¡Bienvenidos, muy buenos días tardes o noches , según donde me leas !
En esta ocasión, me complace compartir con ustedes un emocionante proyecto en el que participé: el Reto Número 20 de datos. Durante este desafío, me sumergí en un análisis detallado del rendimiento del equipo de ventas y la precisión de las previsiones utilizando datos reales extraídos de nuestras bases de datos. A lo largo de este artículo, exploraremos las preguntas planteadas y las soluciones encontradas, destacando cómo las herramientas como DAX y Power BI jugaron un papel crucial en el análisis de los datos. ¡Acompáñenme en este recorrido por el mundo de los datos y descubramos juntos las conclusiones obtenidas!
¡Hoy quiero hablarles sobre el Reto Número 20 de datos y recordarlo con un video! En este desafío, nos enfocamos en analizar diferentes aspectos del rendimiento de nuestro equipo de ventas y la precisión de nuestras previsiones. Utilizamos datos reales exportados de nuestras bases de datos para obtener información valiosa. ¡Vamos a repasar las preguntas y las soluciones encontradas en nuestro informe!
- Rendimiento del equipo de ventas al comparar la Previsión de Ventas con la Previsión de Producción. En este apartado, evaluamos cómo se desempeñó nuestro equipo de ventas al comparar la cantidad de ventas pronosticadas con la cantidad de producción pronosticada. Esto nos permite identificar si logramos alcanzar nuestras metas y si se generaron desviaciones significativas entre las previsiones de ventas y producción.
- Ineficiencias en las previsiones al comparar la Producción Real con la Previsión de Producción. Aquí analizamos las ineficiencias en nuestras previsiones mediante la comparación entre la producción real y la producción pronosticada. Esto nos ayuda a identificar áreas donde nuestras previsiones pueden haber sido inexactas o donde hubo discrepancias entre los pronósticos y la realidad.
- Identificación de productos con altas inexactitudes en las previsiones basadas en datos históricos (desde 2020 hasta la fecha). Utilizando datos históricos, examinamos la precisión de nuestras previsiones para diferentes productos. Esto nos permite identificar aquellos productos que presentaron grandes discrepancias entre los pronósticos y los datos reales durante el período analizado.
- Cantidad de pedidos faltantes (comparación entre las Órdenes de Venta y el Inventario de Productos Terminados). Aquí evaluamos cuántos pedidos no pudimos cumplir en relación con las órdenes de venta recibidas y nuestro inventario de productos terminados. Esto nos ayuda a identificar posibles problemas de capacidad de producción o de cumplimiento de pedidos.
- Cálculo de la tasa de venta: Tasa de venta = (Unidades Consumidas/Unidades Producidas). Calculamos la tasa de venta para entender qué porcentaje de las unidades producidas realmente se consumió o se vendió. Esto nos da una idea de la eficiencia de nuestras operaciones y de cómo se están moviendo los productos en el mercado.
- Precisión de la Previsión = [(Producción Real/Previsión de Producción) * 100]. Este indicador nos muestra la precisión de nuestras previsiones al comparar la producción real con la producción pronosticada. Nos ayuda a evaluar la calidad de nuestras previsiones y a realizar ajustes si es necesario.
- Identificación de productos en el Inventario de Productos Terminados con bajos niveles de ventas o sin ventas (consumido significa vendido). Aquí identificamos los productos en nuestro Inventario de Productos Terminados que presentan bajos niveles de ventas o que no han tenido ventas. Esto nos ayuda a gestionar mejor nuestro inventario y tomar decisiones informadas sobre la producción y la comercialización de esos productos.
- Tasa de cumplimiento = [(**Unidades Totales en Inventario – Unidades Consumidas)/Unidades Totales en Inventario] * 100. Calculamos la tasa de cumplimiento para evaluar qué porcentaje de nuestro inventario ha sido consumido o vendido en relación con el inventario total disponible. Esto nos proporciona información sobre la eficiencia de nuestro flujo de ventas y nos ayuda a tomar decisiones relacionadas con la gestión del inventario.
Se asumió por segmento la solución de este informe :
Segmento 1: Utilización de un fichero de entrada xlsx
En este proyecto, comenzamos utilizando un fichero de entrada en formato xlsx que contenía los datos necesarios para el análisis. Este archivo proporcionó la información base que utilizamos para construir nuestro modelo dimensional y realizar las diferentes mediciones y visualizaciones.
Segmento 2: Creación de un modelo dimensional de datos de tipo estrella
Para llevar a cabo un análisis eficiente, creamos un modelo dimensional de datos de tipo estrella. Este enfoque nos permitió organizar los datos en una estructura optimizada para el análisis y la generación de informes. El modelo dimensional consta de una tabla de hechos central que contiene las métricas clave y varias tablas de dimensiones que proporcionan contextos relevantes para el análisis.
