找回密码
 立即注册

QQ登录

只需一步,快速开始

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
dj(uid:525317)
职业资格认证:FCBP
被娃拆了的新年礼盒
      礼盒昨天到的,特意叮嘱家人,不要让娃给拆了,结果,悲催的通宵加班后(上一次通宵加班是7年前,哎,早上6点出公司的时候,还自嘲了一下,这年纪了竟然还拼体力),进家就看到了被拆的包装袋,然后,日历被扔在桌子上,毛毯被娃抱着,已经睡了一晚了,娃说超喜欢上面的老虎,好吧,难得你喜欢,原谅你私拆我的礼盒了 。。。
2021,那些感激,那些难忘,那些欣喜
与帆软相识14个月有余,时间很短,故事很(ye)长(duan),说三个“最”吧~ 最感激,帆软的技术支持小伙伴,帮忙解决了N个搞不定的计算逻辑问题 很多个FineBI的知识盲点,都是技术支持小伙伴在协助指点,曾经有二周,每天都是和技术支持从上班开始,断断续续的聊到下班、甚至八九点;这些指点,犹如指路明灯,让我快速上手,并且可以熟练使用各种功能,实现想要的不同类型的分析;也正是因为BI的威力被挖掘,公司2021年开始,决定通过BI将零售数据赋能于品牌方,我们开发了一整套针对各个品牌的销售分析、会员分析仪表板,日更、日推;这套报表的开发及维护,使CRM团队的工作量增加了很多,于公司而言,这是数据在产生收益(虽然微乎其微),但对CRM团队来说,看到品牌方的良好反馈,我们突然觉得累也值得,那是一种付出被看见、被尊重的喜悦、也是一种我们有能力帮助别人的自豪; 最难忘,夏季挑战赛 和小伙伴们一起挑灯奋战的一周,凌晨3点的灯光,见证了辛苦,也承载了期许,可喜的是,结果大家还算满意,身为小组长,我也算没有辜负大家的期许;这个作品,我个人最大的体会是:论故事的重要性!在经历过多次分析报告被淹没在邮箱之后,我终于明白了一个道理:一份分析报告,如果没明确分析目的就开始罗列事实和数字,没人去关心你的报告做的多精美,也几个人能看得下去,要学会用数据讲故事,明确分析目的、有冲突、有解决方案,就会很容易吸引大家的注意,就像我们到现在都记得小时候听过的小红帽的故事,但未必记得住柳宗元的《江雪》; 最欣喜,有机会参与帆软的课程共创 Q4,和帆软共创了《零售电商+FineBI》系列课程中的3节课,《会员购买行为分析》、《商品分析-ABC分析法》、《商品分析-购物篮分析法》,第一次完成10000+字的讲稿、第一次录视频,反反复复、跌跌撞撞,终于,年末课程和大家见面了,我其实有点紧张大家的反馈,因为我语速较快,有出现个别的卡顿。。。这些都是我认为的不足;前两天,偶然听到了郭大侠的数据思维课,当听到郭大侠形象的用“数据的期望值”解读墨菲定律的时候,我一直以来的“做最坏的打算、做最好的准备”的想法重新被激活,我突然就释然了,紧张什么呢?!用平常心来看待这个事情,初次挑战开发课程本身就是一种生活的经历,我尽自己最大的努力做好了准备,那怕有不完美,这个经历本身已是成长,如何优化课程,使之变得有趣、有料、有温度,是2022要思考的命题和努力的方向,继续加油喽~ 2022年,一定会是和帆软更加紧密关联的一年,也一定会有更多精彩的故事发生,明年,再说给你听~
一入'FineBI'深似海,从此'其它BI'是路人
1.初识FineBI 与FineBI结缘十月有余,时间不算长也不算短,缘于入职一家新公司,公司月报里各个维度分析是用BI做PPT的跳转链接,初见时,觉得界面一般,没什么特别;初识后,因为很多逻辑类似于Excel,上手很快,就开始吐槽自助数据集的计算之繁琐,之所以吐槽,是因为习惯了Excel的透视表模式,一张大的基础表,想怎么放维度就怎么放维度,实现不了的,还能用powerpivot,而FineBI自主数据集的计算,一旦算好,维度是死的,数据也是死的;为了解决这个问题,我认识了FineBI超友好的帮助文档和服务超好的技术支持,从此开始打怪升级,了解了数据集计算技巧、仪表板计算、权限分配等,对工作帮助颇多! 2.学习班经历 & 成果 为了更好的打怪升级,我之前曾简单的了解过社区的培训班,因为和其它学习内容冲突的原因,一直没报名; 6月份,为了检验下自己FineBI段位,我报名参加了夏季挑战赛,小团队有幸获得了最佳行业应用奖,助学权益实现了我的FineBI学习小梦想,也正是因为这一点,让我对FineBI迸发了无限好感,因为在我看来,这是一个良性循环,如果你有热爱,这个热爱还能养活你,并且让你有力量持续热爱,这是多么幸运的一个事情~ 抱着对FineBI的期许,我进入了2107期学习班,能写到今天这个作业,我强烈的想告诉大家,我经历了什么,学到了什么: 1.    