一、问题描述         对于人员结构，公司老板需要的不仅仅是一个用户画像，老板希望通过结合公司的战略发展，各部门的人员配比比例，来判断年龄、学历、人数等是否合理。         对于人员流失， 离职率高表明员工对企业的满意度较差，会造成人力成本的上升，工作效率的低下。但是，离职率很低也未必是好事，企业没有新的血液进入，可能会失去活力。怎样的流失才合理，要从不同的部门和现有人员结构来判断。         对于公司考勤，公司老板需要的不仅仅是一份列出来的迟到早退表，老板希望通过分析考勤数据了解各个部门的管理和工作情况，从而获得岗位设置、定员定编的可靠建议。   二、作品价值         本次参赛作品主要通过对某公司的人员结构、离职情况、考勤情况等进行数据分析，为该企业（其他企业也可借鉴）提供可行的人力资源决策管理工具（或思路）。       说明：本作品的数据加工过程和分析思路参考了帆软官方帮助文档的相关案例，并对作品进一步进行了完善。参考案例链接如下：       ①离职分析报告：https://help.fanruan.com/finebi/doc-view-1305.html       ②部门考勤分析：https://help.fanruan.com/finebi/doc-view-1350.html   三、数据加工   1、入职离职合并表整理 （1）新建分析主题，上传分析数据员工信息表。 （2）点击【字段设置】，取消勾选“入职日期”，如下图所示： （3）离职日期过滤出非空数据，如此便筛选出所有离职人员。如下图所示： （4）添加备注列“离职”，如下图所示： （5）再添加分析数据员工信息表，重命名为入职离职合并表，如下图所示： （6）点击【字段设置】，取消勾选“离职日期”，如下图所示： （7）添加备注列“入职”，如下图所示： （8）与离职信息表进行上下合并，将入职日期与离职日期合并到一列中，结果改为“日期”。 （9）增加“年龄”字段。（因参赛数据为2018年数据，故年龄采用2018-12-31进行计算）   2、员工信息表整理 （1）年龄计算 （2）工龄计算 （3）年龄段计算 （4）工龄段计算 （5）是否新员工判断   3、考勤信息表整理 （1）判断是否全勤   4、培训记录表整理 （1）行转列设置 （2）字段设置，进行重命名 （3）考核结果判断   5、添加派生指标 （1）进入组件界面添加时间参数，操作如下图所示： （2）计算期间离职人数 （3）计算期间入职人数 （4）期末累计离职等其他相关字段类似，作品不再展开陈述。   四、分析思路             人力资源优化是所有公司面临的问题，本作品通过对某公司人员结构及离职率的分析，来帮助企业掌握各部门目前人员配备信息及员工异动状况。         在维度上，我们将从部门、职称、性别、文化程度等方面进行分析。另外，我们还可以从时间角度来看人员的变化情况。         考勤数据不仅可作为发放工资的依据，还可以深入分析发现异动情况、工作饱和情况，提前做好沟通、预警、人员储备等。作品将主要从全勤指标和工作时长的角度来分析该公司目前的考勤状况。     五、分析过程   1、人员结构分析             该公司员工以销售人员为主，男女比例相对均衡；整体学历偏低，高学历（本科以上）成员不足三分之一，年龄层面以30岁以下员工为主，非常年轻化；职级为6的员工最多，整体来看中高级别的员工偏少。   2、离职率分析             从数据结果可知，2018年员工离职率为27.87%，保持在较高水平，且比前两年高出很多。对年份进行筛选，得到2016年的离职率为19.67%，2017年的离职率为25.69%。         2016-2017年，该公司员工数量急剧攀升（2016年期末在职员工384，但到了公司达到了671人），可能是业务扩张所致，2018年则相对平缓。这种扩张同样体现在离职分析中，2017年每月离职人员数量都小于入职人员数量，员工净流入。         2016-2018年该公司离职率虽然有攀升的态势，但基本上能维持在30%以内，按照经验判断，对于销售型公司，这个离职率是可以接受的，所以该公司的稳定性相对良好，因为某些企业销售人员一年中全部更新一遍的情况也会出现。（但需做好优秀销售的留存工作）         从部门来看，销售部离职率超过总体离职率，但整体符合行业销售的流失率。但物流部门和生产部门离职人数走高，需人力部门进一步分析原因。         从职称来看，随着公司整体流失率上升，中级层面的人员的流失也呈上升趋势，中级导购流失接近27%，门店导购的不稳定，容易影响业绩。频繁换人，应当引起高度重视。特别是通过联动分析，对于销售二部，离职人员中含有大量的店长，需要引起警示。         其他分析类似，在此不进行展开。   3、新员工分析             新员工比例较高（27.93%），且较为年轻，学历不高，该公司需做好对新员工的培训和帮带活动。         