उन्नत एनालिटिक्स के लिए Shopify को Power BI से कनेक्ट करना

शॉपिफ़ाइ का अंतर्निहित विश्लेषण बुनियादी बातों को कवर करता है: बिक्री रुझान, ट्रैफ़िक स्रोत, शीर्ष उत्पाद और रूपांतरण दरें। लेकिन जैसे-जैसे दुकानों का दायरा बढ़ता है, प्रश्न और अधिक जटिल होते जाते हैं: टिकटॉक बनाम गूगल के माध्यम से प्राप्त ग्राहकों की 12 महीने की एलटीवी क्या है? किन उत्पाद श्रेणियों में रिटर्न दरें सबसे अधिक हैं? इन्वेंट्री टर्नओवर प्रमोशनल टाइमिंग से कैसे संबंधित है? सदस्यता बनाम एकमुश्त खरीदारों के लिए समूह प्रतिधारण वक्र क्या है?

इन प्रश्नों के लिए Power BI की आवश्यकता होती है - वह उपकरण जो Shopify के कच्चे डेटा को कार्रवाई योग्य इंटेलिजेंस में बदल देता है। यह मार्गदर्शिका संपूर्ण एकीकरण को कवर करती है: डेटा कनेक्शन आर्किटेक्चर, ईकॉमर्स के लिए प्रमुख DAX उपाय, परिचालन निर्णय लेने के लिए डैशबोर्ड डिज़ाइन, और उन्नत विश्लेषण पैटर्न जो Shopify की मूल रिपोर्ट प्रदान नहीं कर सकती हैं।

मुख्य बातें

• Shopify का आधिकारिक Power BI कनेक्टर (Shopify के API या तृतीय-पक्ष कनेक्टर के माध्यम से) निर्धारित अंतराल पर डेटा ताज़ा करता है - वास्तविक समय पर नहीं
• सबसे पूर्ण Shopify डेटा निर्यात पथ है: Shopify API → Azure डेटा फ़ैक्टरी या कस्टम ETL → Azure SQL डेटाबेस → Power BI
• शॉपिफाई का ग्राफक्यूएल बल्क ऑपरेशंस एपीआई बड़े ऐतिहासिक डेटा निर्यात के लिए सबसे कुशल तरीका है
• DAX पावर BI उपायों के लिए क्वेरी भाषा है - प्रमुख ईकॉमर्स उपायों (LTV, CAC, मंथन, AOV) के लिए सावधानीपूर्वक DAX डिज़ाइन की आवश्यकता होती है
• स्टार स्कीमा डेटा मॉडल (तथ्य तालिका + आयाम तालिका) पावर बीआई ईकॉमर्स एनालिटिक्स के लिए सही संरचना है
• पावर बीआई में ग्राहक समूह विश्लेषण के लिए एक दिनांक तालिका, एक समूह असाइनमेंट कॉलम और सापेक्ष तिथि माप की आवश्यकता होती है
• पावर बीआई का वृद्धिशील रिफ्रेश संपूर्ण ऐतिहासिक डेटासेट को पुन: संसाधित किए बिना दैनिक डेटा अपडेट को सक्षम बनाता है
• Shopify को विज्ञापन प्लेटफ़ॉर्म (मेटा, Google) के साथ संयोजित करने वाले मल्टी-सोर्स डैशबोर्ड सही एट्रिब्यूशन विश्लेषण को सक्षम करते हैं

---

पावर बीआई के लिए शॉपिफाई डेटा आर्किटेक्चर

Power BI से कनेक्ट करने से पहले, समझें कि Shopify के पास क्या डेटा है और इसे बड़े पैमाने पर कैसे निकाला जाए।

Shopify के प्रमुख डेटा ऑब्जेक्ट:

डेटा निष्कर्षण के लिए शॉपिफाई एपीआई दर सीमा:

REST API: प्रति सेकंड 2 अनुरोध (40 की बाल्टी)। 50,000+ ऑर्डर के ऐतिहासिक डेटा निर्यात के लिए, इसमें घंटों का समय लगता है और रात के रिफ्रेश के लिए यह अव्यावहारिक है।

बल्क ऑपरेशंस के साथ ग्राफक्यूएल एपीआई: संपूर्ण डेटासेट को अतुल्यकालिक रूप से संसाधित करता है, एक JSONL फ़ाइल लौटाता है। सभी ऐतिहासिक डेटा खींचने के लिए अनुशंसित.

