Executive Dashboard 360° — SaaS Revenue & RevOps Analytics

Business Intelligence portfolio project · Python · Pandas · React · Recharts Status: Finished · Live in production A reproducible synthetic-data engine that models the complete financial and revenue-operations picture of a B2B SaaS company — 24 executive KPIs across Finance, Retention, RevOps and Marketing — feeding an interactive executive dashboard.

🇬🇧 English version first. · 🇪🇸 La versión en español está más abajo → ir a Español.

Open the live demo

The problem this solves

Executives don't read spreadsheets — they read a single screen that answers "how is the business doing?" in ten seconds. Producing that screen is a Business Intelligence problem with three layers that must work together:

Metric definition — knowing which numbers actually run a SaaS business (not vanity metrics) and how they relate.
Data modeling — generating internally consistent data so every KPI reconciles (MRR × 12 = ARR, margins tie to COGS, retention ties to cohorts).
Communication — visualizing it so a non-technical leadership team grasps the story instantly.

This project demonstrates all three, end to end. It builds a realistic 3-year dataset for a B2B SaaS company and exposes it through an executive dashboard that consolidates Finance, Retention, RevOps and Marketing into one coherent 360° view — the same artifact a Revenue Operations or BI team maintains for a monthly leadership review.

It is a portfolio piece: the data is synthetic by design, but the metric model, the engineering and the visualization mirror real production BI work.

Live demo

▶ proyectos-mindset-code.web.app/executive

The dashboard renders the 24 KPIs as KPI cards, revenue trends, segment/channel breakdowns, a marketing funnel, a CAC↔LTV trend and a churn↔NRR trend.

Key features

Single coherent financial model — every table is derived from one revenue backbone, so figures reconcile across Finance, Marketing, Sales and Retention.
24 executive KPIs spanning four business domains (full list below).
Realistic dynamics — growth trend + seasonality (stronger Q4, softer Q1), improving margins over time, and cohort-driven churn/NRR.
Fully reproducible — np.random.seed(42) guarantees identical output on every run; no private or scraped data.
Clean separation of concerns — the data layer (this repo) is independent from the presentation layer (React app), so the model can be audited and regenerated on its own.

Architecture

A three-stage, multi-repository data pipeline:

flowchart LR
    A["generate_data.py<br/>Python · Pandas · NumPy"] -->|"5 CSV tables"| B["data/<br/>(regenerated, not versioned)"]
    B --> C["generate_executive_json.mjs<br/>(project-sales-weather-etl)"]
    C -->|"JSON"| D["ExecutiveDashboard.jsx<br/>React 19 · Recharts<br/>(project-portfolio)"]
    D --> E["Live<br/>proyectos-mindset-code.web.app/executive"]

Stage	Repository	Role
Data engine	`project-executive-dashboard-data` (this repo)	Generates the 24-KPI dataset
JSON build	`project-sales-weather-etl`	Converts tables to web-ready JSON
Presentation	`project-portfolio`	React dashboard, served live

Methodology — how the data is modeled

The generator does not emit random noise; it encodes a believable SaaS trajectory:

Revenue follows a linear growth trend (≈ $480K → $920K monthly) plus seasonality (a 12-month sine wave) and gaussian noise, floored to avoid negative dips.
Margins improve as the company matures — COGS falls from ~48% to ~41% of revenue, so gross margin climbs from ~52% to ~59%.
Unit economics are derived, not invented: CAC from marketing spend ÷ new customers; LTV from revenue-per-customer ÷ churn; LTV/CAC kept in a healthy band.
Retention uses customer cohorts — churn declines from ~8% to ~4%, and NRR is clamped to a realistic 70%–140% range driven by expansion minus contraction and churn.
Marketing funnel ties spend → MQLs → SQLs with conversion rates that improve over time.

This is the core BI skill the project showcases: building a model where every metric is causally and arithmetically consistent with the others.

