🚀 Sales Diagnosis & Churn Analysis: Identifying Revenue Leakage | Proyecto End-to-End con Power BI (ITAcademy)
Este proyecto es un análisis de diagnóstico y estrategia End-to-End que abordó la caída de ventas en un comercio online. El análisis aplicó habilidades avanzadas de Modelado de Datos y Diseño de Información para descubrir la causa raíz cuantificable: la pérdida masiva de clientes en el mercado alemán.
- Herramientas: Power BI Desktop, Power Query, DAX.
- Modelado: Esquema en Estrella (Star Schema) con tablas de hechos y dimensiones estandarizadas.
- ETL: Limpieza de datos avanzada en Power Query (Tipado de datos, manejo de nulos y normalización de moneda).
- Visualización: Aplicación de principios de Gestalt y Jerarquía Visual para optimizar la carga cognitiva del usuario.
La dirección observaba una baja generalizada en los ingresos sin conocer el origen. El sistema de reporting previo carecía de la capacidad de segmentación y modelado para aislar factores críticos como la fuga de clientes.
- El Problema: Determinar si la caída de ventas era un problema general de producto o un problema de retención en un mercado específico, para dirigir una acción estratégica inmediata.
"Este proyecto empezó con una simple pregunta: ¿Por qué están cayendo las ventas? Al principio, no se sabía de donde venía esta caída. Tras hacerle unas cuantas preguntas a la Base de datos (qué, dónde, quién, cuándo) empezaron a salir pistas. Al centrar el foco en la geografía y las interacciones del cliente, el dashboard comenzó a 'hablar'. El punto de inflexión fue la segmentación por continente, donde la luz de alerta se encendió sobre Alemania. El análisis de las series de tiempo y los recuentos de clientes reveló que el problema no era de rendimiento de producto, sino de una fuga masiva en una empresa en concreto. Transformamos una vaga preocupación sobre 'ventas bajas' en el diagnóstico preciso de un problema de retención, proporcionando un insight que requería una intervención estratégica inmediata."
El proyecto se centró en la ingeniería de datos y el diseño para facilitar la exploración y el diagnóstico, sirviendo como una herramienta integral de reporting y análisis.
- Herramientas Clave: Power BI Desktop (Modelado, DAX, Visualización) y Power Query (ETL/Limpieza).
-
Modelo de Estrella Optimizado: Se construyó un Modelo de Estrella robusto unificando las tablas de hechos (transacciones) y las dimensiones (clientes, productos, tiempo), incluyendo la creación de tablas intermedias para garantizar la integridad y la velocidad de las consultas.
-
Limpieza de Datos Exhaustiva: Implementación de numerosos pasos de transformación en Power Query (cambio de unidades, estandarización de formatos, manejo de inconsistencias) para garantizar la calidad y fiabilidad de los datos de origen.
Para este diagnóstico, desarrollé medidas personalizadas que permiten profundizar en el análisis:
- Churn Rate Estimado: Identificación de clientes sin transacciones en el último periodo.
- Variación de Ingresos YoY: Comparativa interanual para aislar el efecto de la estacionalidad.
- Ticket Promedio Dinámico: Calculado para contrastar con el volumen de pedidos y detectar el "Efecto Espejismo".
El dashboard fue diseñado para una exploración exhaustiva antes del diagnóstico, permitiendo al usuario descartar hipótesis mediante:
- Análisis de Portafolio: Visualización de qué vendemos (productos, categorías) y su rendimiento.
- Análisis Geográfico y Logístico: Exploración de dónde vendemos y el flujo de ventas.
- Análisis Temporal y de Estacionalidad: Identificación de patrones de compra por continente y periodo.
- Análisis de Canales: Evaluación de la contribución de los canales digitales, incluyendo las redes más usadas.
- Diagnóstico Preciso: El análisis basado en el modelo reveló que la pérdida de clientes se concentraba en Alemania, y esta fuga de clientes representó el 4% del total de ventas del comercio.
