（如内容显示不清晰，可单击此处查看全文）一、选手简介1、选手介绍个人介绍：帆软社区用户名maksimcai（可以叫我蔡数据），具有FCBA证书；现阶段在能源电力行业从事信息化工作，包括系统管理、经营分析等；个人感兴趣的方向和领域包括报表开发、数据可视化、数据挖掘与分析等；B站账号“练习生蔡数据”，欢迎多多关注、交流！个人形象：1464092、参赛初衷参赛初衷如下： 希望独立完成一个完整的基于BI工具的数据可视化与数据分析项目 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 大赛奖励较为诱人 二、作品介绍1、业务背景/需求痛点1）简述业务背景： 电能是一种（现阶段）难以大规模存储的能源，且在传输过程中会存在损耗。因此，探索一个区域用电量的各类因素、了解一个区域的用电量变化模式，有助于合理规划、调配该地区发电、输电、供电所用资源与设施，合理引导区域居民和企业错峰用电，保障区域电力稳定、安全、高效； 项目选取2011-2018年英国英格兰及威尔士地区用电量（按每小时一次的频率记录的用电功率，单位为MW）进行分析，辅助数据为该地区气象数据，包括温度、湿度、能见度等。 2）简述需求痛点： 对该区域当前用电情况进行监控； 对该区域历史用电量进行时间序列分析、多元回归分析，找出其影响因素与变化模式。 2、数据来源自选数据：用电量数据来源于英国国家电网（National Grid）公布的英格兰及威尔士地区用电量；气象数据来源于伦敦希思罗机场记录的气象数据。主要涉及的字段有： Demand：用电功率，单位为MW Timespot：时间节点，默认包含日期和时间数值 Tmpc：温度，以华氏温度计量 Relh：相对湿度 Vsby：能见度 3、分析思路围绕分析主题，拆解了哪些分析方向、为什么这么拆解： 用电量与气象条件的关系：气象条件数据包括气温、相对湿度、能见度等；按常识推断，人们在感受到气象条件的变化时，会调整自己的用电模式，进而在一段时间后的用电量中体现出来，因此采用线性回归模型来分析各气象条件与（1小时之后的）用电量的相关性； 用电量与时间的关系：人们的用电量因时间（一天中的不同时段、一年中的不同月份）的不同而发生变化，因此采用绘图方式，分析用电量变化的总体趋势与周期性； 用电量集中度分析：在上一步的基础上，采用ABC分析法，分析用电量集中于每年的哪几个月份、每天的哪几个小时，并分析这种集中现象是否很严重（为错峰用电的必要性与可行性提供参考）。 4、数据处理可视化分析之前进行了哪些数据处理： 由于原始数据中的气象数据是在每小时的第20分钟和第50分钟进行记录的，而用电量数据是在整点时刻记录的，因此需要利用sql语句，通过线性插值方式，将所有非整点记录的气象数据都调整到整点上； 基于时间点(timespot)字段，将气象数据和用电量数据进行关联，一一对应，其中气象数据的记录时间比用电量早1小时，因为我们假设气象条件对用电量的影响存在滞后性； 利用相关系数公式和sql，求出温度、湿度、能见度与用电量间的相关系数（先存入excel文件，之后导入FineBi）； 将数据导入FineBI中。 5、可视化报告（1）数据含义表达和图表排版布局：总体布局选型： 选择灰黑色作为底色，文字及图表略微发光，体现出科技感。 各组件的业务含义及关键指标制作步骤： A. 左侧热力图：综合反映2011-2018年间，各个月份的用电量，利用颜色的差异反映出不同年份和月份之间用电量的变化趋势。采用的图表为“自定义图表”，参数设置总体如下图：146444   B. 标题正下方的数字及图标：突出展示关键指标，包括当前用电量数据（实际操作中用2018年最后一次用电量数据替代）、各气象条件与用电量间的相关性系数、最近24小时用电量数据（实际操作中用2018年最后24次用电量数据的平均值替代）、最近24小时用电量雷达图等。其中，“最近24小时用电量雷达图”设置方式如下（需对按时间进行过滤，仅显示最近24小时的数据）：146446  146449   C. 右侧的3个散点图：选取0点，6点，12点，18点这4个时点，分析这4个时点上的用电量与1小时前的气象指标（温度，湿度，体感温度）之间的关系。图表中，横轴为（1小时前的）气象指标，纵轴为用电功率，绘制散点图，用不同颜色来区分不同时点的数据。