一、选手简介1、选手介绍团队名称：文龙的数据工作室队长介绍：文龙 ，帆软社区用户名：用户n2400942，之前做过电信行业、大数据行业和零售行业数据分析师；主要工作内容包含数据分析，数据产品研发，建立统计模型，设计零售业BI系统。成员介绍：   小李：零售业门店经理，零售业出身，对零售运营非常熟悉，这次比赛主要负责把控指标和整体看板在实际应用中是否合理与实用。   小叶：金融会计师，财务经验丰富，有一定finebi基础，主要负责BI模板图表的整理及制作。 2、参赛初衷   · BI制作是每个数据分析师应掌握的技能，通过比赛实践提升BI工具的使用方法和技巧，了解更多相关知识   · 比赛中Finebi提供专家解答，这样能够更好地掌握finebi   ·  充实自己，为工作做准备   ·  伙伴们想证明一下自己，了解一下自己在零售业BI的实力   ·  大赛奖励很诱人   二、作品介绍   1、业务背景/需求痛点线上商城在日常的经营过程中，产生了大量的经营数据，这些数据包含了丰富的经营技巧和市场规律。传统分析方式通过excel整合报表或报告，只能一次性分析不能持续监测，既费时费力也不及时，还容易出错。FineBI不仅可以整合清理数据，还能对整体运营进行实时的监测分析，既节省了人力也更具实效性和可执行性。本报告数据来自kaggle公开数据，数据背景不详，这里假设是某商城的全球历年销售数据，销售方式通过线上下单，再通过邮寄方式邮寄给客户。假设企业想通过数据整合，自动提取与清理，可视化分析实现对整个公司的运营监测。同时建立可视化平台实时查看各核心指标完成情况，减少员工每日重复报表报告工作，并通过跳转和联动实现自主分析各指标存在的问题。 2、数据来源自选数据：来自kaggle的公开数据 “superstore_data”超市零售数据，原始数据字段包含：Row ID，Order ID，Order Date，Ship Date，Ship Mode，Customer ID，Customer Name，Gender，Segment，City，State，Country，Postal，Code，Market Region，Product ID，Category，Sub-Category，Product Name，Sales，     Quantity，Discount，Profit，Shipping Cost，Order Priority，共51263条数据。 3、分析思路通过对数据特征的分析以及结合之前零售的工作经验，团队最后决定建立包含总览、类目分析、客户及订单分析和RFM客户价值分析四个部分的经营分析平台，平台可以通过筛选年份，分析不同年份的数据，同时每个组件也可以通过联动查看单个维度的全部信息，区域分析中地图不但可以联动整个模板而且可以实现下钻到城市。 整体分析思路如下图所示： 4、数据处理 基础表二个：“superstore_order”，”superstore_customers”通过“Customer ID”关联两个表 新建表两个：复购率和RFM表 复购率：   RFM：   5、可视化报告 1)      总览：总览使用指标卡、地图和柱状折线图展示，这样会让使用者清晰的看到整个公司各重点指标的运行情况；地图可以整体看到全球各国销售情况，发现问题国家也可以联动筛选查看单一国家；柱状折线图可以发现趋势问题，并对比前一个时期是否增长或下降。      分析结果举例： 以2022年为例，从整体看，2022年销售额4.2百万元，同比增长26.1%。毛利额0.5百万元，同比增长23.5%，近三年同比增长最低（2、6、7和12月的毛利额同比下降），毛利率11.8%较去年略有下降。全年总负毛利额为30.7万元，比去年增加6.4万多，这可能是毛利额增速下降的一个主要原因，具体原因需要进一步分析。全年客户数量超过1500人，客单价超过2800千元，连带率7.3，无明显异常。 美国是销售额最高的国家，销售额73.4万元，同比增长20.6%，占比17.3%，其次是澳大利亚和法国，分别为31.5万元和31万元，前十名占比62.2%。同样，美国也是毛利额最高的国家，9.3万元，同比增长14.4%。同比下降的国家工41个，其中销售额过万的7个，需要注意维护。 6月份销售额同比增长最低，仅2.6%（2021年53.4%），当我们选定6月数据，发现销售额排名前10的国家有3个负增长（法国、印度和中国），具体原因需要进一步分析。 