“开着飞机换引擎”                 —物流企业数字化转型之路，提质增效，绿色发展！   -----来自新闻媒体评价的“开着飞机换引擎“          想象一下，在数千米高空，一架飞机正在执行任务，而机组人员正巧发现引擎需要更换——这听起来几乎是不可能完成的任务，但AN物流公司却以这样的魄力和技巧，将这个比喻变成了现实。他们不仅没有让飞机降落，反而在保持飞行的同时，巧妙地完成了引擎的升级。这正是AN物流公司在业务不断扩张的同时，敢于进行大胆改革，不断创新技术，提升服务效率的真实写照。他们展现了在不中断服务的前提下，如何巧妙地进行内部升级，确保企业持续高效运转，就像在飞行中完成引擎更换一样令人惊叹。               AN物流于2010年6月1日在上海成立，是国家AAAAA级综合服务型物流企业，以“物流创造无限可能”为使命，行业首创货运合作商平台模式，专注为客户降本增效，提供高性价比、更好体验的公路运输服务。                      作为中国零担快运“领跑者”AN物流依靠创新型商业模式推动，持续从客户和市场需求出发，创新推出“MiNi电商系列”、“精准零担快运”、“定时达”、“安心达”等符合市场需求的行业优势产品，目前已为包括电商、制造商、批发商、零售商企业等约550万终端客户提供服务。                 以大数据、云计算等科技手段为基础，自主研发52套IT系统推动科技创新和运营结合，精细化管理实现了运营的全链路数字化。AN物流的发展得到社会各界的广泛认可，先后获得“中国运输领袖品牌”、“21世纪最佳商业模式奖”“中国物流杰出企业”等150多个重要荣誉及奖项。同时AN还参与定制《快运术语》、《质量分级及“领跑者”评价》等多个行业标准。                      AN物流公司是国家5A级综合服务型物流企业，以“物流创造无限可能”为使命，行业首创货运合作商平台模式，专注于为客户降本增效，提供高性价比、更好体验的公路运输服务。作为行业“领跑者”，企业依靠创新型商业模式推动，持续从客户和市场需求出发，创新推出一系列符合市场需求的行业优势产品，目前已为包括电商、制造商、批发商、零售商企业等数百万终端客户提供优质服务。目前我司全国已拥有近30万+网点，2000+条运输线路，实现乡镇覆盖率98%以上。            在全国各行各业数字化转型浪潮下，作为物流行业的“领跑者”，不断顺应时代变化，已建立起以云计算、物联网、大数据等技术手段为基础，50+套自主研发的IT系统为助力业务精细化管理，实现了运营的全链路数字化。            意识到企业当前的挑战和局限后，我们采取了积极的措施来克服这些问题并弥补短板。为此，我们引入了“平衡计分卡”这一战略工具，以确保我们的行动计划与企业的长期愿景和年度目标——即“数字化智能化转型”和“绿色物流”——保持一致。通过这种方法，我们不仅能够系统地解决现有的问题，还能确保在实现战略目标的过程中，我们的努力能够产生最大的影响力和价值。              物流企业的数字化转型是一场融合创新科技与战略智慧的革命性旅程，它标志着企业从传统运营模式向智能化、自动化的现代物流生态系统的华丽蜕变。这一转型依托于云计算、大数据、物联网（IoT）、人工智能（AI）、机器学习等前沿技术，构建起一个高度集成、响应迅速、智能优化的物流网络。         通过深度整合的数据架构，企业能够实现对供应链的全景式洞察，优化库存管理，提升配送效率，同时通过高级分析工具，预测市场趋势，制定前瞻性策略。客户体验的数字化重塑，通过定制化的智能服务，不仅增强了个性化互动，也极大提升了服务的响应速度和质量。         安全与合规性的强化，通过先进的加密技术和严格的数据治理，确保了企业数据的安全性和隐私保护。此外，数字化转型还包括对人才结构的优化，培育具有数字素养的人才队伍，以及推动企业文化的创新和适应性，鼓励跨界合作和开放式创新。         物流企业通过这一系列高端战略的实施，将实现从单一物流服务向综合解决方案的转型，成为全球供应链中不可或缺的智慧中枢，引领行业迈向一个更加智能、绿色、高效的未来。                           运单时效一直是全物流行业关注的焦点，也是物流企业的最体现核心竞争力的业务领域。众所周知，运单时效会随着整体的成本不断投入会显著得到提高，原因是投入的成本会分别从运输车线数、车辆数量、分拣设备、人员招聘等多方面向加快时效的方向转化。但是当运单时效达到一个阈值时，继续的成本投入不再带来的运单时效的提高，整体来看甚至会减少企业收益。物流企业的成本结构主要由“人、车、油、场、设备”等方面构成，这些物流资源的合理分配与利用，才能最大化发挥其价值，为企业创造更大利润。 “运的多”——是指运单量，物流企业的效益好不好，首先要看的就是运单量或是货量，只要有大量的客户选择我们，信任我们，企业就能正常运转，物流业务的飞轮效应才能快速运转。 “运的快”——是指运单时长，对我们的客户来说，无论是买方或是卖方，如果货物能够更快的到达使用者手中，不仅节省我们企业自身的成本，还能为客户创造更多价值。 “运的准”——是指延误时长，与运单时长类似，运单延误时长不仅会给企业自身增加成本压力，也在客户心中埋下服务差，可信度低的种子。         物流业务的飞轮效应（Flywheel Effect）是一个比喻，源自于物理学中的飞轮概念，指的是一个系统或过程一旦开始运转，就会因为其内部的动能而越来越快，最终达到一个稳定且高效的运行状态。在物流业务中，飞轮效应可以这样理解：         初始推动：在物流业务的早期阶段，需要较大的努力来推动业务运转，比如建立运输网络、获取客户、优化流程等。         逐步加速：随着业务的逐步发展，客户基础的扩大、流程的优化、技术的应用等，使得物流业务的效率逐渐提高。         动能积累：物流业务的各个方面开始相互促进，比如良好的客户服务可以带来更多的回头客，高效的运输可以降低成本，技术的应用可以提高准确性和速度。         自我增强：业务的各个方面开始形成一个正向的反馈循环，即飞轮的旋转带动更多的动能，使得业务运转得更快。         稳定高效：最终，物流业务达到一个稳定而高效的运行状态，即使减少外部推动力，也能维持高效的运转。         持续改进：在飞轮效应的基础上，物流企业可以持续进行流程优化、技术创新和服务提升，以保持竞争优势。         规模经济：随着业务规模的扩大，单位成本降低，企业可以提供更有竞争力的价格和服务。         市场竞争力：飞轮效应使得物流企业在市场上建立起强大的竞争力，能够更好地应对市场变化和挑战。   物流业务的飞轮效应强调了业务发展中的动量和持续性，以及通过不断的优化和改进，实现业务的长期稳定和增长。        为实现对“运的多”、“运的快”和“运的准”的实时监控与洞察分析，我们借助了FineBI、FineReport和简道云等数字化工具。通过FineBI搭建业务仪表板，通过控件筛选、图表联动等模式，快速响应业务分析需求，提供解决方案，整个仪表板布局按照“说现状”、“查原因”、“定责任”、“提方案”、“拿效益”的分析思路讲述了我们是如何帮助企业改善运单时效，提质增效的。借助FineReport的参数报表制作的功能，实现了月报的格式化输出，可定期查阅当月的业务运营情况。与此同时，利用FineReport的FVS大屏功能搭建了“运单时效监控驾驶舱”，全体业务人员以及管理层可通过登录“数据决策管理系统”实时监控运单时效完成情况。为方便分拨人员能快速更新运单状态信息，我们采用简道云搭建了“运单查询系统”，主要功能用于运单信息的填报更新、运单状态的查询。             目前我司正在深入探索帆软系列产品（如零代码平台-简道云、自助式大数据分析工具-FineBI以及企业级Web报表工具-FineReport等）如何在物流业务中助力企业数字化转型进程，能够为企业提质增效，高质量发展。因此公司决定成立项目组以帆软系列产品为基础研发数据分析组件，大力辅助公司主平台的运转。针对物流业务中的运单时效方面进行现状洞察与决策分析，研发项目中主要以FineBI为主体，FineReport和简道云为辅助，其中FineBI的数据分析功能模块占比约占60%，FineReport的报表与大屏制作功能模块占比约30%，简道云的填报系统搭建功能模块的占比约10%。以下本次项目的架构图，详细介绍了每样工具的使用与产生的功能价值。     以下为本项目思维导图：        本次参赛数据模拟自我司运单管理系统和运输任务管理系统，隐藏了运单寄件人和收件人等敏感信息，仿照运单各环节时效点的操作场景设置完成时间点，设计运单表和运输任务表的表结构关系，同时模拟了业务中常用的路由规划表、车辆信息表和eHR系统的人事信息表等维度信息。本项目企业数据仅抽取单独完整业务流程并脱敏处理，运单表ewbs累计数据记录143670条，运输任务表tasks累计数据记录2928条，以下是数据字典信息：               作为一家物流公司，为了实现全链路数字化向客户提供更优质的服务，物流企业的生命线，核心业务就是运单时效，包括运单数量的多少，运单时长是多少，运单环节准点完成，以及运单准点签收率是我们最关注的内容。 物流专业术语定义：         1. 寄件分拨中心：每个城市的货车发车地点，由该城市各网点送货至分拨中心，由中心操作人员分拣货品至目的城市，装车集中发货。         2. 中转分拨中心：根据货车的运输时间、货品目的地址运输量综合调度待中转的货品，由其它分拨中心发货到件后，由中心操作人员根据收件地址分拣货品，装车运输至其他分拨中心。         3. 目的分拨中心：运单目的地所归属的城市分拨中心，由上一站分拨中心发货到件后，由中心操作人员根据收件地址分拣货品，装车运输至本城市的各网点。         4. 寄件网点：客户通过官方小程序或其他物流平台填写订单后，就近网点上门揽件或由客户送至网点。         5. 目的网点：由目的分拨中心运输货品目的网点后，按运单收件地址由本网点派送至收货方或收货方至网点取件。         6. 出发司机ID：寄件分拨发车的货车司机编号。         7. 到达司机ID：目的分拨到达的货车司机编号。         8. 走货路径：货物实际走货路线，寄件分拨-中转分拨-目的分拨或寄件分拨-目的分拨。 指标计算逻辑         1. 干线运单量=直发运单量+中转运单量*2         2. 支线运单量=网点-分拨运单量+分拨-网点运单量         3. 总运单量=干线运单量+支线运单量         4. 运单时长=实际签收时间-寄件时间         5. 运单延误时长=运单时长-规定运单时长         6. 分拨运单量=出发站运单量+中转站运单量+到达站运单量         7. 网点运单量=寄件网点运单量+目的网点运单量         8. 中转运单量=中转站卸车运单量+中转站装车运单量         9. 环比增长率=（12月数据-11月数据）/11月数据×100%（说明本月为2023年12月）         10. 同比增长率=（12月数据-去年12月数据）/去年12月数据×100%（说明本月为2023年12月）     图表解读： 1. 物品柱形对比图：12月份寄件网点所有物品类型运单量数量，颜色按帕累托分类，本月各类运输物品没有突出数量，若发现可以集中运力运输。 2. 产品型号柱形对比图：12月份寄件网点所有物品类型运单量数量，颜色按帕累托分类，本月各类运输产品类型没有突出数量，若发现可以集中运力运输。 3. 干线和支线全年运单量折线对比图：按年月维度，运单量为指标，干线支线区分颜色折线图，注释为本年最大运输月份及运单数量。 4. 中转和直发全年运单量折线对比图：按年月维度，运单量为指标，中转和直发区分颜色折线图，注释为本年最大运输月份及运单数量。     指标计算逻辑：         1. 干线运单天数 = 目的分拨实际到达时间 – 寄件网点实际交件时间         2. 支线运单天数= 交件运单时长(寄件网点实际交件时间 – 寄件时间) + 接件运单时长(目的网点实际到件时间 – 目的分拨实际到达时间)         3. 