डेटा निष्कर्षण वास्तुकला विकल्प:

विकल्प 1: पावर बीआई में डायरेक्ट शॉपिफाई कनेक्टर (सरलतम)

Power BI के डेटा प्राप्त करें > ऑनलाइन सेवाएँ > Shopify के माध्यम से या कपलर.आईओ या विंडसर.एआई जैसे तृतीय-पक्ष कनेक्टर्स के माध्यम से उपलब्ध है।

पेशेवर: तेज़ सेटअप (1-2 घंटे), किसी कोड की आवश्यकता नहीं विपक्ष: सीमित ऐतिहासिक डेटा गहराई, सीमित तालिका जुड़ाव, धीमी गति से ताज़ा करना, कोई कस्टम परिवर्तन नहीं

विकल्प 2: तृतीय-पक्ष डेटा पाइपलाइन के माध्यम से ईटीएल ($1 मिलियन+ राजस्व भंडार के लिए अनुशंसित)

फाइवट्रान, स्टिच, एयरबाइट, या विंडसर.एआई एक शेड्यूल पर शॉपिफाई डेटा को डेटा वेयरहाउस (बिगक्वेरी, स्नोफ्लेक, एज़्योर एसक्यूएल) में निकालते हैं। पावर बीआई गोदाम से जुड़ता है।

पेशेवर: संपूर्ण ऐतिहासिक डेटा, तेज़ क्वेरीज़, मल्टी-सोर्स जॉइन (शॉपिफाई + विज्ञापन + समीक्षाएं), कस्टम ट्रांसफ़ॉर्मेशन विपक्ष: अतिरिक्त लागत ($99-500+/माह ईटीएल सेवा के लिए), सेटअप समय (1-2 सप्ताह)

विकल्प 3: Azure डेटा फ़ैक्टरी के साथ कस्टम ETL (अधिकतम नियंत्रण)

Shopify के GraphQL बल्क ऑपरेशंस API का उपयोग करके कस्टम निष्कर्षण बनाएं, Azure डेटा फ़ैक्टरी के साथ डेटा बदलें, Azure SQL डेटाबेस में लोड करें, DirectQuery या आयात के माध्यम से Power BI को कनेक्ट करें।

पेशेवर: पूर्ण नियंत्रण, अधिकतम डेटा पूर्णता, पैमाने पर सबसे कम प्रति-क्वेरी लागत विपक्ष: इंजीनियरिंग समय (4-8 सप्ताह), निरंतर रखरखाव

---

शॉपिफाई ईकॉमर्स के लिए पावर बीआई डेटा मॉडल

एक अच्छी तरह से संरचित डेटा मॉडल एक निष्पादन योग्य पावर बीआई कार्यान्वयन की नींव है। ईकॉमर्स के लिए, स्टार स्कीमा का उपयोग करें।

Shopify के लिए स्टार स्कीमा:

Fact Tables (transactional data):
├── FactOrders          (one row per order)
├── FactOrderLineItems  (one row per line item)
├── FactRefunds         (one row per refund)
└── FactInventorySnapshots (periodic snapshots)

Dimension Tables (descriptive data):
├── DimDate             (calendar table — essential)
├── DimCustomers        (one row per customer)
├── DimProducts         (one row per product template)
├── DimVariants         (one row per variant)
├── DimLocations        (one row per Shopify location)
└── DimChannels         (traffic sources / acquisition channels)

