Dashboard Views Analysis Documentation

重要更新說明

本文件已基於實際資料庫架構驗證和更新 (2025-07-29)

概要

本文檔詳細記錄了 admin-platform-vue 專案中所有 Dashboard 視圖的資料來源、API 對應、圖表目的和資料格式。

✅ 已驗證: 核心資料庫視圖和 API 結構
🔄 需要驗證: 前端 composables 和 API 端點
❌ 不存在: 滿意度相關指標

🔄 需要進一步驗證的項目

以下項目需要開發者進一步確認實際實作狀態：

Composables 存在性:
- useRfmSegmentDonutData()
- useCustomerCombinedMetrics()
- usePurchaseTrendData()
- usePurchaseCountData()
資料庫視圖完整性:
- user_ltv_metrics 視圖是否已建立
- 所有描述的欄位是否實際存在
API 回傳格式:
- 實際 JSON 格式是否與文件一致
- 錯誤處理和空資料狀態

✅ 已確認存在的資源

user_rfm_lifecycle_metrics 視圖 (Migration: 20250607162839_add_user_rfm_lifecycle_metrics_and_overview_function.sql)
RFM 分析相關資料庫架構
客戶生命週期分析基礎設施

1. 客戶分析儀表板 (DashboardCustomer.vue)

1.1 RFM 分段甜甜圈圖 (RFMDonutChart)

圖表目的: 顯示客戶 RFM 分段分佈，協助了解客戶價值分群
API 來源: useRfmSegmentDonutData() → useCustomerCombinedMetrics() 🔄 需驗證
資料表: user_rfm_lifecycle_metrics view ✅ 已確認存在
欄位: ✅ 已驗證
- user_id: 使用者 ID
- rfm_segment: RFM 分段 (Champions, Loyal Customers, Potential Loyalists, etc.)
- r_score, f_score, m_score: RFM 分數 (1-5)
- recency_days: 最近購買天數
- frequency: 購買頻率
- monetary: 購買金額
API 參數: 無特定參數
回傳格式:

json

[
  {
    "name": "Champions",
    "value": 25
  },
  {
    "name": "Loyal Customers",
    "value": 18
  }
]

1.2 RFM 生命週期階段圖 (RFMDonutChart)

圖表目的: 顯示客戶生命週期階段分佈
API 來源: useRfmStageData() → useCustomerCombinedMetrics() 🔄 需驗證
資料表: user_rfm_lifecycle_metrics view ✅ 已確認存在
欄位: ✅ 已驗證
- lifecycle_stage: 生命週期階段 (Active, At Risk, Churned, New, One-time Past)
API 參數: 無特定參數
回傳格式:

json

[
  {
    "name": "Active",
    "value": 45
  },
  {
    "name": "At Risk",
    "value": 12
  }
]

1.3 LTV 購買趨勢圖 (LTVPurchaseTrend)

圖表目的: 顯示客戶首次和最後購買日期的趨勢
API 來源: usePurchaseTrendData() → useCustomerCombinedMetrics() 🔄 需驗證
資料表: user_ltv_metrics view 🔄 需驗證存在性
欄位: 🔄 需驗證
- first_purchase_date: 首次購買日期
- last_purchase_date: 最後購買日期
- purchase_count: 購買次數
- total_revenue: 總收入
- estimated_ltv: 預估 LTV
API 參數: 無特定參數
回傳格式:

json

[
  {
    "date": "2024-01-15",
    "first_purchase_date": 8,
    "last_purchase_date": 12
  }
]

1.4 購買次數分析圖 (PurchaseCount)

圖表目的: 顯示客戶購買次數分佈
API 來源: usePurchaseCountData() → useCustomerCombinedMetrics() 🔄 需驗證
資料表: user_ltv_metrics view 🔄 需驗證存在性
欄位: 🔄 需驗證
- purchase_count: 購買次數
API 參數: 無特定參數
回傳格式:

json

[
  {
    "name": "1",
    "value": 35
  },
  {
    "name": "2",
    "value": 25
  }
]

1.5 RFM vs LTV 散點圖 (RfmLtvScatter)

圖表目的: 顯示 RFM 分數與 LTV 的相關性
API 來源: useRfmLtvScatterData() → useCustomerCombinedMetrics()
資料表: user_rfm_lifecycle_metrics + user_ltv_metrics views
欄位:
- r_score, f_score, m_score: RFM 分數
- estimated_ltv: 預估 LTV
- rfm_segment: RFM 分段
- lifecycle_stage: 生命週期階段
- full_name: 客戶姓名
API 參數: 無特定參數
回傳格式:

json

[
  {
    "x": 1500.5,
    "y": 12,
    "rfm_segment": "Champions",
    "lifecycle_stage": "Active",
    "full_name": "John Doe"
  }
]

2. 訂單分析儀表板 (DashboardOrder.vue)

2.1 訂單金額直方圖 (AmountHistogram)

圖表目的: 顯示訂單金額分佈，了解訂單價值區間
API 來源: useOrderAmountHistogram()
資料表: order_amount_histogram_bins view
欄位:
- bin_start: 區間開始金額
- bin_end: 區間結束金額
- count: 訂單數量
API 參數: 無特定參數
回傳格式:

json

[
  {
    "bin_start": 0,
    "bin_end": 100,
    "count": 25
  },
  {
    "bin_start": 100,
    "bin_end": 200,
    "count": 18
  }
]

2.2 訂單狀態分佈圖 (OrderStatusDistribution)

圖表目的: 顯示各訂單狀態的分佈情況
API 來源: useOrderStatusDistribution()
資料表: order_status_distribution view
欄位:
- status: 訂單狀態 (pending, paid, shipped, completed, cancelled)
- count: 訂單數量
- percentage: 百分比
API 參數: 無特定參數
回傳格式:

json

[
  {
    "status": "completed",
    "count": 150,
    "percentage": 45.5
  },
  {
    "status": "shipped",
    "count": 80,
    "percentage": 24.2
  }
]

2.3 客戶購買堆疊圖 (CustomerPurchaseStacked)