直发运单天数 = 不包含中转环节的运单干线运单天数         4. 中转运单天数 = 干线运单天数 – 直发运单天数     图表解读         1. 路段运输时间对比柱形图：路段名称为维度，运输时间为指标，对比各路段平均运输时间。         2. 各网点、各分拨、各车辆超时警报灯：         分别以网点、分拨、车辆按本月未在规定时间完成运单量数量/该网点、分拨、车辆本月总运单量×100%，计算出延误百分比。（说明比值越高，说明延误率越高，报警灯报警，报警灯设置3个颜色，对应百分比0-50%、50%-55%、55%-100%）。         3. 干线与支线全年运输天数对比折线图：2023年月份为维度，干线与支线月份平均运输天数为指标，颜色区分干线与支线。         图表中从货主至收货方，图形从寄件-网点-分拨-中转-分拨-网点-收件各环节，分别计算各环节本月平均操作时间、平均运输时间、平均派件时间。         寄件网点至寄件分拨运输时间=交件时间-寄件时间。         寄件分拨分拣时间=寄件分拨发车时间-交件时间。         中转干线运输时间=中转分拨到达时间-寄件分拨发车时间。         中转分拨分拣时间=中转分拨发车时间-中转分拨到达时间。         目的干线运输时间=目的分拨到达时间-中转分拨发车时间。         目的分拨分拣时间=接件时间-目的分拨到达时间。         目的分拨至目的网点运输时间=到件时间-接件时间。         目的网点派件时间=签收时间-到件时间。         环比增长率=（12月数据-11月数据）/11月数据×100%（说明本月为2023年12月）         同比增长率=（12月数据-去年12月数据）/去年12月数据×100%（说明本月为2023年12月）     指标计算逻辑         1. 干线延误时长 = 寄件分拨发车延误时长 + 中转分拨到达延误时长 + 中转分拨出发延误时长 + 目的分拨到达延误时长         2. 支线延误时长 = 交件延误时长 + 接件延误时长         3. 直发运单延误时长 = 不含中转的运单的实际到达目的分拨时间 – 规定到达目的分拨时间         4. 中转运单延误时长 = 不含直发的运单的实际到达目的分拨的时间 – 规定到达目的分拨时间     图表解读         1. 路段延误时间柱形图：以出发分拨至到达分拨的路段名称为维度，该路段到达目的分拨时间-规定到达目的分拨时间的延误时间为指标，展示各路段延误时间情况。         2. 走货路径延误时间=以寄件分拨至目的分拨的走货路径为维度，该路段到达目的分拨时间-规定到达目的分拨时间的延误时间为指标，展示各走货路径延误时间情况。         3. 干线与支线月度延误时间对比折线图：以2023年月份为维度，干线与直线延误时间为指标，展示干线与直线延误时间情况对比，及时了解延误情况，可以调节车辆，避免网点矛盾。         4. 各网点流向地图展示+各网点本周延误情况：流向地图中分别按收件网点和派件网点、该城市的分拨中心的经纬度展示地点，流向线颜色为运单量数量多少，本周延误情况以本周时间天为维度，各网点延误时间为指标，颜色区分本城市各网点的延误情况。         作用是从地域上看到各网点、各分拨的大概运货数量，同时了解到本周各网点的延误情况，若延误曲线变化较大，可以判断是否网点爆仓或运输问题，考虑加派车辆或收派件人手。         5. 图表中图形从寄件-网点-分拨-中转-分拨-网点-收件各环节，分别计算各环节本月平均延误时间、平均运输延误时间、平均派件延误时间。         寄件网点至寄件分拨运输延误时间=实际交件时间-规定交件时间。         寄件分拨分拣延误时间=寄件分拨实际发车时间-寄件分拨规定发车时间。         中转干线运输延误时间=中转分拨实际到达时间-中转分拨规定到达时间。         中转分拨分拣延误时间=中转分拨实际发车时间-中转分拨规定发车时间。         目的干线运输延误时间=目的分拨实际到达时间-目的分拨规定到达时间。         目的分拨分拣延误时间=实际接件时间-规定接件时间。         目的分拨至目的网点运输延误时间=实际到件时间-规定到件时间。         目的网点派件延误时间=实际签收时间-规定签收时间。           企业现阶段的目标是运的多，运的快，运的准，在上面三个分析模块，是日常工作生产中常用到的。         其中关键的就是数量、时间，时间和数量之间的一个关键关系是速率。速率是数量随时间变化的快慢程度，时间和数量之间的关系还体现在行动或事件的时间点上，了解数量随时间变化的趋势，并据此进行预测。路程=时间×速度、时间=路程/速度......         在企业中，还有更多的实际情况需要去追踪和了解，比如车辆性能、驾驶员技能、路况、车辆利用率、装载率、运输时间，需要监测和分析运输效率的变化趋势，为政策制定和运输规划提供依据。当然还有更多关键性的指标，如货损率、运输速度、运输成本、运输准确性、库存周转率、仓储空间利用率、货物损耗率、客户满意度、投诉率、投诉处理时间、平均仓储成本、订单处理时间、货物跟踪实时性、数据准确性、信息系统稳定率、运输策略、路径选择、车辆调度。           与多部门的业务人员沟通，目的是让数据进一步贴近业务，提炼更多指标，尝试总-分模式与分-总模式结合，按部门或职能制作更多业务分析报表。         实现数据字段-->数据分析师-->业务人员的报表制作，然后进一步沟通业务，了解业务，熟悉业务，从业务人员-->数据分析师-->数据字段，再次制作出更符合业务思维、更多的基础分析报表，实现数据分析师成为业务人员和数据之间的桥梁，从而帮助提高运输效率，增强竞争力，在日常分析工作中更好的数据分析管理。     指标解释：       单票时长 = 运单总时长 / 运单票数       单票单分钟成本 = 单票成本 / 单票时长       延误成本=延误时长*单票单分钟成本     分析背景与目的：         俗话说时间就是金钱。此板块通过把时间量化成企业可节约的成本，直观的反映出运营优化的优先级与优化价值。 各阶段延误成本总描述：         综合来看，派送延误、中转延误、交件延误是成本浪费的大头，实际签收时间与规定签收时间的差额造成了最大的成本浪费。     改善分析第一步：         从干线来看，杭州分拨-天津分拨的中转延误成本最高，其中主要是运输延误成本占大头，即实际到达时间比规定到达时间延迟情况严重。           通过下钻，从看板可知，ID为10264832的司机，其走货路段是杭州-天津，中转延误成本最高。我们把详细对比数据上报给了司机的上级领导，并开通了账户权限，支持任选时间段，分拨点、网点进行查看，确定问题点进行整改。     改善分析第二步：       从支线上来说，交件支线的延误情况比较一致，差距不明显，但是从接件支线上来看，天津分拨-天津网点2，郑州分拨-郑州网点2接件延误成本较大，实际接件时间和规定接件时间延迟相对过大，上报网点负责人后，组织与另外两个网点学习：兰州分拨-兰州网点1，兰州分拨到兰州网点2，兰州分拨的表现普遍优异。     改善分析第三步：        从具体的网点来看，天津的两个网点派送延误成本大，兰州两个网点无论是到件延误成本和派件延误成本皆为优秀，组织专题对比分析，总结优劣措施，在所有网点针对适宜的点进行复用。           企业稳步发展需要对健康进行监管，这里采用 6σ 管理策略，策略主要强调制定极高的目标、收集数据以及分析结果，通过这些来减少产品和服务的缺陷。六西格玛背后的原理就是如果你检测到你的项目中有多少缺陷，你就可以找出如何系统地减少缺陷，使你的项目尽量完美的方法。一个企业要想达到六西格玛标准，那么它的出错率不能超过百万分之3.4。   类比于人的体检，人的健康重要性对我们来说是不言而喻的，大家会通过体检的方式针对多项指标瞬时数据监测健康程度，比如血压、血糖、血脂、肝功能、肾功能等，并且日常我们也会通过一些穿戴设备实时监控身体健康变化，比如心率、脉搏、睡眠质量等。若在商业过程中，我们同样渴望监测一家企业的健康度、一项业务的健康度，我们称这个过程为“健康度诊断”。在本项目中，我们希望能够实现对每条运单进行健康度监测，即运单健康度，结合多项运单相关指标综合得分评价运单在整个生命周期中的是否符合企业期望，行业标准。若要完整对运单健康度进行合理拆解，必须从客户最关切的角度进行，主要包括运单时效、运单品质、运单服务等。基于项目的研究主题，本项目主要针对运单时效健康度进行指标组合。         运单时效健康度主要针对运单时效关键指标进行合理打分评价，将关键指标重要程度分级作为加权系数，综合得分作为运单时效健康度。本项目中，运单健康度的计算方式为：           运单签收准点率事关企业信誉，是客户对企业的信任，在我们看来运单签收准点完成十分重要，也是物流企业业务持续长久的关键，故给予5分权重；运单延误时长是由于业务环节不合理排班与调度导致运单发生延误，属于企业要额外承担的运单成本，运单延误时长的长短决定了企业兑现运单给客户承诺之外还需要付出的成本多少，故给予3分权重；运单时长是从运单开单时间到最终运单实际签收时间截止，整个运单生命周期的长短，对企业而言，除了距离影响运单时长以外，运单的留仓、员工的操作熟练度等都会影响运单时长，运单时长不仅与客户满意度相关，同样也与企业成本相关，由于运单时长中也包含运单延误时长，故给予2分权重。 运单可以说是物流企业的最小业务单位，运单健康度得分可以从网点、分拨、干线、支线、管理者、司机、车线路段等多个维度分析对比，同样可根据历史数据以时间维度进行年度、季度、月度、周度和日度的趋势分析以及同环比变化分析。   用于绩效评定，分拨、网点管理可将运单时效健康度与组织绩效挂钩，作为一定的权重加到KPI综合评价中。用于运单改善，通过运单时效健康度下钻关键指标完成效果，进而下钻至具体的运单明细，分析原因，归属责任，跟踪整改。     组件说明：        各年份运输时效健康度散点图：分别以2022年和2023年每日为维度，健康度得分为指标展示，运输时效警戒线衡量标准为健康度得分后5名，运输时效能力安全线衡量标准为全年平均健康分。       这里分别计算2022年与2023年的运输时效健康提升度百分比，预测出2024年运输时效警戒线和能力安全线百分比。       雷达图组件使用2023年全部月份为雷达监控角度，健康度分数为指标展示。       各分拨和各网点的健康度本月分数折线图：以本月天为维度，健康度分数为指标，用颜色区分各网点，使用横排排列所有网点和分拨，使用相同的最大值和最小值。        所有网点和分拨使用相同健康标准，会很容易观察到各网点和各分拨的健康对比情况，对于健康度较低的分拨和网点，派专人去西安分拨和兰州网点进行工作检查与思想谈心，发现西安分拨存在个别操作人员工作离家较远的情况，兰州网点派件车辆经常出问题，做到了及时调整与更换。           在上面两个模块中，成本是实实际际的数字、运输时效健康度6σ是分析模型。         在财务中不仅是计算基础成本问题，也需要提炼更多企业关键指标，并进行深度分析。既有的运输时效健康度模型就是很好的做法，目前使用到的输入指标有三个，签收准点率、运单总时长、延误时长，也需要对健康度进行更多的完善。           关于财务分析，把企业的战略规划与财务对接，保证分析的方向与业务发展方向一致。         基于基础的财务分析正常使用，再从三方面入手，再逐个细化，先分析企业净资产收益率、预测企业的偿债能力和财务风险、评估投资项目的可行性。         1.企业净资产收益率，建立杜邦分析，计算资产净利率、权益乘数，计算销售净利率、总资产周转率。计算总资产、股东权益。从而供了清晰的财务路线图，有助于制定针对性的财务策略和经营决策。         2.预测企业的偿债能力和财务风险，建立Altman Z-Score模型，计算净营运资本/总资产、计算留存收益/总资产、计算息税前收益/总资产、计算优先股和普通股市值/总负债、计算销售额/总资产，使用模型公式计算，并注意根据实际情况进行调整，以保持模型的准确性。         