一、选手简介
1、选手介绍
社区用户名:黄仁，零售快销行业的公司，负责搭建销售业务的报表体系和负责商务报告分析。
2、参赛初衷
从业至今深度使用过市面大部分的BI工具(如常见PB,TB,GY) 从头搭建过很多套成熟的报表项目。
当前的方案是：抽数工具+SQL开发+FineBI展示为主+Fine Report填报等+python补充的方案。
在这过程中，总结了报表里2大类型 和 报表。
2.1 日常可视化报表：
可探索性（筛选，交互，钻取）
使用广泛性（可让各个层级的人如：全国-省-市-区都能使用）
层级管理性(数据权限控制，只能看到自己能看到的内容）
实时性/可回溯性(高频率的持续往前更新/可往后回溯到过去任何的时间点)
长期使用性（随着时间的变化能依然适用）
2.2 专题分析报表：
可以看成是一份分析报告，相对静态，深度要深。用SQL的比例会高很多(因为SQL的ETL开发过程比较好检查，理得清，分析可实现性也强很多)。对应在BI功能点上就不会用那么多，主要在效果展示上了。
2.3 本次参赛做
这里可以比较嚣张的说:FineBI已经被我几乎用到了极致，所以本次参赛要挑战用短时间内做出一份:有可探索性，使用广泛性，层级管理性，可回溯性的。
因为要满足上那么多特性，所以在BI功能点上要多花很多功夫，且会产生一些其他的限制，所以在分析深度上大家可别太较真呀，主要交流上述的这些特性和功能的达成。
二、作品介绍
1、业务背景/需求
当前,零售公司的门店正在全国高速扩张中，全国-省-市-区的各层级业务管理人员都急需一张能查看的报表，能从中知道自己所管辖内的业务最近或过去的情况。
同时，公司管理层也需要一套能考核所有人的KPI指标体系，主要是让大家在谈业务的时候能在快速在同一频道上。
这种需求就非常适合搭建一套有可探索性，使用广泛性，层级管理性，实时性/可回溯性的，因为：
能保证全国-省-市-区的各层级人员都能用，且只能看到自己负责的区域。不然我们就要做的'XX市月报','XX省月报','XX区+XX区月报''.... 是无穷尽的组合；
通过（筛选，交互，钻取），让一个管理全国人也能随意看到某个县区的具体情况；
能让需求者不会每天催着要最新的报表，或要去年某个时间的报表，他们自己就能看到；
且这几个特性加起来合理搭配，就能创造出一份有无限可能性的报表。
2、数据来源
2.1 数据说明
数据结构比较简单::门店的信息详情,'签约时间'表示门店开店的时间,:'售价'为零售价，用来计算销售额,:门店销售某产品的具体时间和销售数量，有销售才有记录。
2.2 合并成宽表
用SQL将LEFT JOIN ,做出一张'大宽表'，不要觉得宽表浪费空间，空间不值钱~ 。这里要说下，整份BI尽量能用一张宽表去开发，会省很多 过滤,交互等等的时间，而且全部去自一张表，数据会很自洽，但是做一张能满足整份BI报表的宽表需要些功力(这个后面会讲到)。
3、分析思路
搭建一套有可探索性，使用广泛性，层级管理性，实时性/可回溯性的的重点在于指标体系的制定和功能的实现。分析过程和分析方法是有不少的，但是篇幅有限，就少放一些。
3.1分析并制定指标
3.1.1先将这3表的所有字段做一个基本梳理，强调下一个字段经常能是也可以是。
3.1.2 将最为核心的销售额进行拆解，找出可以有意义和各种的指标
3.1.3 制定指标,这里的主要考虑点：
该指标是否重要，该指标是否能代表些现实价值，该指标是否好理解，该指标是否会受到市场扩张的影响，该指标是否和其他指标有重复点....
