FineBI在8月份迎来了V6.1.2版本的更新。 本次更新不仅新增了一些实用的函数，还对组件进行了美化，同时优化了过滤组件的默认值设置。 诸多超实用功能等你来体验，赶快一睹为快吧！

大家好！上次我跟大家分享了一些FineBI中的隐藏函数，没想到反响热烈！好多粉丝朋友纷纷表示这些函数太实用了，还希望我能再分享一些隐藏函数的内容。看在大家这么热情的份上，今天我就以图文并茂的方式，再次为大家带来几个超级实用的隐藏函数！ 注意：以下隐藏函数仅限抽取模式下使用。     01 Numerical function 数值函数     ROUNDDOWN函数和ROUNDUP函数都和ROUND函数功能相似，那不同之处在哪里呢？ Roundup函数：始终向上舍入数字，也就是不管舍去的首位数字是否大于4，都会向前进1； Rounddown函数：靠近零值，向下舍入数字。 ROUNDUP函数   我们在FineBI中让num_digits有大于0，等于0，小于0三种情况出现，然后用ROUNDUP函数对销售额_万字段分别求值； （图中四位小数是故意展示出来方便大家观察数据进位情况,下同。）   可以看到在这三种情况下，无论舍去的首位数字是否大于4，都会向上进1。 需要注意的是，ROUNDUP函数中的num_digits参数并非必须 ，省略参数依然可以完成数据进位，此时会从小数位向整数位进1，保留整数。   ROUNDDOWN函数   接下来，我们在FineBI中让num_digits有大于0，等于0，小于0三种情况出现，然后用ROUNDDOWN函数对销售额_万 字段分别求值；   可以看到在这三种情况下，无论舍去的首位数字是否大于4，这时我们可以看到值始终都是向下舍入的。 和ROUNDUP函数一样，ROUNDDOWN函数中的num_digits参数并非必须 ，省略参数依然可以完成数据进位，此时数据会舍弃小数位，保留整数部分。   以上这两个数值函数在我们的日常工作中会频繁使用。例如，在处理快递物流时，对于不足一公斤的包裹按一公斤计算，这正是ROUNDUP函数的用武之地。又如，在我最近进行商品数据核算时，需要将数值向下取整，此时ROUNDDOWN函数便派上了用场。   02 Text function 文本函数   CNMONEY函数   在中国式报表和分析报告中，我们常常会看到大写的货币格式。如果有一天你需要在报表中展示大写的人民币，不妨试试CNMONEY函数，它能让这个过程变得轻而易举。使用这个函数，你就可以轻松地将数字转换为大写人民币，既专业又美观，绝对是报表制作的小帮手！   ENMONEY函数   在处理财务报表时，有时需要将金额数字转换成英文。为此，ENMONEY函数无疑是最佳选择。这个函数可以将表中的金额数字直接转换成英文的表达方式，极大地方便了国际化需求和英文报表的制作。   ENMONEY函数特别适合以下几种情况： 跨国公司财务报表：需要将财务数据转换成英文，以便国际分支机构和外部审计人员阅读。 学术论文：在撰写涉及财务数据的英文论文时，可以直接引用英文金额。 合同与协议：在国际合同中明确金额，避免因语言翻译引起的误解。   03 Array  function 数组函数   RANGE函数   在FineBI里，我们很少提到数组的概念，大部分内容都是围绕时间、文本和数值处理的。不过，这并不意味着FineBI里的数组函数不重要。 之前我写过一篇文章，详细介绍了如何生成日期序列。如果你感兴趣，可以去看看那篇文章，我利用了RANGE函数来生成完整的年月日数据序列，效果还是挺不错的 比如说，你有一组数据，里面有开始时间和结束时间，还有这段时间总共用了多少时间的用时。如果你想把这些时间段拆分成每一天，那么就可以用RANGE函数来生成一个完整的日期序列。当然，光靠RANGE函数是不够的，你还得结合其他函数一起用，但RANGE函数在这里头的作用可是关键的，这一点是毋庸置疑的。 REPLACE(REPLACE(range(${用时}),"","")   RANGE函数还有其他有趣的用法，大家可以自由探索，在这里就不一一举例。 INARRAY函数   INARRAY函数在我们需要对文本数据进行过滤、查找及验证判断时，具有很高的实用价值。 例如我们如果需要在一组不是很规范的数据中查找或验证是否完全存在我们要查找的文本数据，就可以利用INARRAY函数来实现它。 inarray("华南",) 上述函数得到的结果为0，即表示不存在完全一样的文本记录，而这正是Find函数不能取代的，通过对比可以发现，如果用Find函数，结果是大于0，即表示要查找的文本是存在的。 Find("华南",) INARRAY函数还有更多的应用价值，如：权限和访问控制、客户关系管理、合规和审计等。 UNIQUEARRAY函数   UNIQUEARRAY函数，顾名思义，就是用来给数组里的元素去重的，最后得到的是一个没有重复元素的数组。简单来说，就是把一组数据清理一下。 举个例子，有一组数据，每个客户对应多个不同的服务品牌。如果你想把这些品牌去重整理一下再展示出来，就可以用UNIQUEARRAY函数来搞定。 UNIQUEARRAY(${意向品牌},${约考察品牌},${实地考察品牌},${签约品牌})   EVAL函数虽然帮我们把品牌去重了，但它就像是刚学会走路的小孩，还不太会收拾玩具，结果展示的时候不仅带上了数组的中括号，还顺手多画了几个逗号。这都是因为有些品牌是空值，空值在数组里默认也要露个脸。如果你想只看到干净利落的品牌名字，不想要那些杂七杂八的符号，那就得请出另外一个隐藏函数来帮忙了（这里用到另外一个隐藏函数joinarray，我们下期再详细拆解）。 REPLACE(SUBSTITUTE(joinarray(sortarray(UNIQUEARRAY()),",")," ,","",1)," ","") 可以发现，不管你怎么折腾，UNIQUEARRAY函数始终是不可或缺的函数。可见其实用价值。   04 Other functions 其他函数   EVAL函数   有时候，为了让数据更易读，我们可能会保存一些字段的计算公式。如果你需要在FineBI中直接算出这些公式的结果，可以用EVAL函数很方便地来实现这个操作。 EVAL(${计算公式}) EVAL函数在处理数据和转换数据时，简直就是个超级实用的小能手，你可得把它牢牢记住哦！ INDEX函数   想像一下，INDEX函数就像是你在超市里找零食的好帮手。告诉它你想要的零食名字，如果这零食藏在货架上，它就能快速告诉你在哪一排。没找到？没关系，INDEX函数就会告诉你，这超市一共有多少种零食，就像是安慰你说：“虽然没有你想要的，但是还有一大堆其他选择呢！"   也就是说INDEX函数可以用来返回要查找内容在众多参数中的位置，如果存在，就返回正确的序号，如果不存在就返回所有参数数量（包括key参数）。     发挥一下你的想象力，INDEX还有哪些用途？比如是不是可以对指定数据在纵向字段上的排名情况查询呢？   以上就是本期关于FineBI隐藏函数的分享，更多内容，期待下期继续！！！   为助你将这些数据处理经验、技巧精华融入业务，特在帆软官网视频课推出系统化的《FineBI6.1:业财融合实战进阶课》，课程引用真实零售快销公司数据作为案例，涵盖多种数据分析模型、方法、技巧、经验，助力思维跃升。 立即报名，开启学习之旅！