फैक्टऑर्डर तालिका स्कीमा:

CREATE TABLE FactOrders (
    order_id BIGINT PRIMARY KEY,
    created_date_key INT,              -- FK to DimDate
    customer_id BIGINT,               -- FK to DimCustomers
    financial_status VARCHAR(20),
    fulfillment_status VARCHAR(20),
    gross_revenue DECIMAL(10,2),
    discounts DECIMAL(10,2),
    shipping DECIMAL(10,2),
    taxes DECIMAL(10,2),
    net_revenue DECIMAL(10,2),
    order_number VARCHAR(20),
    channel_source VARCHAR(50),
    customer_cohort_month VARCHAR(7),  -- Derived: YYYY-MM of first order
    is_first_order BIT,
    order_sequence INT,                -- 1 = first order, 2 = second, etc.
    tags VARCHAR(500)
);

डिमडेट तालिका (कैलेंडर आयाम - समय की जानकारी के लिए अनिवार्य):

-- Generate dates from 2020-01-01 to 2030-12-31
CREATE TABLE DimDate (
    date_key INT PRIMARY KEY,          -- YYYYMMDD
    full_date DATE,
    year INT,
    quarter INT,
    month INT,
    month_name VARCHAR(12),
    week INT,
    day_of_week INT,
    day_name VARCHAR(12),
    is_weekend BIT,
    is_holiday BIT,
    fiscal_year INT,
    fiscal_quarter INT,
    fiscal_month INT
);

---

ईकॉमर्स एनालिटिक्स के लिए प्रमुख DAX उपाय

DAX (डेटा एनालिसिस एक्सप्रेशंस) Power BI की सूत्र भाषा है। ये उपाय किसी भी शॉपिफाई एनालिटिक्स कार्यान्वयन का मूल हैं।

राजस्व उपाय:

-- Total Gross Revenue
Gross Revenue = SUM(FactOrders[gross_revenue])

-- Total Net Revenue (after discounts)
Net Revenue = SUM(FactOrders[net_revenue])

-- Total Discount Amount
Total Discounts = SUM(FactOrders[discounts])

-- Discount Rate
Discount Rate = DIVIDE([Total Discounts], [Gross Revenue])

-- Average Order Value
AOV = DIVIDE([Net Revenue], [Total Orders])

-- Revenue Growth (Year-over-Year)
Revenue YoY Growth =
VAR CurrentRevenue = [Net Revenue]
VAR PriorYearRevenue = CALCULATE([Net Revenue], SAMEPERIODLASTYEAR(DimDate[full_date]))
RETURN DIVIDE(CurrentRevenue - PriorYearRevenue, PriorYearRevenue)

ग्राहक मेट्रिक्स:

-- Total Unique Customers (in selected period)
Total Customers = DISTINCTCOUNT(FactOrders[customer_id])

-- New Customers (first-time buyers)
New Customers = CALCULATE(
    DISTINCTCOUNT(FactOrders[customer_id]),
    FactOrders[is_first_order] = 1
)

-- Returning Customers
Returning Customers = [Total Customers] - [New Customers]

-- Repeat Customer Rate
Repeat Customer Rate = DIVIDE([Returning Customers], [Total Customers])

-- Average Customer Lifetime Value (LTV)
Customer LTV =
AVERAGEX(
    VALUES(DimCustomers[customer_id]),
    CALCULATE(SUM(FactOrders[net_revenue]))
)

-- Purchase Frequency (orders per customer per year)
Purchase Frequency =
DIVIDE(
    [Total Orders],
    [Total Customers]
)

समूह प्रतिधारण विश्लेषण:

-- Cohort Month (month of customer's first purchase)
-- This is a calculated column in FactOrders, set during ETL

