1、学习初衷
（1）个人介绍
帆软社区用户名3197463，目前就职于徐工挖机，我司是一家生产销售挖掘机的公司；目前从事数字化运营工作，个人对挖机行业的销售情况比较感兴趣，因此热衷学习相关知识对数据进行分析比较。
（2）学习初衷
学习背景：工作需要、个人尤为喜欢数据分析一步步探索及逻辑指标拆解的过程。
2、作品简介（作业10）
公司销售各种礼品，大部分客户是批发商。公司希望通过数据分析来优化运营，实现以下业务目标：
洞察整体销售业绩： 规模、效率、盈利三维评估，明确业绩波动规律与企业分层差距。
识别关键客户： 按价值 + 粘性分层，锁定核心客户分布与高溢价、高稳定特性。
分析产品表现： 吨位维度矩阵分类，研判生命周期与技术性价比竞争力。
评估市场拓展： 核心 / 潜力市场渗透率对比，梳理渠道效果与拓展障碍。
自选数据：这是国内常见挖掘机品牌自2020年之后的销售情况。
该数据主要涉及各大品牌销售情况。数据包年月、品牌、销量、销售额、老客户销量、新客户销量等字段。
（3）分析思路
（4）数据处理
该公司为挖掘机制造销售公司，年销售额上百亿，主要分析侧重点在各个型号与产品表现以便后续进行精准营销以及客户维护
数据预处理：
1、数据清洗与处理：
①剔除异常值：过滤销量 / 销售额为负、交付周期为空的无效订单
②缺失值填充：用区域均值补充微型挖掘机缺失的利润率数据
新增列：利润率。创建一个新的计算列，公式为：（销售额-成本）/ 成本。
格式统一：将销售日期标准化为 “YYYY-MM”，吨位字段统一为 “10 吨以下 / 20-30 吨 / 30 吨以上”数据整合
关联多表：将订单表、客户表、产品表通过 “订单 ID / 品牌 ID” 关联
新增衍生字段：计算周转效率（交付量 / 订单量）、目标达成率（实际营收 / 目标营收）、利润率（利润 / 销售额）
数据筛选
聚焦核心对象：筛选 Top10 品牌、6 大核心区域、3 类主流吨位挖掘机数据
划定时间范围：锁定分析周期为 2020.01-2025.12
分析维度：
1、整体销售业绩维度
规模维度：销量、销售额、同比 / 环比增速
盈利维度：利润率、净利率、单台利润
2、关键客户维度
分层维度：采购额、合作年限、复购率
分布维度：区域分布、行业分布
价值维度：单台采购均价、销售额贡献占比
3、产品表现维度
吨位维度：10 吨以下、20-30 吨、30 吨以上
矩阵维度：销量 - 利润率象限划分
生命周期维度：成长期 / 成熟期 / 衰退期
4、市场拓展维度
区域维度：核心市场（华东 / 华南）、潜力市场（西北 / 东北）
渠道维度：线下服务站密度、线上获客成本与转化率
障碍维度：物流成本、售后响应时效、品牌知名度
（5）可视化报告
 
3、学习总结
一、核心功能与学习重点
1. 数据准备：分析的基础前提
这是FineBI分析的核心环节，重点掌握数据连接、数据清洗、表间关联三大模块。数据连接支持Excel、CSV、数据库等多种数据源导入，需注意格式统一（如日期标准化为“YYYY-MM”）；数据清洗需学会处理异常值、缺失值（填充均值/0）、去重等操作；表间关联需明确主键外键，建立合理的一对一/一对多关系（如挖掘机销售数据中“事实表-订单表”与“维度表-品牌表”通过品牌ID关联），避免数据冗余或关联错误。
2. 可视化制作：拖拽式高效建模
FineBI的核心优势在于拖拽式操作，无需代码即可生成图表。需熟练掌握各类图表的适配场景：折线图适合趋势分析（如销量&营收趋势）、柱状图适合对比分析（如区域&品牌销量对比）、散点图适合关联分析（如销量&利润率关联）、气泡图适合多维度关联（如区域周转效率&营收占比）等；同时学会图表样式优化、参考线添加、颜色编码等细节，提升图表可读性。
3. 计算字段与函数：拓展分析维度
针对原始数据缺失的分析指标，需掌握计算字段的创建逻辑，常用函数包括算术函数（如周转效率=交付量/订单量）、聚合函数（求和、平均值）、条件函数（IF判断达成率区间）等。例如在挖掘机销售分析中，通过“利润/销售额×100”创建“利润率”字段，通过“实际营收/目标营收×100”创建“目标达成率”字段，满足个性化分析需求。
4. 仪表板与交互联动：实现分析闭环
学会将多个图表整合为仪表板，合理布局核心指标（指标卡）、趋势图表、对比图表；重点掌握交互联动设置，如点击柱状图的某一区域，折线图同步筛选该区域数据，实现“对比-聚焦-追溯”的分析闭环；同时可添加筛选器（如时间、品牌、区域），提升仪表板的灵活度。
二、实操技巧与避坑指南
数据命名规范：字段名称统一格式（避免重复/歧义），如“销售额（万元）”“订单量（台）”，方便后续拖拽识别。
表间关联谨慎：多表关联时需检查关联字段的唯一性，避免出现笛卡尔积导致数据失真。
计算字段验证：创建后需通过样本数据验证准确性，如利润率字段需确认是否排除了异常利润值。
仪表板适配性：勾选“响应式布局”，确保移动端与PC端均能正常查看；避免图表过多，聚焦核心分析目标。
三、应用场景与价值落地
FineBI适用于各类业务数据分析场景，以挖掘机销售数据为例，可落地以下应用：
1、业绩监控：通过仪表板实时展示销量、销售额、利润率等核心指标，直观掌握整体业绩情况；
2、客户分析：通过客户分层图表、复购率趋势，识别核心客户群体及价值贡献；
3、产品洞察：通过吨位维度的销量-利润率矩阵，定位明星产品与瘦狗产品，支撑产品策略优化；
4、市场拓展：通过区域渗透率、渠道效果图表，为潜力市场拓展提供数据支撑。
四、学习感悟：痛并快乐中成长，实现思维蜕变
初学阶段曾因表间关联逻辑混乱、计算字段验证出错而困扰，甚至因数据失真导致分析方向偏离。但通过反复实操、拆解案例（如聚焦挖掘机销售数据建模），逐步攻克数据准备、交互联动等难点。每一次图表精准呈现、每一个分析闭环搭建成功，都带来满满的成就感，这段充电时光虽有挑战却收获颇丰。 随着学习深入，逐渐学会从业务视角思考数据价值。例如面对挖掘机销售数据，不再是简单展示销量，而是主动关联客户分层、产品吨位特性，探索“销量波动-客户需求-市场拓展”的内在逻辑。FineBI的“低代码、高效率”特性，为我释放了更多精力聚焦业务分析，真正实现了从“操作工具”到“用数据驱动决策思考”的蜕变。 未来将继续深入学习高级函数与复杂数据模型搭建，应对更复杂的业务场景；结合供应链、库存管理等具体业务，进一步提升仪表板的业务适配性；探索FineBI与其他工具的协同，持续强化数据洞察能力，让数据更好地支撑业务决策。 | 
