请上传宽度大于 1200px,高度大于 164px 的封面图片
    调整图片尺寸与位置
    滚轮可以放大缩小图片尺寸,按住图片拖动可调整位置,多余的会自动被裁剪掉
取消
柠檬树(uid:207706)
职业资格认证:FCA-FineBI | FCP-报表开发工程师
报表学习班结业总结
我已经学完报表工程师从入门到精通课程,详情请看:报表工程师从入门到精通·实战班 1.学习初衷 接触帆软已有几年了,但是一直都是自己摸索,查询帮助文档和咨询技术支持,一直没有系统学习过,这次是参加夏季的FineBI比赛有幸获得这次学习班的机会。想通过本次学习督促自己考取FCA证书和FCP证书。   2.学习经历 之前也参加过FineBI的学习班,所以对于交作业这块有点经验,不会像之前初上学习班的时候只在周末开始做作业,这样会导致学习到很晚。但是这两个月以来,遇到对自己来说难度较大的作业还是会需要花费很多时间。犹记得上次FineBI交作业因为自己的马虎痛失分数,这次本想一雪前耻,努力做好,可是往往现实很残酷,还是会因为没有仔细审题丢分。总的来说,不管是学习还是工作,都要认真仔细,提交前做好检查。当然总会有出错的地方,那就从容面对,放平心态,吃一堑长一智吧。   3.学习成果 (1)个人成长 本次学习掌握了很多函数的用法,之前工作上用到的函数是比较简单的类型,本次学习到数组函数、层次坐标函数。 本次学习影响最深的就是层次坐标函数和制作万年历,层次坐标函数初次看教学视频的时候还没有完全理解,做作业的时候尝试研究了多次才逐渐理解。制作万年历也是为达到跟作业题目一模一样的效果,尝试设置了很多次。 学习的初衷就是为了通过FCP证书,希望能获得满意的成绩。   4.小结 2个月的学习很漫长,几乎每周都是在做作业,但是一份耕耘一份收货。
【2023BI数据分析大赛】2023年劳动节期间本市景区旅游数据分析
一、选手简介 1、选手介绍 · 个人介绍:帆软社区用户名:柠檬树 · 职业简介:数据开发相关工作,日常从事数据开发和报表制作,工作中使用过FineBI和FineReport。 2、参赛初衷   因为工作调度原因,有一年时间未接触帆软产品,想借此机会复习下。并且本次系统版本是6.0,之前没有操作过这个版本,想通过这次参与学习到更多内容。   二、作品介绍 1、业务背景介绍        疫情后2023年旅游业迎来巨大复苏,旅游业收入会得到大幅增长,但2023年上半年的数据并不乐观。通过分析2022年和2023年劳动节期间本市景区的有关数据,来分析背后的原因,并结合游客画像及不同类型游客的景区游览路线(一个游客ID可能对应多个景区)和游玩风格,制定相应的营销与服务策略,以推动当地旅游业的增长。  2、数据来源           本次主办方特别友好,整理了很多获取数据的方式,但是浏览了各种网站,依旧寻找无果。迫于时 间的紧迫性,最终还是选择了参考数据。 3、分析思路 4、数据处理 参考数据中有2张表,一张含有游客基本维度和指标的宽表,一张是景区信息维度表,维度表中需要用到业务大类,所以需要将2张表通过景区名称关联,获取对应景区名称的业态类型。本次分析中主要生成了2个大宽表,表1是在原来宽表基础上根据分析内容增加指标或配置。增加了年龄分组,通过自定义分组将年龄划分为多个年龄档,从而方便分析各年龄段的喜好和消费习惯。通过左右合并获取景区信息维度表中的业态类型。为对比2022年和2023年数据,根据日期分组为2022和2023。  因为要制定景区游览路线,可以使用购物篮分析方法获得较受欢迎的旅游路线,表2是根据购物篮分析方式处理相关数据。通过左右合并等设置获得支持度、置信度、提升度。 5、可视化报告 5.1总体概况:展示2023年游客总数、总收入、平均满意度、日均客流量,通过2022年与2023年数据对比分析得出相关结论。过滤组件的作用除了方便查看各类景点的数据,还可以罗列出本市有哪些景点类型及景点。 通过4个指标卡可以第一眼知晓本次劳动节游客总数、总收入(主门票收入+副门票及周边收入+餐饮收入),通过景区筛选可以迅速了解各个景点的数据概况。通过2022年和2023年数据对比,可以看出游客人数增长较多,但收入方面增长相对增长较少。 5.2 游客画像:展示游客的年龄段分布情况,游客年龄与游客类型、消费水平、游玩景点之间的关系,展示游客省份分布及出行方式。