需注意的点：1）按“年月日时”为颗粒度进行绘制：1464502）设置过滤器过滤出0,6,12,18这几个小时的数据：1464553）按不同时间点设置不同颜色：146452   D. 左侧中部的时间序列曲线图：绘制从2011年到2018年期间，每天用电功率的平均值，反映用电量和日期之间的关系。绘制方式比较简单：146459   E. 下方的2个组合图：对所有用电量数据，分别按月份（1-12）和小时（0-23）两个维度，进行分组求均值，之后用ABC分类法，求出哪几个月份/小时占据了80%以上的用电量；不同于快消品售卖，电能消费不需要追求“爆款效应”，相反，如果电能消耗过于集中于一年中的特定几个月份（或一天中的特定几个小时），则会对发电、输电系统造成很大压力，需要想办法平衡各个时间段的用电需求。绘制时采用自定义图表，分别用“柱形图”和“线”表示用电量数据和用电量累计占比数据，并用不同颜色表示用电量的ABC分类：146465 （2）通过分析得出的结论：通过观察组件内容得出的结论： 组件A（热力图）：英格兰及威尔士地区用电量自2011年起，总体上呈现逐年下滑的趋势，且冬季用电量明显高于夏季； 组件B, C：该地区用电量与温度呈现较强的相关性，随温度增加而减少；与空气湿度的相关性一般，与能见度的相关性很弱；在一天之内，0点、6点的用电量明显低于12点、18点； 组件D：该地区用电量波动方式类似正弦曲线，在每年冬季达到高峰，夏季则降低，总体上呈逐年下降的趋势； 组件E：对该地区用电量在高峰月份、高峰时段的集中性分别进行ABC分类法分析，发现A区间覆盖范围均较宽，说明用电行为在高峰月份、高峰时段的集中情况并不严峻。 这些结论对业务工作及决策产生了什么影响（价值总结）： 对用电量整体趋势的分析：在研究时间段内，研究区域的用电量呈逐年下滑趋势；电力公司需要慎重考虑在该区域新增发电、输配电设施的各类计划，避免过度建设、亏本经营； 对用电量季节性变化的分析：在研究时间段内，研究区域的用电量呈冬天高、夏天低的趋势；可以研究节能采暖工具替代性推广、鼓励工业企业在夏季生产等方法，来平衡不同季节间的用电波动；亦可适当建设抽水蓄能等设施； 对用电量单日内变化的分析：该地区用电量在每天的不同时间段内虽存在一定波动，但是并未明显集中于高峰时段，对于错峰用电鼓励计划可以采用较缓和、成本较低的方式推进。 （3）最终结果呈现的页面布局附上最终作品图片：146411视频介绍：Your browser does not support video tags.三、参赛总结1、FineBI工具简述你对BI工具的看法：对FineBI的看法： BS架构直接在浏览器中操作，很方便快捷，避免了厚重的客户端； 自定义图表功能比较好用，可以很快画出热力图； 数据之间的关联能力很强，在同一张图表中可以很方便地对数据进行各个维度下的汇总展示，不同图表之间可以进行数据联动； 建议适当增强一下统计数据计算功能：比如直接计算一个数据在其所处字段里所有数据中排名的百分位，或是计算两列数据间的相关系数等； 建议增加箱线图绘制功能，便于输出统计结果。 对数据分析的价值的思考： 现阶段，能源、电力等传统重资产行业的数据应用刚刚起步，还不像电商、新媒体等行业那样普遍。但随着数字化手段的推广和精细化服务需求的加深，充分发挥传统行业中的数据价值，变得越发重要。 现阶段传统行业面临数据源分散、数据格式不统一、数据指标体系不成熟等问题，还需进一步努力突破。 2、参赛总结克服的困难： 此前，我曾听过3节FineBI入门课程，简单了解了FineBI的使用方式；本次比赛中，主要参考了之前课程中的案例，以及FineBI官方的帮助文档。 认知与感悟： 要敢于尝试新的工具。此前，我做数据可视化主要是用python内嵌的各种包，需要代码开发，可视化效率低、美观程度一般。使用BI工具可以实现数据的动态实时展示、可以根据自己的需求灵活绘制和调整图表，十分方便。今后还要试着将其他业务场景融入FineBI中，让数据发挥更大价值； 练习是最好的老师。我曾经听过不少数据分析相关课程，但是自己的动手经历却并不多。在这次项目中，我完整地体会了数据获取、预处理、指标提取、报表设计、报表开发的全过程，能力上有了较大提升。感谢帆软提供了此次挑战赛的机会。 21帆软BI夏季挑战赛-仪表板-蔡数据.pdf (334.44 K)