一、学习初衷 （一）个人介绍 帆软社区用户名是 Cassie Finch。我的前公司是一家金融行业的银行机构。由于对大数据分析的浓厚兴趣，我的兴趣方向主要包括大数据分析、数据仓库建设和机器学习等与数据相关的领域。 （二）学习初衷 之前工作是属于跨行进入了软件开发岗，但后续考虑到深入研发领域对我有一些难度，考虑再三，还是决定继续在数据分析行业深造。为了弥补工作经验上的不足，我重新学习了统计学和数据分析等相关知识，并专注于实际工作中的案例。这时，我发现了帆软的竞赛，最初的目的是通过参与竞赛学习案例，并检验自己的能力。然而，我发现自己对低代码平台的使用不够熟悉，只了解基本操作，缺乏系统性的使用知识，也不确定是否能有效融入日常工作。在查阅帆软官网资料时，我发现可以通过考取相关认证来验证能力，并且有相应的课程。为了提升学习主动性并确保深入学习，我决定报名参加该课程。 二、作品简介（作业10） （一）背景介绍 1、业务背景 某跨境电商平台从某国的主仓库向欧洲国家的客户每日发送订单。客户可以通过他们特定国家的在线平台（如vidaXL网店、eBay、Amazon等）下单。物流部门需要尽可能高效地处理客户订单，并进行每日工作量规划。希望通过订单数据分析，了解到每个流程所需的时间，以及优化处理时间。 2、需求痛点 需要准确评估当前订单处理和物流配送的效率； 需要识别影响订单处理和物流耗时的关键因素； 需要为管理层提供决策支持，以优化资源配置和提升客户满意度。 （二）数据说明 本案例数据集为2017年第20至29周（2017.5.15-2017.7.23）一些主要欧盟国家的日常订单数据，总数据集分为订单数据表和货运数据表，两表根据订单编号一一对应。 其中，订单数据表中包括以下数据： 订单编号 产品代码（SKU）和订购数量 付款日期/时间、订单创建日期/时间、订单处理日期/时间（准备发货时） 货运表中包括以下数据： 订单编号 发货国家 装运箱号（内部物流编号） 交货时间（交付给客户） （三）分析思路 1、明确目标 确定了分析目标：评估订单处理和物流配送的效率。 拆解了分析方向，包括订单处理耗时分析和物流配送耗时分析。 拓展1：通过自主构建指标，利用四象限图分析法，识别订单处理人员工作管理优化点。 拓展2：分析不同sku的耗时分布，识别耗时较长的sku。 拓展3：预测第30周的订单和货运数量，按发货国家划分，为物流团队提供每日工作量规划。 2、分析思考过程 （四）数据处理 1、常规处理 数据类型调整 日期字段处理、获取时间（周、星期、时）、工作日/节假日标记 表格合并 过滤排序 时差：考虑到数据跨度，为了使数据更具有可读性，订单处理时差统一按小时为单位进行处理，物流时差统一按天为单位进行处理。 2、指标构建 业务响应水平计算公式：-(某时段平均时差-avg（分时平均时差array）)/std（分时平均时差array） 业务贡献水平计算公式：(某时段订单量-avg（分时订单量array）)/std（分时订单量array） 由于使用快速计算函数计算到的标准差和均值，经后期校验后对不上（选不到时段分类），又无法立刻找到正确的公式编辑方式，故通过构建python数列计算得到的标准差和平均值。 3、预测数据 原始数据集：使用FineBI分组汇总后，得到构建时间序列模型所需要的数据结构，通过明细表导出原始数据集。 预测数据集：使用python进行建模跑数，得到预测结果，进行数据处理后导出为excel，再放入FineBI进行预测结果分析。 （五）可视化报告 1、数据含义表达和图表排版布局 整体应用Gald原则和颜色一致性原则： 使用柱状图展示订单量、订单处理耗时和物流配送耗时环比的分布。 使用折线图展示订单量、耗时随时间的变化趋势。 