2)      类目分析：类目分析主要使用饼图、柱状图、折线图，分析各品类下的销售情况，发现问题品类以及关注重点品类。通过饼图展示一级类目销售额和毛利额大占比；图表一、二级类目展示销售额和毛利额及同比；折线图展示毛利率趋势；条形图展示负毛利额排行；柱状折线用于ABC分析法。 分析结果举例：       通过类目分析我们发现，Technology销售额最高占比37.7%，并且其毛利额占比超过46%。offcie supplies 虽然销售额最低，但其毛利额占比35.6%。Furniture的毛利率最低，仅6.5%，其中一个原因是其负毛利额最高-12.7万元，造成其毛利额最低，通过联动分析我们发现其负毛利主要来自Tables（-5.4万），造成Tables整体毛利-3.0，这可能是由于Tables打折处理造成的，需进一步分析。    ABC分析发发现70%销售额来自Copiers, Phones, Bookcases, Chairs, Storage，这些是重点关注的品类。 通过六月联动，我们发现六月销售额同比增长最低主要由于Technology的销售额同比下滑，其下的phones、copiers、machines销售额同比都是负增长。 3)      客户及订单分析：客户及订单分析主要使用饼图、柱状图、折线图及散点图分析客户及订单的销售情况。通过饼图展示客户类型、客户性别和订单邮寄方式的销售额情况；柱状折线展示客流、客单价及复购率的趋势；柱状图展示Top10客户；四象图（散点图）展示客户的订单和客单价关系。 分析结果举例： 通过分析客户属性我们发现，客户类型为consumer的销售额为211.2万元，占比接近50%，可见个人为主要消费群体，其次是公司125.3万元，占比30.2%。性别对消费的影响基本无差异。客流和客单价成逐年增长趋势，同样年复购率也在稳步增长。销售额Top的客户有三个来自企业，其余都是个人，Vivek销售额最高1.1万元。 有接近60%的订单是通过Standard class邮寄的，越快的邮寄方式订单价月底，这可能是由于运费过高，只邮寄重要的商品。订单数和订单平均价分析中，第一象限的客户为优质客户，需要重点维持。 当联动6月数据，我们发现6月客单价比去年少了100元，这也是六月销售额同比很小的一个原因。 4)      RFM客户价值分析：RFM 分析就是通过三个关键指标（最近一次消费时间（R）、最近一段时间内消费频次（F）、最近一段时间内消费频次（F）对客户进行观察和分类，判断每类细分用户的价值。通过矩形图展示个各类客户的数量及占比；饼图展示各类客户的销售额及占比；条形图展示各类客户的客单价排行；四象限（散点图）分析客户的流失情况；明细表可作为客户筛选便于筛除问题客户。 分析结果举例： 通过RFM分类可以看出重要价值客户数量最多418人，占比26.3%，销售额也同样最多692.5万元，占比接近40%；一般发展客户虽然数量占比21.3%，但销售额仅仅60.9万元，占比仅4.9%，需要对次类客户进行相应的营销策略提高销售额；客单价最高的是重要挽留客户和重要发展客户，分别是769元和747元，需要想办法提高他们的消费频次。   通过消费流失分析我们发现，在第一象限的（流失概率高，消费能力高）客户有47人，这些客户超过半年没有消费，需要采取行动来挽留这些客户从而提升销售额。 明细表可通过联动筛选出想要的客户数据并下载给相关人员。 5) 整体可视化效果           6、自主分析举例 2022年6月份销售额同比增长最低原因分析。 三、参赛总结 1、FineBI工具 一直在用FineBi，觉得很容易上手，制作比较简单 今年的6.0改变很大，上手后觉得比之前好用多了，但仍然有些bug需要进一步改进果。 2、参赛总结  遇到的困难： 数据的品类有错误，清洗花了很多时间。 感谢队友的付出，大家都尽了最大努力创建模板，期间也问了他人建议，在这里再次感谢所有帮助过我们的人。同时也感谢finebi组织比赛，给我们一个合作的机会。同时也感谢finebi组织比赛，给我们一个合作的机会。        

