Przygotowanie danych sprzedażowych do analizy

Czy wiesz, że 80% czasu analityka e-commerce pochłania przygotowanie danych? Surowe eksporty z Allegro, WooCommerce czy Shopify to prawdziwy chaos — duplikaty, błędne formaty, brakujące wartości. Bez porządku w danych nawet najlepsze analizy prowadzą na manowce.

Audyt źródeł danych — od chaosu do systemu

Mapowanie źródeł informacji

Twoje dane sprzedażowe przypływają z kilku strumieni jednocześnie:

• Platforma e-commerce: zamówienia, produkty, klienci (CSV z WooCommerce, Excel z Allegro)
• Systemy płatności: transakcje PayU, Przelewy24, BLIK (często z różnymi formatami dat)
• Google Analytics: ruch, konwersje, źródła ruchu
• System magazynowy: stany, koszty, dostawy

Wskazówka: Stwórz tabelę mapującą wszystkie źródła — pomoże Ci zidentyfikować, które dane są kluczowe, a które można pominąć w analizie.

Częste pułapki w eksportach

Platforma Allegro eksportuje daty w formacie MM/DD/YYYY, podczas gdy WooCommerce używa DD-MM-YYYY. Shopify dodaje strefy czasowe UTC. Rezultat? Chaos w analizie trendów miesięcznych.

Dodatkowe problemy, z którymi się spotkasz:

• Różne waluty: Allegro w PLN, Amazon w EUR, eBay w USD
• Nazwy produktów: Te same produkty opisane różnie na każdej platformie
• Kody klientów: Różne formaty ID — liczby w jednym systemie, alfanumeryczne w drugim
• Statusy zamówień: "Zrealizowano", "Completed", "Shipped" — różne słownictwo tego samego stanu

Proces czyszczenia — krok po kroku

Eliminacja duplikatów

Duplikaty to 15-20% typowego eksportu. Powstają przez:

• Wielokrotne płatności za to samo zamówienie
• Błędy synchronizacji między systemami
• Anulowane zamówienia, które nie zostały usunięte
• Import danych z nakładającymi się okresami

Sposób identyfikacji w Excelu:

1. Zaznacz dane → Dane → Formatowanie warunkowe → Zduplikowane wartości
2. Usuń duplikaty przez Dane → Usuń duplikaty (wybierz kolumny: ID zamówienia + Data)
3. Uwaga: Przed usunięciem sprawdź, czy duplikaty to rzeczywiście błędy — czasem klient faktycznie kupuje ten sam produkt kilka razy

W Google Sheets: Użyj funkcji =UNIQUE(A2:J1000) dla automatycznego usunięcia duplikatów z całego zakresu danych.

Standaryzacja formatów danych

Daty: Użyj funkcji =TEKST(A2;"DD.MM.RRRR") dla ujednolicenia wszystkich dat.

Ceny: Zamień przecinki na kropki funkcją =PODSTAW(A2;",";".") i konwertuj na liczby przez =WARTOŚĆ().

SKU produktów: Usuń spacje na początku/końcu przez =PRZYTNIJ(A2).

Nazwy produktów: Ujednolic wielkie litery przez =WŁAŚCIWY(A2) — pierwsza litera każdego słowa będzie wielka.

Wskazówka: Stwórz szablon czyszczenia z formułami — zaoszczędzi Ci godziny przy kolejnych eksportach. Zapisz go jako osobny plik Excel z makrami.

Uzupełnianie luk w danych

Brakuje kategorii produktu? Użyj funkcji =WYSZUKAJ.PIONOWO() z osobną tabelą SKU → Kategoria. Brak kodu klienta? Zastąp przez "Gość_" + ID zamówienia.

Praktyczny przykład uzupełniania kategorii:

Uzupełnianie województwa na podstawie kodu pocztowego:

Optymalna struktura danych sprzedażowych

Uporządkuj kolumny w logicznej kolejności biznesowej:

| A: ID_zamówienia | B: Data | C: ID_klienta | D: SKU | E: Nazwa_produktu | F: Kategoria | G: Ilość | H: Cena | I: Wartość | J: Status |

Dodatkowe kolumny analityczne:

• Dzień tygodnia: =TEKST(B2;"dddd")
• Miesiąc: =MIESIĄC(B2)
• Marża: =(Cena_sprzedaży - Koszt_nabycia)/Cena_sprzedaży
• Kwartał: =JEŚLI(MIESIĄC(B2)<=3;"Q1";JEŚLI(MIESIĄC(B2)<=6;"Q2";JEŚLI(MIESIĄC(B2)<=9;"Q3";"Q4")))
• Segment klienta: =JEŚLI(I2<100;"Niska wartość";JEŚLI(I2<500;"Średnia wartość";"Wysoka wartość"))

Walidacja kolumn

Każda kolumna powinna mieć określony typ danych:

• ID zamówienia: Tekst (może zawierać litery i cyfry)
• Data: Data w formacie DD.MM.RRRR
• Cena/Wartość: Liczba z maksymalnie 2 miejscami po przecinku
• Ilość: Liczba całkowita dodatnia
• Status: Lista rozwijana z określonymi wartościami

Kontrola jakości — checklist przed analizą

✓ Czy sumy wartości zamówień zgadzają się z raportami księgowymi? ✓ Czy daty mieszczą się w oczekiwanym przedziale? ✓ Czy wszystkie produkty mają przypisane kategorie? ✓ Czy wartości zamówień są > 0? ✓ Czy brak absurdalnych wartości (zamówienia za 100 000 zł na świeczkę)? ✓ Czy ilości produktów są liczbami całkowitymi? ✓ Czy wszystkie statusy zamówień są ze standardowej listy? ✓ Czy format dat jest jednolity w całym pliku?

Kontrola przez pivot: Stwórz tabelę przestawną z sumą wartości według miesięcy — wychwycisz okresy z podejrzanie niskimi/wysokimi sprzedażami.

Automatyczne testy jakości

Sprawdzenie zakresów wartości:

Wykrywanie brakujących kodów pocztowych:

Automatyzacja procesu czyszczenia

Makra w Excelu

Nagraj makro wykonujące standardowe operacje:

1. Usunięcie pustych wierszy
2. Formatowanie dat
3. Usunięcie duplikatów
4. Dodanie kolumn analitycznych

Korzyści: Jednokliknięte czyszczenie każdego nowego eksportu.

Power Query dla zaawansowanych

Jeśli pracujesz z dużymi plikami (>100 000 wierszy), użyj Power Query:

• Automatyczne łączenie plików z różnych źródeł
• Transformacje bez niszczenia oryginalnych danych
• Odświeżanie jednym kliknięciem

Wskazówka: Każdy proces czyszczenia dokumentuj krok po kroku. Za miesiąc nie będziesz pamiętać, dlaczego zmieniłeś konkretną kolumnę.

Podsumowanie:

• Jakość danych to 80% sukcesu analizy e-commerce
• Zawsze mapuj źródła danych przed rozpoczęciem pracy
• Automatyzuj czyszczenie przez szablony z formułami
• Kontroluj jakość przez sumy kontrolne i zakresy wartości
• Dokumentuj każdy krok procesu czyszczenia
• Dobrze przygotowane dane = wiarygodne wnioski biznesowe