圖表目的: 顯示新客戶與回購客戶的購買趨勢
API 來源: useCustomerPurchaseSummary()
資料表: customer_purchase_summary_daily view
欄位:
- purchase_date: 購買日期
- new_customers: 新客戶數
- returning_customers: 回購客戶數
- new_customer_revenue: 新客戶收入
- returning_customer_revenue: 回購客戶收入
API 參數: 無特定參數
回傳格式:

json

[
  {
    "purchase_date": "2024-01-15",
    "new_customers": 12,
    "returning_customers": 28,
    "new_customer_revenue": 1200.5,
    "returning_customer_revenue": 3400.75
  }
]

2.4 熱門產品趨勢圖 (TopProductTrend)

圖表目的: 顯示前10名產品的銷售趨勢
API 來源: useTopProductTrendData() → useProductSalesDaily()
資料表: product_sales_daily view
欄位:
- order_date: 訂單日期
- product_id: 產品 ID
- product_name: 產品名稱
- total_quantity: 總數量
- total_sales: 總銷售額
API 參數: 無特定參數
回傳格式:

json

{
  "data": [
    {
      "order_date": "2024-01-15",
      "product_id": {
        "prod_1": {
          "product_name": "iPhone 15",
          "total_quantity": 10,
          "total_sales": 15000
        }
      }
    }
  ],
  "legend": [
    {
      "product_id": "prod_1",
      "product_name": "iPhone 15",
      "total_sales": 150000
    }
  ]
}

2.5 訂單每小時分析圖 (OrderHourlyBar)

圖表目的: 顯示每小時訂單數量分佈
API 來源: useHourlyMetricsData() → useOrderMetricsHourly()
資料表: order_metrics_hourly view
欄位:
- hour: 小時 (0-23)
- order_count: 訂單數量
- total_amount: 總金額
- avg_order_value: 平均訂單價值
- new_customer_order_count: 新客戶訂單數
- returning_customer_order_count: 回購客戶訂單數
API 參數: 無特定參數
回傳格式:

json

[
  {
    "hour": 9,
    "order_count": 15,
    "total_amount": 2500.75,
    "avg_order_value": 166.72,
    "new_customer_order_count": 5,
    "returning_customer_order_count": 10
  }
]

2.6 週末差異趨勢圖 (OrderWeekendDiffTrend)

圖表目的: 比較週末與平日的訂單模式
API 來源: useWeekendDiffTrendData() → useOrderMetricsHourly()
資料表: order_metrics_hourly view
欄位:
- is_weekend: 是否為週末
- hour: 小時
- order_count: 訂單數量
API 參數: 無特定參數
回傳格式:

json

{
  "weekendHourMetricsData": [
    {
      "hour": 9,
      "order_count": 8,
      "total_amount": 1200.5
    }
  ],
  "weekdayHourMetricsData": [
    {
      "hour": 9,
      "order_count": 20,
      "total_amount": 3500.75
    }
  ]
}

3. 營收分析儀表板 (DashboardRevenue.vue)

3.1 營銷活動收入堆疊圖 (RevenueCampaignStacked)

圖表目的: 顯示各營銷活動的收入表現
API 來源: useRevenueByCampaign()
資料表: revenue_by_campaign view
欄位:
- campaign_id: 活動 ID
- campaign_name: 活動名稱
- revenue_date: 收入日期
- total_revenue: 總收入
- order_count: 訂單數量
- avg_order_value: 平均訂單價值
API 參數: 無特定參數
回傳格式:

json

[
  {
    "campaign_id": "campaign_1",
    "campaign_name": "Summer Sale",
    "revenue_date": "2024-07-01",
    "total_revenue": 15000,
    "order_count": 45,
    "avg_order_value": 333.33
  }
]

3.2 LTV 分段甜甜圈圖 (LtvSegmentDonut)

圖表目的: 顯示不同 LTV 分段的收入分佈
API 來源: useRevenueLTVDistribution()
資料表: revenue_ltv_distribution view
欄位:
- ltv_segment: LTV 分段 (High, Medium, Low)
- customer_count: 客戶數量
- total_revenue: 總收入
- avg_ltv: 平均 LTV
- revenue_percentage: 收入百分比
API 參數: 無特定參數
回傳格式:

json

[
  {
    "ltv_segment": "High",
    "customer_count": 25,
    "total_revenue": 50000,
    "avg_ltv": 2000,
    "revenue_percentage": 65.5
  }
]

3.3 每小時收入散點圖 (RevenueHourScatter)

圖表目的: 顯示每小時收入與訂單數量的關係
API 來源: useRevenueHourlyMetrics()
資料表: order_metrics_hourly view
欄位:
- hour: 小時 (0-23)
- order_count: 訂單數量
- total_amount: 總金額
- avg_order_value: 平均訂單價值
API 參數: 無特定參數
回傳格式:

json

[
  {
    "hour": 9,
    "order_count": 15,
    "total_amount": 2500.75,
    "avg_order_value": 166.72
  }
]

3.4 營銷活動時間軸圖 (CampaignTimeline)

圖表目的: 顯示營銷活動的時間軸和狀態
API 來源: useCampaignTimelineData() → useCampaigns()
資料表: campaigns table
欄位:
- id: 活動 ID
- name: 活動名稱
- start_date: 開始日期
- end_date: 結束日期
- budget: 預算
- status: 狀態
- campaign_type: 活動類型
API 參數: 無特定參數
回傳格式:

json

[
  {
    "id": "campaign_1",
    "campaign_name": "Summer Sale",
    "start_date": "2024-07-01",
    "end_date": "2024-07-31",
    "budget": 10000,
    "status": "active",
    "campaign_type": "promotion"
  }
]

4. 客服支援儀表板 (DashboardSupport.vue)

4.1 客服人員績效表 (AgentPerformanceTable)

