【2023第四届FineBI数据分析大赛】作品介绍 一、选手简介 1、团队介绍 · 团队名称：数据创客 · 队长介绍：帆软社区用户名柒悦，在数据分析领域拥有丰富的实战经验，能够熟练运用各种数据分析工具和技术，对数据挖掘和洞察有着独到的见解。希望能通过这次比赛，提高自身的数据可视化能力 · 成员介绍：帆软社区用户名姚曰莹，大数据开发专业的学生，正在学习和掌握最新的数据技术和工具。他们对于数据分析和数据挖掘充满热情，并且具备扎实的编程和数据处理能力。他们对于数据的敏感度和创新思维使得他们能够从不同的角度和维度去解读数据，为团队带来新的洞察和想法。 2、参赛初衷 · 我们参加Fine BI数据分析大赛的初衷是为了锻炼团队成员的数据分析能力，并通过实践掌握最新的数据分析方法和技巧。我们深知数据在现代企业中的重要性，相信通过此次比赛的参与，我们能够进一步提升自己的数据分析能力，并为企业带来更多的商业价值。 · 此外，我们还希望通过参赛，与其他数据分析领域的专业人士进行交流和学习，共同探讨数据分析领域的最佳实践和创新思路。我们相信通过与其他团队的竞争和合作，能够激发出更多的创意和灵感，提高我们的团队整体实力。 二、作品介绍 1、业务背景/需求痛点 · 业务背景：电商平台在美妆行业的市场份额不断增长；消费者对于美妆产品的需求呈现多元化和个性化趋势；线上线下融合成为美妆行业的发展趋势。分析了解美妆行业市场需求及市场概况 · 需求痛点：美妆行业市场分析需求痛点主要包括：市场竞争激烈，产品同质化严重；消费者对产品品质和安全性的关注度提高；线上线下渠道整合的挑战。 2、数据来源 · 企业数据：【类目大盘】数据源、【类目店铺排行】数据源、【类目商品排行】数据源、【店铺增长来源】数据源，敏感数据已做脱敏。 数据表 目的 【类目大盘】数据源 分析行业概况 【类目店铺排行】数据源 分析行业店铺格局 【类目商品排行】数据源 分析行业的产品结构 【店铺增长来源】数据源 分析店铺的流量来源 3、分析思路 （1）美妆行业市场分析：了解市场趋势、消费者需求和竞争格局，为美妆企业制定战略提供依据。 （2）店铺分析：评估店铺定位、活动、产品和服务质量等因素，以提升店铺形象和吸引力。 （3）商品分析：研究产品特点、品质、价格和销售数据，为企业优化产品组合和定价策略提供参考。 （4）店铺流量分析：分析顾客流量、购买习惯和转化率，帮助企业改进营销策略和提升销售效果。 以运营为导向的业务市场分析框架 从业务角度出发，销售额、访客数、支付转化率、客单价、UV价值为核心的关键指标，销售额=UV*转化率*客单价，分析销售额核心增长来源。 人-维度 货-维度 场-维度 4、数据处理 类目大盘增加核心数据字段   类目店铺排行对时间指标进行提取     5、可视化报告 三、参赛总结 1、FineBI工具 · 强大的数据分析功能：FineBI提供了一系列强大的数据分析功能，包括数据透视表、数据切片、数据过滤和排序等。用户可以轻松地对数据进行多维度分析和深入挖掘，发现数据中隐藏的模式和关联性。 · 高级分析功能不完善：FineBI在基础的数据分析功能上表现出色，但在一些高级分析功能方面可能存在不足。例如，对于复杂的统计分析、预测建模和机器学习算法等，FineBI的功能可能相对较弱。 2、参赛总结 · 通过参加Fine BI数据分析大赛，我们团队不仅提高了自身的数据分析能力，还与其他优秀的数据分析师进行了交流和学习，拓宽了自己的视野。我们将继续努力，不断提升自己的数据分析能力，为企业决策提供更加准确和有价值的数据支持。

