一、选手简介 1、选手介绍 个人介绍：帆软社区用户名宝矿力不加冰，目前在深圳某司任职数据分析，帆软合作客户，个人感兴趣方向是业务数据分析和数据产品。 2、参赛初衷 以赛代练，目前使用5.1版本，希望熟悉6.0大版本变化 通过比赛沉淀分析思路和技巧 二、作品介绍 1、业务背景/需求痛点 业务背景 某司在线下拥有大型购物百货，近几年新成立了团队自研线上购物平台，随着业务发展，线上获客渠道逐渐增加，访客量UV增加，但支付转化率(支付用户数/访客量UV)不升反降，支付转化率影响因素众多，包括系统稳定性，网站设计，用户体验，支付方式，营销活动，客户服务，用户评价和口碑，商品质量，售后等，影响因素多，要找出原因比较困难，公司希望能找出支付转化率降低的关键因素，后续进行一些改善动作。 需求痛点 影响因素多，需要数据团队每月手动拉取流量，销售，售后，咨询，营销活动等数据，费时费力，不一定能找到关键影响因素。 2、数据来源 企业数据：GMV，商场名称等敏感字段已脱敏 数据范围：2023年5-6月 维度表：用户注册表，渠道表 事实表：商品订单明细表，转化分析表 订单类型，分为两种 快速订单：通过导购分享链接成交的订单，比如某商品没有在商场上架，但客户需要购买该商品，此时导购可通过快速订单促成交易。 预置订单：用户通过访问平台自主下单的订单。 3、分析思路 三方面拆解： 公式拆解：通过对支付转化率的公司进行拆解，支付转化率 = 支付人数/ UV ，支付人数根据订单类型拆解为预置订单支付人数 + 快速订单支付人数，UV拆解为预置UV和快速UV。根据公司业务特点，区别于传统电商，存在快速订单，快速订单依赖导购的私域客户资源，容易产生波动，故通过订单类型拆解。 业务流程拆解：线上购物平台，用户购买流程：注册-访问首页-访问二级页面/活动页-下单-支付-售后-评价-复购，通过各个环节的转化率，找出转化率的环节，再进行针对性改善。 生命周期拆解：新用户和老用户 新用户定义：当月注册且消费的用户 新用户注册后，刺激首单消费，老用户刺激复购 本次分析主要围绕新用户展开，平台目前处于成长期，主要精力在获取新用户。 分析模型：交叉分析，对比分析，漏斗分析，帕累托分析，四象限分析 4、数据处理 本次比赛选择企业数据，已脱敏处理，不能反映企业真实情况，仅作为本次比赛使用。 数据处理主要为数据脱敏和数据集合并，新增列和过滤操作。 数据处理是整个数据分析流程中最耗费时间的步骤，大概占据60-70%的时间，由于原始页面访问数据量较大，时间都是精确到秒界别的，为了减少数据量，故在获取数据时候将时间按天处理，合并了一个用户一天多次访问的记录。6.0版本相比5.0版本，公共数据集分为excel,sql,数据库表三种类型，加载到分析主题中后，上述三种数据集进行关联后增加字段可以直接合并在原数据集，相比5.0方便很多。 转化分析表 通过上下合并注册页，首页，二级页面，商详页，支付页 商品订单明细表 通过原始商品订单明细表和用户注册表关联，获取用户注册时间，计算用户注册到下单时间差 计算注册时间到支付时间的相差天数 5、可视化报告 总体结论前置，先上总体结论，然后再根据不同维度展开分析。利用组件背景突出结构化显示 总体结论 第一部分，总体指标情况 第二部分，月度销售和转化率对比 5月转化率计算，使用DEF函数 用户渠道分布，即一个用户在多少个渠道购买过，参考用户购买频次分析，使用DEF函数 用户购买频次分析- FineBI帮助文档 FineBI帮助文档 (fanruan.com) 第三部分，月度预置指标对比 5月平均下单到支付时长，注册渠道和新老用户维度下的指标计算，使用DEF_ADD函数 漏斗分析，各页面转化率 结合漏斗图，转化率，UV和购买频次得出以下结论： 6月注册UV52326，环比上升12%，但后续各页面UV均下降，其他utm、小程序收银、停车缴费预置注册UV环比上升，其中小程序收银和停车缴费为强制注册线上用户，用户后续访问深度不足，需针对性制定运营动作刺激用户回流。 