Mithilfe der Analyse von unternehmerischen Daten lassen sich handlungswichtige Einblicke in verschiedene Bereiche realisieren. Die dank Tracking und Datenanalyse gewonnenen Erkenntnisse und Kennzahlen werden anschließend durch Datenvisualisierung anschaulich dargestellt. So können aus relevanten und übersichtlichen Informationen vereinfacht Entscheidungsfindungen resultieren.
Der Kunde
Der Kunde ist führender Hersteller in der Kaffeeindustrie. In diesem Fall waren 3 Vertriebsländer involviert.
In folgendem Projekt ging es primär darum, ohne eine Dokumentation der Datenbank-Landschaft des Kunden die richtigen SQL-Abfragen zu erstellen. Diese erhobenen Daten sollten mit weiteren Datenquellen verbunden werden, um Business-relevante Fragestellungen beantworten zu können. Zudem war es wichtig, dem Kunden dabei neue Erkenntnisse und datenbasierte Handlungsempfehlungen mitgeben zu können.
Ein wichtiger erster Schritt war es, große Datenmengen aus den verschiedensten Quellen wie Magento, externen Datenbanken, Google Analytics (360°), dem Newsletter-Portal uvm. zusammenzuführen. Hier waren allem voran die relevanten Metriken der Kund:innen, Produktstatus, Gesamtumsatz sowie produktbasierter Kundenumsatz der verschiedenen Zeiträume für die Länder Deutschland, Niederlande und Schweiz relevant. Diese Daten wurden im Anschluss zusammengeführt, bereinigt und statistisch ausgewertet.
Die Daten-Abfrage und -Speicherung wurde durch komplexe SQL-Abfragen, welche unter anderem über den Magento Web Server ausgeführt wurden, ermöglicht. Die Daten-Bereinigung wurde in Abhängigkeit von unserer eigenen Datenstruktur und unserem algorithmischen Modell durchgeführt.
Die Daten wurden mit Hilfe mathematischer Modelle für die jeweiligen Kaffeesorten, Kundentypen, Zeit-Intervalle und vielen weitere Attribute sortiert, um die anschließende Berechnung, statistische Auswertung und Visualisierung zu vereinfachen. Zur Optimierung des Analyse-Prozesses wurde auf verschiedene Arten von Machine Learning Library zurückgegriffen. Anschließend wurden die Daten mit weiteren Online-Daten angereichert, um zusätzliche Insights, speziell für die Optimierung Online-Performance, zugewinnen. Abschließend erfolgte die Daten-Visualisierung mit Microsoft Power BI, Google Data Studio und Microsoft Excel.
Die verwendeten Tools und Technologien:
Folgende Tools und Technologien wurden genutzt, um die relevanten Daten (online und offline) analysieren und darstellen zu können:
- Tableau
- Python
- SQL
- Microsoft Excel
- Microsoft Power BI
- Data Studio
- Sistrix
- Google Data Studio
- Google 360
Fallbeispiele werden
zu echten Lösungen
