάλογα με τις απαιτήσεις μπορούμε να επιλέξουμε το καταλληλότερο για την κάθε περίπτωση.

Πως επιλέγουμε το κατάλληλο visual στο power BI

Αν θέλουμε να κάνουμε σύγκριση τότε κατάλληλα visuals είναι τα Bar και Column.
Για παράδειγμα: Ποιος είναι μεγαλύτερος; Ποιος είναι πρώτος;

Αν θέλουμε να παρουσιάσουμε τάσεις ή αποτελέσματα σε συνάρτηση με το χρόνο τότε κατάλληλα visuals είναι τα Line και Area.
Για παράδειγμα: Πώς μεταβάλλεται κάτι; Αυξάνεται ή μειώνεται;

Αν θέλουμε να παρουσιάσουμε σύνθεση ή αναλογία τότε κατάλληλα visuals είναι τα Pie, Donut, Treemap, Stacked charts.
Για παράδειγμα: Από τι αποτελείται το σύνολο;

Αν θέλουμε να παρουσιάσουμε σχέση ή κατανομή τότε κατάλληλο visual είναι το Scatter.
Για παράδειγμα: Σχετίζεται το Χ με το Υ; Υπάρχουν outliers;

Αν θέλουμε να παρουσιάσουμε επίδοση ή στόχο τότε κατάλληλα visuals είναι τα Card, KPI, Gauge.
Για παράδειγμα: Πού βρισκόμαστε; Πετύχαμε τον στόχο;

Αν θέλουμε να παρουσιάσουμε ανάλυση, λεπτομέρεια ή ειδικό σκοπό τότε κατάλληλα visuals είναι τα Table, Matrix, Waterfall, Funnel, Map.
Για παράδειγμα: Θέλω λεπτομέρεια, γεωγραφία, στάδια διαδικασίας ή να εξηγήσω μια μεταβολή.

Παραδείγματα επιλογής visual στο power BI

Ο καλύτερος τρόπος για να δούμε τη λογική της επιλογής visual είναι να χρησιμοποιήσουμε ένα παράδειγμα.
Θα χρησιμοποιήσουμε τον πίνακα "Πωλήσεις" ο οποίος έχει τα ακόλουθα πεδία:

>Παραδείγματα επιλογής visual στο power B

Στη συνέχεια παρουσιάζουμε πολλά ερωτήματα τα οποία χρησιμοποιούμε ως παραδείγματα για να δείξουμε ποιο είναι το κατάλληλο visual σε κάθε περίπτωση:

Ερώτημα: Ποια κατηγορία έχει τις περισσότερες συνολικές πωλήσεις;
Κατάλληλο visual: Γράφημα ομαδοποιημένων ράβδων (Clustered Bar Chart)
Γιατί: Άμεση σύγκριση κατηγοριών με ευανάγνωστα μήκη ράβδων.
Παράδειγμα: Κατηγορία, Πωλήσεις

Ερώτημα: Ποιο προϊόν έχει τις περισσότερες συνολικές πωλήσεις;
Κατάλληλο visual: Γράφημα ομαδοποιημένων ράβδων (Clustered Bar Chart)
Γιατί: Κατάλληλο για ranking πολλών ονομαστικών κατηγοριών.
Παράδειγμα: Προϊόν, Πωλήσεις

Ερώτημα: Ποιος πωλητής έχει το μεγαλύτερο συνολικό κέρδος;
Κατάλληλο visual: Γράφημα ομαδοποιημένων ράβδων (Clustered Bar Chart)
Γιατί: Επιτρέπει γρήγορη σύγκριση και ταξινόμηση πωλητών.
Παράδειγμα: Πωλητής, Κέρδος

Ερώτημα: Ποια περιοχή έχει τη μεγαλύτερη ποσότητα πωλήσεων;
Κατάλληλο visual: Γράφημα ομαδοποιημένων στηλών (Clustered Column Chart)
Γιατί: Καλή σύγκριση λίγων κατηγοριών σε κατακόρυφες στήλες.
Παράδειγμα: Περιοχή, Ποσότητα

