Lompat ke konten utama
StableTerakhir diperbarui: 27 Okt 2026, 16.14

Analitik Performa, Funnel Penjualan & Audit AI

Mengelola volume obrolan yang tinggi di WhatsApp menuntut visibilitas yang tepat terhadap metrik bisnis. Modul Analitik DagangBot memproses ribuan titik data metrik interaksi harian (secara real-time maupun historis) untuk menyajikan laporan terkait efektivitas mesin AI (resolusi keluhan), korelasi funnel penjualan terhadap pendapatan, dan biaya audit utilitas token kecerdasan buatan.

Stable

1. Ikhtisar & Nilai Bisnis

Pendekatan operasional yang digerakkan oleh data (data-driven) memungkinkan manajer mengevaluasi Return of Investment (ROI) dari asisten virtual versus tim representatif staf manusia (Customer Service). Analisis yang komprehensif memainkan peranan penting dalam pengambilan keputusan operasional.

1.1 Metrik Pertumbuhan Utama

Dalam mengukur skala bisnis, platform menyediakan komparasi dari periode-ke-periode yang melingkupi:

  • Visibilitas Tren Transaksi: Rangkuman ringkas pertumbuhan metrik penting dari periode ke periode, termasuk persentase deviasi pertumbuhan pesanan (OrdersGrowthPercent) dan pendapatan bruto (RevenueGrowthPercent).
  • Audit Konsumsi Token Berbasis IDR: Modul ini menerjemahkan hitungan komputasi abstrak (TokenConsumed) ke nominal estimasi nilai Rupiah sesungguhnya (TokenCostIDR), mencegah syok penagihan (billing shock) dengan menunjukkan seberapa mahal beban AI pada toko per harinya.

1.2 Metrik Kinerja dan Kualitas AI

Pemantauan performa otomatisasi berfokus pada dua aspek fundamental:

  • Efisiensi Mesin (AI Resolution Rate): Parameter akurat untuk mengukur berapa persen percakapan (chat inbound) yang sepenuhnya selesai tanpa memerlukan sentuhan campur tangan manusia (EscalationCount ke staf CS).
  • Pemantauan Kapasitas Agen Lapangan: Memberi pemilik akses data waktu pengerjaan staf dalam satuan Average Resolution Time Minutes dan jumlah keluhan yang ditangani per staf secara detail (AgentPerformanceItem).

1.3 Mekanisme Caching Redis

Caching Agregasi Harian

Agar menjaga latensi query database serendah mungkin, metrik agregasi makro di-cache pada lapisan data Redis dan akan dibersihkan/direkalkulasi ulang sesuai jendela jeda TTL (Time to Live) atau bila ada pergantian bulan. Beberapa klik yang terjadi sepersekian detik lalu mungkin belum tercermin secara serentak karena jeda rekalkulasi background worker.

Dalam operasional tinggi, menghitung seluruh percakapan yang masuk secara real-time ke database relational bisa menyebabkan bottleneck. Oleh karena itu, platform memanfaatkan arsitektur Redis dengan karakteristik:

  • Penyimpanan Metrik Sementara (Ephemeral Storage): Dashboard overview membaca nilai-nilai seperti total_chats_in dari Redis yang disinkronisasi setiap interval waktu tertentu.
  • Penurunan Beban Query (Query Offloading): Cache hit di Redis mencegah kueri analitik berat ke tabel historis setiap kali manajer memuat ulang (refresh) halaman pelaporan Dasbor Laporan & Analitik.
  • Rekalkulasi dan Purge: Cron job yang dieksekusi oleh AggregateDailyMetrics berjalan setiap tengah malam untuk menyimpan secara permanen nilai dari Redis ke dalam tabel basis data PostgreSQL analytics_daily.

2. Alur Visual & Antarmuka

Dasbor analitik dibangun dengan mengedepankan prinsip aksesibilitas visual (data visualization) yang menempatkan metrik kritis pada area above-the-fold (area layar yang langsung terlihat tanpa menggulir). Semua panel diperbarui berdasarkan rentang waktu seleksi.

2.1 Panel Metrik Makro (Overview Metrics)

Pada saat pertama kali dimuat, aplikasi secara asinkron memanggil API /overview dan mengembalikan respons berstruktur OverviewResponse. Tampilan antarmuka ini kemudian menampilkan deretan kartu Key Performance Indicator (KPI) yang meliputi ringkasan chat, total omset penjualan, hingga rata-rata kecepatan balasan. Indikator berupa panah hijau atau merah akan muncul otomatis berdasarkan komparasi dari periode sebelumnya.