The data model & 24 KPIs

The core executive_summary table carries 24 KPIs across four domains:

Domain	KPIs
Finance	Revenue · Gross Profit · Gross Margin % · EBITDA · EBITDA Margin % · MRR · ARR
Retention	Churn Rate · Churned Customers · NRR · Expansion Revenue
RevOps / Unit economics	CAC · LTV · LTV/CAC · Payback (months) · Win Rate · Sales Cycle (days) · Pipeline Value · Pipeline Coverage
Marketing	Marketing Spend · MQLs · SQLs · New Customers · ROAS

Four breakdown tables provide the dimensional cuts the dashboard charts:

Table	Rows	Breakdown
`executive_summary`	36	Monthly KPI panel (24 metrics)
`revenue_by_segment`	108	SMB · Mid-Market · Enterprise
`revenue_by_channel`	144	Inbound · Outbound · Partners · Direct
`marketing_funnel`	36	Spend · MQL → SQL · CAC · ROAS
`pipeline_stages`	180	5 funnel stages × 36 months

Coverage: 36 months (3 years) · 3 customer segments · 4 acquisition channels.

Results & insights

Reading the generated dataset the way an analyst would brief leadership:

Revenue nearly doubles over three years while gross margin expands ~7 points — growth is becoming more profitable, not less.
NRR stays above 100% in mature months: the existing customer base expands faster than it churns — the strongest signal of product-market fit.
LTV/CAC trends above 3×, the canonical threshold for efficient, scalable acquisition.
Churn roughly halves (≈8% → ≈4%) as the company matures, compounding the revenue base.

These are the four sentences a RevOps analyst would lead a board meeting with — and the dashboard makes each visible at a glance.

Tech stack

Layer	Technology
Data generation	Python 3.12 · Pandas · NumPy
Visualization	React 19 · Vite · Recharts (in `project-portfolio`)
Hosting	Firebase Hosting (Spark plan)
Domain	RevOps · Business Intelligence · SaaS metrics

Getting started

Prerequisites

Python 3.12+

Installation

git clone https://github.com/mindset-code/project-executive-dashboard-data.git
cd project-executive-dashboard-data
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt

Usage

python generate_data.py        # writes the 5 analytical tables to data/

Expected output:

✓ executive_summary.csv     — 36 rows, 24 KPIs
✓ revenue_by_segment.csv    — 108 rows
✓ revenue_by_channel.csv    — 144 rows
✓ marketing_funnel.csv      — 36 rows
✓ pipeline_stages.csv       — 180 rows

To see the data rendered, open the live dashboard or run the project-portfolio frontend locally.

Repository structure

project-executive-dashboard-data/
├── generate_data.py     # synthetic SaaS data engine (5 tables, 24 KPIs)
├── requirements.txt     # Python dependencies
├── data/                # generated CSV output (not versioned)
├── init.sh              # pre-session environment check
├── LICENSE              # MIT
└── README.md

Related repositories

project-portfolio — React frontend that renders this dashboard (live at /executive).
project-sales-weather-etl — JSON build step for the web layer.
Full portfolio: proyectos-mindset-code.web.app

License

Released under the MIT License — free to use, modify and distribute with attribution.

Contact

Portfolio: proyectos-mindset-code.web.app
Web: mindset-code.com
Email: contacto@mindset-code.com

🇪🇸 Español

Executive Dashboard 360° — Analítica de revenue y RevOps SaaS

Proyecto de portafolio de Business Intelligence · Python · Pandas · React · Recharts Estado: Terminado · En producción Motor de datos sintéticos reproducible que modela la foto financiera y de revenue-operations completa de una empresa SaaS B2B —24 KPIs ejecutivos en Finanzas, Retención, RevOps y Marketing— y alimenta un dashboard ejecutivo interactivo.

🇪🇸 Traducción al español. La versión en inglés está al inicio → ir a English.