从用户购买频次看，购买1次的用户无论是否新老用户，下降明显，其中新用户下降70%，6月新用户支付转化降低。 第四部分，月度各渠道新用户首单分析 新用户首单平均2天内完成，优惠券门槛金额50-300，GMV20-180，建议业务部门根据各个渠道新用户首单特征制订方案。 最终结果呈现的页面布局 三、参赛总结 1、FineBI工具 新版本主题模型可以复用计算指标和组件 数据处理速度更快，预览可支持1000万行内数据，数据可筛选，可查看字段中的所有枚举值 对于处理大数据量有优势，可以快速进行数据处理，数据建模，数据可视化 2、参赛总结 克服的困难：新版本的学习，结合视频和帮助文档，再通过实操，逐渐掌握新版本使用。

一、选手简介 1.个人介绍 帆软社区用户名宝矿力不加冰，从事数据分析相关工作，目前我司和帆软是合作关系，个人感兴趣的方向是业务数据分析方向，希望能深入某个行业做数据分析相关工作。   2.参赛初衷 希望通过比赛以赛代练，锻炼自己分析的能力和能更加熟练对FineBi的使用。   二、作品介绍 1、业务背景 这是一家新零售公司，公司在线下经营有大型购物百货，近两年成立了线上的团队，线上是自建平台，通过两年的努力积累了一批用户，也有了一定的数据积累包括用户消费数据，行为数据，标签数据等。公司希望能看到当前线上和线下会员的整体情况，主要是会员偏好分析，有了这些分析后，公司希望能针对不同的会员采取不同的维护策略，因此希望公司数据团队能对会员进行分析，能给业务部门一些参考思路或建议。   2、分析思路 针对不同的用户，发现不同用户的差异，指导业务部门能做些什么。 整体分析思路： 用户来源 + 用户生命周期 + 用户消费偏好 不同用户分为线上/线下和新老用户两类 分析维度： 用户，渠道，时间，订单类型，浏览页面类型，会员等级 分析方法： 交叉分析，TOP分析，对比分析，分组分析，结构分析   3、数据处理 3.1数据来源： 本次比赛选择企业数据，已脱敏处理，不能反映企业真实情况，仅作为本次比赛使用。 三部分数据：用户信息表，用户浏览数据和线上销售订单明细表 3.2数据处理 一张用户信息表，四张用户浏览数据表，一张商品订单销售明细表 通过用户ID进行关联，创建自助数据集将浏览数据和用户信息整合到一张表 生成自助数据集： 新增衍生字段： 最近一次浏览与注册时间间隔天数 首次浏览与首次支付间隔天数 商品订单明细表通过Excel脱敏处理   4.可视化报告 4.1.整体情况分析 从注册用户，用户来源渠道，订单成交三方面进行整体情况描述。 b.会员留存分析 通过各渠道用户注册情况，注册后的留存，注册后当天是否有购买行为，无购买行为的用户最后一次浏览页面展开分析 c.会员成交分析 通过不同用户(线上/线下和新老用户两类)的消费偏好，不同渠道的用户消费特点，使用优惠券比例和不同促销方式的对比分析。 4.5图表排版布局 总体结论前置，先上总体结论，然后再根据不同维度展开分析。利用组件背景突出结构化显示。 仪表板公共链接：https://bisolutions.fanruan.com/webroot/decision/link/LqrE   三、参赛总结： 1、FineBI工具 模块化的工具能更高效的处理数据和计算指标，能让分析人员把更多的精力投入分析中。 点赞的功能点： 配合Excel插件能实现业务部门复杂式报表需求。 组件复用功能，能快速复用自己或者他人制作好的组件，提高制作仪表板效率。   2.参赛总结 时间管理真的很重要，本次比赛成为了压哨选手，真的是到了最后一分钟才提交的作品，此次完成作品自己的时间没有合理安排好，时间较为紧张，分析深度和仪表板美化都有提升空间，希望后续能利用工作之余继续完善补充，给出一份自己满意的答卷。