2.2 Representasi Grafik Konsumsi dan Konversi

Berikut adalah contoh representasi grafik laporan dasbor audit token AI dan metrik makro transaksi pada panel DagangBot:

Dasbor metrik performa percakapan utama, ringkasan nilai omset, dan volume chat harian
Dasbor analitik pelacakan volume percakapan dan konversi penjualan

Grafik batang (bar chart) pada laporan utilitas memplot array dari entitas AnalyticsDailyRecord. Sumbu-Y vertikal mewakili nominal Rupiah (atau ekuivalen token), sedangkan sumbu-X horizontal mewakili hari (tanggal 1 hingga 30/31). Pengguna dapat menyorot (hover) pada salah satu batang harian untuk memunculkan tooltip jumlah permintaan RAG spesifik pada tanggal tersebut.

Tabel pelacakan performa tim agen dan rata-rata durasi percakapan
Laporan metrik performa agen staf customer service

Pada dasbor performa penjualan, manajer disuguhkan funnel chart (grafik corong) interaktif. Metrik dipetakan secara sekuensial dari lapisan paling atas (TotalChatsIn) menurun ke TotalOrders, sehingga terbentuk visualisasi tingkat lolos konversi dari prospek menjadi pelanggan berbayar (paying customer).

3. Panduan Langkah-demi-Langkah

Untuk menavigasikan lapisan analitik dan mengisolir tren harian, silakan ikuti petunjuk konfigurasi antarmuka laporan ini:

3.1 Penarikan Laporan Dasar

  1. 1

    Langkah 1: Atur Jendela Agregasi Waktu (Time Windows)

    Pada Dasbor Laporan & Analitik, gunakan jendela Date Picker API dengan mengirim parameter kueri batas atas dan bawah (from, to). Opsi standar bawaan meliputi Hari Ini, 7 Hari Terakhir, Bulan Ini, dan rentang ubah suai (Custom Date Range). Pastikan periode waktu mencerminkan siklus bisnis (misalnya 1-30/31 setiap bulannya).

  2. 2

    Langkah 2: Pantau Funnel Rasio Respons Otomatis

    Gulir ke bawah area metrik performa percakapan. Perhatikan kolom ChatsResolvedByAI dan bandingkan dengan ChatsResolvedByHuman. Funnel keberhasilan bot idealnya menekan angka eskalasi seminimum mungkin, mempertahankan AIResolutionRate > 75%. Lakukan evaluasi secara harian atau mingguan.

  3. 3

    Langkah 3: Evaluasi Metrik Pendapatan (Revenue Metrics)

    Pada tab Pendapatan, amati angka TotalRevenue dan AvgOrderValue (Nilai Pesanan Rata-Rata). Parameter ini merangkum state perpindahan Sales Pipeline ketika status pergerakan kartu telah bergeser menjadi konversi penjualan sukses (Paid / Closed). Ini dapat digunakan untuk melihat efektivitas promosi pesan broadcast.

  4. 4

    Langkah 4: Ekspor Laporan CSV Berkala

    Tekan ikon Ekspor ke CSV untuk memanggil layanan ExportCSV. Sistem akan langsung menyusun buffer dari query periode tersebut mencakup kolom Tokens Consumed dan Token Cost (IDR), memfasilitasi integrasi laporan rekonsiliasi spreadsheet akuntansi staf keuangan.

3.2 Skenario Penggunaan Lanjutan (Advanced Scenarios)

Bagi manajer analitik dan pengawas tingkat lanjut, platform mendukung skenario penggalian data berikut:

  • Pembandingan Tren Antar Periode (Period-over-Period Analysis): Platform memberikan output TrendMetrics yang mengkomparasi data Current (contoh: 1-7 Oktober) dengan Previous (contoh: 24-30 September). Manajer dapat dengan instan melihat apakah RevenueGrowthPercent atau ChatsGrowthPercent menunjukkan nilai positif atau negatif, memungkinkan penyesuaian anggaran pemasaran secara cepat.
  • Identifikasi FAQ Tertinggi (Top FAQ Identification): Dengan struktur struktur FAQItem, merchant dapat mengisolasi jenis keluhan yang sering muncul (topic dan category). Insight ini digunakan untuk memperkaya konten Knowledge Base demi menekan EscalationCount.
  • Pelacakan Performa Staf Individu: Melalui model AgentPerformanceItem, manajer mengevaluasi staf berdasarkan jumlah eskalasi yang diselesaikan (EscalationsHandled) serta waktu penyelesaian rata-rata (AvgResolutionTimeMinutes). Sangat berguna untuk sistem bonus atau evaluasi perbaikan standar prosedur operasi (SOP) bulanan.