Ερώτημα: Πώς συγκρίνονται οι πωλήσεις των κατηγοριών ανά περιοχή;
Κατάλληλο visual: Γράφημα ομαδοποιημένων στηλών (Clustered Column Chart)
Γιατί: Δείχνει δίπλα-δίπλα τις κατηγορίες μέσα σε κάθε περιοχή.
Παράδειγμα: Περιοχή, Κατηγορία, Πωλήσεις

Ερώτημα: Πώς κατανέμονται οι πωλήσεις κάθε περιοχής στις διαφορετικές κατηγορίες;
Κατάλληλο visual: Σωρευτικό γράφημα στηλών (Stacked column chart)
Γιατί: Δείχνει μαζί το συνολικό ύψος και τη σύνθεση κάθε περιοχής.
Παράδειγμα: Περιοχή, Κατηγορία, Πωλήσεις

Ερώτημα: Πώς συντίθενται οι συνολικές πωλήσεις κάθε πωλητή ανά κατηγορία;
Κατάλληλο visual: Γράφημα σωρευμένων ράβδων (Stacked Bar Chart)
Γιατί: Συνδυάζει σύγκριση συνολικού μεγέθους και σύνθεσης.
Παράδειγμα: Πωλητής, Κατηγορία, Πωλήσεις

Ερώτημα: Τι ποσοστό των πωλήσεων κάθε περιοχής προέρχεται από κάθε κατηγορία;
Κατάλληλο visual: Γράφημα 100% σωρευμένων στηλών (100% Stacked Column Chart)
Γιατί: Συγκρίνει ποσοστιαία σύνθεση ανεξάρτητα από το συνολικό μέγεθος.
Παράδειγμα: Περιοχή, Κατηγορία, Πωλήσεις

Ερώτημα: Τι ποσοστό του κέρδους κάθε πωλητή προέρχεται από κάθε κατηγορία;
Κατάλληλο visual: Γράφημα 100% σωρευμένων ράβδων (100% Stacked Bar Chart)
Γιατί: Εστιάζει στη σχετική σύνθεση και όχι στα απόλυτα ποσά.
Παράδειγμα: Πωλητής, Κατηγορία, Κέρδος

Ερώτημα: Πώς εξελίσσονται οι συνολικές πωλήσεις ανά μήνα;
Κατάλληλο visual: Γράφημα γραμμών (Line chart)
Γιατί: Η γραμμή αναδεικνύει τάση, κορυφώσεις και πτώσεις στον χρόνο.
Παράδειγμα: Ημερομηνία, Πωλήσεις

Ερώτημα: Πώς εξελίσσεται το κέρδος ανά μήνα;
Κατάλληλο visual: Γράφημα γραμμών (Line chart)
Γιατί: Ιδανικό για συνεχή χρονική μεταβολή.
Παράδειγμα: Ημερομηνία, Κέρδος

Ερώτημα: Πώς εξελίσσονται παράλληλα οι πωλήσεις των κατηγοριών μέσα στον χρόνο;
Κατάλληλο visual: Γράφημα γραμμών (Line chart)
Γιατί: Πολλαπλές γραμμές διευκολύνουν τη σύγκριση τάσεων.
Παράδειγμα: Ημερομηνία, Κατηγορία, Πωλήσεις

Ερώτημα: Πώς μεταβάλλεται ο συνολικός όγκος πωλήσεων μέσα στον χρόνο;
Κατάλληλο visual: Γράφημα περιοχής (Area chart)
Γιατί: Τονίζει τόσο την τάση όσο και το μέγεθος της μεταβολής.
Παράδειγμα: Ημερομηνία, Πωλήσεις

Ερώτημα: Πώς συνεισφέρει κάθε κατηγορία στις πωλήσεις μέσα στον χρόνο;
Κατάλληλο visual: Σωρευτικό γράφημα περιοχής (Stacked area chart)
Γιατί: Δείχνει ταυτόχρονα εξέλιξη συνολικού μεγέθους και σύνθεση.
Παράδειγμα: Ημερομηνία, Κατηγορία, Πωλήσεις

