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.
Stable1. 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
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_indari 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:

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.

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
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
Langkah 2: Pantau Funnel Rasio Respons Otomatis
Gulir ke bawah area metrik performa percakapan. Perhatikan kolom
ChatsResolvedByAIdan bandingkan denganChatsResolvedByHuman. Funnel keberhasilan bot idealnya menekan angka eskalasi seminimum mungkin, mempertahankanAIResolutionRate> 75%. Lakukan evaluasi secara harian atau mingguan. - 3
Langkah 3: Evaluasi Metrik Pendapatan (Revenue Metrics)
Pada tab Pendapatan, amati angka
TotalRevenuedanAvgOrderValue(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
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 ConsumeddanToken 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
TrendMetricsyang mengkomparasi dataCurrent(contoh: 1-7 Oktober) denganPrevious(contoh: 24-30 September). Manajer dapat dengan instan melihat apakahRevenueGrowthPercentatauChatsGrowthPercentmenunjukkan 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 (topicdancategory). Insight ini digunakan untuk memperkaya konten Knowledge Base demi menekanEscalationCount. - 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)
4.2 Definisi Metrik Bisnis & Finansial (Sales & Cost Metrics)
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
TokenCostIDRriil 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
TotalOrdersdanTotalRevenue. - Validasi AvgOrderValue: Memastikan nilai pesanan yang dihapus (dibatalkan/Refund) akan mengurangi rekap
TotalRevenueberjalan padaanalytics_dailysesuai 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_idmemfasilitasi 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
6.2 Kendala Metrik Operasional
7. Referensi Terkait
Model Perhitungan Harga Token
Rincian beban biaya TokenCostIDR per model vendor (DeepSeek/GPT).
Sales Pipeline & Manajemen Pesanan
Pergerakan status yang memengaruhi angka Funnel dan Total Orders.
Manajemen Tim & Keagenan
Cara mendaftarkan metrik Agent Performance per cabang usaha.
Cost Control & Ambang Kuota
Mengontrol penarikan biaya atas lonjakan utilitas bot secara instan.