该公司的新员工以低职级员工为主，因适当做好高级人才的引进工作。         结合上下文分析，可能该公司处于扩张当做，销售部、物流部和生产部新员工较多，但其他职能部门人员补充明显没跟上，所以导致财务、人力两个部门加班严重。   4、员工考勤分析             从上图结果分析该公司目前的考勤状态具有以下特点：       ①整体全勤率偏低，只有67%，旷工人数220人，达到了三分之一，整个考勤管理存在较大问题。       ②差中有好，销售二部员工几乎全勤（2人非全勤），物流部、生产部、售后服务部的员工全勤率为后三位，需要加强考勤管理。       ③物流部旷工人数85人，为该公司之最，需要检查物流中心（部门）打卡机是没故障还是存在管理问题。       ④下钻明细表，发现人力和财务上班双休，理论上该月上班时长为184小时，但这两个部门的员工加班时长几乎达到100小时，可能面临人员紧缺问题，需考虑新增人员。       销售部门理论上正常上班时间为156小时，但也存在非常多的加班现象。   六、结论建议   七、结果展示 作品链接：https://bisolutions.fanruan.com/webroot/decision/link/Nk8n；https://bisolutions.fanruan.com/webroot/decision/link/iR7S； https://bisolutions.fanruan.com/webroot/decision/link/WApp；https://bisolutions.fanruan.com/webroot/decision/link/8FMk     1、人员结构分析   2、离职率分析   3、新员工分析   4、考勤分析

经过几个星期的“煎熬”，终于迎来的来之不易的“解脱”。虽然，这是第二次报班学习（上一次半途而废没能结业），但两次的付出、收获和成长却有着很大很大的差距！结合两次的学习，以及公司内部的培训和自身的总结，借助这次结业总结的机会有几个简单的数字“1”、“2”、“3”、“4”做一次简单的总结以及和大家分享我个人一些不成熟的观点。 “1”个主线：自助分析      在公司一次培训老师讲了一句话让正在学习的我非常有感触，他认为“数字化建设的终点，一定是人人自助分析。”   作为数据搬运工，相信大家都有和业务打过交道，每一次完成业务的需求的时候，对需要他们给我们介绍业务逻辑，这样的沟通成本、翻译成本比较大。设想一下，如果业务都会使用工具，会出现什么让的情况呢？当然是数据人集体失业啦！开个玩笑，有“内涵”的数据搬运工是不会失业的，我们可以发更多的时间去进行数据治理、平台建设、经营分析、运营培训等等，太多的事情可以去完成了。 如果您正在进行数字化建设，不妨教会更多的人去做“自助分析”，发挥业务团队的力量，让真正懂业务的人去完成业务的探索分析。 “2”个方向：OLAP分析，数据分析 自助分析真正的核心，便在于此处了吧。无论是OLAP还是数据分析的应用，都给业务数据赋予了真正的意义。数据本身是没有意义的，是靠赋予的。而FineBI的olap和数据分析方法的应用便是其中很好的手段。 其中，olap主要包括下钻、跳转、联动、过滤、切片、复用、数据预警等等；数据分析方法包括对比分析、趋势分析、FRM客户价值分析、ABC分析、波士顿矩阵、漏斗分析模型等等。通过这次的BI班级的学习和场景的应用，终于还是大体掌握它们的应用背景、实现方式。   “3”个步骤：拖字段，选图表，做设置 其实，FineBI工具一旦领悟了它的“灵魂”所在，那么它变成了一个很简单的工具。和平老师的这9字口诀，在公司的传唱度特别的高，也让很多业务的同事从此不在害怕担心不会使用FineBI自助分析工具。客观的评价，经过这2年的学习使用，确实觉得它比Excel更加的实用，可能有所欠缺的是不能像Excel那样随意做透视表吧。   “4”个流程：数据准备，数据加工，数据可视化，数据分享 很多时候，业务的同事属于一种“巧妇难为无米之炊”的状态，不是他们不会用这个工具，而是咱们的数据准备这个环境没做好，业务包里根本没有他们所要分析的经营数据。虽然，数据准备这一步班级学习好像没多大关系，但它确实分析的基础和前提。个人观点，在推广使用自助分析工具之前，得花更多的心思准备好数据！ 对我个人而言，最难的可能是数据加工这个步骤，可能因为不是IT出身的原因，数据逻辑思维也不是很好，所以很多时候还是得一直查找帮助文档去对照完成。继续加油ing   当然，这并不是学习的全部，还有配色布局、分析报告的撰写技巧等等也是本次课程的重大收获之一。自己完成的仪表板虽然还不能做到像UI那样的设计美感和视觉效果，但基本的原则还是会遵守，不会像以前那样犯太多低级的错误。 感谢帆软那么优质的课程，也感谢自己的坚持。如果你也像我那样曾经半途而废了，建议抽个时间重新捡起来，好好学习，你一定会感谢自己。我相信，经过几个星期的“煎熬”，你的数据思维、分析思路、操作技巧都一定有质的提升！ 期待大家的更多“数”说FineBI!  

