Geweldig dat je je verkoopdata wilt gebruiken voor datagedreven besluitvorming. Hieronder vind je een stapsgewijze aanpak met Python-codevoorbeelden en best practices om waardevolle inzichten te verkrijgen, KPI’s te ontwikkelen en effectieve rapportages te maken. 1. Data Voorbereiding en Verkenning Importeer je DataFrame en controleer de basisinformatie. ```python import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # Voorbeeld: laad je DataFrame # df = pd.read_csv('verkoopgegevens.csv') # Controleer eerste rijen print(df.head()) # Zorg dat de datums correct worden geïnterpreteerd df['Maand'] = pd.to_datetime(df['Maand'], format='%Y-%m') ``` 2. Data Aggregatie en Samenvatting Bereid de data voor door maandelijkse totalen te berekenen. ```python # Groeperen per maand maandelijkse_verkoop = df.groupby('Maand')['Verkoop'].sum().reset_index() ``` 3. Visualisatie van Trends Gebruik lijn- of staafdiagrammen om trends over tijd te identificeren. ```python plt.figure(figsize=(12,6)) sns.lineplot(data=maandelijkse_verkoop, x='Maand', y='Verkoop') plt.title('Maandelijkse Verkooptrend') plt.xlabel('Maand') plt.ylabel('Verkoop (€)') plt.show() ``` 4. KPI Ontwikkeling Definieer belangrijke KPI’s zoals: - **Totale verkoop per jaar** - **Gemiddelde maandelijkse verkoop** - **Seizoenale patronen** - **Verkoopgroei t.o.v. vorige periode** Voorbeeld: jaarlijkse verkoop ```python df['Jaar'] = df['Maand'].dt.year jaar_verkoop = df.groupby('Jaar')['Verkoop'].sum() print(jaar_verkoop) ``` 5. Seizoenale Analyse Bekijk patronen per maand of kwartaal. ```python df['Maand_nummer'] = df['Maand'].dt.month seizoenspatroon = df.groupby('Maand_nummer')['Verkoop'].mean() plt.figure(figsize=(10,5)) sns.barplot(x=seizoenspatroon.index, y=seizoenspatroon.values) plt.title('Gemiddelde Maandelijkse Verkoop (seizoenpatroon)') plt.xlabel('Maand') plt.ylabel('Gemiddelde Verkoop (€)') plt.show() ``` 6. Voorspellende Analyses (optioneel) Gebruik regressie of tijdreeksmodellen om toekomstige verkoop te voorspellen. 7. Rapportagesysteem en Visualisaties Maak overzichtelijke dashboards met relevante KPI’s en grafieken, bijvoorbeeld met tools als Dash, Streamlit of Tableau. Voor een eenvoudig rapport: ```python # Samenvatting KPI's totaal_verkoop = df['Verkoop'].sum() gem_maand_verkoop = df['Verkoop'].mean() print(f"Totaal verkoop: €{totaal_verkoop:,.2f}") print(f"Gemiddelde maandelijkse verkoop: €{gem_maand_verkoop:,.2f}") # Visualisatie toevoegen aan rapport plt.figure(figsize=(12,6)) sns.lineplot(data=maandelijkse_verkoop, x='Maand', y='Verkoop') plt.title('Maandelijkse Verkooptrend') plt.xlabel('Maand') plt.ylabel('Verkoop (€)') plt.tight_layout() plt.savefig('verkoop_trend.png') ``` 8. Best Practices - **Data Schoonmaak**: Verwijder doublures en controleer op ontbrekende waarden. - **Automatisering**: Automatiseer data-invoer en rapportages met scripts. - **Strategische Afstemming**: Kies KPI’s die aansluiten bij je organisatie’s doelen. - **Visualisatie**: Gebruik duidelijke grafieken, kleuren en labels. - **Interactiviteit**: Overweeg interactieve dashboards voor betere inzichten. Als je meer wilt weten over specifieke analyses of visualisaties, vraag gerust!