3.对于新增资产进行评估投资项目的可行性，使用CAPM模型，资产的预期收益率=短期国债的收益率+资产的系统风险系数×（预期收益率-短期国债的收益率），并注意规避非系统风险，并结合实际情况进行分析和判断。 基于财务数据基础分析模版使用的同时，把财务数据与业务数据进行结合，解决实际业务问题，让业务与成本结合的问题可以定期处理进行处理，验证处理进度后，推送给需要的人员。         4.对于已在使用中的运输时效健康度模型，以客户需求和满意度为出发点，通过改进运输服务质量和效率来提升客户满意度。这里按各实体即分拨、网点、各职能部门分类，对得分人员进行沟通，确认期望得到的分值和输入指标。明确各部门的关键输入指标和目的改进后，如分拨降低操作延误，网点提升交件、派件时间，干线提升运输时效等，建立有效的实时监控分析模版，找出影响输入指标表现的关键因素和问题根源。对各实体提升列举出若干建议意见，并尝试改进。对试运行试点的改进措施，通过量化分析可以明确关键因素对输入指标的具体影响程度，从而制定更为精准和有效的改进措施。               车队负责人要对所有车辆负责，每辆车每天是什么运行情况、业务情况，都必须时刻了解掌握，这里采用流向地图组件，得知今天每条路线是否有运行业务。通过中间串珠组件查看今天直达车辆和中转车辆的出发地点到达地点以及运行时间，通过下面柱形图了解车辆是否运输延误，通过桑基图了解各分拨是哪辆车的业务以及所属哪个车队，通过网点至网点的桑基图查看具体车辆司机编号及运货量，做到日常情况了解与管理。     图表解读     1. 左上角流向地图组件，使用各分拨各网点经纬度，连线为运单量。     2. 中上为串珠图，使用柱形图+点图展示，柱形图累计业务运行时间，点图标签展示分拨中心名称和运输时间小时。     3. 右侧为桑基图，分别展示分拨至分拨，寄件网点至目的网点的流向情况，主要观察车辆所属车队、车牌、运输量。     4. 最下面使用柱形图，分别展示中转车辆和直达车辆的运输时间及延误情况。   FineBI移动端预览如下：           日常使用模块中，从后台观察所有人员的移动端使用情况，发现管理人员看的较多，个别模版并不受欢迎，对于不同职务、不同部门员工关注企业的内容并不相同，比如财务人员关心的预算分析模版，或者不同部门人员的报表样式并不符合业务。           对日常使用分析报表维度进行沟通扩宽、对于多变的业务需求及时收集、对于多个信息系统的错误率及时效性进行分析、对于财务人员进行提供大宽表可以自行分析、对于一线员工看板进行简洁优化并自动推送、对于不同部门、不同实体的需求分析建立多个分析报表。         同时在后台对各分析模版进行监控，经常使用的分析模版，沟通扩宽需要的维度或样式美观。         对各分析模版使用较少的，与业务人员沟通缺失的内容或改进措施。         对基本不使用的分析模版，拆解指标与其他关联指标组件结合为新数据模版使用。         所有日常分析模版，也需要制定模版分析指标，对每个模版定期浏览量、美观度、业务实用性等指标进行分析，并定期进行改进发布，从而再次获取反馈，形成一个良性循环，作为一个日常工作执行。           2020年9月份的第七十五届联合国大会一般性辩论上，国家主席习近平向全世界承诺:力争于2030年前达到峰值,2060年前实现“碳中和”的宏远目标后，关于碳达峰碳中和的政策从国家到省市非常密集，“3060“碳中和目标已经上升到国家战略和行动方案。              以落实双碳举措为目标，从双碳全景、碳排放分析、异常分析及智能派单、绿能分析、达峰分析等方面，为地区管理人员、企业、园区提供直观、便捷的大数据分析和业务评估分析，通过大数据分析赋能业务管理，辅助双碳管理决策“看碳管碳”为查找能耗弱点，降本增效提供科学依据与数据支撑。         国有高碳排放企业现状和转型存在问题： 1、 降碳成本高        以电力和水泥行业为例，以百强数据为基础，电力企业的平均碳排放强度为14.59吨万元，水泥企业平均碳排放强度为12.34吨[万元，按照全国碳市场70元(吨的碳价格测算，电力、水泥企业的销售收入碳成本占比分别为10.219%、8.64%.202年两个行业的销售净利润率分别为1.57%和4.99%日，碳价格的不断上涨和行业盈利水平趋于稳定还会增加降碳的成本压力。此外，电力和水泥行业可以通过淘汰火电机组和落后生产线等加大投资的形式实现降碳转型，高昂再投资成本也是高碳排放行业不可承受之重，根据中国环境科学院最新的研究成果，2021~2030年实现碳达峰，电力行业单位二氧化碳排放的减排成本为4269元/吨，水泥为5270元/吨区，远高于目前70元/吨的碳市场价格。高碳排放企业减排面临极高的成本压力。 2、 降碳技术进步缓慢        高碳排放企业实现绿色低碳转型的核心方法是应用减碳技术对生产流程改造，碍于技术进步速度较慢，其边际降碳成本随着降碳量的增长呈现指数型增长趋势，以水泥行业为例，以现有的17项可施行的减碳技术为基础测算水泥的降碳量对成本的影响，得到的结果是，减排量达到300万吨水平时，总减排成本已经增长到10.3亿元，而3000万吨仅占我国水泥行业碳排放的总量的1.26%同，可见，降碳技术进步和经济性任重道远。 3、 高碳排放企业融资难          高碳排放企业普遍是重资产行业，负债压力较大，存在再融资压力。以火电行业为例，202年行业平均资产负债率为62.469，权益净利率(ROE)为-4.289%，速动比率为0.89，企业负债高、经营压力大现金流紧张的现象非常普遍，水泥行业虽然平均资产负债率相比电力行业较低，但行业近几年融资现金流持续为负，202年ROE为.457%，经营与融资压力巨大团。针对高碳排放企业绿色低碳转型融资难的间题，我国近期出台了一系列融资支持政策，如央行的低息碳减排支持工具和对银行金融机构的绿色信贷考核，一定程度缓解了高碳排放企业融资难的问题，但绿色转型融资问题依然严峻。  摘自----《以碳资产管理推动国有企业绿色转型研究》         碳排放企业的双碳（碳达峰和碳中和）数字化转型具有重要意义，以下是几个关键点说明双碳为什么要做数字化？ 精确监测与成本控制： 数字化技术可以帮助企业更精确地监测碳排放量，通过实时数据分析，优化生产流程，减少能源浪费，从而有效控制降碳成本。例如，通过智能传感器和物联网技术，企业能够实时监控能耗和排放，快速识别节能减排的机会。 技术进步与创新驱动： 数字化可以加速减碳技术的研发和应用。利用大数据分析和人工智能算法，企业可以模拟不同的生产场景，测试和优化减碳技术，降低边际降碳成本，提高技术进步的速度和经济性。 融资效率与风险管理： 数字化工具可以提高企业的财务透明度，帮助金融机构更准确地评估企业的绿色转型潜力和风险，从而降低融资成本，提高融资效率。同时，数字化风险管理工具可以帮助企业预测和缓解转型过程中可能遇到的风险。 政策响应与合规性： 随着政府对双碳目标的重视，相关政策和标准不断完善。数字化管理系统可以帮助企业及时响应政策变化，确保合规，并利用政策支持获取转型所需的资金和资源。 市场竞争力与品牌形象： 数字化转型有助于提升企业的市场竞争力和品牌形象。随着消费者和投资者越来越关注企业的可持续发展，数字化不仅能够帮助企业实现双碳目标，还能够展示企业的社会责任感和前瞻性。 优化决策过程： 数字化提供的数据支持和分析工具可以帮助企业领导层做出更加科学的决策，比如在投资新技术、改进生产流程或调整能源结构等方面做出基于数据的决策。 提高运营效率： 通过数字化手段，企业可以优化供应链管理、库存控制和物流调度，减少无效和低效的运营环节，提高整体运营效率。 培养新的业务模式： 数字化转型还可以帮助企业探索新的业务模式，如基于数字化平台的能源管理服务、碳交易等，为企业开拓新的收入来源。         总之，数字化转型为高碳排放企业应对降碳成本高、技术进步缓慢和融资难等问题提供了有效的解决方案，是实现双碳目标的关键途径。通过数字化，企业不仅能够提升自身的环境友好性，还能够在经济和市场层面获得长期的利益。         就本次数据分析课题来说，场景一的运输链的输出直接成为碳排放的输入分析因子之一。      “双碳”主题分为三个部分的内容-“观碳”、“管碳”、“算碳”，下列列举一些重要的模块：   组件说明：        碳达峰37377.63tco2e为2029年7月的峰值(预测)。4291.7百吨为2029年的总值(预测)。   在数据收集方面：         收集物流企业的历史碳排放数据，包括但不限于运输工具的燃油消耗、电力使用、以及其他与运营相关的能源消耗。         收集可能影响碳排放的相关数据，如运输量、运输距离、运输方式、货物类型、企业规模、企业经营数据、技术更新等。         众所周知，由于各种原因碳排放数据一直很难收集，不能及时快速准确的调度全部低碳数据，我只能暂时采用其中的几个能够收集到的因子进行建模工作。         数据预处理阶段我使用了Finebi进行了缺失值和异常值的处理，并且对数据进行标准化或归一化处理，以消除不同量纲的影响。         数据分析阶段，利用原始数据建立灰色预测模型，选择与碳排放量相关的多个自变量（如运输量、运输距离等），建立多元线性回归模型，确定自变量与碳排放量之间的关系，使用历史数据对灰色模型和多元回归模型进行训练。分析预测结果，确定碳达峰的大致时间和排放量。         由于本身就拥有该类算法在其他行业的应用专利，所以这次在碳达峰预测的工作中直接迁移过来进行模型应用。     注：灰色模型和多元回归模型都有其局限性。灰色模型适用于数据不足的情况，而多元回归模型需要满足一定的统计假设。预测结果的准确性很大程度上取决于数据的质量、模型的选择和参数的准确估计。此外，预测未来趋势时，还需要考虑政策变化、技术进步等外部因素。         基于现有排放数据，以及发展趋势(如:将要完成的项目对碳排放的影响、         购买绿电产生的减排量、业务发展目标带来的碳排放趋势变化等信息，输入达峰目标,调用达峰预测分析模型,形成达峰趋势预测曲线,预测未来排放量，         判断当前情况是否可以实现达峰，通过调整达峰目标以及预测参数，预测是否可以达峰，通过达峰预测分析，辅助领导提前施策。         依据排放管理中的碳排查数据，计算各园区的碳排放强度，         碳强度𝐸𝑛强度 等于每个月的二氧化碳排放量𝐸𝑆𝑛CO₂和与每个月营业收入和𝐸𝑀𝑛营业收入的比值。   注：感谢帆软资深顾问骆小剑的研究。         众所周知，FineBI尚未发布甘特图的标准图表功能，我在减排措施进度跟踪这里面使用了甘特图的展示方式，它详细记录着每一个项目的点滴信息。项目名称、任务名称、负责人、开始时间、结束时间以及进度，为受众带来全新的视角和体验。           提供个⼈或者团体的“碳耗⽤量”计算器，通过碳足迹全员动员加入减碳生活。 基本公式：         ➢ 家居⽤电的⼆氧化碳排放量（Kg）= 耗电度数×0.785×可再⽣能源电⼒修正系数；         ➢ 开车的⼆氧化碳排放量（Kg）=油耗公升数×0.785；         ➢ 短途旅⾏：200 公⾥以内=公⾥数×0.275×该飞机的单位客舱⼈均碳排放；         ➢ 中途旅⾏：200~1000 公⾥=55 0.105×（公⾥数－200）；         ➢ 长途旅⾏：1000 公⾥以上=公⾥数×0.139         …… 通过基本公式计算出每天每个人或者团队、单位的碳足迹。 以下是PC和大屏端的展示效果： PC端效果展示   大屏展示效果 1、按照环保部门的要求，碳排放重点企业每年都要自主进行碳核查，并编制碳盘查报告，目前，绝大多数企业都是雇用第三方机构编制碳盘查报告，只有少量实力雄厚的国有企业组建了自己的碳资产管理公碳资产管理直接关系着高碳排放企业的数据安全、资产安全和生产安全，自有的碳资产数字管理可以有效平衡业务需求和安全需求。 2、数字化转型也是高质量发展的内在要求，碳资产管理与能源管理、工业互联网密切相关，以数字化技术提升碳资产运管效率势在必行。一是在碳盘查和核算阶段应用数字化技术。目前，市场较为流行的能碳管理系统，就是将传统的能源营理利用数字化技术进行优化，通过节能计算降碳，实现自动化碳盘查，为碳管理提供碳排放数据。