由图表可知年龄段在20-30的游客人数较多,副门票及周边消费也是最多的。游客多来自于周边城市,需要加大服务满意度,扩大口碑宣传。 5.3渠道分析:通过二八分析和波士顿矩阵分析模型,分析出高客单价且有稳定销售的优质渠道。由渠道二八分析和波士顿矩阵图可以看出美团和马蜂窝渠道购票人数较多,且该渠道的客单价较大。可分为三类渠道。A类:美团、马蜂窝;B类:飞猪、去哪儿、携程;C类:官网、线下窗口、官方小程序。 在各类渠道中大慈寺、金顶寺、森林公园同步购买较多,美团渠道中杜甫故居、李白故居、南山、茅盾故居、人民剧院订单较多,由此在规划游览路线时可参考以上景点,定制相应的组合套餐。 5.4 景区满意度分析:通过环境满意度、项目满意度、服务满意度三个方面的满意度数据,分析出较受欢迎景区的制胜点,从而借鉴学习。分析出某些景点在本次假期有哪些差强人意的方面。将满意度在4.5-5设置为非常满意,4-4.5为满意,3.5-4为良好。3-3.5为中等,3以下设置为不满意;由数据可知环境满意度中,杜甫故居、大慈寺、玻璃房、美好湿地满意度都较高,其中杜甫故居满意度4.5以上占比最多,在游玩该景区人数中占比40%。在项目满意度中,不满意占比相比较多,后期在此方面需加强。 分析满意度在3以下的订单,可以看出金顶寺在三项满意度中差评率都较多,南山的环境满意度中差评也较多,需要后期在各个方面做相应调整。 5.5 景区游览路线分析:通过购物篮分析模型,将不同景区之间进行关联,并挖掘二者之间联系,从而便于推荐游玩景点路线。研究景点之间的关联数据可以看出金顶寺和大慈寺,李白故居和杜甫故居关联度较高,可将支持度和置信度较高的景点制定组合套餐和游玩路线。由提升度分析可知,美好湿地和桃子湖、森林公园的提升度高于1,说明此组合方式有效。 本次主题是浙江景区数据分析,故而选择清新的绿色为主色调,最终呈现效果图: 三、参赛总结 本次版本较之前5版本改动还是挺大的,框架上就有明显变动。在使用中有以下感受: 1、图片组件不能单独设置背景 2、组件修改样式后要在右下角选择仪表板,才能看到效果,以前版本是在组件编辑界面上方就可以点到进入仪表板 3、复制组件,字段更改后,要重复设置。  
BI线上学习班心得-一分耕耘,一分收货
    关于学习初衷,最开始接触帆软是因为工作需要,之前没有接触过此类工具,当时身边也没有同事熟悉这块内容,自己是根据帆软平台上的视频课程学习的。在后来的工作中也是在不断摸索和查阅帮助文档,没有系统学习过。偶然获得这次的学习课程的机会,初衷是想通过学习查漏补缺,后经过这次学习,除了提升了工具使用的技能,同时搭建了数据分析思维的框架。     关于课程,本次学习课程时间是3周,第一周的时候基本是周一到周五利用中午时间把视频课程看完,然后周末做作业。第二周发现不能把作业集中在周末,要提前完成部分作业。所以后面两周基本在交作业前几天都是作业做到晚上11点。对于像我这样的懒癌患者以及学习自觉性差的同学来说,报这样的课程是快速学习最为有效的方法。所以当把这次课程学习完,翻看之前做的作业,内心很有成就感。     关于作业,因为自己的粗心,上交的作业不是漏掉的截图步骤就是漏做最后一题,再就是理论题答非所问,因为这些细节问题丢了不少分,所以做任何事都需要认真仔细,并且做完之后一定要检查。     最后通过这次学习,了解了更多的图表展现形式,在数据分析思路上有了进一步的认识。非常感谢帆软的答疑老师和一起学习的同学。学习之路还很漫长,当学习了这些之后就会发现还有很多知识内容是自己不知道或不成了解的,学无止境,勤则可达,与君共勉。 编辑于 2021-11-25 16:06
【2021夏季挑战赛】某线上课程平台运营驾驶舱