学习初衷：觉得国内BI软件中Fine BI很适合日常工作与分析，这次的培训主要想提升自己的Fine BI技能，同时也了解到Fine BI这次比赛更加注重分析流程、分析价值与业务逻辑，所以想通过做BI的过程中，能提升自己的逻辑与分析能力。我相信，这是目前BI工程师与数据分析师的痛点，通过BI分析出更多业务中的痛点以及价值，这将是未来BI的主流方向。同时希望与更多FineBI大神交流学习，有更多的分析思维的激烈碰撞。 “这款应该是国内大家看到的比较多的数据分析工具，图表同样也很丰富，但是有一点，Finebi必须由理解业务的用户进行操作，才能对数据进行分析，否则很难进行分析。”我已经学完BI工程师从入门到精通课程，详情请看：BI工程师从入门到精通     学习经历：该课程的内容和时间安排我十分喜欢，内容很充实，视频教程+练习作业+作业辅导，像不像大学上课的感觉？时间安排较为自由，视频教程和练习作业可以根据自己的时间进行安排，直播作业辅导则是安排每周四晚上7点-9点，辅导作业老师也会录屏，次日早上就可以观看。在上课的5个周里，工作之余我以朝4晚12的状态看视频、做作业，艰难地跟随课程进度。这是一段比高考更让我感到紧张、专注的一段学习经历，也是自毕业以来让我感到能力被充实、自我被突破的一段人生经历。   我的学习计划大致是这样安排的：   周一：会把PPT和作业题目下载下来，带着作业去看视频； 周二-周三：上下班公交时间，采用1.5倍速度看完视频教程，关键知识点记下来； 周四：下班路上看上一周的作业讲解；然后把错题进行修改； 周五到周日晚上以及周六周日白天，安排做练习作业。 学习成果：开启BI进阶之路，在课程学习过程中，获得了很多，BI知识（数据建模、数据分析方法、数据分析报告等）等，最重要是学以致用。在课程学习中，刚学完管理驾驶舱的建立方法，我就跃跃欲试，想在自己的行业运用一下。通过课程学习到了最佳图表类型、颜色搭配一致性原则、仪表板设计布局原则（故事报告类）以及相关的作品细节完善，按照优秀的数据可视化作品原则，通过对毛利率下滑异常原因分析仪表板进行改进设计优化。   学习总结： 1、FineBI工具   FineBI极易上手，仅通过鼠标点击和拖拽即可完成分析。可以根据自身需求，轻松实现数据处理，探索式OLAP分析。在精准的数据权限管控下，确保数据安全，分析成果可及时分享。Spider引擎采用优秀的列式存储，具备快速计算能力和强大的数据压缩能力，支撑快速的数据分析。   2、学习总结   抱着学习的态度去培训，最后我想说：有很多人认为搞大数据很难，其实你只要找对方法，坚持下去，那就并不难，这是一个不断学习的过程，我的老师曾经对我们说过，机器学习就是一层窗户纸，捅破了，你就知道原来这么简单。  

一、自我介绍 1、社区用户 柒悦，数据运维及数据可视化开发人员，一个喜欢和数据打交道的茶树菇。通过大赛的交流同行业作品的接触，提升自己BI的可视化水平和分析水平，同时也了解BI在各行业数据业务落地上能做到什么样的地步！   2、参赛初衷 我想抓住每一个能锻炼自己的机会，既然走上了BI这条路，那么可视化分析是必不可少的，想通过比赛了解到自己的不足，以此更好成长。比赛丰厚的奖励，相比往届可视化大赛，这届春季挑战赛无论是奖项还是福利都准备的蛮到位的（希望帆软主办方继续保持这个好习惯）。这是帆软今年第一个大活动，作为和帆软已接触4年的我，不想因为错过，给自己留下遗憾。   二、作品介绍 1、业务背景 研究背景：研究2012至2015年间全球超市对办公用品、技术和家具三类产品的销售情况，分析2012年至2015年间产品的销售额和利润额等数据及各类产品销售情况，从中发现问题。为下一步生产计划提供有价值的建议。并且预测未来销售数据。   2、数据来源 自选数据：数据来源于网上，数据包括两个表一个是订单数据一个是销售人员数据，两个表以地区作为连接，字段包括行ID、订单ID、订购日期、装运日期、装运方式、客户ID、客户名称、细分市场、邮政编码 (Postal Code)、城市 (City)、省/市/自治区 (State/Province)、国家/地区 (Country)、地区、市场、产品ID、类别、子类别、产品名称、销售额、数量、折扣、利润、装运成本、订单优先级、销售人员。   