Centraliserad rapportering för en kaffekedja med 12 caféer: samma latte, 9 städer

En third-wave kaffekedja i Kronotrop-stil med 12 filialer i 9 städer: olika baristor, samma meny, samma latte-SKU. Regionchefen vill måndag morgon ha en föräldra-dashboard, inte 12 flikar. Här är multi-tenant Looker Studio-uppsättningen med anomalidetektion.

Arkitektur: filial → BigQuery → Looker

Varje filial lägger en daglig JSON-fil i Cloud Storage kl. 00:30 UTC. En BigQuery scheduled query kl. 03:00 UPSERTar till den partitionerade tabellen orders_daily. Looker Studio ansluter till denna enda tabell — ingen stitching mellan 12 källor.

Fyra sidor: översikt, filialjämförelse (heatmap), produkt-drilldown, anomalier. Filter behålls mellan sidor.

Granularitet: produkt × filial × timme × vecka

Utan rätt granularitet kan du inte säga att latte sjönk denna vecka. Schema:

• Timme: (branch_id, sku, timme, veckodag) — peak hour anomali
• Daglig: (branch_id, sku, datum) — Z-score baslinje
• Veckovis: (branch_id, sku, iso_vecka) — vecka mot vecka

12 filialer × 60 SKU × 365 dagar ≈ 263k rader/år. BigQuery håller detta under 0,02 $/månad.

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

Frågan beräknar kl. 04:00 i ett 28-dagars glidande fönster μ och σ per (filial, produkt). Dagens värde (idag - μ) / σ är Z-score. Vid |Z| ≥ 2 rad i anomalies, Cloud Function avfyrar Slack #ops-alerts.

Exempel: "Kadıköy Flat White Z=-2,4 (idag 18, snitt 47). Trolig orsak: baristabyte eller espresso-kalibrering." Supervisor ringer inom 30 minuter. Falsk-positiv ~12% — acceptabelt.

FAQ

Är Looker Studio gratis för 12 filialer? Ja. Looker Studio är gratis; bara BigQuery kostar — under 5 $/månad vid denna volym.

Vi har ingen POS, bara thMenu. Funkar det? Ja. Nightly export från D1 till R2, sedan till BigQuery. Pro+ tier exponerar analytics-flödet.

Varför 2σ och inte 3σ? 3σ är för konservativt — verkliga driftsdippar skulle slippa igenom. 2σ ger 88% precision med god recall.

Var detta hjälpsamt? Dela det.