一、选手简介 1、选手介绍 个人介绍：帆软社区用户名帆软用户HeQ90VyG60，目前从事营销策划工作，现寻求数据分析方向的转型机会，力争找到数据分析师的工作。个人感兴趣的方向和领域-数据分析。   2、参赛初衷 希望通过比赛实践提升BI工具的使用方法和技巧 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 大赛奖励很诱人 借助本次项目经历，转型数据分析师。   二、作品介绍 1、业务背景/需求痛点 本次数据截取“和鲸社区”中《京东消费数据集》中2018年4月1日至4月5日的数据作为分析对象。 根据对象的业务属性及业务范围可知，此对象属于平台型企业。发展自身平台影响力的同时，需服务店铺方及消费用户方。 这三个方向涉及不同的需求痛点。故分别对平台维度、店铺维度以及用户维度三方面进行了深入的分析。对于平台方来说，用户转化率是需要着重关注的运维指标；对于店铺方来说，订单量与好评数是需要着重关注的运维指标；对于消费用户来说，消费频次与最近消费时间是需要着重关注的运维指标。   2、数据来源 自选数据： https://www.heywhale.com/mw/dataset/62483abae1d37c001704e37a/content   3、分析思路 围绕分析主题，拆解了哪些分析方向？ 围绕主题拆解了平台维度、店铺维度及用户维度三个方向。 >平台维度：由平台用户转化分析，得出需优化浏览到下单转化的结论，进而引申出各品类推送时段优化。 >店铺维度：展示了店铺好评数排行榜、订单总数及各店铺订单明细，订单明细支持店铺id、品类及品牌三级下钻。同时对店铺订单量进行了帕累托分析，可明显发现少数店铺贡献了大部分的订单量。 >用户维度：对用户的最近一次消费时间及消费频次进行了分析。同时根据每位用户这两项指标与总用户指标的均值进行比较，并赋值评价。将用户分为了重要价值用户-最近消费时间近、消费频次高；重要发展用户-最近消费时间近、消费频次低，忠诚度不高，很有潜力的用户，须重点发展；一般保持用户-最近消费时间远，消费频次高；一般挽留用户-最近消费时间远、消费频次低。 为什么这么拆解？ 从这三个维度拆解能够较为全面的覆盖平台的服务群体，平台在着重提升自身影响力的同时，也在为店铺、消费用户提供服务。 是否用了哪些分析模型 本次分析采用了RFM模型、、漏斗模型及TOP分析等   4、数据处理 如何使用自助数据集进行数据处理的？遇到了哪些困难，如何解决的？（不一定要每一步都描述详细，挑重点、比较复杂的描述，配上截图，方便评委和读者学习） 本次分析的的自主数据集根据业务需求划分了A、B、C及D四类，分别为A基本表、B平台维度表、C店铺维度表及D用户维度表。 （1）基本表 >基本表1-action表过滤 本次分析共涉及5项源数据表，因源数据表数据过大，就考虑到使用自助数据集进行数据清洗，通过过滤行为时间筛选了2018年4月1日至4月5日的行为数据。同时考虑到后续分析主要面向下单数据，故对type类型进行了过滤，type=2,代表下单的数据。 >基本表2-生成总表 为防止在3个维度不同的分析中，左连接字段不同或过滤方式差异导致各个分析之间数据不同步。我采用先多表所需字段左右合并链接生成总表的方法，规避数据不同步的风险。后面3个维度分析在总表的基础上处理。 （2）平台维度表 >平台维度表1-转化分析准备 转化分析因涉及浏览、下单、评论及关注多项行为阶段，所以无法使用已生成的总表（已过滤只有下单数据），需单独从action源数据表中获取。 首先对tpye类型进行了分类汇总。其次通过新增列的方式对tpye类型的数字进行了重命名并对行为数进行降序排列。最后，新增列准备合并的字段，该数据集就完成了。 >平台维度表2-转化分析正式 用上述方法重新生成一个正式表，通过准备表的“合并列”与正式表“排序”字段作为链接依据，进行左右合并，这样就可以错位作差，计算留存率了。生成正式表如下所示。 >平台维度表3-下单时间分段 首先在生成“基本表-总表”中选取所需字段，新增列‘下单时间小时’对字段action_time中做获取小时的处理，然后新增列‘下单时间分组’根据‘下单时间小时’进行分组赋值。最后分组汇总，计算占比即可。 >店铺维度表1-好评数排行榜 首先在生成“基本表-总表”中选取所需字段，对店铺id进行分组汇总，同时对总评论数和好评数进行计数，即可生成该数据集。 >店铺维度表2-店铺订单数帕累托 首先在生成“基本表-总表”中选取所需字段，对店铺id进行分组汇总，同时对订单编号module_id进行去重计数。新增列‘序号’对module_id进行降序排名，新增列‘分组’对序号进行分组赋值，这样就把所有店铺按订单量排名等店铺数量的分为了10组。最后分组汇总计数即可得到该数据集。 （3）用户维度表 >用户维度表1-RFM模型 首先在生成“基本表-总表”中选取所需字段，对用户id进行分组汇总，同时对action_time进行汇总处理选择最晚时间，重命名为‘最近一次消费时间’，对订单编号module_id进行去重计数，重命名为消费次数。 