通过颜色区分不同耗时等级，突出显示耗时较长的部分。 使用某一个指标的数值大小去对颜色进行映射时，图表基本选用深海生长色系的一个渐变颜色，颜色越深数值越高，颜色越浅的数值越低。 图表删除无用图例，确保辅助信息无明显噪声。 2、通过分析得出的结论 （1）能观察当前数据发生了什么 通过分析近10周的订单处理和物流耗时数据，可以观察到： 订单处理和物流趋势：每周订单量、处理时间和物流时间的变化趋势，揭示了在特定周次（如第22和第26周）存在的处理效率问题。 时间维度分析：识别了特定时间段（如18点后订单量增加）对处理效率的影响，以及不同工作日和节假日的处理时间差异。 业务响应与贡献水平：通过四象限法分析，识别了业务在不同时间段的效率区域，如“锦上添花”区和“搁置”区。 （2）能理解为什么会发生 通过数据分析理解了以下原因： 时段影响：18点后的订单量增加以及8点至15点的处理延迟，归因于时差、人员调度和订单积压问题。 特定时段的效率低下：如5时的交接班时间和12时的午餐时间，导致处理效率下降，反映了人员调度和工作流程的潜在问题。 业务响应与贡献水平：特定时间段的低效表现，揭示了人员配置和资源调配的不足。 （3）预测未来会发生什么 通过ARIMA时间序列模型的预测： 第30周订单量和装箱数：提供了对第30周每日订单量和装箱数的预测结果，帮助物流团队提前规划和调整资源。 趋势分析：能够展望未来几天的订单处理需求和物流压力，指导日常工作安排和资源配置。 （4）怎样达到更好的商业决策 为实现更好的商业决策，建议： 优化资源配置：根据四象限分析结果，保持优势区的运营策略，对“锦上添花”区进行进一步优化，并改善搁置区的低效时段。 改进人员调度：优化交接班和午餐时间的人员轮换机制，减少处理效率的波动。 自动化和培训：引入自动化处理系统，减少人工依赖，并在高峰时段进行员工培训和系统维护，以提升整体效率。 数据驱动决策：利用预测数据为未来订单和物流需求做好充分准备，确保物流团队能够应对未来的工作量变化。 通过以上分析和建议，跨境电商平台可以提高运营效率，优化资源配置，提升客户满意度，从而实现更有效的商业决策。 附看板如下： 3、业务影响 业务工作：通过可视化报告，业务团队可以更直观地理解订单处理的效率和效果，从而在日常工作中做出更有针对性的改进。 决策支持：管理层可以利用这些数据来支持决策，比如在资源分配、流程优化、技术投资等方面做出更合理的选择。 长期价值：持续的数据分析和可视化报告可以帮助公司监控关键业务指标，及时发现问题并采取行动，从而在长期内提升竞争力和市场地位。 三、学习总结 （一）学习经历 在帆软组织的这次为期七周的 FineBI 培训中，我经历了不少熬夜学习的日子，但正是这些时光让我收获颇丰。学习过程中结识了许多志同道合的新朋友，大家一起交流分享，共同进步，互相支持。特别要感谢课程中的讲师、班主任和助教老师，他们无论在教学还是课后答疑中都给予了极大的帮助。 关于课程，我觉得内容整体安排得很好，但可以稍微增加一些实战演练环节，这样会更贴近实际工作场景。 （二）个人成长 我掌握了 FineBI 的基本操作、数据分析的方法以及如何设计高效的可视化报表。其中最让我印象深刻的是如何利用 FineBI 的自助分析功能实现复杂数据的多维度探索，这对于我今后的工作将大有裨益。回顾学习初衷，目标已经实现了大半，我对 FineBI 的掌握比预期更快，这让我对接下来的 FCP 考试充满信心。 这次培训让我再次体会到坚持学习的重要性。学习的过程虽然艰辛，但当看到自己的进步时，一切付出都变得值得。终身学习已经成为我生活的一部分，我相信这种不断提升的过程会让我在职业发展中走得更远。   本案例详细的分析报告可扫描以下二维码查看：