二是碳资产开发监测环节应用数字化技术，按照碳资产开发方法，碳资产开发项目备案后，需要人为定期采集相关减排数据，申报碳资产。在这个领域应用数字化传感技术和自动化核算监测是发展趋势。三是碳资产管理公司内部推动数字化管理，碳资产公司内部形成资产端和消费端的数字化管理平台，实时掌握开发、管理和服务的碳资产形成、流动状态，在提升管理效率的同时增强自身碳信用。 1、CPP已开展汽车产品碳足迹等级公示，车型碳足迹等级按照燃料类型的不同，分别划分为5个等级，分别是1级“低碳+”、2级“低碳-”、3级“中等”、4级“高碳-”和5级“高碳+”。数据收集中将更加细分车型的碳足迹数据。 2、目前对于数字物流水平的测度研究尚未统一，借鉴业界相关的研究，并结合数字物流的发展趋势，从基础设施、产业规模、数字化水平、产业效益与技术创新五个方面构建数字物流评价指标体系(突变级数）。 3、进一步迭代更新物流行业相关碳足迹数据以及碳交易市场数据。 4、增加“碳中和”相关数据模块。           我们项目组调研了业务部门每月重点关注的时效指标，并一同与业务讨论了指标口径。借助FineReport为业务人员梳理了一份《运单时效监控月报》报表模板，平常这份月报需要2-3人从不同的业务系统中分批导出数据，进行数据聚合汇总，然后绘制相应图表，并且数据源是静态的截面数据。大约耗时2-3天才能完成。如今业务人员只需登录“数据决策系统”便可随时随地查看任何一个月的月报，并且数据源属于实时更新的动态数据，可以及时跟进改善。除此以外，我们考虑到同事在外出或出差的情景下，电脑端查看月报的不便利性，所以项目组利用FineMobile APP进行移动端报表查看。 以下是PC端和移动端的展示效果：   电脑端展示效果   移动端展示效果           首次向领导汇报月报制作成果时，对我们项目的产出给予了高度的评价，帮助业务人员从报表的“深山老林”里解放出来，让他们在更有价值的业务场景发挥价值。与此同时，领导对我们的工作提出了新的要求，既然我们已经与业务深入沟通了运单时效指标的具体口径，是否可以借此机会制作一个大屏，可以一屏展示关键性指标和数据，一方面可以整体把握运单时效的现状，另一方面也可以作为企业的一张数字化名片。         项目组随后针对领导这一需求进行讨论，决定利用FineReport的FVS可视化大屏功能制作“运单时效监控驾驶舱”，以运单流向地图为主题，辅以各项关键指标的指标卡，分别展现运单量月度趋势、运单时长月度趋势以及各环节准点率月度趋势，同时结合BI中的运单健康度综合性指标，展现其月度得分均值的变动情况。右下角则以分拨中心的监控视频作为填充，可以时刻看到分拨内流水线的分拣情况。   以下是运单时效监控驾驶舱的电脑端以及会议室屏幕的演示效果：   电脑端演示效果   会议室屏幕演示           2018年，公司要求全面的量化管理，基于数据统计分析进行战略决策和日常管理，并推动技术创新和业务变革。2020年以来，疫情点燃了社会的数字化的需求，所以新的需求夹杂着旧的需求，一起迸发出来。亟待新的技术去解决问题，存量的问题很难用老的办法去解决，所以会迸发出来很多新的办法，比如零代码平台。做个软件项目的人都知道，写代码的人不懂业务，懂业务的人不懂代码，Excel每个人都会做，平台能做到业务人员或者平台的管理人员能够像使用Excel这种趋向来使用零代码，那成长空间是非常大的。所以中间需要找一个平衡点，借助把一些业务场景不是太复杂的业务人员自己进行搭建，这就是零代码的结果。        简道云可算是填报届的一股清流。             在公司项目中，我们成功构建了一个综合性的物流信息管理平台，涵盖了运单、运输和双碳系列等关键业务流程。这个平台由近30个模块组成，每个模块都专门设计以满足特定的业务需求： 这些模块共同构成了一个强大的信息生态系统，它们具备以下特点： 用户友好的界面设计：直观的填报和查询界面，提高用户体验和工作效率。 高度集成：各个模块之间数据互通，实现信息的无缝连接和整合。 自动化处理：自动化的数据录入和处理流程，减少人工错误，提高准确性。 实时数据分析：强大的数据分析工具，提供实时的业务洞察和决策支持。 移动兼容性：支持移动设备访问，确保用户能够随时随地进行操作。 安全性：确保数据安全和隐私保护，实施严格的访问控制和数据加密。 可扩展性：平台设计考虑到未来的扩展需求，便于添加新的模块和功能。         下图展示了填报界面和查询界面的友好交互设计，进一步说明了平台的操作便捷性和功能丰富性。             简到云凭借先进的数据联动技术，不仅实现了多平台间的数据实时同步，更让填报者享受到了便捷高效的数据管理体验，无论身处何地都能轻松完成数据的增加和修改，为企业运营提供有力支持。             简道云制作的时序跟进模块，它通过自动化跟踪、阈值监控和实时数据分析，帮助企业高效地管理流程数据并做出精准决策。            简道云的移动端预览如下：               简道云业务管理系统，不仅集高效协同与智能管理于一身，更在系统建设和功能设计上追求卓越。通过强大的业务流程定制能力，该系统能够迅速响应企业需求，实现业务流程的高效运转。同时，其智能化的数据分析与决策支持功能，为企业提供了精准的数据洞察和决策依据，助力企业实现数字化转型。在提升核心竞争力方面，简道云业务管理系统通过优化资源配置、提高运营效率，帮助企业快速响应市场变化，赢得竞争优势，简道云以其卓越的技术和全面的功能，为构建未来的“一线事平台”奠定坚实基础，助力企业实现高效管理与智慧决策新高度。        通过智能助手Pro 和 AI 插件的结合，探索 AI 在ESG报告数据收集中日常场景中的应用！通过 AI 改善工作流程、提升协作效率！        表单设计与辅助字段设置：         在表单中创建一个专门的字段，例如称为"ESG报告分析"。         设计一个辅助字段，通过公式设置提示词，例如："请对以下物流公司ESG报告中当月总碳排放量（KgCO2）进行总结分析，判断公司碳排放的趋势、意向并给出相应的建议"。这个提示词将帮助用户明确需要填写的内容，同时也指导AI理解并提供正确的分析和建议。   智能助手Pro插件设置：         配置智能助手Pro插件节点，使其能够与AI进行交互。         当用户填写完相关数据并提交表单后，插件节点触发AI，发送问题请求，例如要求AI分析当月的碳排放数据并给出建议。   回填AI分析结果到表单字段：         在AI返回分析结果后，通过修改节点将AI的回答嵌入到表单字段中。         确保插件能够处理AI返回的内容，并在表单中展示或记录分析的详细结果。            以ESG数据为例，当我们新增每个月的公司的碳排放数据的时候，根据填入的数据AI给出分析结果和相关建议。AI可以通过这些数据提供深入的分析，比如识别潜在的碳排放增加趋势或者效率改进机会。AI还可以基于历史数据和行业标准对公司的表现进行评估，并推荐符合ESG标准的最佳实践和行动方案。例如，AI可以建议采用更环保的能源来源，优化供应链以减少碳足迹，或者推动员工参与更节能的操作方式。这些建议可以帮助公司实现更可持续的发展目标，同时提升其在ESG投资者和利益相关者中的形象和声誉。           借助参加本次2024“中国数据生产力大赛”的机会，我司组建我们项目组参与进来，一方面希望我们可以更加深入的探究帆软系列产品（FineBI、FineReport以及简道云等）在企业数字化转型过程的价值点与优势，另一方面希望我们能够借助数字化工具为业务赋能助力，能真正解决一些业务场景中的实际问题。通过最终的成果展示与汇报，显然项目组的产出并没有让领导失望，甚至超出了预期。接下来再次向大家总结以下本次项目的亮点： 单小时成本         借助FineBI结构化分析了运单时效业务领域下的6个应用场景。主要从“业务好不好，运单量说的算——运的多”、“”客户满不满意，运单时长是关键——运的快、“效益高不高，延误时长最重要——运的准”3个场景来梳理现状；随后将运单时效与企业运营成本相联系，创造性提出一个新评价指标——单小时成本，该指标表示平均每票每小时所花费的成本，该指标可分为规划单小时成本、实际单小时成本以及延误单小时成本，通过对单小时成本的分析可实现对运费定价提供指导、优化物流成本投入提高成本利用率、改善运输与操作过程降低延误成本等； 运单时效健康度         为综合性评价运单状态，项目组提出了以关键指标（运单时长、延误时长、签收准点率）得分加权的方式创造了新指标——运单健康度，该指标越高表示运单整体时效越好，客户满意度越高，反之则时效越差，其中两个时长关键指标，我们以6σ的统计学原理进行合理打分，使其更具有科学依据；最后一个场景则日常监控车辆使用率，对于物流企业车辆成本使运输成本的主体，高效使用车辆，使车辆周转效率高，显著提高车辆成本利用率。 观碳、管碳、算碳         积极履行社会责任——发展绿色物流，人人讲双碳，人人为双碳。我们企业为响应《“十四五”现代物流发展规划》中提出“绿色低碳物流创新工程”，积极承担社会责任，不断加强新能源车辆投放、包装和托盘循环利用等措施，践行减碳行动。我们模拟了近年来我司在绿色物流方面的数据，借助FineBI呈现了一副拥有未来视野的绿色画卷。从“观碳”到“管碳”，展现了 我们企业在绿色物流领域的深耕不辍，再到“算碳”，更是预测了未来碳达峰的时间点，甚至绘制出来了碳足迹。   帆软产品线联动        运单时效监控月报与驾驶舱极大提高了业务人员的工作效率。我们借助FineReport的参数报表和FVS的可视化大屏制作功能，自动化生成月报，实时监控月度和年度运单时效变化趋势，显著提高了业务人员的工作效率，人效最大化发挥价值。同样简道云搭建的集运单查询、运单编辑、运单填报于一体的系统平台也助力业务效率提升，实现了多场景多终端应用。           基于以上诸多亮点，我们借助帆软数字化工具，为企业从人力成本、车辆成本、时效成本三大块创造了显著的价值。就时效成本而言，结合我司历年财报数据得到单票成本大致在12元左右，直发和中转平均运单时长约90个小时，那么单票单小时成本约在0.13元/时，按照我们的分析成果，改善各环节延误现状后，若每条运单每个环节延误时长缩短1小时，在每天10万条运单的体量下，每天可为企业节省1.3万元，每年则是462.8万元。显然，我们的改善目标并不是仅缩短1小时延误时长，而是彻底改善不必要的延误操作，同时结合人力成本和车辆成本优化，所达到的收益将更加明显。                    该项目通过实现数据化管理，全面覆盖了从人员、车辆、设备到运单等方面的数据管理。这种全面的数据管理不仅仅是对信息的收集和存储，更重要的是通过数据分析和应用，有效地提升了物流企业的运营效率和服务质量。         通过对数据的深入理解和利用，该项目不仅仅释放了物流企业内部数据的生产力，还实现了数据驱动的决策和优化，使企业能够更加精确地预测需求、优化资源配置、提升客户满意度。这种数据化管理不仅在当前阶段为企业带来了显著的竞争优势，也为未来的发展奠定了坚实的基础，使企业能够更加灵活、响应更快速地应对市场变化和挑战。             AN物流在数据分析组件的迭代优化过程中，涵盖了日常业务监控、企业健康管理、财务成本分析以及新兴的双碳领域，迭代优化总结如下：   FineBI部分：         日常BI监控：持续迭代优化，从2022年3月开始，包括车辆日常状况、运输量、运输时长和延误情况的监控，逐步增加了同比环比数据分析，改进了数据展示方式，如将表格更改为图形模式，并增加了不同维度的对比分析。         企业健康得分：从2022年12月开始，通过6西格玛算法培训，建立了运输健康管理流程，并在后续迭代中不断优化模型和数据展示，如增加年份对比、分拨对比等。         财务成本：自2022年12月起，研讨并建立了运输成本分析模块，不断调整版面布局和分析指标，以适应财务流程和数据修正需求。         双碳：从2023年4月开始，建立了观碳、管碳、算碳等模块，覆盖了碳排放监控、管理、计算等，持续更新新能源车辆型号、碳排放基数，优化碳足迹计算模块，并引入碳交易市场数据。   