-- Cohort Retention Rate at Month N
Cohort Retention Month 1 =
VAR CohortMonth = SELECTEDVALUE(FactOrders[customer_cohort_month])
VAR CohortCustomers =
    CALCULATE(
        DISTINCTCOUNT(FactOrders[customer_id]),
        FactOrders[customer_cohort_month] = CohortMonth,
        FactOrders[is_first_order] = 1
    )
VAR Month1Returners =
    CALCULATE(
        DISTINCTCOUNT(FactOrders[customer_id]),
        FactOrders[customer_cohort_month] = CohortMonth,
        FactOrders[order_sequence] >= 2,
        -- Orders within 30-60 days of first order
        DATESINPERIOD(
            DimDate[full_date],
            DATE(LEFT(CohortMonth,4), RIGHT(CohortMonth,2), 1),
            2, MONTH
        )
    )
RETURN DIVIDE(Month1Returners, CohortCustomers)

इन्वेंटरी उपाय:

-- Current Total Inventory Value
Inventory Value =
SUMX(
    DimVariants,
    DimVariants[available_quantity] * DimVariants[cost]
)

-- Inventory Turnover Rate (annual)
Inventory Turnover =
DIVIDE(
    [Gross Revenue], -- Or COGS if available
    [Inventory Value]
)

-- Days of Inventory Remaining (at current sales velocity)
Days of Inventory =
VAR DailySalesRate = DIVIDE([Net Revenue], 365)
VAR CurrentInventoryValue = [Inventory Value]
RETURN DIVIDE(CurrentInventoryValue, DailySalesRate)

---

डैशबोर्ड डिज़ाइन: राजस्व अवलोकन

राजस्व अवलोकन डैशबोर्ड लेआउट:

पंक्ति 1 - KPI कार्ड:

• सकल राजस्व (वर्तमान अवधि)
• शुद्ध राजस्व (वर्तमान अवधि)
• कुल ऑर्डर
• एओवी
• नए ग्राहक
• ग्राहक दर दोहराएं

पंक्ति 2 - समय श्रृंखला:

• समय के साथ राजस्व (दैनिक/साप्ताहिक/मासिक टॉगल)
• समय के साथ आदेश
• एओवी प्रवृत्ति

पंक्ति 3 - ब्रेकडाउन:

• उत्पाद प्रकार के अनुसार राजस्व (क्षैतिज बार चार्ट)
• चैनल स्रोत द्वारा राजस्व (पाई या डोनट)
• स्थान के अनुसार राजस्व (यदि बहु-स्थान)

पंक्ति 4 - तुलना:

• महीने-दर-महीने प्रदर्शन तालिका
• साल-दर-साल तुलना (वर्तमान बनाम पिछले वर्ष की समान अवधि)

स्लाइसर कॉन्फ़िगरेशन:

• दिनांक सीमा स्लाइसर (पूर्व-निर्धारित अवधि के साथ: इस महीने, पिछले महीने, इस तिमाही, इस वर्ष, कस्टम)
• उत्पाद प्रकार फ़िल्टर
• चैनल स्रोत फ़िल्टर
• ग्राहक खंड फ़िल्टर (नया बनाम लौटने वाला)

---

ग्राहक समूह डैशबोर्ड

ईकॉमर्स निर्णय लेने के लिए कोहोर्ट रिटेंशन डैशबोर्ड सबसे विश्लेषणात्मक रूप से मूल्यवान रिपोर्ट है। यह दर्शाता है कि प्रत्येक अधिग्रहण माह के लिए, कितने प्रतिशत ग्राहक अगले महीनों में खरीदारी के लिए लौटे।

पावर बीआई में कोहोर्ट टेबल डिज़ाइन:

एक मैट्रिक्स विज़ुअलाइज़ेशन बनाएं:

• पंक्तियाँ: समूह माह (पहली खरीद का महीना)
• कॉलम: माह 0, माह 1, माह 2, ... माह 12 (पहली खरीदारी के सापेक्ष)
• मान: प्रतिधारण दर (उस महीने में खरीदारी करने वाले मूल समूह का प्रतिशत)