3、分析思路   （1）销售分析 2015-2018年整体销售情况，2016-2019年超市的利润和销售额均逐年增长，且销售额的增幅逐年加大，2017和2018年利润分别同比增长26.6%和33.86%，2019年利润同比增长大幅下跌至7.86%。   （2）区域分析 各大区销售排名：华东和中南地区的销售额连续四年排名前两名，2019年华东和中南的销售额分别占总销售额的28.08%和26.08%。西北和西南地区销售额较差。   （3）帕累托分析 从销售额的帕累托图可以看出，该超市80%的销售额来源于33%的产品，建议重点关注这33%的产品。   （4）RFM分析 使用RFM模型对客户进行分类，R指的是客户最近一次订单距离数据中最近日期的天数，F指的是客户购买的数量，M指的是客户购买的销售额。计算出客户的R、F和M值后，根据如下打分规则进行打分。具体实际业务中，如何定义打分的范围，要根据具体的业务来灵活定，没有统一的标准。    数据模型：   （5）物流分析 该超市的邮寄方式有当日达、一级、二级和标准级四种，根据订单日期和发货日期字段计算发货天数，从箱型图可以看出： 当日发货存在一些发货天数为1的订单，可能是超过了当日的下单时间 ● 一级的发货天数为1-4天，50%的订单发货天数在1-2天 ● 二级的发货天数为1-5天，50%的订单发货天数在1-3天 ● 标准级的发货天数为3-7天，50%的订单发货天数在3-5天，标准级中存在异常点，可找出来分析原因       4、数据处理 （1）选择子集 根据要研究的问题选择需要的字段，不需要的字段利用隐藏功能将其隐藏。对于我们要研究的数据集，邮政编码是不需要的，可以选择隐藏此列数据。 （2）重命名列名 可以将列名修改成便于理解的名称，将数据中包含的单位删除后将单位在字段名称中显示 （3）删除重复值 Fixed 函数 —— 固定聚合维度{fixed A:countd(B)}，在维度A下对指标B进行去重，即可去除重复值计数。 （4）缺失值处理 缺失值处理的四种方法：通过人工手动补全、删除缺失的数据、用平均值代替缺失值、用统计模型计算出的值去代替缺失值 （5）一致化处理 同一字段的数据类型和内容要一致，否则会影响后续的分析。由于本文中不涉及此问题，所以没有相关的数据处理。数据清洗结束后就可以对数据进行分析了 （6）盒须图的制作 盒须图又叫箱线图，是一种常用的统计图形，用以显示数据的位置、分散程度、异常值等。箱线图主要包括6个统计量：下限、第一四分位数、中位数、第三四分位数、上限和异常值。通过绘制盒须图，观测数据在同类群体中的位置，可以知道哪些表现好，哪些表现差；比较四分位全距及线段的长短，可以看出哪些群体分散，哪些群体更集中。  第一四分位数：数据按照大小顺序排列，处于总观测数25%位置的数据 中位数：数据按照大小顺序排列，处于中间位置，即总观测数50%的数据。 第三四分位数：数据按照大小顺序排列，处于总观测数75%位置的数据为第三分位数 下限：第一四分位数 - 1.5 * IQR 上限：第三四分位数 + 1.5 * IQR 异常值：在上限和下限之外的数据 IQR：四分位全距，即第三四分位数与第一四分位数之差    可以通过构建盒须图分别对比销售额的分位值、上下限值在2015-2018年的变化趋势，从而能够很直观的发现销售额的变化规律。 Step1：将“订单日期”拖进行列功能区，“销售额”拖进行功能区 Step2：将“订单ID”拖进“标记卡 - 详细信息”进行解聚，然后在智能推荐区域选择盒须图     5、可视化报告 1、相关推荐：【可视化分析教程】如何让您的可视化作品更出色 ● 分析图片网址链接：https://unsplash.com/   ● 分析元素网址链接：https://www.iconfont.cn ● 网址配色网址链接:  https://coolors.co/   2、可视化制作领悟：颜色总体偏深色调布局，浅色系布局一直不好拿捏，后期再进行尝试，统一调整了字体和字号，让画面看起来更整齐美观，并在结论处对应指标做颜色标识，如代表好的指标为红色系，代表差的指标为绿色系，整个优化采取局部美化，完成时整体调优的方式。        