第73天知识点：图例设置   图表不仅仅是数据的展示，更是我们与数据沟通的桥梁。 而图例，作为图表的重要组成部分，它的设置往往直接影响到图表整体的美观度和可读性。 【常见问题】 01.如何调整图例位置？             02.如何只显示部分图例内容？     03.如何取消图例显示？    背景介绍 我们以下方玫瑰图为例来看看FineBI中是如何对图例进行个性化设置的。 一般情况下，图例是默认显示在图形右上角。 01 问：如何调整图例位置？ 答：组件样式-->图例-->位置-->选择合适的位置。 有时候，图例在右上角这个位置可能会显得有点拥挤，或者与整体设计不太搭，这时，我们就可以通过设置，将图例调整到更合适的位置。 目前FineBI支持以下8种图例位置。 02 问：如何只显示部分图例？ 答：组件样式-->图例-->点击【显示全部图例】前的三角，内容展开后，将对应指标前的勾选取消。 比如下面这张图，图表的标签上已经包含了我们需要展示的【金额】信息，这时再显示【金额】的图例就显得有些多余了。 在这种情况下，我们可以选择只显示部分图例。 结果如下： 03 问：如何将图例取消显示？ 答：组件样式-->图例-->将【显示全部图例】前的勾选取消。 比如下面这张图，标签已经显示区和对应的金额了，所以无需图例再做任何提示。这样，既能保持图表的简洁性，又能避免信息的重复。 所以，我们可以取消图例显示。 结果如下： 当然，除了图例的位置和显示内容，你还就可以对图例的显示样式进行设置：比如加上边框，对图例字体进行颜色、大小等设置。 这里我们就不再一一介绍了。 感兴趣的小伙伴可以自己动手试一试。 这些看似微小的调整，掌握好，就能让你的图表更出彩。 结语 掌握FineBI中图例的个性化设置技巧，不仅能让你的图表看起来更加美观和易读，还能帮助你更好地传达数据背后的故事。 所以，不要忽视图例的设置哦！ 在FineBI中，无论何种图形，想对图例进行个性化设置，记住： 找到组件样式中的图例设置选项，你想要的与图例相关的全部内容都能在这里找到答案。

第74天知识点：动态展示最大最小值点   日常图表展示中，我们会突出显示一些特别的值，比如：最大最小值。 在FineBI中，如何实现突出显示某个区域的最大最小值呢？ 其实很简单。 首先，看一下我们准备好的模拟数据表。 2024年的成交额数据表：这张表记录了2024年每一天的成交额。 接下来，话不多说，开始制作。 制作组件 图表类型选择自定义图表，然后【日期】、【成交额】字段分别拖入横纵轴。 最大最小值添加注释 【成交额】字段设置特殊显示--注释，然后添加条件：最大的1个值或者最小的1个值；提示内容：日期及对应的成交额。 结果如下： 到这一步，给最大最小值只添加了数据标签，但一眼看过去，太平淡了，最大最小值不够明显，没能突出最大最小值的特殊地位。 这好办。 添加计算字段【最大值点】 添加计算字段【最小值点】 添加最大最小值点 将【最大值点】、【最小值点】拖入纵轴。 设置最大最小值点样式 【最大值点】、【最小值点】形状设置为点，调整大小及颜色。 结果如下： 但感觉图还是缺少点灵动。 没事哒没事哒，都有解决办法。 添加闪烁动画 【最大值点】、【最小值点】字段设置特殊显示--闪烁动画，添加条件：空。 最小值点设置同理。 结果如下： 到这里，已经非常明显的显示出最大最小值了。 但还想更进阶一步，最大最小值可以根据日期区间过滤组件实现筛选区间内最大最小值的动态变化。 没问题。 添加过滤组件 添加过滤组件--时间过滤组件--日期区间。 过滤组件绑定字段 编辑过滤组件--将【日期】字段拖入字段栏中，点击确定。 结果如下： 到这一步，就完美实现文章开头的效果了。 你以为这样就结束了？ 当然没有。 如果我想实现的不是突出显示某一个点，而是突出显示近7天的最大最小值区间，就像下面这样的效果，可以做到吗？ 当然可以。 具体解决思路将在下一篇文章中揭晓，感兴趣的小伙伴可以自己提前尝试。 多动手，多练习，遇到问题才能游刃有余。 今天的分享就到这里。   感兴趣的小伙伴可以自己操作一下哦~

第72天知识点：阶梯式计费   我们日常的水电费都是阶梯式计费方式。 阶梯式计费   什么是阶梯式计费呢？ 举个简单的例子，大家就能明白了。 假如这是我国目前居民电价计费标准。 按照国家规定电费计算方法： 执行居民阶梯电价总电费＝第一档电费+第二档电费+第三档电费。 去年我一共使用了9000度电，实际应该缴纳电费： 第一档电费：2880*0.4883=1406.304元 第二档电费：（4800-2880）*0.5383=1033.536元 第三档电费：（9000-4800）*0.7883=3310.86元 总电费=1406.304+1033.536+3310.86=5750.7元 这就是阶梯式计费。 这种计算方式其实很常见，比如咱们的个税缴纳方式，一些提成的计算等等。 FineBI中如何计算？   在FineBI中，如何实现这种阶梯式计费的计算呢。 我们通过一个案例来看一看。   01 数据准备   我们准备了两张数据表： 【居民用电计费标准】：这张表记录了不同用电区间对应的电费价格。 【居民用电明细表】：这张表记录了不同居民的年度用电量。   02 需求   需要计算出每位居民应缴纳的电费。   03 操作步骤   （1）【居民用电计费标准】数据集处理 1）新增列-拆分行列，通过这个方式获得不同用电区间对应的用电量上下限，便于后面判断实际用电量属于哪一个用电区间。 结果如下： 2）新增公式列【年用电量下限】，因为第三阶电费区间与其它两个阶梯展示形式不一致，拆分行列后，仍然是“>4800”的展示形式，所以我们需要特殊处理一下，便于后面运算比较。 结果如下： 3）新增公式列【年用电量上限】，这一步和第2步的目的一样，因为拆分行列后获得的上限是空值，所以我们需要特殊处理一下，给空值一个999999999的极大值（这里的数值没有特殊意义，你也可以使用其他值代替，只要最后能达到效果即可），便于后面运算比较。 结果如下： 4）字段设置，第2、3步计算的结果是文本格式，无法参与后面计算，所以我们给它改成数值格式。 结果如下： 5）新增公式列【辅助列-合并依据字段】，为了与后面进行左右合并添加的辅助列，数值1没有实际意义，你也可以使用任意数值或文本代替。 结果如下： （2）【居民用电明细表】数据集处理 1）新增公式列【辅助列-合并依据字段】，需要注意的是，这里输入的内容一定要与上面的第5步输入的内容一致。 结果如下： 2）添加【左右合并】，左合并【居民用电明细表】，将【居民用电明细表】中的字段匹配过来。 结果如下： 3）新增条件标签列【该区间是否计费】，不同的用电量对应不同的用电区间，但上一步左合并的结果是每一位居民的用电量都对应了三个阶梯的用电区间，所以这里我们需要判断一下对于每位居民来说，哪些用电区间是需要计费的，哪些区间是不用计费的。 结果如下： 4）过滤，只保留需要计费的区间即可。 结果如下： 5）新增公式列【该区间对应计费电量】，因为是阶梯计费，所以需要计算每个区间的实际用电量。 结果如下： 6）新增公式列【需缴纳电费】，计算出不同用电区间对应的电费是多少。 结果如下： 7）分组汇总，计算出每位居民需要的总电费是多少。 结果如下：     不仅限于电费，这种方法同样适用于各种需要阶梯计费的场景。 感兴趣的小伙伴可以自己操作一下哦~