1.初遇帆软 还记得是2019年11月份左右，工作上突然接到一个需求，某集团领导会到区域公司视察，区域公司希望能将已经制作好的某主题分析报表更好的展示出来。报表已经制作完成，但数据源是来自于EXCEL的，需要每天手动上传更新，他们的需求是希望可以实现自动更新数据。图片(机会来了)，在这之前可是完全没有听过帆软，但还是硬着头皮冲了，FineBi官网的教程还是比较全面和通俗易懂的，通过边学边做，最终提前交付任务，并且优化了图表的展示方式，得到了区域同事的认可。 2.帆软可视化大赛 简单说下过程和感悟，获奖，被一个关注的公众号分享自己的案例。 2021年，时隔两年，通过帆软公众号看到有可视化大赛，当时也处于一个待业状态，时间比较充裕，可以通过参赛锻炼自己，发现自己的不足之处，于是就报名开始准备了，前前后后总共用了两周的时间，从选题-数据准备-数据预处理-数据分析-可视化报告，也算是一个小项目了，贯穿了整个数据分析的流程，最终比较幸运的也获得了个人赛的最佳行业应用奖。在一个月后也是被一个关注的公众号以案例的形式分享了出来，当时心里真的是暗爽哈哈哈。   3.考证，FCBA 之前立了Flag要考FCBP的，结果因为工作比较忙的原因，只拿下了FCBA就没有后续了，现在再来一个Flag吧，2022年拿下FCBP...   4.2022展望 希望这一年能增强自控力，提升自己工作能力的同时，也多学一些生活技能，即将到而立之年，希望自己能变的更强，加油。  

本人刚参加了2021帆软夏季可视化大赛，之前工作中也使用过finebi，自认为对finebihi比较熟悉的，看到认证之后就去尝试直接考试了，哈哈一次就过了，但也遇到了一些知识盲区，希望后续继续学习，今年的目标是拿下FCBP，一个是提升自己使用finebi的能力，二是能在求职的道路上更加顺利一些。

一、选手简介 1、个人介绍帆软社区用户名andy-lin，坐标深圳，之前从事数据分析相关工作，工作使用过Finebi做项目，个人感兴趣的方向是业务数据分析 方向，希望能深入某个行业做数据分析相关工作。 2、参赛初衷a.希望通过比赛重新熟悉FineBi，提升BI工具的使用方法和技巧。b.通过参赛锻炼自己，发现自己的不足之处。   二、作品介绍 1、业务背景这是一家某网约车公司，公司希望能看到当前网约车业务的整体情况，主要是平台经营情况和客户行为偏好分析，有了这些分析后，公司希望能针对不同的客户采取不同的维护策略，因此希望公司数 据小组出具一份数据分析报告，能给于业务部门一些参考意见。 2、数据来源 自选数据：根据网上公开数据进一步加工得到。 原始数据字段信息： 145343 3、分析思路搭建业务分析框架，可以从指标，业务，流程三个角度出发整体分析框架主要是通过OSM + 用户生命旅程角度和"人货场"开展         目标O       策略S       度量M       获取A       获取新客户       拉新，渠道推广，打广告       新增用户数，新注册用户数，注册转化率       活跃A       提高使用频率       运营活动，活动奖励       日活，月活，浏览量，点击量       留存R       提升留存率       优化产品功能，用户运营活动       留存率，流失率       变现R       提高收益       提供多种支付方式，提高支付体验       客单价       传播R       获取新用户       分享       K因子    分析维度：客户，车型，城市，时间，渠道，设备分析方法：交叉分析，下钻分析，对比分析，TOPN分析(静态和动态)，RFM分析，帕累托分析，四象限分析  4、数据处理 有哪些表，原始数据是怎样的，处理后的数据是怎样的，做了哪些处理 用户订单数据表，2020中国城市分级数据 表名 类型 2020中国城市分级数据 维度表 用户订单数据明细表 事实表     4.1数据读取 用户订单数据表原始数据有两份excel表，字段完全相同，故需要进行合并，使用python处理，IDE是jupyter lab。 读取数据 4.2数据清洗 a.转换格式   b.