Ερώτημα: Ποιες είναι οι μηνιαίες πωλήσεις και πώς κινείται ταυτόχρονα το κέρδος;
Κατάλληλο visual: Γράφημα γραμμών και ομαδοποιημένων στηλών (Line and clustered column chart)
Γιατί: Οι στήλες δείχνουν όγκο και η γραμμή δεύτερο μέτρο/τάση.
Παράδειγμα: Ημερομηνία, Πωλήσεις, Κέρδος

Ερώτημα: Πώς εξελίσσονται οι πωλήσεις ανά κατηγορία και ποιο είναι το συνολικό κέρδος ανά μήνα;
Κατάλληλο visual: Γράφημα γραμμών και σωρευτικών στηλών (Line and stacked column chart)
Γιατί: Συνδυάζει σύνθεση πωλήσεων με ξεχωριστή γραμμή κέρδους.
Παράδειγμα: Ημερομηνία, Κατηγορία, Πωλήσεις, Κέρδος

Ερώτημα: Ποια κατηγορία αλλάζει θέση στην κατάταξη πωλήσεων από μήνα σε μήνα;
Κατάλληλο visual: Γράφημα κορδέλας (Ribbon chart)
Γιατί: Αναδεικνύει μεταβολές στην κατάταξη κατηγοριών στον χρόνο.
Παράδειγμα: Ημερομηνία, Κατηγορία, Πωλήσεις

Ερώτημα: Τι ποσοστό των συνολικών πωλήσεων έχει κάθε κατηγορία;
Κατάλληλο visual: Γράφημα πίτας (Pie chart)
Γιατί: Κατάλληλο για part-to-whole όταν οι κατηγορίες είναι λίγες.
Παράδειγμα: Κατηγορία, Πωλήσεις

Ερώτημα: Τι ποσοστό του συνολικού κέρδους έχει κάθε κατηγορία;
Κατάλληλο visual: Γράφημα δακτυλίου (Donut chart)
Γιατί: Δείχνει τη συμμετοχή λίγων κατηγοριών στο σύνολο.
Παράδειγμα: Κατηγορία, Κέρδος

Ερώτημα: Ποια προϊόντα συνεισφέρουν περισσότερο στις συνολικές πωλήσεις;
Κατάλληλο visual: Treemap
Γιατί: Το εμβαδό κάθε ορθογωνίου δείχνει γρήγορα τη σχετική συνεισφορά.
Παράδειγμα: Προϊόν, Κατηγορία, Πωλήσεις

Ερώτημα: Πώς κατανέμεται το συνολικό κέρδος μεταξύ προϊόντων και κατηγοριών;
Κατάλληλο visual: Treemap
Γιατί: Δείχνει ιεραρχική σύνθεση και σχετικό μέγεθος ταυτόχρονα.
Παράδειγμα: Κατηγορία, Προϊόν, Κέρδος

Ερώτημα: Σε ποιες περιοχές πραγματοποιούνται οι περισσότερες πωλήσεις;
Κατάλληλο visual: Χάρτης (Map)
Γιατί: Η γεωγραφική θέση είναι βασικό μέρος της ερώτησης.
Παράδειγμα: Περιοχή, Πωλήσεις

Ερώτημα: Σε ποιες περιοχές είναι μεγαλύτερο το συνολικό κέρδος;
Κατάλληλο visual: Χάρτης (Map)
Γιατί: Διευκολύνει τον εντοπισμό γεωγραφικών διαφορών.
Παράδειγμα: Περιοχή, Κέρδος

Ερώτημα: Υπάρχει σχέση μεταξύ πωλήσεων και κέρδους ανά προϊόν;
Κατάλληλο visual: Γράφημα διασποράς (Scatter chart)
Γιατί: Εξετάζει τη σχέση δύο αριθμητικών μεταβλητών και εντοπίζει outliers.
Παράδειγμα: Προϊόν, Πωλήσεις, Κέρδος