3.2 重新制做宽表
以上的这些指标要用原来的一张宽表在BI做出不可能,原来的宽表基于为主表，所有要有销量才有，所以会丢失注册时间等字段，过程描述有些复杂，直接说最终方案:
×形成笛卡尔积,过滤掉门店日期在门店签约前的数据。这张表就是在门店签约后每日都有一行数据，销量为0。(如果有分析需要，还可以再×再次形成笛卡尔积，每个门店每个产品每日一行数据)。
然后 left join on 日期=销售日期 and 售点编码=售点编码 ，来填充这张表的销量。
不过这个方法有大量的数据存储冗余，浪费了很多空间，当然，会在在BI制作上能省很多时间，且数据一致性非常强(错也错得一致的意思)，大家看情况取舍。
4、FineBI制作过程
最上面有提到过本次因为要满足上多特性，所以在BI功能点上要多花很多功夫。做重点介绍一些核心和难点，次要的就不讲了。
4.1实时性/可回溯性
4.1.1举例指标制作：对比指标1-1：环期销售额(同时段)
因为要实时性，所以 要和本月是同时间段，因为要可回溯性，所以本月是可以随意变动。
先需要有一个过滤组件，不绑定任何字段用来代表报表日期，实时可绑定参数，去取销售表的最大时间。
功能：用明细过滤+绑定过滤组件值，这样过滤组件如果选'2022-02-05', 环期销售额(同时段)的过滤时间就会为: 2022-01-01~2022-01-05，不管怎么选都合理。
4.1.2 举例指标：环比增长率(销售额) 在时间序列上,环比增长率(销售额)=本月/上月-1，但是在时间序列上， 本月和上月会不在同一个月上
需要用公式：PREVIOUS_PERIOD(SUM_AGG(${上月销售额(同时段)})) 转到当月维度上。
4.1.3 整份报表的有关 等都要需要用到以上和更多的方法，才能保证实时和可回溯的实现。
4.2层级管理性/广泛性
4.2.2为了层级管理性，会用到数据权限的功能：
功能：使用了数据权限-权限设置-行权限-属于登陆者的(全国-省-市-区)去控制一张 全国-省-市-区_权限控制表，然后去关联视图控制所有的用到的表。效果和具体一些点到下面些会讲解。
4.2.3 为了:报表默认展示的只能是省 或 市 或 区 ，但是全国老大想默认看省，某市小弟想默认看区。
这就需要先按默认省维度去做报表，然后复制出两份，分别切换为市维度和区默认维度，然后通过角色的目录权限让大家看到自己想要的默认维度分析。
这个复制报表并维度切换很快，但那是一定要等报表稳定了，因为未来你维护要修改东西，是要修改三份了~
4.3 可探索性
筛选，交互，钻取，这也是BI最大的能力，这个就是前面建议的，尽量从一张大宽表做出整份报表，这样你就完全不用去单独设置联动这些了。
5、可视化报告
本次开发的报表有：分析的，为了更好的强调和，我们从2个不同角色的账号进入报表，进行分析。
5.1 角色一：全国老大视角
5.1.0 界面介绍
上图全国老大的账号拥有所有省-市-区的权限，可以随意筛选到任意层级来查看情况。
报表日期默认选最新的日期，用户可筛选回溯任何日期。同时提示筛选的本月进度 26天，所以所有的也是26天，有动态说明。对整份报表的色系做了基本定义， 方便能快速识别是什么类型的指标(主要还是用来对比的)，同时能保证整份报表色系一致。
5.1.1 本月总销售额分析
上图3个KPI指标卡，可以非常情况看到本月销售情况比起环期没什么涨跌（=-0.6%在-5%~5%这个小范围内认为是平的，是黄色）
注意：这里本月对比的环期是上月同时段(2.01~2.26)的销售额，而不是上月的全月，天数不同对比意义并不大。这也是整份报表从头贯彻到尾的，这样能保证整份报表在当月的任何时候来看都有意义，而不是每月结束看一次总结'月度报告'，体现的。
上图近一年的每月销售额变化情况，可以看到2月比起1月环比大幅度下降-17%，比起去年12月，也是下降的，所以2月本身表现就很差劲，21年3月更是环比增长达46%,所以认为当前3月销售额情况其实应该并不好。
上图近一年的销售额日历图，该图可以非常清楚的看到每日的销售额的规律(比如周六日卖的好,月底普遍卖得好，但是没有发现这个规律)，看当前3月，前2周高于平均水平，后2周低于平均水平拉低了整月。
