Analiza sprzedaży
e-commerce.
Dashboard w Power BI dla sklepu internetowego z ośmioma kategoriami produktów. Pięć stron, pięć pytań biznesowych: jak idzie sprzedaż, gdzie są zwroty, czy rabaty się opłacają, czy dostawa wpływa na oceny i kim są najlepsi klienci.
Dashboard, który odpowiada na pytania.
Punktem wyjścia był publiczny zbiór z Kaggle: 30 000 zamówień z czterech lat, z danymi o produktach, klientach, rabatach, wysyłce i ocenach.
Zamiast pokazywać wszystko, co jest w danych, zaczęłam od pytań, które zadałby właściciel sklepu. Każda strona dashboardu odpowiada na jedno z nich i kończy się wnioskami z rekomendacją.
Zanim zbudowałam pierwszy wykres, sprawdziłam jakość danych. Kilka kolumn okazało się niewiarygodnych, a decyzje, co z nimi zrobić, są opisane niżej.
Pięć pytań, pięć stron dashboardu.
Przegląd
Jak zmienia się przychód rok do roku i co za tym stoi: liczba zamówień czy wartość koszyka?
Produkty i zwroty
Które kategorie zwracają się najczęściej, a na których zwroty kosztują najwięcej?
Rabaty i rentowność
Czy wyższe rabaty i kupony przekładają się na większe zamówienia, czy tylko obniżają marżę?
Logistyka i satysfakcja
Czy czas dostawy wpływa na ocenę klienta i która metoda wysyłki wypada najgorzej?
Klienci i kanały
Jak bardzo przychód zależy od najlepszych klientów i czy wyższy poziom członkostwa się opłaca?
Najpierw dane, potem wykresy.
Dane syntetyczne mają swoje pułapki. Każdą decyzję zapisałam razem z uzasadnieniem, żeby wiadomo było, na czym opierają się wnioski.
Kraj nie pasował do miasta
Kraj i miasto były losowane niezależnie (np. Niemcy + Dubaj). Uzupełniłam kraj na podstawie miasta w 27 139 z 30 000 wierszy i zapisałam zmianę w dzienniku.
Co liczy się do przychodu
Przychód to sprzedaż netto: cena × ilość − rabat, bez podatku i wysyłki. Liczę tylko zamówienia dostarczone i wysłane. Anulowane, zwrócone i w realizacji pomijam.
Cechy klienta zmieniały się co zamówienie
U tego samego klienta zmieniały się CLV (100%), wiek (99%) i płeć (79%). Gotowego CLV nie użyłam. Wartość klienta liczę z jego zamówień, a wieku i płci nie analizuję.
Zamknięty okres 2023–2026
Zbiór sięga końca 2026 roku, więc traktuję go jako zamknięty okres czterech pełnych lat, co pozwala porównywać rok do roku. Waluta nie jest podana, dlatego USD to umowna etykieta.
Od surowego pliku do dashboardu.
Model w układzie gwiazdy z własną tabelą kalendarza. Daty zamówień trafiały do modelu jako liczby, przez co znikała relacja z kalendarzem. Po zmianie typu kolumny filtry roku i porównania rok do roku zaczęły działać.
Stabilny przychód, ale z dwóch przeciwnych powodów
Przychód w 2026 roku jest prawie bez zmian (+0,2%). Rozbicie zmiany pokazuje, co się pod tym kryje: zamówień jest mniej (−$41,4 tys.), ale koszyki są droższe (+$45,2 tys.). Region South traci najwięcej, prawie wyłącznie przez tańsze koszyki.
Najczęściej to nie to samo, co najdrożej
Fashion ma najwyższy wskaźnik zwrotów (14,6% przy średniej 10,5%) we wszystkich podkategoriach. Najwięcej pieniędzy sklep traci jednak na Electronics: 55% wartości zwrotów, mimo wskaźnika 8,7%, bo to drogie zamówienia.
Większy rabat nie oznacza większego zamówienia
Przy rabacie 40% marża spada do 14,5% (24,2% bez rabatu), a koszyk jest mniejszy. Klienci z rabatem nie kupują więcej sztuk. Rabaty kosztowały w 2026 roku $279 tys., więcej niż wszystkie zwroty, i były podobne we wszystkich kategoriach, niezależnie od ich marży.
Próg 8 dni
Do 8 dni czas dostawy nie wpływa na ocenę (4,05–4,09). Powyżej tego progu ocena spada do 3,51, a zwroty rosną do 15,4%. Dotyczy to 3,9% zamówień, prawie wyłącznie wysyłki standardowej i odbioru osobistego.
20% klientów daje 65% przychodu
Przychód jest mocno skoncentrowany, a 72% klientów kupiło w 2026 roku tylko raz. Klienci Platinum mają najdroższe koszyki ($386), najwyższe oceny (4,23) i najmniej zwrotów (8,7%), choć dają tylko 7% przychodu.
Co zrobiłabym na miejscu sklepu.
Ograniczyć rabaty 30–40% i uzależnić ich wysokość od marży kategorii: więcej tam, gdzie marża jest wysoka (Beauty), mniej w Electronics.
Oznaczać zamówienia, które zbliżają się do 8 dni w drodze, i reagować wcześniej: kontakt z klientem albo zmiana na szybszą wysyłkę.
W Fashion poprawić opisy i tabele rozmiarów. W Electronics sprawdzić przyczyny zwrotów drogich produktów, bo tam ucieka najwięcej pieniędzy.
Kontrola jakości i czyszczenie w pandas, typy danych i przekształcenia w Power Query, dziennik zmian w Excelu.
Tabela faktów zamówień i kalendarz w DAX oznaczony jako tabela dat. Relacja jeden do wielu, filtrowanie w jednym kierunku.
CALCULATE, SUMX, SAMEPERIODLASTYEAR, HASONEVALUE, TOPN i zmienne VAR: od przychodu i marży po zmianę rok do roku i udział 20% najlepszych klientów.
Projekt powstał na syntetycznym zbiorze danych z Kaggle (E-commerce Orders Dataset), a nie na danych prawdziwego sklepu. Liczby i wnioski ilustrują sposób pracy, a nie sytuację konkretnej firmy. Tam, gdzie różnice między grupami były małe, opisuję je ostrożnie, bo mogą wynikać z przypadku.