El problema que resuelve

Un directivo no lee hojas de cálculo — lee una sola pantalla que responde "¿cómo va el negocio?" en diez segundos. Producir esa pantalla es un problema de Business Intelligence con tres capas que deben encajar:

Definición de métricas — saber cuáles números mueven de verdad un negocio SaaS (no métricas de vanidad) y cómo se relacionan.
Modelado de datos — generar datos internamente consistentes para que cada KPI cuadre (MRR × 12 = ARR, los márgenes atan con el COGS, la retención ata con las cohortes).
Comunicación — visualizarlo para que un equipo directivo no técnico capte la historia al instante.

Este proyecto demuestra las tres, de extremo a extremo. Construye un dataset realista de 3 años de una empresa SaaS B2B y lo expone en un dashboard ejecutivo que consolida Finanzas, Retención, RevOps y Marketing en una vista 360° coherente — el mismo artefacto que un equipo de Revenue Operations o BI mantiene para una reunión mensual de dirección.

Es una pieza de portafolio: los datos son sintéticos a propósito, pero el modelo de métricas, la ingeniería y la visualización reflejan trabajo real de BI en producción.

Demo en vivo

▶ proyectos-mindset-code.web.app/executive

El dashboard renderiza los 24 KPIs como tarjetas, tendencias de revenue, desgloses por segmento/canal, un funnel de marketing, una tendencia CAC↔LTV y una tendencia churn↔NRR.

Características clave

Modelo financiero único y coherente — cada tabla se deriva de un mismo backbone de revenue, así las cifras cuadran entre Finanzas, Marketing, Ventas y Retención.
24 KPIs ejecutivos en cuatro dominios de negocio (lista completa abajo).
Dinámicas realistas — tendencia de crecimiento + estacionalidad (Q4 fuerte, Q1 débil), márgenes que mejoran y churn/NRR derivados de cohortes.
Totalmente reproducible — np.random.seed(42) garantiza salida idéntica en cada ejecución; sin datos privados ni scraping.
Separación de responsabilidades — la capa de datos (este repo) es independiente de la de presentación (app React), para auditar y regenerar el modelo por separado.

Arquitectura

Pipeline de datos en tres etapas y multi-repositorio:

flowchart LR
    A["generate_data.py<br/>Python · Pandas · NumPy"] -->|"5 tablas CSV"| B["data/<br/>(regeneradas, no versionadas)"]
    B --> C["generate_executive_json.mjs<br/>(project-sales-weather-etl)"]
    C -->|"JSON"| D["ExecutiveDashboard.jsx<br/>React 19 · Recharts<br/>(project-portfolio)"]
    D --> E["En vivo<br/>proyectos-mindset-code.web.app/executive"]

Etapa	Repositorio	Rol
Motor de datos	`project-executive-dashboard-data` (este repo)	Genera el dataset de 24 KPIs
Build JSON	`project-sales-weather-etl`	Convierte las tablas a JSON para web
Presentación	`project-portfolio`	Dashboard React, servido en vivo

Metodología — cómo se modelan los datos

El generador no emite ruido aleatorio; codifica una trayectoria SaaS creíble:

Revenue sigue una tendencia lineal de crecimiento (≈ 480K → 920K mensuales) más estacionalidad (onda senoidal de 12 meses) y ruido gaussiano, con suelo para evitar caídas negativas.
Los márgenes mejoran según madura la empresa — el COGS baja de ~48% a ~41% del revenue, así el margen bruto sube de ~52% a ~59%.
Los unit economics se derivan, no se inventan: CAC desde inversión de marketing ÷ nuevos clientes; LTV desde revenue-por-cliente ÷ churn; LTV/CAC en una banda sana.
La retención usa cohortes — el churn baja de ~8% a ~4%, y la NRR se acota a un rango realista de 70%–140% según expansión menos contracción y churn.
El funnel de marketing ata inversión → MQLs → SQLs con tasas de conversión que mejoran con el tiempo.

Esta es la habilidad central de BI que muestra el proyecto: construir un modelo donde cada métrica es causal y aritméticamente consistente con las demás.