3、终结果呈现的页面布局：部分作品展示（有些模糊，原图太大，放不进来，只能压缩，将就着看了，有兴趣的可以下载PDF看）     三、参赛总结 参赛感慨：deadline果然是第一生产力。道阻且长，行则将至，行而不辍，数据分析，未来可期。   经验分享：带着目的去分析，按照分析框架，循序渐进，去享受分析的过程。感谢帆软官方组织这次比赛，给了自己一个交流和挑战的机会，特别要赞的就是fineBI的帮助文档和培训视频都很全面，非常容易上手，希望帆软活动越来越丰富精彩。让我们执着于理想，纯粹于当下，燃烧自己的数据魂，走好自己的数据之路，加油，数据人！

一、自我介绍        1、社区用户：柒悦，数据运维及数据可视化开发人员，一个喜欢和数据打交道的茶树菇。     2、参赛初衷：通过大赛的交流同行业作品的接触，提升自己BI的可视化水平和分析水平，同时也了解BI在各行业数据业务落地上能做到什么样的地步！        二、作品介绍  1、案例背景某教育公司早年发展线下职业教育，已做到一定规模，有一定的群众基础。近年，互联网教育火热，公司积极互联网转型。而近期该公司遇到了一个问题，近期课程销量上升，但是计算出的毛利额却在下降。（1）教育行业营收转化模型        （2）线上教育产品有互联网产品都有的特点：即一次生产，可以无限次售卖。而售卖次数越多，每份产品分摊的成本也就越少。这时，即使保持单品售价不变，也能有效提高毛利额；所以，一般来说，提升课程的销量就能有效提高毛利额。         2、数据来源        某教育机构2020年1月-8月期间的经营情况数据数据脱敏可以参考：https://help.fanruan.com/finebi/doc-view-863.html数据处理用到的工具：FineBI+Excel+MySQL数据指标说明 a.统计周期：2020年1月2日至2020年8月31日。 b.销售额：指当日的课程销售总金额；在本项目与收入同理； c.支出：指渠道成本的总和，表示购买渠道推广的花费金额； d.毛利额：指商品销售产生的毛利总金额，毛利额 = 销售额 – 商品总成本； e.ROI：本项目中用的是ROAS的概念，即目标广告支出回报率，指的是每组广告花费能够带来多少收入。ROAS = 订单的价值 / 产生这些订单付出的广告费； f.报名人数转化率：指所有线索中转化为报名用户的比例，报名人数转化率 = 报名人数 / 线索数； g.线索成本：指单条线索的成本，线索成本 = 支出 / 线索数量；与平均线索成本同理； h.重要挽留客户：指最近一次消费较远且消费频率较低的客户； I.购买转化率：商品的被购买次数除以所有对商品的行为数； Z.线索数量：指渠道推广产生的线索的数量； K.线索：表示受到广告内容吸引，留下联系方式的人数； L.报名人数：表示该段时间内的所有线索最终报名的人数（线索成立时间之后的窗口期内产生的名）； M.窗口期：是指我们做一次投放后的结算周期；一般我们做项目结算不会让这个结算周期无限地大，常规的结算周期一般为两周。         3、分析思路        （1）问题确认与指标拆解（业务逻辑图）        a.确认毛利额数据异常的问题              b.提升毛利额的方案                 （2）实际方法应用           数据涨跌异动分析---问题拆解（逻辑树）   a.统计各月销量与毛利额并绘制折线图      从图示中查看是否为销量上升但利润额下降   b.计算各月毛利率与毛利率环比并绘制图形      从图示中查看是否为非正常波动   c.从渠道促销开始验证，统计各类型渠道的销量与毛利率并绘制象限图      从图示找到销量高但毛利率低的类型渠道   d.