一、学习背景 刚刚参加完今年的“2022BI数据分析大赛”，于是趁着自己对学习的热情和挑战，利用了比赛中获奖所得的培训基金报了帆软各种班级，几乎都集中在了6月、7月和8月。本次学习的主要目的，是为了系统的学习一遍帆软生态的所有知识点，实现从产品经理到数据研发人员的一次转型过渡！而BI正是我的第一站！ 附上比赛作品：https://bbs.fanruan.com/thread-138939-1-1.html 二、学习过程 这次学习过程中，虽然作业量还是挺多的，最后也算是坚持了下来吧，但同时进行的简道云的课程，就没那么多的时间和精力了，于是作业也就没那么乐观。 挺庆幸自己报了这个班级，学习的知识真的很系统，“学习视频+课后作业”的形式，确实对加深知识点的巩固很有作用；通过学习，对于自己的知识盲区（数据加工和配色布局）也有了很大的提升，甚至会因此自己去找更多的学习资料，比如《最简单的图形与最复杂的信息》。 另外，在过程当做，还要同步学习公司组织的report班级的培训，因为这次课程有很多“相通”的地方，所有学起来反而没那么吃力了。其实，BI和report的很多知识点都可以共用了。比如OLAP功能、比如配色技巧、比如图表选型、比如布局结构等等。所以，学习过程中学会总结、融合各工具的相同点和不同点去比较学习，可能会记得更牢，真正把它们吃透。   三、总结建议 1、关于作业：对于上班一族，作业量确实过大了。看最后结业的同学只有个位数，可想而知中途放弃的有多少人。所以，建议课堂的作业要做到精简，作业量不在于多，而在于精，还有在于工作上的应用。 2、关于课堂：录播课程，总觉得少了点啥。没互动、没灵魂、不够亲切。而且，BI的版本机会每个月都有更新，很多新的功能点在课堂上也直接缺失了。大家都交了钱学习的，建议还是以最新的版本，以直播的方式进行。 3、关于指导：现在班级的指导，更多的是有问的解答一下，不问的不关心你。少了主动的指导、监督和鼓励，所以很多同学都没交作业和毕业，去年我报的班级也是这样的状态，半途而废。建议对未交作业的同学，一一回访，问清原因，基于鼓励和帮

队长：周素慧，成员：梁家建。 指导老师：李和平   一、数据说明 数据集包含一家大公司的历史员工资料，其中每条记录都是一名员工。共计15,002条员工记录。 数据集共10个字段，包括员工满意度、绩效评估、项目数、月工作时长、司龄、是否有工伤（0为False，1为True）、是否离职（0为False，1为True）、3年内是否晋升、职位、工资（已将原数据集中的Columns转换为中文）。 数据地址：https://www.kaggle.com/datasets/jacksonchou/hr-data-for-analytics   二、分析思路 2.1明确问题 问题：如何降低公司员工流失率？ 通过人资部门提供的近十年公司员工信息表，我们对员工流失率进行分析，发现员工流失率23.81%。那么，有哪些因素影响了员工的流失？我们将如何降低公司员工的流失率？这是本作品所要分析的问题。   2.2分析框架 流失率 = 流失人数/总人数，在总人数不变的情况下，降低流失率需要降低流失人数。     三、数据清洗 ①　列重命名：将英文字段统一转换中文字段描述。 ②　删除空值：对数据集各字段列进行检查，发现“员工满意度”仅15,000条记录，存在空值；删除空值。 ③　删除异常值：对数据集字段理解，满意度区间在0到1之间，查找是否有区间范围外数据，并删除；经条件查找未发现异常值；对“职位”进行筛选，发现“sales”与“sale”（仅1条），判断为录入错误所致；删除。 ④　删除重复值：未发现重复值；   经过以上步骤的清洗整理后，剩余数据一共14,999条。