|
一、选手简介
1、选手介绍
团队名称：文龙的数据工作室
队长介绍：文龙 ，帆软社区用户名：用户n2400942，之前做过电信行业、大数据行业和零售行业数据分析师；主要工作内容包含数据分析，数据产品研发，建立统计模型，设计零售业BI系统。
成员介绍：
小李：零售业门店经理，零售业出身，对零售运营非常熟悉，这次比赛主要负责把控指标和整体看板在实际应用中是否合理与实用。
小叶：金融会计师，财务经验丰富，有一定finebi基础，主要负责BI模板图表的整理及制作。
2、参赛初衷
· BI制作是每个数据分析师应掌握的技能，通过比赛实践提升BI工具的使用方法和技巧，了解更多相关知识
· 比赛中Finebi提供专家解答，这样能够更好地掌握finebi
· 充实自己，为工作做准备
· 伙伴们想证明一下自己，了解一下自己在零售业BI的实力
· 大赛奖励很诱人
二、作品介绍
1、业务背景/需求痛点
线上商城在日常的经营过程中，产生了大量的经营数据，这些数据包含了丰富的经营技巧和市场规律。传统分析方式通过excel整合报表或报告，只能一次性分析不能持续监测，既费时费力也不及时，还容易出错。FineBI不仅可以整合清理数据，还能对整体运营进行实时的监测分析，既节省了人力也更具实效性和可执行性。
本报告数据来自kaggle公开数据，数据背景不详，这里假设是某商城的全球历年销售数据，销售方式通过线上下单，再通过邮寄方式邮寄给客户。假设企业想通过数据整合，自动提取与清理，可视化分析实现对整个公司的运营监测。同时建立可视化平台实时查看各核心指标完成情况，减少员工每日重复报表报告工作，并通过跳转和联动实现自主分析各指标存在的问题。
2、数据来源
自选数据：来自kaggle的公开数据 “superstore_data”超市零售数据，原始数据字段包含：Row ID，Order ID，Order Date，Ship Date，Ship Mode，Customer ID，Customer Name，Gender，Segment，City，State，Country，Postal，Code，Market Region，Product ID，Category，Sub-Category，Product Name，Sales， Quantity，Discount，Profit，Shipping Cost，Order Priority，共51263条数据。
3、分析思路
通过对数据特征的分析以及结合之前零售的工作经验，团队最后决定建立包含总览、类目分析、客户及订单分析和RFM客户价值分析四个部分的经营分析平台，平台可以通过筛选年份，分析不同年份的数据，同时每个组件也可以通过联动查看单个维度的全部信息，区域分析中地图不但可以联动整个模板而且可以实现下钻到城市。
整体分析思路如下图所示：
4、数据处理
基础表二个：“superstore_order”，”superstore_customers”通过“Customer ID”关联两个表
新建表两个：复购率和RFM表
复购率：
RFM：
5、可视化报告
1) 总览：总览使用指标卡、地图和柱状折线图展示，这样会让使用者清晰的看到整个公司各重点指标的运行情况；地图可以整体看到全球各国销售情况，发现问题国家也可以联动筛选查看单一国家；柱状折线图可以发现趋势问题，并对比前一个时期是否增长或下降。
分析结果举例：
以2022年为例，从整体看，2022年销售额4.2百万元，同比增长26.1%。毛利额0.5百万元，同比增长23.5%，近三年同比增长最低（2、6、7和12月的毛利额同比下降），毛利率11.8%较去年略有下降。全年总负毛利额为30.7万元，比去年增加6.4万多，这可能是毛利额增速下降的一个主要原因，具体原因需要进一步分析。全年客户数量超过1500人，客单价超过2800千元，连带率7.3，无明显异常。
美国是销售额最高的国家，销售额73.4万元，同比增长20.6%，占比17.3%，其次是澳大利亚和法国，分别为31.5万元和31万元，前十名占比62.2%。同样，美国也是毛利额最高的国家，9.3万元，同比增长14.4%。同比下降的国家工41个，其中销售额过万的7个，需要注意维护。
