Avis Trustpilot vers Power BI

Le volume sur Trustpilot suit le volume de commandes. Plus de commandes, plus d'invitations, plus d'avis. Ce qui veut dire que votre nombre d'avis et vos chiffres opérationnels sont deux vues de la même semaine, et les garder dans deux outils est la raison pour laquelle personne ne remarque quand ils se contredisent.

Mettez-les sur une seule page, et le nombre brut cesse d'être l'indicateur. Les avis une étoile pour mille commandes, voilà l'indicateur. Une bonne semaine produit plus d'avis une étoile en valeur absolue, et personne ne devrait être alerté pour ça ; le ratio reste plat pendant une bonne semaine et bouge dès qu'un problème opérationnel survient.

C'est une seule mesure. Un décompte des avis Trustpilot à la note 1, divisé par les commandes, fois mille. Les deux tables sont déjà dans le modèle, donc le DAX tient en un DIVIDE et l'alarme est une carte avec une mise en forme conditionnelle dessus.

Le détaillant de la visualisation traite environ 8 400 commandes par jour et reçoit environ 310 avis Trustpilot par jour. Le 2 septembre, ce ratio est passé de 0,9 à 3,4 pendant que le nombre brut ressemblait encore à une journée chargée ordinaire. Le transporteur avait manqué des créneaux de livraison dans une région depuis le lundi.

Trustpilot ne publie pas de moyenne sur toute la durée de vie. Le TrustScore pèse plus fortement les avis récents, ce qui explique pourquoi un mauvais mois coûte plus cher qu'une mauvaise année ancienne, et pourquoi le chiffre sur votre profil peut chuter pendant que votre moyenne sur toute la durée bouge à peine.

Modélisez donc la fenêtre plutôt que la durée de vie entière. Une note moyenne glissante sur quatre-vingt-dix jours, c'est un CALCULATE, un AVERAGE sur Rating et un DATESINPERIOD sur ReviewDate. Quatre lignes de DAX ordinaire sur une table ordinaire. C'est une mesure, pas une demande de fonctionnalité, et personne n'a besoin d'attendre qu'un fournisseur la livre.

Mettez les deux séries sur un seul graphique, et l'écart parle de lui-même. La moyenne sur toute la durée du détaillant est à 4,4 et l'est depuis deux ans. Sa note glissante sur quatre-vingt-dix jours est à 3,9. Le chiffre sur toute la durée est celui qu'on capture en image pour le diaporama du conseil, et c'est celui qui cache le trimestre.

Ensuite, la même fenêtre se découpe. Quatre-vingt-dix jours glissants par région, par site, par tag, à partir de la même mesure et de la même table, parce que découper est exactement à quoi sert un modèle sémantique.

Les avis Trustpilot se modifient, et ils se signalent et se retirent. Un flux qui ne vous donne que l'état actuel fait passer les deux pour rien, et votre rapport dérive en silence du profil qu'il est censé décrire.

Le flux porte un flux de modifications. ReviewChanges, ce sont des insertions, des mises à jour et des suppressions sous forme de lignes, donc un avis une étoile qu'un client a fait passer à quatre après votre correctif de livraison, et un avis une étoile que Trustpilot a retiré sur recours, atteignent tous deux le modèle comme des événements horodatés.

Sur Trustpilot, ça compte plus qu'ailleurs. Le signalement fait partie du fonctionnement de la plateforme, l'avis reste public pendant toute la durée de l'examen, et le nombre des vôtres qui sont retirés est en soi un chiffre qui mérite d'être surveillé plutôt qu'un trou dans un graphique.

L'actualisation incrémentielle fonctionne pour la même raison. ReviewDate est un vrai datetimeoffset sur lequel le flux peut filtrer, donc Power Query replie une fenêtre RangeStart et RangeEnd directement dans la requête. Le premier chargement apporte votre historique, puis le jeu de données récupère la fenêtre plutôt que le monde entier.