                 今日忽闻演员郑佩佩离世，心中顿时感到无比惋惜。这位银幕上的不朽女侠，就这样静静地告别了我们。她留下的是一部部经典的影视作品，带给我们无尽的回忆和感动。         为了向这位银幕女侠致以最深的敬意，我特心用FineBI绘制了一张她人生大事记的图表。让我们一同透过这张图表，回顾并共同见证她那辉煌而充满光彩的一生。 在动手制作图表之前，我细心地整理并准备了用于制作大事记图的详尽数据表格。现在，让我们一同踏上这段旅程，亲眼见证大事记图表从无到有的完整制作过程。 在数据上传之前，我们需要对数据首行和末行添加一个空白行，用来模拟大事记图中间连线的延长部分，需要注意的是，时间字段需要分别添加不同的空格符，而不是留空，如下图： 在这里，我们可以跳过数据上传的部分，相信大家对这个操作已经非常熟悉了。接下来，我们将重点放在添加一个名为“方向”的计算字段上。这一步骤的关键在于，它将用于生成大事记图中每个事件的连接线。 特别需要注意的是：对于时间字段没有内容的记录，我们无需生成连接线。因此，在这种情况下，“方向”字段应保持为空。通过这一设置，我们可以确保每个事件的连接线都能够准确地呈现在图表中。 IF(LEN(TRIM(${时间}))=0,null,MOD(${序号},2)=0,1,-1)   接下来，我们将添加一个名为“中间线”的计算字段，并为其赋予一个固定值：0。这一步骤的目的非常明确——通过在大事记图中的0坐标处生成一条长长的连线，相信大家已经明白了这个字段的重要性。这个连线将成为图表中连接各个事件的纽带，使整个大事记图更加直观和连贯。 现在，我们进入组件制作的关键环节。首先，我们需要选择图表类型为“自定义图表”，这一选择将为我们的大事记图打下基础。接着，我们将时间字段放置在图表的横轴上，这样可以让时间线一目了然。同时，将方向字段置于图表的纵轴上，以确保每个事件的连接线能够正确显示。 为了使图表更加清晰，我们还需要将时间字段和事件字段放置在图表的标签栏上，这样每个事件都能被准确标识。但这还不是全部，为了确保图表上的时间顺序正确无误，我们需要将序号字段放入过滤器中。通过这一设置，我们可以在横轴上按照序号字段对时间字段进行排序，从而确保大事记图的时间线是按照正确的顺序排列的。这样一来，我们的图表既美观又容易理解。 接下来我们要分几个步骤来对当前的大事记图表做一些细化设置，首先一步要做的就是对方向字段生成的柱子做一些调整，现在有些粗而且过高了，我们可以通过设置柱形图的大小，调整柱宽为：10左右，如果觉得柱子过高，可通过设置纵轴上的方向字段，在其设置值轴中调整最大值和间隔值为：5 左右； 然后第二步，我们将中间线字段放到纵轴上，设置图形类形为折线；设置线形为：虚线，并选择：有标记点。 第三步，我们将为大事记图添加一个简头标记，以使图表更具可读性和美观性。我们可以通过标签显示特殊符号的方法来实现这一点。具体来说，我们需要添加一个计算字段，用于判断序号是否为最后一个（即18）。如果是，则为其添加一个特殊符号：➤；如果不是，则保持为空。以下是具体的公式： IF(${郑佩佩生涯_序号}=18,"➤",null)   第四步，我们将进行一系列细致的操作，以进一步完善大事记图的细节。首先，我们需要复制一个中间线字段，并改名为：中间线2，并设置其指标条件为：序号等于18。 接下来，我们将这个“中间线2”字段放置在图表的纵轴上，并将其图表类型设置为“点图”。为了在这个点上只显示标签，不显示图形，我们将点的大小设置为0，这样它将不会在图表中显示为一个实际的点，而是作为一个标记存在。 最后，我们将箭头标记字段放置在此字段的标签栏上，并设置标签的字号为24，颜色为黑色。通过这些细致的调整，大事记图将更加清晰地展示出关键事件，便于理解。 第五步，我们将对大事记图表进行进一步的细化调整，以提升其专业性和用户体验。首先，我们可以选择隐藏纵轴上的轴标签和轴标题，这样可以使图表看起来更加简洁，避免不必要的视觉干扰。同时，我们也会隐藏横轴上的时间字段的轴标签，确保图表的焦点集中在事件本身上（如下图）。 接下来，我们将对纵轴上的方向字段的标签栏进行个性化设置。我们可以自定义文本颜色，并对其进行加粗处理，以增强这些标签的可读性和视觉效果。此外，我们还在提示栏中额外添加了一个“事件详情”字段，这样当用户将鼠标悬停在某个事件上时，提示栏将显示“时间”、“事件”以及“事件详情”三个字段的信息，以展示更全面的事件背景（如下图）。 最后一步，我们要对图表进行一些精细的美化处理，以达到画龙点睛的效果。具体来说，我们将隐藏图表中的网格线、轴线、分隔线以及图例。这一操作可以使图表看起来更加简洁明了，不仅提升了视觉美感，还能更好地突出核心信息。通过这些调整，图表将变得更加清晰易读，为整体内容增色不少。 最终，我们的图表呈现效果如下。在欣赏这份精心制作的图表之际，我们不禁想起了陈佩佩老师。她曾为我们带来了一系列经典的影视作品，充满了无尽的魅力和感动。陈佩佩老师的才华和贡献将永远铭刻在我们心中，怀念她的同时，我们也深深感恩她给我们留下的宝贵记忆。   为助你将这些可视化精华融入业务，特在帆软官网视频课推出系统化的《FineBI6.1:业财融合实战进阶课 - 视频课 - 帆软学院 (fanruan.com)》，课程引用真实零售快销公司数据作为案例，涵盖多种数据分析模型、方法、技巧、经验，助力思维跃升。 立即报名，开启学习之旅！！  

🏖️盛夏时节，阳光如火🔥，愿你心中荡漾着欢乐与清凉🧊，享受这美丽的夏日时光😎。 今日，上海的气温高达37℃，尽管相较于前几日的酷热略有缓和，但依旧保持着令人难以忽视的高温。在这样的气候条件下，小剑真想寻求片刻的休憩。然而，我意识到，作为一名知识分享者，我应当利用自身的专业所长，为广大求知者提供更多的实用信息，以确保他们能够在学习的道路上更加顺畅无阻。 案例介绍 在今日的分享中，我将向大家介绍一项FineBI数据处理的高效技巧——如何在数据集中自动生成完整日期序列。以2024年为例，该技巧能够快速生成从2024年1月1日至12月31日的所有日期，极大地简化了数据准备工作。在数据分析的工作中，完整日期序列作为关键的分析维度，其重要性不言而喻。特别是在预算执行分析和预算预测分析等场景下，这一数据元素能够发挥其独特的价值。通过精确的日期序列，分析师能够细致地追踪预算的实际执行情况，并对未来的预算趋势进行科学预测。 或许有观点认为，在Excel中手动创建日期序列同样便捷。然而，Excel操作依赖于人工输入，且需频繁上传更新，这在数据分析领域中属于重复性劳动，不仅耗时且易出错。因此，我们应当追求自动化解决方案，以提升数据分析工作的效率和准确性。通过FineBI的这一功能，我们能够确保数据处理的流畅性和高效性，从而为后续的分析工作奠定坚实基础。 实操演示 我们首先第一步需要准备一份详细的销售数据集。这一步骤的核心目的是从庞大的销售流水记录中提取出日期信息，并进一步确定每个日期所对应的年份。随后，基于这些年份信息，我们可以运用FineBI，来生成相应年份的完整日期序列。 第二步的操作至关重要。我们需要从销售流水数据中精确地提取出最早时间和最晚时间。这一步骤不仅简单明了，而且极为关键，因为它为我们确定了销售流水表的时间范围，即日期的跨度。 第三步（接下来的每一步都非常关键，一定不要跳过），我们将依据从销售流水数据中提取的最早和最晚时间，构建一个完整的年份序列。以图示为例，若最早时间为2019年9月24日，最晚时间为2023年1月24日，那么我们生成的年份序列将精确地涵盖2019年至2023年，即：2019、2020、2021、2022、2023。 这一步我们使用到了一个隐藏函数：range。此函数在FineBI函数列表并没有明确展示的介绍，但是却非常有用。 range(YEAR(${最早时间}),YEAR(${最晚时间}),1) 相关隐藏函数的介绍请翻阅我的另外一篇文章：FineBI中的秘密函数，只需1秒便开挂，提升数据分析效率！     第四步是对前一步骤所生成的日期序列数组进行细致的格式化处理。具体操作上，我们需要对数组进行精简，即去除其外围的中括号。这一任务可以通过replace函数高效完成，确保日期序列以更加简洁和规范的形式展现。 REPLACE(REPLACE(${年份序列},"","") 第五步的操作尤为关键，它涉及一个可能被忽视但却功能强大的技术——行列拆分。尽管这一功能在日常数据处理中不常被提及，但它的实用性不容小觑。 通过以下简洁的5步操作，我们可以将前一步骤中生成的年份扩展值，按照逗号分隔符，精确地分配到每一行中。这一过程不仅展示了数据处理的精细技巧，也体现了在数据分析中对细节的重视和把控。通过这样的操作，数据的可读性和可用性得到了显著提升，为后续的深入分析和决策支持提供了坚实的基础。 第六步的操作是对月份数据进行细致的构建与拆分。这一步骤借鉴了前述对年份处理的方法，展现了数据分析中的连贯性和逻辑性。 首先，我们生成一个从1至12的月份序列，接着，我们去除序列值中的中括号。最后，通过拆分行列的操作，我们将数据按照逗号分隔符精确地分配到不同的行中，这一过程如下面三个图所示，清晰地展示了数据处理的精细步骤。 月份序列： range(1,12,1) 月份扩展： REPLACE(REPLACE(${月份序列},"","") 第七步聚焦于日维度的序列生成与拆分，这一步骤延续了前两步的逻辑。基于前两步所得到的年份序列和月份序列，我们生成对应年月的完整日数据序列。随后，我们去除序列中的中括号。最终，通过拆分操作，我们将这些日数据精确地分配到每一行中，从而实现年、月、日的完整扩展。 在这一步中，我们将使用到隐藏函数：range和dateinmonth,字符替换函数:replace,日期函数:date 和 day。 日序列： range(DAY(DATE(${年份扩展-拆分行结果},${月份扩展-拆分行结果},"01")),DAY(dateinmonth(DATE(${年份扩展-拆分行结果},${月份扩展-拆分行结果},"01"),-1)),1) 日扩展： REPLACE(REPLACE(${日序列},"","") 第八步，这一步就是将上面扩展后的年、月、日组装成日期即可。这一步骤虽然看似简单，却是确保数据完整性和可用性的关键一环。 DATE(${年份扩展-拆分行结果},${月份扩展-拆分行结果},${日扩展-拆分行结果}) 第九步，也就是我们的最后一步，我们只需要将前面几个辅助字段隐藏保留日期字段即可。   结果验证 至此，我们已经完成了从年份到每日数据的全面扩展。为了确保每一步操作的准确无误，我们进行了一次简单的验证。 通过检查日期数据的最早和最晚日期，我们能够确认数据的完整性和时间跨度。此外，统计各年份的天数，如下图所示，不仅验证了数据的一致性，也展示了数据处理的细致入微。这些简单的验证步骤，如同数据分析的守护者，确保了我们的数据在后续应用中的可靠性和准确性。   总结 通过一个简明易懂的实际案例，我们不仅掌握了FineBI工具的使用技巧，还深入理解了函数的综合应用。这一过程不仅提升了我们的操作技能，更为数据分析带来了全新的视角，让分析工作变得高效而流畅，如同顺水推舟般自然。 那么，你是否已经掌握了这些技巧呢？让我们一起将理论转化为实践，让数据分析成为你手中的利器，轻松应对各种挑战。 为助你将这些分析理论精华融入业务，特在帆软官网视频课推出系统化的《FineBI6.1:业财融合实战进阶课 - 视频课 - 帆软学院 (fanruan.com)》，课程引用真实零售快销公司数据作为案例，涵盖多种数据分析模型、方法、技巧、经验，助力思维跃升。 立即报名，开启学习之旅！