Ερώτημα: Οι μεγαλύτερες ποσότητες συνδέονται με μεγαλύτερο κέρδος;
Κατάλληλο visual: Γράφημα διασποράς (Scatter chart)
Γιατί: Αποκαλύπτει συσχέτιση μεταξύ δύο μεγεθών.
Παράδειγμα: Ποσότητα, Κέρδος, Προϊόν

Ερώτημα: Ποια προϊόντα έχουν υψηλές πωλήσεις αλλά σχετικά χαμηλό κέρδος;
Κατάλληλο visual: Γράφημα διασποράς (Scatter chart)
Γιατί: Οι θέσεις των σημείων αποκαλύπτουν ασυνήθιστους συνδυασμούς.
Παράδειγμα: Προϊόν, Πωλήσεις, Κέρδος, Ποσότητα

Ερώτημα: Πέτυχαν οι συνολικές πωλήσεις τον στόχο των 2.500.000 €;
Κατάλληλο visual: Μετρητής (Gauge)
Γιατί: Δείχνει άμεσα Actual έναντι συγκεκριμένου Target.
Παράδειγμα: Πωλήσεις, Στόχος Πωλήσεων

Ερώτημα: Πέτυχε το συνολικό κέρδος τον στόχο των 750.000 €;
Κατάλληλο visual: Μετρητής (Gauge)
Γιατί: Κατάλληλο όταν θέλουμε μία τιμή σε σχέση με όριο/στόχο.
Παράδειγμα: Κέρδος, Στόχος Κέρδους

Ερώτημα: Ποιο είναι το συνολικό ποσό πωλήσεων;
Κατάλληλο visual: Κάρτα (Card)
Γιατί: Προβάλλει ένα βασικό KPI ως μία μεγάλη, καθαρή τιμή.
Παράδειγμα: Πωλήσεις

Ερώτημα: Ποιο είναι το συνολικό κέρδος;
Κατάλληλο visual: Κάρτα (Card)
Γιατί: Ιδανικό όταν το ζητούμενο είναι μία μόνο συνοπτική τιμή.
Παράδειγμα: Κέρδος

Ερώτημα: Ποια είναι η συνολική ποσότητα τεμαχίων που πουλήθηκαν;
Κατάλληλο visual: Κάρτα (Card)
Γιατί: Εστιάζει σε ένα μοναδικό συνολικό μέγεθος.
Παράδειγμα: Ποσότητα

Ερώτημα: Πώς εξελίσσεται η επίδοση πωλήσεων σε σχέση με τον στόχο;
Κατάλληλο visual: Βασικός δείκτης απόδοσης (KPI)
Γιατί: Συνδυάζει τρέχουσα τιμή, στόχο και χρονική τάση.
Παράδειγμα: Ημερομηνία, Πωλήσεις, Στόχος Πωλήσεων

Ερώτημα: Πώς εξελίσσεται η επίδοση κέρδους σε σχέση με τον στόχο;
Κατάλληλο visual: Βασικός δείκτης απόδοσης (KPI)
Γιατί: Δείχνει αν η επίδοση βελτιώνεται ή υπολείπεται του στόχου.
Παράδειγμα: Ημερομηνία, Κέρδος, Στόχος Κέρδους

Ερώτημα: Πώς οι πωλήσεις και το κόστος διαμορφώνουν το τελικό κέρδος;
Κατάλληλο visual: Γράφημα καταρράκτη (Waterfall)
Γιατί: Αναδεικνύει θετικές και αρνητικές συνεισφορές από αρχική σε τελική τιμή.
Παράδειγμα: Πωλήσεις, Κόστος, Κέρδος

Ερώτημα: Πώς συμβάλλει κάθε κατηγορία στη μεταβολή του συνολικού κέρδους;
Κατάλληλο visual: Γράφημα καταρράκτη (Waterfall)
Γιατί: Δείχνει ποιοι παράγοντες αυξάνουν ή μειώνουν το τελικό αποτέλεσμα.
Παράδειγμα: Κατηγορία, Κέρδος

