SwiftBite Analytics Executive Dashboard

Overview performa restoran mitra, transaksi, operasional pengantaran, dan kepuasan pelanggan · Varian SB-P01 (Giani)
SWIFTBITE ANALYTICS · SB-P01 · PASS
▣↻ Insight
Total Orders
—
Distinct order ID
✦ Key Insight
Menghitung insight berdasarkan filter aktif...
Klik untuk kembali ke nilai
▤↻ Insight
Net Payment Value
—
Net Payment · Q1 2026 (Rp 38.35M)
✦ Key Insight
Menghitung insight berdasarkan filter aktif...
Klik untuk kembali ke nilai
◇↻ Insight
Average Order Value
—
GMV / distinct orders
✦ Key Insight
Menghitung insight berdasarkan filter aktif...
Klik untuk kembali ke nilai
☆↻ Insight
Average Rating
—
Average available reviews
✦ Key Insight
Menghitung insight berdasarkan filter aktif...
Klik untuk kembali ke nilai
⌁↻ Insight
Late Delivery Rate
—
Late / delivered orders
✦ Key Insight
Menghitung insight berdasarkan filter aktif...
Klik untuk kembali ke nilai
Tren Bulanan: Omzet & Jumlah Pesanan
Net Payment Value (Rp) & Volume Order per bulan
↻ Insight
Klik grafik untuk melihat Key Insight
✦ Key Insight
Insight akan mengikuti filter dashboard.
Klik untuk kembali ke grafik
Order Status Distribution
Distinct orders by status
↻ Insight
Klik grafik untuk melihat Key Insight
✦ Key Insight
Insight akan mengikuti filter dashboard.
Klik untuk kembali ke grafik
Keterlambatan per Kategori Kuliner
Persentase pesanan terlambat (Late Delivery Rate %)
↻ Insight
Klik grafik untuk melihat Key Insight
✦ Key Insight
Insight akan mengikuti filter dashboard.
Klik untuk kembali ke grafik
Distribusi Sentimen Ulasan (N=188)
Proporsi sentimen teks ulasan pelanggan
↻ Insight
Klik grafik untuk melihat Key Insight
✦ Key Insight
Insight akan mengikuti filter dashboard.
Klik untuk kembali ke grafik
Dampak Keterlambatan ke Rating
Rata-rata rating (Skala 1-5): Tepat Waktu vs Terlambat
↻ Insight
Klik grafik untuk melihat Key Insight
✦ Key Insight
Insight akan mengikuti filter dashboard.
Klik untuk kembali ke grafik
Payment Method Mix
Distinct orders by final payment method
↻ Insight
Klik grafik untuk melihat Key Insight
✦ Key Insight
Insight akan mengikuti filter dashboard.
Klik untuk kembali ke grafik
Restaurant Performance
Orders, gross value and average rating by restaurant
RestaurantCuisineOrdersGross ValueAvg RatingLate Rate

Analytics · Business Questions

Analisis faktor yang berkaitan dengan nilai transaksi dan pengalaman pelanggan.

Business Question 1 · Faktor-faktor yang mempengaruhi GMV

GMV berdasarkan Cuisine
Bandingkan kontribusi nilai transaksi antar kategori
GMV berdasarkan Zona Restoran
Perbandingan kontribusi GMV per zona
GMV berdasarkan Jam Pemesanan
Jam diambil dari order_timestamp
Business Question 2 · Faktor-faktor yang mempengaruhi komentar negatif

Tema Komentar Negatif
Klasifikasi indikatif dari teks review rating 1–2
Review Negatif berdasarkan Cuisine
Jumlah review rating 1–2 per kategori

Business Analytics

Menjawab dua pertanyaan bisnis: faktor yang berkaitan dengan GMV dan faktor yang berkaitan dengan komentar negatif. Seluruh hasil mengikuti filter aktif.

Gross Order Value – Key Insight

Menghitung...

01 · Order Completion

Realisasi Pesanan

Menghitung...

02 · Cancelled & Refunded

Potensi Nilai yang Hilang

Menghitung...

03 · Revenue Driver

Kontributor Gross Order Value

Menghitung...

04 · Trend

Pergerakan Gross Order Value

Menghitung...

Gross Order Value by Order Status
Nilai pesanan berdasarkan status pada filter aktif

Metodologi Analisis

Kenali data terlebih dahulu, pahami cara data digabungkan, lalu lihat bagaimana angka di dashboard dihitung.

CARA MEMBACA DASHBOARD

Satu dataset, dua sudut pandang

Data ini menggabungkan informasi pesanan dan ulasan pelanggan. Karena satu pesanan bisa memiliki lebih dari satu ulasan, jumlah baris tidak sama dengan jumlah pesanan. Itulah alasan kita harus membedakan data transaksi dan data review sebelum menghitung KPI.

🧾 Analisis transaksi⭐ Analisis kepuasan
321baris pada data gabunganberasal dari 321 pesanan unik (Zero Fan-Out)
01

Potret data yang digunakan

Angka berikut dihitung langsung dari dataset pada file dashboard ini.

Baris data gabungan321Record setelah penggabungan
Pesanan unik321Order ID unik (Grain terjaga)
Review unik188Review ID valid (Coverage 58.6%)
Restoran unik23Mitra Restoran SwiftBite

Komposisi status pesanan

Dihitung dari pesanan unik, bukan jumlah baris gabungan.

completed
289
cancelled (failed)
21
cancelled (refunded)
11
total batal
32

Mengapa baris data lebih banyak dari order?