Your browser does not support video tags.   一、选手简介1、选手介绍团队名称：无敌小拳拳2022队长介绍：文龙 ，帆软社区用户名：用户n2400942，之前做过电信行业、大数据行业和零售行业数据分析师，现做新能源汽车的数据分析及产品设计；主要工作内容包含数据分析，数据产品研发，建立统计模型，设计BI系统。成员介绍： 大头魁：车企销售部经理，这次比赛主要负责把控指标和整体看板在实际应用中是否合理与实用，公司同事 小云：曾在车企业做过会计师，熟练使用FineBi，主要负责撰写财务报表，通过FineBi和FineReport设计财务报表，公司同事 2、参赛初衷 BI使用已经有两年多了，之前一直在零售业，这次由于工作原因转型到制造业，通过比赛了解团队在零售业分析的能力，同时了解更多相关知识 比赛中Finebi提供专家解答，这样能够更好地掌握finebi 伙伴们想证明一下自己，了解一下自己在汽车行业BI的实力 大赛奖励很诱人 二、作品介绍1、业务背景/需求痛点 车企拥有MES、CRM、PDM、IOT、PMS、DMS、ERP等多个系统，覆盖了研发、生产、供应链、营销、服务、管理等各领域，但业务产生的数据分散在各个独立系统中，数据整合筛选、归类、分析停留在各个业务系统，需要人工进行关联，再汇总形成汇报报告，这种形式不但效率低下，并且存在统计口径不一的问题，目标与指标无法关联，不能高效的支持运营决策等问题。 针对以上问题，企业通过BI构建企业特有的数据统计模型，打通各业务系统数据连接，共享数据，实现数据自动运算分析、目标对比、实时查看，提高数据统计分析效率，深度挖掘数据价值，促进业务增长，引导企业管理创新改良，提升企业市场竞争力，实现传统运营向数字化运营的转型。   2、数据来源本报告数据采集自“汽车之家”汽车销售数据以及企业内部数据生成的测试数据结合而成。数据字段包含：序列, 店类别, 本田4s店名称, 省份, 所在城市, 区域, 联系方式, 地址,评分, 被投诉次数, 投诉类型, 车型, 级别, 种类, 平均价格, 日期, 销量, 销售额,毛利率, 毛利额, 城市分级和库存，时间从2019年10月到2021年10月共36788条数据。   3、分析思路本方案从经营视角出发，以管理目标为导向，通过对不同业务场景分析，建立指标体系，深度挖掘数据价值，实现对于战略及目标的收集、制定、下发、执行、监控、反馈、优化的支撑作用，从而实现各业务层快速高效的分析与决策。同时结合之前工作中管理层提出的报表及报告需求，以及现有数据可提供的分析角度，最后团队决定通过全国、区域、省份维度创建三个联动的运营监测平台，各组件间不但能够联动并且可以跳转下钻，这样模板不仅仅是一次性分析报告，而是一个可持续使用的运营监测平台，成为决策层不可缺少的辅助运营工具。共三个模板：针对不同的管理层设计全国、区域和省份三个运营分析模板，总部可以看到全国及以下模板，区域级管理层能看到区域及以下模板，省级的管理层只能看到省级模板，并且每个管理者只能看到其所在区域或省份的数据。每个模板包含业绩总览、业绩趋势、车型分析、业绩排行、库存和4S店售后分析。每个面板可以通过月份筛选选择想要分析的月，每个模板间也可以通过地图点击跳转实现全国下钻到区域和省份，同时每个组件也可以通过联动查看单个维度的全部信息。整体分析思路如下图所示：   4、数据处理 数据来自四个基础表（销售表，售后表，4S店信息表，库存表）关联整合 自定义地图六个地区：通过多边形手动画制六个区域地图 自助数据集一个：4S店评价对比 1)        选择字段 2)        分组汇总 3)        新增列：评分平均 4)        新增列：投诉平均 5)        新增列：象限     5、可视化报告1)        日期筛选和跳转模板按钮：月份筛选：通过日期筛选，使用者可以直接筛选自己想看的月度计分析 月份筛选通过过滤组件设置完成 2)        业绩总览及分布：业绩总览使用仪表盘和文本图展示，这样管理者就能清晰的看到整个企业各重点指标的运行情况，同时加入了同比帮助分析业绩的好坏。 销售额和毛利额使用仪表盘，这样更能突出目标完成情况。库存系数为期末整车库存或数量除以当期销售整车数量。 分析结果举例：以2021年10月为例，月销售额146.87亿元，同比减少11.9%，年累计完成率仅63.9%，毛利额完成率仅56.5%。同样毛利额大幅度下滑，同比减少接近40%，毛利率仅6.5%。通过业绩总览我们发现2021年10月由于销售额和毛利率下降，导致毛利额大幅度下滑。