Dashboard Ventas Coffee Shop

Contexto del caso

Este caso de portfolio usa un dataset de una cadena de cafeterías para simular el tipo de tablero que necesitaría un líder de operaciones cuando personal, stock y promociones se siguen planeando por intuición.

Objetivo analítico

El tablero se diseñó para responder tres preguntas operativas:

• Cuándo se concentra la demanda y dónde aparece más presión sobre los turnos
• Qué productos se mueven mejor por franja horaria y patrón semanal
• Dónde conviene ajustar inventario o activar promociones primero

Decisiones de modelado y visualización

Construí el caso alrededor de una tabla calendario y una capa temporal que permitiera comparar demanda por hora, comportamiento por día y contribución por producto en una sola experiencia.

La solución incluye:

• KPIs de ventas y transacciones con segmentación temporal
• Heatmaps y visuales por hora para detectar ventanas críticas
• Lectura por producto para conectar demanda con decisiones de stock
• Comparativo laboral vs fin de semana para acciones comerciales

Stack técnico

Componente	Implementación
BI y visualización	Power BI Desktop + Service
Modelado	Star schema + tabla calendario
Métricas	DAX con Time Intelligence
ETL	Power Query
Visuales	Heatmaps, KPIs dinámicos y comparativos temporales

Decisiones que habilita

• Ajustar cobertura de turnos en las horas con mayor presión operativa
• Reforzar stock de categorías de alta salida en picos específicos del día
• Separar estrategias de promoción para días laborales y fines de semana

¿Por qué este caso importa?

Este caso muestra mi capacidad para pasar de transacciones crudas a insight operativo. No se queda en “ventas por hora”; aterriza la lectura en turnos, stock y decisiones que un equipo de operaciones realmente puede usar.

Case Context

This portfolio case study uses a coffee-shop dataset to simulate the kind of dashboard an operations lead would need when staffing, stock, and promotions are still planned from intuition.

Analytical Objective

The dashboard was designed to answer three operational questions:

• When demand peaks and where staffing pressure is highest
• Which products move better by time of day and weekday pattern
• Where inventory or promotion adjustments should happen first

Data and Modeling Decisions

I built the case around a date table plus time-based analysis so the dashboard could compare hourly demand, daily behavior, and product contribution in one place.

The solution includes:

• Sales and transaction KPIs with temporal segmentation
• Heatmaps and time-based visuals to expose peak windows
• Product-level reading to connect demand patterns with inventory moves
• Weekend vs weekday comparisons for commercial actions

Technical Layer

| Component | Implementation | |-----------|----------------| | BI & Visualization | Power BI Desktop + Service | | Modeling | Star schema + calendar table | | Metrics | DAX with Time Intelligence | | ETL | Power Query | | Visuals | Heatmaps, dynamic KPIs, temporal comparisons |

Value of the Case

This case shows my ability to move from raw transactions to operational insight. It is not only about reading sales; it is about turning transaction history into staffing, stock, and promotion decisions that an operations team can actually use.