- 我是帆软社区用户辣椒，目前就职于一汽。
- 目前我从事数据分析工作，主要负责对公司各类业务数据进行挖掘、分析与解读，为业务决策提供数据支持。个人感兴趣的方向是车联网数据的深度分析与应用，希望能通过数据分析挖掘车联网数据的价值，为汽车产品优化、客户服务提升等方面提供有力支撑，也期待能在这里遇到同样关注车联网数据分析的小伙伴，一起交流探讨。
- 选择这个学习班，主要是因为公司大数据平台引入了 FineBI 板块，而我在日常工作中需要应用车联网数据制作看板，为了能更好地掌握 FineBI 工具，提高看板制作的效率和质量，满足工作需求，所以选择报名参加这个 FineBI 学习班。
- 我的学习背景主要是工作需要。随着车联网技术的发展，公司积累了大量的车联网数据，如何将这些数据有效利用起来，通过可视化的方式呈现数据背后的信息，为业务部门提供清晰、直观的参考，成为我工作中的重要内容。而 FineBI 作为一款强大的数据分析可视化工具，正是实现这一目标的关键，因此我希望通过学习提升自己运用 FineBI 处理车联网数据的能力。
由于公司数据涉密，这里不使用相关行业数据完成作业~
- 业务背景：本次分析聚焦企业经营全链路数据，涵盖经营核心指标、商品销售及客户特征等维度，旨在通过数据整合分析，为企业经营决策、商品策略优化及客户关系管理提供支持。
- 需求痛点：企业日常经营中，经营数据、商品数据与客户数据分散存储，难以直观呈现核心指标关联及潜在问题，导致经营分析效率低、决策依据不充分，需通过系统化分析明确经营现状、商品表现及客户特征。
- FineBI公共数据：
-
- 客户数据表：记录客户等级、编号、年龄标签、支付偏好（喜好结算）、性别、注册省份、城市等信息，用于分析客户特征、地域分布及行为习惯 。
- 超市销售明细表（第二张表）：包含销售数量、销售额字段，体现商品销售的基础数据，可分析商品销售规模；涵盖订单日期、订单编号、客户编号、客户姓名、商品类别、商品名称等内容，用于关联客户与销售数据，分析订单全链路信息（如客户购买偏好、商品销售趋势 ）。
-
拿到数据后，围绕 “经营全链路优化” 主题，拆解为三个分析方向：
- 经营核心指标分析：作为企业经营的 “仪表盘”，需优先明确整体规模与核心指标表现，通过直接呈现关键指标数值，快速掌握经营基本面；
- 商品数据分析：采用 ABC 分析等模型，从销售明细、占比等维度拆解商品表现，判断商品畅销度与价值贡献，为商品策略调整提供依据；
- 客户数据分析：运用漏斗模型（会员等级漏斗图）、占比分析（年龄占比、复购分类）等方法，分析客户等级分布、复购特征及年龄结构，明确核心客户群体与行为习惯。
可视化分析前，使用自助数据集进行以下处理：
- 数据清洗：处理商品销售明细中零散的异常数值，删除空值，由于本次数据使用公共数据，数据无需再进行清洗，在平时工作的数据分析前，往往需要数据清洗；
- 数据整合：将客户数据和超市销售数据建立模型，实现跨维度分析；同时对客户数据进一步处理，获取注册时间，打分类标签；最后复制超市销售表，分类汇总，打复购分类标签，为后续制作组件打基础。
 仪表板.pdf (8.87 M)
-
数据含义表达和运营建议
经营核心指标
从经营核心指标整体概览来看，当前关键数据表现如下：销售数量为 35,025，总订单数 9,276，总会员人数 792，销售额263.44 万，利润 35.70 万。
商品数据分析
1、由商品波士顿矩阵图可以区分商品竞争力与市场表现，用不同象限呈现商品分类，辅助商品策略制定；第一象限为明星产品，需要着重关注用品与桌子两个产品，利润率为负，需要重点关注
A类商品：占总销售额的80% 电话、椅子、存储设备、桌子、活页夹、配件、机器、 复印机
C类商品：占总销售额的10% 装饰品、用品、艺术品、信封、标签、紧固件、纸张
3、由商品利润TOP10可以得出：活页夹、复印机利润突出，分别以 6.87 万、5.56 万占据前两位 ，是利润核心贡献品类；电话、配件、纸张等利润依次递减，TOP3 品类（活页夹、复印机、电话 ）利润总和超 16.88 万，头部品类对整体利润拉动作用显著。
4、由季度销售额&利润可以得出，销售额波动趋势：销售额在 2017 - 2020 年呈现阶段性变化，2017 - 2018 年有升有降，2019 - 2020 年整体呈增长态势，2020 - 4 季度达 40.61 万 ， 反映业务规模受时间、市场等因素影响，后期增长动力较足。利润率变化特点：利润率有波动，2017 - 2 季、2018 - 4 季等为峰值，2020 年后有所下滑，说明盈利效率并非随销售额同步提升，成本控制、产品结构等因素影响利润率稳定性。两者关联分析：销售额与利润率并非完全正相关，如 2019 - 4 季销售额 26.70 万、利润率 17.85% ，2020 - 4 季销售额更高但利润率低，反映出业务增长可能伴随成本上升等问题，需关注规模扩张与盈利质量的平衡，优化运营策略 ）。
客户数据分析