年累计销售额也比去年减少21.7%。   区域业绩分布使用地图展示，把地区、省份和所在城市拖入同一钻取目录并转换成地理角色实现钻取。标签中加入销售额、同比增长、毛利率和4s店数量，可以让使用者直观看到各区的业绩。提示中再加入毛利额和毛利额同比，便于使用者进一步分析。 分析结果举例：以2021年10月月累为例，华北销售额最高34.44亿元，同比减少16.3%；东北销售额最低15.05亿元，同比减少13.2%；西北同比下滑最大，23.9%；六大区域仅华北销售额增长，同比增长7.6%。整体看来，10月份除华北外全国销售额都在下滑，西北下滑最多。 对西北进行下钻，发现西北中青海省销售额最高6.21亿元，同比下降13.3%，其次是宁夏5.12亿元，同比下降33.3%；新疆同比下降最多，同比下降45.9%。 4) 近几月业绩趋势：按照月份查看销售额、毛利额、毛利及投诉趋势，把握企业发展的方向、走势，对未来提前做好准备 用折线图和柱状图展现，同比通过明细过滤实现。 分析结果举例：以2021年10月月累为例，从近12个月业绩趋势看，2月份销售额同比猛增，达到了452.2%，可能是由于2020年2月疫情导致销售大幅度下滑；6月开始同比开始减少，8月份同比减少最多38.5%；从毛利率看，2021年开始毛利率开始下降，仅为6.6%左右。近两年客户的投诉次数变化不大。具体业绩下滑原因需要进一步分析。 5) 业绩排行：对各区域、省份和各级别城市进行分析，发现销售规律，对重点区域重点关注 通过饼图展示六大区域销售额及占比；通过柱状折线图展示各级别城市销售额及同比；通过表格查看销售额Top10省份，以及各省份同比环比。 分析结果举例：以2021年10月月累为例，华东销售额占比最高25.1%，其次是西南19.1%；从各级别城市看，四线城市同比增长最多19.2%，新一线城市增幅非常小，一线、二线、三线和五线同比都大幅度下滑，五线下滑最多28.2%；销售额top10省份中，江西省销售额最高7.09亿元，山西省同比增长最多113.2%，山东省下滑多，减少32.9%。 6) 车型分析：对各车类型、车型进行分析，发现消费喜好，辅助生产决策 通过矩形树图分析各类型车销售额及同比；通过折线图展示各级别车销售额及趋势；通过表格查看销售额Top10车型，以及同比和环比。 分析结果举例：以2021年10月月累为例，MPV型车销售额最高55.67亿元；SUV中中型车销售额最高19.16亿元，轿车中紧凑型销售额最高33.35亿元。由于过年每年的2月销售额都会出现大幅度下滑；从车型看，奥德赛锐混动销售额最高34.43亿元，所有车型销售额都出现同比下滑环比增长现象，其中型格同比下滑最多14.9%。 7) 库存分析：库存不足会导致销售额下降，而库存过多又会导致占用过多资源，管理好库让企业存运营更有效率。 通过堆积柱状图分析4S店和工厂库存量；通过多层饼图分析各车型库存量及占比；通过柱形折线图分析各类型车和车型的库存量及库存系数。 分析结果举例：以2021年10月月累为例，库存中有超过10.4万辆车在4S店，8.7万辆车在工厂；并且轿车库存最多8.7万辆，占比45.8%；从库存系数看，所有类型车均超过了1.3，超过了合理值，其中型格库存最多1.6万辆，皓影最少0.1万辆。 8)    4S店售后分析：企业需对其下的4S店进行管控，防止企业品牌受损。 通过四象图分析对比4S店的评分、投诉量和销售额； 通过饼图分析各象限店铺数及占比； 通过饼图分析各投诉类型数量及占比；通过折线图加趋势线分析近2年投诉趋势。 分析结果举例：以2021年10月月累为例，各象限店铺分布差别不大，低评分高投诉店铺27家，占比21.95%，比较多。投诉主要原因类型为维修时长、服务态度、维修质量、购买价格和维修费用，总占比超过80%。从投诉趋势看，整体投诉趋势在增多，2021年明显高于2020年。 9) 跳转分析：跳转分析可以实现跳转到某个看板，进一步对单个区域详细分析 创建公共链接》链接分享并复制链接》打开跳转设置》粘贴链接 10) 联动分析：联动分析可以实现整个模板针对某个指标详细分析，进一步找出问题原因 分析结果举例：第2）中我们发现西北下滑严重，我们对西北进行联动，我们发现西北三线城市下滑严重，销售额同比减少46%。并且该区域的库存也存在问题，SUV中的中型车库存系数超过警戒值1..5，其中冠道的的库存系数为1.57。 