Un hallazgo crítico del proyecto fue la correlación inversa entre el Ticket Promedio y los Ingresos Totales a partir de 2022:
- El Espejismo del Promedio: Aunque los precios unitarios se mantuvieron estables, el Ticket Promedio aumentó significativamente. Esto no indica una mayor rentabilidad, sino la pérdida masiva de clientes de volumen menor.
- Segmentación y Abandono: Al desaparecer los clientes que realizaban compras pequeñas pero constantes, el promedio se desplazó hacia arriba debido a los pocos clientes "High-End" restantes.
- Diagnóstico de Negocio: El comercio perdió su base de clientes masiva (especialmente en Alemania), reduciendo la salud del ecosistema y la frecuencia de compra. Esto sugiere que la competencia capturó el mercado de entrada, dejando a la empresa en una posición vulnerable con baja diversificación de clientes.
- Impacto Cuantificable y Diagnóstico: El análisis proporcionó un diagnóstico inmediato sobre la causa del problema, cuantificando su impacto en el 4% de las ventas totales, permitiendo enfocar los recursos hacia la retención de clientes en un mercado específico.
- Amplitud Analítica y Reporting Base: El dashboard se consolidó como una herramienta integral de reporting que ofrece una visión completa de la estacionalidad, rendimiento de productos y eficacia de los canales digitales.
- Gobernanza y Calidad del Dato: Se garantiza la fiabilidad del informe mediante la aplicación de procesos rigurosos de limpieza y estandarización en Power Query, asegurando que el informe sea una Fuente Única de Verdad (SSOT).
- Visualización de Alto Impacto: La presentación fue diseñada con una alta atención al detalle gráfico (gracias al background de Diseñador Gráfico), empleando colores y jerarquías para guiar al usuario y resaltar el segmento crítico.
El diseño gráfico se aplicó para transformar la data en un diagnóstico claro y visualmente intuitivo, demostrando la capacidad de comunicación de insights.
- Leyenda: Demostración de la amplitud analítica, mostrando la visión general de ventas, estacionalidad y el impacto de las redes sociales, sirviendo como punto de partida para todas las exploraciones.
- Leyenda: Gráfico que demuestra la caída en ventas de Alemania, validando el hallazgo crítico del proyecto.
- Leyenda: Ilustra el uso de bloques blancos para visibilizar al gran cantidad de clientes de paises como Italia, Poland o Uk que desaparecieron.
Este proyecto sienta las bases para futuras iniciativas de inteligencia de negocio, mostrando la visión estratégica del análisis:
- Monitoreo Activo: Implementación de un sistema de alertas en Power BI Service para notificar inmediatamente sobre picos anormales en la tasa de abandono de clientes (Churn Rate).
- Análisis Predictivo: Ampliación del modelo con datos externos o algoritmos para predecir qué clientes tienen mayor probabilidad de fuga en el futuro.
- Dashboard de Rentabilidad: Desarrollo de un informe enfocado en el Customer Lifetime Value (CLV) para priorizar los esfuerzos de retención.
- Diagnóstico: La caída de ventas no es un problema de producto, sino de retención en la base de la pirámide. El aumento del ticket promedio es un síntoma de la pérdida de clientes de bajo volumen.
- Impacto: El mercado alemán es el "early warning" de esta tendencia. Si no se actúa, el 4% de pérdida actual podría escalar a otros mercados europeos.
- Próximos Pasos (Escalabilidad): * Integrar un análisis de Cohortes para medir la retención por mes de adquisición.
- Implementar un Dashboard de Alerta Temprana que detecte caídas de volumen por país antes de que afecten al ingreso global.
- Desarrollador: Elian Daghoum
- Perfil de GitHub: https://github.com/Elian-digital
- LinkedIn/Contacto: https://www.linkedin.com/in/eliandaghoum/