在数据分析的世界里，几乎每本书籍、每篇教程、每个文章，都会郑重其事地提到一个神秘的准则——MECE。 这个准则，仿佛成了数据领域的“圣杯”，让人趋之若鹜。 然而，MECE究竟为何物？ 它为何如此重要？ 我的数据分析是否真的遵循了MECE原则？ 等等这些一大堆问号等待着有人可以解答。今天，就让我们揭开MECE的神秘面纱，一探究竟。 01 什么是MECE? MECE，这个词汇本身听起来就有些抽象，让人不禁好奇：它究竟意味着什么？ 其实，MECE是“Mutually  Exclusive,  Collectively  Exhaustive”的缩写，中文意为“相互独立，完全穷尽”。这八个字，凝聚了数据分析的核心智慧。 这不仅仅是数据分析的黄金法则，更是洞察事物的有力工具。 然而，实践起来并非易事。让我用一个生活中的小故事来说明这一点： 在我们的项目组里，有个可爱的妹纸小张。最近，似乎迟到成了她的家常便饭。上个月，她竟然创下了迟到15天的纪录！我们都知道，偶尔迟到两三天，HR可能不会过于追究，但一个月迟到15天，这可就有些过分了。 面对领导的询问，小张泪眼婆娑地提出了她的困惑： “项目组里好多人都在迟到，为什么只针对我呢？” “最近梅雨季节，堵车堵得水泄不通，这也不是我能控制的。”  “项目临近上线，加班到深夜是常有的事。”  “前一天加班到很晚，第二天晚一点到有什么关系。” 问题来了：面对这样的情景，我们该如何深入分析，找出问题的真正症结呢？ 首先，我们要保持冷静，用MECE的原则来审视问题。这意味着我们要确保分析的角度既相互独立，又完全穷尽。我们不能忽略任何一个可能的原因，也不能让原因之间相互重叠。 想象一下，我们就像是在解一道复杂的谜题，每个线索都可能是关键。我们可能会发现，迟到的原因并非单一，而是多种因素交织在一起。或许是工作压力导致的焦虑，或许是通勤路线的不合理，甚至可能是生活习惯的问题。 在这个过程中，我们的语气不再是冷漠的质问，而是充满了同理心的倾听。我们的情绪也不再是简单的指责，而是真诚的帮助。我们不仅仅要做个数据分析的专家，更是做一个理解人性的艺术家。 通过这样细致入微的分析，我们不仅能够找出迟到的原因，更能够为雨萱提供实质性的帮助，让她重新找回与时间的和谐共处。而这，正是MECE原则在生活中的魅力所在。 02 不用MECE的后果 可能有人这时候会准备好一张清单，上面记录着各种迟到的原因：堵车、下雨、项目上线、加班、自己的懒惰，还有那个模糊的“其他”。 你信心满满地开始分析，却发现——这些原因如同交织的线团，让人剪不断理还乱。 堵车加上下雨，似乎总是一对难兄难弟。加班与项目上线，也总是形影不离，仿佛它们的存在就是为了考验我们的极限。 而懒惰，哦，懒惰这个狡猾的家伙，它似乎与所有问题都有着千丝万缕的联系。 当你发现这些原因相互交织时，是不是感到一阵迷茫？是不是想要上网搜索《多因素独立检验模型如何构建》，或者急匆匆地在微信群里寻找那些数据分析的大佬，希望他们能为你指点迷津？ 这正是没有遵循MECE法则拆解问题的悲哀：数据分析失去了逻辑的支撑，变成了单纯的拉交叉表。多少新手分析师，在遇到问题时，习惯性地将渠道、时间、产品、用户等维度拉出来，与问题指标一一交叉。他们看到某个柱子偏低，便急匆匆地将其定为罪魁祸首。然而，当多种原因交织在一起时，他们却无法给出一个令人信服的答案。 03 MECE如何执行？ 1. MECE第一步：确定目标 别忘了，现实生活中就是各种因素纠缠交错在一起的。如何巧妙地梳理这团乱麻，其实关键在于决策的初衷：是想严阵以待，还是给予宽容？我们首先要搞清楚：是想勇敢地“怼人”一把，还是温柔地“帮人”一把？ 如果你选择了“怼人”模式，那么抱歉，这将是一个严格的要求。任何一点个人因素的掺杂，都可能成为问题症结的导火索。 而当你选择“帮人”模式时，你会在问题中发现那些隐藏的外部因素，巧妙地用它们来解释，从而减轻了个人的负担。 明确了目标，在多因素交织的迷雾中，你能够把握好尺度，避免思路的偏移，径直冲向问题的核心。 2. MECE第二步：分步骤梳理问题 我们得意识到，“相互独立，完全穷尽”这并非一蹴而就的过程。达成相互独立、完全穷尽的状态，是经过层层递进的思考与剖析后才能实现的。这个过程，需要我们耐心地、一步步地挖掘问题的本质，而不是急于求成，企图一次性揭示所有原因。 在每一层原因的分解过程中，运用二分法，是最为高效的方法。它不仅能帮助我们实现相互独立、完全穷尽的要求，还能让我们的分析逻辑更加清晰。不过，要注意的是，尽管分析问题的逻辑层次可以非常丰富，但每一层所使用的指标应尽量简洁明了，以便于我们更好地把握问题的核心。 举例来说，假如我们设定了这样一个大目标：帮助他人评估是否因为工作量过大而疲惫不堪。 在分解问题的第一层，我们可以采用二分法，将问题划分为“加班”与“未加班”两大类。这种分类方式无疑是独立+穷尽的，因为它将所有可能性都涵盖在内。接着，我们可以将所有前一日有加班记录的日期，统一标记为“有加班”（如下图）。 那么第二层，我们可以巧妙地将集体加班与孤独一人加班区别开来。这不就是又一个典型的二分类问题嘛！不过，请各位注意，在这个层次上，我们依然坚守着独立+穷尽的原则，不放过任何一个细节（如下图）。 第三层, 个人加班情况，这往往可能是因为工作量超负荷所致，因此，这一层面可以进一步细化。 需要注意的是，分析的终极目标是为了引领业务改进，所以分析思路必须聚焦于业务实际可行的层面。 比如说，在拆解这一项逻辑时，若忽视了天气这一因素，那么我们的分析便脱离了实际。 工作量的分配，领导可以灵活地安排和调整，而“法不责众” 也是领导层可以理解的。在探讨业务的能动性时，我们应尽量避免涉及那些无法控制的变量。直接导向一个切实可行的业务结论，岂不更好？ 否则，一开始就大谈天气，最终得出的结论竟是“请领导学习如何呼风唤雨的魔法”，这无疑是自讨苦吃。 同理，当我们着手分解第二个逻辑分支，已经明确了大目标——帮助他人时，我们便可以使用“下雨了，全城堵车”这样的理由来解释某些现象。但请注意，这里隐藏着一个小小的技巧：选择一个可以量化的维度。 比如，“下雨了，全城堵车”，这听起来似乎是个合理的解释，然而： 该如何量化“下雨”？ 是小雨、大雨，还是暴雨？ 小雨是否也会导致堵车？ 堵车是否就意味着所有人都会迟到？   这些问题的答案都不是那么容易量化的。 因此，我们可以转换一下思路，将“下雨了，全城堵车”这一模糊的表述，转化为一个更具体的量化指标：“大家是否都迟到了”。这样一来，我们只需查看实际迟到情况的数据，便能清晰地了解到这一因素对业务的影响（如下图所示）。 3. MECE第三步：将数据具体化并加以量化表达 在数据分析的领域中，若忽视了数据本身，那便如同空谈理论，毫无根据。当我们确定了分类逻辑之后，便需要一丝不苟地将数据按照逻辑填入，让数据来说话。 将数据代入分析后，我们首先要关注的，便是各类问题的占比。问题比例本身，在很大程度上，已经揭示了问题的真相。这也正是运用MECE法拆解问题的独到之处：它让我们避免陷入个别例子的误导，而是让大家聚焦于数据，共同倾听数字背后的故事（如下图所示）。 4. MECE第四步：提炼业务结论 终于，我们来到了业务结论的提炼时刻。这个结论，其实是我们对一系列数据的深刻洞察和细腻解读的结果。它涵盖了两个关键维度：   一方面，是对整体结构进行的精准判断。我们不禁要问：小妹纸的拖延，是出于主观的懒惰，还是受到了客观因素的困扰？这个问题的答案，往往隐藏在数据背后的细节之中。 另一方面，则是对每一个细化问题点的微观分析。我们深入探讨，每一个小结论背后，究竟是需要我们细致辅导的工作，还是可以适度放松，给予更多自主空间的选择。 在完成这些推断之后，我们还能够直接设定一系列观察指标，以持续跟踪问题的动态变化。 让我们具体来看看这些观察指标： 数量上的变化：迟到的天数是否有所减少。这个数字的波动，是我们工作成效最直观的体现。 结构上的变化：是否是因为客观原因导致的迟到天数在减少。这背后，可能隐藏着更深层次的原因，比如公司制度的调整，或是工作环境的改善。 细化问题上的变化：由于工作分配不当导致的加班天数，在调整工作量后是否有所减少。这个变化，不仅反映了我们对工作流程的优化，更是对员工幸福感的提升。   通过对逻辑分析、业务行动的执行以及数据的持续跟踪，我们能够清楚地识别问题是否在数据的指导下得到解决，进而实现数据驱动的良好效果。 04 MECE效能的阻碍因素 数据分析师面临的最大挑战通常源于：对业务缺乏理解，缺乏业务沟通能力，以及未能有效推动业务发展。 在做数据分析时，我们不妨用“写作业”的心态。我们面对着那些熟悉的数据库，那些熟悉的表维度。 每一个数据点，每一个维度，都蕴含着丰富的信息和故事。当我开始逐一对比这些数据时，哪个数据偏低，哪个数据异常，这背后往往隐藏着值得我们深思的问题。 我们不能再简单地说“哪个低了就说哪个有问题”。这样的判断过于武断，忽略了数据之间的复杂关系。相反，我们应该用更加细腻和全面的视角去审视这些数据。 对于业务方来说，最大的挑战是：独立行动和忽视数据；一些人对于个案分析津津乐道，讲述得绘声绘色，但当谈及如何将这些分析量化，如何通过数据来衡量成效时，却往往缄口不言。更有甚者，他们直接将问题上升到“态度”层面，使得考核和量化变得更为遥不可及。 实际上，数据分析的魅力之一，就是能够有效对抗业务发展过程中个案和情绪所导致的判断偏差。它不是空中楼阁，而是脚踏实地的工作。我们需要做的，是深入业务逻辑的肌理，明确我们的目标，然后一步步地、精准地推提炼可行的解决方案，直至我们能够对结果进行有效的监控和管理。这样的过程，就像是在浓雾中点亮了一盏明灯，指引我们走向清晰和光明。 数据分析，不只是一项技能，更是一种对抗混乱、追求真理的坚持。它让我们在繁杂的业务中，找到量化的路径，使得每一个决策都有据可依，每一个成果都可追溯。这样的旅程，虽然充满了挑战，却也饱含着发现的喜悦和对未来的期待。 为助你将这些理论精华融入业务，特在帆软官网视频课推出系统化的《FineBI6.1:业财融合实战进阶课 - 视频课 - 帆软学院 (fanruan.com)》，课程引用真实零售快销公司数据作为案例，涵盖多种数据分析模型、方法、技巧、经验，助力思维跃升。 立即报名，开启学习之旅！