11) 分析总结：以2021年10月为例 从6月开始企业的整体业绩在下滑，年目标完成率也相对较低仅63.9%。10月分毛利额毛利额大幅度下滑，同比减少接近40%，毛利率仅6.5%； 10月份除华北外全国销售额都在下滑，西北下滑最多；其中三线城市下滑严重，销售额同比减少46%。并且该区域的库存也存在问题，SUV中的中型车库存系数超过警戒值1.5，其中冠道的的库存系数为1.57。 华东销售额占比最高25.1% 四线城市同比增长最多19.2%，新一线城市增幅非常小，一线、二线、三线和五线同比都大幅度下滑，五线下滑最多28.2%； 江西省销售额最高7.09亿元，山西省同比增长最多113.2%，山东省下滑多，减少32.9%。 消费者比较倾向混动车，奥德赛锐混动销售额最高34.43亿元，所有车型销售额都出现同比下滑环比增长现象，其中型格同比下滑最多14.9% 库存需要额外注意，所有类型车均超过了1.3，超过了合理值 售后投诉呈现上升趋势，2021年明显高于2020年，其中低评分高投诉店铺27家，需要格外注意防止影响品牌形象。投诉主要原因类型为维修时长、服务态度、维修质量、购买价格和维修费用，总占比超过80% 通过运营平台的搭建，对企业解决了以下问题 弥补了各单位及部门基于数据的分析和决策能力不足，管理层可实时查看分析各指标，发现问题及时跟踪与反馈； 可实时获取经营过程中产生的数据，统一数据统计口径、数据不准，提高了决策效率； 通过目标管理与拆解，业务层级的绩效指标与企业战略、目标显性挂钩； 释放了开发人员和业务人员每日制作繁琐的报表 决策层有效监控企业各重点指标运行情况，有问题及时反应、及时解决，降低企业经营成本 12) 最终结果呈现的页面布局 总部管理层看板 区域管理层看板 省级管理层看板 三、参赛总结1、FineBI工具 这两年一直在用FineBi，觉得很容易上手，制作比较简单 有些细节需要进一步完善，如：跳转传递参数，不会对跳转后的页面组件生效，只会影响到对应的展示组件结果。 版本升级比较费劲，每次都要重新安装，然后再资源迁移，而且版本间兼容很差，经常出现问题。   2、参赛总结 遇到的困难： 针对不同管理层制作三张模板，并且每张模板都可以联动和跳转，所以制作起来比较繁琐耗时地图区域划分依旧需要手动绘制，花费了大量时间 这次大赛导师有导师帮助并且回复的比较及时，感谢导师。 感谢参赛队友的帮助完成这次比赛，大家都尽了最大努力创建模板参与，期间也问他人建议，在这再次感谢所有帮助过我们的人。同时也感谢finebi组织比赛，给我们一个合作的机会。

1.学习初衷 （1）个人背景： 由于工作的需要，需要自己设计BI运营平台，通过网上搜索发现finebi在国内比较流行，并且很多企业在应用，而且通过自己的实际操作发现finebi简单易学，决定进一步学习finbi，对这个软件全面了解 （2）从哪里了解到的BI学习班、为何选择BI学习班 参加过帆软可视化比赛，得知bi学习班，并且发现近几年企业对bi的需求逐渐增加，学习bi对自己的职业提升很重要 2.学习经历 （1）工作闲暇时间抽空学习看视频，做作业，可能老师很热情，问题及时回复，不要等到最后再写作业，平时抓紧 （2）课程建议：整体课程比较好，老师都很认真，就是作业相对比较多，实操题有些不明确导致作业扣分，整体不错 3.学习成果 （1）个人成长 通过几周的学习掌握了如何数据清洗，联动时间筛选，地图下钻，各组件功能，模板整体布局规划，bi分析思路。留给我最深的内容是通过数据联动下钻可以逐步分析问题原因，找出问题出处，实现实时监测，这些以前都要手动来实现。 经过几周的学习已达到我的学习目标，接下来抽空考下FCBP。数据分析需要不断积累，不断学习新的知识与技术，感谢帆软给的这次学习机会、 （2）工作应用 通过学习利用finebi做了分析零售业某日负毛利额巨大原因： 分公司/门店负毛利分析：负毛利主要来自辽宁省、大连、黑龙江、吉林和河南分公司；其中辽宁分公司沈阳51店负毛利最高，大连分公司大连14店负毛利最高，黑龙江分公司哈尔滨2店负毛利最高，吉林分公司长春90店负毛利最高，河南分公司生鲜47店负毛利最高。 