Från biljettdata till dashboard och enkla prediktioner

Syfte: Visa hur man med enkel biljettdata kan:

• förstå försäljning och publikbeteende
• filtrera och segmentera i en dashboard
• hitta samband och skapa en första prediktiv hypotes (exempel: återkommande kund)

Vad är biljettdata (i generella termer)?

• Biljettdata kan komma i olika detaljnivå:
  • en rad per order (vanligt, enkelt att komma igång)
  • en rad per biljett
  • en rad per kund (kunder med aggregerade mått)
• Oavsett system brukar man ofta ha en liknande kärna:
  • tid: när köpt, när eventet är
  • plats: sektion, arena, ort
  • pris: pris per biljett, rabatter, totalsumma
  • kanal: webb, app, kassa, partner
  • segment: ålder, kön (om det finns), land, B2B/B2C, medlemskap
  • ibland: extern data (väder, veckodag, motstånd)

Demo

Vi kommer här visa en demo på hur man med hjälp av en dashboard kan visualisera data och således få insikter.

Datasetet i demon (mockdata)

• Vi använder påhittad data (mockdata) som liknar CRM/biljettsystem men utan personuppgifter.
• Varje rad representerar en order, vilket gör det lätt att bygga KPI:er och grafer.

Exempel på kolumner

• Köp: purchaseRefno, status, createdUtc
• Event: game_date, game_name, weekday, gameAttendance, gameIsWin
• Segment: city, countryCode, age, gender, isCompany, isForeign
• Pris: pricePerTicket, ticket_count, totalPrice, discountCodeName, isCampaign
• Väder: weather_temp, weather_code, weather_isbad
• Label för prediktiv del: recurring (0/1)

Vilka frågor kan man besvara med enkel biljettdata?

• Intäkter: intäkt per match, sektion, kanal, ort
• Volym: antal orders och biljetter
• Segment: vilka köper? (kön, ålder, ort, B2B/B2C)
• Timing: när köper folk? (lead time: days_to_game)
• Kampanjer: påverkar rabatt volym, pris, timing?
• Yttre faktorer: samband med väder eller veckodag?

Från data till insikter

KPI

• Intäkt
• Orders
• Biljetter
• Snittpris

Grafer

Intäkt över tid, per sektion, per kanal, per ort.

Dashboard-exemplet

Det här kommer du se i exemplet

Byggblock

• Filter:
  • kön
  • ålder (min/max)
  • (valfritt) endast completed
• KPI-rutor:
  • total intäkt
  • antal orders
  • antal biljetter
  • snittpris
• Grafer:
  • intäkt över tid
  • orders per sektion
  • orders per kanal
  • intäkt per ort (top 10)

Filter

Varför filter är nyckeln

• Utan filter ser du bara snitt över alla.
• Med filter kan du jämföra segment, t.ex.:
  • “Skiljer sig beteende mellan åldersgrupper?”
  • “Vilken kanal dominerar per segment?”
  • “Hur skiljer pris/sektion mellan återkommande och nya?”

Från beskrivande till prediktivt tänk

• Beskrivande: vad hände? (historik och uppdelningar)
• Diagnostiskt: varför hände det? (samband och skillnader)
• Prediktivt: vad kan hända? (enkla modeller eller sannolikheter)

I demon använder vi en enkel flagga:

• recurring = om kunden är återkommande eller inte

Korrelationsmatrisen

Vad är korrelation?

• Ett tal från -1 till 1 som beskriver linjärt samband:
  • nära 1: rör sig ofta ihop
  • nära -1: rör sig ofta åt motsatt håll
  • nära 0: inget tydligt linjärt samband

OBS!

• Korrelation betyder inte orsak.
  Även om det finns en stark  matematisk korrelation kan det finnas andra anledningar till sambandet också!

Diagnostiskt - varför hände det?

Exempel: hur man tolkar samband i biljettdata

När recurring har tydligare struktur kan man ofta se:

• positivt samband mellan recurring och:
  • pricePerTicket (återkommande tenderar köpa dyrare)
  • ticket_count eller totalPrice (återkommande köper mer)
  • premiumsektioner (VIP/A)
• negativt samband mellan recurring och:
  • isCampaign (kampanj drar ofta in fler engångsköp)

Det leder till hypoteser som går att testa:

• “Premiumköpare har större sannolikhet att komma tillbaka”
• “Kampanj fungerar för nykund men kräver åtgärder då de inte blir återkommande i signifikant grad”

Vad blir nyttan?

Du kan:

• Segmentera
• Kampanjutvärdera
• Få insikter om vad som påverkar återkommande besökare

Hur man använder detta i praktiken (generell guide)

1. Inventera data. Alla biljettsystem har någon typ av möjlighet att exportera data.
2. Samla kärnkolumner (tid, pris, plats, kanal, segment)
3. Städa och standardisera
4. Bygg en dashboard för nuläget
5. Definiera en flagga (vad vill du prediktera?)
   • återkommande kund
   • no-show risk
   • sannolikhet att köpa premium
   • early buyer vs late buyer
6. Kör korrelationsmatris som första övning
7. Översätt till actions:
   • segmenterade CRM-utskick
   • prissättning och kampanjval
   • upsell till premiumsektion
   • retention-strategi

Exempel på verktyg

Här är några förslag på verktyg som finns som man kan använda för att visualisera data utan att bygga en egen dashboard från grunden

• Excel/Google Sheets
• MS PowerBI
• Tableau

Demodashboard

Här är länken till vår exempeldashboard. Går du in här kan du testa den och använda den kunskap du nyss har fått. Vill du se mer om dashboardens olika delar kan du fortsätta titta i presentationen. Där går vi igenom dess delar än mer på djupet.

Exempel demodashboard

Filter: Köpkanal gamla kontra unga

Här är ett exempel på hur man sätter filtren för att kunna segmentera - titta på ordrar per kanal för äldre kontra yngre

Överkurs: Exempel demodashboard

Intäktsprognos unga kvinnor jmf alla kvinnor

Exempel demodashboard

Histogram

Ett histogram är en grafisk representation som visar fördelningen i dataset genom att dela upp datan i lika stora "lådor" eller intervall och visa frekvensen av värden inom varje låda som en stapel.

Demodashboard

För krångligt?

Hur långt kan man komma med sin data och ChatGPT?

För krångligt?

Vi laddar upp vår testdatafil och ber ChatGPT 5 om en analys!