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
番番番薯(uid:658304)
职业资格认证:FCP-FineBI | FCP-报表开发工程师 | FCA-FineBI | FCP-报表交付工程师
叹气
。。。。。。唉多少有点无奈
【2022BI数据分析大赛】珠海-租房分析
一、选手简介 1、个人介绍 社区名是番番番薯,目前就职于一个制造业公司,对报表、BI和数据运营分析很感兴趣,让数据说话是一件很有价值并有趣的事情。   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,向更多FineBI大神学习数据可视化以及分析思维。   二、作品介绍 1、业务背景 想要深入学习一下FineBI的使用以及数据分析思维,在查看数据推荐时候下载了几个数据都没找到分析思路,偶然间发现一个租房信息,想到在外工作找房子时候的困难打算以这份数据来作分析。   2、数据来源 使用的推荐数据珠海租房信息,地址:https://www.heywhale.com/mw/dataset/62397db3ae5cf10017aff232/file   3、分析思路 根据房屋的类型、朝向、水电和位置等来定位租房及分析租房数据 基础指标:房屋类型;朝向;地址;房租;面积;租赁方式;电梯;燃气;用电;用水;车位;楼层 衍生指标:舒适度(根据租房的基础指标比如电梯、燃气和车位,分别给与不同的分数然后进行汇总,这里我只选了这三个基础指标可以根据实际需要加减,舒适度越高的表示该租房住起来更舒适);每平方米月租金(通过月租金与面积做除来计算) 通过对以上指标的处理来展示各种场景下的租房信息   4、数据处理 数据源的数据已经比较正确和完善了,我把地址信息更加详细分为了三类方便位置分析,由于需要使用到房租和面积进行计算,对其数据类型进行了转换,其他处理都放在了仪表盘里。   5、可视化报告 5.1 由于每个人租房的定位不同我把一些基础指标做成了筛选控件,房租和面积做成了区间滑块,这里我们设置房租最大为2000面积最大为60。 5.2 通过指标卡能发现我们选择范围内有282个小区有我们需要的房源,一共有941个房源可供我们选择。 5.3 使用经纬度来制作地图来观察租房的分布,我们可以看出房源主要集中在香洲区、金湾区和洪湾。 5.4 观察房屋类型,标签,朝向 通过房屋类型柱形图我们发现该范围内房屋类型主要集中在1室1厅1卫、1室0厅1卫和2室1厅1卫。 这些房源标签里出现比较多的是精装和随时看房。 再看这些房源的朝向,我们发现主要集中在南、东南、北、东和西南这几个方向,朝南房源最多。 5.5 对房屋其他基础指标进行观察:我们能看出大部分房源都是有电梯和燃气,有车位的不多而且大部分是租用车位,大部分房源都是民水民电说明个人房源的比较多,楼层也主要集中在中高楼层,也有极少的地下室。 5.6 通过四象限观察房租与面积的关系:由于房源数据比较多,我们通过使用散点图对所有房源的面积和月租金进行四象限分析,发现房租在中上的时候,房源的分布比较集中且有规律,房租在中下时候房源的分布比价分散且规律性较差,我们可以进而调整我们的房租与面积区域滑块让我们选择房源时候更加集中 5.7 观察每平方米月租的分布:我们使用气泡图统计了各小区房源每平方米月房租,由于房源比较多,我们只过滤出了前八十个小区来观察性价比,发现大部分房源的每平方米月房租相差并不大,主要集中在五十多左右。 5.8 观察各个租房的舒适度:然后我们租房的时候也会关心房源的一些便利性,比如电梯、燃气、车位、附近是否有超市地铁等等,我们这里由于数据限制只获取了电梯,燃气和车位数据。然后根据我个人感受,我对有车位的给20分,有燃气的给30分,有电梯的给50分,然后相加起来作为舒适度的最终评分,从区域、小区和房源层层钻取来分析出高舒适度的房源信息。 最终结果呈现的页面布局:   三、参赛总结 1、FineBI工具 制作各种分析模型各种图表非常便捷,界面效果也非常美观。   2、参赛感悟 首先想说的就是这次比赛很贴心,有指导老师、数据推荐及直播指导等等,在其中受益良多很感谢他们的帮助,然后通过这次数据分析在报表工具的使用方面获得了不小提升,数据分析思路的确定数据的处理上也都让我收获很多。
个人成就
内容被浏览6,660
加入社区2年362天
返回顶部