第71天知识点：参数的运用   大家肯定在各类网络平台上都搜索过商品或者查找过问题。 比如：我最近迷上了三伏天养生，所以想在网上找一下有哪些好吃又简单的养生餐。 于是，我打开了某网站，准备输入：好吃的养生餐有哪些？ 当输入到“好吃的养生”的时候，网站就已经给出了很多相关的提示。 于是，我点开了弹框提示中最感兴趣的一个。 其实呢，根据你输入的部分关键词弹框提示的词句又有一个专业名词：搜索长尾词。 这时候，肯定会有小伙伴问： 什么是关键词？什么是搜索长尾词？ 相信电商行业的小伙伴对搜索关键词与搜索长尾词肯定不陌生。 搜索关键词：能直接反映网站或产品主题的词汇。它们通常是用户搜索时使用的核心词汇，具有较高的搜索量和竞争度。 搜索长尾词：网站上的非目标关键词但与目标关键词相关的也可以带来搜索流量的组合型关键词。它们通常较长，由2-3个词或短语组成，搜索量相对较少但竞争度低，转化率高。 而对商家来说呢，优化搜索长尾词是他们提升搜索引擎排名和转化率的有效手段，也是拓展产品线、进行竞争分析和内容优化的重要工具。 但优化搜索长尾词不是咱们今天要分享的内容。 今天要分享的是如何根据关键词去定位相关的搜索长尾词。 就像下面这样。 当然，电商涉及的数据量有千万甚至亿级别，正常业务场景中，一般不会这样通过关联然后肉眼去识别信息，而是借助工具去实现关联及信息的提炼。 我们只是以此场景为例，给大家提供一个解决问题的思路。 这样，假如你以后遇到类似的场景，就可以通过这个方法将看起来没有任何关联的两张数据表实现关联。 接下来，我们就来看看在FineBI中，这种效果是怎么实现的？ 其实关键点还是参数的设置。   01 案例背景   现在给定了两张数据表： 搜索长尾词数据表：这张表记录了不同的长尾词以及对应的搜索热度。 关键词表：这张表记录了一些常用的关键词。 现在需要根据关键词定位相关联的搜索长尾词。   02 操作步骤   1、新建组件 制作图表 图表类型选择明细表，将【搜索长尾词】、【搜索热度】拖入数据栏。 结果如下： 添加参数：关键词 【搜索长尾词】字段绑定参数 给【搜索长尾词】字段添加过滤条件：包含参数值：关键词 2、新建仪表板 添加过滤组件-文本过滤组件-按钮组 勾选设置自定义值列表 将关键词表内容直接复制粘贴到自定义值输入框中 勾选并设置绑定参数 绑定关键词参数 这样就能实现通过选择关键词定位包含关键词的长尾词了。 当然，可以进阶一步，通过多个关联词组合去定位相关长尾词。 方法同上面一样，只是在对字段绑定参数的时候需要同时绑定多个参数。   感兴趣的小伙伴可以自己操作一下哦~

第70天知识点：IFERROR函数   最近，收到了一位小伙伴的私信，大概内容就是： 他在制作图表时按区域添加了均值线，但却遇到一个奇怪的问题，添加均值后，发现有些区域能显示出均值线，有些区域的均值线却“消失”了。 这是为什么呢？ 一些问题   检查了一下计算过程，发现也没有什么问题。 于是就很纳闷： 什么原因导致的有些区域能显示出均值线，有些区域又不显示？ 于是，我们拿到数据，回溯了一下数据处理步骤。 发现问题原来出在这： 在计算完成率（完成率=实际值/目标值）的过程中，目标值也就是被除数出现了0，导致完成率出现无穷值。 因为无穷值与任何值计算的结果都是无穷值，所以最终导致含有无穷值的区域均值线显示不出来。       解决办法   那遇到出现无穷值或者异常值的情况该怎么办呢？ 今天就给大家介绍一个专门处理异常值的函数：IFERROR函数。 但需要注意的是，这里的异常值仅仅指正负无穷值，并不包含空值。 对于空值，我们可以使用ISNULL函数去进行处理，前面我们专门分享过一篇文章，这里就不再展开详细讲解了。 关于IFERROR函数的用法，我们通过一张函数卡片给大家展示。 所以，为了解决这个问题，我们可以通过IFERROR函数修正一下完成率的值。 修正方式也有很多种，可以选择在数据集中通过新增公式列来实现，也可以直接在组件中通过添加计算字段来实现。 这里我们以新增公式列为例。 结果如下： 这里，你也可以使用你认为合适的默认值去替换这个无穷值。 当目标值为0时，完成率将不会显示为无穷大，而是被替换为你设定的默认值。 使用修正后的完成率重新计算均值，你会发现“消失”的均值线神奇地回来了！   一些经验   Q:有小伙伴会疑惑：门店5 的完成率也是个异常值吗？   A:并不是，门店5的完成率只是因为小数位数较多而采用了科学计数法显示，实际上并不影响后续计算。 Q:Excel导入的数据表，小数点后的精度降低了，能设置吗？ A:上传到 FineBI 后为了方便查看数据表，数值默认只显示两位。但是不代表未显示的小数位数丢失了，只是隐藏了而已。所以实际也不会影响后续的计算结果。 数据集中不可以直接设置小数位数，但在组件中可以通过设置【数值格式】来展示更多的小数位数。   写在最后     今天的内容就分享到这儿~希望这个小技巧能帮助你解决数据分析中的一些烦恼。   感兴趣的小伙伴可以自己体验一下哦~

第69天知识点：FineBI中如何使用“Ctrl+Z”功能？   想必常用Ctrl + Z的小伙伴们，刚开始使用FineBI时，也总会习惯性的用Ctrl + Z去撤销某些步骤，但发现并不起作用。 Ctrl + Z，世界上唯一的后悔药，打工人的绝对福音，没有它，天至少得塌一半。 但FineBI中却不能用，哎...... 别着急。 虽然FineBI中不能直接Ctrl + Z，但还是贴心的准备了很多后悔药供大家“食用”，哦，不，使用。 接下来，我们就来看看如何在FineBI中找到“时光倒流”的感觉。 1、数据集中的取消应用与应用 （6.0.8版本新增） 如果你在处理数据集时，希望某一步骤暂时不生效，但又不希望直接删除该步骤，防止后面还会用到，这时你就可以使用取消应用这个功能，让它暂时隐身。 被取消应用的步骤会被跳过不执行，相当于暂时删除，但当用户需要使用此步骤的时候，可以再次应用，该步骤会重新生效。 举个例子。 现有一张记录了各门店销售业绩的数据表。 业务统计需要，我添加了一些过滤条件，其实就是过滤出上面红色框内的数据。 结果如下： 现在，我需要临时展示所有门店的总数据，但是因为过滤条件有些复杂，所以并不想先删掉然后回头再重新做一遍。 这个时候，就可以在历史步骤区域找到过滤这一步，点击三个点，选择取消应用。 这样就可以跳过过滤这一步，直接对数据表的所有数据汇总了。 临时需求展示完毕，如果想恢复成原样，将过滤步骤重新应用，设置的过滤条件就会对后面步骤生效。 为了便于大家比较，这里放一张取消应用与重新应用的结果对比图。 2、组件中的撤销恢复 组件编辑界面的左上角有撤销和恢复功能，功能和Excel中的撤销和恢复是一样的，但是需要注意的是FineBI中仅支持点击图标生效，不支持Ctrl + Z快捷键。 3、仪表板中的撤销恢复 仪表板编辑界面的左上角也有撤销和恢复功能，功能和注意点同组件。 4、主题中的保存为版本与版本管理 （6.1版本新增） 6.1版本更新后，增加了保存为版本及版本管理的新功能。 这个功能有什么作用呢？ 举个例子，你就能理解。 你做了第一版仪表板，领导不满意，要求改改这，改改那…… 结果，交上去第二版，还是不满意，又缝缝补补…… 就这样，不知道改了多少版…… 结果，领导说，还是改回第一版吧…… 内心OS：耍猴呢？改了这么多，又重新改回去？？？ 然后，重头开始一遍。 但有了保存为版本之后，你就可以每改一次之前，先保存为一个版本，如果需要改回以前的版本，在版本管理中找到对应的版本，直接读取，就可以回到相应的版本了，这个功能有点类似于版本回退。 给大家演示一下实际效果： 是不是挺方便？ 但还有更人性化的，看完接下来的，你可能对前面的功能会发出这样的评价：就这？ 假如你正在干着活，突然电脑死机了...... 或者你花大功夫美化完了仪表板，还没保存被领导突然叫去开会了，回来发现页面被同事关了，你是不是瞬间...... 但有了版本管理之后，你没有保存的内容系统会自动帮你保存为一份草稿，并会在你下次打开主题的时候提示你： 是不是感觉救星来了，打工人的救命稻草这不就抓住了。 5、回收站 （6.0版本新增） 如果你删除了数据集、组件、仪表板、主题之后，后悔了，想把文件找回来，就可以去回收站，FineBI中的回收站支持还原，也支持彻底删除，功能类似电脑回收站。 FineBI一系列隐藏的“后悔药”，你最中意哪个呢？   欢迎评论区留言分享。   对上述功能感兴趣的小伙伴可以自己操作体验一下哦~

