一、选手简介 1. 团队选手介绍 哈喽，大家好，我们来自伊利，是帆软的忠实用户，我们的团队叫：伊帆队 团队组成： Jeremy：技术出类拔萃兼具超高颜值，团队扛把子 Muee：智慧与颜值并存，团队脑力输出 Medroid：美学登峰造极智商高达180，BI美化全靠他 Kenny：聪敏好学，技术颜值智慧兼备，全能选手 2. 参赛初衷 我们的队员base全国各地，虽远隔千里，但亲如兄弟，在一条数据分析的道路上互相学习，共同进步。我们主要负责销售数据分析，在工作中我们经常给予上级决策支持、开发管理数据产品、总结提炼方法论、数字化工具应用推广等。 2021年公司引入FineBI，我们在需求中学习，在学习中使用，在使用中创造和输出成果。我们认为一切数据分析都需要基于业务思维与场景，分析结论或结果能够影响业务发展或提升业务效率。 BI作为可视化分析最重要的传播分享工具，具有非常重要的意义。我们利用FineBI做了很多分析工作，非常高兴能参与到第四届FineBI数据分析大赛，一方面我们希望借助比赛机遇，把握学习机会，在比赛中锻炼自己，提升自己；另一方面，我们基于实际需求场景，以业务为导向，利用专业的FineBI为公司开发了电商分销业务运营与风控平台，有效管控窜货、乱价等相关风险。 少年以梦为马，不负韶华，希望大家多多交流，给予建议与支持。 二、作品介绍 作品标题：《电商分销业务运营与风控平台》 1、背景、痛点及需求 1.1、背景概况 随着时代发展，公司积极拓展电商业务，开设经销商，销售高速增长，但在持续且快速的攻城略地过程中，产生了一些发展风险，需要更加精细化的数据运营管理进行管控。 1.2、问题分析 经销商数量快速扩张，经销商、店铺体系运营缺乏实时和高效率监测 电商分销业务销量波动大，存在经销商窜货问题，线下渠道秩序受到干扰 乱价问题时有发生，对公司、经销商盈利造成不利影响 公司销售投入产出缺少完整的专项评估分析平台 1.3、需求分析 我们利用RPA技术获取经销商店铺GMV数据，统筹进出货及费用相关数据进行全量分析，需要搭建分析平台，主要从以下三大模块开展： 整体运营概况分析与监测：为费用投入及管理提供数据分析支撑，常态监测体系健康发展 产品销售分析：从各维度分析产品销售对比，挖掘产品生意机会 风险识别与预警：监测动销、刷单、破价等异常指标，识别潜在风险，协助输出风控策略 2、分析框架 3、数据处理 3.1、数据源说明 财务部门TPM系统能获取我司与经销商合作相关的费用投入详细数据 公司ERP系统获取经销商进货数据 EDI系统作为技术合作实现方式，从经销商的电商店铺定期获取GMV出货数据 说明：财务费用数据，经销商进货数据，EDI项目获取的经销商店铺GMV，需要做数据清洗、聚合、关联等处理才能方便BI可视化分析 3.2、指标及口径说明 指标名称 数据源口径 说明 经销商数量 EDI 与厂家合作的经销商个数 电商店铺数量 EDI 经销商在电商平台开设的授权销售厂家产品店铺数 进货量 ERP 经销商从厂家进货数量 进货额 ERP 经销商从厂家进货金额 出货量 ERP 经销商通过授权电商店铺卖给消费者数量 出货额 EDI 经销商通过授权电商店铺卖给消费者金额 退货量 EDI 消费者申请退货数量 订单数量 EDI 所有店铺产生的销售订单数量 订单均销量 EDI 出货量/订单数量（用于监测分析订单） 平均价格 EDI 出货额/出货量 退货率 EDI 退货量/出货量 销售费用 TPM 厂家投入的销售费用（投给经销商/消费者） 销售费率 TPM 销售费用/进货额 经销商毛利率 