新增列计算时间差命名为距今小时数，后续即可根据此计算平均小时数，然后用单个用户与平均值比较做赋值评价。大于平均值赋值为1，小于平均值赋值为0。消费频次的计算与赋值评价原理相同。 最后根据距今小时数和下单频次赋值分组即可得到该数据集。   5、可视化报告 （可视化报告可按照组件或业务模块为单位进行描述撰写） （1）数据含义表达和图表排版布局 组件的业务含义及关键指标制作步骤 平台维度包含转化分析及各品类下单时段分析两个组件。其中下单时段分析采用了气泡图的展现形式。气泡图组件可以多维展示数据，气泡的坐标，大小、颜色均能从不同的维度反映用户的消费行为偏好。不同品类的消费用户，具备消费时间的不同偏好。通过各品类的下单时间的集中度分析，确认该品类最优的营销推送时间。其中气泡的不同大小及颜色代表不同的下单时段集中度。 >气泡越大代表该时段下单集中度越高，越适合做营销推送;  > 绿色代表该时段极为适合营销推送；  >橙色代表该时段营销推送效果一般；  >蓝色代表该时段不适合营销推送。 店铺维度订单总数、订单明细、订单量帕累托分析及店铺好评数排行榜4个组件。 其中订单明细表组件可以对三个层级进行钻取数据，每个层级都将对应展示订单数。其中对订单量排名第一的店铺做了皇冠标注。 其中条形图组件可清晰展示各店铺好评数量及排名，针对排名前三的店铺，对条形图做了变色处理。 用户维度采用了RFM模型作为分析依据，因源数据无金额字段，故此处仅进行RF分析。有RF图及RF表两个组件。 分别对每个用户的这两项数据与总用户的平均值做了比较，大于平均值则该项评价为1，小于平均值则该项评价为0。将所有用户根据评价分为了一下四种类型：   11-重要价值用户：最近消费时间近、消费频次高。   10-重要发展用户：最近消费时间近、消费频次低，忠诚度不高，很有潜力的用户，须重点发展。   01-一般保持用户：最近消费时间远，消费频次高。   00-一般挽留用户：最近消费时间远、消费频次低。 如何排版布局，设置颜色 本次布局采用了星空的作为底色，三个模块并列展示。每个组件采用悬浮的方式置于背景之上，在保证数据展示的同时，不丢失页面的观赏性。 （2）通过分析得出的结论 平台维度： >通过观察漏斗模型得出浏览数至下单数的转化率仅为7.51%，转化率较差，商品对于用户的匹配度需进一步加强，比如可在不同的时段进行不同品类的推荐，从而提高下单率。 >通过观察下单时段气泡图组件得出不同品类的消费用户，具备消费时间的不同偏好。通过各品类的下单时间的集中度分析，确认该品类最优的营销推送时间。其中气泡的不同大小及颜色代表不同的下单时段集中度。气泡越大代表该时段下单集中度越高，越适合做营销推送； 绿色代表该时段极为适合营销推送；橙色代表该时段营销推送效果一般；蓝色代表该时段不适合营销推送。 店铺维度： >通过观察店铺订单量的帕累托分析，得出店铺订单量排名占比前10%的店铺，总单量遥遥领先，此类是重点发展维护类。 >通过观察好评数组件的排行榜得出各店铺在4月1日至4月5日期间获得的好评数。通过好评数可以客观的展示店铺经营质量，由图所示4005、3220及10262经营质量最佳。 用户维度： >通过观察RF图，得出重要发展用户占比高达48.28%，该类群体消费贡献极具潜力，且群体数量庞大，应着重关注该类群体。 这些结论对业务工作及决策产生了什么影响（价值总结） 平台维度对漏斗模型分析得出需优化的环节；对各品类用户下单时间进行分类统计，得出各品类最优营销时间段。 店铺维度对订单量的帕累托分析可得出重点发展维护的商铺；店铺订单的分析，对总体单量，以及各店铺的明细单量进行排名展示，可用作店铺销售单量的督促；店铺好评数分析，对各店铺的好评数进行排名展示，可用作店铺服务质量的督促。 用户维度对RF的分析，可对用户群体进行划分，得出需着重关注的群体，可作为精细化营销的参考依据。 （3）公共链接分享仪表板 https://bisolutions.fanruan.com/webroot/decision/link/9cmO   三、参赛总结 1、FineBI工具 简述你对BI工具的看法 网页办公的设计使得凭借账号即可跨设备跨地域轻松办公。 里面内置的问题搜索模块对小白非常友好。 FVD的可视化素材非常的棒，能够轻松的套用并制作出好看的仪表板。 对数据分析的价值的思考 对于消费分析来说，数据分析的本质是发现数据背后的行为规律，通过对行为规律的把握，优化用户的使用体验，同时提高营销资金利用率，提升平台销售量。   2、参赛总结 总结谈谈在这个过程中的克服的困难、遇到的人、感恩的事儿、认知新感悟等等，如： 本次参赛非常感谢官方设置的训练营，让我对finebi的使用有了系统化的掌握，在使用的过程中通过内置问题搜索模块能够很快捷的找到解决方案。同时非常感谢大赛的导师，对我遇到的数据处理问题提出了非常好的优化建议。