第68天知识点：FineBI6.1主题模块新变化   6月12日帆软发布了FineBI6.1版本，该版本对很多方面的功能进行了优化升级，当然，大家对此次升级给出的意见也是褒贬不一。 这里我们就不展开说了，感兴趣的小伙伴可以去社区论坛看看相关内容。 发布后，其实很想第一时间跟大家交流一下使用体验。 但是一些功能并不在我的日常使用场景中。 为了能给大家一个更好更真实的使用反馈，在距离发布时间2个月后，也就是今天，和大家浅浅聊一下我这段时间来的使用感受。 主观感受，仅供参考。 主要说说主题模块部分吧，也是此次变化最大的部分。 01 主题编辑流程 经常使用BI的小伙伴对这个流程应该很熟悉了。 6.1版本以前：数据集加工后，需要保存/保存并更新，组件、仪表板编辑完成后则是自动保存。 6.1版本：数据集制作完成后无需点击保存/保存并更新，直接开始组件，仪表板编辑，所有内容完成后，点击主题的保存/更新实现对数据集、组件、仪表板所在的整个主题的保存/更新。 所以6.1版本前后的区别就是： 6.1版本后，除了数据集，组件、仪表板编辑完后也需要点击保存才能生效。 既然新版本数据集、组件、仪表板都需要保存，而旧版本只需要保存数据集就可以，为什么还要升级新版本呢？ 给大家看一张对比图就明白了： 除了保存/更新的顺序变了之外，主要是节省了数据集保存更新后到编辑组件前这中间的等待更新时间。 体验过漫长且焦躁的等待时间的小伙伴应该深有体会，这几十秒或者几分钟有多难熬……尤其遇到时间紧任务重的时候，每一秒都至关重要。 所以，这次真的是实实在在提升了工作效率！ 数据集编辑完成之后，所有字段在组件中立即可用，一套操作下来，行云流水，嘎嘎快。 再也不用等数据集更新等半天，本来正分析在劲头上呢，一次更新，热情都被浇灭了不说，主要是等待更新的过程真的很考验打工人的耐心。 但说实话，因为主题的保存/更新功能区域是冻结的，展示在数据集/组件/仪表板的编辑界面上方。 所以刚开始用起来还是会习惯性的在数据集制作完成后点击保存/更新，然后组件、仪表板制作完成后忘记点击保存/更新。 结果就是，关闭了主题之后，发现：完蛋，组件和仪表板忘保存了！！！白干了！！！ 02 版本管理 重新打开忘记保存的主题，一边骂自己粗心，一边小心翼翼的期待它能自动恢复到最近一次编辑的内容。 于是，你会发现，真的有惊喜： 看到这个弹框，就像看到了救星，悬着的心也放下来了，然后满心欢喜的点击恢复…… 期待又紧张的等待结果，其实，也没给你期待紧张的时间，眨眼的功夫，你只会惊呼：牛X！！！ 这也是6.1版本新增的内容：新增草稿/特殊存档。 如果你像我一样，经常会忘记保存主题就关闭了浏览器，或者害怕会遇到服务器宕机、客户端死机的情况，这个功能对你来说绝对完全实用。 03 保存为版本 另外，值得一提的就是保存为版本这个功能，如果你经常需要迭代版本，而且可能在无数次迭代之后，还需要回到最初的版本（打工人懂的痛……），那么这个功能你一定要试一试。 实际效果： 以上就是我在使用新版本主题模块的一些体验啦。因为使用场景有限，所以有些功能点可能会有遗漏，欢迎各位小伙伴评论区讨论或留言。     感兴趣的小伙伴可以自己体验一下哦~

第67天知识点：模型视图   FineBI6.0版本之后，新增了模型视图。 就我身边人使用之后的反馈而言，基本是两个极端： 要么喜、要么愁。 喜方很爱用这个功能，觉得拖拽即关联，非常高效便捷，越用越上头。 愁方是搞不懂关联背后的逻辑是什么，担心结果的准确性，索性完全不用。 不知道各位小伙伴使用过这个功能之后是什么体验呢？ 今天我们就通过一个案例来简单了解一下模型视图背后的合并逻辑。 01 1:1 OR 1:N 在正式开始之前，我们先带大家看一下模型中常见的1:1、1:N分别是什么样的关联关系？ （PS：N:N关系比较复杂，后面单独分享） 假如现在你是一家品牌零售店的数据分析师，你有三张数据表，分别如下： 「产品销售目标表」：记录了每个产品的销售目标。 「产品销售表」：记录了每个产品的销售额。 「员工产品销售表」：记录了每个员工的每个产品的销售额。 现在你需要通过这三张表计算出每个产品的销售目标达成率。 其实结果大家一眼就能看出来，但我们的目的并不是为了算出结果，而是了解如何计算出结果的？ 1:1关系举例 假如你现在用的是「产品销售目标表」和「产品销售表」： 「产品销售目标表」和「产品销售表」里都有【产品编号】这个字段，且这两张表里这个字段都是唯一的，所以用最终得到的结果表计算销售目标达成率没有任何问题。 1:N关系举例 假如你现在用的是「产品销售目标表」和「员工产品销售表」： 「产品销售目标表」和「员工产品销售表」里都有【产品编号】这个字段，但「员工产品销售表」里这个字段并不是唯一的，A001出现了2次，所以最终得到的结果表中A001产品的销售目标出现了膨胀，也出现了2次，导致最后计算销售目标达成率时会有问题。 其实，这也是我们使用左右合并后会存在的问题。 那对于1:N这种问题，有什么好的便捷的解决办法吗？ 这就要回到我们今天说的模型视图上来了。 02 模型视图的作用 1、解决数据冗余问题。 数据模型只是对原有的数据表之间建立了关联，并不会生成一张新的大宽表。 2、解决数据膨胀问题。 比如我们上面提到的1:N的例子，因为编号A001的目标产生膨胀，导致最后目标完成率计算错误。但如果直接使用数据模型，则会先将各产品的销售额相加，也就相当于将「员工产品销售表」先加工成「产品销售表」的过程，然后再用目标值表去匹配相加后的销售额，这样就可以得到正确的结果了。 我们来看一看具体操作步骤。 03 模型视图的应用 1、建立模型关系 拖拽「员工产品销售表」到需要配置关联关系的「产品销售目标表」上，即可生成连线。 2、编辑模型关系 建立模型关系后，会弹出编辑关系界面，这里我们可以编辑匹配字段以及关联关系。 当然，不用担心你该选择什么样的关联关系，因为在建立模型关系后，系统会根据数据情况自动选择最合适的模型关系。 3、制作组件 将「员工产品销售表」中的【产品名称】、【销售额（元）】，「产品销售目标表」中的【产品编号】、【销售目标（元）】分别拖入如下位置： 这时，本来两张独立的数据表，因为我们建立了模型关系，便可以直接得到如下的结果： 可以发现，既没有左右合并的一步步操作，结果表中的目标值也并没有出现膨胀。 04 模型视图合并逻辑 以上就是模型视图的合并逻辑，也是它的最大特点： 只让参与到分析的字段和关联字段参与模型视图的合并 执行先聚合再合并 是不是想到了聚合函数？ 拆分成步骤的话，则是： 1、系统判断用户在组件中拖入了哪些字段，只有拖入的字段和关联字段参与模型视图合并； 2、 将数据表先后按「关联字段」和「组件中拖入的维度」对表进行聚合； 3、将聚合后得到的表进行合并。 05 模型视图局限性 但模型视图也存在一些局限性，比如： 1、建立模型视图的数据无法发布到公共数据； 2、关联字段只能选择一个，如果需要多条件关联，只能在数据表中对关联字段先进行处理； 2、建立模型操作看似简单，但背后的合并逻辑理解成本比较高。 好了，今天的内容就分享就到这里。 感兴趣的小伙伴自己动手试试看哦~  