结论：全国22年3月销售额看环比并没变差，但是通过同比月份的环比情况，应该有些问题。且后2周的表现较差。
这时全国老大想知道是不是有2,3月就是有表现不好的规律,上图老大筛选去年同时间'2021-03-26',这整份报表就'回溯'到当时的情况。这就是的，可以通过筛选回到任何时间的报表分析，而不用再找数据部门要，双赢。
上图发现21年2月销售额也下降了，大概是春节的因素，但是只下降-12%，比22年2月下降-17%好很一些，且21年3月足足上升了36%，也没发现3月后2周会表现不好的规律。
结论：全国22年3月销售额确实有问题，特别是后2周
上图老大再次筛选时间='2022-03-13',为了看22年3月前两周的表现情况，再次回溯报表时间。发现果然，22年3月前2周的为44.8% ,甚至超过了去年36%。
结论：全国22年3月的销售额有变差，问题出在在3月的后2周。
5.1.2 本月各省月销售额占比&环比变化分析
全国老大时间选回了最新的'2022-03-26',继续探索本月情况。
上图非常清楚的看到本月销售额的上升最多的省份是'江苏省'，足足272%,可以好好表扬下，回头让他们交一分报告上来看是怎么做到的。下降最最多的是'湖北省'，但销售额就那么一点，是个新市场，无足轻重，可以先不管。
上图可以看到所有有业务的省份销售额几乎都是上升的，但是这对3月来说的意义不大，因为我们上面分析3月比2月就该大规模上升。
上图非常重要，结合了各省（销售额贡献度）和环比变化情况，可以非常清楚的看到 '吉林省'是2月(同时段)足足贡献了全国的25%的销售额，但是3月却下降到了15%,销售额足足下降了40%，2月贡献了全国的11%销售额的'福建省'更是严重，销售额下降了57%。
结论：22年3月的异常主要出在了'吉林省'和'福建省'上
上图 老大想要知道'福建省'的具体情况，使用了'联动+钻取'，体现了的。可以看到'福建省'的沿海城市销售额都下降了。 贡献了'福建省'2月的53%销售额的'福州市' 环比下降了58%, 贡献了'福建省'2月的25%销售额的'莆田市' 更是环比下降了87%,贡献第二的下降最多。'福建省'也是22年3月的后2周表现得很差。
结论：'福建省'的22年3月后2周表现得很差，符合全国22年3月的后2周的异常，主要是'福州市'和'莆田市'影响巨大。
5.1.3 全国视角结束说明
至此，其实全国老大在这份报表可以继续'筛选+联动+钻取'去分析'吉林省'，且目前只用报表分析的2个版块，下面还有4个版块可以深入分析这2个省的问题。
但是为了让篇幅不会过长，且介绍这份报表满足的特性，我们将切换角色继续往下分析。
全国老大说:'我累了，让东北三省的负责人交一份报告上来说明'吉林省'的情况'
5.2 角色二:东北三省总监
5.2.0 数据权限控制 & 报表分析维度变化
上图进入了'东北三省总监'的账号，有一张，在里配置了该账号有'黑龙江省','辽宁省','吉林省'3行的权限，当然也可以配置任何几个'市' 或者几个'区'，配置决定了你(往下延伸)的的权限，从而去控制所有的报表，
角色的配置决定了看到的报表是哪个维度分析的报表。
所以该报表体系满足的需求的核心：在于数据权限+角色目录权限，且数据权限可以无穷尽的随意搭配，比如 '福建省' +'广东-广州市' + '吉林省-吉林市-永吉县' 这种奇葩权限组合，做的不够是填写的表而已,一但建立好体系，创建非常容易。
上图，该账号只能看到这3个省的数据，也只能筛选到这3个省，体现的:各层级所有人只能看到自己该看的东西
上图 报表变成了默认就是'市'为主要分析的维度，不用辛苦的每次'钻取'这个常看的维度，体系体现的。
5.2.1 本月销售额&环比变化情况分析
上图 '东北三省总监'要和'全国老大'汇报'吉林省'本月的异常情况，所筛选了 省='吉林省'，接下来整份报表都是'吉林省'的内容。
上图 吉林省22年3月26日当月足足下降了40.2%, 21年3月(全月)可是足足上升了43%，本月业绩下降就非常离谱了。22年3月后2周表现得很差是主要原因。