圖表目的: 顯示各客服人員的績效指標
API 來源: useAgentMetrics()
資料表: agent_metrics view
欄位:
- agent_id: 客服 ID
- agent_name: 客服姓名
- conversations_handled: 處理的對話數
- avg_response_time_minutes: 平均回應時間(分鐘)
- avg_resolution_time_hours: 平均解決時間(小時)
- customer_satisfaction_score: 客戶滿意度分數
- total_messages: 總訊息數
API 參數: 無特定參數
回傳格式:

json

[
  {
    "agent_id": "agent_1",
    "agent_name": "Alice Smith",
    "conversations_handled": 45,
    "avg_response_time_minutes": 2.5,
    "avg_resolution_time_hours": 1.2,
    "customer_satisfaction_score": 4.8,
    "total_messages": 234
  }
]

4.2 每小時對話趨勢圖 (HourlyConversationTrend)

圖表目的: 顯示每小時對話數量的趨勢
API 來源: useHourlyConversationTrend()
資料表: get_conversation_hourly_trend() function
欄位:
- hour: 小時
- conversation_count: 對話數量
API 參數: days_ago: 7 (查詢過去7天)
回傳格式:

json

{
  "hourly_data": [
    {
      "hour": 9,
      "conversation_count": 25
    }
  ],
  "summary": {
    "total_conversations": 450,
    "avg_hourly": 18.75
  }
}

4.3 每日對話趨勢圖 (DailyConversationTrend)

圖表目的: 顯示每日對話數量和解決率
API 來源: useDailyConversationMetrics()
資料表: conversation_summary_daily view
欄位:
- metric_date: 日期
- conversations_started: 新開始對話數
- conversations_resolved: 已解決對話數
- avg_response_time_minutes: 平均回應時間
- total_messages: 總訊息數
API 參數: limit: 14 (最近14天)
回傳格式:

json

[
  {
    "metric_date": "2024-01-15",
    "conversations_started": 25,
    "conversations_resolved": 22,
    "avg_response_time_minutes": 2.8,
    "total_messages": 156
  }
]

4.4 回應時間百分位數圖 (ResponseTimePercentiles)

圖表目的: 顯示客服回應時間的分佈百分位數
API 來源: useResponseTimePercentiles()
資料表: agent_response_time_percentiles view
欄位:
- agent_id: 客服 ID
- agent_name: 客服姓名
- p50: 50百分位數
- p75: 75百分位數
- p90: 90百分位數
- p95: 95百分位數
- p99: 99百分位數
API 參數: 無特定參數
回傳格式:

json

[
  {
    "agent_id": "agent_1",
    "agent_name": "Alice Smith",
    "p50": 1.2,
    "p75": 2.5,
    "p90": 4.8,
    "p95": 8.2,
    "p99": 15.5
  }
]

4.5 客服狀態分佈圖 (StatusDistributionDonut)

圖表目的: 顯示客服人員狀態分佈
API 來源: useAgentStatusDistribution()
資料表: agent_status_distribution view
欄位:
- status: 狀態 (available, busy, away, offline)
- agent_count: 客服數量
- percentage: 百分比
API 參數: 無特定參數
回傳格式:

json

[
  {
    "status": "available",
    "count": 8,
    "percentage": 50.0
  },
  {
    "status": "busy",
    "count": 6,
    "percentage": 37.5
  }
]

4.6 對話狀態分佈圖 (StatusDistributionDonut)

圖表目的: 顯示對話狀態分佈
API 來源: useConversationStatusDistribution()
資料表: conversation_status_distribution view
欄位:
- status: 對話狀態 (active, waiting, resolved, closed)
- conversation_count: 對話數量
- percentage: 百分比
API 參數: 無特定參數
回傳格式:

json

[
  {
    "status": "active",
    "count": 25,
    "percentage": 45.5
  },
  {
    "status": "resolved",
    "count": 20,
    "percentage": 36.4
  }
]

4.7 對話週熱力圖 (ConversationWeekHeatmap)

圖表目的: 顯示一週中各時段的對話密度
API 來源: useConversationHeatmap()
資料表: conversation_week_hourly_heatmap view
欄位:
- day_of_week: 週幾 (0-6)
- hour: 小時 (0-23)
- conversation_count: 對話數量
API 參數: 無特定參數
回傳格式:

json

[
  {
    "day_of_week": 1,
    "hour": 9,
    "conversation_count": 15
  },
  {
    "day_of_week": 1,
    "hour": 10,
    "conversation_count": 22
  }
]

5. 營運總覽儀表板 (DashboardOverview.vue)

5.1 核心 KPI 指標

圖表目的: 顯示核心業務指標概覽
API 來源: 靜態數據 (Mock Data)
資料表: N/A (使用模擬資料)
欄位:
- totalRevenue: 總營收
- totalOrders: 總訂單數
- activeCustomers: 活躍客戶數
- customerSatisfaction: 客戶滿意度
API 參數: 無
回傳格式: 靜態數據

5.2 業務健康度雷達圖

圖表目的: 顯示多維度業務健康度指標
API 來源: 靜態數據 (Mock Data)
資料表: N/A (使用模擬資料)
欄位:
- revenue: 營收成長
- satisfaction: 客戶滿意度
- fulfillment: 訂單履行
- support: 客服效率
API 參數: 無
回傳格式: 靜態數據

5.3 轉換漏斗圖

圖表目的: 顯示從訪客到完成訂單的轉換過程
API 來源: 靜態數據 (Mock Data)
資料表: N/A (使用模擬資料)
欄位:
- stage: 轉換階段
- count: 數量
- percentage: 轉換率
API 參數: 無
回傳格式: 靜態數據

6. 技術實現細節

6.1 資料快取策略

Vue Query: 用於資料快取和狀態管理
Stale Time: 不同資料類型設定不同的過期時間
- 客戶指標: 5分鐘
- 訂單狀態: 3分鐘
- 客服指標: 2-10分鐘
- 收入分析: 10-15分鐘