第66天知识点：如何制作试管型仪表盘？   目标追踪是日常业务中十分常见的管理手段。 通常，我们会直接通过一张图表对追踪结果进行通报。 但，很明显，这不够直观。给人留下的印象更多的只是一串冷冰冰的数字。 如何更加直观的展示目标达成进度？ 首选仪表盘！ 前面我们给大家介绍过仪表盘的制作方式。 今天我们来介绍一种新的展示形式--试管型仪表盘。 我们通过一个简单的案例来看一看。 01 案例数据 使用数据集：销售额目标达成追踪。这张数据集记录了不同门店2024年7月的销售额目标及实际完成值。 包含字段：统计日期、门店、目标值、实际值。 02 案例需求 （1）点选不同门店，仪表盘数据自动更新，灵活展示各店业绩。 （2）根据达成率设置不同颜色，起到警示作用： 达成率>=100%，试管为绿色； 80%<=达成率<100%，试管为橙色； 达成率<80%，试管为红色。 03 操作步骤： 1、新建组件 （1）图表类型选择仪表盘。 （2）【实际值】拖入图形属性--指针值属性框中；        【目标值】拖入图形属性--目标值属性框中。 这样我们就得到了试管型仪表盘的雏形。 2、添加计算字段【达成率】 （1）添加计算字段： 【达成率】= SUM_AGG(实际值（万）)/SUM_AGG(目标值（万）) 如果对聚合函数不太理解的小伙伴可以参考这篇文章。 （2）然后将【达成率】拖入图形属性--标签属性框中，并对字体进行设置。 得到的结果如下： 但感觉差点儿意思。 我们美化一下。 3、美化组件 （1）去掉刻度线 图形属性--样式属性--样式风格：选择简洁风格。 结果如下： 这样看起来是不是清爽多了？ （2）对不同达成率设置不同颜色，直观反映业绩情况 添加计算字段【达成率释义】： 将【达成率释义】拖入图形属性--颜色属性框中，并根据要求设置不同颜色： 这里为什么要添加一个新的字段去设置颜色，而不直接将【达成率】拖入颜色属性框中进行设置呢？ 我们来试一试。 结果如下： 可以发现，如果将【达成率】直接拖入颜色属性框中进行设置，得到的结果是将仪表盘按区间分段显示颜色。即： 假如某一门店达成率为95%，那么该门店对应的试管型仪表盘：前80%部分显示为红色，80%至95%部分显示为橙色。 而并非我们想要实现的根据达成率区间，整个仪表盘都显示为橙色。 4、制作仪表板 （1）添加过滤组件--文本过滤组件--按钮组件； （2）绑定字段【门店】； （3）过滤方式设置为单选。 最终，我们就可以得到文章一开始提到的效果了。 / 优化前 / / 优化后 / 好了，今天的内容就分享就到这里。   你有哪些独特的仪表盘制作技巧或心得，欢迎留言分享！   感兴趣的小伙伴自己动手试试看哦~  

第65天知识点：如何展示TOP N 和其它？   有些时候，数据非常多，我们只希望显示前几，剩余显示为其它。 就像下面这样的效果。 这该如何实现呢？ 我们通过一个具体的案例来看一下。 案例数据 使用数据集：各品牌销售额，该数据表记录了不同品牌的销售额数据。 数据集包含字段：品牌、销售额。 希望显示TOP N 的品牌及其对应的销售额，N可以自定义设置，剩余的归类为其它。 案例分析 显示TOP N且可以自定义设置，那肯定需要有过滤组件及参数。 操作步骤 1、按照销售额降序添加序号 新增汇总列【排名】 汇总字段：销售额 汇总方式：降序排名 结果如下： 2、新建组件 （1）添加参数TOP N 添加参数 参数名：TOP N 参数类型：数值 默认值：可填可不填，如果填写（假设这里输入3），则在不输入自定义值的情况下，默认显示前3名和其它，如果不填写，默认显示全部 点击确定 （2）添加计算字段 添加计算字段 字段名称输入：品牌（显示TOP N和其它） 输入公式：IF(排名<=TOP N,品牌,"其它") （这个公式的含义就是如果在步骤1中计算的排名小于等于我们自定义的TOP N的值，那么就显示出品牌名，否则就显示为其它，这样就实现了只显示TOP N品牌和其它的效果） （3）制作组件 图表类型选择分组表 将【品牌（显示TOP N和其它）】字段放入维度栏，【销售额】放入指标栏 【品牌（显示TOP N和其它）】按销售额降序排序 结果如下： 3、新建仪表板 （1）添加组件 （2）添加过滤组件 过滤组件类型选择：数值过滤组件—数值下拉 修改过滤组件名称：显示TOP几？ 勾选自定义值列表 （这一步必须勾选，且不做任何设置，否则无法输入自定义值） 勾选绑定参数 设置绑定参数：绑定TOP N 参数 点击确定 结果如下： （3）设置动态标题 为了清晰的看出TOP N品牌中的N 到底是几，我们可以对组件标题进行一些设置。 点击组件—编辑标题 选择自定义标题 输入：TOP**和其它，**通过插入字段的方式，插入【显示TOP几？】这个过滤组件 点击确定 （这样就实现了过滤组件输入几，组件标题就会随之更新成几的效果） 结果如下： 写在最后 通过简单的步骤和逻辑，我们就能巧妙地展示TOP N与其它，这样不仅能提升数据的可读性，还增强了报表的互动性。   好了，关于如何显示TOP N和其它的内容，今天就分享就到这里。   感兴趣的小伙伴可以自己动手试试看~

第64天知识点：钻取   工作中，我们常常需要去分析业绩下滑的原因。 以下面这张图为例。 这是一家在全国各地拥有上千家门店的大型连锁超市2019年的销售毛利数据。 从图中可以看到，2019年8月毛利率低于警戒线50%。 现在我们作为该集团的数据分析人员，需要找到是什么原因导致了8月份的毛利率下滑。 通过抽丝剥茧的方式一层一层往下排查原因。 首先，我们想到的肯定是哪个省份的毛利率低导致8月份整体毛利率下降的？ 定位到省份之后，我们接着排查是该省份下的哪个城市的毛利率低导致的？ 接着，排查该城市下的哪家门店的毛利率低导致的？ 然后，排查该家门店的哪类商品毛利率低导致的？ 紧接着，排查该类商品下哪个商品毛利率低导致的？ 最后，拿着定位到的最细粒度去询问相关负责人员具体原因。 总结一下排查问题的具体流程就是： 定位月份->定位该月份下省份->定位该省份下城市->定位该城市下门店->定位该门店下商品大类->定位该商品大类下具体商品 由此，我们可以看到我们至少需要逐级向下排查5层。 难道，我们需要再展示5张图，像这样吗？ 看起来又多又乱，还不好观察。 如果可以像下面这样直接向下一层一层钻取就好了。 能实现吗？ 当然可以！ 该怎么做呢？ 其实很简单，我们只需要先创建一个钻取目录。 接着将所有层级添加到钻取目录下就可以了。 最后得到的钻取目录就是这样的： 接着我们只需要将指标放入横纵轴即可： 是不是简单又方便？ 快动手练习起来吧！ 有些小伙伴会发现，如果设置横轴按毛利率由大到小的顺序降序排序后，点击下钻后发现子层级的顺序仍然是乱的，就像下图这样子。 这该怎么办呢？ 别着急，有办法解决。 点击横轴切换的图标，切换到你要排序的层级，然后再设置降序排序就可以了。 如果是每一个子层级都需要降序排序的话，目前只能一个一个切换排序哦~   结 语   下钻功能其实就是通过交互的功能在一张图中实现多个维度的分析，避免了我们的分析篇幅冗长的问题，特别适合在初步排查问题阶段使用。 感兴趣的小伙伴可以自己动手试试看~