近期，我们注意到FineBI的学习社群中，关于自定义动态列查询的讨论热度攀升。在翻阅论坛的回答后，我发现大部分回复要么表示“无法实现”，要么认为“仅支持单列的动态查询”。这种观点，我曾经也深信不疑。 然而，事实并非一成不变。虽然FineBI官方并未提供标准的动态列查询功能，但这并不意味着我们无法实现这一需求。只需稍作思考，换一个角度，你会发现，实现多列自定义动态查询其实并不复杂，甚至可以说是简单易行。 让我们一起打破传统思维的束缚，探索FineBI的无限可能。多列自定义动态查询，不再是难题，而是我们掌握FineBI高级应用技能的起点。 准备数据 现在假设我们有这样一个表格数据。首先，让我们对这张表格的结构进行细致分析。观察表格的前几列，我们会注意到，这些维度列中有一部分是完全相同的，而另一部分则是部分重复。在表格的右侧，则排列着若干代表不同的业务指标字段。这种数据布局为我们进行灵活的动态列查询与展示提供了得天独厚的条件。 实操演示   第一步，我们将上面的数据上传至FineBI中，这一上传过程相当直观简便，为了不分散大家的注意力，此处不再详细展开。对于刚开始接触FineBI的新手朋友们，不妨回顾一下我往期文章中的教程，那里有详尽的步骤指导，定能助您一臂之力。 接下来第二步，我们将迈入数据处理的关键环节：将表格中的数值型字段进行巧妙的列转行操作。这一步骤不仅是对数据进行重新布局，更是为了开启一个全新的数据分析视角。 为何要进行列转行？   这一操作的奥秘在于，它能够帮助我们快速锁定并筛选出关键的指标字段。当数据从列的形式转变为行时，原本分散的信息将变得集中，指标字段的筛选和整理变得更加直观和便捷。这样的转换，不仅为我们的动态查询铺平了道路，更为后续的深度分析和决策提供了强有力的支持。在此过程中，我们不仅提升了数据的可用性，更赋予了数据新的生命力和价值。 第三步，我们就来到了组件制作部分，们将运用交叉表独特的列维度优势，巧妙地将之前完成的列转行操作后的指标字段，再次以列的形式进行展示。这一创新性的操作不仅保留了原有字段直观清晰的展示效果，还赋予了字段动态筛选的便捷性，让数据分析更加灵活高效。     经过一番精心的准备，我们已经来到了至关重要的一步，这一步操作异常简单，因为在此之前，我们已经对整体思路进行了详尽的梳理和规划。现在，只需依照以下示意图中的几个关键步骤，轻松添加三个过滤组件，您就可以实现多字段的动态筛选功能了。 让我们一探究竟，看看如何轻松完成这一任务： 【操作步骤解析】 首先点击上方的“过滤组件”按钮。 然后选择“文本下拉”，进入编辑界面。 接下来，根据需要分别添加三个不同的过滤组件。 最后，确认设置无误，点击“确定”即可。   就这样，几个简单的操作，就能让您的多字段动态筛选功能焕然一新。让我们一起见证这一变化的诞生吧！   成果展示   探索的旅程就此开启，各位小伙伴们，不妨大胆尝试，发掘其中的奥妙。你会发现，即便是那些看似复杂的操作，其实只需轻轻一点，就能轻松驾驭，简单得让人惊喜不已！   以上技巧看似枯燥，实则实用。为助你将这些精华融入业务，特推出系统化的《FineBI6.1:业财融合实战进阶课  - 帆软学院 (fanruan.com)》。 课程涵盖数据分析模型、方法、技巧、经验，助力思维跃升。立即报名，开启学习之旅！    

数据分析时代，折线图是我们的得力助手，而累计值的计算更是我们洞察数据趋势的关键。今天，我们就聚焦在FineBI折线图的累计值问题上一探究竟。折线图，作为数据可视化的经典手段，其普及程度不言而喻；累计值的概念，大家也早已烂熟于心。然而，你是否曾在处理折线图的累计值时，遭遇过令人困惑的错误呢？本期内容，我们将揭秘折线图累计值处理中一个极易出现的错误场景，助你规避陷阱，精准把握数据脉动。   让我们先准备好一些用于复现场景的基础数据：   区域 订单年份 销售收入(万) 东区 2019 26.62 2020 1,792.07 2021 3,586.91 2022 6,989.24 2023 556.16 北区 2019 28.34 2020 820.92 2021 2,138.61 2022 4,150.46 2023 316.76 南区 2019 61.83 2020 1,046.24 2021 3,337.23 2022 6,591.96 2023 512.86 西区 2019 31.26 2020 481.94 2021 1,024.87 2022 1,962.01 2023 161.14 借助FineBI的图表工具，我们旨在呈现一幅详尽的折线图，通过区域分组的方式，直观地揭示各区域销售收入的动态变化。在这幅图表中，横轴将逐年展开，清晰展示各年份的时间序列；而纵轴则专门设计为展示销售收入的逐年累积情况，让您能够轻松捕捉每个区域在不同时间节点的累计销售成果，洞悉市场走势，优化决策策略。 在接下来的内容中，我们将深入探索实际操作流程，并探讨其中可能遇到的问题。首先，让我们采用标准的操作步骤，以区域为单位，逐年累加销售收入，进行一次详细的数据分析。 实战演练开始：数据导入FineBI 首先，我们要进行的数据上传至FineBI的操作相对简单，因此这里不做过多赘述。上传完成后的界面如下所示，直观且易于理解： 分区核算：按区域逐年累计销售收入 接下来，让我们一起跟随下方的示意图，轻松完成几个步骤，首先制作一个表格，精确地计算出不同区域销售收入的按年累计数值。这个表格的构建，将为我们的折线图数据验证打下坚实的基础，确保图表的准确性与可靠性。 跟着我的步伐来到折线图制作部分，在这一环节，您将体验到制作折线图的简便之处。您可以轻松创建一个新的折线图表，或者选择复制上方表格组件，并将图表类型调整为折线图。在此，我采用了复制组件的策略，演变出了如下这幅清晰的折线图表供您参考：     在这一环节，我们将对销售收入这一核心数据进行一次视觉转换。具体操作为：将销售收入字段从折线图的主体中移除，保留其在各个分组中的累积数值，并在折线图的图形属性中添加一个“销售收入的组内累计值”标签。在此调整后，您会注意到，折线图所反映的销售收入累计值与表格中的累计数据惊人地一致，二者似乎并无差异。然而，关于折线图累计值可能存在的问题，我们还需耐心分析。别急，后续内容将为您一一揭晓。 折线图的难题：累计值一不小心就会计算错误 在探讨数据可视化技巧时，我们常会遇到一些棘手的问题。比如，当我们巧妙地将区域信息融入颜色栏，以色彩划分不同区域，而非在横轴上直观展示这些区域维度时，一个隐蔽的难题便随之而来：销售收入的累计值往往会计算失误。无论是采用组内累计的方式，还是常规的累计计算法，得出的结果都未必准确，令人颇感困惑。 在面对上述问题时，无论是采用常规指标快速计算方法，还是利用快速计算函数acc_sum，结果都出现了偏差，导致计算结果不准确。分析原因是：在折线图中，颜色栏是区别于表格的独特设计。它不仅美化了图表，更赋予了我们一种直观区分数据维度的方法。借助颜色栏，我们能够在不增加横轴负担的情况下，轻松识别各维度的数据。这一巧妙的处理，恰恰凸显了折线图与表格组件在横轴维度处理上的本质区别，进而也导致了两者在计算结果上的常常会出现微妙差异。 大师支招：DEF分析函数的巧妙运用可轻松破解难题 那么，如何巧妙地解决这一棘手问题呢？随着FineBI升级至6.0版本，一款名为DEF的分析函数应运而生，它为我们提供了一种轻松化解这一难题的方案。 运用DEF分析函数对累计销售收入进行精准分析，不仅操作简便，而且效果显著。以下是具体的计算公式演示： DEF(SUM_AGG(${图表累计_销售收入(万)}),,)   将计算好的字段放在折线图中，我们观察一下效果,发现此时销售收入累计值已经按区域为分组，并且按订单时间的年份正确累计了。     总结： 在变幻莫测的数据分析舞台上，灵活运用多元化的数据处理策略，是每位数据分析师的核心素养。能否在错综复杂的场景中游刃有余，彰显的正是各位在日常点滴中积累的工具运用、技巧掌握与分析思维的深度与广度。 一句话：