TPM/EDI/ERP测算 （出货额-进货额-销售费用）/出货额（用于监测分析经销商毛利状况） 重点产品 ERP/EDI 厂家划定的部分产品 重点产品占比 ERP/EDI 重点产品进货额/总进货额 X产品 ERP/EDI 厂家划定的部分产品 X产品占比 ERP/EDI X产品进货额/总进货额 新品 ERP/EDI 厂家划定的部分产品 新品占比 ERP/EDI 新品产品进货额/总进货额 出货进货比 ERP/EDI 出货量/进货量（用于监测分析进出货平衡及风险） 订单销量 EDI 每一个订单对应的销量（用于监测分析订单异常） 实际售价 EDI 店铺销售价格（消费者到手价，用于分析监测价格是否异常） 3.3、多数据源逻辑关联、ETL及SQL处理 ① 数据整体结构：进货ERP数据、投入TPM数据、EDI电商销售GMV数据，三大数据源分别以经销商为单位聚合用于概况分析；细化SKU层面聚合用于产品销售分析；GMV明细订单层面用于风险识别与预警分析 ② EDI数据抓取与清洗ETL RPA实现EDI月度500万行体量数据抓取与清洗：通过影刀开发RPA流程，从EDI平台提取GMV数据并完成清洗，FTP数据入湖。 ③ SQL多数据源连接处理 SQL存储ERP进货、EDI出货、TPM费用标准数据源、经销商维度、产品维度等多数据源，通过SQL实现用于BI分析的多个数据聚合，为BI可视化准备数据源 3.4、FineBI数据集及字段处理 FineBI处理数据源字段 SQL完成基本的数据源处理后，利用帆软处理指标及增加计算列等，完善BI分析所需数据源的最后处理： 4、可视化报告 4.1、报表及图形选取框架 利用多维数据聚合分析，从三大模块做分析报表体系，在实际中结合经营过程需求分别分析问题，支撑决策、干预经营从而促进电商渠道长久健康发展 4.2、各模块可视化报表及实现 ①模块一：概况分析与监测结构及实现 概览分析：通过客户数、店铺数、销量、价格、订单、退货、毛利等指标常态化通过各类指标监测电商体系运营情况及趋势 体系运营监测：分销售区域监测客户数、进出货比、店铺数、活跃及销售 卖力、价格、临期品、退货监测：分销售区域、客户监测订单、均价、大日期、毛利等情况 客户盈利监测：分销售区域监测进货、出货、投入的费用费率、毛利情况 投入产出费率监测：费率为重点，单独报表分地域、时间监测投入产出及变化情况 ②模块二：产品销售分析结构及实现 概览分析：基于EDI电商销售数据，筛选所需日期及整体/分业务单元数据，从各维度挖掘生意机会辅助和支撑电商销售运营 渠道维度分析：挖掘电商相对于线下占比更高的产品，属于电商渠道优势产品，重点发展。 平台维度分析：平台销售产品的占比分析，看到不同平台背后消费者的消费偏好，为厂商在不同平台产品发展策略提供数据支撑 业务单元维度分析：分业务单元产品销售占比及变化，业务单元产品发展指引 新品发展分析：重点围绕销售渠道、平台、业务单元的新品销售占比分析，挖掘新品发展的薄弱环节，支撑运营改善 重点产品发展分析：左边按照产品占比降序排列，点击对应产品名称，右边绘制产品的正常日期、大日期产品，分业务单元、平台的销售价格，重点监控破价的地区和渠道。 ③模块三：业务风险识别与预警结构及实现 风险指标概况：动销、刷单、破价指标整体分业务单元概况 结案风险分析：累计出货/累计进货指标，如果高于100%，可能存在多结案获取公司费用风险 动销风险分析：当月出货/当月进货指标，当月出货/进货>200%或≤50%，单位均为提数。理想状态下出货提数与进货提数应该基本相等，过大或过小均有潜在动销问题。