Reporting centralizzato per una catena di 12 caffetterie: stesso latte, 9 città

Una catena third-wave stile Kronotrop con 12 locali in 9 città: baristi diversi, stesso menu, stesso SKU latte. Il regional manager vuole un'unica dashboard padre il lunedì, non 12 tab. Ecco il setup Looker Studio multi-tenant con rilevazione anomalie.

Architettura: locale → BigQuery → Looker

Ogni locale carica un JSON giornaliero su Cloud Storage alle 00:30 UTC. Una scheduled query BigQuery alle 03:00 fa UPSERT nella tabella partizionata orders_daily. Looker Studio si collega a quella tabella — non c'è stitching tra 12 fonti.

Quattro pagine: Panoramica, Confronto locali (heatmap), Drill-down prodotto, Anomalie. I filtri persistono tra pagine.

Granularità: prodotto × locale × ora × settimana

Senza la granularità giusta non puoi dire che il latte è calato questa settimana. Schema:

• Oraria: (branch_id, sku, ora, giorno) — anomalia peak hour
• Giornaliera: (branch_id, sku, data) — baseline Z-score
• Settimanale: (branch_id, sku, settimana_iso) — variazioni WoW

12 locali × 60 SKU × 365 giorni ≈ 263k righe/anno. BigQuery sotto 0,02 $/mese.

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

Una query calcola alle 04:00 μ e σ su finestra mobile di 28 giorni per ogni coppia (locale, prodotto). Il valore odierno (oggi - μ) / σ è il Z-score. Se |Z| ≥ 2, riga in anomalies, Cloud Function manda messaggio a Slack #ops-alerts.

Esempio: "Kadıköy Flat White Z=-2,4 (oggi 18, media 47). Probabile barista nuovo o calibrazione espresso." Il supervisor chiama entro 30 minuti. Falsi positivi ~12% — accettabile.

FAQ

Looker Studio è gratis per 12 locali? Sì. Looker Studio è gratuito; paga solo BigQuery — sotto 5 $/mese a questo volume.

Non abbiamo POS, solo thMenu. Funziona? Sì. Export notturno da D1 a R2, poi carico in BigQuery. Pro+ espone il feed analytics.

Perché 2σ e non 3σ? 3σ è troppo conservativo — perderesti cali operativi reali. 2σ dà 88% precision con buon recall.

Ti è stato utile? Condividilo.