从渠道类型细化到具体渠道，同样统计各渠道的销量与毛利率并绘制象限图      从图示找到销量高但毛利率低或者毛利率极地的渠道         4、数据处理        （1）毛利额数据异常下降问题定位        通过月环比数据计算得知本月的毛利额下降并非普通数据波动，下降幅度高达32% ；通过逻辑树，我们将订单数据按照渠道类型和具体渠道细拆，使用关联矩阵分析找出销量和毛利率均低于平均值的渠道类型：免费渠道；并在免费渠道中细拆出销量和毛利率都低于平均值的渠道名称：站内广告位；我们仔细观察站内广告位的8月数据，发现异常问题是由于8月17日的大课促销引起的。                        （2）渠道排名---综合分析         a.对渠道4个关键指标通过优化矩阵进行权重划分      确定各指标的权重值          b.对渠道各指标进行0-1 标准化      消除量纲差异的影响          c.利用标准化后的指标与指标进行乘积求和计算各渠道的综合得分      利用综合得分对渠道进行排名                现有渠道最好的为站内广告位，最次的渠道位知乎KOL。但是由于投放广告涉及很多因素，如广告复投问题、文案更新问题、转化周期长短问题。后续的改进策略还需要进一步与营销部门商议。 （3）产品用户行为分析(漏斗分析）  a.做出漏斗分析   b.找到问题环节   c.分析问题环节原因   d.实验设计的环节   e.目标提升度的分析，改进后的结果估计可以提升多少毛利额。这部分需要写出具体的估算算法。上个分析有具体到各个渠道的分析，但是这个分析里没有渠道数据；是整体数据的分析；          漏斗分析结论：通过漏斗分析，发现转化漏斗中的留电环节转化率明显低于其他环节。之后，我们分析了预留联系方式环节的日志数据，发现用户等待时间过长问题。 146529        a.人工客服的平均用户等待时间过长 146351       b.需要后续ABtest得出相应结论 146352 （4）学员价值分析---RFM建模        a.我们在日活10万的小课人群中随机抽取0.3%的用户，通过RFM区分学员的等级                b.RFM分析法结果：拓展到10万小课学员中，计划给重要价值客户推送                 RFM模型分析可以参考：https://help.fanruan.com/finebi/doc-view-703.html?source=4        三、可视化报告1、相关推荐：【可视化分析教程】如何让您的可视化作品更出色 分析图片网址链接：https://unsplash.com/ 分析元素网址链接：https://www.iconfont.cn 网址配色网址链接: https://coolors.co/ 2、可视化制作领悟：颜色总体偏深色调布局，浅色系布局一直不好拿捏，后期再进行尝试，统一调整了字体和字号，让画面看起来更整齐美观，并在结论处对应指标做颜色标识，如代表好的指标为红色系，代表差的指标为绿色系，整个优化采取局部美化，完成时整体调优的方式。        3、终结果呈现的页面布局：部分作品展示（有些模糊，原图太大，放不进来，只能压缩，将就着看了，有兴趣的可以下载PDF看）                四、参赛总结        参赛感慨：deadline果然是第一生产力。道阻且长，行则将至，行而不辍，数据分析，未来可期。        经验分享：带着目的去分析，按照分析框架，循序渐进，去享受分析的过程。感谢帆软官方组织这次比赛，给了自己一个交流和挑战的机会，特别要赞的就是fineBI的帮助文档和培训视频都很全面，非常容易上手，希望帆软活动越来越丰富精彩。让我们执着于理想，纯粹于当下，燃烧自己的数据魂，走好自己的数据之路，加油，数据人！在线教育机构经营分析.pdf (2.02 M)