🚀🌈你是否在为处理非常规格式数据而烦恼? 🌈🚀 FineBI与Excel, 谁才是你的数据处理救星? 让我们一探究竟! 更多数据加工和数据处理方案，我都录在帆软学院视频课里了，感兴趣的同学可以报名学习：FineBI6.1:业财融合实战进阶课 - 视频课 - 帆软学院 (fanruan.com)

今日高考启幕，愿莘莘学子们笔下生花，心中有梦，一路顺风，金榜题名。加油！ 今天小剑的心情是也满满的快乐气泡，开心的泡泡里就冒出了创意的小灵光！我迫不及待想要和大家分享几个FineBI数据处理的小妙招，重头戏是如何给数据集中的重复数据来个优雅的“消失”魔术！ 让我们来快速预览一下“去重三部曲”，希望你们能爱上这些小技巧！ 首先登场的是“重复侦测器”——只需一键，就能将那些影分身的数据一网打尽！ 紧随其后的是“净化术”——一键施法，不仅能祛除重复数据，还能按照你的意愿选择保留第一份或最新版的记录，保证你的数据集始终保持最佳状态。 然后是“标记大师”——这个咒语无视版本限制，能让你灵活地标记并清除那些不速之客。 大家准备好了吗？让我们一起动手，把这些技巧变成我们数据整理的利剑！🗡✨ 我为大家精心准备一份测试数据，公众号发送“重复数据”即可领取，也可从公众号消息窗口，点击“进群交流”。 好啦，让我们正式开始吧，首先，我们将准备好的数据上传至FineBI的分析主题中，操作非常简单，就像下图这样： 准备好迎接第一招“重复侦测器”了吗？让我们一起揭开数据集中的秘密，找出那些完全重复的数据小精灵。 听起来是不是有点像魔法？但别担心，操作起来就像吹蜡烛一样简单，轻松又愉快！🔍✨ 好的，让我们现在开始一场激动人心的数据集大揭秘！首先咱们得在数据集的最右侧加入一个神秘的魔法阵——“分组汇总”。别着急，这里有个小窍门：不要一根筋地一个字段一个字段去拖，太慢啦！就像打开宝箱的快捷键一样，点击数据集的第一个字段，然后按住Shift再点最后一个字段，唰！所有字段就齐刷刷地进入“分组”栏中红色的圈圈这里了。 接下来，就像选出最闪亮的明星一样，单独挑出一个字段，比如说“订单时间”，把它送到“汇总”栏上。在汇总方式中，记得选择“记录个数”——就像正确的魔咒一样，选对了才能点亮魔法。咱们一起来，让数据跳出来告诉我们它的秘密吧！🎩✨ 此时可以看到我们汇总的这个字段值，是不是有点小激动呢？如果你发现里面有些数字超过了1，恭喜你，这就像是发现了隐藏的宝藏，意味着这条数据有着相同的兄弟姐妹，完全重复的记录呀！如果没有，那这条数据就像是独一无二的雪花，独特而没有重复。这样一探究竟，是不是感觉自己变成了数据侦探呢？🔍✨   小贴士：如果想知道还有哪些数据重复，此时增加一步，对刚才新增的的这个字段，做一次倒序排序 ，这样所有发生重复的记录就优先展示了哦。 好的，各位小伙伴们，系好安全带，准备迎接第二招——“净化术”的华丽展示！这个招数简单得就像变魔术一样，一挥手，所有的重复数据就消失不见了！请跟随我的步伐，在下图两个红色标记的地方——“删除重复行”。选中所有的字段，轻轻一点“确定”，嘭！所有的重复记录就像被施了咒语一样，烟消云散。简直不能更简单，是不是感觉自己就像个数据界的魔法师了呢？🎩🌟     哦，等等，还没完呢！“净化术”其实还藏着一点小小的魔法哦！想知道是什么吗？它可以聪明地帮你挑选并丢弃那些你不再需要的重复数据。比如说，如果你想保留按日期排序的最早记录，你只需在施展“净化术”之前，将数据按你喜欢的方式整理好序。这样一来，当你释放我们的魔法时，只有每组重复数据中最顶端的那一条会被保留下来。是不是觉得太神奇了？就这么轻松，还能这样玩！🎉📅 如果你心中还有那么一丝丝的疑问，想确认我们的“净化术”是否真的把那些狡猾的重复数据赶尽杀绝了，那就再次施展我们的神秘第一招——“重复侦测器”吧！再一次把那些字段排排坐，让我们的小魔法重新上场。这下，只要一瞥记录数的变化，就能立刻知晓重复数据有没有彻底告辞。如同魔术一般，一切尽在掌握之中！🕵️✨   介绍完了“净化术”，它虽然很强大，但是对于6.0版本之前的小伙伴们却望而却步，怎么办？不用担心，接下来这一招“标记大师”才是终极操作。它的实现原理是，先将你所要展示的数据顺序编上序号，这样重复的数据必然会有：1,2,3,……这样的序号出现 ，此时，我们只需要增加一个过滤条件，筛选这个序号为：1,即可完美解决。 好，让我们把目光移回“净化术”。没错，它确实是一个强大的功能，但如果你还停留在6.0版本之前，可能会感觉有点手足无措，那该怎么是好呢？别急，接下来我要揭晓的“标记大师”技巧，才是你的终极秘密武器！ 想象一下，你是一位艺术大师，手中的数据就像是一幅需要编号的杰作。把你要展示的数据按指定顺序排排坐，重复的数据会被赋予这样的序号，给它们编上：1, 2, 3, ……如此这般，然后，就像在画布上巧妙地添加一笔，我们简单添加一个过滤条件，只挑选序号为“1”的数据。这样一来，问题就被完美解决了，就像画家大师完成了他的杰作一样。简单，优雅，而又不失巧妙！🎨👌 准备好了吗？让我们一起揭开“标记大师”神秘的面纱，为那些还在使用老版本的小伙伴们带来一线光明！我们将采用一种古老而有效的方法，首先，创造一个神奇的辅助列“flag”，这一列的魔法数字全都是：1。   接下来，我们要施展一个小小的魔法——“新增汇总列”。选择你想要去重的字段，然后对我们的“辅助列”进行一次累计操作。告诉你个小秘密，你还可以根据特定的字段进行排序累计，这简直是智能又方便！ 这样一来，我们就能为重复数据赋予独特的编号了。只要数据一重复，序号就会跳出“1”的束缚，展现出大于1的数字。是不是感觉像是在玩一场数字游戏，既有趣又高效？🎲📊 现在来到了最激动人心的揭秘环节！接下来这一步千万别忽略哦。点击一下我们刚才操作得到的“重复编号”字段的表头，这里有个小技巧要展示给你。在筛选选项中，我们只选择那些值为“1”的记录，然后轻轻地点一下"确定"。 这个动作不仅帮我们检验了前面操作的成果，还顺带完成了数据的精准过滤。看吧，当一切尘埃落定，你会发现，那些烦人的重复数据已经一条也不剩了！是不是觉得既简单又超级实用？就这么轻松，我们已经清理得干干净净啦！🎉👍     瞧，就这么轻轻松松，带着一颗充满愉悦的心，我们优雅地甩掉了工作中的那些小烦恼。 朋友们，你们在使用FineBI时还遇到什么小挑战呢？快来评论区分享你的故事，让我们一起变困惑为清晰，把问题化为答案！🌟💬