没有周末,因为所有的周末都是用来写作业的,如果很不幸,周末效率不高,那接下来的周一晚上和周二晚上,必定是一个凌晨还在”挑灯夜读”的夜晚(此篇,是我凌晨两点爬起来写的…); 2.    开始体会“学习也可以付出的心甘情愿”,回顾十几年的学习生涯,我发现我最努力的时候不是学生时代,而是现在,可以在准备挑战赛作品的时候,写到凌晨4点钟,可以写作业的时候,凌晨两点爬起来…之前,我曾经问过公司的技术大佬,问他牛逼的经验是怎么炼成的,为什么我觉得自己很努力了,但是成长还是很慢?大佬问了我一个问题:你喜欢写代码么?会在上下班路上、下班后、周末去练习去学习么?我说:我觉得自己蛮喜欢的,也会牺牲玩乐的时间来练习;他说:凌晨看世界杯的才是真正的喜欢~我顿时有点哑然,虽然,我喜欢不到那种程度,但能稍稍接近也是好的吧,就如此刻的我,愿意“挑灯夜读”~ 3.   通过作业,更进一步的了解了一些分析方法论,比如,RFM,我之前的分析止于分类,没有做过归一化处理,这是更深一步的探索~ 4.   印象最深的是:故事化;但这个却是我掌握的不太好的一章,属于眼到、心想到、但手到却有困难的那种,我想是思维训练不够吧~只能继续努力喽 5.   最期待的是,接下来的权限篇,因为在这一块,目前在实际工作中,遇到问题了,暂时还没解决; 总之,收获满满吧~ 啰嗦了这么多,最后提点课程建议: 作业量真的有点大,开放题真的有点多,我不敢说自己FineBI精通,但达到80分是差不多的,算是一个熟手,写作业都写到想吐槽,对于新手来说,这个挑战真心有点大,大概率会导致他们直接放弃,培训的目的就达不到了;   编辑于 2021-11-17 20:44
【2021夏季挑战赛】母婴零售销售分析与探索
恭喜本作品荣获“2021帆软BI可视化夏季挑战赛-最佳行业应用奖” 1、点击浏览在线作品 2、点击查看/编辑在线模板(完成问卷即可获取平台账号)   帆软专家点评:业务背景场景典型,维度拆解合理全面,寻找答案的过程逻辑严谨,环环入扣,是非常精彩的推理故事。同时根据分析结论给到了有效的业务改进建议。最后,图表丰富重点突出,布局有主次,配色简约美观。是可读性很强的作品。   自媒体大咖点评@我叫苏有熊:很用心的管理驾驶舱,在业务逻辑呈现、仪表板版式设计、图表细节方面都处理得很好。     一、选手简介  1、选手介绍 团队名称:四人行,必有我师 队长介绍: Danarui,目前就职于上海一家母婴零售上市公司,从事会员数据分析、定制报表开发工作;个人比较热爱数据分析工作,也立志于长期混迹数据行业,希望通过这次大赛可以结识更多同行,多多交流和探讨,提升数据分析思维; 成员介绍: JL,就职于广州某贸易公司,从事数据分析,平常工作是取数、通过数据分析形成日报、周报、月报、季报、年报。通过这次活动,跟团队成员相互学习和交流,以提高自己的数据分析能力; 徐徐,目前就职于深圳一家快消公司,从事供应链数据分析、报表开发工作,希望可以与大家在数据分析及业务上共同进步; 宏佳,大学生一枚,就读于广东建院-商务数据分析与应用专业,希望在这次比赛中能和各位大神学习到一些BI及分析经验; 团队组成:赛群自由组团 2、参赛初衷 (1) 希望通过参赛,学习FineBI大神们的分析思维,期待了解更多的业务场景、分析模型; (2) 顺带也评估下自己的FineBI段位,以便查漏补缺,不断进步; 以上↑为队长未组队前的个人参赛初衷 组团后: 团队赛与个人参赛最大的区别,就是思维的碰撞,每个人的视角不一样,看到的数据也不一样。我们期望在交流的过程中,碰撞出不一样的火花;当然了,强强联合,更容易脱颖而出,不也挺好嘛,哈哈哈~   二、作品介绍 1、业务背景&需求痛点(数据虚构,场景真实的灵魂拷问:为什么目标没达成?!)         2021年,公司制定了2400w的销售目标,较2020年增长约10%,年底盘点过客户资源及制定好营销计划后,销售经理对完成2400w的销售目标信心满满!然而,截至5月底,目标综合达成让人大跌眼镜,简单的产品维度分析已不能满足需求,销售总监要求对全盘数据做一个数据大屏看板,找出销售未达成的原因,并能数据日更,以便及时发现问题; 2、分析思路           图示