        一、 选手简介        1、 选手介绍         帆软社区用户名:柠檬树        职业简介:数据开发相关工作,日常从事数据开发和报表制作,工作中使用过FineBI和FineReport,之前也从事过网站运营相关工作。                2、 参赛初衷        想借此机会挑战自己,给自己设定目标,从而更加深入学习FineBI。同时通过完成这次比赛学习数据分析相关内容,给以后的工作积累经验。                 二、 作品介绍        1、 业务背景介绍                近年来,网络上涌现了越来越多的在线课程平台,本次结合某线上课程平台的数据分析平台运营相关内容,提供平台运营策略。        2、 数据来源              寻找数据对于个人选手是个比较困难的过程,浏览了各种网站,终于找到比较符合的数据。我的数据来源于和鲸社区,下载的数据包里共5张表,分别是登录表、课程信息表、全部信息表、用户表、用户地区表。        3、 分析思路                3.1 首先查看了5张表之间的联系,根据5张表中的字段可以分成两大内容,一是用户方面,二是课程方面。围绕这两大主题,初步制定了整体的框架,采用总分的形式,首先是总体概况,然后针对用户和课程分别分析。        3.2 用户方面提炼了以下关键词:注册、登录、留存、流失、收益、粘性。初步是准备使用AARRR用户运营分析模型,但因为表内字段缺少推广渠道和推荐等相关内容,所以根据现有的字段内容主要使用了用户生命状态分析模型、用户粘性分析模型以及FRM用户价值分析。        3.3 课程方面提炼了以下关键词:热门课程、课程价格、课程进程。针对课程使用了购物篮分析模型、TOP分析以及ABC分析模型。       4、 数据处理        4.1针对用户生命状态分析,用到了全部信息表中的用户ID、注册时间、最近登录时间,因日期是记录到2020-06-18的,所以把这天直接作为今日日期,然后计算最近登录时间距离现在有多久,从而将用户分类。定义将注册日距今小于180天且最近登录时间距今小于60天的用户划分为新用户;将注册日距今小于180天,最近登录时间距今大于60天的划分为一次性用户;将注册日距今大于180天,最近登录时间距今小于60天的划分为忠实用户;将其他类型归为流失用户。根据以上分析制作了如下自助数据集:                 4.2 使用登录信息表制作用户粘性分析,首先将登录时间和用户ID通过分组汇总去重,一天内只记录一次登录,再新增计数列,最后通过分组汇总每周内用户登录的次数,如图:               4.3 分析用户参与付费课程的情况,使用RFM分析模型将用户分类。取全部信息表中用户ID、省份,取课程信息表中的用户ID、课程加入时间、价格,两个表左关联。分析的是付费课程的情况,所以过滤掉价格为0的记录。表中最大数据日期是2020-06-18,因分析需要新增一列将2020-06-19设为今日日期,从而计算用户距离最近一次采购时间的间隔(R);通过统计课程加入时间的次数计算出用户参与付费课程的次数(F);通过统计课程的价格计算用户的消费金额(M)。再通过求平均值,以及和平均值比较,得到向量化的三个指标。                 4.4 在分析课程方面使用了购物篮分析模式,目的是通过分析用户参与的课程,挖掘同一个用户选择两类课程之间的联系,从而分析出已选择A课程的用户后期更倾向于参与哪种课程,由此达到推荐使用户满意的课程。此分析模式创建了3个自助数据集,一个是计算出参与课程的总用户数;一个计算参与单个课程的用户数;最后计算同时参与A和B的用户数,将以上三者合并计算得到“支持度”、“置信度”、“提升度”,如图:                5、 可视化报告        (1) 整体框架是总分的形式,第一屏主要概括平台的整体运营情况,主要使用了指标卡、仪表盘、折线图等组件,重点展示了本年平台的运营情况,将本年与去年同期数据对比,凸显本年平台运营的大好情况。使用地图和柱形图相结合的形式展现在各省份地区的用户分布情况,地图中设置了省份下钻到城市。在第一屏结束对平台整体情况做文字概述和数据分析。                 分析报告第二屏是对用户的分析,首先通过用户生命状态和RFM价值两种分析模式,将用户以饼图形式分类。其次通过用户粘性和多维度统计用户数和体现用户特性。                第三屏是课程的分析,首先是统计十大热门课程,以条形图直观展示选择热门课程的用户数情况,表格形式辅助展示详细的热门课程信息。使用购物篮分析模式,以矩阵图的形式展示课程之间的联系,用于指导推荐课程给相应的用户,提高运营精准性。        