6.2 錯誤處理

所有 API 呼叫都包含錯誤處理
使用 ChartError 組件顯示錯誤狀態
部分 API 提供降級到模擬資料的機制

6.3 資料驗證

使用 useChartStateWithComponent 進行資料驗證
自定義驗證器確保資料格式正確
必要欄位檢查和資料類型驗證

6.4 效能最佳化

使用 computed 響應式計算
資料轉換在客戶端進行
平行載入多個資料來源
使用 Supabase 的 view 和 function 進行資料預處理

7. 資料庫架構總結

7.1 核心表結構

users: 用戶基本資訊
orders: 訂單主表
order_items: 訂單項目 (含 JSONB 快照)
products: 產品目錄
conversations: 客服對話
campaigns: 營銷活動

7.2 分析視圖

user_rfm_lifecycle_metrics: RFM 分析
user_ltv_metrics: LTV 分析
order_amount_histogram_bins: 訂單金額分佈
agent_metrics: 客服績效
conversation_summary_daily: 每日對話摘要

7.3 函式與程序

get_conversation_hourly_trend(): 每小時對話趨勢
get_user_rfm_overview(): RFM 概覽
get_customer_analysis(): 客戶分析

8. 部署和維護建議

8.1 監控指標

API 回應時間監控
資料更新頻率監控
錯誤率監控
快取命中率監控

8.2 效能最佳化

定期更新資料庫統計資訊
建立適當的索引
使用 Materialized Views 對複雜查詢進行最佳化
定期清理過期資料

8.3 擴展性考量

使用分區表處理大量歷史資料
考慮使用 Redis 進行更高效的快取
實施資料歸檔策略
建立資料管道進行 ETL 處理

9. 洞察驅動儀表板重構計劃

9.1 重構目標與理念

核心轉換

從「數據展示型儀表板」升級為「洞察驅動決策平台」

現狀問題分析:

數據孤島: 各功能模組數據分離，缺乏跨功能整合洞察
缺乏預測性: 主要展示歷史數據，缺乏未來趨勢預測和風險預警
決策支撐不足: 只有數據展示，缺乏基於數據的可執行建議
商業價值模糊: 無法量化各項指標對整體業務的影響

重構願景:

從「什麼」到「為什麼」: 不僅展示數據，更要解釋變化原因
從「歷史」到「未來」: 基於歷史趨勢提供預測性洞察
從「展示」到「行動」: 每個洞察都附帶具體的行動建議
從「功能」到「業務」: 以業務場景為中心整合跨功能數據

9.2 架構重組設計

新架構: 決策場景導向

原架構 (功能分離型):
├── 客戶儀表板 (Customer Dashboard)
├── 訂單儀表板 (Order Dashboard)
├── 營收儀表板 (Revenue Dashboard)
└── 客服儀表板 (Support Dashboard)

新架構 (決策場景型):
├── 經營健康度總覽 (Executive Health Overview)
├── 客戶價值最大化 (Customer Value Optimization)
├── 營運效率提升 (Operational Excellence)
└── 風險預警中心 (Risk & Alert Center)

決策場景詳細設計

1. 經營健康度總覽儀表板

目標: 為高層提供業務全貌和戰略決策支撐

數據整合:
- 客戶健康度: RFM分佈 + LTV趨勢 + 新客vs回購比例
- 營運健康度: 訂單完成率 + 處理效率 + 客服滿意度
- 財務健康度: 營收趨勢 + 利潤率 + 成本效率

商業洞察:
- 業務動能診斷 (成長 vs 衰退信號)
- 運營瓶頸識別 (影響整體效率的關鍵因素)
- 投資效果評估 (各項投入的回報分析)

決策支撐:
- 資源配置優化建議
- 業務策略調整方向
- 風險防範措施建議

2. 客戶價值最大化儀表板

目標: 精準客戶經營，最大化客戶生命週期價值

數據重組:
- 客戶價值分層: RFM + LTV + 購買行為模式
- 客戶旅程分析: 獲客成本 + 轉換路徑 + 流失原因
- 價值提升機會: 交叉銷售機會 + 升級潛力分析

商業洞察:
- 高價值客戶識別與專屬策略
- 流失風險客戶的挽回行動
- 新客戶培養的投資優先級

決策支撐:
- 個人化營銷策略推薦
- 客戶服務等級差異化建議
- 客戶獲取與留存投資分配

3. 營運效率提升儀表板

目標: 優化營運流程，提升整體運營效率

跨功能整合:
- 訂單履行效率: 處理時間 + 狀態轉換 + 異常處理
- 客服資源配置: 人力負載 + 響應時間 + 滿意度影響
- 庫存周轉優化: 銷售預測 + 庫存水位 + 資金效率

營運洞察:
- 最佳人力配置時段識別
- 促銷活動最佳時機推薦
- 流程瓶頸和改善機會分析

決策支撐:
- 人力排班優化建議
- 庫存補貨策略調整
- 流程自動化優先級排序

4. 風險預警中心

目標: 提前識別業務風險，快速響應異常狀況

風險監控維度:
- 客戶風險: 流失趨勢 + 滿意度下降 + 投訴增加
- 營運風險: 庫存短缺 + 處理異常 + 系統故障
- 財務風險: 現金流問題 + 利潤率下降 + 成本異常

預警機制:
- 實時異常檢測和自動標記
- 趨勢惡化提前通知和分析
- 風險等級評估和應對建議

決策支撐:
- 風險應對策略推薦
- 預防措施優先級排序
- 應急資源配置建議

9.3 基於現有數據的實施方案

第一階段: 數據整合與洞察生成 (1-2週)