4. Parameter & Spesifikasi Teknis

Daftar berikut menjabarkan nama metric identifier sesungguhnya dan jendela parameter pada lapisan data platform (direpresentasikan oleh struktur AnalyticsDailyRecord):

4.1 Definisi Metrik Komunikasi (Chat Metrics)

Nama Parameter Kode Definisi Analitik Metrik Signifikansi Pengukuran
TotalChatsIn Akumulasi sesi obrolan (inbound message sessions) yang dimulai atau dikirim oleh pelanggan pada hari tersebut. Pengukur minat interaksi mentah, volume leads, dan beban trafik server bot.
AvgResponseTimeSeconds Rata-rata durasi balasan sistem (SLA Speed). Kecepatan latensi balasan bot (target < 3 detik). Waktu respon yang tinggi mengindikasikan antrean queue bot padat.
ChatsResolvedByAI Sesi chat yang berujung pada penyelesaian tanpa fallback ke agen. Menunjukkan efektivitas kemampuan konversi mesin bahasa (AI) dalam menangani transaksi mandiri.
AIResolutionRate Persentase yang dihasilkan dari pembagian ChatsResolvedByAI dengan TotalChatsIn. Bukti kelayakan Knowledge Base menangani FAQ secara otomatis tanpa eskalasi bantuan staf manusia.
EscalationCount Jumlah keseluruhan sesi yang secara eksplisit atau fallback dikonversikan ke Customer Service manusia. Indikator tingginya kompleksitas masalah pelanggan yang tidak dapat ditangani prompt saat ini.

4.2 Definisi Metrik Bisnis & Finansial (Sales & Cost Metrics)

Nama Parameter Kode Definisi Analitik Metrik Signifikansi Pengukuran
TotalOrders Total keseluruhan pesanan fisik/digital yang divalidasi dan lunas pada periode waktu tertentu. Pengukur sukses konversi dari tahap prospecting obrolan menuju pembelanjaan akhir cart.
AvgOrderValue Hasil pembagian antara total omset (TotalRevenue) dengan total penjualan (TotalOrders). Daya beli dan afinitas pelanggan; metrik strategis untuk strategi dorongan upselling melalui bot.
TotalBookings Total layanan reservasi/kunjungan yang sukses dijadwalkan oleh bot RAG. Konversi kunci bagi demografi model usaha Service (seperti Klinik Medis / Salon Kecantikan / Rental).
TokenConsumed Sumasi kalkulasi token, mencakup input_tokens (pertanyaan) dan output_tokens (jawaban) dari setiap transaksi LLM RAG. Melacak batas sisa pemakaian utilitas kecerdasan buatan LLM berdasarkan API vendor pihak ketiga (OpenAI, DeepSeek).
TokenCostIDR Hasil translasi dari jumlah TokenConsumed dikalikan faktor rate biaya token AI per model. Representasi absolut beban pengeluaran harian merchant terhadap layanan generatif berbasis token.

5. Relasi & Integrasi

Lapisan analitik bertindak sebagai cermin muara dari modul fungsional platform lainnya. Seluruh data agregasi harian akan mensinkronisasikan perubahan dari event source (sumber kejadian) pada sistem inti:

5.1 Integrasi dengan Modul Billing (Sistem Kuota)

Subsistem Tagihan atau Billing akan terus memonitor nilai TokenConsumed dan TokenCostIDR dari layanan analitik.

  • Peringatan Kuota Menipis: Sistem billing bergantung pada akumulasi analitik untuk memicu pengiriman notifikasi (webhook alert) ke pemilik toko ketika sisa token menipis.
  • Validasi Free-Tier vs Berbayar: Analitik berfungsi memisahkan perhitungan biaya jika ada promosi koin bebas biaya awal pendaftaran, sehingga tidak mempengaruhi TokenCostIDR riil saat siklus penagihan bulanan.