145495        在课程分析同时使用了ABC分析模式,因数据限制课程未分类,所以最后展示的课程较多,但代表性的A、B、C类课程还是可以体现出来。                (2) 数据分析结果        整体分析:        ①由用户每月注册趋势图可知2020年是本平台的突飞猛进的一年,本年新增用户数占累计用户数的52.39%,本年新增课程收益占总额的95.73%,本年同期新增增长率基本都超过100%。可推算出2020年02月平台举办了拉新用户的活动和促进用户参与付费课程的活动,活动效果非常成功,建议可研究该活动优势,后期举办同类活动。        ②由各省份用户数分布情况可知本平台用户主要分布在南方地区,尤其广东对平台认可度较高,其次是湖北、北京、江苏,排名第一与第二的差距较大,说明本平台前景市场是可观的,但是其他城市的用户推广还需加把力,可学习借鉴广东省的运营策略。        用户分析:        ①根据用户生命状态分析方法,可以看出流失用户占比较大且忠实用户较少,建议对有过课程记录的流失用户和一次性用户做邮件或短信推送;而对于新用户需要增加平台活动频度,保持用户粘性。        ②由在线用户情况可知,从2018年09月到2020年06月期间每月用户数整体呈增长趋势,每年的春秋季节普遍会达到一个波峰。由每日用户在线人数走势可知,在上午10点、下午3点、晚上8点是人数最多的时间段,建议在此时间点做广告推送等其他营销类活动。        ③由用户粘性数据分析可知,平台在2020年3月-4月用户活跃较高,每周登录次数超过2次的用户数在3月末的时候达到最高4566人,之后用户数逐渐回落。建议平台在用户运营上需要多制定一些提高用户活跃度及粘性的活动,例如打卡签到等激励措施。        ④分析用户所填学校的信息,根据已填内容,可以初略观察到有“职业”和“师范”关键词的学校较多,于是将学校名称自定义分组,增加职业学院和师范学院类别,以上大类分别占已填用户的百分比为25%、17.76%。        ⑤ 根据RFM分析模型,平台用户占比最多的是一般挽留客户(很长时间未买,购买的频率和金额较少),应该面向该部分人群推出营销活动,拉动用户的积极性;其次占比较多的是一般发展客户(最近购买过,但频率和金额都不大),应向该客户推送公司主营业务,通过宣传推广让产品信息送达客户手中。        课程分析:        ① 由平台的十大热门课程数据可知,其中6门是免费课程,且排名第一的课程为免费课程76,选择此课程的用户数占所有用户的30.21%;4门付费课程,价格分别是109元和299元。由此分析主要受众群体是追求价格优惠的用户,在课程开发上可以偏重于此价位。        ② 分析进度完成100%的课程情况,可以看出课程31的用户最多;连同十大热门课程信息一起分析可知课程31、课程17、课程34为优质课程,后期可以重点推广。        ③ 分别分析免费课程和付费课程完成进度情况,进度在20%以下占比较多,需要制定激励或督促类型活动。        ④根据课程关联分析,由支持度分析图表观察到同时参与课程31和课程17、课程191和课程180两类组合的用户较多,可对只参与其中一种课程的用户推荐对应课程;由提升度图表可以制定推荐课程的优先顺序,首推提升度较高的关联课程。5、由ABC分析模型可知,付费课程中A类课程(数量少,价值大)的代表是课程173;B类课程(没有A类那么重要,介于A、C之间)的代表是课程94;C类课程(数量占比多单价值小)的代表是课程67。        (3)最终结果展示      145494                   三、参赛总结                     1、FineBI工具            FineBI在工作中有用到,优势就不赘述了,重点夸赞下帮助文档和培训视频都很全面,极易上手。希望在后期可以增加多一些图表功能。                     2、自我总结            原来对数据分析模型知之甚少,通过这次学习到很多数据分析方法,也了解到自己很多欠缺的地方,今后还需加油,学习之路还很漫长。线上课程平台运营分析.pdf (1.59 M)
个人成就
内容被浏览12,124
加入社区5年88天
返回顶部