1、由会员等级漏斗图可以得出，用户分层显著：从 V1 到 V5，会员数量呈阶梯式递减多数用户处于低等级，等级会员稀缺；晋升流失问题：V1 到 V2 流失 108 人、V2 到 V3 流失 161 人等，各等级间流失明显，尤其是 V2 到 V3 阶段，说明等级晋升机制或权益激励不足，导致用户难以持续升级，需优化成长路径、强化权益吸引。高等级价值：V3 及以上会员虽数量少，但代表用户忠诚度和贡献度更高，是运营重点维护对象，需针对高等级设计专属权益、活动，提升其留存与活跃度，同时也要通过优化低等级权益、激励体系，推动 V1 - V2 等向更高等级转化 。
2、由结算方式占比可以得出，支付方式：微信 / 支付宝结算占比高达 76.52%，是绝对主流支付方式，（9.22% ）、储值卡（13.51% ）等占比较低，信用卡结算（0.76% ）占比极少，说明用户习惯偏好便捷移动支付。商家应重点优化微信 / 支付宝支付流程，保障便捷性；针对储值卡用户，可设计储值优惠、专属权益提升使用率；现金、信用卡结算用户占比小，可适当简化相关服务资源投入 。
3、由年龄占比可以得出，年龄分布特征：40 - 50 岁、30 - 40 岁为主要客群，合计超 67%；20 - 30 岁、50 以上占比较小。说明消费群体以中青年（30 - 50 岁 ）为主力，不同年龄段消费需求、能力有差异。营销适配策略：针对 30 - 50 岁主力客群，推出契合其消费偏好（如品质、实用性 ）的产品 / 服务、营销活动；对 20 - 30 岁年轻群体，用潮流、社交化玩法吸引；50 以上群体，侧重服务体验与产品适用性 。
4、由等级占比可以得出，价值分层明显：V2 及以上高等级会员贡献突出，是利润核心来源；V1 虽数量多（结合等级占比 ），但贡献相对有限，反映会员价值与等级关联度高。运营聚焦重点：加大对 V2 及以上会员的维护，如专属权益、个性化营销；针对 V1 会员，设计成长激励体系，推动向高等级转化，提升整体贡献。
5、由会员散点图可以得出，第一象限重要客户占比较大，经营较为健康，应该继续重点关注重要客户，及时提供有效、高质的服务。其他象限客户数量占比最多；且其销售金额和销售数量以及订单数等指标也最多，应该作为重点关注和维护对象。
6、由会员等级-时长分析图可以得出，低等级会员（V1、V2 ）：在各时长区间中，V1、V2 的数量相对较多说明低等级会员群体规模大，且随着时长积累，仍有大量用户停留在低等级。高等级会员（V3、V4、V5 ）：数量整体远低于 V1、V2 。反映高等级会员培养难度大，用户从低等级向高等级晋升存在较高门槛。低等级会员激活：针对 V1、V2（尤其是长时长低等级用户 ），设计专属成长路径，如时长 + 消费 / 行为积分升级体系，给予等级晋升提醒、小步激励（如 V1 升 V2 的阶段性福利 ），提升低等级向高等级的转化。高等级会员培育：对 V3 及以上潜在用户，挖掘其需求，建立高等级会员社群、专属客服，通过定制化活动增强粘性，降低高等级晋升流失率，巩固高价值会员群体 。
7、由复购会员可以得出，无复购：仅 V1 等级有 14 人，说明高等级会员无复购情况极少，反映 V1 会员忠诚度、粘性待提升 。1 - 5 次复购：V1、V2占比高，是该复购区间主力，体现低等级会员有基础复购行为，但V3 - V5 人数少，说明等级越高，在该区间复购人数越少，或高等级会员复购频次更高，跳过此区间 。5 - 10 次复购：V2、V3、V4人数逐步递减，V1少于 V2 ，显示随等级提升，会员复购频次有从 “1 - 5 次” 向 “5 - 10 次” 转移趋势，V2、V3 是该区间关键群体 。10 次以上复购：V2 - V5 均有分布，人数少但覆盖高等级，说明高等级会员虽数量少，但存在高频复购忠诚用户，是核心价值群体 。
7、由注册会员分布可以得出，不同地区会员注册情况有明显不同，可能和当地推广力度、业务适配度等有关。需要根据不同地区的用户数量、市场需求、消费能力等因素，制定差异化的运营策略。
学习期间，为了熟练掌握 FineBI 的操作，经常在下班后继续学习，有几次为了完成复杂的看板制作，熬夜到深夜。但每当成功做出符合要求的可视化效果时，就觉得所有的付出都是值得的。在学习班里，认识了很多来自不同行业的数据分析学习者，分享各自遇到的问题和解决方法，共同进步。特别感谢讲课老师，将复杂的功能讲得通俗易懂；也感谢助教老师，在答疑时耐心细致，帮我解决了很多操作上的难题。对于学习班，整体感觉非常不错，课程内容实用性强。建议可以增加一些针对数据公式处理的分析案例讲解，这样能让我们更好地将所学知识与实际工作结合起来。
通过这次学习，我熟练掌握了 FineBI 的各项功能，包括数据处理、图表制作、看板设计等，也学会了运用多种分析方法进行数据分析。现在能够熟练运用 FineBI 处理公司的车联网数据，制作出符合业务需求的看板，工作效率有了明显提升。对于拿下 FCP 考试，我有较大的信心，接下来会进行针对性的复习和练习。这次学习让我深刻体会到，坚持学习是提升自我的关键。在工作中遇到的问题，通过学习都能找到解决的方法。同时也认识到，数据分析是一个不断发展的领域，只有保持终身学习的态度，才能跟上时代的步伐，更好地完成工作，实现自我价值。 | 