Zeker, ik help je stap voor stap om waardevolle inzichten uit je verkoopdata te halen. Hier is een complete handleiding met Python-voorbeelden: ## 1. Data Exploratie en Voorbereiding ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from datetime import datetime # Stel de stijl in voor visualisaties plt.style.use('seaborn-v0_8') sns.set_palette("husl") # Voorbeeld dataset structuur # Stel dat je DataFrame deze kolommen heeft: # 'datum', 'product_categorie', 'regio', 'verkopen', 'kosten' # Data exploratie print("Data Info:") print(df.info()) print("\nEerste rijen:") print(df.head()) print("\nBeschrijvende statistieken:") print(df.describe()) # Controleer op ontbrekende waarden print("\nOntbrekende waarden:") print(df.isnull().sum()) ``` ## 2. Kern KPIs Ontwikkelen ```python # Basis KPIs berekenen def bereken_kpis(df): kpis = { 'totale_verkopen': df['verkopen'].sum(), 'gemiddelde_maandverkopen': df.groupby('jaar')['verkopen'].mean(), 'maandelijkse_groei': df.groupby('maand')['verkopen'].pct_change() * 100, 'jaarlijkse_groei': df.groupby('jaar')['verkopen'].sum().pct_change() * 100, 'winstmarge': ((df['verkopen'] - df['kosten']) / df['verkopen']) * 100 } return kpis # Voeg tijd gerelateerde kolommen toe df['datum'] = pd.to_datetime(df['datum']) df['jaar'] = df['datum'].dt.year df['maand'] = df['datum'].dt.month df['kwartaal'] = df['datum'].dt.quarter # Bereken KPIs kpis = bereken_kpis(df) ``` ## 3. Strategische Inzichten en Visualisaties ### Trend Analyse ```python # Maandelijkse trend analyse fig, ax = plt.subplots(2, 2, figsize=(15, 12)) # Totale verkopen per jaar jaarlijkse_verkopen = df.groupby('jaar')['verkopen'].sum() ax[0,0].plot(jaarlijkse_verkopen.index, jaarlijkse_verkopen.values, marker='o', linewidth=2) ax[0,0].set_title('Jaarlijkse Verkoopgroei') ax[0,0].set_xlabel('Jaar') ax[0,0].set_ylabel('Totale Verkopen') # Maandelijkse seizoenspatronen maandelijkse_verkopen = df.groupby('maand')['verkopen'].mean() ax[0,1].bar(maandelijkse_verkopen.index, maandelijkse_verkopen.values) ax[0,1].set_title('Gemiddelde Maandelijkse Verkopen') ax[0,1].set_xlabel('Maand') ax[0,1].set_ylabel('Gemiddelde Verkopen') # Product categorie prestaties categorie_verkopen = df.groupby('product_categorie')['verkopen'].sum().sort_values(ascending=False) ax[1,0].barh(categorie_verkopen.index, categorie_verkopen.values) ax[1,0].set_title('Verkopen per Productcategorie') ax[1,0].set_xlabel('Totale Verkopen') # Regionale prestaties regionale_verkopen = df.groupby('regio')['verkopen'].sum() ax[1,1].pie(regionale_verkopen.values, labels=regionale_verkopen.index, autopct='%1.1f%%') ax[1,1].set_title('Verdeling Verkopen per Regio') plt.tight_layout() plt.show() ``` ### Geavanceerde Analyse ```python # Rolling gemiddelde voor trend detectie df['rolling_avg_3maand'] = df['verkopen'].rolling(window=3).mean() df['rolling_avg_12maand'] = df['verkopen'].rolling(window=12).mean() # YoY (Year-over-Year) groei yoy_groei = df.groupby(['jaar', 'maand'])['verkopen'].sum().unstack().pct_change(axis=0) * 100 # Visualiseer trends plt.figure(figsize=(12, 6)) plt.plot(df['datum'], df['verkopen'], alpha=0.5, label='Maandelijkse Verkopen') plt.plot(df['datum'], df['rolling_avg_12maand'], linewidth=2, label='12-maand