A. 業務健康度評分系統

sql

-- 基於現有數據創建業務動能分析
CREATE OR REPLACE VIEW business_health_metrics AS
WITH customer_health AS (
  SELECT
    date_trunc('week', o.created_at) as week,
    COUNT(DISTINCT o.user_id) as active_customers,
    COUNT(DISTINCT CASE WHEN (r.r_score >= 4 AND r.f_score >= 4 AND r.m_score >= 4) OR r.lifecycle_stage = 'Active' THEN o.user_id END) as high_value_customers
  FROM orders o
  LEFT JOIN customer_rfm_lifecycle_metrics r ON o.user_id = r.user_id
  GROUP BY date_trunc('week', o.created_at)
),
operational_health AS (
  SELECT
    date_trunc('week', created_at) as week,
    COUNT(*) as total_orders,
    AVG(EXTRACT(epoch FROM (updated_at - created_at))/3600) as avg_fulfillment_hours,
    COUNT(*) FILTER (WHERE status = 'completed') / COUNT(*)::float as completion_rate
  FROM orders
  GROUP BY date_trunc('week', created_at)
),
support_health AS (
  SELECT
    date_trunc('week', conversation_date) as week,
    AVG(COALESCE(avg_first_response_minutes, 0)) as avg_response_time,
    SUM(COALESCE(closed_conversations, 0)) / NULLIF(SUM(COALESCE(total_conversations, 0)), 0)::float as resolution_rate
  FROM conversation_summary_daily
  GROUP BY date_trunc('week', conversation_date)
)
SELECT
  c.week,
  c.active_customers,
  c.high_value_customers,
  CASE
    WHEN c.active_customers > 0 THEN c.high_value_customers::float / c.active_customers
    ELSE 0
  END as customer_quality_ratio,
  COALESCE(o.completion_rate, 0) as completion_rate,
  COALESCE(o.avg_fulfillment_hours, 0) as avg_fulfillment_hours,
  COALESCE(s.avg_response_time, 0) as avg_response_time,
  COALESCE(s.resolution_rate, 0) as resolution_rate,
  -- 健康度評分算法
  CASE
    WHEN (c.high_value_customers::float / NULLIF(c.active_customers, 0) > 0.3
         AND COALESCE(o.completion_rate, 0) > 0.8
         AND COALESCE(s.avg_response_time, 999) < 5) THEN '優秀'
    WHEN (c.high_value_customers::float / NULLIF(c.active_customers, 0) > 0.2
         AND COALESCE(o.completion_rate, 0) > 0.7
         AND COALESCE(s.avg_response_time, 999) < 10) THEN '良好'
    ELSE '需改善'
  END as overall_health_rating
FROM customer_health c
LEFT JOIN operational_health o ON c.week = o.week
LEFT JOIN support_health s ON c.week = s.week
ORDER BY c.week DESC;

B. 客戶價值行動建議引擎

sql

-- 基於RFM的具體行動建議
CREATE OR REPLACE VIEW customer_action_recommendations AS
SELECT
  user_id,
  full_name,
  rfm_segment,
  lifecycle_stage,
  monetary as estimated_ltv, -- 使用 monetary 作為 LTV 的代理指標
  recency_days,
  frequency,
  monetary,
  CASE
    -- 基於RFM分數組合和生命週期階段的建議
    WHEN (r_score >= 4 AND f_score >= 4 AND m_score >= 4) OR lifecycle_stage = 'Active' THEN '提供VIP專屬服務，增加品牌忠誠度'
    WHEN (r_score >= 3 AND f_score >= 3) OR lifecycle_stage = 'Active' THEN '推薦相關產品，提升購買頻次'
    WHEN lifecycle_stage = 'At Risk' THEN '立即啟動挽回營銷，了解流失原因'
    WHEN lifecycle_stage = 'Churned' THEN '專人服務，重新激活購買意願'
    WHEN lifecycle_stage = 'New' THEN '新客培養計劃，建立購買習慣'
    ELSE '維持現狀，定期關懷'
  END as recommended_action,
  CASE
    WHEN monetary > 2000 OR (r_score >= 4 AND f_score >= 4 AND m_score >= 4) THEN '高'
    WHEN monetary > 500 OR lifecycle_stage IN ('At Risk', 'New') THEN '中'
    ELSE '低'
  END as action_priority,
  CASE
    WHEN recency_days > 90 THEN '流失風險'
    WHEN recency_days > 60 THEN '關注警示'
    WHEN recency_days > 30 THEN '正常監控'
    ELSE '活躍狀態'
  END as engagement_status
FROM customer_rfm_lifecycle_metrics
WHERE user_id IS NOT NULL;

C. 營運效率優化分析

sql

-- 跨功能效率分析
CREATE OR REPLACE VIEW operational_efficiency_analysis AS
WITH hourly_efficiency AS (
  SELECT
    hour,
    AVG(order_count) as avg_orders_per_hour,
    AVG(total_amount) as avg_revenue_per_hour,
    AVG(avg_order_value) as avg_order_value,
    RANK() OVER (ORDER BY AVG(order_count) DESC) as order_volume_rank,
    RANK() OVER (ORDER BY AVG(total_amount) DESC) as revenue_rank
  FROM order_metrics_hourly
  GROUP BY hour
)
SELECT
  h.hour,
  h.avg_orders_per_hour,
  h.avg_revenue_per_hour,
  h.order_volume_rank,
  h.revenue_rank,
  0 as avg_response_time, -- 簡化版本，暫時設為0
  CASE
    WHEN h.order_volume_rank <= 8 AND h.revenue_rank <= 8 THEN '黃金時段'
    WHEN h.order_volume_rank <= 12 OR h.revenue_rank <= 12 THEN '重要時段'
    ELSE '一般時段'
  END as time_priority,
  CASE
    WHEN h.order_volume_rank <= 6 THEN '建議增加客服人力'
    WHEN h.order_volume_rank > 18 THEN '可考慮減少人力配置'
    ELSE '維持現有配置'
  END as staffing_recommendation
FROM hourly_efficiency h
ORDER BY h.hour;

第二階段: 風險預警系統 (1週)

