DDK Group · Intelligence Dashboard · Contoh use case

Jaringan Cabang Ritel Dept Store Jabodetabek

Konteks lokasi (OpenStreetMap), rating dan jumlah ulasan Google Maps, serta analisis sentimen 100 ulasan dari 20 cabang aktif. Hasilnya diterjemahkan menjadi tindak lanjut untuk Operational, Marketing, dan Customer Care.

Sumber: Google Maps, scrape 11 Okt 2026Konteks sekitar: OSM radius 1 kmSampel 5 ulasan per cabang, label otomatis
Dua profesional dan robot AI humanoid memantau dashboard pasar secara real-time
Cabang Supermal Karawaci dikeluarkan dari analisis. Dua ulasan menyebut toko sudah tutup dan kini jadi kantor Hypermart ("The shop is closed, now it is the head office of Hypermart"), dan pin Maps-nya hanya punya 12 ulasan. Verifikasi dulu sebelum dihitung sebagai cabang aktif.
1 · Geospasial

Cabang Ritel Dept Store dikelilingi permukiman, bukan pusat olahraga

Semua cabang ada di dalam mal, jadi "dekat pusat perbelanjaan" di sini berarti ada mal atau pusat belanja lain dalam radius 1 km. Hitungan memakai data OpenStreetMap, yang belum lengkap: angka 0 berarti belum dipetakan, bukan berarti tidak ada.

Peta cabang dan profil sekitarnya

Warna = profil dominan dalam radius 1 km. Klik titik untuk melihat detail dan lingkaran 1 km.

Tampilkan:
Klik sebuah cabang di peta atau di daftar kanan.

Jumlah lokasi OSM dalam radius 1 km

Per cabang: ■ mal / pusat belanja · ■ olahraga · ■ permukiman. Diurutkan dari total terbesar.

Profil lokasi vs performa

Dengan hanya 2 sampai 9 cabang per profil dan 5 ulasan per cabang, tabel ini menunjukkan arah, belum bukti.

2 · Rating & review

Jumlah review tidak menjelaskan rating

Rating nyaris seragam (4,4 sampai 4,6 di hampir semua cabang). Karena itu urutan Top 10 digabung dengan sentimen, dan bobotnya bisa Anda atur.

Jumlah review vs rating per cabang

Sumbu X skala logaritmik. Arahkan kursor ke titik untuk nama cabang.

Top 10 cabang: rating terbaik dan sentimen terbaik

Skor = bobot × indeks rating + (1 − bobot) × indeks sentimen. Indeks rating memakai rating yang disesuaikan jumlah review (Bayesian, bobot prior 100 review). Indeks sentimen = (positif − negatif) ÷ 5 ulasan. Cabang bertanda cek punya catatan data di sumber.

3 · Sentimen

Sentimen dominan positif, keluhan terpusat di kasir dan sikap staf

Label sentimen per ulasan berasal dari sumber data (otomatis). Tema keluhan saya tandai manual dari teks ulasan, sehingga satu ulasan bisa masuk lebih dari satu tema.

Komposisi sentimen

Dari ulasan yang dianalisis (sampel 5 per cabang).

Sentimen per cabang (5 ulasan yang diambil)

■ negatif · ■ netral · ■ positif. Urut dari yang paling negatif.

Tema keluhan

Jumlah ulasan yang memuat keluhan pada tema tersebut. Klik tema untuk melihat kutipan dan cabangnya.

Tindak lanjut yang disarankan

Diurutkan menurut prioritas. Pemilik adalah peran yang paling tepat memimpin.

4 · Word cloud

Apa yang pelanggan bicarakan

Ukuran kata = frekuensi. Warna menunjukkan di ulasan mana kata itu paling sering muncul. Klik kata untuk membaca ulasan aslinya.

Sentimen:
Terutama di ulasan positifCampuran / netralSering di ulasan negatif

15 kata teratas (tabel)

    5 · Rekomendasi

    Tiga rekomendasi untuk tiap peran

    Klik peran untuk membuka rekomendasinya. Setiap rekomendasi memuat dasar data, aksi, dan ukuran keberhasilan.