第63天知识点：过滤组件   上一篇我们分享了来自同一数据集以及不同数据集的组件间分别是如何实现联动的。 但有些时候，我们希望可以只通过一个过滤组件来实现对不同组件的控制。 比如下面这样： 这样的效果该怎么实现呢？ 我们通过一个案例来看看。 组件来自同一数据集 数据准备 使用数据集：学生成绩表，这张表记录了每位学生的语文和数学成绩。 数据集包含字段：【学号】（唯一ID）、【姓名】、【语文成绩】、【数学成绩】。 现在，用这张数据集制作了2个组件，分别是： 学生语文成绩表（以下简称A组件） 学生数学成绩表（以下简称B组件） 实现效果 在过滤组件中选择或者输入某一学生学号，组件只展示对应学生的相关信息，就像下面这样。 操作步骤 添加过滤组件--选择文本过滤组件--文本下拉 将【学生成绩表】中的【学号】字段拖入字段栏中 组件名称修改为【学号（组件来自同一数据集）】 点击确定 结果如下： 接着，我们再来看看当组件来自于不同数据集时，又该如何操作呢？ 组件来自不同数据集 数据准备 这里，使用到了另一个数据集：学生排名表，这张表记录了每位学生的排名情况。 数据集包含字段：【学号】（唯一ID）、【姓名】、【排名】。 现在，用这张数据集制作了1个新的组件： 学生排名（以下简称C组件） 实现效果 在过滤组件中选择或者输入某一学生学号，组件只展示对应学生的相关信息，就像下面这样。 操作步骤 添加过滤组件--选择文本过滤组--文本下拉 可以发现，这时过滤组件编辑界面左侧出现了2个不同数据集，即我们用到的【学生成绩表】和【学生排名表】。 这时候，我们还能像上面一样将某一数据集里的【学号】字段拖入到字段栏中来实现对组件的控制效果吗？ 我们来试一试。 可以发现，如果我们将【学生成绩表】里的【学号】拖入到字段栏中后，如果输入000001，只能控制A组件，C组件并没有发生变化。 也就是说，绑定某一数据集里的字段，只能控制对应的组件。 这个办法行不通，那该怎么办呢？ 参数！ 回到A组件编辑界面，添加参数【学号】 添加参数 参数名称：学号 参数类型：文本 默认值：为空 点击确定 对维度栏中的【学号】进行过滤 回到C组件编辑界面，对维度栏中的【学号】进行过滤   回到仪表板中，编辑过滤组件 组件名称修改为【学号（组件来自不同数据集）】 勾选自定义值列表 勾选绑定参数 添加绑定参数【学号】 点击确定   结果如下：   这样就实现了一个过滤组件可以同时控制来自不同数据集的组件。 小 结 一个过滤组件实现同时控制不同组件： 若不同组件来自于同一数据集，直接在过滤组件中绑定数据集中对应字段即可； 若不同组件来自于不同数据集，需要通过添加组件参数，然后通过过滤组件绑定组件参数来实现。   好了，今天的内容就分享就到这里。   感兴趣的小伙伴可以自己动手试试看~

第62天知识点：同数据集VS跨数据集，怎样设置组件联动？ 日常分析中，我们经常会通过组件间联动来丰富我们的分析维度。 有些时候，组件来自于同一个数据集， 有些时候，组件来自于不同的数据集。 对于以上两种情况，应该如何实现组件间的联动呢？         别着急，我们一个个来看一下。 1、组件来自于同一个数据集 当组件来自于同一个数据集时，其实组件间已经自动形成联动关系了，我们无需进行任何操作。 举个例子 使用数据集：学生成绩表，这张表记录了每位学生的语文和数学成绩。 数据集包含字段：【学号】（唯一ID）、【姓名】、【语文成绩】、【数学成绩】。 现在，用这张数据集制作了2个组件： 学生语文成绩表（以下简称A组件）； 学生数学成绩表（以下简称B组件）。 可以看到，点击A中的学号为000001的学生姓名，B组件会对应显示学号为000001学生的数学成绩。 但有些时候，我们制作的组件来自于不同的数据集，但是这些数据集又有些字段是相同的。 这样的情况又该如何实现组件间的联动呢？ 2、组件来自于不同数据集 当组件来自于不同的数据集时，组件之间是没有联动关系的，需要我们自己设置联动关系。 举个例子 这里，我们使用了另一个数据集：学生排名表，这张表记录了每位学生的排名情况。 数据集包含字段：【学号】（唯一ID）、【姓名】、【排名】。 现在，用这张数据集制作了1个新的组件：学生排名（以下简称C组件）。 可以看到，点击A中的学号为000001的学生姓名，B组件产生了联动，但是C组件并没有发生任何变化。 虽然AC两个组件都有学号和姓名这两个相同的字段，但因为这两个组件来自于两个不同的数据集，所以不会自动产生联动关系。 这个时候，需要我们自己设置联动关系： 点击A组件--联动设置； 点击C组件--添加联动--自定义--选择联动依赖字段：学号--确定； 点击确定。 设置完毕后，我们再次点击A中的学号为000001的学生，可以发现，另外2个组件同步发生了变化。 注意事项 但需要注意以下2点： 1、单项联动不传递。 问：A、B这2个组件原本就存在联动关系，当设置了A和C这2个组件间的联动关系后，B和C之间会自动产生联动关系吗？ 答：不会。 我们可以看一下实际效果： 点击B组件中的字段，只有A发生了变化，C并没有发生变化。 这也就是说，组件联动关系并不具有A=B，B=C，所以A=C的传递关系。 如果需要B和C组件之间产生联动，就需要对B和C单独设置联动关系。 2、反向联动需确认。 问：设置A和C这2个组件之间的联动关系后，点击A组件，C会发生变化，那么点击C组件，A会发生变化吗？ 答：不会。 可以发现，鼠标放置在C组件上，并没有显示手指点击样式的图标。这也就是说，C组件与这张仪表板中任何组件不存在联动关系。 如果想要实现C与A的反向联动，仍然需要进行单独设置。 但因为我们在设置A联动C时，已经设置好了联动依赖关系，因此，在设置反向联动时，只需要勾选联动就可以了，无需再做其它操作。 这里，大家可以观察一下存在单项联动关系的组件间与不存在联动关系的组件间，设置联动时右上角的联动标识是不一样的。 A与C已经存在正向联动，所以再设置C与A的反向联动时，标识是向右箭头，而B与C并没有任何联动关系，因此右上角的标识是X：   好了，关于联动的内容，今天就分享就到这里。   感兴趣的小伙伴可以自己动手试试看~