预览如下：     四、分析过程   通过对数据集统计，发现历史流失员工3,571名，平均流失率23.81%，我们如果降低员工流失率，需要如何去降低？   4.1员工按照司龄分布情况及各司龄段流失率分析     分析结论： ①　对流失人员的司龄进行分析，发现3-6年司龄员工流失人数较多，其中3年司龄员工流失数最高（1586个），6年以上司龄员工无流失比较稳定； ②　3年司龄员工流失率44.41%，4年员工流失率24.92%，5年员工流失率23.33%，6年员工流失率5.85%，3-6年司龄员工流失率高于平均流失率。 问题：为何3-6年司龄员工流失率高？ 接下来，我们对3-6年司龄员工的流失人员和未流失人员进行比较；再对3-5年司龄员工的流失人员同其他司龄流失员工比较，找到问题原因。   4.2对3-6年司龄员工的流失人员和未流失人员比较   分析结论： 对3-6年司龄员工的流失人员和未流失人员的平均满意度对比，流失人员平均满意度整体情况较未流失人员的平均满意度差；对3-6年司龄员工的流失人员和未流失人员的绩效评估对比，3-6年司龄员工流失人员绩效评估整体情况较未流失人员优；3-6年司龄员工流失人员项目整体情况较未流失人员项目多；3-6年司龄员工流失人员月平均工时整体情况较未流失人员高；3-6年司龄员工流失人员工伤情况低于未流失人员；3-6年司龄员工流失人员晋升率低于未流失人员晋升率；3-6年司龄员工中工资相差无几，但流失人员中薪酬水平较低的占比较未离职人员的更大。   假设：员工满意度、绩效评估、完成项目数、工作时长、工伤情况、晋升情况、工资、职位会影响流失率？（假设各变量因素独立）   4.3假设检验分析——寻找验证与流失率相关性的因素     分析结论： 假设1：员工满意度会影响流失率 ，成立；（员工满意度越低，离职率越高） 假设2：绩效评估会影响流失率，不成立； 假设3：项目数会影响流失率，不成立； 假设4：平均工时会影响流失率，成立；（员工工作时间越长，离职率越高。其中，低于每月标准工作时长的176h的员工被淘汰离职的可能性比较大。） 假设5：是否有工伤会影响流失率，不成立； 假设6：是否晋升会影响流失率，成立；（员工晋升机会越少，离职率越高） 假设7：薪酬水平会影响流失率，成立；（工资与离职率并不呈正相关，高收入群体离职率还是比较高） 假设8：员工职位会影响流失率，成立。（ 各职位离职率差距明显，销售员、技术人员和支撑人员离职率较高  ） 同时发现：同时具有3年内未晋升、低薪酬、低满意度、高月平均工时特征2个及2个以上的员工流失率会更高。   五、决策建议 ①　对薪酬结构调整，基本工资和绩效工资；避免员工付出和收获不平衡导致流失； ②　公司绩效考核中，满意度应占一定考核比例，满意度较低的员工给予一定激励措施，对长期满意度低的员工，考虑不予晋升或开除； ③　对积极工作的员工给予奖励，可以根据加班时长增加时薪； ④　对3年司龄还没有晋升的员工，在此阶段增加激励，通过以上两种考核和激励以外，增加满三年奖励，以提高员工对公司忠诚度。   六、心得体会 这是第二次参加帆软的BI数据分析大赛（之前叫BI可视化挑战赛）,可能因为有指导老师（李和平）的帮忙，觉得比第一次顺利很多。同时，也感觉到了自己的成长。和同伴确定分析思路后，几天时间便把作品落地了。 这次选择这么快发布作品的原因，更多的是希望能得到评委老师以及各位大神的留言指导，争取有更快的成长机会。   参考资料：帆软内置demo（主题场景-人事管理-人员离职分析）   最终作品预览：