5.2 Integrasi dengan Pipeline Sales

Modul Kanban Pipeline Sales adalah penyumbang data (data donor) utama ke struktur metrik penjualan.

  • Sistem Rekonsiliasi Otomatis: Perubahan status transaksi (misalnya dari Pending ditarik ke Paid) pada Kanban otomatis memancarkan event pembaruan nilai TotalOrders dan TotalRevenue.
  • Validasi AvgOrderValue: Memastikan nilai pesanan yang dihapus (dibatalkan/Refund) akan mengurangi rekap TotalRevenue berjalan pada analytics_daily sesuai hari invoice tersebut terbentuk.

5.3 Manajemen Multi-Branch (Kantor Cabang)

Pada skenario bisnis omnichannel berskala menengah-besar:

  • Filter Demografi Branch: Parameter query ekstensi branch_id memfasilitasi segmentasi data di dasbor analitik.
  • Leaderboard Agen per Outlet: Memungkinkan komparasi langsung kinerja CS antara toko cabang A dan cabang B berbekal struktur array AgentPerformanceItem, memacu peningkatan kualitas Customer Satisfaction di berbagai geografi operasional tanpa tercampur.

6. Pemecahan Masalah (Troubleshooting)

6.1 Kendala Visualisasi Data

Gejala Masalah Penyebab Utama Solusi & Penanganan
Tidak ada rekaman transaksi penjualan muncul meski pesanan lunas. Pergeseran kartu transaksi Pipeline gagal tersinkron ke rekap analitik harian, atau pesanan berasal dari luar rentang agregasi (date window). Ubah parameter date picker menjadi bulan bersangkutan (menyamakan StartDate dan EndDate), lalu refresh laman dasbor. Pastikan tidak ada eror asinkron (message broker) saat perpindahan kolom kanban pesanan.
Nilai "Token Cost IDR" tetap nol padahal bot terus membalas percakapan. Konfigurasi nilai agregasi harga per token LLM (biasanya OpenAI / DeepSeek / Llama) pada parameter administrasi master pusat belum diatur kompensasinya. Kendala administrasi terpusat. Biaya otomatis dieksekusi dengan fallback harga free-tier Rp0. Konsumsi tetap memotong sisa paket koin merchant. Hubungi dukungan Superadmin untuk merevisi Pricing Model.

6.2 Kendala Metrik Operasional

Gejala Masalah Penyebab Utama Solusi & Penanganan
Kalkulasi "Chats Resolved By AI" stagnan atau merosot ekstrem. Model pengklasifikasian Stale After Hours dari pipeline otomatis memindahkan kartu obrolan usang tanpa interaksi, atau bot terjeda ke status eskalasi terus menerus (EscalationCount melonjak akibat perubahan prompt sistem). Staf perlu secara manual meresolusi tiket tersangkut. Tinjau kembali basis pengetahuan (Knowledge Base) atau modul pelacakan Anti-Fraud agar deteksi ancaman palsu (spam) ditekan kembali.
Persentase Pertumbuhan (Growth Percent) menunjukkan angka Infinity (Tak Terhingga) atau tidak logis. Nilai dari Previous Period (TotalChats, TotalRevenue, dll) adalah 0 (nol) bulat, sehingga fungsi pembagian komparasi menghasilkan rentang eror asimtotik matematis. Abaikan nilai NaN atau Infinity sementara. Modul analitik secara standar harusnya mengembalikan komparasi 100% jika pembaginya nol. Jika tampilan tetap cacat, kurangi rentang tanggal picker hari dimana operasional bernilai non-nol.
Gagal mengunduh ringkasan CSV (Time Out Server). Rentang ekspor mencakup parameter jendela harian yang terlampau besar (contoh: kueri histori dump multi-tahun tanpa menyertakan limitasi baris basis data). Perkecil rentang waktu (windowing search) ekspor menjadi iterasi laporan per-bulan untuk mengurangi dimensi payload string buffer dan beban memori di basis data sebelum ditransformasikan oleh parser encoding/csv ke frontend.

7. Referensi Terkait

content/docs/features/analytics.mdx
Terakhir diperbarui: 27 Okt 2026, 16.14

Dokumentasi teknis DagangBot