描述已自动生成   3、数据来源&处理 ▶ 数据来源:企业数据(已脱敏)      ▶ 脱敏过程:第一份数据脱敏技巧不够娴熟,熬到凌晨2点,终于脱敏OK,周末开始着手处理,结果拉出来月趋势一看,波动很大,且不符合正常的波动规律,最不能忍受的是,会员月度留存率1%~3%,这怎么分析?!再来一次么?!那就太对不住团队小伙伴了,大家上周末的劳动成果就要推倒重来!周一的晚上,我在群里向各位小伙伴表达了我想换数据的想法,没想到,小伙伴们都表示了支持,~~o(>_<)o ~,说改就改,终于在6/21晚上,哦,不,是6/22凌晨0:50分搞定,看着那个正常的波动曲线,哈哈哈…累也值了!      ▶ 涉及表格:销售明细表、销售目标表、分析维度表(会员、产品、门店、区域 )   ▶ 数据处理(建自主数据集)    平时用的比较娴熟,没遇到什么大问题;只提一个点吧,算是对自己不能举一反三,灵活运用左右合并的警示!因为是团队操作,但我们都不太清楚怎么建团队账号,所以借用了指导老师给的账号,也是第一次在【我的自助数据集】下建表,导入Excel后,做成了自助数据集,发现不能建表关系,顿时有点懵逼,以为是账号权限的问题,还考虑着万一不能实现,我们就得用回最初的办法了,即远程用团队其中某一个人的本地!这当然不是良策,最好是指导老师能给开权限建关系呀!带着这个疑问,我在群里问了指导老师,当看到苏老师回复:我的自助数据集本身就不能建关系,可以用左右合并实现,顿时有点懊恼自己学艺不精,是呀,左右合并可以实现啊!为什么遇到问题,第一时间没考虑到呢?! 4、可视化报告 (1)开篇目标达成,指标卡最为直观,故选择了不花哨的纯白卡面;FineBI默认的指标名称在上(当然也是可以调整的),但是我们觉得放到下面更好看,所以就手工调整了,结果这四个指标卡调了40分钟,为什么这么慢?因为指标数据放在中间,且中间空一个空格,想实现这个效果没套路,全凭运气!并且调整完复制组件,一换指标,之前的一切都白做。。。做完了四个,我也没发现对齐的规律-_-|| ,如果有小伙伴掌握了规律,求分享~~ ☀ 可视化亮点:月度达成的叠加柱状图,是第一次用FineBI做出这种效果(之前的叠加图表都是Excel做的)技巧就是两个指标的柱宽拉到100%,哈哈哈,之前竟然没发现,看来还是做的太少! 图形用户界面, 网站