一、选手简介1.1选手介绍 1．周素慧：博智林机器人有限公司PMO，负责数据分析运营部可视化小组的项目管理相关工作，本次比赛主要负责仪表板的开发和美化。 2．梁志雄：12月入职博智林机器人有限公司，负责数字化项目需求分析，多年电商数据分析与可视化经验，使用FineBI两年时间，本次比赛主要负责提供数据和撰写报告。 3．李和平：博智林机器人有限公司BI运营，负责碧桂园集团的BI可视化产品运营、推广等工作，本次比赛主要负责需求分析和相关指导工作。1.2参赛初衷 参加此次活动主要是为了加强自己（周素慧、梁志雄）的分析能力，以及FineBI数据可视化的展现能力。更多培养自己对数据的洞察，觉得大有益处。 另外，参加本次活动的另一个目的主要是为了更好的进行数据可视化小组的PM相关工作，拉近与可视化开发成员的距离。同时，希望将自己对电商数据分析的方法分享给更多同道中人，得到更多交流沟通的计划，以便更好的提升数据分析方法论和BI可视化开发技巧。 二、业务背景 为了更好的准备一年一度的“双十一”电商大战，公司决定通过最近一个月的商品销售数据进行分析、统计，制定对应的“双十一”大战营销策略。 三、建设目标 1．电商指标体系构建：以店铺、商品、会员、渠道等多种维度为入口，搭建电商数据分析的流量、转换、销售和服务等电商数据分析指标体系。（本作品只针对销售指标体系） 2．多维度分析销售数据：以地域、会员、品类等多维度统计产品销售数据，分析维度差别、流失情况、畅销品、主产品、销售额、产品利润等。 3．营销策略和推广支持：根据数据统计和分析结果，制定不同的“双十一”大战营销战略和主推产品等，进一步提升产品销售额和利润率，打好年底关键一战。 四、数据准备 4.1数据来源 本次比赛的数据来源于团队选手前东家的10月份销售数据，后期通过了简单的脱敏以及在不影响本作品的建设目标的基础上删减会员的相关敏感信息。本次活动数据不涉及商业机密，数据内容只做参考，本作品不对数据的真实性负责。 4.2数据整理表4-2作品数据源描述 序号数据源名称数据集类型内容描述 1订单明细表Excel订单详细信息 2成本明细表Excel产品成本明细 3销售统计表自助数据集关联成本与订单明细 五、解决思路 5.1指标体系 数据分析与BI可视化的本质其实是维度和指标的切换，了解维度和指标体系有助于我们理解分析的思路。电商的维度和指标体系分类主要包括： 1．维度：人群、渠道、店铺、产品 2．指标：流量、服务、转换、销售 那么，将维度和指标交叉可以得到16个分析粒度，本作品主要从不同的维度针对销售指标进行统计分析。其具体指标体系如下表所示：表5-1电商数据分析指标体系 维度指标流量转换销售服务 店铺店铺流量店铺转换店铺销售店铺服务 产品产品流量产品转化产品销售产品服务 渠道渠道流量渠道转化渠道销售渠道服务 人群人群流量人群转化人群销售人群服务 5.2需求分析 作品主要展示产品的销售规律和特征，以便于制定正确的营销策略，核心指标只要包括销售额、会员数量、流失金额、利润指标等。根据业务背景和建设目标详细可进行如下分析： 5.2.1客户地域分布 1．人均消费金额（客单价）：不同的地域客户消费水平不同，通过统计不同地域客户的消费金额，了解产品在不同地域的消费力情况。可以通过对比不同地域的订单，制定更详细的营销推广策略。 2．地域分布四象限：可根据10月会员消费特点归纳低规模高客单，高规模高客单，低规模低可单，高规模低客单情况，分别制定不同的营销策略。 5.2.2流失客户分析 1．流失金额统计：统计不同的省份、会员数、买家应付金额（交易关闭），观察流失客户规律。 2．订单付款金额：统计时间间隔、会员数情况，制定催单策略，减少“双十一”期间订单流失情况。 5.2.3销售商品分析 1、品类分析（占比）：统计、分析不同品类的销售占比与利润情况。 2、主产品分析：统计主产品和畅销产品，做好“双十一”库存计划。 5.3解决方案 138537 六、开发过程 138585 七、分析报告与业务价值7.1核心指标分析 138586 针对应付货款、实际支付金额、待定支付以及流失金额等核心销售指标进行统计分析，把握产品销售的总体情况。