Przykładowy projekt interaktywnego raportu business intelligence dla dewelopera nieruchomości. Raport stworzyłem w Power BI w oparciu o dane losowo wygenerowane przez skrypt w Pythonie. Moim celem było pokazanie w jaki sposób można zintegrować dane z kilku systemów w jednym miejscu (CRM, ERP, księgowość). Na głównym dashboardzie mamy kilka podstawowych KPI finansowo-operacyjnych, przegląd miesięcznej sprzedaży w porównaniu z budżetem, przegląd sprzedaży i rentowności dla każdej inwestycji oraz przekrojową analizę każdego lokalu w sprzedaży. Na kolejnych stronach możemy zagłębić się w analizę sprzedaży i rentowności dla każdej inwestycji i konkretnego lokalu. Na końcu raportu mamy analizę marketingową sprzedaży i proste dane przekrojowe klientów. Wszystkie wizualizacje są interaktywne i powiązane ze sobą tak, aby można było było analizować dane w różnych wymiarach i na różnym poziomie granularności.
Na przykładzie tego projektu chciałem zmierzyć się problemem braku wielowymiarowego spojrzenia na sprzedaż dewelopera nieruchomości. Mamy tutaj surowe dane transakcyjne rozrzucone w różnych plikach, z których niewiele można wyczytać, a prosta analiza w Excelu może nie wyłapać wszystkich zależności. Przykładowo, dzięki raportowi jesteśmy w stanie szybko przejść do takich miar jak wybrane KPI per mieszkanie, per inwestycja, marża na mieszkaniu lub dostępna powierzchnia do sprzedaży. Projekt ma charakter demo, więc można go oczywiście rozwijać dodając kolejne funkcjonalności np. dodając analizę cash flow i płynności.
pliki CSV/Excel dostępne on-prem wygenerowane przez AI Copilot
Power Query (przygotowanie danych z plików źródłowych), Python do generowania datasetów (biblioteki faker, random, numpy), AI Copilot (Python, DAX, testy), Power BI Desktop (główne środowisko), Power BI Service (zarządzanie)
Najważniejsze wyzwania w przygotowaniu tego raportu były następujące: budowa sensownego i spójnego datasetu w oparciu o skrypt w Pythonie, potem budowa modelu danych, denormalizowanie tabeli, modelowanie relacji w modelu star schema, czyszczenie danych źródłowych - także bezpośrednio w datasecie, walidacja spójności danych pomiędzy znormalizowanymi tabelami np. nie pokrywające się kwoty płatności za mieszkanie, błędne referencje w id mieszkań i inwestycji, usuwanie błędów, duplikatów, niepotrzebnych kolumn, łączenie kolumn, pivoty, kilka kalkulowanych kolumn w DAX, optymalizowanie szybkości wyświetlania wizualizacji, instalacja data gateway, konfiguracja odświeżania danych, przygotowanie wersji mobilnej. Poniżej kilka zdjęć z pracy nad raportem:
E-mail: kontakt@jakubwozniak.pl