रंग स्केल: लाल (कम प्रतिधारण) → पीला → हरा (उच्च प्रतिधारण)

यह दृश्य तुरंत प्रकट करता है:

• किन अधिग्रहण महीनों में सर्वोत्तम दीर्घकालिक प्रतिधारण है (किस अभियान ने सर्वोत्तम ग्राहक प्राप्त किए)
• कौन सा महीने-दर-महीने प्रतिधारण सबसे तेजी से गिरता है (जीत-वापसी अभियानों के लिए इष्टतम समय)
• क्या समय के साथ प्रतिधारण में सुधार हो रहा है या गिरावट आ रही है (उत्पाद की गुणवत्ता, ग्राहक सेवा संकेत)

समूह डेटा मॉडल का निर्माण:

समूह विश्लेषण के लिए FactOrders में इन क्षेत्रों की आवश्यकता होती है:

1. customer_cohort_month: ग्राहक के पहले ऑर्डर का YYYY-MM (प्रति ग्राहक स्थिर, चाहे वर्तमान ऑर्डर कब दिया गया हो)
2. order_sequence: इस ग्राहक के लिए अनुक्रमिक ऑर्डर संख्या (1 = पहला ऑर्डर, 2 = दूसरा, आदि)
3. months_since_first_order: पहले ऑर्डर की तारीख और इस ऑर्डर की तारीख के बीच महीनों की संख्या

प्रदर्शन कारणों से इन क्षेत्रों की गणना ईटीएल (पावर बीआई के बाहर) के दौरान सबसे अच्छी तरह की जाती है।

---

मल्टी-सोर्स एनालिटिक्स: शॉपिफाई + विज्ञापन डेटा

ईकॉमर्स के लिए पावर बीआई का सबसे शक्तिशाली उपयोग सच्चे चैनल आरओआई को मापने के लिए विज्ञापन प्लेटफ़ॉर्म डेटा के साथ शॉपिफाई डेटा का संयोजन है।

एकीकृत करने के लिए डेटा स्रोत:

विपणन दक्षता डैशबोर्ड:

विज्ञापन खर्च को Shopify ऑर्डर डेटा से जोड़ने के लिए UTM पैरामीटर मिलान की आवश्यकता होती है - GA4 सत्र डेटा विज्ञापन क्लिक को Shopify ऑर्डर से जोड़ता है।

---

शेड्यूल्ड रिफ्रेश और प्रोडक्शन डिप्लॉयमेंट

Shopify के लिए पावर बीआई सेवा कॉन्फ़िगरेशन:

1. अपनी Power BI डेस्कटॉप फ़ाइल को Power BI सेवा (app.powerbi.com) पर प्रकाशित करें
2. यदि आपका डेटा स्रोत ऑन-प्रिमाइसेस है तो डेटा गेटवे कॉन्फ़िगर करें (आमतौर पर क्लाउड शॉपिफाई → क्लाउड एसक्यूएल के लिए आवश्यक नहीं है)
3. शेड्यूल डेटा रिफ्रेश: अधिकांश शॉपिफाई एनालिटिक्स डैशबोर्ड रात्रि रिफ्रेश के साथ अच्छी तरह से काम करते हैं (सुबह 4 बजे यूटीसी जब ट्रैफिक सबसे कम होता है)
4. बड़ी तालिकाओं (ऑर्डर) के लिए वृद्धिशील रीफ्रेश कॉन्फ़िगर करें: प्रत्येक रीफ्रेश पर केवल अंतिम 30 दिनों की प्रक्रिया करें, 2 साल का ऐतिहासिक डेटा बनाए रखें
5. ताज़ा विफलता ईमेल सूचनाएं सेट करें

वृद्धिशील ताज़ा कॉन्फ़िगरेशन:

-- Power Query: Define RangeStart and RangeEnd parameters
-- Set type: Date/Time, required

-- Filter table during import using these parameters:
#"Filtered Rows" = Table.SelectRows(
    Source,
    each [created_at] >= RangeStart and [created_at] < RangeEnd
)

