一、选手简介
1、选手介绍
帆软社区用户名：yzm289367
团队名：星星之火
身为某高校电子商务专业的一名大三学子，我对数据可视化很感兴趣，恰好专攻的方向是商务大数据分析，这些年数据可视化分析变得越来越火热，人们获取和解读数据的可能性大大提高，基于数据挖掘、理解数据基础上的数据大屏可视化，成为企业决策与宣传手段一个新的发展方向和突破，可见针对各行各业源源不断的数据，制作数据可视化报表对进行商业决策分析，市场预测，制定计划，数据结果可视化呈现，有着很大优势，比赛期间我已初步具备FineBI的基础知识，并仍在不断学习FineBI中。
个人照片：
2、参赛初衷
参加这次比赛的初衷有以下几点：
（1）想借着此次帆软BI数据分析大赛，提升数据分析能力、数据处理、数据整合、数据可视化大屏呈现能力。
（2）提高从普遍众多的商务数据信息中发现问题，分析问题，解决问题的能力。
（3）通过实践提升自己BI工具学习和使用的技能，在此次大赛中了解更多优秀的BI实践案例，认识许多优秀的数据分析的朋友们，以及大神是如果利用该工具进行数据分析的。
（4）以后公司就业，我可以投递大厂公司的数据分析师岗位，为自己以后从事数据分析增加工作经验。
（5）最最最重要的一点帆软BI大赛官方准备的奖品也是很丰厚的，就冲着这一点，打死也要上呀，哈哈哈，世俗了，不过确实奖品挺丰厚的，我想肯定会吸引很多优秀的数据分析人才纷纷参赛，作出他们关于某一行业的数据分析报告，自己也可以从中好好的学习，提升，这真是一个大好机会。
二、作品介绍
1、业务背景/需求痛点
（1）业务背景
现如今，数据可视化由于数据分析的火热也变得火热起来，数据可视化就是用可视化的方式展现数据。随着物联网、5G等各种跟连接有关的技术的出现与发展，每个人手中掌握的数据量都呈指数级增长，光看这些数是看不过来也看不懂的，“数据可视化”，就是一种简化，让艰难的数据理解过程，变成——看颜色，辨长短，分高低。从而大大缩短理解数据所需的时间。电影现已成为一个国家或者地区的文化输出，提到美国电影，想到的词：美国大片、动作片、科幻片、好莱坞等。提到印度电影：宝莱坞、歌舞片等。香港电影呢：枪战片、古惑仔、武侠片等。
（2）需求痛点
此次分析主要针对250部电影的上映日期，电影制片国家/地区，电影类型，电影导演和主演，电影的评分和评分人数情况进行分析，将得出相关因素呈现的数据结果，并最后制作出数据可视化大屏，和数据分析报告，以期为电影制作方和中国电影事业提供一些思路和参考。
2、数据来源
自选数据
数据来源网址：https://movie.douban.com/top250
3、分析思路
（1）确定分析场景，明确分析目的
首先提出问题后，明确我们想得到什么结论和信息。然后可以从什么渠道获取数据，运用什么分析方法进行数据分析，最后得出结论输出报告。比如我们团队想做一个Top250豆瓣电影的数据分析，看看这些电影主要来自哪些国家、哪些演员主演、人们对电影的评价情况等等，豆瓣有电影的排行榜，以豆瓣电影Top250为例，先看看榜单上有哪些数据信息：
可以看到，榜单上有电影名、导演、主演、上映年份、制片国家、电影类型、评分、评价人数等信息，这些可以通过描述性统计、可视化图表来展开分析：哪些电影评分靠前、最受热评？哪些类型、国家、导演、演员高产优质电影？上榜电影数量逐年变化趋势怎样？最后得出结论。理完整个数据分析的思路，我们就可以进行下一步。
（2）数据抓取
我采取了两种爬取豆瓣电影Top250数据的方法，以确保数据的准确性和完整性。
1)Python爬虫爬取：
使用python爬取豆瓣电影top250的电影相关信息，包括电影、评分、评价数、概况、相关信息（导演、主演、制作年份、影片类型）
爬取的数据如下所示：
八抓鱼数据采集器采集
先设计获取数据流程：
数据采集成功：
帆软BI导入采集数据：
4、数据处理
使用Excel对爬取下来的数据进行预处理包括格式、缺失值、重复值等。其中由于类型和制片国家有多个描述，因此将多个描述的内容也整理出来。
分析思考过程：
围绕本次数据分析大赛，我作出了数据分析研究的大致路线，并且在之后研究中发现有不足的或者是有改进的，我将会再修改。
作品研究的背景、目的及意义
相关理论基础
数据引入
数据关联关系
Fine BI的使用
数据分析
数据处理
根据数据结果制作可视化图表组件
数据可视化作品总结与数据呈现视觉美化
三、可视化报告
（1）数据可视化大屏风格和各组件
此次数据可视化大屏制作，我的仪表盘布局风格采用系统内置的复古风格，并且制作中运用了kpi指标卡，分组表，词云，分区柱形图，瀑布图，饼图，分区折线图，散点图，聚合气泡图。