简道云部分：         填报系统：自2022年8月起，建立了临时运单运输信息填报模块，以及双碳部分信息填报系统，为数据收集和分析提供了基础。         网点业务管理系统：2024年4月，建立了网点业务单元的时序跟踪模块，包括合同金额、开票金额等关键财务指标。         ESG数据填报：引入AI。   FineReport部分：         运单时效监控月报/驾驶舱：从2023年9月开始，沟通业务部门关键指标口径，统一数据源，并进行了一系列月报和驾驶舱的布局设计、数据开发、图表优化等工作，包括运单量分析、时效分析、责任分析、地图效果设计等。         监控视频：2024年2月，接入了监控视频接口，增强了实时监控能力。   迭代特点：         持续性：迭代活动从2022年3月开始，一直持续到2024年，显示出AN物流对数据分析组件持续优化的承诺。         多维度分析：迭代不仅关注数据的收集和展示，还包括同比环比、不同产品和干线支线的对比分析，以及时效和责任的深入分析。         技术培训与模型优化：通过6西格玛算法培训，提高了分析的科学性和准确性。         响应新兴趋势：积极适应双碳政策，建立了相关的数据分析和管理系统。         用户界面优化：不断改进用户界面，如将表格更改为图形模式，增加图表和地图的展示，提高了用户体验。         总体来看，AN物流通过这些迭代优化，不仅提高了数据分析的深度和广度，也加强了对业务流程和新兴政策的响应能力，体现了其在数字化转型道路上的积极探索和实践。             在数字化转型的浪潮中，企业面临着数据整合与分析的挑战。目前我司已有了50+个系统平台，诸如OMS、TMS、WMS、BMS等，在企业快速发展过程中需要主要针对某项具体业务进行建设系统平台，逐渐形成了散落的系统，造成了业务壁垒和数据孤岛现象。在真实业务管理场景中，必须要从全局出发，建立整体视角，对数据分析人员造成了诸多不便，需要从不同的“数据孤岛”中获取数据，并花费大量时间对齐口径，数据的有效性、时效性往往出现滞后、不连续等问题。         我司通过引入帆软系列产品，我们首先要做的就是打通数据孤岛，构建数据中台，搭建数据仓库，创建面向业务主题的数据宽表，以帆软数据决策平台为主体，建立数据门户，方便数据分析人员在数据门户基于数据仓库和数据宽表生产数据产品，赋能业务发展。           数据整合的突破：帆软产品在整合分散的系统平台数据方面，展现了卓越的能力，为构建数据中台奠定了坚实的基础。         决策支持的升华：通过FineBI等工具，数据分析人员能够洞察数据背后的业务逻辑，从而为决策提供更为精准的支持。         业务流程的革新：数据门户的建立，使得数据分析与业务流程紧密结合，推动了业务流程的优化与再造。         数据价值的释放：帆软产品的应用，不仅提升了数据的有效性和时效性，更释放了数据作为企业新质生产力的巨大潜力。         数字化转型的加速：帆软系列产品的引入，加速了企业数字化转型的步伐，为企业的高质量发展注入了新的活力。         新版本FineBI6.1：经过我司个人抢先体验，看到了计算与存储分离、宕机自动恢复、PDF文档导出、读写分离、共享数据存储等诸多亮点。           持续的数据治理：在数据整合的基础上，持续优化数据治理策略，确保数据的质量和安全。         智能化的分析工具：进一步强化数据分析工具的智能化水平，以适应不断变化的业务需求和市场环境。         用户体验的优化：不断优化用户界面和交互设计，提升用户体验，使数据分析更加直观和便捷。         定制化服务的拓展：提供更多定制化服务，满足不同业务场景下的特定需求，增强产品的适用性和灵活性。         技术培训与支持：加强技术培训和用户支持，确保数据分析人员能够充分利用帆软产品的功能。         创新驱动的持续：鼓励创新思维，不断探索帆软产品在新业务场景下的应用，以保持企业的竞争优势。         战略协同的深化：将帆软产品与企业战略紧密结合，确保数据分析与企业目标和愿景相一致。         国际视野的拓展：在全球化背景下，考虑将帆软产品与国际标准和实践相结合，提升企业的国际竞争力。           帆软系列产品帮助我们将数据治理、数据分析、数据决策融合管理，助力企业在数字化管理，实现业务提质增效，彻底释放数据生产力，让数据要素成为企业新质生产力，高质量发展的源动力。

一、选手简介 1、选手介绍 团队名称：Sunday 队长介绍：我叫时亚东，帆软社区用户名也是时亚东，目前就职于杭州容创荣新信息咨询有限公司，我司目前从事教育培训行业，以标杆企业学习和数字化转型咨询服务为主，为正在寻求数智化转型的中小企业提供解决方案和人才培养。目前岗位角色是“数智化人才培养项目经理”，同时我也是一名商业数据分析师，对帆软公司下的FineBI和FineReport两款产品已有四年的使用经验了，分别获得FCP-FineBI认证和FCP-报表工程师认证。个人非常看好FineBI在企业数字化转型过程中“江湖地位”，目前很多大中型企业在数字化转型过程中都愿意与帆软合作，提供直击业务痛点，打破数据孤岛等企业数据治理问题的解决方案。同时个人非常愿意利用FineBI解决工作中的数据分析问题，积极向身边的同事和客户推荐FineBI，合理利用帆软社区提供的知识库和借鉴行业案例。 成员介绍： 孔国成，目前就职于杭州容创荣新信息咨询有限公司，当前岗位角色是“数智化人才培养项目经理”，同时负责杭州标杆企业学习项目策划与现场交付。拥有丰富的数智化人才培养项目的管理经验，在与客户交流过程中能够迅速把握住业务痛点、人才能力缺失点。能够顺应社会热点，迅速设计数智化人才课程，比如AIGC方面的人工智能训练师课程等。 王文豪，目前就职于杭州容创荣新信息咨询有限公司，当前岗位角色是“标杆企业学习项目交付经理”，对数据分析拥有深厚的兴趣，具有敏捷的数据思维和数据感知力。目前在从事某国企“数据驱动业务”数智化转型项目的管理工作，接触到大量的实战案例，接触过FineBI、QuickBI和PowerBI等数据分析工具。 团队组成： 我们三人来自同一个公司，作为数据分析师的我刚进入公司便以企业数据分析咨询师的身份帮助大家认识数据分析，学习数据分析思维和方法。由于之前自己参加过三次帆软团队举办的FineBI数据分析大赛，获得了一些成绩，便向同事们介绍了这个比赛和规则。为了更好的提升团队的数据分析能力，借助本次举办的【2023年第四届FineBI数据分析大赛】机会，带领我们团队积极参与到这次比赛中，希望能够获取优异的成绩，和来自各行各业的数据分析高手们共同交流学习。 2、参赛初衷 培养团队的数据分析能力，增进团队合作默契。 目前在做课程运营推广时遇到一些瓶颈，在解决问题的同时掌握FineBI的数据分析功能。 能够与各行各业的数据分析高手们共同交流学习，获取一些案例和经验。 二、作品介绍 1、业务背景/需求痛点 业务背景： 今年我们公司希望能够通过小红书、抖音、今日头条或知乎上对我们的学习项目产品以及主营业务进行介绍，但是我们团队是初次运营此类平台，所以领导希望我们多收集一些平台上关于“数据分析”相关的笔记信息和博主信息，找到一些规律和方法，指导我们自己的推广内容运营，提高用户转化率。 需求痛点： 如何撰写推广内容，在平台上发布内容时需要注意哪些细节？ 如何运营平台账号，平台上的博主画像是怎样的？ 如何模仿头部的博主，布局公司的账号，抓住客户需求，制作新颖的内容。 2、数据来源 自选数据：来源小红书平台。 笔记内容统计 笔记关联话题 用户信息统计 用户标签词 优秀博主笔记布局 优秀博主笔记内容统计 3、分析思路 4、数据处理 在数据处理环节我们创建了2个新的指标“笔记关注度”和“博主热度”，借助FineBI的数据清洗功能先获取点赞数、收藏数和评论数的最大值和最小值，然后利用极值进行归一化，最终通过给予不同指标的基础权重计算笔记关注度指标。 “笔记关注度”计算过程 “博主热度”计算过程 5、可视化报告 （1） 第一个Tab页：哪些笔记关注度高 数据故事： 小红书平台属于用户生成内容（UGC）的平台之一，主要内容类型分为2种，分别为视频和图文。 本次项目为探究关于“数据分析”主题下哪些笔记最受用户喜欢，收集了150篇小红书笔记，分别由来自26个地区的89名优秀博主发布，共有5种笔记类型，其中干货推荐83篇，课程推广29篇，经验分享21篇，技能教学13篇，效果演示4篇。 基于这些笔记的点赞数、收藏数和评论数，我们构建了一个新的指标，笔记关注度，计算公式为：笔记关注度=20×归一化后点赞数+30×归一化后收藏数+50×归一化后评论数。 数据结论： 1. 所收集的150篇笔记平均点赞数1511次，平均收藏数2135次，平均评论数136次，平均关联话题数6个。 2. 关联话题集中在“数据分析”、“数据分析有窍门”、“数据分析我在行”等。 3. 其中84.67%的笔记属于图文类，15.33%的笔记属于视频类。以干货推荐类的笔记占主体。 4. 广东地区此类笔记发布次数最多。 5. 关联话题在10个以下，笔记关注度相对较高。 6. 收集到的150篇笔记中笔记关注度在5分以上的笔记数仅有36篇，其余均为5分以下的关注度。 （2） 第二个Tab页：哪些博主热度高 数据故事： 为进一步探究关于“数据分析”主题下的小红书笔记内容运营的细节，我们采集了来自33个地区的212位小红书平台发布数据分析相关笔记的博主信息，进行小红书博主的画像分析。 其中男性博主人数略低与女性博主人数，92.45%的博主来自国内，仅7.55%的博主来自于国外。博主首页的标签关键词主要有“数据分析”、“知识”、“分享”、“Excel”、“学习”等。 为更好体现博主的受欢迎程度，我们结合粉丝人数和获赞与收藏数指标，新建了博主热度指标，计算公式为：博主热度=60×归一化后的粉丝人数+40×归一化后的获赞与收藏数。 数据结论： 1. 212位分享数据分析相关知识的博主发布的笔记内容获得大家的追捧，平均粉丝人数1902人，平均获赞与收藏数达6875次，平均博主热度为5.11。 2. 博主热度最高的IP属地在河北省，但是我们观察到广东省的博主人数是最多的。 3. 男性博主的平均博主热度为8.10，远大于女性博主的平均博主热度2.86。 4. 我们根据博主热度指标最终筛选出以下3位博主进行研究：“数据分析精选”、“Shawn数据分析”、“数据分析看Stone”。 （3） 第三个Tab页：头部博主如何运营小红书 数据故事： 基于上一环节我们聚焦到小红书博主热度最高的三位优秀博主“数据分析精选”、“Shawn数据分析”和“数据分析看Stone”，采集了每位博主近期50篇小红书笔记信息进行统计分析。 三位博主都在自己的主页设置了专栏，将自己的作品分类收藏在不同的专栏内，以便粉丝们学习查找。统计博主专栏笔记数发现数据分析精选的笔记数最高达到309篇，属于高产博主。但是开设的专栏数最少。 “Shawn数据分析”博主最近发布的作品在2022年11月份，已停更近一年了，非常可惜，但是他在平台的干货贡献广泛受到粉丝们的追捧和收藏，再次说明内容的价值才是“王道”。 数据结论： 1. 基于每位博主的近期作品点赞数、收藏数和评论数，新建笔记关注度指标，其中“ 数据分析看Stone”的平均笔记关注度最高。我们发现其有篇笔记收到1792个评论，大家可以通过筛选控件找到这边笔记。 2. 可以通过筛选控件查询感兴趣的博主信息，三位博主的赛道有共同点都是在分享数据分析类的知识，但也存在差异。Stone注重数据分析面试经验分享，Shawn注重数据分析干货分享，数据分析精选则侧重数据分析技能提高。 3. 在运营小红书类平台账号的时候需要选择适合自己的赛道，分享的知识或内容是大家感兴趣的，抓住粉丝的需求。通过起合适的标题吸引，关联热度最高的关键词主题。 6、最终作品效果图 作品链接：https://bisolutions.fanruan.com/webroot/decision/link/BDGv 三、参赛总结 1、FineBI工具 在从事数据分析工作近三年了接触了不少数据分析工具，但始终对FineBI情有独钟，从FineBI 5.0版本到FineBI 6.0版本，一直是忠实的“番薯”，站在使用者的角度感觉交互感越来越好，尤其是对自助数据集的优化更是提高了平时的工作效率。本次借助FineBI 6.0第四次参加数据分析大赛，从数据加载到数据清洗，再到最后的可视化图表制作，一系列操作非常丝滑，祝愿FineBI在后期的优化过程中越来越好。 2、参赛总结 本次参赛最耗时的过程是对小红书平台数据的采集，每一篇笔记和每一位博主都进行点击查看，收集他们的重要字段信息，我们团队也是夜以继日地进行采集工作。 本次参赛主题一方面是对公司实际需求的解决和验证，另一方面也让我们更了解了小红书平台的运营规则，同时我们采用了Tab页控件，以主题方式分模块展现我们的数据故事。为后期提高小红书笔记的撰写能力和主题赛道的内容产出有了重要的指导作用。 同时也参观了社区内各行各业数据分析师的作业，得到了很多启发，也发现了差距，我们利用FineBI在数据分析的道路上越来越优秀，星光不负赶路人，再接再厉。

