Trustpilot Bewertungen in Power BI

Das Volumen auf Trustpilot folgt dem Bestellvolumen. Mehr Bestellungen, mehr Einladungen, mehr Bewertungen. Das heißt, Ihre Bewertungsanzahl und Ihre Betriebszahlen sind zwei Ansichten derselben Woche, und sie in zwei Werkzeugen zu halten, ist der Grund, warum niemand merkt, wenn sie sich widersprechen.

Bringen Sie sie auf eine Seite, und die reine Anzahl hört auf, die Kennzahl zu sein. Ein-Stern-Bewertungen pro tausend Bestellungen ist die Kennzahl. Eine gute Woche produziert in absoluten Zahlen mehr Ein-Stern-Bewertungen, und dafür sollte niemand geweckt werden; die Quote bleibt durch eine gute Woche flach und bewegt sich in dem Moment, in dem operativ etwas kaputtgeht.

Das ist eine Kennzahl. Eine Anzahl von Trustpilot Bewertungen mit Bewertung 1, geteilt durch Bestellungen, mal tausend. Beide Tabellen sind schon im Modell, also ist das DAX ein DIVIDE, und der Alarm ist eine Kachel mit bedingter Formatierung darauf.

Der Händler im Visual macht etwa 8.400 Bestellungen pro Tag und bekommt etwa 310 Trustpilot Bewertungen pro Tag. Am 2. September stieg diese Quote von 0,9 auf 3,4, während die reine Anzahl noch wie ein gewöhnlich geschäftiger Tag aussah. Der Zusteller hatte seit Montag Lieferfenster in einer Region verpasst.

Trustpilot veröffentlicht keinen Lebenszeit-Mittelwert. Der TrustScore gewichtet aktuelle Bewertungen stärker, weshalb ein schlechter Monat mehr kostet als ein altes schlechtes Jahr, und weshalb die Zahl auf Ihrem Profil fallen kann, während sich Ihr Lebenszeit-Durchschnitt kaum bewegt.

Modellieren Sie also das Zeitfenster, nicht die Lebenszeit. Eine gleitende Neunzig-Tage-Durchschnittsbewertung ist ein CALCULATE, ein AVERAGE über Rating und ein DATESINPERIOD über ReviewDate. Vier Zeilen gewöhnliches DAX über eine gewöhnliche Tabelle. Das ist eine Kennzahl, keine Feature-Anfrage, und niemand muss warten, bis ein Anbieter sie liefert.

Stellen Sie beide Reihen in ein Diagramm, und die Lücke führt das Argument. Der Lebenszeit-Durchschnitt des Händlers liegt bei 4,4 und liegt dort seit zwei Jahren. Seine gleitende Neunzig-Tage-Bewertung liegt bei 3,9. Die Lebenszeit-Zahl ist die, die in die Vorstandspräsentation geschossen wird, und sie ist die, die das Quartal versteckt.

Dann schneidet dasselbe Zeitfenster weiter auf. Gleitende neunzig Tage nach Region, nach Standort, nach Tag, von derselben Kennzahl und derselben Tabelle, denn Aufschlüsseln ist genau das, wofür ein semantisches Modell da ist.

Trustpilot Bewertungen werden bearbeitet, und sie werden gemeldet und entfernt. Ein Feed, der Ihnen immer nur den aktuellen Zustand gibt, lässt beides so aussehen, als wäre nichts passiert, und Ihr Bericht driftet still von dem Profil weg, das er zu beschreiben behauptet.

Der Feed trägt einen Änderungsstream. ReviewChanges sind Inserts, Updates und Deletes als Zeilen, sodass ein Stern, den ein Kunde nach Ihrer Lösung der Lieferung auf vier anhob, und ein Stern, den Trustpilot nach einem Einspruch entfernte, beide als Ereignisse mit Zeitstempel im Modell ankommen.

Auf Trustpilot zählt das mehr als an den meisten Orten. Melden ist Teil davon, wie die Plattform funktioniert, die Bewertung ist die ganze Zeit über öffentlich, in der sie geprüft wird, und wie viele Ihrer Bewertungen entfernt werden, ist selbst eine Zahl, die es zu beobachten lohnt, statt einer Lücke im Diagramm.

Inkrementelle Aktualisierung funktioniert aus demselben Grund. ReviewDate ist ein echtes datetimeoffset, nach dem der Feed filtern kann, also faltet Power Query ein RangeStart- und RangeEnd-Fenster direkt in die Anfrage. Das erste Laden bringt Ihre Historie, dann zieht das Dataset das Zeitfenster statt der ganzen Welt.