Подробности
Задача
Из выгрузки заказов сервиса доставки еды требовалось сделать дашборд для операционного менеджера. В данных: 8 225 заказов, 12 ресторанов, 3 города и 6 недель. Нужно было найти перегруженные рестораны, нарушения SLA и точки, где стоит перераспределить курьеров и поваров.
Анализ данных в Python
С помощью pandas посчитал SLA, время кухни и доставки, загрузку и отмены. Разобрал узкие места по часам, зонам, погоде и уровню загрузки, чтобы визуализация отвечала на операционные вопросы, а не просто показывала общие цифры.
От простого промпта к рабочему прототипу
Собрал в draw.io три версии дашборда с помощью ИИ и сравнил подходы: простой промпт, подробное техническое задание и ТЗ с правилами визуализации. Проверил палитру на читаемость при дальтонизме.
Итоговый прототип выстраивает путь от общего SLA к конкретным ресторанам, времени суток и решениям на следующую неделю.
Реализация в Yandex DataLens
Подключил данные, подготовил датасеты с вычисляемыми полями и собрал 15 чартов: KPI, рейтинги, тепловую карту «город × зона» и тренды. Добавил фильтры по городу, ресторану, зоне и уровню загрузки.
Что показал анализ доставки
- При пиковой загрузке опаздывает 53% заказов, при низкой только 6%.
- У «Рамен порт» в Санкт-Петербурге доля опозданий составила 40%, у «Пицца Волга» в Казани 32%.
- В тех же городах есть рестораны с 6–7% опозданий. Это кандидаты для проверки возможности перераспределения курьеров.
- В снег опаздывает каждый второй заказ. В рекомендациях предусмотрен погодный резерв курьеров.
На дашборде размещён блок «Решения на неделю» с конкретными действиями по кухне, курьерам и зонам доставки. Это выводы анализа и предложения менеджеру, а не уже достигнутое снижение опозданий.
Второй дашборд: личные расходы
Собрал отдельный дашборд для учёта расходов: бюджет против факта по месяцам, категории покупок, необходимые траты и «хотелки». Добавил выводы о том, где можно сократить расходы.
Результат
За один день подготовил два интерактивных дашборда: операционную аналитику доставки и учёт личных расходов. Менеджер видит, где нарушаются сроки, как влияет загрузка и какие действия стоит запланировать.
Инструменты
Python (pandas), draw.io, Yandex DataLens, ИИ-ассистенты для прототипирования.