品类分析：负毛利主要来自水果、肉类和蔬菜；其中辽宁分公司肉类负毛利最多-2.31万元，大连分公司蔬菜负毛利最多-1.95万元，辽黑龙江分司肉类负毛利最多-1.42万元，吉林河南分公司水果负毛利最多分别为-2.31万元和1.57万元 商品分析：辽宁分公司沈阳51店长粒香大米负毛利最高-0.13万元，大连分公司大连12店蜜柚负毛利最高-0.23万元  ，黑龙江分公司哈尔滨2店樱桃负毛利最高-0.14万元  ，吉林分公司长春90店山西冬枣负毛利最高-0.24万元  ，  河南分公司生鲜47店 花牛负毛利最高-0.19万元。 建立模板后，监测常态化，通过对分公司、门店、品类和商品的毛利额异常监测，可以及时发现毛利异常商品，及时发现问题及时改正，防止损失。 4.小结 数据分析是一条漫长的路，需要不断积累经验，学习各种分析软件，随着数据越来越重要，尤其是在运营方面的数据分析，需要BI来实时监测来实现数据分析的准确性及及时性，避免重复的繁琐的报表工作，通过FineBI工具可提升数据分析和商用可视化报告能力。

恭喜本作品荣获“2021帆软BI可视化夏季挑战赛-最佳行业应用奖” 1、点击浏览：在线作品1、在线作品2 2、点击查看/编辑在线模板（完成问卷即可获取平台账号）   帆软专家点评： 内容详尽丰富，分析思路清晰明了，分析过程中涉及到了很多分析模型，图表应用和可视化能力都把握不错，基于做好的模板展开联动分析是加分。如果仪表板内可以在对应位置配合数据的解读就更好了。     一、选手简介1、选手介绍团队名称：无敌小拳拳队长介绍：文龙 ，帆软社区用户名：用户n2400942，之前做过电信行业、大数据行业和零售行业数据分析师；主要工作内容包含数据分析，数据产品研发，建立统计模型，设计零售业BI系统。成员介绍： 小李：零售业门店经理，零售业出身，对零售运营非常熟悉，这次比赛主要负责把控指标和整体看板在实际应用中是否合理与实用，前公司同事 文文：房地产业会计师，十余年的财务分析经验，有一定finebi基础，主要负责BI模板图表的整理及制作，前公司同事 2、参赛初衷 BI制作是每个数据分析师应掌握的技能，通过比赛实践提升BI工具的使用方法和技巧，了解更多相关知识 比赛中Finebi提供专家解答，这样能够更好地掌握finebi 充实自己，为工作做准备 伙伴们想证明一下自己，了解一下自己在零售业BI的实力 大赛奖励很诱人 二、作品介绍1、业务背景/需求痛点零售企业在日常的经营过程中，产生了大量的经营数据，这些数据包含了丰富的经营技巧和市场规律。传统分析方式通过报表或报告，只能一次性分析不能持续监测，既费时费力也不及时，还容易出错。BI不仅可以整合清理数据，还能对门店/集团运营进行实时的监测分析，既节省了人力也更具实效性和可执行性。本报告数据来自和鲸鱼公开数据，由于数据背景不详，这里假设是某商城的全国历年销售数据，销售方式通过当地销售人员销售，再通过邮寄方式邮寄给客户。假设企业想通过数据整合，自动提取与清理，可视化分析实现对整个公司的运营监测。同时建立可视化平台实时查看各核心指标完成情况，减少员工每日重复报表报告工作，并通过跳转和联动实现自主分析各指标存在的问题。2、数据来源自选数据：来自和鲸的公开数据 “商城超市向西销售数据”，原始数据字段包含：'行 ID', '订单 ID', '订单日期', '发货日期', '邮寄方式', '客户 ID', '客户名称', '细分', '城市', '省/自治区', '国家', '地区', '产品 ID', '类别', '子类别', '产品名称', '销售额', '数量', '折扣','利润'，共9959条数据。3、分析思路本团队有多年的零售经验，对零售业人货场各指标也有一定了解。结合之前工作中管理层提出的报表及报告需求，以及现有数据可提供的分析角度，最后大家决定通过日、月、年维度创建三个联动的运营监测平台，各组件间不但能够联动并且模板间也可跳转，这样模板不仅仅是一次性分析报告，而是一个可持续使用的运营监测平台，成为决策层不可缺少的辅助运营工具。共四个模板：三个运营监测分析模板包含业绩总览、区域业绩分布、近几日/月/年业绩趋势、订单及客户分析和品类分析。每个面板可以通过日期筛选选择想要分析的日、月或年，每个模板间也可以通过点击跳转实现日、月和年之间的转换，同时每个组件也可以通过联动查看单个维度的全部信息，区域分析中地图不但可以联动整个模板而且可以实现下钻到城市。一个会员分析模板，了解客户是零售业改善运营的重点，我们对会员（假定所有客户都是会员）也做了单独的监测分析模板。