第61天知识点：DEF+EARLIER函数   DEF函数用法：【FineBI学习打卡】DAY21 DEF函数-我的帆软 (fanruan.com)DEF_ADD函数用法：【FineBI学习打卡】DAY22 DEF_ADD函数-我的帆软 (fanruan.com)EARLIER函数用法：【FineBI学习打卡】DAY24 EARLIER函数-我的帆软 (fanruan.com) 上一篇文章最后我们留下了一个小问题： 如何计算出同期累计销售额及同比值？ 不知道有小伙伴做出来了吗？ 开始之前，我们先理一下思路： 首先，我们简单了解一下什么是同期。 同期 同期是指上一个时间周期的情况，这个周期可以是一个月，也可以是一年、十年，根据不同的情况而定。 本案例中，我们的同期指的是上一年。 【同期累计销售数量】也就是说，年份比当前行的年份少一年，月份仍然是小于等于当前行的月份。 那是不是就很简单了，我们只需要在【月累计销售数量】字段的基础上修改一下公式就可以了。 【月累计销售数量】字段原始计算公式： DEF_ADD(SUM_AGG(数量),,) 将【月累计销售数量】字段复制一份并重命名为【同期累计销售数量】，然后修改公式为： DEF_ADD(SUM_AGG(数量),,) 伙伴们有看出修改的地方在哪儿吗？ 就是红色标注区域，其实就是将年份由当前年份改为了前一年。 所以公式的含义就是对前一年的各月销售数量逐月累加，这样计算出来的就是同期的累计销售额数量。 同期累计销售数量计算出来，同比就很简单了。 接着，我们添加计算字段【同比】： IF(ISNULL(同期累计销售数量)=1,"",(月累计销售数量-同期累计销售数量)/同期累计销售数量) 最后，只需要将相关字段拖入指标栏，就可以得到我们的结果啦。   至此，关于同期累计值的计算就全部分享完了，小伙伴们一定要自己多动手练习哦~

第60天知识点：DEF+EARLIER函数   DEF函数用法：【FineBI学习打卡】DAY21 DEF函数-我的帆软 (fanruan.com)DEF_ADD函数用法：【FineBI学习打卡】DAY22 DEF_ADD函数-我的帆软 (fanruan.com)EARLIER函数用法：【FineBI学习打卡】DAY24 EARLIER函数-我的帆软 (fanruan.com) 工作中，我们常常通过对比本月与上月的累计值走势或者本年与上年的累计值走势，以此来判断差距，比如下面这样： 那在FineBI中我们应该怎么做呢？ 案例数据 现有一张A连锁超市销售数据明细表，该表记录了2020年-2023年间所有销售订单，涉及字段如下图所示： 操作步骤 首先，添加计算字段【月累计销售数量】 DEF_ADD(SUM_AGG(数量),,) 然后，添加多系列折线图，将【订单日期】、【月累计销售数量】分别拖入更纵轴，这时图形是这样的： 好像并不是我们想要的效果嘛！ 别着急，朋友们，重点来了！！！ 我们只需要将横轴上的【订单日期】的日期格式由年月日修改为月份，就可以得到一个初见雏形的累计值了。 但还是少了年份间的对比啊！ 关键点来了。 我们将【订单日期】拖入图形属性下【颜色】属性框中，并将其日期格式修改为年。 看，是不是就完成了。 再稍微调整一下图形颜色，添加数据标签，就可以得到我们的结果图了。 A连锁超市这业绩是一年比一年差呀，当然这是我们编造的练习数据的原因，与A超市负责人毫不相干啊，负责人不用紧张需要为此负责。 哈哈，只是开个玩笑。 其实，同期累计值的对比日常中会经常使用。 但很多时候，通过快速计算方式求得的累计值会受限于横轴上维度的影响，某些场景下，快速计算方式可能会无法满足我们的要求。 看过DEF家族故事的小伙伴们一定知道，想要摆脱维度的影响，DEF家族一定少不了。 通过DEF函数计算出累计值之后，就可以通过对日期维度的时间格式进行调整，来得到我们想要的年份之间的累计值对比或者月份之间的累计值对比啦！ 是不是很简单，这是折线图的展示方式，那如果我们想要通过表格的方式展示同期累计销售数量及同比值的话，就是下方的效果，小伙伴们知道应该怎么计算吗？ 大家可以提前动手练习一下，答案我们会在下一篇文章中揭晓！

第59天知识点：多层饼图   提到占比，我们一般会想到用饼图来展示。 但不知道小伙伴们是否遇到过这样的场景： 想展示地理区域数据、公司上下层级或季度月份时间层级等具有父子关系的复杂树形结构数据时，却找不到合适的图表？ 现在，让多层饼图来帮你解决这个难题！ 多层饼图的含义： 多层饼图，又称旭日图或径向树图，是具有多个层级，且层级之间具有包含关系的饼状图表。 多层饼图通过一层层圆环显示层级结构。最内层代表数据的顶层结构，越靠近圆心，层级越高，越靠外，层级越低，分类越细。 多层饼图的特征： 多层饼图具备普通饼图的特征，还能通过面积、颜色、排列来展示数据层级之间的关系。 它超越了传统的饼图和圆环，能在普通饼图的基础上，增加数据的层级和归属关系，能清晰的表达具有父子层次结构类型的数据。 多层饼图的优缺点： 1、优点 直观展示层次结构：多层饼图能够清晰地展示数据的层次结构，使得用户可以一目了然地看到不同类别之间的从属关系。 节省空间：相比于传统的饼图，多层饼图可以在有限的空间内展示更多的信息，使得图表更加紧凑。 2、缺点 复杂性：当数据层级过多或者数据量过大时，多层饼图可能会显得过于复杂，用户难以快速理解图表所表达的信息。 难以比较：多层饼图中的各个层级之间的比较可能不如单层饼图直观，特别是当内部层级的大小与外部层级相差不大时。 对多层饼图有了一定的了解后，下面我们来看看在FineBI中是如何制作多层饼图的？ 案例背景 你在一家百货公司担任数据分析师一职，现在领导想了解不同省份下各个城市的销售额占比情况。 案例分析 城市隶属于省份，城市与省份之间存在层级递进关系。 所以不同省份下各个城市的销售额占比即具有“层级+占比”的特征，这时就可以用多层饼图来展示。 操作步骤 第一步：数据准备 添加数据->选择本地Excel文件->上传数据->点击确定   结果如下：   第二步：新建组件 1、图表类型选择多层饼图 2、将【省份】字段拖入图形属性下颜色属性框中 3、将【销售额】字段拖入图形属性下大小属性框中，并设置快速计算方式为占比   4、将【销售额】字段拖入图形属性下标签属性框中，设置快速计算方式为占比；设置标签，同时勾选「显示标签」和「显示当前层级维度」，并将标签位置设置为居外   5、将【城市】字段拖入图形属性下细粒度属性框中，并设置按销售额占比降序排序 （PS：细粒度设置是制作多层饼图关键的一步）   至此，一个简单的多层饼图就制作完成了。   从图中我们可以清晰的看出： 从省份维度上来看，广东省的销售额占比最高； 从城市维度上来看，广州市的销售额占比最高，其次是合肥市。 结 语 层级+占比，多层饼图便可以轻松应对。 其实，简单点理解，多层饼图就是树状图与饼图的结合。 相较于树状图，它能将大量的、细分的数据直观呈现，而树状图在层级过多或分类过细时会难以识读；  相较于普通饼图，它能表达多层级数据之间的关系，而普通饼图只能展示单层数据之间的占比关系。 但值得注意的是： 多层饼图本身含有多层级，结构复杂，所以如果需要展示具体的数字或文字注释，当数据层级较多或数据量过大时，内容就会显得繁复，不利于信息展示，这时就需要通过其它的方式来解决这一问题。 感兴趣的小伙伴可以自己动手试试看~

