数据可视化分析作品
（学生参赛）
作品名称：基于FineBI Next的电商口红市场多维度销售洞察看板
——立体剖析8.4亿GMV背后的消费格局
团队名称：对对对对
所在学校：宁夏理工学院
1 团队介绍
本团队来自宁夏理工学院经济管理学院电子商务专业，由队长刘洋、队员杨治霖组成，指导教师为海欣老师。团队在2026帆软智数先锋AI创新大赛（数据可视化分析赛道）的实践中组队，围绕电商口红行业真实销售数据开展协作：队长负责指标体系设计与FineBI Next看板搭建，队员负责数据清洗处理与维度建模，指导教师负责分析框架与业务解读把关。三人分工明确、全程协作，共同完成了从数据获取、清洗建模到可视化呈现与洞察输出的完整分析流程。
2 作品背景（制作该数据可视化分析作品的原因）
口红是电商美妆品类中复购率高、消费频次高的核心品类，但平台口红经营数据庞杂——品牌、规格、价位、子类（唇膏、唇釉、唇泥等）、营销属性等信息混杂，经营者往往难以快速回答三个核心问题：钱从哪来（GMV由哪些品牌/子类贡献）、货往哪去（地域与店铺如何分布）、谁在买单（大区与渠道的消费格局）。
基于 FineBI Next 的电商口红市场多维度销售洞察看板——立体剖析 8.4 亿 GMV 背后的消费格局
3 制作流程（数据来源、设计思路、逻辑、框架和实现方式）
作品以FineBI Next拖拽式建模平台为核心工具，整体流程分为四个阶段：数据获取与清洗 → 指标体系建模 → 可视化设计搭建 → 多维分析与洞察验证，形成“总览→品牌→子类→地域→大区→渠道”的递进式分析框架。
3.1 阶段一：数据获取与清洗
基于FineBI Next完成数据集上传与预处理：规范GMV等金额字段口径，拆分品牌、价格档位、营销属性等分析维度字段；通过FineBI Next的数据处理能力完成缺失值、异常价格与无关品类记录的剔除，保证后续分析口径一致、结果可复现。
3.2 阶段二：指标维度建模
围绕“品牌”“子类”两个核心分析对象，以GMV、购买人数为核心度量，构建品牌×子类、地域城市、大区、销售渠道等多维指标体系，明确各指标计算口径，为可视化层提供统一的数据底座。
3.3 阶段三：可视化设计与搭建
利用FineBI Next拖拽式建模与可视化能力搭建1920×1080 FVS大屏：顶部布置KPI指标卡（GMV、购买人数等核心大盘指标），主体按分析故事线布置交叉表、条形图、地图与漏斗图，并配置图表联动与多层下钻，配色采用企业蓝主色加中性灰、警示红仅用于异常标注。
3.4 阶段四：多维分析与洞察验证
按故事线逐层下钻验证数据结论：从大盘总览切入品牌排名，再下钻子类结构、地域店铺分布、大区转化漏斗与渠道渗透，每一层结论均由真实数据交叉验证，确保分析引导性与业务数据逻辑的准确性。
4 成果展示
看板围绕8.4亿GMV、近800万购买人数的口红电商大盘，构建六大分析模块，实现从宏观大盘到微观经营单元的逐层穿透与归因，经营决策者可在一块大屏上完成“看大盘—找问题—定动作”的完整分析闭环。
4.1 模块一：品牌×子类交叉分析
交叉透视各品牌在不同口红子类（唇膏、唇釉、唇泥等）的GMV分布，识别各品牌的优势品类与薄弱品类，为品牌选品与备货结构调整提供依据。
4.2 模块二：品牌GMV排名
品牌GMV条形排名显示，头部品牌集中度显著：MAC以约1.1亿元GMV位居品牌榜首，头部品牌贡献了大盘的主要份额，资源投放应向高GMV品牌聚焦。
4.3 模块三：子类结构分析
子类维度分析显示，唇膏子类GMV约4.26亿元，约占大盘半壁江山，是口红品类的第一大子类；其余子类规模差距明显，品类运营应围绕唇膏核心盘做深耕。
4.4 模块四：地域与店铺分布
城市维度的店铺分布显示，上海以294家店铺位居全国城市首位，地域供给高度集中于一线城市；地域投放与线下联动资源可优先覆盖高店铺密度城市。
4.5 模块五：大区转化漏斗
大区漏斗分析显示，华东大区购买人数约477.6万人、占比约60%，是绝对核心的消费市场；漏斗逐级转化清晰呈现各大区从曝光到购买的流失环节，为区域营销预算分配提供量化依据。
4.6 模块六：渠道渗透分析
对比不同销售渠道的GMV贡献与购买人数渗透率，识别高渗透渠道与潜力渠道，支撑渠道运营策略的差异化制定。
5 总结与分析
回顾整个制作过程，团队最大的体会是：数据可视化不是图表堆砌，而是“指标—维度—故事”的体系化收敛。作品早期曾贪多求全，把大量图表平铺到大屏上，反而掩盖了核心结论；后来对照获奖作品的方法论，按“业务背景→痛点量化→指标口径→多层下钻归因→价值量化”的递进故事线重新收敛，看板的分析引导性显著提升。
在数据整理与指标梳理环节，团队深刻认识到口径统一的重要性——GMV等核心字段在清洗阶段的规范处理，是后续所有结论可信的前提。工具层面，FineBI Next拖拽式建模大幅降低了看板搭建门槛，使团队能把精力集中在业务问题与分析逻辑上；而图表类型选择、配色打磨与标题提炼仍需人工反复推敲，技术提效不等于分析可以偷懒。
团队分工方面，数据清洗、指标建模、看板搭建与文档撰写各司其职、密切配合，也让每位成员切身体会到“数据决策”相对“经验决策”的价值：一个8.4亿GMV的大盘，只有被拆成品牌、子类、地域、大区、渠道的多维结构后，才真正变成可行动的经营洞察。
【作品模版链接】
https://next.finebi.com/decision/application/e651778481a84a53841c3f00608c83
【关键结论可视化补充】
• 唇膏为绝对主力品类（占比 > 60%）—— 需补充饼图/条形图
• 华东区为消费高地（GMV 贡献 477.6 万，占比 60%）—— 需补充地图下钻图
• MAC 品牌 GMV 1.1 亿居首，头部品牌集中度高—— 需补充品牌竞争格局图
• 天猫/抖音双渠道贡献主要 GMV，渠道运营差异显著—— 需补充渠道对比图