来看看这个小巧玲珑的滑珠图（Bead Plot），它就像是魔术师一样，可以把数据的分布和模式变得有趣而生动。这个小工具有着一大堆应用场景，比如在数据分布分析、分类数据可视化、时间序列分析、探索性数据分析（EDA）还有对比分析等领域，都能大放异彩。 滑珠图的魅力在于它的直观和易读性，可以将那些看似复杂难懂的数据分布，变得简单易懂，就像阅读一本好书一样轻松。当我们谈论数据可视化和分析时，滑珠图就像是万金油，广泛应用于各种需要展示和比较数据分布的场合。 准备好了吗？接下来，让我们一起看几个滑珠图的例子，让这些小珠珠带你领略数据的魅力吧： 咱们来弄一份原始数据先，挑个简单的就好，只要能看出来数据之间的小差别就行。 分公司 Q1费用 Q2费用 ty-1 895 1200 ty-2 710 1100 ty-3 832.4 895.3 ty-4 881 700.8 ty-5 560 766.7 ty-6 500 787 ty-7 482 734 ty-8 608.2 409 ty-9 604.8 390 ty-10 476.2 411 ty-11 341.5 476.2 ty-12 317.65 561.6 ty-13 275 522.6 ty-14 249.75 534.9 ty-15 222.6 471.5 ty-16 215.4 406.6 ty-17 416.2 145.9   好啦，现在咱们正式开始啦，先把数据上传至FineBI分析主题里去。具体怎么操作？嘿，这部分我就跳过啦，对于那些已经熟读基础教程的小伙伴们来说，这点操作小菜一碟。 接下来，只需简单地弄两步数据处理： 第一步，我们来添个“最大值”列。这一招其实就是在所有数据里找到最大的那个，然后再稍微往上加一把，为了图个方便，我直接把它设置成了1500； 第二步，加个“序号”列。这步没啥花哨的，主要是为了接下来给分公司字段排个序。 就这么轻轻松松两步，我们的数据就准备得差不多啦！ 接下来是滑珠图可视化的精彩部分，眼睛睁大点，精彩不容错过！首先，咱们得挑一个自定义图表来开始这场视觉盛宴。按照指引一步步来： 首先，第一步，把最大值设置为“柱形图”； 接着，第二步，把另外两个字段变更为“点”图； 然后，第三步，给柱形图颜色设为：透明色，边框则选用淡黑色，这一操作是为了使这个柱子变成滑珠图的滑杆效果； 再然后，第四步，把三个字段的图形透明度都调到100%，因为点图默认可能会有点透明。 就这样，一步步把数据变成艺术，你准备好了吗？让我们一起看看这幅数据艺术品的诞生！ 经过前面的一顿操作，我们的滑珠图已经初露锋芒，接下来，我们要给它加点料，让它更加吸睛！ 第五步，我们得把之前在数据集里精心准备的序号字段，像拖拉机一样拖到组件的细粒度里去。这么做的原因嘛，很简单，我们得用这个序号来给分公司字段排个队，毕竟默认的顺序有点乱，不够整齐划一。 就这样，轻轻一拖，我们的滑珠图就更加井然有序，准备迎接它的华丽变身吧！ 好了，基础操作已经做得妥妥帖帖，现在让我们来点创意火花吧！怎么说呢，比如说，咱们可以把点图变换一下造型，换个新发型怎么样？圆的、星的、菱形的，你说了算！   来来来，让我们一起玩转滑珠图的变体三重奏，保证让你眼花缭乱，心花怒放！首先登场的是变体一号，它带着半滑杆和那根不可或缺的连接线，就像是一位优雅的舞者，在数据的舞台上轻盈地跳跃。 紧接着，变体二号以极简主义者的姿态亮相，它大胆地去掉了半滑杆，留下的是一片清爽，仿佛是夏日里的一阵凉风，让人神清气爽。 最后，变体三号隆重登场，它在二号的基础上增加了方向箭头，这可不是普通的箭头哦，它是指标顺差逆差的指路明灯，告诉你数据是向上攀升还是向下沉沦。 我们就以这位变体三号大师为例，一旦你掌握了它的精髓，那前两位大师的技巧自然就是小菜一碟，信手拈来。准备好了吗？让我们一起在这滑珠图的变体世界里，尽情地玩耍吧！   嘿，小伙伴们，让我们一起动手，给我们的滑珠图来个华丽变身吧！ 首先，我们得把之前那个做得漂漂亮亮的滑珠图1复制一份，就像复制粘贴你的美食照片一样简单。 接下来，我们要做个小动作，把组件里的"最大值"字段悄悄地去掉，就像从你的冰淇淋上拿掉那颗樱桃一样。 然后，在左边的待分析字段区域，添加三个全新的计算字段。 第一个新字段，我给它起了个响亮的名字——“差值”。它的使命可不小，就是要用来连接Q1费用和Q2费用之间的那条神秘连线。 它的计算公式就像这样： ABS(SUM_AGG(${滑珠图_Q1费用})-SUM_AGG(${滑珠图_Q2费用}))   我们不仅要有一个“差值”字段，还要给它找个小伙伴——“最小值”字段。这个名字听起来就像是个低调的英雄，它的任务是什么呢？就是要在图表上给我们的“差值”字段一个精准的定位，就像是在茫茫数据海洋中给它一个灯塔。我知道，这听起来可能有点神秘，别担心，我们不需要现在就完全理解。就像看魔术表演一样，先保持一点神秘感，等会儿看到效果，一切都会豁然开朗。 现在，让我们揭晓“最小值”字段的计算公式： MIN(SUM_AGG(${滑珠图_Q1费用}),SUM_AGG(${滑珠图_Q2费用})) 注意：这个公式用的是:min函数而不是min_agg函数。两者用法有点小区别。不要写错哦。 我们的数据魔术秀还没结束呢！看我们的第三个计算字段——我决定给它起个响亮的名字：“Q2费用标签”。这个家伙，可不是普通的角色，它在我们的数据故事里扮演着关键的侦探。 让我来揭晓它的绝技：当它审视Q2费用和Q1费用时，它会灵巧地比较这两个数字。如果发现Q2的数字比Q1小，它就会巧妙地打出一个“◄”标记，就像是在说：“嘿，往这边看！”反之，如果Q2费用胜出，那么它就会展示一个得意的“►”，仿佛在自豪地宣布：“向前看，未来在这边！” 这个计算字段就像是我们的数据故事里的方向指示牌，用符号巧妙地告诉我们费用流向的变化。是不是觉得这个小巧思让整个图表都生动起来了？就像是给数据故事添加了一把翅膀，让它飞起来一样！ 它的公式是这样的： IF(SUM_AGG(${滑珠图_Q2费用})=max(SUM_AGG(${滑珠图_Q1费用}),SUM_AGG(${滑珠图_Q2费用})),"►","◄") 注意：这个公式用的是:max函数，也可以用min函数，只是判断结果不同，注意不要拼写错哦。 让我们一起进入可视化图表的奇妙配置环节吧！这一步简单得就像是在玩拼图游戏，只需要把我们刚刚精心制作的“差值”、“最小值”和“Q2费用标签”这三个计算字段，像拼图块一样拖拽到组件中。 接下来，按照我下面这张图的指示，稍微调整一下，就像是在给你的新发型做个微调，让它们看起来更加完美。然后，瞧！一个全新的滑珠图的雏形就这样诞生了，是不是感觉自己就像是创造了一个小小的奇迹呢？ 让我们再加入些乐趣吧。下一个步骤就像是魔术般神奇——我们要克隆一个Q2费用字段，是的，就像给它制造一个孪生兄弟一样！ 然后，给这位新来的成员换个形状：“点”图，让它在图表上亮闪闪地发光。记得哦，我们要让这位新星站在原来的Q2费用字段前面。这样的排列顺序可不是随意的，这是为了确保这些小亮点不会不小心遮挡了我们之前精心加工的箭头符号。 这样一来，我们的图表就像是准备好了迎接舞会的舞者，每个元素都彼此和谐地排列着，准备在数据的节奏中翩翩起舞。是不是感觉我们的图表越来越有层次，越来越立体了呢？快乐的派对才刚刚开始！ 数据小艺术家们，是时候给我们的图表穿上晚礼服了！接下来的任务是将我们的图表打扮得漂漂亮亮，让它成为数据世界的宴会之星。首先，我们要给那个严肃的差值字段换上一件经典的黑色礼服(颜色栏改成黑色)，收腰至20的柱宽，真是既时髦又端庄！ 然后，转向我们的“箭头”朋友们，我们也要让它们换上统一的黑色装扮，以便它们在舞池中更加引人注目。如果发现它们有点羞涩，不够突出，就给它们稍微调整一下大小，或者在横轴上改变它们的排列顺序，让它们自信地站在舞池中央。   想象一下，按下这些小调整后的效果，就像是在上面的图中看到的那般：每个元素都在恰当的位置优雅地展示自己。这样一来，我们的图表不仅信息量十足，还美轮美奂。准备好了吗？让我们的图表闪亮登场！ 好啦，让我们来一起欣赏这幅精心打扮的图表杰作吧！ 一起为这美轮美奂的成果鼓掌喝彩吧！   嘿，别看这些图表外表简单，它们可是数据世界里的故事大王呢！每一个线条、每一个色块，都在用它们独特的方式讲述着一个个美丽动人的数据故事。在数据分析的舞台上，正是这些看似平凡却又不失个性的图表，为数据分析师编织了一幅幅丰富多彩的数据画卷。 它们不仅让复杂的数据变得一目了然，更是用最直观的方式，让读者轻松走进数据的内心世界。当分析结果以这样的形式呈现时，它们就像是一首首动听的旋律，轻易就能打动每一位读者的心弦。 所以，下次当你看到这些图表时，不妨多给它们一些掌声，因为它们正用最简单的方式，讲述着最不简单的故事。让我们一起为这些数据故事的讲述者点赞吧！  