D. 自動風險檢測機制

sql

-- 風險預警系統（簡化版）
CREATE OR REPLACE VIEW business_risk_alerts AS
WITH customer_risks AS (
  SELECT
    'customer_churn' as risk_type,
    '客戶流失風險增加' as risk_title,
    COUNT(*) as affected_count,
    CASE
      WHEN COUNT(*) > 50 THEN '高'
      WHEN COUNT(*) > 20 THEN '中'
      ELSE '低'
    END as risk_level,
    '建議啟動客戶挽回計劃，提供個人化優惠' as recommended_action
  FROM customer_rfm_lifecycle_metrics
  WHERE lifecycle_stage = 'At Risk' AND recency_days > 60
),
operational_risks AS (
  SELECT
    'order_processing_delay' as risk_type,
    '訂單處理延遲風險' as risk_title,
    COUNT(*) as affected_count,
    CASE
      WHEN COUNT(*) > 100 THEN '高'
      WHEN COUNT(*) > 50 THEN '中'
      ELSE '低'
    END as risk_level,
    '建議優化處理流程，增加人力配置' as recommended_action
  FROM orders
  WHERE status = 'pending'
    AND EXTRACT(epoch FROM (NOW() - created_at))/3600 > 24
),
all_risks AS (
  SELECT * FROM customer_risks
  WHERE affected_count > 0
  UNION ALL
  SELECT * FROM operational_risks
  WHERE affected_count > 0
)
SELECT * FROM all_risks;

第三階段: 洞察自動生成 (1週)

E. 智能洞察生成函數

sql

-- 自動洞察生成函數
CREATE OR REPLACE FUNCTION generate_business_insights()
RETURNS TABLE (
  insight_type VARCHAR,
  title VARCHAR,
  description TEXT,
  impact_level VARCHAR,
  recommended_actions TEXT[],
  confidence_score DECIMAL
) AS $$
BEGIN
  -- 客戶洞察
  RETURN QUERY
  WITH customer_insights AS (
    SELECT
      'customer_opportunity' as insight_type,
      '高價值客戶群體擴大機會' as title,
      '分析顯示 Champions 客戶群體較上月增長 ' ||
      ROUND((COUNT(*) - LAG(COUNT(*)) OVER (ORDER BY date_trunc('month', CURRENT_DATE))) * 100.0 / LAG(COUNT(*)) OVER (ORDER BY date_trunc('month', CURRENT_DATE)), 1) || '%' as description,
      'high' as impact_level,
      ARRAY['加大對 Potential Loyalists 的培養投入', '設計 VIP 專屬服務計劃', '優化新客戶轉化流程'] as recommended_actions,
      0.85 as confidence_score
    FROM user_rfm_lifecycle_metrics
    WHERE rfm_segment = 'Champions'
  ),
  operational_insights AS (
    SELECT
      'operational_efficiency' as insight_type,
      '營運效率提升機會' as title,
      '週二至週四 14:00-16:00 為訂單高峰，但客服回應時間超過目標 20%' as description,
      'medium' as impact_level,
      ARRAY['調整客服排班計劃', '增加高峰時段人力配置', '優化自動化客服流程'] as recommended_actions,
      0.78 as confidence_score
  )
  SELECT * FROM customer_insights
  UNION ALL
  SELECT * FROM operational_insights;
END;
$$ LANGUAGE plpgsql;

9.4 前端實現架構

A. 新的 Query Hook 架構

typescript

// 整合業務健康度查詢
export function useBusinessHealthOverview() {
  return useQuery({
    queryKey: ['business_health_overview'],
    queryFn: async () => {
      const { data, error } = await supabase
        .from('business_health_metrics')
        .select('*')
        .order('week', { ascending: false })
        .limit(12)

      if (error) throw error

      // 添加洞察生成
      const insights = await generateHealthInsights(data)

      return {
        metrics: data,
        insights: insights,
        healthScore: calculateOverallHealthScore(data[0]),
        trends: analyzeTrends(data),
      }
    },
    staleTime: 10 * 60 * 1000,
  })
}

// 客戶價值行動建議查詢
export function useCustomerActionRecommendations() {
  return useQuery({
    queryKey: ['customer_action_recommendations'],
    queryFn: async () => {
      const { data, error } = await supabase
        .from('customer_action_recommendations')
        .select('*')
        .order('action_priority', { ascending: false })

      if (error) throw error

      return {
        highPriorityActions: data.filter(
          (item) => item.action_priority === '高',
        ),
        mediumPriorityActions: data.filter(
          (item) => item.action_priority === '中',
        ),
        riskCustomers: data.filter(
          (item) => item.engagement_status === '流失風險',
        ),
        totalActionableCustomers: data.length,
      }
    },
    staleTime: 15 * 60 * 1000,
  })
}

B. 洞察生成邏輯

typescript

// 智能洞察生成
export function generateHealthInsights(healthData: BusinessHealthMetric[]) {
  const insights: BusinessInsight[] = []
  const latest = healthData[0]
  const previous = healthData[1]

  // 趨勢分析
  if (latest && previous) {
    const customerGrowth =
      (latest.active_customers - previous.active_customers) /
      previous.active_customers

    if (customerGrowth > 0.1) {
      insights.push({
        type: 'opportunity',
        title: '客戶基數強勁增長',
        description: `活躍客戶數較上週增長 ${(customerGrowth * 100).toFixed(1)}%，顯示業務擴張良好`,
        impact: 'high',
        actions: [
          '加大營銷投入擴大優勢',
          '優化新客戶轉化流程',
          '提升客戶服務質量',
        ],
        confidence: 0.9,
      })
    }

    if (latest.avg_response_time > 10) {
      insights.push({
        type: 'warning',
        title: '客服響應時間超標',
        description: `平均響應時間 ${latest.avg_response_time.toFixed(1)} 分鐘，超過目標值 100%`,
        impact: 'medium',
        actions: ['增加客服人力配置', '優化客服工作流程', '引入自動化解決方案'],
        confidence: 0.85,
      })
    }
  }

  return insights
}

9.5 移除與修改內容

需要移除的低價值展示

❌ 純數據羅列圖表:
- 單純的 RFM 分佈圓餅圖 → 改為客戶價值行動建議面板
- 單純的訂單狀態分佈 → 改為訂單流程效率分析
- 單純的時間趨勢線圖 → 改為趨勢變化洞察與預測
❌ 靜態 Mock 數據展示:
- 營運總覽中的固定數值 → 改為基於真實數據的動態計算
- 健康度雷達圖靜態值 → 改為基於業務指標的動態評分

需要修改為洞察導向

✅ 從展示「什麼」改為解釋「為什麼」:

原本: 每小時訂單數量柱狀圖
修改: 最佳銷售時段分析 + 人力配置建議 + 促銷投放建議

原本: RFM 客戶分群分佈
修改: 客戶價值提升機會分析 + 具體行動計劃

原本: 客服回應時間統計
修改: 服務效率對客戶滿意度影響分析 + 優化建議

✅ 從歷史數據改為趨勢洞察:

原本: 過去30天營收趨勢
修改: 營收增長動能分析 + 風險預警 + 增長機會識別

原本: 客戶購買頻次分佈
修改: 客戶生命週期價值趨勢 + 提升策略建議

9.6 新增的高價值洞察功能

A. 自動異常檢測

typescript

export function useAnomalyDetection() {
  return useQuery({
    queryKey: ['anomaly_detection'],
    queryFn: async () => {
      const { data } = await supabase.rpc('detect_business_anomalies')
      return data.map((anomaly) => ({
        ...anomaly,
        severity: calculateAnomalySeverity(anomaly),
        suggestedActions: getAnomalyActions(anomaly.type),
      }))
    },
    refetchInterval: 5 * 60 * 1000, // 每5分鐘檢查一次
  })
}

B. 預測性建議引擎

typescript

export function usePredictiveRecommendations() {
  return useQuery({
    queryKey: ['predictive_recommendations'],
    queryFn: async () => {
      const [customerTrends, salesForecasts, riskPredictions] =
        await Promise.all([
          supabase.rpc('predict_customer_trends'),
          supabase.rpc('forecast_sales_demand'),
          supabase.rpc('predict_business_risks'),
        ])

      return {
        customerRecommendations: generateCustomerActions(customerTrends.data),
        inventoryRecommendations: generateInventoryActions(salesForecasts.data),
        riskMitigations: generateRiskActions(riskPredictions.data),
      }
    },
    staleTime: 30 * 60 * 1000, // 30分鐘更新一次預測
  })
}

C. 個人化洞察推送

typescript

export function usePersonalizedInsights(userRole: string) {
  return useQuery({
    queryKey: ['personalized_insights', userRole],
    queryFn: async () => {
      const insights = await supabase.rpc('get_role_specific_insights', {
        role: userRole,
      })

      return insights.data
        .filter((insight) => insight.relevance_score > 0.7)
        .sort((a, b) => b.priority_score - a.priority_score)
        .slice(0, 5) // 只顯示前5個最重要的洞察
    },
    staleTime: 15 * 60 * 1000,
  })
}

9.7 技術實現優化

A. 查詢整合優化

typescript

// 單一查詢獲取多維度洞察
export function useExecutiveDashboard() {
  return useQuery({
    queryKey: ['executive_dashboard'],
    queryFn: async () => {
      const { data, error } = await supabase.rpc('get_executive_dashboard_data')

      if (error) throw error

      return {
        healthScore: data.business_health,
        keyMetrics: data.kpi_summary,
        criticalAlerts: data.risk_alerts.filter(
          (alert) => alert.priority === 'high',
        ),
        actionableInsights: data.insights.filter(
          (insight) => insight.actionable === true,
        ),
        trendAnalysis: data.trend_analysis,
      }
    },
    staleTime: 5 * 60 * 1000,
  })
}

B. 洞察快取策略

typescript

// 分層快取策略
const CACHE_STRATEGIES = {
  realtime: 1 * 60 * 1000, // 1分鐘 - 風險預警
  frequent: 5 * 60 * 1000, // 5分鐘 - 營運指標
  regular: 15 * 60 * 1000, // 15分鐘 - 客戶分析
  strategic: 60 * 60 * 1000, // 1小時 - 戰略洞察
}

9.8 未來進階發展方向

第二階段: 機器學習預測 (3-6個月)

客戶行為預測模型: 基於購買歷史預測客戶未來行為
需求預測引擎: 結合季節性、促銷活動預測產品需求
動態定價算法: 基於市場情況和庫存狀況的智能定價
個人化推薦系統: 基於協同過濾的產品推薦引擎

第三階段: AI驅動洞察 (6-12個月)

自然語言查詢: "為什麼這個月的營收下降了？"
自動解釋型AI: 為每個異常數據提供可能原因分析
對話式商業智能: 與AI助手對話獲取業務洞察
自動化決策建議: 基於歷史效果的智能決策推薦

第四階段: 全平台智能化 (12個月+)

跨平台數據整合: 整合CRM、ERP、社群媒體數據
實時決策支援: 毫秒級的業務決策推薦
自動化營運優化: 基於AI的自動化業務流程優化
預測性維護: 提前預測系統和業務風險