数字农业：我国农业发展现状 大屏制作目的 个人对我国农业发展一直拥有深深的兴趣，在数字经济的潮流中，趁此机会想致力于数字农业的发展。通过对官方数据的收集，探究当前我国农业发展的现状，对此有个直观认识。通过对我国农业现状的多维度拆解，依次分为“人”、“货”，“场”三个维度展现农业现状，并得出相应结论。 前言 什么是数字农业？ 提出者：1997年由美国科学院、工程院两院院士正式提出。指在地学空间和信息技术支撑下的集约化和信息化的农业技术。 数字农业是将遥感、地理信息系统、计算机技术等高新技术与地理学、农学、生态学等基础学科有机地结合起来，实现在农业生产过程中对农作物、土壤从宏观到微观的实时监测，以实现对农作物生长、发育状况、病虫害、水肥状况以及相应的环境进行定期信息获取，生成动态空间信息系统，对农业生产中的现象、过程进行模拟，达到合理利用农业资源，降低生产成本，改善生态环境，提高农作物产品和质量的目的。 数字农业是将信息作为农业生产要素，用现代信息技术对农业对象、环境和全过程进行可视化表达、数字化设计。信息化管理的现代农业。数字化使信息技术与农业各个环节实现有效融合，对改造传统农业、转变农业生产方式具有重要意义。 数字农业还包括利用信息技术和数字化手段在农产品生产、流通、运营环节的融合和利用，实现提高农产品产量和质量，提升农产品的附加值和市场品牌影响力，利用数字化手段拓展农产品的营销能力，降低市场运营成本，提升农产品的溢价能力和竞争力。 数字农业组成 农业物联网、农业大数据、精准农业、智慧农业 数字农业特点 农业生产高度专业化、规模化、企业化 农业生产体系完善 农业教育、科研和推广“三位一体” 我国数字农业发展现状 在农业数字信息标准体系、农业信息采集技术、农作物生长模型、动植物数字化虚拟设计技术和农业专家系统与决策支持系统等方面的研究应用上，中国企事业科研单位都取得了丰富的成果，通过不同类型地区应用师范，初步形成了我国数字农业技术框架和数字农业技术体系、应用体系和运行管理体系，促进了我国农业信息化和农业现代化进程。 案例：陕西省“国家苹果产业大数据中心”、浙江省智慧农业云平台 数据分析在数字农业的应用场景 场景1：农作物生长信息的数据挖掘及可视化分析 场景2：土壤、环境等采集信息的数据挖掘及可视化分析 场景3：农产品质量控制数据采集及分析处理 场景4：农产品生产、流通、销售等环节数据可视化分析与决策 数据收集 国家统计局2021年中国统计年鉴 指标拆解 人 人口信息 七次人口普查数据：乡村人口数和城镇化率 城镇化率 = 城镇人口 / (城镇人口 + 乡村人口) 就业信息 第一产业（农业）就业情况 农业就业率 = 农业就业人数 / 三大产业就业总人数 乡村就业情况 乡村就业率 = 乡村就业人数 / 城乡就业总人数 私营和非私营单位平均水平工资和农业工资情况 货 农产品种植面积 农作物种植面积 农产品总产值 农林牧渔总产值 农产品产量 农林牧渔主要产品产量 人均农产品产量 场 地域分析 全球农业生产指数 全国农作物种植面积分布 全国农林牧渔产值排序情况 图表展现 大屏设计 利用PowerPoint对相关组件和大屏布局进行设计。 大屏制作 前期的学习已经将决策报表的每个组件的设计详细的介绍了，在本次作业中对细节的描述全部省略，关注于大屏的设计流程、大屏整体布局和色彩一致性等展示效果。 大屏的数据集采用以文件数据集的方式关联，具有便携性，方便复现。 不足之处：操作交互性较差。 大屏总览 总结： 我国农业发展水平在全球范围内位列中上游。根据我国的实际发展情况，三大产业协调发展，以前我们强调自己的农业大国，未来我们更希望自己是农业强国，加快三大产业融合发展。 2008年我国人均粮食产量以403公斤超过联合国粮农组织规定的人均粮食400公斤的温饱线。随后2015年人均粮食产量达479公斤，为近年来最高值，目前我国人均粮食产量维持在470公斤水平。 2010年-2020年我国城镇化发展迅速，2010年城镇人口和乡村人口几乎持平，随后至2020年我国城镇化率高达63.89%；但是随之带来的农业从业人数连年递减，农业未来将面临着用工难，无人可用的境遇。同时也开始促进农业进行产业调整，大力发展数字农业、智慧农业来抵消农业劳动力不断缺失的问题。 近20年来，我国农林牧渔总产值逐年上升，种植业产值始终处于绝对优势。 标题 实现方式 报表块 展示内容 大屏主题和副标题 数据来源信息 公司logo 指标卡 实现方式 报表块 展示内容 2020年农作物播种面积 2020年农林牧渔总产值 2020年粮食作物产量 2020年粮食作物人均产量 2020年乡村人口数 2020年城镇化率 2020年农业就业率 2020年乡村就业率 地图 实现方式 世界地图 中国地图 展示内容 2019年全球农业生产指数 2020年全国农作物播种面积分布 条形图 实现方式 类别轴逆序条形图 展示内容 2020年农林牧渔产值前十省份 组合图 实现方式 折线图和对比柱形图 折线图和堆积柱形图 展示内容 七次人口普查城镇化趋势图 近12年私营和非私营单位农业工资水平对比 近20年农作物播种面积趋势图 近20年农林牧渔总产值趋势图 近20年粮食产量及人均粮食产量趋势图 柱形图 实现方式 百分比堆积柱形图 展示内容 近20年三大产业就业分布趋势图 近20年城乡就业分布趋势图 明细表 实现方式 报表块 跑马灯效果 展示内容 2020年主要农林牧渔产品产量明细表 结论 1. 2019年全球农业生产指数显示蒙古农业生产指数以140.3排于首位，中国农业生产指数104.1，位列23名。 2. 2020年全国农作物播种面积显示，黑龙江省以14910.1千公顷位列全国第一，河南省和山东省紧排其后；北京市则以98.2千公顷排于末位。 3. 2020年全国农林牧渔产值前十省份显示，山东省和河南省分别以10190.6亿元和9956.3亿元位居第一名和第二名；云南省则以5920.5亿元位于第十名。 4. 2020年农作物播种面积16487千公顷；近20年农作物播种总面积及各农作物播种面积趋势波动平稳，总体波动不明显，粮食作物始终播种面积最大。 5. 2020年农林牧渔总产值达71748.2亿元；近20年农林牧渔总产值逐年上升，农林牧渔业产值也呈现逐年上升，农业产值始终保持最高产值。 6. 2020年农产品粮食产量达66949.2万吨；2020年畜产品肉类产量达7748.4万吨；2020年水产品总产量6549.0万吨；2020年林产品木材10257万立方米。 7. 2020年粮食作物人均产量474公斤；2015年之前人均粮食产量呈现逐年上升趋势，2008年以人均粮食403公斤越过联合国粮农组织规定人均粮食400公斤的温饱线；2015年之后人均粮食产量维持在470公斤上下；结合2015年之后粮食产量也维持在66000万吨左右，我国对粮食的需求已基本满足。 8. 2020年第七次人口普查结果显示，乡村人口数达50979万人，城镇化率达63.89%；2010年及之前乡村人口始终高于城镇人口，城镇化率低于50%，2020年的人口普查结果城镇率远超50%，城镇人口远高于乡村人口。 9. 2020年第一产业（农业）就业率达23.60%，乡村就业率38.36%；近20年三大产业就业分布趋势显示，第一产业就业人数占比连年下跌，第三产业就业人数连年上升，第二产业就业人数占比波动不明显；近20年城乡就业分布趋势显示，城镇就业人数占比连年上升，乡村就业人数逐年下跌。 10. 近12年私营和非私营单位平均工资差距越来越大，2020年差距达到48839元；农林牧渔工资水平非私营单位始终高于私营单位。Digital_Agriculture.zip (3.29 M)

疫情大屏制作流程 数据库连接 数据库文件chapter0.db移到FineReport安装路径下D:\FineReport_11.0\webapps\webroot\help，为了更好的组织日后作业的数据库，新建一个coursedb目录，将chapter0.db移入此目录。 设计器菜单栏中的【服务器】【定义数据连接】，新建JDBC连接，重命名为chapter0。数据库选择SQLite；URL设置为：jdbc:sqlite://${ENV_HOME}/../help/coursedb/chapter0.db；测试连接。 预览chapter0.db中的数据信息 大屏布局设计 本次主要为了复现课程案例，则采用课程提供的设计原图FineReport_standard 数据集提取 FineReport设计器布局实现 标题板块功能实现 本功能实现分别利用了单元格插入图片、单元格边框设置、单元格合并以及文本录入等 公式编辑输入标题名称 疫情简介功能实现 单元格插入图片 单元格录入文本，“\n”换行符实现文本换行 优化布局：对字体大小、行高和列宽通过数值统一化调整 累计情况功能实现 数据集查询语句：SELECT * FROM data_area，数据集命名为中国实时数据 绘制表格，拖入对应字段 美化布局：确诊数为红色；死亡数为灰色；治愈数为绿色 疫情详情功能实现 数据集查询语句： SELECT hist_data_china.ProvinceName AS 省份, hist_data_china.CityName AS 城市, max( hist_data_china.CityConfirm ) AS 确诊数, hist_data_china.CityHeal AS 死亡数, hist_data_china.CityDead AS 治愈数, tab.date FROM ( SELECT DISTINCT ProvinceName, CityName, max( date( UpdateTime ) ) AS date FROM hist_data_china GROUP BY CityName ORDER BY date ) AS tab, hist_data_china WHERE tab.ProvinceName = hist_data_china.ProvinceName AND tab.CityName = hist_data_china.CityName AND date( hist_data_china.UpdateTime ) = tab.date GROUP BY hist_data_china.ProvinceName, hist_data_china.CityName, tab.date 绘制表格：输入表头设置下边框格式，拖拽相应字段。 