Power BI
Python
“Muốn gấp đôi doanh thu trong 2 năm, Olist cần biết khách mua gì, mua lúc nào – và giao hàng trễ ở đâu”
Olist – một nền tảng thương mại điện tử tại Brazil – đặt mục tiêu gấp đôi doanh thu trong 2 năm. Từ 9 bảng dữ liệu với hơn 98.000 đơn hàng (2016–2018), nhóm học viên xây dashboard trả lời 6 câu hỏi của Ban Giám đốc về sản phẩm, khu vực, thời điểm mua, khách hàng giá trị và giao hàng.
1. Bối cảnh
Thị trường thương mại điện tử Brazil trị giá khoảng 126 tỷ BRL (24 tỷ USD), cạnh tranh với Mercado Livre, B2W Digital, Magazine Luiza và Amazon. Nhóm đóng vai chuyên viên phân tích, báo cáo cho Ban Giám đốc, trưởng phòng Sales và trưởng phòng Logistics.
6 câu hỏi cần trả lời
Ngành hàng nào bán chạy nhất?
Khu vực nào có nhiều đơn nhất?
Khách hàng mua sắm tích cực vào lúc nào?
Nhóm khách nào mang lại nhiều giá trị nhất?
Nhóm khách nào cần được quan tâm?
Quy trình giao hàng đang gặp vấn đề gì?
2. Hành trình xử lý dữ liệu
Extract – nạp 9 bảng từ bộ dữ liệu công khai trên Kaggle: đơn hàng, chi tiết đơn, thanh toán, đánh giá, khách hàng, vị trí, sản phẩm, người bán, danh mục.
Kiểm tra – số dòng, số cột, kiểu dữ liệu từng bảng (SQL).
Làm sạch – xử lý giá trị trống và lỗi (Python).
Ghép bảng – nối các bảng theo mã đơn hàng, mã khách hàng, mã sản phẩm.
Load – xuất dữ liệu sạch và nạp vào Power BI, chấm điểm RFM cho khách hàng.
Visualize – dashboard theo chủ đề: doanh thu, thời điểm mua, ngành hàng, thanh toán, khu vực, khách hàng, logistics.
3. Dữ liệu kể gì?
Chỉ số tổng | Giá trị |
|---|---|
Doanh thu đơn đã giao | 19,42 triệu BRL |
Số đơn đã giao | Hơn 113 nghìn |
Số ngành hàng | 71 |
Chủ đề | Phát hiện | Hành động đề xuất |
|---|---|---|
Thời điểm mua | Mua nhiều vào ngày trong tuần, trong giờ hành chính (9h–18h) và sau 21h; ít mua cuối tuần | Chạy khuyến mãi đúng khung giờ; kích cầu cuối tuần |
Ngành hàng | Top 5: giường–bàn–phòng tắm, sức khoẻ–làm đẹp, thể thao, nội thất, phụ kiện máy tính; tháng 11 tăng mạnh, phụ kiện máy tính đạt đỉnh tháng 2 | Tăng tồn kho mùa Giáng sinh – Năm mới; đẩy đồ công nghệ tháng 1–3 |
Thanh toán | Thẻ tín dụng 73,69%, Boleto 19,61%; phần lớn trả 1 lần, sau đó 2–3 kỳ | Hợp tác ngân hàng, đa dạng hoá trả góp |
Khách hàng (RFM) | Potential Loyalist chiếm khoảng 1/3; At Risk là nhóm lớn thứ hai; nguy cơ mất hơn 3.000 khách | Giữ chân At Risk, nuôi dưỡng Potential Loyalist |
Giao hàng | Phần lớn giao trong 5–15 ngày; chỉ 8,11% đơn trễ, nhưng hơn 57% đơn trễ bị trễ quá 5 ngày | Hợp tác thêm đơn vị vận chuyển, học từ tuyến giao sớm, phạt người bán giao hàng chậm |
4. Học viên học được gì?
Làm việc với dữ liệu nhiều bảng: kiểm tra, làm sạch, ghép nối trước khi phân tích.
Bắt đầu từ câu hỏi của người ra quyết định, mỗi trang dashboard trả lời một câu hỏi.
Nhìn con số theo nhiều lớp: 8,11% đơn trễ nghe ổn, nhưng mức độ trễ mới là vấn đề.
Nhóm học viên thực hiện: Nhóm 7 lớp TC-BI30 – Kim Ngan Le, Ngoc Vo, Nguyet Vy Pham. Công cụ: SQL, Python, Power BI.