Power BI सेवा में, कॉन्फ़िगर करें:

• अंतिम में स्टोर पंक्तियाँ: 2 वर्ष (ऐतिहासिक प्रतिधारण)
• अंतिम पंक्तियों को ताज़ा करें: 30 दिन (वृद्धिशील विंडो)

इसका मतलब है कि प्रत्येक रीफ्रेश केवल पिछले 30 दिनों के Shopify डेटा को क्वेरी करता है - पूर्ण डेटासेट रीफ्रेश की तुलना में एपीआई कॉल और रीफ्रेश समय को नाटकीय रूप से कम करता है।

---

अक्सर पूछे जाने वाले प्रश्न

Shopify डेटा को Power BI में प्राप्त करने के लिए सबसे अच्छा कनेक्टर क्या है?

1 मिलियन डॉलर से कम राजस्व या 10,000 ऑर्डर से कम के स्टोर के लिए: कपलर.आईओ, विंडसर.एआई, या माइक्रोसॉफ्ट ऐपसोर्स से मूल शॉपिफाई पावर बीआई कनेक्टर अच्छी तरह से काम करता है और न्यूनतम सेटअप की आवश्यकता होती है। बड़े स्टोरों के लिए जहां डेटा पूर्णता और ताज़ा विश्वसनीयता मायने रखती है: फाइवट्रान या स्टिच डेटा वेयरहाउस को एक मजबूत ईटीएल पाइपलाइन प्रदान करता है, जिसमें पावर बीआई वेयरहाउस से जुड़ता है। वेयरहाउस दृष्टिकोण लागत ($200-1,000+/माह) जोड़ता है लेकिन काफी बेहतर डेटा गुणवत्ता, तेज़ क्वेरी और अन्य व्यावसायिक डेटा स्रोतों के साथ शॉपिफाई डेटा को जोड़ने की क्षमता प्रदान करता है।

क्या Power BI वास्तविक समय में Shopify डेटा दिखा सकता है?

मानक आयात मोड के माध्यम से नहीं. पावर बीआई आयात मोड डेटा का एक स्नैपशॉट लोड करता है जो एक शेड्यूल पर ताज़ा होता है (पावर बीआई प्रो पर प्रति दिन अधिकतम 8 बार, प्रीमियम पर 48 बार)। लगभग वास्तविक समय के Shopify डेटा के लिए, डेटाबेस से जुड़े Power BI DirectQuery मोड का उपयोग करें जो वास्तविक समय में Shopify वेबहुक ईवेंट प्राप्त करता है। इसके लिए अधिक बुनियादी ढांचे की आवश्यकता होती है लेकिन यह डैशबोर्ड को सक्षम बनाता है जो ऑर्डर प्लेसमेंट के कुछ ही मिनटों के भीतर डेटा दिखाता है। अधिकांश ईकॉमर्स निर्णयों के लिए (जिनमें उप-घंटे डेटा ताज़ा करने की आवश्यकता नहीं होती है), दैनिक ताज़ा करना पर्याप्त है।

मैं Power BI में विशिष्ट विज्ञापन अभियानों को Shopify राजस्व का श्रेय कैसे दूं?

एट्रिब्यूशन के लिए तीन डेटा स्रोतों को जोड़ने की आवश्यकता होती है: विज्ञापन प्लेटफ़ॉर्म डेटा (Google विज्ञापन, मेटा विज्ञापन - प्रति अभियान खर्च), GA4 सत्र डेटा (अभियान UTM पैरामीटर → रूपांतरण वाले सत्र), और Shopify ऑर्डर डेटा (ग्राहक टैग या ऑर्डर विशेषताओं में UTM पैरामीटर वाले ऑर्डर)। अभियानों को ऑर्डर देने के लिए ऑर्डर UTM पैरामीटर (Shopify के landing_site फ़ील्ड के माध्यम से कैप्चर किया गया) का उपयोग करें। अभियान-स्तरीय सीएसी और आरओएएस की गणना करने के लिए इसे विज्ञापन व्यय डेटा के साथ जोड़ें। संपूर्ण एट्रिब्यूशन के लिए यह स्वीकार करना आवश्यक है कि UTM ट्रैकिंग 60-80% रूपांतरण कैप्चर करती है - बाकी प्रत्यक्ष या क्रॉस-डिवाइस होते हैं।