隔行变色效果：添加条件属性，背景色浅蓝色，公式输入变色逻辑： // 偶数行背景变色，行号从0开始 row() % 2 = 0 跑马灯效果：由于使用的是FineReport 11.0版本，课程提供的JS代码无法运行，自行查找帮助文档获取新的JS代码： setTimeout(function() { // 隐藏报表块report0的滚动条（此报表块名为report0，根据具体情况修改） $("div").find(".frozen-north").css({ 'overflow-x':'hidden', 'overflow-y':'hidden' }); $("div").find(".frozen-center").css({ 'overflow-x':'hidden', 'overflow-y':'hidden' }); _g().getWidgetByName('report3').startMarquee() },1000); 效果展示 疫情重点区域功能实现 数据集查询语句： SELECT hist_data_china.ProvinceName AS 省份, hist_data_china.CityName AS 城市, max( hist_data_china.CityConfirm ) AS 确诊数, hist_data_china.CityHeal AS 死亡数, hist_data_china.CityDead AS 治愈数, tab.date FROM ( SELECT DISTINCT ProvinceName, CityName, date( UpdateTime ) AS date FROM hist_data_china WHERE date( UpdateTime ) != "${=today()}" ORDER BY date ) AS tab, hist_data_china WHERE tab.ProvinceName = hist_data_china.ProvinceName AND tab.CityName = hist_data_china.CityName AND hist_data_china.ProvinceName = "湖北省" AND date( hist_data_china.UpdateTime ) = tab.date GROUP BY hist_data_china.ProvinceName, hist_data_china.CityName, tab.date ORDER BY date 选择力学气泡图类型，配置数据集【省市历史数据】，分类选择城市，字段名为确诊数，汇总方式为最后一个，本表为累计数据，最后一个值为最新累计值。 系列属性根据值进行合适分组，气泡半径大小进行调整，美观布局。 谣言与辟谣功能实现 数据集查询语句： SELECT * FROM 疫情辟谣信息 绘制表格：父子格设置、边框格式设置以及字体格式设置 跑马灯效果：参考【疫情详情】的JS代码 湖北省新型冠状病毒确诊病例统计表功能实现 数据集查询语句：参考【疫情重点区域】采用的是省市历史数据 折线图数据集配置后，将分类设置为date，字段名分别设置为确诊数、死亡数、治愈数，汇总方式修改为求和 修改图例位置和系列颜色属性，分别设置为红色、灰色和绿色 背景属性绘图区的网格线选择为无 新型冠状肺炎病例分布示意图功能实现 数据集查询语句： # 疫情市实时数据 SELECT * FROM 疫情市实时数据 # 省市实时数据参考【疫情详情】数据集 钻取地图类型属性设置：GIS图层选择无，缩放等级和中心点自定义设计 数据数据，第一层选择省市实时数据集，字段名分别添加确诊数、死亡数和治愈数，汇总方式为求和；第二次选择疫情市实时数据集，字段名分别添加确诊人数、死亡人数和治愈人数，汇总方式求和 系列属性颜色为区域渐变色，分别设置合适的区间，图例显示取消。 疫情大屏最终制作效果展示

Your browser does not support video tags.   选手介绍： 个人赛选手： 时亚东，现就职于浙江养生堂天然药物研究有限公司的检测中心，日常负责实验室管理系统的运维管理和数据报表开发。目前技术能力主要涉及Java、Python、SQL、FineReport、PowerBI和FineBI 等数据分析工具。本次已经是第三次参加帆软举行的FineBI可视化大赛了，一次次的锻炼，使我在数据分析领域越来越得心应手，每次同这些志同道合的小伙伴们通过作品交流总是受益匪浅。 本次参赛项目从设计到实现全流程均由我一个人完成，由于水平有限，肯定还是有多方疏漏，请读者们见谅。 项目及数据源介绍： 自比赛启动后，我花了一周时间来选择项目主题，从kaggle、天池、知乎等各个网站搜索数据，但是这些零散的数据始终难以形成完整的分析思路，最后还是在不舍中放弃从头再来。在翻看本地数据库时，发现之前练习Python网络爬虫时，针对链家网数据进行了“扫荡”，但仅仅获取了杭州二手房的数据。于是，顺着这个思路我开始建立起本次项目的分析思路。 一直以来，在杭州都想拥有一套自己的房子，但是目前微薄收入难以支付起高昂的新房首付，我便时常关注杭州二手房的情况，挑选出一套各方面都满意的二手房便成了我的执念！杭州，这座城市一直以来的发展是全国人民有目共睹的，但是离我们常说的北上广深这样的一线大城市相比，还有一定的差距，究竟这种差距有多大呢？于是便有了获取北上广深杭这5座城市二手房的房源数据的想法，在房子特征上是否能找到些印证呢？我希望能通过本次项目的深度分析成功获取到买房最佳方案，实现多年来的梦想！ 本次参赛数据源主要来源于链家网、安居客。其中安居客主要获取到北上广深杭5城的房价数据；链家网获取了北上广深杭5城的房源信息。均采用Python结合BeautifulSoup模块获取网站数据，存储至本地数据以备后面数据ETL清洗工作。 Python爬虫代码示例： 数据处理： 数据获取来了之后，为了满足自己的分析要求，针对数据进行数据清洗工作，去除不必要的字段、转换数据类型、定量数据转换为定性数据等操作。 主要分为：房价数据清洗、房源信息清洗 房源信息清洗主要针对时间进行了拆分，获取了年、月、季度字段，单价进行了数据类型转换。 房源信息清洗主要做了房源基本信息、房源满意度、核心卖点、周边配套等方面的清洗 数据清洗步骤截图： 作品介绍： 本次作品主题是关于二手房挑选方案的，主要从房价现状、二手房整体画像和房源满意度评价三个方面着手分析。 首先为本次报告起一个振聋发聩的标题，并留下作者信息 第一部分：北上广深杭五城房价现状分析（数据来源：安居客） 2022年4月五城房价对比分析：杭州市房价以21466元/平方米的单价获得五城最低房价城市，而深圳市以52873元/平方米的单价获得五城最高房价城市； 2022年4月五城房价环比对比分析：杭州市和上海市相对于3月份分别环比增长1.15%和1.78%，而深圳市、广州市和北京市相对于3月份环比均有所下降； 2022年4月五城房价同比对比分析：杭州市是唯一相较去年4月份同比下降的城市，同比降低了2.97%，其他四城均呈现同比增长趋势，其中深圳市竟同比上升了23.39%； 基于以上对2022年4月份的房价分析，杭州市可谓是买房的最佳选择城市。 接下来我们看一下，杭州市2022年全年的房价走势，除1月份相较2021年12月份环比下降1.34%以外，其他月份均有环比增长趋势；相较2021年同期，2022年所有月份的房价均同比下降，其中1月份同比下降做多，同比降低了8.66%； 结合2013年-2022年杭州市历年房价趋势，在2016年-2018年出现了大幅度上涨，当时杭州举办了2016年“G20峰会”以后其知名度打响之后，房价收到了明显的影响。2018年以后房价略有缓和，但是2022年9月杭州市将举办“亚运会”，预计房价会有新一轮的波动，但波动不会太大，因为杭州的调性相较于其他四城来说，更希望发展为适宜居住的，休闲养老的幸福感城市，具体情况让我们拭目以待吧。 第二部分：二手房整体画像（数据来源：链家网） 本次共计获取到12868条房源信息，其中上海市2849条，占比22.14%；深圳市2650条，占比20.59%；杭州市2491条，占比19.36%；广州市2441条，占比18.97%；北京市2437条，占比18.94%。 房源信息中针对户型介绍主要包括采光、阳台、方正、通风等关键词；针对核心卖点介绍主要包括满五唯一、交通便利、装修等关键词；针对周边配套主要包括医院、公园、银行、地铁等关键词。 接下来列出房源信息的明细表，点击每一条明细均可调转到对应的房源网页。 房源数随挂牌时间的变化趋势可以看出二手房购买率变化情况，可以对比出不同城市二手房销耗能力，主要受房价和贷款优惠政策影响。 基于房源数的帕累托分析：房屋户型、单价分类、建筑面积分类、总价分类、公摊面积分类、建造时间，分别明确了80%房源数的各种房源特征。 基于筛选的90%房源数的房屋户型：查看不同户型单价的分布情况、单价与建筑面积之间的四象限分析、户型总价与建筑时间的分布情况、单价与关注人数分布、建筑面积与总价之间的线性关系。 其他二手房画像特征：装修情况、配备电梯、所在楼层、房屋年限、建筑类型、房屋用途、交易权属等。 第三部分：房源整体满意度评价（数据来源：链家网） 不同城市房源整体满意度排名：杭州市房源整体满意度排名第二，为0.34，仅次于广州市的0.39；北京市房源整体满意度排名最低，为0.22。 不同单价类型房源整体满意度排名：5000-10000元/平方米和10000-15000元/平方米分别以0.60和0.56的整体满意度位居前两名；45000元/平方米以上的整体满意度为0.20，位居最后一名。 不同总价分类房源整体满意度排名：50万以下和50-100万的总价范围以0.56和0.53的整体满意度占据前两名；450万以上的整体满意度为0.19，位居最后一名。 不同建造时间房源整体满意度排名：未知年份的房源整体满意度位列第一，分数为0.34，可以通过明细表具体查看相关房源信息；2010-2015年和2015-2020年同时以0.31并列第二名；而1970-1980年和1960-1970年则以0.21并列最后一名。 不同房屋户型房源整体满意度前十名：3室1厅0厨0卫和3室1厅1厨0卫的房源整体满意以0.57和0.55位居前两名。 不同建筑面积房源整体满意度排名：建筑面积50平米以下和90-100平方米位居前两名，整体满意度分别为0.33和0.31；130平方米以上的整体满意度为0.25，位居最后一名； 不同公摊面积房源整体满意度排名：公摊面积5平方米以下和5-10平方米的整体满意度均为0.35，并列位于第一名；40-45平米以上的整体满意度为0.22，位居最后一名； 户型满意度、配套满意度、建筑满意度与房价满意度四象限分析：气泡大小为整体满意度，气泡颜色为房屋户型，我们可以通过选择分布在第一象限的房源，房价满意度、户型满意度、建筑满意度以及配套满意度最高的房屋户型，通过单价可以查看具体户型的明细信息。 结论与建议 基于以上分析结果，我们发现杭州市目前房价最低，2022年全年房价趋势以及杭州市历年来房价趋势来看，在杭州市选择一套合适的二手房是最佳的。但是2022年9月举办的“亚运会”对房价会有轻微的影响，加上近几年政府对房地产的干预，贷款利率的调整，整体上应该处于稳定波动。 基于杭州市获取的2491条二手房房源信息来看，2021年下半年挂牌时间的几乎每个月房源数都还有100多套二手房未被交易，2022年03月新增挂牌房源664套。 从对杭州市房源信息的分析来看，80%房源数的房屋户型主要有3室2厅1厨2卫、2室1厅1厨1卫、3室2厅1厨1卫/4室2厅1厨2卫、2室2厅1厨1卫以及 3室1厅1厨1卫，对于我来说，这些房源都是相当不错的选择，适合90后小夫妻安逸生活。 从对杭州市房源信息的分析来看，80%房源数的总价分类范围在450万以上、200-250万、150-200万、250-300万、300-350万，对于我的预期总价250万以内的需求来说，有相当一部分房源储备量。 从对杭州市房源信息的分析来看，80%房源数的建筑面积分类范围在80-90平方米、130平方米、50平方米以下、120-130平方米以及50-60平方米，对于我个人需求来讲，建筑面积在90平以上的房源储备也是相当多了。 从对房源整体满意度的分析来看，杭州市房源整体满意度为0.34，排名第二，仅此于广州市的0.39。 从个人需求来说，预期选购建筑面积在90平方米以上的二手房，所以这里需要对建筑面积优先过滤，杭州市的建筑面积分类在90-100平方米的二手房整体满意度最高的房屋户型为2室1厅1厨1卫，单价分类的整体满意度最高的范围是5000-10000元/平方米和10000-15000元/平方米均可，总价分类的整体满意度最高的范围是50万-100万和100-150万也在预期之内，公摊面积在5平方米以下和15-20平方米也是可以接受的。 经过层层筛选，终于定位到一套优等房源，位于杭州市钱塘区，标题为“房子是经典的跃层loft户型视野好精装修 业主诚心出售”，可以通过明细表跳转至详情页面查看。房价满意度0.78，户型满意度0.3，建筑满意度0.2，配套满意度0.76，房源整体满意度为0.62。但是本身还是希望入手一套普通住宅，可以再退而求其次，选择心仪的房源。 建议：这里在计算整体满意度时，针对房价满意度、户型满意度、配套满意度和建筑满意度分别按 5 : 2 : 2 : 1 的方式进行加权计算，可以根据大家的个人需求进行比例调整，获取自己心仪的二手房房源信息。 参赛总结： 通过本次项目又一次锻炼了自己的数据分析能力，虽然成长之路还有很长，但每取得一点进步都让人获取巨大的幸福感，就像之前FineBI课程的老师所说——莫问前程，勇往直前。在数据分析领域的大神们一直都在强调“培养用数据讲故事的能力”，我想在这句话中有两层意思，一是整个数据分析报告中要具有逻辑性，二是一定要让数据分析报告有足够的吸引力，而吸引力最重要是能够解决大家的困扰。当我们遇到问题了，可以尝试用数据分析的思维方式去思考一下，找数据，做分类，正如我这个项目一样，就是为了解决困扰我如何选择合适的二手房的问题。 再次感谢帆软团队组织的可视化大赛，让我能有机会和大家在这个比赛中，通过作品彼此学习，共同成长。