321Baris gabungan
=
321Order unik

0 order_id duplikat (Zero Fan-Out). Integrasi LEFT JOIN menghubungkan tepat satu ulasan per pesanan. Sebanyak 188 pesanan memiliki ulasan dan 133 pesanan berstatus No Review tetap tersimpan aman.

Artinya: baris data adalah jumlah record, sedangkan order unik adalah jumlah transaksi yang sebenarnya dihitung.
02

Visualisasi: bagaimana satu order menjadi beberapa baris?

Bayangkan satu nota pesanan dapat memiliki beberapa ulasan pelanggan.

🧾
Tabel Order (PM2)O00001Net Payment: Rp164.000
+
⭐
Tabel Review1 ulasan resmi varianRV00178 (Rating: 2 ⭐)
→
🔗
Hasil Join1 baris per orderGrain terjaga konsisten tanpa multiplikasi baris
CONTOH DARI DATA ASLI

Order ORD0000005 pada hasil join

Contoh multi-review
Order IDReview IDNet PaymentRating
O00001RV00178Rp164.0002.0 (Negatif)
O00019RV00010Rp132.0004.0 (No Text)
Jika Total Amount dijumlahkan dari semua baris di atas, nilai order yang sama akan terhitung berulang. Karena itu GMV harus dihitung satu kali per order_id.
03

Pisahkan cara hitung berdasarkan tujuan analisis

Ini aturan paling penting agar metrik tidak salah hitung.

🧾
UNTUK TRANSAKSI

Order-level

Satu baris per order_id

Gunakan satu record untuk setiap pesanan. Cocok untuk menghitung jumlah order, GMV, AOV, status pesanan, dan nilai transaksi.

COUNT DISTINCT(order_id)
SUM(total_amount per order unik)
⭐
UNTUK KEPUASAN

Review-level

Satu baris per review_id

Gunakan review yang memiliki ID valid. Cocok untuk menghitung rating, komentar negatif, dan tema keluhan.

COUNT DISTINCT(review_id)
Filter rating ≤ 2 untuk review negatif
Istilah grain berarti tingkat detail satu baris data. Sebelum menghitung metrik, tanyakan: “Saya sedang menghitung pesanan atau ulasan?”
04

Alur data hingga menjadi insight

Filter diterapkan lebih dulu, kemudian metrik dihitung sesuai grain-nya.

1. Data gabunganOrder + review + informasi restoran, pembayaran, dan delivery
↓
2. Filter dashboardZona, cuisine, segmen pelanggan, status, dan tanggal
↓
3. Pisahkan grainOrder unik untuk transaksi · Review unik untuk kepuasan
↓
4. Hitung KPIGMV, order, AOV, rating, dan negative review rate
↓
5. Tarik insightBandingkan kelompok, temukan pola, tentukan area investigasi
05

Contoh perhitungan KPI

Contoh menggunakan seluruh data sebelum filter dashboard diterapkan.

GMVRp38.348.000

Jumlah nilai transaksi dari order unik.

Σ total_amount per order_id unik
Total Orders321

Jumlah pesanan yang berbeda.

COUNT DISTINCT(order_id)
Average Order ValueRp132.692

Rata-rata nilai pesanan berhasil dibayar.

GMV ÷ Total Orders
Negative ReviewRating 1–2

Ulasan dengan rating rendah.

Review ID unik dengan rating ≤ 2
Negative Review RatePersentase

Proporsi review negatif dari seluruh review valid.

Review negatif ÷ review valid × 100%
Late Delivery RatePersentase

Pesanan terlambat dari pesanan terkirim yang memiliki data waktu valid.

Late delivered ÷ delivered valid × 100%
06

Bagaimana membaca hasil analisis?

Dashboard membantu menjawab dua pertanyaan bisnis, tetapi hasilnya perlu dibaca secara proporsional.

01

Faktor yang berkaitan dengan GMV

Bandingkan GMV, jumlah order, dan AOV menurut cuisine, zona, segmen pelanggan, jam pemesanan, serta promo.

02

Faktor yang berkaitan dengan komentar negatif

Amati review rating 1–2 dan bandingkan pola menurut keterlambatan, cuisine, zona, serta tema komentar.

03

Dari pola ke tindakan

Gunakan temuan untuk menentukan area yang perlu diperiksa, bukan langsung menyimpulkan penyebab.

07

Batasan analisis

Hal yang perlu diingat saat menggunakan dashboard untuk mengambil keputusan.

Data sintetis. Dataset merupakan data contoh, bukan performa aktual restoran.

Asosiasi bukan kausalitas. Dua metrik yang bergerak bersama belum membuktikan bahwa salah satunya menyebabkan yang lain.

Klasifikasi teks indikatif. Tema komentar menggunakan kata kunci dan tetap memerlukan validasi manual.

Alasan pembatalan tidak tersedia secara eksplisit. Dashboard tidak dapat memastikan penyebab pembatalan.

Hasil mengikuti filter. Perubahan filter akan mengubah populasi dan nilai metrik yang dianalisis.

Data Detail

Baris data hasil filter aktif. Tabel transaksi menampilkan satu baris per order unik.

Order Detail
Maksimal 200 order pertama sesuai filter. Nilai GMV tidak diduplikasi oleh multiple review.
Order IDOrder DateRestaurantZoneCuisineSegmentStatusHourGMVPromo
Review Detail
Review valid yang terkait dengan order pada filter aktif. Maksimal 200 baris.
Review IDOrder IDRestaurantRatingReview TextDelivery Minutes