在数据分析和可视化的世界里，我们经常会遇到华夫饼图的身影。这个小家伙可是个超强的可视化工具，能帮我们清晰明了地展示数据占比。提到华夫饼图，可能有些同学还不太熟悉这个名词，但下面这个图，大家一定见过吧？快来看看，是不是很眼熟？ 虽然FineBI已经提供了丰富多彩的图表种类，但华夫饼图并不在它的基础图表列表中。没关系，今天我们就来挑战一下，用FineBI制作上面提到的华夫饼图。准备好了吗？让我们一起动手，玩转这个有趣的图表吧！ 为了演示效果，我特地准备了一份超级精简的表格数据，用它来制作华夫饼图简直绰绰有余！准备好了吗？让我们用这些数据大展身手吧！ 商品 销量 衬衫 5 羊毛衫 10 雪纺衫 15 裤子 20 袜子 25 数据上传在这里我就不多介绍了，学习过FineBI基础的同学肯定是小菜一碟了，我们直接进行第一步：添加一个计算字段，统计总销量，像下图这样：   DEF(SUM_AGG(${销量}))     第二步：同样新增一个计算字段，我叫它为：格子数，因为上一步我们计算出所有商品总销量是75，而我们要展示的华夫饼图呢，我们准备了一个10*10个格子来展示数据，所以这一步需要计算出每个商品实际占用多少个格子。准备好了吗？让我们开始吧！ ROUND(100/${总销量}*${销量},0)   第三步：现在，我们来为数据扩展条数做好准备工作。这可是个神奇的公式，配合FineBI的“拆分行列”功能，简直妙不可言！之前的文章中我也展示过这种公式的魔力，有兴趣的同学可以翻出来瞧瞧（FineBI甘特图来啦！快来一键解锁这项技能吧....）。效果如下，赶紧来看看吧： REPLACE(REPLACE(SPLIT(REPEAT(1,${格子数}),""),"","")   第四步：创建“拆分行列”，见证一个小奇迹的时刻到了！数据按照我们上一步的操作，瞬间拆分成了指定行数。这一步的妙用就在于，它能根据格子数扩展出对应的条数。准备好大开眼界了吗？Let's go! 第五步：因为上一步的成果生成一个值为1的文本字段。不过，这一步我们要把字段类型改成数值，为接下来的编序号工作做好准备。这可是承上启下的一步哦！看下图，效果杠杠的： 第六步：这步操作简直不要太简单！只需添加一个汇总列，命名为“序号”，为上一步的结果加个累计值。别小看这个累计值，它可是有大用处的哦！   第七步：敲黑板！重点来了！这可是华夫饼的精髓部分，少了这一步，华夫饼可是出不来的哦。添加一个计算字段，命名为："y轴",这个公式的妙用就在于，将序号每10个分成一组，并且将组内的序号从大到小排列。准备好见证魔法了吗？ 10-CEILING(${序号}/10)+1   第八步：又是一记重磅神操作！这一步决定了格子在x轴上的横向排列。虽然看起来生成的结果都是1到10的顺序排列，但暗藏玄机哦，绝对没那么简单！ IF(MOD(${序号},10)=0,10,MOD(${序号},10))   第九步：前面那些操作都是热身，接下来才是真正的见证奇迹时刻！进入组件编辑页面，选择图表类型为“自定义图表”，然后在 图形属性 中切换到“矩形块”样式。按我图中标记的顺序来操作，记得先把序号字段转换为维度，然后拖到图表的细粒度中。哦，对了，别忘了把序号字段设置为“相同值为一组”哦！     瞧瞧，一个华夫饼的雏形就这样诞生啦！是不是有点小激动呢？ 以下是商品的颜色设置，仅供参考：   衬衫 #FF4500 羊毛衫 #FF8C00 雪纺衫 #FFD700 裤子 #90EE90 袜子 #00CED1 第十步： 是时候开始美化啦！ 咱们要做的有： 隐藏横轴和纵轴的轴标题和标签，设置x轴和y轴的最大值，让图表在组件中居中显示，调整矩形块的大小，大概30左右就行，还有调整组件内边距等等。 动手吧，让我们的图表变得漂亮起来！     可以随心调整，直到你满意为止。怎么样，华夫饼图是不是超简单？你还想试试做什么图呢？

众所周知，FineBI尚未发布甘特图的标准图表功能，但众多用户对于这一功能的呼声却从未停歇。对于小剑而言，我之前已经尝试过制作甘特图，但效果却未能达到自己的预期。然而，我并没有因此放弃，相反， 今天小剑再次尝试制作甘特图，经过一番尝试，终于完成了一版全新的甘特图。现在，就邀请各位看官一同来欣赏并评价这版甘特图的效果。你是否也好奇小剑这次的成果如何呢？不妨一起来看看吧！ 有这样一份表格数据，它详细记录着每一个项目的点滴信息。项目名称、任务名称、负责人、开始时间、结束时间、里程碑时间以及进度，这些关键要素一应俱全。而现在，我们决定先为这些数据打造一个简约而不简单的版本——一张标准甘特图。甘特图，就像是一个项目进度的时间线，直观地展示了每个任务从起始到结束的时间脉络，以及它们的完成进度。通过这个图表，我们能够一目了然地看到哪些任务已经按时完成，哪些还需要加紧进度，从而更好地掌控整个项目的节奏。这次，我们将根据表格中的项目名称、任务名称、开始时间、结束时间以及进度信息，精心绘制这样一张甘特图。它不仅能够为我们提供清晰的项目视图，还能够帮助我们更好地制定和调整项目计划，确保每一个任务都能够按时、高质量地完成。一起来目睹这张甘特图的诞生吧！它将为我们的项目管理带来全新的视角和体验。 现在进入实操环节啦！首先，把我们之前的表格添加到FineBI的分析主题中。然后，就要开始大展身手，制作之前提到的甘特图啦。要做到这一点，我们需要连续的日期、项目周期天数和项目已持续天数等关键字段。当然，还需要一些辅助字段用来给甘特图标记颜色，比如用不同颜色标记持续天数和未满项目总天数。不过，从原始数据来看，这些字段还没准备好，需要我们亲自来加工一下！准备好了吗？Let's go！ 首先第一步，是对项目总天数，也就是项目周期天数做一下简单加工： 然后，第二步，我们按项目总天数做好拆分成行准备，如果项目经历10天，我们就拆出来10个1，20天就拆出来20个1，依此类推，公式如下： REPLACE(REPLACE(SPLIT(REPEAT(1,${项目总天数}),""),"]",""),"[","")) 第三步，我们对上一步的拆分准备字段做一次行拆分，拆分方式按“逗号”分隔成“行”，如下图： 第四步，欢乐时间到了！上一步操作的最后一个字段“拆分-拆分行结果”是个文本类型，值为1。而我们正好需要一个数值类型的字段，值也要是1。所以，这里我们只需给这个字段变个身，直接改成数值类型就OK啦！简单吧？ 第五步，这一步也超有趣哦。利用上一步得到的数值，我们给拆分后的每一行编上序号，为接下来制作“历经日期”字段铺好路。准备好了没？Let's roll! 第六步，进入关键时刻啦！这一步，我们要生成项目历经的日期，好在甘特图上展示各个日期的项目完成进度。准备好看进度条飞起了吗？Let's make it happen! 第七步，这一步有点小抽象，但别担心，我会用图文并茂的方式让你秒懂！我们希望在甘特图上用颜色来标示项目在总周期天数中的完成进度位置。比如，看下面这个图，项目A的任务是功能开发，从2022-02-12日0时开始，到2022-02-28日0时结束，总共历时16天。如果完成进度是70%，也就是0.7，我们就能算出它已经完成到第12天，也就是2022-02-23这一天。怎么样，是不是很直观？ 所以这一步我们添加这么一个“当日进度”字段，它的计算方式是： IF(CEILING(${项目总天数}*${进度})>=${累计天数},1,0) 第八步，来点有趣的！我把它叫做“1/2位置”。什么意思呢？通过这个字段的值，我们可以让甘特图的标签精准地显示在有实际历经天数的项目的中间位置，而对于没有实际历经日期的项目，标签就会乖乖地待在项目开始日期的位置。瞧瞧这个甘特图的局部图，是不是超赞？让标签自己找位置，我们只管看结果！ 这个字段的计算方式是这样的： IF(${当日进度}=0&&${累计天数}=1||${当日进度}>0&&CEILING(${持续天数}*${进度}/2)=${累计天数},1,0) 好了，数据集部分我们就先搞定到这里啦！接下来第九步，轮到甘特图组件上场了。按照下图的样式，把字段拖进去试试看，咱们需要稍微调整一下维度展示的样式。比如，可以把日期轴标签稍微旋转一下，再把柱子的宽度调到最大，这样甘特图上的日期间距就会足够小，柱子们也能紧紧挨在一起。准备好让甘特图闪亮登场了吗？Let's do it! 感觉甘特图的雏形已经有模有样了吧？别急，还有几个关键步骤来让它更加完美！第十步，我们要给甘特图上色啦！确保按项目的实际完成度显示不同的颜色。将我们在数据集中准备好的“当日进度”字段拖到图表的颜色栏，并设置一下具体颜色，就像下图这样，一个漂亮的甘特图就出炉啦！ 接下来，我们要让这个甘特图越来越好看啦！第十一步，我们来创建两个在甘特图上显示的标签。首先，第一个是“项目总天数标签”。我们希望它按照实际情况显示：如果有实际历经天数，标签就显示在实际历经日期的中间位置；如果没有实际历经日期，标签就显示在开始时间位置。所以，这里需要添加一个计算字段，用我们在数据集中加工好的“1/2位置”字段作为判断条件。同时，还可以自定义一些标签文本，就像下图这样。计算公式如下： IF(${项目计划进度_1/2位置}=1,"总周期:"+${项目计划进度_项目总天数}+"天",null) 准备好让这个标签闪亮登场了吗？让我们一起动手，让它在甘特图上大放异彩吧！ 接下来，第二个标签，逻辑跟上面一样简单明了。我们额外添加一个“已持续天数”标签，虽然在数据集中我们没加工这个字段，但别担心，在组件中直接加工出来超简单！一个公式就能搞定。在组件中添加计算字段的好处就是可以动态计算，让数据动起来！准备好迎接这个新标签了吗？让我们一起让它闪亮登场吧！ DEF(SUM_AGG(${项目计划进度_当日进度}),) 然后再来添加这个已持续天数标签，计算公式见下图： IF(${项目计划进度_1/2位置}=1,"（已持续:"+${项目计划进度_已持续天数}+"天）",null) 这两个标签创建完成后，我们将它们拖到组件的标签栏中，效果见下图(小贴士：标签字体和字号样式可以在标签的编辑页面中手动修改哦)： 到这里，我们的甘特图基本搞定啦！如果你想让它更美观，还可以做些小调整哦，比如隐藏图例显示，调整纵轴上“项目名称”和“任务”的字体大小，以及设置历经日期年月字段的轴标签显示样式，适当旋转一下角度，让你的图表与众不同。怎么样？FineBI甘特图，你搞定了吗？快来展示你的创意吧！    

