Avis Google vers Power BI

Douze sites, douze réputations, et un seul chiffre dans le rapport de direction qui n'en décrit aucun. Dans le flux Reviewflowz, Locations est son propre jeu d'entités : une ligne par site avec un nom, une adresse, une ville, un pays, une catégorie principale et une latitude et longitude. Power BI la charge comme une table de dimension et la traite comme telle.

Le classement cesse donc d'être une tâche mensuelle. Déposez Location sur l'axe, la note moyenne sur la valeur, triez par ordre décroissant, et le classement que votre responsable des opérations assemblait à la main se redessine à chaque actualisation. Personne ne le reconstruit, donc personne ne le saute lors d'un mois chargé.

Parce que c'est une vraie dimension, ça fait plus que classer. Note moyenne par ville, par catégorie, ou sur une carte, puisque les coordonnées sont des colonnes plutôt que quelque chose que vous géocodez après coup. C'est la différence entre une liste de sites et un modèle de sites.

La ligne d'avis porte aussi le nom du site, donc le premier graphique n'a besoin d'aucune jointure. La jointure vous apporte le reste : l'adresse, la catégorie, les coordonnées.

Une moyenne sur toute la durée, c'est quatre ans de bonne volonté qui l'emportent sur trois mauvais mois. Un site peut chuter de 4,6 à 3,6 sur ses avis récents pendant que son chiffre sur toute la durée dérive de 4,5 à 4,3, et le temps que ce chiffre bouge assez pour qu'on en discute, le responsable qui aurait pu corriger le tir est déjà parti.

Une moyenne glissante est une mesure, pas un projet. CALCULATE, DATESINPERIOD, quatre-vingt-dix jours, sur une table ordinaire. Mettez Location en légende et vous avez une ligne par site sur un seul graphique, et le site qui décroche des autres se voit depuis l'autre bout de la pièce.

L'alerte est alors celle de Power BI lui-même. Réglez un seuil sur la mesure glissante, épinglez-le sur une tuile de tableau de bord, et le site qui le franchit le signale au lieu d'être découvert lors de la revue trimestrielle.

La raison se trouve généralement dans les tags, qui arrivent déjà remplis. Reviewflowz lit chaque avis à son arrivée et le classe sous les thèmes que vos clients soulèvent réellement, donc « temps d'attente » qui apparaît sur quarante des soixante derniers avis d'un site est une colonne que vous pouvez mettre en graphique plutôt qu'une intuition que quelqu'un a eue en réunion.

Power BI s'actualise selon son propre calendrier. Pointez-le vers le flux, réglez la cadence, et la page que la direction ouvre le lundi matin est à jour parce que personne n'a eu à exporter quoi que ce soit le dimanche soir.

L'actualisation incrémentielle fonctionne aussi. La date de l'avis est un vrai datetimeoffset sur lequel le flux peut filtrer, ce qui est exactement ce que Power Query replie dans une fenêtre RangeStart et RangeEnd, donc le premier chargement apporte votre historique et chaque actualisation suivante récupère une fenêtre plutôt que tout le parc.

Une suppression est une ligne, pas un silence. Le flux porte un flux de modifications des insertions, mises à jour et suppressions, donc un auteur qui remonte un avis une étoile après l'appel de votre responsable, et un avis que Google retire, atteignent tous deux le modèle comme des événements. Le rapport ne dérive jamais en silence de la fiche.

L'historique vient avec le premier chargement. Connecter une fiche de profil d'établissement Google apporte son historique d'avis avec elle, pour que la courbe de tendance de chaque site soit complète dès la première actualisation plutôt que de se remplir sur le trimestre suivant.