Data Insights — Sales Performance Affinity

หาว่าพนักงานขายแต่ละคน "ถนัด" ปิดแบบบ้านไหนเป็นพิเศษ เทียบกับค่าเฉลี่ยทีมทั้งหมด — ไม่ใช่แค่นับยอดขายรวม

วิธีคำนวณ Affinity Index:(สัดส่วนแบบบ้านนี้ที่พนักงานคนนี้ปิดได้ ÷ สัดส่วนแบบบ้านนี้เฉลี่ยทั้งทีม) × 100  ·  100 = เท่าค่าเฉลี่ยทีม  ·  ยิ่งสูง = ยิ่งถนัดเฉพาะทางแบบบ้านนั้นชัดเจน
พนักงานขายที่วิเคราะห์ได้
33คน (≥15 ดีล)
Index สูงสุดที่พบ
406%
ข้อมูลที่ใช้ได้จริง
74% ของทั้งหมด
วิธีวิเคราะห์
AffinityIndex

พนักงานขายที่มี Affinity Index สูงสุด

กรองเฉพาะคนที่ปิดดีล ≥15 รายการ และมีดีลแบบบ้านนั้น ≥4 รายการ เพื่อความน่าเชื่อถือ
  • พนักงานขาย A406%ถนัด QUARTZ (7/13 ดีล)
  • พนักงานขาย B324%ถนัด New Design (9/44 ดีล)
  • พนักงานขาย C303%ถนัด PADDINGTON-S (5/19 ดีล)
  • พนักงานขาย D293%ถนัด ASTON (5/28 ดีล)
  • พนักงานขาย E251%ถนัด QUARTZ (5/15 ดีล)
  • พนักงานขาย F246%ถนัด PADDINGTON-S (6/28 ดีล)
  • พนักงานขาย G215%ถนัด QUARTZ (4/14 ดีล)

สิ่งที่นำไปใช้ได้จริง

  • จัด Lead ให้ตรงคนถนัด
    ลูกค้าที่สนใจแบบ QUARTZ ควรส่งให้พนักงานขาย A, E หรือ G ก่อน — มี Track Record ปิดแบบนี้สูงกว่าเฉลี่ยทีม 2-4 เท่า
  • ใช้เป็นฐานฝึกอบรมข้ามทีม
    ให้พนักงานที่ถนัดแบบบ้านหนึ่งแชร์เทคนิคปิดการขายให้คนอื่นในทีม เพิ่ม Conversion Rate ภาพรวม

Data Quality — ตรวจก่อนใช้งานจริง

ตัวอย่างข้อจำกัดของข้อมูลที่ควรตรวจสอบก่อนสรุปผล
  • ข้อมูลเชื่อมโยงแบบบ้าน
    26% ของโครงการไม่มีข้อมูลเชื่อมโยงแบบบ้าน
    → ตัดออกจากการวิเคราะห์นี้ทั้งหมด — ใช้ได้แค่ ~74% ของข้อมูล
  • วันที่เริ่มโครงการ
    20% เป็นวันที่ไม่ถูกต้อง/ว่างเปล่า
    → ไม่กระทบวิเคราะห์นี้โดยตรง แต่กระทบ Seasonality/Duration Analysis
  • สถานะยกเลิกงาน
    ทุกแถวมีค่าเดียวกันหมด ไม่แยกสถานะจริง
    → ใช้เป็น Field สถานะยกเลิกไม่ได้จริง ต้องหาแหล่งข้อมูลอื่น
  • รหัสพนักงานขาย
    ข้อมูลว่างเพียง 0.2%
    → สะอาดที่สุด ใช้วิเคราะห์ได้มั่นใจสูง
หน้านี้เป็นต้นแบบ (Mockup) ใช้ข้อมูลตัวอย่างเพื่อสาธิตแนวคิดการวิเคราะห์ — ชื่อพนักงานแสดงเป็นรหัสในเดโมนี้เท่านั้น ระบบจริงจะแสดงชื่อจริงให้ผู้บริหารที่มีสิทธิ์เข้าถึง