现象描述：FineReport设计器界面出现画面撕裂 打开设计器添加一个决策报表后   鼠标所到之处皆为撕裂画面，无法正常使用   电脑配置信息：这个问题和电脑显卡及配置有关系 电脑显卡信息： 本人电脑为Dell G系列游戏本，AMD显卡，出现画面撕裂主要原因和AMD显卡有关，因为目前在其他非AMD显卡电脑上使用均未产生画面撕裂现象。如果其他人遇到这类现象可以参考以下解决方案。   解决方案：FineReport配置文件修改 1. 进入设计器安装路径的bin目录：D:\FineReport_11.0\bin 2. 修改文件designer.vmoptions信息：-Dsun.java2d.d3d=false 这段设置的意思是：关闭JAVA 3D功能（Direct3D，有时候Direct3D功能可能导致JVM Crashed，默认是打开（true），属于Java Swing 2D系统属性参数。 若想了解其他Swing 2D系统参数可参考：Java Swing 2D系统属性参数详解 3. 重启设计器即可解决画面撕裂问题 编辑于 2021-10-14 22:44

学习初衷：数据分析师技能提升   毕业前为了找到一份合适的工作，通过多方信息对数据分析行业有了初步的了解。开始学习Python、MySQL等技能，参加大数据分析课程的培训，在培训课程中接触到了帆软的第一个产品FineReport，通过对FineReport的学习，体会到了帆软产品的快捷性和便利性。随后通过帆软官网看到了更多的产品，均可安装试用，FineBI便是其中之一，从FineBI v5.0到现在FineBI v5.1一年来每个版本都有使用过，一步步跟着FineBI成长着。后来参加了两次“FineBI可视化挑战赛”获得了一些奖励，才有机会接触到FineBI标准版课程，对它的功能有了更加全面的了解。 学习经历：   在课程学习的过程中，前期的基础操作训练，由于本身自己接触FineBI的时间比较久，很多操作比较熟练，任务量不算高，能够较轻松的完成。后面2周的学习开始制作大屏和数据可视化故事，每个作业都相当于一次挑战赛作品，开始了熬夜赶作业的生活。每次看到自己的作业被老师点评的时候，分值都不算低，内心总是满满的获得感，付出总是会有收获的。   每次熬夜赶作业的时候，刷新作业提交界面，发现这是的作业批改老师也刚刚打出之前的作业分数，心想老师们也是在熬夜改作业，每份作业的细节都把握的死死的，心头涌上一份感动，谢谢Suri班主任、Lynn老师、助教老师们的辛苦和陪伴，祝福我们大家都有一个美好的前程和未来。 学习成果：   通过FineBI的学习，最大的收获是数据分析思维的训练，数据可视化故事的讲述原则以及数据可视化大屏布局和配色原则。这是之前自学FineBI的时候所缺乏的技能，在课程中都得到了补全。目前自己可以搭建起来炫酷的数据可视化大屏/驾驶舱，可以独立讲述数据背后的数据故事。同时，利用FineBI已经开始着手分析工作中的数据，向同事介绍更深刻的数据结论，以及FineBI的优势。以下展示一个在学习过程中的案例——福布斯富豪榜可视化分析    小结   通过这次学习，自己在数据分析的道路又添一把利器，希望日后能在工作更好的发挥FineBI的功能。最后再次感谢老师们的辛苦付出，学习不易，教学更难！用老师鼓励的话来说：“莫问前程，勇往直前！”     编辑于 2021-9-28 09:59

一、选手简介   1. 选手介绍   团队名称：干饭魂队   队长：时亚东，在杭州某公司检测中心工作，日常处理一些公司内部产品检测数据，擅长帆软报表开发，利用Python及MySQL等进行数据分析；   成员介绍： 王小涂：零售行业数据产品经理，擅长针对业务数据应用难题，提供解决方案，并以项目制的落地执行。 Harry：某互联网公司企业智能部门-BI工程师，主要参与大数据环境下的数据仓库以及相关ETL工具建设、开发及维护 杜光华：曾就职某大数据bi团队，擅长数据处理，指标搭建，可视化等 邓子琦：兰州，学生，专业社会学，有bi开发经验，打算9月份去找工作，目标数据分析岗，现有bi开发经验，web全栈开发经验（Python flask），爬虫开发经验（Python scrapy）   2. 参赛初衷 希望和不同行业的数据工作者加强交流，碰撞出更多的数字化解决方案思路。 希望通过实践掌握更多的BI分析工具，为自身产品的设计提供更多的思路。 培养数据分析思维，站在不同的角色角度去思考业务问题，了解更多的数据分析思路。 和更多FineBI大神交流学习，进行数据可视化作品以及分析思维的激烈碰撞   3. 目标 对疫情数据进行简单的统计。 设计可视化数字大屏展示新冠疫情的时空变化情况。 使用可视化工具绘制城市疫情风险图。 对国内和国际的疫情变化情况进行分析。 二、场景介绍   1. 业务背景介绍&数据来源   业务背景： 疫情的发展动向，牵动着每一个人的心，及时且准确的知晓世界各地的疫情防控情况，了解境外输入的风险，以及本国风险地区防疫进度，对每个人都显得尤为重要。了解疫情的渠道不少，但是能全盘看整体情况并针对性了解重点信息的渠道却不多，我们希望通过帆软BI制作疫情动态分析看板，帮助大家及时并快捷知晓疫情动态发展情况。   数据来源： ·https://news.sina.cn/zt_d/yiqing0121 ·https://news.qq.com/zt2020/page/feiyan.htm#/   利用网络爬虫技术实时转存数据至MongoDB数据库，然后将数据整理成关系型数据转存至云服务器的MySQL数据库，在数据获取阶段，本队邓子琦花费了大量精力和时间，在自己忙碌毕业事项的同时，仍未耽误项目进度。并提供了自己的云服务器，实现了数据的实时更新和获取，起到了重要的作用。 2. 分析思路145514 3. 数据整理 中国最新疫情 各国疫苗接种明细 中国疫苗接种明细 疫苗厂家分布 境外国家最新数据 -累计确诊降序top10 获取所有国家每日最新数据 境外输入源 遭受境外输入省份top10 境外输入源top10 各省每日境外输入数据 境外国家最新数据_日-累计确诊降序top10 印度-每月最后一天历史数据 全国各省每日最新数据汇总 广东各市每日最新数据汇总   4. 完成分析报告   通过KPI指标卡制作国内和全球累计数据，集中表达了疫情的现状；通过地图展示了全球和国内的累计确诊人数的分布情况；同时，基于相关数据针对疫情严重区域印度和广东进行了重点分析；同时获取了累计确诊人数前十位的国家数据； 利用词云图分析了国内疫情境外输入情况，主要来源国家有美国、英国等，进入的城市主要集中在北上广以及福建等发展较好的省份及沿海省份，对外交流频繁； 同时本项目关注疫情期间疫苗的接种情况，分别展示了全球疫苗接种的变化趋势、国内近日以来的疫苗接种变化趋势以及全球各大疫苗厂家的市场占比情况。   （1）疫情累计数据展示 145515   （2）国内疫情地图 145516   （3）全球疫情地图 145518   （4）重点国家——印度疫情变化趋势分析 145519   （5）重点城市——广东各市疫情情况 145520   （6）全球疫情累计确诊人数前十名国家分布 145521   （7）境外输入主要国家来源 145522   （8）各省市境外输入情况 145523   （9）全球累计疫苗接种趋势分析 145524   （10）国内累计疫苗接种情况 145525   （11）疫苗生产厂商占比分析 145526   分析结论：   全球疫情确诊人数仍呈上升趋势，截止目前累计确认1.8亿以上，累计死亡390万人以上，现有确诊2697万人，从各国来看，新增确诊病例以印度和巴西较为严重，各国防疫战役仍不可掉以轻心；从国内来看，截止目前累计确诊人数达到11万人，现存确诊将近5000人，整体呈下降趋势，但是境外输入仍呈上升趋势，境外输入仍需要严格做好防控。国内各省份来看，台湾地区最为严重，现有确诊病例达到4000以上，每日确诊人数呈上升趋势；其次福建、香港、广东地区每日仍有新增确诊人数。截止目前，国内新冠疫苗累计接种达到11.7亿剂，每百人接种人数达到80以上，国民接种疫苗意识高涨，疫情防控措施深入人心。   5.总结   本次参赛是采用团队合作方式，队长体验出了强大的规划和组织能力，及时组织队员沟通交流，并做好计划及人员分工安排，各组员也都积极配合工作安排，在规定的时间内完成各自分工的同时，也会主动帮助其他组员，相互答疑解惑。在这个过程中，团队成员不仅在BI工具的使用上掌握了更多的方法和技巧，更在数据分析的思路上有了更多的认知，思路上有了很大的拓展，对于我们日后的学习和工作也有很大帮助。 145530疫情实时动态分析.pdf (1.17 M)

1.选手简介 1.1.选手介绍 帆软社区用户名：时亚东 职业简介：现就职于浙江养生堂天然药物研究所有限公司，在检测中心任职数据分析助理工程师岗位，日常负责检验人员工作量统计、检测中心业务量统计和数据库管理等工作。 1.2.参赛初衷 希望通过实践提升分析工具技能； 培养数据分析思维 了解并掌握FineBI的应用 和更多FineBI大神交流学习，进行数据可视化作品以及分析思维的激烈碰撞 2.场景介绍 2.1.业务背景介绍&数据来源 业务背景：人员流失问题类型有很多，目前在学习数据分析过程中经常遇到的几种人员流失问题主要包括：电信客户流失预测案例、淘宝用户行为分析、信用卡逾期用户预测以及员工流失分析预测案例等。造成员工流失的原因有很多，分析起来也很复杂，对于管理者来说需要针对员工的相关属性进行准确的预测，采取相应的对策应对。因此本次选择以IBM员工流失案例的数据针对此类问题提供一定的研究思路和预测方法。 数据来源：个人获取的数据-https://www.datafountain.cn/datasets/12 2.2.分析思路 139600 2.3.数据整理 所选数据相对整齐，无缺失值和异常值存在，所以之间导入了FineBI中建立了自选数据集，把对应的字段进行分类进行使用。 2.4.完成分析报告 2.4.1.配色选择：色彩柔和、层次分明 2.4.2.图表选择：想要表达的关系多以分类汇总、占比分析为主，因此选择柱形图和饼图居多；当然为了增加报告元素的多元化，也选择了树图、圆环图、条形图、散点图以及气泡图进行相关内容的表达。 2.4.3.分析结论： 员工流失原因多种多样，为了清晰地分析某公司员工流失的原因，本次分析将流失原因分为三类：员工画像、公司画像、工作和薪资情况分析。点击流失比例中Yes的比例便可查看流失员工各项原因分布情况。流失员工中男性占63%；本科以下学历占70%以上；单身员工占一半左右；25-35岁员工占50%左右；10年以下工作经验的员工占67%；生命科学和医药学专业的员工占65%；离家距离10km以内的员工占56%；入职年限10年以内的员工约占83%；流失员工中科研人员占56%；股票期权水平为的0的员工占65%；不经常出差的员工占66%；实验室技术员占26%，且销售主管占24%，研究员占20%；生活和工作平衡程度为3的员工更易流失占54%；经常加班的员工占54%；工作级别为1的员工占60%；3年内晋升的员工占78%；在当前职位工作时间在2年以内的新员工更易流失；更换工作次数在2次以内的员工占51%。 完整报告请参见pdf附件 139627 2.5.总结 平时工作之余的时间太少，针对本次比赛共花了半个月的时间准备，但实际制作作品时间仅有两个晚上，针对员工流失分析的层次感还是觉得不够明确，对数据的整理方面仍有欠缺。但虽然时间紧张在使用FineBI的过程仍能感受到它带来的便捷和高效，通过自己的快速学习和不断实战练习，能够早点成长为一名合格的数据分析师，当然也会将这款高效的软件向身边的同事进行推广和介绍，让更多人了解FineBI。 140378