Rolling Gemiddelde') plt.title('Verkooptrends met Rolling Gemiddelde') plt.xlabel('Datum') plt.ylabel('Verkopen') plt.legend() plt.xticks(rotation=45) plt.tight_layout() plt.show() ``` ## 4. Dashboard en Rapportage Systeem ```python def genereer_maandrapport(df, specifieke_maand=None): if specifieke_maand: rapport_data = df[df['datum'].dt.to_period('M') == specifieke_maand] else: rapport_data = df[df['datum'] == df['datum'].max()] rapport = { 'maand_totaal': rapport_data['verkopen'].sum(), 'top_product': rapport_data.groupby('product_categorie')['verkopen'].sum().idxmax(), 'top_regio': rapport_data.groupby('regio')['verkopen'].sum().idxmax(), 'winstmarge': ((rapport_data['verkopen'].sum() - rapport_data['kosten'].sum()) / rapport_data['verkopen'].sum()) * 100 } return rapport # Automatisch rapport genereren huidig_rapport = genereer_maandrapport(df) print("Maandrapport:") for kpi, waarde in huidig_rapport.items(): print(f"{kpi}: {waarde}") ``` ## 5. Beste Praktijken voor Visualisatie ```python # Interactief dashboard met Plotly (optioneel) import plotly.express as px import plotly.graph_objects as go from plotly.subplots import make_subplots # Heatmap voor seizoenspatronen pivot_data = df.pivot_table(values='verkopen', index='jaar', columns='maand', aggfunc='sum') plt.figure(figsize=(12, 8)) sns.heatmap(pivot_data, annot=True, fmt='.0f', cmap='YlGnBu') plt.title('Verkoop Heatmap per Jaar en Maand') plt.tight_layout() plt.show() # Cumulatieve groei visualisatie df_sorted = df.sort_values('datum') df_sorted['cumulatieve_verkopen'] = df_sorted['verkopen'].cumsum() plt.figure(figsize=(10, 6)) plt.plot(df_sorted['datum'], df_sorted['cumulatieve_verkopen']) plt.title('Cumulatieve Verkopen Over Tijd') plt.xlabel('Datum') plt.ylabel('Cumulatieve Verkopen') plt.grid(True, alpha=0.3) plt.show() ``` ## 6. Automatische Rapportage ```python def exporteer_kpi_rapport(df, bestandsnaam="kpi_rapport.csv"): """Exporteert KPI rapport naar CSV""" kpi_samenvatting = { 'metriek': [ 'Totale Jaarlijkse Verkopen', 'Gemiddelde Maandelijkse Groei', 'Beste Presterende Categorie', 'Hoogste Winstmarge', 'Seizoensvariatie Coëfficiënt' ], 'waarde': [ df.groupby('jaar')['verkopen'].sum().iloc[-1], df['verkopen'].pct_change().mean() * 100, df.groupby('product_categorie')['verkopen'].sum().idxmax(), ((df['verkopen'].sum() - df['kosten'].sum()) / df['verkopen'].sum()) * 100, df.groupby('maand')['verkopen'].std().mean() / df['verkopen'].mean() ] } kpi_df = pd.DataFrame(kpi_samenvatting) kpi_df.to_csv(bestandsnaam, index=False) return kpi_df # Genereer rapport rapport = exporteer_kpi_rapport(df) print(rapport) ``` ## Belangrijkste Aanbevelingen: 1. **Stel duidelijke KPI-drempels** in voor waarschuwingen 2. **Automatiseer rapportage** met scheduling (bijv. met Apache Airflow) 3. **Maak onderscheid** tussen operationele en strategische rapporten 4. **Houd context** in gedachten - absolute cijfers vs. relatieve groei 5. **Valideer data kwaliteit** regelmatig 6. **Betrek stakeholders** bij KPI-definitie Deze aanpak geeft je een solide basis voor datagestuurde besluitvorming en helpt bij het identificeren van groeikansen en verbeterpunten binnen je organisatie.