6月份销售额同比增长最低，仅2.6%（2021年53.4%），当我们选定6月数据，发现销售额排名前10的国家有3个负增长（法国、印度和中国），具体原因需要进一步分析。
2) 类目分析：类目分析主要使用饼图、柱状图、折线图，分析各品类下的销售情况，发现问题品类以及关注重点品类。通过饼图展示一级类目销售额和毛利额大占比；图表一、二级类目展示销售额和毛利额及同比；折线图展示毛利率趋势；条形图展示负毛利额排行；柱状折线用于ABC分析法。
分析结果举例：
通过类目分析我们发现，Technology销售额最高占比37.7%，并且其毛利额占比超过46%。offcie supplies 虽然销售额最低，但其毛利额占比35.6%。Furniture的毛利率最低，仅6.5%，其中一个原因是其负毛利额最高-12.7万元，造成其毛利额最低，通过联动分析我们发现其负毛利主要来自Tables（-5.4万），造成Tables整体毛利-3.0，这可能是由于Tables打折处理造成的，需进一步分析。
ABC分析发发现70%销售额来自Copiers, Phones, Bookcases, Chairs, Storage，这些是重点关注的品类。
通过六月联动，我们发现六月销售额同比增长最低主要由于Technology的销售额同比下滑，其下的phones、copiers、machines销售额同比都是负增长。
3) 客户及订单分析：客户及订单分析主要使用饼图、柱状图、折线图及散点图分析客户及订单的销售情况。通过饼图展示客户类型、客户性别和订单邮寄方式的销售额情况；柱状折线展示客流、客单价及复购率的趋势；柱状图展示Top10客户；四象图（散点图）展示客户的订单和客单价关系。
分析结果举例：
通过分析客户属性我们发现，客户类型为consumer的销售额为211.2万元，占比接近50%，可见个人为主要消费群体，其次是公司125.3万元，占比30.2%。性别对消费的影响基本无差异。客流和客单价成逐年增长趋势，同样年复购率也在稳步增长。销售额Top的客户有三个来自企业，其余都是个人，Vivek销售额最高1.1万元。
有接近60%的订单是通过Standard class邮寄的，越快的邮寄方式订单价月底，这可能是由于运费过高，只邮寄重要的商品。订单数和订单平均价分析中，第一象限的客户为优质客户，需要重点维持。
当联动6月数据，我们发现6月客单价比去年少了100元，这也是六月销售额同比很小的一个原因。
4) RFM客户价值分析：RFM 分析就是通过三个关键指标（最近一次消费时间（R）、最近一段时间内消费频次（F）、最近一段时间内消费频次（F）对客户进行观察和分类，判断每类细分用户的价值。通过矩形图展示个各类客户的数量及占比；饼图展示各类客户的销售额及占比；条形图展示各类客户的客单价排行；四象限（散点图）分析客户的流失情况；明细表可作为客户筛选便于筛除问题客户。
分析结果举例：
通过RFM分类可以看出重要价值客户数量最多418人，占比26.3%，销售额也同样最多692.5万元，占比接近40%；一般发展客户虽然数量占比21.3%，但销售额仅仅60.9万元，占比仅4.9%，需要对次类客户进行相应的营销策略提高销售额；客单价最高的是重要挽留客户和重要发展客户，分别是769元和747元，需要想办法提高他们的消费频次。
通过消费流失分析我们发现，在第一象限的（流失概率高，消费能力高）客户有47人，这些客户超过半年没有消费，需要采取行动来挽留这些客户从而提升销售额。
明细表可通过联动筛选出想要的客户数据并下载给相关人员。
5) 整体可视化效果
6、自主分析举例
2022年6月份销售额同比增长最低原因分析。
三、参赛总结
1、FineBI工具
一直在用FineBi，觉得很容易上手，制作比较简单
今年的6.0改变很大，上手后觉得比之前好用多了，但仍然有些bug需要进一步改进果。
2、参赛总结
遇到的困难：
数据的品类有错误，清洗花了很多时间。
感谢队友的付出，大家都尽了最大努力创建模板，期间也问了他人建议，在这里再次感谢所有帮助过我们的人。同时也感谢finebi组织比赛，给我们一个合作的机会。同时也感谢finebi组织比赛，给我们一个合作的机会。
| 