删除重复字段   用户订单基础数据表和用户基础数据表存在重复数据，用户基础数据表比用户订单基础数据多出两个重复字段order_car_type_id和order_car_type_name，需要删除处理。   c.数据合并   d.查找重复值 e.删除重复值 删除完全重复的数据 f.查找缺失值   g.查看关键字段的唯一值 1.服务类型 2.订单状态 3.车型 4.订单分类 5.接单类型 6.订单来源 发现异常值，如有特殊符号？，进行数据清洗。 4.3宽表制作 主要为了得到两张自助数据集宽表，用户订单数据和综合标签用户订单表 2020中国城市分级数据和车型维度表数据作为维度表，用户订单数据作为事实表，三表进行关联创建自助数据集。 4.3.1用户订单数据 a.用户订单数据表左合并车型维度表 b.新增衍生字段 是否提前预订--根据预订日期和用车日期的时间差判断 城市群--根据城市打标签，主要是京津冀，江浙沪，川渝，粤港澳四个城市群 c.左合并2020中国城市分级数据 d.新增衍生字段 用车类型--预约用车，即刻用车 星期几--根据用车时间判断是星期几   4.3.2综合标签用户订单表     a.RFM分析 过滤：RFM标签只根据完成的订单计算 • 最近一次消费时间（R）：客户距离最近的一次用车时间的间隔。--用车时间 • 最近一段时间内消费频次（F）：指客户在限定的期间内所购买的次数。--订单消费频次 • 最近一段时间内消费金额（M）:客户的消费能力，通常以客户单次的平均消费金额作为衡量指标。--用车花费金额 具体计算过程可以参考官方教程： https://help.fanruan.com/finebi/doc-view-703.html b.取消订单用户表 因为计算RFM时过滤掉取消订单的数据，这里根据订单状态和下单数量计算出那些一次下单且取消订单的客户 c.将RFM表和取消订单用户表合并得到综合标签用户订单表   5.可视化报告 5.1整体情况分析 从各个维度描述，覆盖城市，订单完单率，用户分布，订单金额贡献，订单渠道，客户设备，车型偏好，出行服务，客户价值 5.2城市订单贡献分析 通过城市群，城市分级，城市，车型四个不同维度展示订单贡献情况，使用帕累托分析法(参考： https://help.fanruan.com/finebi/doc-view-702.html) ，也就是常听到的二八法则。 提供过滤组件，可以对日期，城市分级，城市进行筛选。 5.3出行场景和服务分析 维度有工作日，周末，用车场景分为预约用车和即刻用车。对比工作日和周末，预约用车和即刻用车，不同出行服务的订单量 提供交叉明细表，可进行城市分级维度下钻分析   5.4客户价值和首次接单类型分析 a.使用RFM模型对客户进行价值分层，共分出8类不同的用户，加上针对一次下单且取消的客户，总共分出9类不同价值的客户，针对不同的客户采取不同的维护和营销策略。 b.首次接单类型分析，针对系统的派单逻辑，根据两个完单率和客单价两个维度去评判派单的质量，总共分为四个象限。 优质首次派单：客单价高，完单率高。 普通首次派单：客单价低，完单率高。 问题首次派单：客单价低，完单率低。 待优化首次派单：客单价高，完单率低。 c.仅成交一单的客户分析 定位仅成交一单的客户价值和客户分布情况，后续可针对具体客群和城市进行问题跟进。 5.5图表排版布局 总体结论前置，先上总体结论，然后再根据不同维度展开分析。利用组件背景突出结构化显示。 146420 三、参赛总结 1、FineBI工具 模块化的工具能更高效的处理数据和计算指标，能让分析人员把更多的精力投入分析中。 自带的仪表板配色，能轻松快速的完成美化。 2、项目总结数据分析流程：1.分析目的2.分析框架3.数据获取4.数据清洗5.数据分析和可视化6.数据报告7.落地闭环明确分析目的，搭建分析框架是重点，梳理好框架后续才能越走越顺，不要盲目做图表。将来的你一定会感谢现在努力的你，加油，打工人，加油，数据人。 2021帆软BI夏季挑战赛_网约车平台数据分析_林汇泉.pdf (4.15 M) 编辑于 2021-8-10 22:43