第58天知识点：帕累托分析 01 什么是帕累托分析？ 帕累托分析，源自意大利工程师Vilfredo Pareto的杰出思想。它基于著名的80/20法则：绝大多数问题（80%）是由一些关键原因（20%）引起的。这一理论被广泛应用于各个领域，被誉为 “重要的少数“和”琐碎的许多“的典范。 02 帕累托分析与ABC分析 帕累托图，作为质量管理的重要工具，以其直观的方式揭示了问题的本质。 它通过将影响因素分为3类，帮助我们快速识别哪些因素是关键，哪些则可以忽略： A类：累计贡献度在70%-80%范围内的因素，是主要影响因素； B类：除A类之外累计贡献度在80%-90%范围内的因素，是次要影响因素； C类：除A、B两类之外贡献度在90%-100%范围的因素，是可忽略影响因素。 因此，帕累托分析又称为ABC分析法。 帕累托分析的目的其实就是通过数据分析，识别问题中的最关键的影响因素，从而帮助决策者集中精力和资源解决最重要的问题。 什么意思呢？ 假设你是一家电商公司主管，面对上百个带货主播，如何精准投放广告资源以实现效益最大化？ 通过帕累托分析，发现小张、小李、小王三个主播贡献了公司接近80%的销售额。 那么，毫无疑问，资源投放的优先级肯定是集中于这几位“头部的少数”。 其实，这就是帕累托模型的本质：资源集中，将资源向效益最高的“头部”倾斜，忽略剩下的“尾部”。 说了这么多，帕累托图应该如何制作呢？ 其实，帕累托图的制作过程很简单，就是一个柱形与折线的组合图，柱形代表具体值，按照值由高到低依次排列，折线就是累计贡献度曲线。 而制作帕累托图的难点就在于如何计算累计贡献度。 接下来，我们通过一个案例来看看，如何在FineBI中制作帕累托图。 03 FineBI中的帕累托图制作指南 案例背景： 经济下行，公司近期打算投放一批资源，但出于降本增效目的考虑，希望这批资源投放能实现效益最大化。 案例分析： 有限资源+效益最大化。 也就是说希望将资源集中到能对结果产生重要影响的项目上，所以，可以考虑使用帕累托分析。 案例数据： 不同主播2024年6月的日均销售额。 操作步骤： 1、排序 对【日均销售额】字段降序排序。这一步很重要，是后面计算累计贡献度的基础。 结果如下： 2、新增汇总列，计算【累计销售额】 结果如下： 3、新增汇总列，计算【总销售额】 结果如下： 4、新增汇总列，计算【累计贡献度】 结果如下： 到这里，咱们就计算出累计贡献度了。 5、新建组件 图表类型选择自定义图表，将【主播】字段拖入横轴，【日均销售额】、【累计贡献度】拖入纵轴。 将【主播】按照【日均销售额】降序排序。 对【累计贡献度】设置值轴，共用轴设置为右值轴。 结果如下： 6、美化组件 （1）图形属性-累计贡献度图形样式修改为线 （2）将【累计贡献度】拖入图形属性下对应字段标签属性框中，并设置数值格式为百分比，不保留小数位： （3）将【累计贡献度】拖入图形属性-->全部-->颜色属性框中，通过颜色区分ABC三类因素： 最终结果如下： 可以看到，陈*涵、李*怡、张*强、周*怡、赵*涵这几个主播基本上贡献了全公司80%左右的销售额，所以资源可以多往这几个头部主播直播间进行投放。 关于【累计贡献度】也可以在组件中通过快速计算函数计算得到，感兴趣的小伙伴可以自己尝试一下，答案咱们会放在评论区！ 04 小结 帕累托分析应用十分广泛，几乎可以应用于任何事件： 1、80%的客户投诉来自于20%的产品和服务； 2、80%的利润由20%的产品和服务贡献； 3、80%的公司收入由20%的人员贡献产生...... 帕累托分析的重要性也不言而喻： 1、优先级排序：帮助决策者快速识别问题的最主要原因，有助于确定解决问题的优先级，优先处理最具影响力的因素。 2、资源分配：根据关键因素的重要性，合理分配资源，提高资源利用效率，实现效益最大化。 3、效率提升：几种资源和力量解决最关键的问题，推动持续改进和提高生产力。   好了，关于帕累托分析的分享就到这里。 感兴趣的小伙伴可以自己动手试试看~

第57天知识点：模糊匹配   当合并的依据字段是客户ID、商品编码等这样精确的字段时，我们可以通过左右合并来实现将A表中的内容匹配至B表中。 但当合并的依据字段不再是某一个精确字段，而是某一区间时，左右合并功能便不再生效。 这个时候我们该怎么办呢？ 比如： 根据学生成绩所在的成绩区间评定ABCD级； 根据员工业绩所在的业绩区间划分绩优绩差； 根据金融机构所在信用评级区间对其划分AAA、AA、A、BBB等； 根据客户年消费额区间将客户划分为金卡会员、银卡会员和普通会员。 这些根据区间值设定标签的场景日常工作生活中都很常见。 但如何通过判断数值落在哪一区间，以此来获得对应的标签呢？ 在Excel中，通常会使用IF函数或者模糊匹配的方法去实现。 IF函数很简单，但也有个缺点，就是当设置的区间比较多的时候，IF函数写起来会比较繁冗而且后期会比较难维护。 所以一般我们会更倾向于使用模糊匹配来解决这个问题。 案例 以根据学生成绩所在的成绩区间评定ABCD级为例。 我们准备了两张数据表。 一张是学生成绩表，这张表记录了每个学生的语文成绩。 一张是评级表，这张表记录了不同的成绩区间对应的评级。 现在需要将根据学生的成绩匹配出该成绩对应的评级。 模糊查询的话，我们需要提前做一点准备工作： 制作一张辅助评级表。 注意，这里的临界值一定要按照从小到大的顺序升序排序！！！ 否则，模糊匹配结果会出现错误。 接着，就可以进行模糊匹配了。这里我们使用2种方式： 1、VLOOKUP函数 这里解释一下公式的含义： C3是学生的分数； G3:H7是不同分数区间对应的评级，也就是辅助评级表区域； 2表示返回辅助评级表中的第2列也就是【评级】列。 一般，VLOOKUP会有4个参数，但模糊匹配时，第四个参数可以省略或者输入1。 2、LOOKUP函数 这里： C3是学生的分数； G3:H7是辅助评级表区域。 可以看到，2中计算方式得到的结果都是一样的。 这是在EXCEL中的处理方法。 但在FineBI中，并没有模糊匹配这个功能，那该如何实现这个效果呢？ 非常简单。 只需要一步新增赋值列。 结果如下： 省去了写公式的烦恼，只需要输入数据区间就可以实现模糊匹配了。 当然，不止判断学生评级，只要涉及到对数据进行区间分组其实都可以通过这个方式来实现。 小结 无论是Excel还是FineBI，都有方法来处理区间匹配问题。 Excel通过VLOOKUP函数或LOOKUP函数结合辅助表的方式实现了灵活的数据处理； 而FineBI通过“新增赋值列”功能简化了操作流程，让数据处理变得更加高效和直观。   无论你选择哪种工具，只要掌握了正确的方法，都能轻松应对各种复杂的区间匹配场景。   感兴趣的小伙伴可以自己动手试试看~