9.9 實施時程與里程碑

第一週: 數據整合與基礎洞察

建立業務健康度評分系統
創建客戶行動建議引擎
實現基礎異常檢測功能

第二週: 風險預警與營運優化

部署風險預警系統
建立營運效率分析儀表
實現跨功能數據整合

第三週: 前端重構與用戶體驗

重構儀表板為決策導向介面
實現洞察自動生成與推送
優化數據視覺化為行動導向

第四週: 測試與優化

進行全面功能測試
優化效能與用戶體驗
準備上線部署

本文檔最後更新: 2025年1月
版本: 2.0 - 洞察驅動重構版

Agent 管理

類別

假日管理

類別

客戶分析

類別

客戶分群

Interfaces

類別

客服分析

類別

活動評分

Interfaces

類別

產品分析

類別

群組通知

類別

訂單分析

類別

通知 API

類別

系統架構

Dashboard Views Analysis Documentation ​

重要更新說明 ​

概要 ​

🔄 需要進一步驗證的項目 ​

✅ 已確認存在的資源 ​

1. 客戶分析儀表板 (DashboardCustomer.vue) ​

1.1 RFM 分段甜甜圈圖 (RFMDonutChart) ​

1.2 RFM 生命週期階段圖 (RFMDonutChart) ​

1.3 LTV 購買趨勢圖 (LTVPurchaseTrend) ​

1.4 購買次數分析圖 (PurchaseCount) ​

1.5 RFM vs LTV 散點圖 (RfmLtvScatter) ​

2. 訂單分析儀表板 (DashboardOrder.vue) ​

2.1 訂單金額直方圖 (AmountHistogram) ​

2.2 訂單狀態分佈圖 (OrderStatusDistribution) ​

2.3 客戶購買堆疊圖 (CustomerPurchaseStacked) ​

2.4 熱門產品趨勢圖 (TopProductTrend) ​

2.5 訂單每小時分析圖 (OrderHourlyBar) ​

2.6 週末差異趨勢圖 (OrderWeekendDiffTrend) ​

3. 營收分析儀表板 (DashboardRevenue.vue) ​

3.1 營銷活動收入堆疊圖 (RevenueCampaignStacked) ​

3.2 LTV 分段甜甜圈圖 (LtvSegmentDonut) ​

3.3 每小時收入散點圖 (RevenueHourScatter) ​

3.4 營銷活動時間軸圖 (CampaignTimeline) ​

4. 客服支援儀表板 (DashboardSupport.vue) ​

4.1 客服人員績效表 (AgentPerformanceTable) ​

4.2 每小時對話趨勢圖 (HourlyConversationTrend) ​

4.3 每日對話趨勢圖 (DailyConversationTrend) ​

4.4 回應時間百分位數圖 (ResponseTimePercentiles) ​

4.5 客服狀態分佈圖 (StatusDistributionDonut) ​

4.6 對話狀態分佈圖 (StatusDistributionDonut) ​

4.7 對話週熱力圖 (ConversationWeekHeatmap) ​

5. 營運總覽儀表板 (DashboardOverview.vue) ​

5.1 核心 KPI 指標 ​

5.2 業務健康度雷達圖 ​

5.3 轉換漏斗圖 ​

6. 技術實現細節 ​

6.1 資料快取策略 ​

6.2 錯誤處理 ​

6.3 資料驗證 ​

6.4 效能最佳化 ​

7. 資料庫架構總結 ​

7.1 核心表結構 ​

7.2 分析視圖 ​

7.3 函式與程序 ​

8. 部署和維護建議 ​

8.1 監控指標 ​

8.2 效能最佳化 ​

8.3 擴展性考量 ​

9. 洞察驅動儀表板重構計劃 ​

9.1 重構目標與理念 ​

核心轉換 ​

9.2 架構重組設計 ​

新架構: 決策場景導向 ​

決策場景詳細設計 ​

9.3 基於現有數據的實施方案 ​

第一階段: 數據整合與洞察生成 (1-2週) ​

第二階段: 風險預警系統 (1週) ​

Dashboard Views Analysis Documentation

重要更新說明

概要

🔄 需要進一步驗證的項目

✅ 已確認存在的資源

1. 客戶分析儀表板 (DashboardCustomer.vue)

1.1 RFM 分段甜甜圈圖 (RFMDonutChart)

1.2 RFM 生命週期階段圖 (RFMDonutChart)

1.3 LTV 購買趨勢圖 (LTVPurchaseTrend)

1.4 購買次數分析圖 (PurchaseCount)

1.5 RFM vs LTV 散點圖 (RfmLtvScatter)

2. 訂單分析儀表板 (DashboardOrder.vue)

2.1 訂單金額直方圖 (AmountHistogram)

2.2 訂單狀態分佈圖 (OrderStatusDistribution)

2.3 客戶購買堆疊圖 (CustomerPurchaseStacked)

2.4 熱門產品趨勢圖 (TopProductTrend)

2.5 訂單每小時分析圖 (OrderHourlyBar)

2.6 週末差異趨勢圖 (OrderWeekendDiffTrend)

3. 營收分析儀表板 (DashboardRevenue.vue)

3.1 營銷活動收入堆疊圖 (RevenueCampaignStacked)

3.2 LTV 分段甜甜圈圖 (LtvSegmentDonut)

3.3 每小時收入散點圖 (RevenueHourScatter)

3.4 營銷活動時間軸圖 (CampaignTimeline)

4. 客服支援儀表板 (DashboardSupport.vue)

4.1 客服人員績效表 (AgentPerformanceTable)

4.2 每小時對話趨勢圖 (HourlyConversationTrend)

4.3 每日對話趨勢圖 (DailyConversationTrend)

4.4 回應時間百分位數圖 (ResponseTimePercentiles)

4.5 客服狀態分佈圖 (StatusDistributionDonut)

4.6 對話狀態分佈圖 (StatusDistributionDonut)

4.7 對話週熱力圖 (ConversationWeekHeatmap)

5. 營運總覽儀表板 (DashboardOverview.vue)

5.1 核心 KPI 指標

5.2 業務健康度雷達圖

5.3 轉換漏斗圖

6. 技術實現細節

6.1 資料快取策略

6.2 錯誤處理

6.3 資料驗證

6.4 效能最佳化

7. 資料庫架構總結

7.1 核心表結構

7.2 分析視圖

7.3 函式與程序

8. 部署和維護建議

8.1 監控指標

8.2 效能最佳化

8.3 擴展性考量

9. 洞察驅動儀表板重構計劃

9.1 重構目標與理念

核心轉換

9.2 架構重組設計

新架構: 決策場景導向

決策場景詳細設計

9.3 基於現有數據的實施方案

第一階段: 數據整合與洞察生成 (1-2週)

第二階段: 風險預警系統 (1週)

第三階段: 洞察自動生成 (1週)

9.4 前端實現架構

A. 新的 Query Hook 架構

B. 洞察生成邏輯

9.5 移除與修改內容

需要移除的低價值展示

需要修改為洞察導向

9.6 新增的高價值洞察功能

A. 自動異常檢測

B. 預測性建議引擎

C. 個人化洞察推送

9.7 技術實現優化

A. 查詢整合優化

B. 洞察快取策略

9.8 未來進階發展方向

第二階段: 機器學習預測 (3-6個月)

第三階段: AI驅動洞察 (6-12個月)

第四階段: 全平台智能化 (12個月+)

9.9 實施時程與里程碑

第一週: 數據整合與基礎洞察

第二週: 風險預警與營運優化