从统计结果可以看出，流失订单金额有9万多元，需要特别关注。7.2畅销品分析 138593 可视化分析结果显示，10月份销售额（已支付）的产品主要包括新谷酵素夜减肥、Fancl美白丸全身、普丽普莱氨糖维骨片、普丽普莱氨糖软骨素和Fancl复合维生素。为了双十一的促销活动，首先需要考虑的是需要保障这些畅销产品的库存量，以达到利润最大化。 7.3订单流失分析 138587 根据可视化分析结果针对订单流失前5的产品做针对性分析，从产品质量、客服质量、用户性质等多维度进行分析，提升产品质量和客户服务治理，减少订单的流失情况，降低订单流失率。 7.4订单规模分析 138588 根据可视化分析，可以将全国各省分为是个象限：高规模高客单、高规模低客单、低规模高客单、低规模低客单，根据各省在四个象限的呈现情况采取对应措施： 1、广东省、上海市、北京市、江苏省等属于高规模高客单，是需要重点维护的区域，可保持市场投入和营销策略，并可考虑加大投入。 2、甘肃省、天津市、河北省、内蒙古、陕西省等属于高规模低客单，可投放组合优惠套餐和连带销售的方式，从而提高客单。 3、浙江省、四川省、山东省属于低规模高客单，可能广告投放不到位或市场营销不到位，可适当加大市场投入，增加会员规模增加。 4、贵州省、黑龙江省属于低规模低客单，可以开展调研工作，采用合适的拓展方案。 7.5订单趋势分析 138589 整体的销售处于一个较平稳的波动，10月上旬销售额大部分高于平均值，10月下旬低于平均值，建议调研是否有其他商家已经提前开启双十一活动，导致客源部分流失，考虑提前加入双十一活动。7.6待付款订单分析 138590 数据可视化结果显示，待付款金额为1273元，涉及5个产品。客服人员需要针对等待付款会员进行原因分析，进行针对性引导。 如果是因为“新买家出于好奇，拍着试试看”，这种情况最好跟对方通过旺旺进行联系，这样可能会留住一个潜在的客户。 如果是因为“拍下了商品，但是支付宝内余额不足未付款”，可引导花呗消费或者给对方一定的时间去准备付款，大概一天左右的时间，如果没付款，可以主动联系，询问一下情况，给对方充裕的时间。 ………… 7.7其他维度分析7.7.1店铺销售占比分析 138591 店铺之间存在较大的差异，其中店铺004销售额占比最大，占了10月份总销售的33%，店铺005占比最小。在店铺规模、工作人员、营销策略等因素一样的情况下，互相对比、互相分享，分析销售差异的原因，提高其他店铺的整体销售能力，达到各店铺均衡发展。 7.7.2产品类型占比分析 138592 数据可视化结果显示，各品类销售占比相对均衡，差距并不明显，暂时可同步均衡推广销售！ 八、总结提升 本文由于数据获取原因以及时间关系，只针对销售数据指标进行了相应的分析，但实际上电商数据分析的主要指标分析还包括了流量指标、转换指标和服务指标。需要全方位进行分析，才能对症下药，提升店铺销售额。目前电商的主要痛点归结起来主要有：1、运营工作方法不对，效率较低；2、DSR动态评分较低，权重上不去；3、无爆款、无排名、无流量；4、开店成本高、资金不足。 而针对上诉业务痛点，具体涉及到了运营指标、流量指标、转换指标、财务指标等。电子商务除了需要关注商品的整体数据外，更需要关注各种数据所反映的问题，而进行多维度的数据指标分析则是电商行业的一项战略性投资。在大数据的环境下，数据反映出来的就是市场、消费者、商品各方面的情况，这些在实体市场只能通过市场调研等低效率的手段进行收集和整理。因此，在大家都关注电商数据并进行分析时，自己更应该利用好这些数据，以求在竞争激烈的电商行业站稳脚跟。 本作品只是抛砖引玉简略提及了部分观点和建议，希望通过本次比赛能得到帆软评委团的指导以及番薯们的互相交流，以促进大家的共同进步。 作品展示： 138594 140215 140214 140369