El modelo de datos y los 24 KPIs

La tabla principal executive_summary reúne 24 KPIs en cuatro dominios:

Dominio	KPIs
Finanzas	Revenue · Gross Profit · Margen Bruto % · EBITDA · Margen EBITDA % · MRR · ARR
Retención	Churn Rate · Clientes Churned · NRR · Expansion Revenue
RevOps / Unit economics	CAC · LTV · LTV/CAC · Payback (meses) · Win Rate · Ciclo de Ventas (días) · Pipeline Value · Pipeline Coverage
Marketing	Marketing Spend · MQLs · SQLs · Nuevos Clientes · ROAS

Cuatro tablas de desglose aportan los cortes dimensionales de los gráficos:

Tabla	Filas	Desglose
`executive_summary`	36	Panel mensual de KPIs (24 métricas)
`revenue_by_segment`	108	SMB · Mid-Market · Enterprise
`revenue_by_channel`	144	Inbound · Outbound · Partners · Direct
`marketing_funnel`	36	Inversión · MQL → SQL · CAC · ROAS
`pipeline_stages`	180	5 etapas del funnel × 36 meses

Cobertura: 36 meses (3 años) · 3 segmentos · 4 canales de adquisición.

Resultados e insights

Leyendo el dataset generado como lo haría un analista para la dirección:

El revenue casi se duplica en tres años mientras el margen bruto se expande ~7 puntos — el crecimiento es más rentable, no menos.
La NRR se mantiene por encima del 100% en meses maduros: la base de clientes existente se expande más rápido de lo que se pierde — la señal más fuerte de product-market fit.
El LTV/CAC supera 3×, el umbral canónico de una adquisición eficiente y escalable.
El churn se reduce a la mitad (≈8% → ≈4%) según madura la empresa, capitalizando la base de ingresos.

Son las cuatro frases con las que un analista de RevOps abriría una reunión de directorio — y el dashboard hace visible cada una de un vistazo.

Stack técnico

Capa	Tecnología
Generación de datos	Python 3.12 · Pandas · NumPy
Visualización	React 19 · Vite · Recharts (en `project-portfolio`)
Hosting	Firebase Hosting (plan Spark)
Dominio	RevOps · Business Intelligence · métricas SaaS

Cómo empezar

Requisitos

Python 3.12+

Instalación

git clone https://github.com/mindset-code/project-executive-dashboard-data.git
cd project-executive-dashboard-data
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt

Uso

python generate_data.py        # genera las 5 tablas analíticas en data/

Salida esperada:

✓ executive_summary.csv     — 36 filas, 24 KPIs
✓ revenue_by_segment.csv    — 108 filas
✓ revenue_by_channel.csv    — 144 filas
✓ marketing_funnel.csv      — 36 filas
✓ pipeline_stages.csv       — 180 filas

Para ver los datos renderizados, abre el dashboard en vivo o ejecuta el frontend de project-portfolio en local.

Estructura del repositorio

project-executive-dashboard-data/
├── generate_data.py     # motor de datos sintéticos SaaS (5 tablas, 24 KPIs)
├── requirements.txt     # dependencias Python
├── data/                # salida CSV generada (no versionada)
├── init.sh              # verificación de entorno pre-sesión
├── LICENSE              # MIT
└── README.md

Repositorios relacionados

project-portfolio — Frontend React que renderiza este dashboard (en vivo en /executive).
project-sales-weather-etl — Paso de build a JSON para la capa web.
Portafolio completo: proyectos-mindset-code.web.app

Licencia

Publicado bajo la Licencia MIT — libre de usar, modificar y distribuir con atribución.

Contacto

Portafolio: proyectos-mindset-code.web.app
Web: mindset-code.com
Email: contacto@mindset-code.com

Mindset & Code · asesoría fiscal y tecnológica · mindset-code.com

Name		Name	Last commit message	Last commit date
.github/workflows		.github/workflows
docs		docs
tests		tests
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
conftest.py		conftest.py
generate_data.py		generate_data.py
init.sh		init.sh
pytest.ini		pytest.ini
requirements.txt		requirements.txt

Uh oh!

Latest commit

History

Folders and files

Repository files navigation