如果长期的出货远小于进货，可能存在窜货的风险，出货/进货过大的可能出现刷单的风险，特别是有订单件数、但没有订单金额的，可能出现刷空单的违规行为。 刷单风险分析：单笔订单提数>50定义为大单，出现大单的认为存在刷单风险，通常刷单风险与破价风险关联，单笔提数过大的可能价格非常低。 破价风险：实际售价< (规定售价-5元)定义为本单破价，参考客户组口径考虑到5元优惠券给出一定折扣空间，但是EDI所有SKU平均价格低于电商价盘，存在大量破价问题。 如果经销商同时存在动销风险、刷单风险、破价风险，则需要重点关注。除此之外，其他风险指标还有费用率和窜货次数等可以综合考量。 4.3、可视化报告案例解析 FineBI完成可视化平台搭建，分别从概况监测、产品销售分析、风险识别与预警模块形成体系，依靠本平台每月实现常规运营监测、产品销售机会挖掘、风险识别预警，以下为实践案例之一： 4.3.1、动销比监测与风险分析案例：通过BI看板在常态化的概况监测中识别动销异常，风险分析下钻找到具体风险来源，结合业务场景识别风险、分析风险、策略优化、解决风险，支撑电商体系健康长久发展 ① 2022年9月，我们完成平台搭建，2022年12月月度常态指标监测，发现整体出货/进货动销指标异常，8-12月累计出货/进货比XXX% ②风险识别下钻分析：我们从区域动销比值维度对比，各销售大区存在出货高于进货的情况，这说明8-12月指标异常属于普遍现象 ③我们再从时间维度查看，发现高出货/进货比出现在11-12月特别异常，11-12月涉及年底，结案费用政策节点，指标异常代表可能出现一定业务层面的问题 ④我们结合业务层面维度分析，通常库存在半个月-1个月属于正常范围，此处出货大于进货异常，这其中可能存在假出库获取补贴风险。 ⑤我们通过风险分析BI看板继续下钻分析，客户层面也出现指标异常，再通过订单异常分析发现了一些高销售量订单的情况，下图从经销商和订单层面排名分析印证结论： ⑥依据数据分析结果，我们应该如何解决问题，接下来从三个方向解决了此类问题，方向一是全国统一调整了费用策略；方向二是强化常态分析监理手段，通过FineBI平台月度常态监测分析；方向三是开发结案核算工具模型，通过自动对接进货量，解决了核算问题 下图为风险常态化监测分析月报，常态监测分析风险并输出排名 下图为结案核算工具图（自动核算应结案金额，避免人为修改进货量问题） 6、实现价值 6.1、数据资产发挥价值，运营管理更加真实、清晰、透明。①运营监测指标：活跃客户数、店铺数、进货数、出货数、订单数、平均订单数、平均价格、退回率、经销商毛利率等10+指标，可按分月、分大区、分平台、分产品维度查询；②进出货及费率：监测费用率、贡献度、大日期占比、平均价格区域间对比及走势；③.产品机会：关注产品结构、新品占比、临期品占比、渠道优势产品、SKU平均价格；④.风险预警3个指标：进出货比例严重失衡、大于50提的大单、低于标准活动价。 6.2、2022年8月项目投产后，进出货差异率降低至4.6%，同比下降14.7%，较上线前下降33.8%，产品流向数据真实监测，窜货行为得到明显改善。 6.3、FineBI平台常态化监测发现的问题，触发了数字化结案核算工具的开发，原来客户手工收集数据、发起结案，调整为区域统一核算结案，平均结案周期由2个月缩短至1个月，最快9天，人工成本节约50%以上。 三、参赛总结 我们团队基于实际电商体系运营监测与风险识别预警分析需求，利用FineBI搭建分析监测平台，打通电商分销业务数据分析链路，进行常态化运营监测与风险识别预警，借用本次比赛也再度复盘了我们整个项目，主要有以下感悟： ①通过比赛我们复盘工作，在运用中思考，在思考中学习，在学习中将FineBI工具与业务实际需求结合。