描述已自动生成 第二部分,开始探索目标未达成的原因,首先从产品维度开始拆解至大类、品牌,单同比一个指标就明显发现个别大类产品结构存在一定问题;同时,增加了产品矩阵,由大类钻取至SKU来观察单品体量及其增长性…关于数据解读,此处不赘述,感兴趣可细读作品; 图形用户界面

中度可信度描述已自动生成 图形用户界面

描述已自动生成 ☀ 可视化亮点:品牌份额TOP10动态排序(嘻嘻,也是第一次做成这种效果,好多第一次。。。)图表, 漏斗图

描述已自动生成 单是产品维度,无法探测到主因,第三部分,拆解了会员的各个维度(人均贡献、新老客、复购、留存等)发现交易会员数下降明显,且是拓新不足导致,哈哈哈,轻松找到原因,耶~~~ 图形用户界面

描述已自动生成 表格

描述已自动生成 ▶ 重点说下这个留存怎么实现的: 指标业务含义解读举例: ①1月有X个会员交易,这X个会员中有Y个2月继续交易,则1月的次月留存率为Y/X,1月的X个会员中,有Z个3月有交易,则1月的次次月留存率为Z/X,以此类推,算到最近一个自然月; ②2月有X个会员交易,这X个会员中有Y个3月继续交易,则2月的次月留存率为Y/X,2月的X个会员中,有Z个4月有交易,则2月的次次月留存率为Z/X,以此类推。。。 计算逻辑很简单,就是算月与月的人员交集,妙在巧用笛卡尔积; 自主数据集实现: 基础表,用于左右合并图形用户界面, 文本, 应用程序, 电子邮件

描述已自动生成计算表,用于实现阶梯图,重点思路:依据会员编码,用笛卡尔实现日期的两两相交如下重点步骤:表格

描述已自动生成 ☀ 阶梯图实现(如下) 表格

描述已自动生成 Part4依据前面发现的交易会员数下降这个原因,给出了积极拓新的建议,并辅以营销活动的数据支持,时间原因,这里仅列出了产品关联,如下: 图形用户界面

中度可信度描述已自动生成 (2)最终结果呈现的页面布局 表格, 日历

描述已自动生成 三、参赛总结 1、关于FineBI工具 相比较PowerBI的DAX表达式,FineBI里面的公式与Excel相似,感觉更容易上手;                自助数据集制作的过程中,倒逼你想清楚业务逻辑,这是我们觉得FineBI做数据集繁琐但却让人很喜欢的点之一,毕竟,做数据分析但业务逻辑搞不清楚的数据分析师还是蛮多的; 2、参赛总结 探索式的归因,路程总不那么顺畅,不过一路顺畅,也就难以激起我们挑战的决心;这个仪表板制作的过程中,有几种图表,比如品牌top10,我们第一次发现,原来可以做成这样,真是只有想不到,没有做不到。                因为时间的关系,赶在交稿的最后一个周末才搞定,高压、仓促、但却感觉收获满满。小伙伴们都挺辛苦,大半夜还在群里各种讨论,感谢小伙伴们的辛勤付出! 我们,不许结果,只问来因~     销售管理驾驶舱 .pdf (781.4 K)      
个人成就
社区核心粉丝
内容被浏览14,519
加入社区1年76天
贡献:7578

联系社区管理员|联系帆软|《帆软社区协议》|手机版|帆软社区|Copyright © 帆软软件有限公司 ( 苏ICP备18065767号-7 )

GMT+8, 2022-1-23 04:46 , Processed in 0.365735 second(s), 54 queries , Gzip On.

返回顶部