Ερώτημα: Ποιες είναι οι ακριβείς πωλήσεις και τα κέρδη ανά προϊόν;
Κατάλληλο visual: Πίνακας (Table)
Γιατί: Κατάλληλο όταν προέχει η ανάγνωση ακριβών τιμών και όχι το μοτίβο.
Παράδειγμα: Προϊόν, Πωλήσεις, Κόστος, Κέρδος, Ποσότητα

Ερώτημα: Ποιες είναι οι πωλήσεις και τα κέρδη κάθε προϊόντος ανά περιοχή;
Κατάλληλο visual: Μήτρα (Matrix)
Γιατί: Υποστηρίζει διασταύρωση γραμμών και στηλών με υποσύνολα.
Παράδειγμα: Προϊόν, Περιοχή, Πωλήσεις, Κέρδος

Ερώτημα: Πώς αναλύονται οι πωλήσεις από κατηγορία σε προϊόν και από περιοχή σε πωλητή;
Κατάλληλο visual: Μήτρα (Matrix)
Γιατί: Επιτρέπει ιεραρχίες, drill-down και πολυδιάστατη ανάλυση.
Παράδειγμα: Κατηγορία, Προϊόν, Περιοχή, Πωλητής, Πωλήσεις

Ερώτημα: Ποια κατηγορία έχει τις περισσότερες πωλήσεις όταν θέλω ακριβή κατάταξη;
Κατάλληλο visual: Γράφημα ομαδοποιημένων ράβδων (Clustered Bar Chart)
Γιατί: Οι ράβδοι συγκρίνονται ακριβέστερα από γωνίες ή εμβαδά.
Παράδειγμα: Κατηγορία, Πωλήσεις

Ερώτημα: Τι ποσοστό του συνόλου έχει κάθε κατηγορία όταν με ενδιαφέρει η σύνθεση και όχι η ακριβής διαφορά;
Κατάλληλο visual: Γράφημα δακτυλίου (Donut chart)
Γιατί: Η έμφαση είναι στη συμμετοχή στο σύνολο και όχι στο ranking.
Παράδειγμα: Κατηγορία, Πωλήσεις

Ερώτημα: Πώς αλλάζουν οι πωλήσεις μήνα με μήνα όταν με ενδιαφέρει η τάση και όχι η σύγκριση ανεξάρτητων κατηγοριών;
Κατάλληλο visual: Γράφημα γραμμών (Line chart)
Γιατί: Η συνεχής γραμμή δηλώνει φυσικά τη χρονική συνέχεια.
Παράδειγμα: Ημερομηνία, Πωλήσεις

Ερώτημα: Ποιες περιοχές υπερέχουν σε πωλήσεις όταν η γεωγραφική θέση δεν έχει σημασία;
Κατάλληλο visual: Γράφημα ομαδοποιημένων ράβδων (Clustered Bar Chart)
Γιατί: Η σύγκριση τιμών είναι ακριβέστερη από έναν χάρτη.
Παράδειγμα: Περιοχή, Πωλήσεις

Ερώτημα: Πού γεωγραφικά συγκεντρώνονται οι πωλήσεις όταν η θέση έχει σημασία;
Κατάλληλο visual: Χάρτης (Map)
Γιατί: Ο χάρτης αποκαλύπτει χωρικά μοτίβα που το bar chart δεν δείχνει.
Παράδειγμα: Περιοχή, Πωλήσεις

Ερώτημα: Ποια προϊόντα έχουν μεγαλύτερη συνεισφορά στο σύνολο όταν υπάρχουν πολλές υποκατηγορίες;
Κατάλληλο visual: Treemap
Γιατί: Χωρά πολλές κατηγορίες και υποκατηγορίες καλύτερα από pie/donut.
Παράδειγμα: Κατηγορία, Προϊόν, Πωλήσεις

Ερώτημα: Πώς συγκρίνονται ακριβώς οι πωλήσεις πολλών προϊόντων;
Κατάλληλο visual: Γράφημα ομαδοποιημένων ράβδων (Clustered Bar Chart)
Γιατί: Για πολλές κατηγορίες η σύγκριση μήκους είναι σαφέστερη από treemap.
Παράδειγμα: Προϊόν, Πωλήσεις