ईकॉमर्स एनालिटिक्स के लिए कौन से DAX फ़ंक्शन सबसे उपयोगी हैं?

ईकॉमर्स के लिए सबसे मूल्यवान DAX फ़ंक्शंस: CALCULATE (किसी भी माप पर फ़िल्टर लागू करें), FILTER (फ़िल्टर किए गए संदर्भ बनाएं), SUMX / AVERAGEX (पंक्ति-स्तरीय गणना के साथ तालिकाओं पर पुनरावृत्त करें), DATESINPERIOD / DATEADD / SAMEPERIODLASTYEAR (समय बुद्धि), DIVIDE (सुरक्षित विभाजन जो शून्य विभाजक को संभालता है), RANKX (रैंकिंग उत्पाद / ग्राहक / चैनल), DISTINCTCOUNT (अद्वितीय ग्राहकों/उत्पादों की गणना करें), और संबंधित (संबंधित आयाम तालिकाओं से एक्सेस कॉलम)। इन 10 कार्यों में महारत हासिल करने से 80% ईकॉमर्स विश्लेषणात्मक आवश्यकताएं शामिल हो जाती हैं।

मैं Power BI में Shopify की एकाधिक मुद्राओं को कैसे संभालूं?

बहु-मुद्रा शॉपिफाई स्टोर एक चुनौती पेश करते हैं: ऑर्डर लेनदेन मुद्रा में दर्ज किए जाते हैं, लेकिन रिपोर्टिंग के लिए एकल आधार मुद्रा की आवश्यकता होती है। ईटीएल के दौरान, या तो उपयोग करके सभी ऑर्डर राशि को अपनी आधार मुद्रा में परिवर्तित करें: (1) शॉपिफाई के presentment_money बनाम shop_money फ़ील्ड (ऑर्डर के समय शॉपिफाई पहले से ही विनिमय दर पर परिवर्तित होता है), या (2) दैनिक दरों के साथ एक मुद्रा विनिमय दर तालिका, प्रत्येक ऑर्डर की तारीख के लिए दर लागू करना। मैन्युअल विनिमय दर जटिलता से बचने के लिए Power BI में रिपोर्टिंग आंकड़ों के रूप में Shopify के shop_money फ़ील्ड (जो आपके स्टोर की आधार मुद्रा में मात्रा का प्रतिनिधित्व करते हैं) का उपयोग करें।

---

अगले चरण

उन्नत विश्लेषण के लिए Shopify को Power BI से कनेक्ट करने के लिए डेटा इंजीनियरिंग विशेषज्ञता, DAX प्रवाह और डैशबोर्ड डिज़ाइन कौशल की आवश्यकता होती है जो डेटा डंप के बजाय कार्रवाई योग्य अंतर्दृष्टि प्रदान करते हैं।

ECOSIRE की पावर BI सेवाएँ और Shopify सेवाएँ में Shopify डेटा एकीकरण आर्किटेक्चर, ईकॉमर्स एनालिटिक्स के लिए Power BI डैशबोर्ड विकास, समूह विश्लेषण कार्यान्वयन, मल्टी-सोर्स मार्केटिंग एट्रिब्यूशन और चल रहे एनालिटिक्स समर्थन शामिल हैं।

अपने Shopify स्टोर के लिए Power BI एनालिटिक्स स्टैक के निर्माण पर चर्चा करने के लिए Shopify एनालिटिक्स परामर्श शेड्यूल करें।