第56天知识点：自定义展示行列维度，灵活应对报表多样需求！   一般情况下，我们展示的报表结构都是写死的。 什么是写死的？ 就是表头展示的行列维度是固定不动的。 举个例子。 比如下面这张常见的学生成绩表。 我们在添加过滤组件后，无论怎么去组合筛选条件，一般也只能做到展示某个班级，或某个学生或排名在前几的数据。 但表格展示的字段始终都是【班级】、【学生】、【分数】和【年级排名】，没有发生任何变化。 这就是前面提到的报表结构是写死的，其实也就是表格的行维度与列维度都是固定的，无法实现自定义展示。 但有些时候，我们需要灵活一点的展示方式来适应不同的场景需要，比如： 在展示班级成绩信息时，只展示【班级】、【分数】两个字段； 在展示学生成绩信息时，展示【学生】、【分数】、【年级排名】三个字段。 就像下面这样。 这样的效果该怎么实现呢？ 答案就是参数。 接下来，我们就通过一份模拟数据来演示一下如何在FineBI中实现自定义展示行维度与列维度的效果。 首先，我们来看一下如何实现自定义展示行维度。 01 准备数据 首先，上传我们准备好的模拟数据。 结果如下： 02 新建组件-添加参数 --> 添加参数 --> 参数名称输入：【控制行】 --> 参数类型选择：文本 --> 默认值：为空 --> 点击确定 为什么要添加参数呢？ 这一步是为了与后面仪表板中的过滤组件做绑定，进行数据传递。 可以简单理解为： 后面我们过滤组件选择什么值，这里的参数就会等于什么值。 即过滤组件的值=参数的值。 03 添加计算字段【展示行维度】 这个公示的含义就是如果我们的参数等于班级，那么就展示【班级】字段，否则就展示【学生】字段。 这一步的目的是什么呢？ 就是为了实现参数控制展示的行维度。 第2步中我们提到了参数的值=过滤组件的值。 所以，这里就相当于将我们的过滤组件值与需要展示的行维度进行了绑定。 如果不太理解的话，可以简单理解为： A=B，B=C，所以A=C。 也就是过滤组件控制参数，参数控制展示的行维度，所以最后我们可以通过过滤组件控制展示的行维度。 04 制作图表 -->图表类型选择分组表 -->将【展示行维度】放入维度栏，【分数】、【年级排名】字段放入指标栏 结果如下： 05 制作仪表板 -->添加过滤组件—文本过滤组件—文本下拉 -->过滤方式：单选 -->自定义值列表：输入：班级、学生 -->绑定参数：绑定第2步添加的参数值【控制行】 结果如下： 这样我们就实现了行维度只展示【班级】或【学生】了。 但列维度仍然无法实现自定义，只能通过组件中去掉某一指标来实现。 这和我们的目标还相差甚远。 那如何实现列维度自定义显示呢？ 其实很简单。 我们只需要对数据集进行一步【列转行】的预处理。 06 数据集预处理 【列转行】：列转行字段选择：【分数】、【年级排名】 结果如下： 07 修改图表 -->图表类型修改为交叉表 -->行维度放入【展示行字段】，列维度放入【列字段】，指标栏放入【值字段】 结果如下： 08 修改仪表板 -->添加过滤组件—文本过滤组件—文本下拉 -->将数据集中的【列字段】拖入【字段】栏中，与过滤组件绑定 -->其它默认设置，不做修改 最终结果如下： 这样就可以实现我们前面提到的效果： 在展示班级成绩信息时，只展示【班级】、【分数】两个字段； 在展示学生成绩信息时，展示【学生】、【分数】、【年级排名】三个字段。 小结 自定义展示行维度与列维度，看似很难实现，但是只要理解其中的逻辑，也能达到我们想要的效果。 比如，如何控制显示【班级】还是【学生】？ 这就需要我们把【班级】与【学生】与过滤组件绑定，过滤组件选择哪个就展示哪个？ 但怎么让过滤组件选择哪个就展示哪个呢？ 中间需要一个媒介，就是添加一个动态参数。 通过将参数与过滤组件绑定。 但参数绑定后，又怎么实现展示字段的动态变化呢？ 需要一个新的随参数变化的字段。 所以需要添加计算字段来实现新字段与参数的绑定。 这样一步一步理下来，制作思路自然也就清晰了。 自定义展示【分数】、【年级排名】也是一样的道理。 既然【分数】、【年级排名】2个值字段是固定的，只能通过拖入或拖出指标栏来控制字段的展示，那么我们就可以想一个方式，让其变成可以控制展示的文本字段，那【列转行】自然就是最高效的一种解决办法。 然后，再通过过滤组件去绑定我们的文本字段，这样就能解决不同场景下选择展示【分数】还是【年级排名】的问题了。   但目前【展示行字段】表头的名称无法实现跟随过滤组件的筛选值而动态变化，比如，当【选择需要展示的行维度】过滤组件选择【班级】时，表格中的【展示行字段】会变成【班级】，过滤组件选择【学生】时，会同步变成【学生】。 如果大家有什么好的方法去实现自定义展示行列维度，欢迎评论区留言分享。 感兴趣的小伙伴可以自己动手试试看~

第55天知识点：雷达图   不知道有多少小伙伴有购物纠结症？ 我就有严重的纠结症。 比如，前段时间打算买部手机。 在精挑细选之后，终于挑到了2部中意的手机。 但最纠结的时刻来了，这2部我到底买哪一部？ 喜欢A手机的外观，但感觉B手机拍照更胜一筹。 B手机续航时间长，但A手机机身重量轻，携带方便。 …… 犹豫不决间，突然想到：我是不是可以用数据可视化的方法来解决这个问题？ 需求很简单，只需要：直观对比2部手机的各项性能。 灵感闪现：雷达图！！！ 于是，我立马打开FineBI。 01 操作步骤 第一步：数据准备->上传原始数据 （PS：这一步需要确保数据准确，并采用同一标准进行评估，至于为什么需要采用同一标准，我们会在文末介绍）   结果如下：   第二步：新建组件 图表类型选择雷达图 将【性能】字段拖入横轴中，【A产品】、【B产品】拖入纵轴中 结果如下：   线越接近外围，表示该手机在对应性能指标上表现越好。 到这里，我们基本就能得出结论了。 第三步：组件美化 1、取消轴值 结果如下： 这一步主要是将轴上的数值取消展示，因为我只需要比较两个多边形的面积大小，不需要知道具体的数值。   2、取消轴线 结果如下： 这一步主要是将轴线即由圆心向四周发散的射线取消展示。   3、连线改为多边形 结果如下： 这一步主要是将灰色网格线由圆形改为多边形，更符合视觉特征。   4、自定义排序 结果如下： 这一步主要是将同类型的指标放在相邻的位置上，便于观察同类特征。   5、调整网格线间距 结果如下： 这一步是为了将原来较密的灰色网格线间距调整的宽松一些。 至此，一个雷达图就制作完成了。 心里有答案了！！ 原来，数据分析在一定程度上还能治好我的纠结症。 如果你也和我一样，面对琳琅满目的商品，总是容易陷入选择困难症，那么不妨试试这个方法吧。 看到这里，恭喜你，你已经掌握了制作雷达图的方法了。 如果想要了解更多关于雷达图的内容，可以接着往下看。 02 基本概念 雷达图也称蜘蛛网图、星图、极坐标图，因形似雷达而得名。 最开始主要应用于企业经营状况的--收益性、生产性、流动性、安全性和成长性的评价。 对于正向指标，一般线越接近外围，表示该指标表现越好，整体面积越大，表明综合表现越好。 负向指标则相反。 03 常用场景 绩效评估：比如你需要评估个人或团队在业绩、合规、行为、服务、态度等不同维度的综合表现，雷达图可以帮助你判断出哪些方面是强项，哪些方面是薄弱项。 SWOT分析：比如你需要分析你和对手的优劣势、机会威胁等，可以使用雷达图来对多方面进行权衡比较，找到与对手的差异。 产品特性比较：比如你需要购买某一产品，但犹豫不决，就可以使用雷达图来比较不同产品各个特性上的表现，帮助你做出更明智的选择。 用户满意度调查：比如你想知道某一产品上市后的效果，就可以将用户反馈转化为雷达图，从而知道产品哪些方面需要改进。 04 注意事项 1、度量值标准化（归一化） 因为不同指标的数据范围和单位可能不同，因此在进行比较前需要对数据进行标准化处理。 这是什么意思呢？ 举个简单的例子，大家就明白了。 我语文考了90分，化学考了59分，哪一个考的好呢？ 语文！ 但如果我告诉你，语文满分150分，化学满分60分，你的答案还是语文吗？ 肯定不是了。因为你在心里已经对2个数值进行了标准化。 即：90/150*60=36分<59分 这个过程其实就是度量值标准化，即将不同标准的数值统一到同一标准下进行比较。 一般我们会将所有值通过标准化置于【0，1】之间，然后再进行比较。 下面是标准化前后的雷达图效果数据， 标准化前，A、B的特性2和3感觉都是弱项， 但实际上，几个特性的满分标准并不同， 标准化后，特性2、3分别成了A、和B的强项， 明显标准化后的雷达图更能反映实际情况。     2、角度平衡 尽量保持雷达图中的射线角度平衡，避免过于密集或过于稀疏可能产生视觉上的误导。   END   雷达图经常用于对人/物的综合评价，通过面积大小判断综合能力的好坏，通过与目标值的比较判断优劣势，找到差距与问题。   感兴趣的小伙伴可以自己动手试试看~