整体分析思路如下图所示：1452001452014、数据处理 基础表三个：商城详细销售数据-订单，商城详细销售数据-退货，商城详细销售数据-销售人员 外部表一个：各省市区县详细表（为了实现业绩地图，这部分花了很长时间处理数据还有自定义区域地图） 由于“商城详细销售数据-订单”中城市列含区县数据（异常数据），所以通过“各省市区县详细表”重新匹配城市列中的区县到所在城市，新的城市列名在“商城详细销售数据-订单”中为“城市改”。城市处理方法：由于商城数据截止到2018年，所以选择了2017年各省市区县详细表。通过“各省市区县详细表”中的“地区主键编号”、“行政地区编号”、“地区父ID”和“地区级别”（表1），把地区级别为3的和直辖市下地区级别为2的区县重新匹配到城市和省份（表2），再把表2中“地区名称”中的区、县、市字删除，最后和“商城详细销售数据-订单”中的城市列匹配，找出对应城市，为可视化的地图做准备表1145202表2145203自定义地图六个地区：通过多边形手动画制六个区域地图（希望finebi日后地理信息中加入区域，手动画制真的让人抓狂！） 145207 自助数据集五个： ①退货订单去重：去重“商城详细销售数据-退货”表数据②订单_合并表：整合“退货订单去重”、“商城详细销售数据_销售人员”和“商城详细销售数据_订单”表145208新增列“目标销售额”：目标销售额原则上需要更复杂的模型从整体到局部来设定，但本报告使用虚拟数据虚拟场景，为了简便随机生成了目标销售额，以便联动时目标跟着变（毛利额目标为销售额目标的10%）。145209145209新增列“价格区间”：把价格重新划分区间，分析客户购买习惯。145210③会员_高价格商品销售额：商品单价高于500元定义为高价格，为分析顾客对价格的敏感度145511④会员_折扣商品销售额：折扣率大于0的商品为折扣商品，为分析顾客对价格的敏感度145513⑤会员_RFM：创建RFM分类列，把客户分组，并且整合“会员_高价格商品销售额”和“会员_折扣商品销售额”，为进一步会员分析做准备1452191452185、可视化报告1)        日期筛选和跳转模板按钮：日期筛选：通过日期筛选，使用者可以直接筛选自己想看的日、月和年累计分析报告日期筛选指标跟着联动通过明细过滤实现 145220跳转模板按钮：通过右方按钮可以实现日、月和年分析报告之间的转换，方便使用者使用1452211452221452232)        业务总览：业务总览使用仪表盘和文本图展示，这样会让使用者清晰的看到整个公司各重点指标的运行情况；销售额和毛利额使用仪表盘，这样更能突出目标完成情况，同时加入了环比同比帮助分析业绩的好坏；同样所有指标都通过明细过滤联动时间过滤器分析结果举例：以2018年12月30日日累为例，销售额2.9万元完成率超过了95%，并且同比环比都大幅度增长，但毛利额仅610元完成率不到20%，同比环比增长也大幅下滑。通过业绩总览我们发现折扣金额（6千元）和负毛利额（负3千元）偏大，主要原因可能是年底大促销导致毛利额下降月累和年累结果与日累展示基本相同，后面不再展示与细说1452241452251452273)        区域业绩分析：区域业绩使用地图展示，把地区、省份和城市改拖入同一钻取目录并转换成地理角色。标签中加入销售额、销售额占比、毛利额和负毛利额，可以让使用者直观看到各区的业绩。提示中再加入同比和环比增长，便于使用者进一步分析。各区经理排行通过对比柱状图对比各区域负责人业绩，激励销售人员。 分析结果举例：以2018年12月30日日累为例，首先可以看出当日西南区无销售，华北地区销售额最高1.1万元，同比增长187.9%，其中河北占比最多70.1%。从业绩总览我们得知毛利额低并且负毛利额高，从地图中我们发现华东毛利额-1300元，并且负毛利额接近总负毛利额的一半，华东销售人员可能为了实现年底目标，降价促销。1452281452494)        近几日/月/年业绩趋势：业绩趋势用折线图和柱状图展现，通过明细过滤实现。145710分析结果举例：以2018年12月30日日累为例，当日销售额超过了平均值，但毛利额低于平均值，主要原因是负毛利额较高，远高于平均值。当日客流是近30日最大客流，但客单价远低于平均值，可能是促销所致。