平台解决了业务管理痛点，也学到了更多专业技能，这使我们在以后的工作中如虎添翼，数据分析更加得心应手 ②我们团队作为公司内部帆软应用的主力先锋，本次比赛为我们提供了一次更好的推广机会，助力体系数字化赋能 ③本次我们借帆软6.0新版本对公司平台进行升级，提供更多解决数据分析问题的方法，提升效率的同时，无形之中助力了公司的数字化进程 ④革命尚未成功，壮士仍需努力，学习之路没有尽头，“学而不思则罔、思而不学则殆“，未来我们将继续与FineBI一同成长，与我们企业一共成长，掌握更新的技能，利用优秀的工具，为公司发展贡献一腔热血与激情 ⑤少年以手相牵，不负青春；以梦为马，不负韶华；一起加油、一起进步、一起学习、一起收获！

一、选手简介 1、选手介绍 个人介绍：帆软社区用户名大山里的茉莉，男，目前就职于亚洲知名的乳制品快消品公司；目前在液态奶销售部从事数据分析主管一职，商业分析（Business Analytic）专业毕业，目前也在与香港大学商业分析专业合作研究算法项目，乐于与各界交流学习。   2、参赛初衷 为落实集团在领导力峰会上关于加速数字化转型的重要指示，我司数字化部门于2021年开始引进帆软，面向各部门相关领域的业务人员，全面推广使用帆软。借助本次帆软数据分析竞赛活动，集竞赛、培训、交流于一体，旨在帮助自身以及相关人员提升数据分析技能。   二、作品介绍 1、业务背景/需求痛点 业务背景： 所在销售部的产品经销商体系庞大，主要KPI是产品的销售额。日常工作是借助数据分析进行风险预警、机会挖掘与效率提升。 需求痛点： 产品部门亟需对产品的销售情况进行跟踪分析，包括分析产品卡位、挖掘机会产品、追踪窜货产品、监控产品市场份额、制定决胜计划等。   2、数据来源 全部为企业数据：应用了产品销售的每笔记录，包括我司卖给经销商的进货额以及终端门店卖给消费者的POS销售数据。由于数据总量上亿行，本次采用对数据库进行自助数据集整合的方式，导出数据量较小的Excel作为参赛数据源，对客户名称、地区分类，以及销售额等所有数值进行了脱敏。   3、分析思路 数据产品开发五步法： 需求调研：深入调研需求，清晰明确使用用户、应用场景、业务痛点； 方法论提炼：与用户一起通过切片分析、个案分析等方法提炼总结方法论； 数据准备：收集、整理、清洗数据； 模型搭建：选择合适的分析工具或平台进行建模，进行数据产品开发； 推广应用：对数据产品使用方法、操作流程向用户进行讲解，确保可投入生产环境应用； 因此，本次作品以业务为导向，所有结论均服务于业务。   4、数据处理 关联分析是本作品中数据处理最复杂的部分。由于业务数据量过大，无法使用“去重计数”的方法，因此改用销量左右合并的方法计算置信度、支持度和提升度。 通过产品之间的连线颜色深浅代表关联强弱，采用了雷达图与流向地图结合的方法，整个数据处理的步骤比较多。   5、可视化报告 （1）采用典型的驾驶舱排版布局，深蓝色未来科技风； （2）由于实际应用的数据量过大，如果一页长图则会导致页面加载时间过久，严重影响用户的耐心和体验，因此采用TAB组件轮播与仪表板跳转的组合应用的横屏模式（跳转链接仅适用于公司内网平台），也结合了联动钻取效果； （4）动画效果拉满。 （5）通过分析可得出以下结论：监控各产品/地区销售达成与增长情况、通过产品关联制定组合营销方案、通过窜货路径及时进行风险防控、通过RFM判定客户价值、制定市场份额计划，等等。