Centraliseret rapportering for en kaffekæde med 12 caféer: samme latte, 9 byer

En third-wave kaffekæde i Kronotrop-stil med 12 filialer i 9 byer: forskellige baristaer, samme menu, samme latte-SKU. Regionchefen vil mandag morgen have ét forældre-dashboard, ikke 12 faner. Her er multi-tenant Looker Studio-opsætningen med anomali-detektion.

Arkitektur: filial → BigQuery → Looker

Hver filial lægger en daglig JSON-fil i Cloud Storage kl. 00:30 UTC. En BigQuery scheduled query kl. 03:00 UPSERTer til den partitionerede tabel orders_daily. Looker Studio kobler til denne ene tabel — ingen stitching mellem 12 kilder.

Fire sider: overblik, filialsammenligning (heatmap), produkt-drilldown, anomalier. Filtre overlever mellem sider.

Granularitet: produkt × filial × time × uge

Uden den rigtige granularitet kan du ikke sige at latte faldt denne uge. Skema:

• Time: (branch_id, sku, time, ugedag) — peak-hour anomali
• Daglig: (branch_id, sku, dato) — Z-score baseline
• Ugentlig: (branch_id, sku, iso_uge) — uge mod uge

12 filialer × 60 SKU × 365 dage ≈ 263k rækker/år. BigQuery holder dette under 0,02 $/måned.

Z-score anomali: latte -2σ → Slack-alert

En query beregner kl. 04:00 i et 28-dages glidende vindue μ og σ per (filial, produkt). Dagens værdi (i dag - μ) / σ er Z-score. Ved |Z| ≥ 2 række i anomalies, Cloud Function affyrer Slack #ops-alerts.

Eksempel: "Kadıköy Flat White Z=-2,4 (i dag 18, gennemsnit 47). Sandsynligvis barista-skift eller espresso-kalibrering." Supervisor ringer inden for 30 minutter. Falsk-positiv ~12% — acceptabelt.

FAQ

Er Looker Studio gratis til 12 filialer? Ja. Looker Studio er gratis; kun BigQuery koster — under 5 $/måned ved dette volumen.

Vi har ingen POS, kun thMenu. Virker det? Ja. Nightly eksport fra D1 til R2, derefter ind i BigQuery. Pro+ tier eksponerer analytics-feedet.

Hvorfor 2σ og ikke 3σ? 3σ er for konservativt — reelle operationelle dyk ville smutte. 2σ giver 88% præcision med god recall.

Var dette nyttigt? Del det.