Ερώτημα: Πώς συγκρίνεται η σύνθεση κατηγοριών μεταξύ περιοχών όταν τα σύνολα διαφέρουν πολύ;
Κατάλληλο visual: Γράφημα 100% σωρευμένων στηλών (100% Stacked Column Chart)
Γιατί: Κανονικοποιεί κάθε περιοχή στο 100% ώστε να συγκρίνεται η αναλογία.
Παράδειγμα: Περιοχή, Κατηγορία, Πωλήσεις

Ερώτημα: Πώς συγκρίνονται και τα συνολικά ποσά και η σύνθεση κατηγοριών μεταξύ περιοχών;
Κατάλληλο visual: Σωρευτικό γράφημα στηλών (Stacked column chart)
Γιατί: Διατηρεί τα απόλυτα μεγέθη ενώ δείχνει και τη σύνθεση.
Παράδειγμα: Περιοχή, Κατηγορία, Πωλήσεις

Ερώτημα: Ποια είναι η σχέση πωλήσεων και κέρδους όταν θέλω να δω κάθε προϊόν ως ξεχωριστό σημείο;
Κατάλληλο visual: Γράφημα διασποράς (Scatter chart)
Γιατί: Το scatter δείχνει δύο συνεχείς μεταβλητές ταυτόχρονα.
Παράδειγμα: Προϊόν, Πωλήσεις, Κέρδος

Ερώτημα: Ποιο προϊόν έχει το μεγαλύτερο κέρδος όταν θέλω μόνο κατάταξη;
Κατάλληλο visual: Γράφημα ομαδοποιημένων ράβδων (Clustered Bar Chart)
Γιατί: Για μία αριθμητική μεταβλητή ανά κατηγορία το bar είναι απλούστερο από scatter.
Παράδειγμα: Προϊόν, Κέρδος

Ανάλυση πωλήσεων eshop με power BI

Ένα πολύ ωραίο παράδειγμα εφαρμογής power bi στην ανάλυση δεδομένων αφορά τη λειτουργία ενός ηλεκτρονικού καταστήματος. Υπάρχουν πολλές πλατφόρμες για την κατασκευή e-shop. Ενδεικτικά αναφέρουμε το WooCommerce, opencart, Magento και Shopify. Όλες οι πλατφόρμες δημιουργίας e-shop καταγράφουν δεδομένα τα οποία μπορούν να χρησιμοποιηθούν από το power bi για την ανάλυση δεδομένων και την εξαγωγή επιχειρηματικών συμπερασμάτων. Συγκεκριμένα οι πλατφόρμες διατηρούν δεδομένα που αφορούν πωλήσεις (Sales), προϊόντα (Products), πελάτες (Customers), απόθεμα (Inventory), marketing, web analytics, επιστροφές (Returns), καταστήματα (Stores), προμηθευτές (Suppliers), παραδόσεις (Deliveries) και άλλα. Στον ακόλουθο σύνδεσμο μπορείτε να δείτε πώς γίνεται η παρακολούθηση πωλήσεων e-shop μέσω power bi. Δεν εξειδικεύουμε σε μία συγκεκριμένη πλατφόρμα αλλά είναι ένα γενικό άρθρο το οποίο αφορά όλες τις πλατφόρμες κατασκευές e-shop.

1. Περιγραφική ανάλυση (Descriptive Analytics): Τί συνέβη;

2. Διαγνωστική ανάλυση (Diagnostic Analytics): Γιατί συνέβη;

3. Προβλεπτική ανάλυση (Predictive Analytics): Τι πιθανότατα θα συμβεί;

4. Καθοδηγητική ανάλυση (Prescriptive Analytics): Τι πρέπει να κάνουμε;

Aπλό παράδειγμα ανάλυσης δεδομένων eshop που συνδέει και τα 4 επίπεδα:

Πωλήσεις μειώθηκαν 15% → Πού μειώθηκαν; → Γιατί μειώθηκαν; → Τι αναμένεται τον επόμενο μήνα; → Ποια ενέργεια πρέπει να κάνει η επιχείρηση;