应广大粉丝的热烈期盼，今天我将为大家带来在FineBI中实现年初至今查询与当月查询的无缝切换。让我们一起探索这个强大的数据分析工具如何助你一臂之力，轻松驾驭数据海洋，尽情展现你的智慧与才华！ 首先，让我们引入一组精心挑选的测试数据，这组数据涵盖了从2019年到2023年的每日销售明细记录。为什么选择这段时间的数据呢？因为它跨越了多个年份和月份，这样的跨年月数据足以为我们提供丰富的素材，用于验证和展示我们所采用方法的实际效果。是的，只要你的数据集包含跨年月的信息，就可以轻松地进行效果验证。现在，就让我们一起开始见证吧。 在添加好数据后，我们进入组件编辑页面，简单添加一个分组表格，拖入字段，如下： 接着，我们在组件中添加两个参数，一个是时间参数，我们给它命名：年月参数（用来绑定仪表板年月过滤组件），另一个是文本参数，我们给它命名：模式参数（用来绑定仪表板切换模式过滤组件），同时我们新增一个计算字段判断数据过滤条件： 公式为：IF(${模式参数}="YTD",${订单时间}>=dateinyear(${年月参数},1)&&${订单时间}<=dateinmonth(${年月参数},-1),left(${订单时间},7)=left(${年月参数},7)) 公式含义：如果模式参数的值为：YTD,则过滤条件为：表中订单时间大于等于年月参数所在的年初日期且订单时间小于等于年月参数所在的当月月末日期，否则订单时间所在年月等于年月参数所在年月。 在这里，我们巧妙地运用了两个不为人知的隐藏函数，如果你对它们感到好奇，想要一探究竟的话，不妨翻阅一下我之前的文章，那里面有对它们的专门介绍哦。相信你会在其中找到许多有趣而深入的内容，快去探索吧！ FineBI中的秘密函数，只需1秒便可开挂，提升数据分析效率！ 接下来，我们将迎来一个激动人心的环节——为组件添加过滤条件。在此之前，我们已经在计算字段中精心编辑好了所需的过滤条件，此刻，只需将这个字段巧妙地拖拽到组件的结果过滤器中。接下来要做的就是设置一个简单的条件：让这个字段的值大于0。一旦完成这些步骤，您将能够更精准地筛选所需的数据，为接下来的分析和决策奠定坚实的基础。 来到了仪表板编辑页面，在这一步中，我们的首要任务是增添两位得力助手——过滤组件。首先闪亮登场的是“切换模式”下拉过滤组件，这位小助手可谓是能力出众。我们要为他手动添加两个独一无二的自定义值：MTD和YTD，让他能够更精准地为我们筛选信息。接下来，我们要为这位过滤组件小助手找到一位得力搭档——事先在组件编辑页面精心设计的“模式参数”。将两者紧密绑定，他们便能携手并肩，共同为我们提供便捷高效的筛选服务。让我们期待他们在未来的工作中大放异彩吧！ 紧接着，我们迎来了第二个过滤神器——年月过滤组件！操作起来简直是小菜一碟。你只需轻轻一点，勾选那个已经准备好的“年月参数”，它就会乖乖地为我们筛选出特定年月的数据。是不是感觉特别轻松又高效呢？ 好啦！我们的看板设计这到里就已经完成啦！你只需轻轻一点，切换仪表板上的两个过滤组件，就能立刻看到令人惊艳的效果。是不是觉得非常简单又有趣呢？快来动手试试吧，相信你会爱上这个设计的！ 写在最后 想要进一步提升你的作品效果，并加入更多元素吗？没问题，操作起来其实非常轻松便捷。一方面，你可以直接将之前设定的过滤条件中的计算字段拖拽到其他组件之中，然后设定该字段的值大于0，这样就可以轻松实现效果的扩展。另一方面，如果你希望以更简单的方式来达到目的，那么复制第一个已经做好的组件也是一个不错的选择。在保留原有过滤条件不变的基础上，你只需对组件的其他配置进行微调，即可快速实现你所期望的效果。无论是哪种方式，都能让你的作品更加丰富多彩，与众不同。

今天公开一个老司机不愿意说的秘密，FineBI中的隐藏函数应用。 助你一秒开挂，数据分析效率翻倍。  

就在昨天，我的一个会员问我，像这样一个具有历史时效性的表，怎么去跟事实表做合并，然后展开更进一步的数据分析呢？其实她指的就是数据仓库设计中常常用到的“拉链表”。如下图： 维度链接表： 销售事实表： 熟悉FineBI的小伙伴们都知道，通常在FineBI中，合并两个表的数据一般是用数据集中的：其他表添加列和左右合并（或上下合并），本例因为是需要将拉链表中的维度字段合并到事实表中，所以排除上下合并。 那本例中能用其他表添加列吗？我们看下图就知道，显然其他表添加列也不能满足要求，因为它没有地方可以设置时间范围的合并条件，只能一对一的选择关联条件，并且添加进来的字段要么被聚合（数值），要么被拼接（文本），要么被求最早时间或最晚时间（时间）： 那似乎只能选择用左右合并了，让我们再尝试用左右合并处理一下，两个表左右合并后，页面有提示：“两张表的合并依据存在重复值，数据发生膨胀并有可能导致数据错误，建议合并依据去重”，而且左下角的数据量也增加了，原事实表数据量是193条，合并后数据膨胀到293条。 有些小伙伴到这一步，就不敢往下操作了，认为肯定是操作不当，出错了。其实只要你处理逻辑清楚无漏洞，问题可以得到解决，数据集体量不是由中间步骤的数据多少决定，而是由最终的结果决定的。接着看我往下操作： 通过上面的步骤，我们又把数据变回了原来的193条。因为我们通过上面的过滤条件，把不满足条件的记录统统过滤掉了。这就是我要的数据合并的最终处理逻辑。 接下来就是数据验证，上面一顿操作后，不验证数据的正确性是不行的。你怎么知道你的操作有没有失误呢？验证是必须要有的。 通过下图验证，不难发现，产品A002和产品A004在不同时间段内匹配的销售部门和维度表中定义的时间范围完全吻合，且销售事实表记录数正常没有重复。 到这一步，我们就可以正常的用维度表中的其他维度字段进行下一步的数据分析和可视化了，不用担心数据有什么问题。 怎么样？是不是很简单？关注我，我将分享更多精彩数据分析和数据处理案例。

两份礼物已全部收到 ，礼品也已兑换完毕。 感谢帆软，这是一个非常有温度的公司。 在这里有很多收获，也认识了很多志同道合的朋友。 期待自己新的一年有更多内容输出 ，贡献自己微薄的力量。 一起加油！！！

不可能是我的问题，绝对不可能！！！ 我本地环境跑的好好的。

　　　Fine BI作为一款强大的数据分析工具，一直以来都在不断地升级和完善，为用户提供更好的使用体验。最近，Fine BI又推出了一项令人欣喜的升级，就是图表图例支持默认锁定功能。 以往，在Fine BI中，当我们在一个图表中有多个数据系列时，每次打开图表时，所有数据系列的图例都会默认显示出来。而如果我们只需要关注其中的某几个数据系列，就需要手动去点击图例，隐藏掉不需要的数据系列。这无疑是一件比较繁琐的事情，也会影响我们的分析效率。 但是，现在Fine BI升级后，图表图例默认锁定功能已经上线了！这意味着，在我们打开一个图表时，只会显示出默认锁定的数据系列图例，其他不需要的数据系列图例则会自动隐藏。这样一来，我们就可以更快速地找到我们需要的数据系列，进行数据分析，提高工作效率。 Fine BI的这项升级，得到了社区用户的一致好评。如果你也是Fine BI的用户，赶快升级到最新版本，体验更高效的数据分析吧！ 设置锁定图例的位置（本例中的图例为累计销售额占比的区域渐变）： 预览效果：  

      大家好，最近受到社群小伙伴的启发，准备结合自己的经验，出一个FINEBI实用小技巧的系列内容。 由于是系列内容，所以具体内容越多越好，你们希望了解哪些方面的技巧？或者你们想了解哪方面内容？ 都可以畅所欲言。 为方便统计，下面为内容征集链接： 【腾讯文档】FineBI实用小技巧内容征集 https://docs.qq.com/form/page/DZnNJa0NVR1ZtYXJ4 或者扫码参与投票：

       还未到元旦（2022年12月30日)，快递小哥就给我打电话说有快递到了，让我下楼拿一下。当时我还在想我最近没有买什么东西，好奇去看了一下。结果拆开一看，原来是帆软送的大礼啊。哈哈，虽然也猜测可能是帆软寄过来的，但真没想到会这么快就到了。 拆开后满满的惊喜：手办非常可爱而且比去年的还可爱、四罐小罐茶（我跟我老婆喝了都觉得很好喝）、一个台历（很有创意），而且包装精致。 感谢帆软的用心设计。 附上图：