（2）仪表盘模块化进行数据可视化分析，得出结论
- 显示评分、评论数、导演、主演指标仪表
2.豆瓣电影按评分，评价人数排名
将豆瓣电影Top250的评分和评论人数分别降序排序，可以看出，这些作品基本都是广大群众心中的经典之作。从而得出人们喜欢的电影是什么。
3.列出电影类型
大多数电影类别1都属于剧情，剧情类电影有188部，且该电影包含爱情、喜剧题材类型的数量最多，分别是43部，36部，而悬疑、犯罪、动作、动画、奇幻、家庭、科幻、惊悚题材类型数量大体相似，为15部左右，只有纪录片、音乐、儿童、歌舞、历史、同性这些较为小众的题材则数量较少。
4.电影所属国家
美国、中国、日本产出高质电影数量靠前。其中，美国上榜的电影数量高达112部，中国数量42部，日本33部。
5.优质导演、主演
高产优质电影的导演主要有宫崎骏（8部）、克里斯托弗·诺兰（6部）、史蒂文·斯皮尔伯格（6部）、王家卫（5部）、大卫·芬奇（4部）；高产优质电影的主演主要有彼得杰克逊（3部）、理查德·林克莱特（3部）、周星驰（2部）、刘镇伟（2部）等。
6.电影年数、月数趋势
2003年、2004年、2010年、2015年这四年都有13个电影上榜，接着1994年、2011年、2013年都有11个电影上榜，2017年、2018年、2006年、2014年、2019年，都不错，总的来说2006年往上，上榜电影都很多。按年分区间分组也看得出1990-2010区间，上榜电影数量最多，紧接着就是2010-2021区间。按月份来看，1月，9月，12月，这三个月中上榜的电影高达30余部，5月，6月，11月这三月紧随其后，都20多部多，月份区间来看大致数量差不多，都挺齐的。
结论：
1.榜单中美国电影数量最多，接近一半的电影是美国制作；
2.上榜的电影中，大多数电影都是剧情类，有188部，爱情、喜剧题材类型的电影也不少，分别为43部，36部；
3.上榜次数最多的三位导演是：宫崎骏、克里斯托弗·诺兰、史蒂文·斯皮尔伯格；
4.高产优质电影的主演主要有彼得杰克逊、理查德·林克莱特、周星驰、刘镇伟等；
5.2003年、2004年、2010年、2015年这四年电影上榜数量最多，有13个电影上榜，而1994年、2011年、2013年上榜电影数量也挺多，都有11个电影，电影在1990-2010年段电影数量最多，有123部；月份来看，1月，9月，12月，这三个月中上榜的电影高达30余部，5月，6月，11月这三月紧随其后，都20多部多；
6.豆瓣电影top250都是评分在8.3及以上的电影，这些电影往往带有人生的思考，体现出导演与演员精良的制作。
7.最后，各种电影榜单众多，评判标准也各不相同。各排名和评分也是只参考，毕竟一千个人一千个哈姆雷特。
（3）最终结果呈现的页面布局
四、参赛总结
1、FineBI工具
我认为FineBI这款数据处理、分析兼数据可视化大屏制作软件特别好，用FineBI可以简单快速地生成各种很酷的可视化数据报告，并可以进行有目的的数据分析。简单的理解FineBI就是更高级的Excel数据透视表。选择要显示的数据字段，即可立即显示可视化。
FineBI可以对数据进行加工，创建可视化组件，设计仪表盘，甚至与他人分享数据成果，用FineBI你可以不必通过1超强的代码能力和高超的excell技术，他简化了数据处理，数据可视化图表制作的难度，完全零代码，只要你具备数据分析思维，懂业务，完全可以制作出一个精美的数据可视化大屏。
2、参赛总结
在独自整体完成作品的过程中，我遇到了许多困难，比如怎样用自助数据集来汇总、连接数据从而展示自己想要的数据结果和指标、怎样选择合适的图表来展示数据、怎样进行仪表盘颜色的搭配和选择、怎样按照自己的设想和需要计算指标等等，里面很多操作方法也是自己一步步跟着视频相关案例学习、从社区帮助文档查找从而知道的。
通过此次参赛，最大的收获是用FineBI解决了自己感兴趣的豆瓣电影Top250排名分析的问题，并能制作图表并采用联动效应使分析的数据可视化的展现出来。目前我可以搭建起来基础的数据可视化大屏/驾驶舱，可以独立讲述数据背后的数据故事。并且，通过FineBI我可以手分析日常生活中的数据，向周围人介绍更深刻的数据结论，以及FineBI的优势。
通过这次学习参赛，自己在数据分析的道路又走进了一步，也见到了各行业众多优秀的数据分析人才的精彩数据分析报告，希望日后能在工作更好的发挥FineBI的功能。最后再次感谢赛事方的大力支持与工作人员的辛苦付出，这次比赛学习感触很深，技能提高了不少。 | 