当日退货率不高，仅6%远低于平均值1452331452345)        订单及客户分析：整体分析顾客的消费特征，最右边按钮跳转至会员分析通过柱状图和折线图展示各价格区间内销售额及占比；通过饼图和分组柱状图展示客户喜好的邮寄方式；通过柱状图查看各类客户的消费金额，以及Top10客户是谁。分析结果举例：以2018年12月30日日累为例，当日有38.3%的销售额来自500-1000元商品，超过一半的订单以标准级的邮寄方式发货，其中销售额和订单最多的是消费者。前十名中大部分是消费者，消费金额最高的是公司类型的洪强。1452351457266)        会员分析：通过会员分类，对不同类别会员制定营销策略，精准营销 a)        RFM分析：通过矩形树图展示RFM各分类下用户数量及占比，饼图展示各类下销售额及占比，柱状图展示各类客均消费额排行。分析结果举例：通过下图可以看出一般挽留客户数量最多，占比21.1%；重要保持客户销售额最高，占比接近30%；客均销售额最高的是重要保持客户和重要价值客户，分别是4万元和3.9万元。145239b)        价格敏感度分析：通过波士顿矩阵分析客户对价格的敏感度（气泡大小展示销售额大小），饼图展现各象限下的销售额和会员数量。第一象限：高折扣高价格  第二象限：低折扣高价格  第三象限：高折扣低价格  第四象限：低折扣低价格分析结果举例：通过下图可以看出第二象限会员数占比最多的，接近40%，销售额占比超过50%。其次是第一象限，会员数占比22.4%，销售额占比25.8%。这两象限共同特点是对高价格商品不敏感，不同之处是第一象限喜欢折扣商品，第二象限对折扣不敏感。销售人员可以根据客户特征制定自己销售策略。145240c)        会员特征详情：分组表展示会员的主要特征，根据上面的分析结果直接筛选出想要的会员。1452417)        品类分析：通过矩形树图展示各品类业绩分布情况，饼图展示品类销售额按占比情况，分组表展示销售额Top10商品和退货商品。分析结果举例：以2018年12月30日日累为例，办公用品销售额最高1.2万元（42.6%），其中器具占办公用品最高59.6%。销售额前两名的产品分别是Hoover微波炉和三星信号增强器，分别为4313远和3189元。有三个产品出现退货，退货率分别为100%。1455178)        分析总结 2018年销售额超过5百万，目标完成率92.6%，近几年销售额在逐年增加，但负毛利额和退货率也在逐年增大，公司需要注意寻找具体原因改善运营。145603华东和中南俩地区销售份额占比超过50%，地区分布不均，需要加强其他地区的市场份额。超过一半的销售来自个人消费者，各类销售额分布比较平均。145674从每年的月度数据我们可以看出每年的1-4和7月份销售额偏低，需要进一步分析其原因，改善这几月销售可大幅度提升全年销售额。145730唤回重要保持客户是提高销售的一个不错选择，因为这类客户总销售额和客均消费都是最高，并且绝大部分重要保持客户在第一和第二象限，对价格不是很敏感。1457361457379)        页面布局   日累运营检测分析145272月累运营检测分析145271年累运营检测分析145273会员分析1452746、可视化自主分析流程举例举例说明如果通过监测模板实现自主分析自主分析案例1：日毛利额过低原因分析145243自主分析案例2：分析重要保持客户特征，唤醒召回客户145244现实中的案例要复杂的多，这里仅给读者一个思路，现实中需要结合业务数据摸索。视频介绍：Your browser does not support video tags.三、参赛总结1、FineBI工具 容易上手，制作比较简单 有些细节需要进一步完善，如：联动没有全选， 需要一个个点击；文本组件不能点击跳转等 模板多了运行较慢，对电脑要求可能很高 2、参赛总结 遇到的困难：        由于制作了日月年累计三张模板，并且每张模板都可以联动和跳转，所以制作起来比较繁琐       尤其是制作地图，手动绘制对应区域和清理数据花费了大量时间 Finebi帮助文档介绍很详细，微信群的解答也很及时，对我们的制作起了很大帮助。 通过接近一个月的团队合作，大家对零售业的可视化有了更进一步的认知 感谢队友的付出，大家都尽了最大努力创建模板，期间也问了他人建议，在这里再次感谢所有帮助过我们的人。同时也感谢finebi组织比赛，给我们一个合作的机会。 编辑于 2021-7-4 15:27