Segmento 3: Creación de Tooltips para medidas específicas
Con el fin de facilitar el análisis y mejorar la experiencia del usuario, creamos Tooltips o información adicional emergente. Estas Tooltips se implementaron para proporcionar detalles específicos sobre las medidas y los indicadores utilizados en el análisis. Los usuarios podían obtener información relevante simplemente pasando el cursor sobre un gráfico o una métrica en particular, lo que facilitaba la interpretación de los datos y la comprensión de los resultados.
Segmento 4: Creación y personalización de imágenes para cada producto
Para enriquecer la visualización de los datos, creamos y personalizamos imágenes específicas para cada producto. Estas imágenes se asociaron a cada producto dentro del modelo dimensional y se utilizaron para representar visualmente los productos en los gráficos y las visualizaciones. Esto permitió una identificación más rápida y visualmente atractiva de cada producto, mejorando la comprensión y la experiencia general del usuario al explorar los resultados del análisis.
Medidas DAX interesantes que se utilziaron:
result
- Primero, se asigna el valor de la medida «Production actual» a la variable «salestotal» para facilitar su referencia posteriormente.
- A continuación, se utiliza la función MAXX en combinación con ALLSELECTED para obtener el valor máximo de la medida «Production actual» en todo el conjunto de datos. Esto se almacena en la variable «maxOverall».
- De manera similar, se utiliza la función MINX con ALLSELECTED para obtener el valor mínimo de la medida «Production actual» en todo el conjunto de datos. Esto se almacena en la variable «minOverall».
- Luego, se utiliza la función SWITCH para evaluar diferentes casos. La función SWITCH evalúa expresiones y devuelve un valor correspondiente al primer caso que cumple una condición. En este caso, la expresión evaluada es «true()» y se utilizan las variables «salestotal», «maxOverall» y «minOverall» para establecer las condiciones.
- Si el valor de «salestotal» es igual al máximo de producción histórico («maxOverall»), se devuelve el código de color «#f07878».
- Si el valor de «salestotal» es igual al mínimo de producción histórico («minOverall»), se devuelve el código de color «#484860».
- Si ninguna de las condiciones anteriores se cumple, se devuelve un valor por defecto.
- Finalmente, se devuelve el resultado calculado para determinar el color de la visualización.
[Production actual]))
- Primero, se verifica si el valor de la columna «Production actual» está en blanco (ISBLANK([Production actual])). Si está en blanco, significa que no hay datos de producción disponibles para el período actual y se devuelve un valor en blanco (BLANK ()).
- En caso de que el valor de «Production actual» no esté en blanco, se procede a calcular el promedio móvil de los beneficios en los últimos 30 días.
- Se utiliza la función DATESINPERIOD para definir el período de 30 días a partir de la última fecha disponible en la columna ‘Calendar'[Date]. La función DATESINPERIOD toma tres argumentos: la columna de fecha, la última fecha y el número de períodos hacia atrás (-30) y la unidad de tiempo (DAYS en este caso).
- A continuación, se aplica la función SUMX para calcular la suma de los beneficios durante el período de 30 días definido por DATESINPERIOD.
- Finalmente, se devuelve el valor calculado del promedio móvil de los beneficios en los últimos 30 días.
Además de estas preguntas, también utilizamos herramientas como DAX y Power BI para analizar y visualizar nuestros datos de manera efectiva. Estas herramientas nos brindaron la capacidad de realizar cálculos complejos, crear visualizaciones interactivas y obtener una comprensión más profunda de nuestros datos.
El Reto Número 20 de datos fue una experiencia enriquecedora que me permitió profundizar en el análisis del rendimiento del equipo de ventas y la precisión de las previsiones. A través de herramientas como DAX y Power BI, pude explorar los datos, calcular indicadores clave y visualizarlos de manera efectiva. Gracias a este proceso, pude identificar ineficiencias en las previsiones, productos con altas inexactitudes en los pronósticos y evaluar el cumplimiento de los pedidos, entre otros aspectos relevantes para nuestra empresa. Estas conclusiones nos brindan información valiosa para tomar decisiones informadas y optimizar nuestras estrategias comerciales en el futuro. Sin duda, la combinación de habilidades en análisis de datos y el uso de herramientas tecnológicas nos brindó una perspectiva más profunda y nos ayudó a obtener una ventaja competitiva. ¡Gracias por acompañarme en este recorrido por el Reto Número 20 de datos y espero que hayan encontrado este artículo informativo y motivador!
Link del video:https://youtu.be/hmwAW_nxyS0
Link del portafolio: https://www.novypro.com/project/challenge-20-edna
Link de solo el reporte: https://app.powerbi.com/view?r=eyJrIjoiZDc2ZjIwMjMtNjg4MC00NDk5LTg2NzYtMmRmNWNiYTNhOTgxIiwidCI6IjkxMTVmY2FmLWE5NGQtNDBiMS1hM2JhLWIwNjJjODA1NTVlMCIsImMiOjl9
Vicente Antonio Juan Magallanes
Business Intelligence Technical.
Perfil linkedin.