结论：'吉林省'的22年3月后2周表现得很差，符合全国22年3月的后2周的异常。
5.2.2 本月各市月销售额占比&环比变化分析
上图可以看到'吉林省'的只有'白山市'是正常上涨的。 贡献了吉林省2月的34%销售额的'长春市' 环比下降了55%, 贡献了吉林省2月的11%销售额的'长春市' 更是环比下降了86%,全省下降最多。
结论：'吉林省'的22年3月表现得很差，主要是'长春市'和'吉林市'影响最大。
5.2.3.市场扩张情况:总门店数对比& 新增门店数情况
由于市场一直在高速扩张中,也就是一直在新开门店。所以本月-40.2%甚至还要再减去上图的的1.7%，才是同样门店数的一个对比情况。 都在说明这个，可以看到2月3月的门店数增幅下降了，但是增幅下降得严不严重，看斜率是不容易看出来的。
所以需要这个来知道市场扩张的速度具体放缓了多少，可以看到 1，2，3月放缓速度在持续增加，3月甚至是-50%, 而21年3月是115.8%。
结论：'吉林省'的21年下半年市场扩张的速度就放缓，22年市场扩张的速度更是大幅度的连续下降，当前3月份尤其严重。
5.2.4 有销量门店数&门店有销率 变化情况
=*， 是非常重要的，但因为门店在一直新开，所以直接对比上月会受到新开门店的影响。所以引入的=/ ，同时这个率也能知道门店的活跃情况，一举两得。
上图 为-15.5%, 同比(同时段)的也有72.4% ，每个月的有销率也比较平滑，所以55.4真的很异常。
上图 条形图粗细代表，表示对全局的影响度，影响度最高的还是'长春市'，不过'长春市'上月的本来就偏低，只有69%，环比减少了了-15.5%。 变化最大的依然是'吉林市'从上月很高的77% 减少了-31% 到46% 变化巨大。
上图对比了当月,同期,环期的，定位问题到天。发现本月从3月8号开始脱离正常值下滑，到3月21日到达了最低点2.4%，并一直在3%上下徘徊。
点击'吉林市'交互看到也是从月8号左右脱离增增长值下滑
结论：'吉林省'的门店有销量率减少了-15.5%，主要是在3月8日后大幅度连续下滑，符合'吉林省'3月后2周销售额表现差，但还不足全部以解释 -40%的业绩下滑。
5.2.5 月店均销售额 & 店均销售天数 & 店日均销售额
代表了门店的平均销量水平,上图找到了-40%销售额剩下的原因，是 的 环比下降了 -24.8%。可以很清晰进一步分析下降的主要原因是 大幅度下降了， 而只有略微下降，可以看出 到3月20日才有略微的下降。
结论：'吉林省'的门店减少了-24.8%，主要是在大幅度减少，加上这个因素可以基本解释 -40%的业绩下滑的原因。
5.3结论和专题分析报表补充分析
上述展示的将有可探索性，使用广泛性，层级管理性，实时性/可回溯性，都充体现到了，可以知道这份报表能再自助分析探索的地方还有非常多。
不过就像开头说的，比起确实会在深度的分析上有所缺失，我们下面就补充一个和本次有关的。
'吉林省'-40%的业绩下滑中，'吉林市'足足-85%的下滑。大家一般都会清楚应该是受到疫情影响。但是这个应该很不会，是怎么个个影响法，具体影响了多少，真的
全是疫情的原因？上述的并不能无法证明。
更多的让大家知道都发生了什么，并能探索锁定出问题的范围， 就像我们的探索发现的路径：
全国22年3月销售额环比好像没下降--全国22年3月后2周的销售额异常---主要问题出自在'福建省'和'吉林省'的后2周---'吉林省' 的长春市和吉林市3月后2周确实有
问题---问题主要是门店有销率(后2周) 和 门店销售天数.........
但是真的证明问题还是需要下面的补充：
上图这是一份简单分析22年各城市受疫影响的，筛选到'吉林市'，可以看到3月份确实有疫情。这份采用了作为判断是否有疫情的标准，因为收集所有城市的封管控等信息非常困难，有主观性，口径不一致。目前政府,商家,消费者的决策其实也是以为基准在做判断,都是在关心。
上图 筛选2022-03-01~2022-03-26 ，和我们的一致。
是通过22年无疫情日算出的日均销售额为9084，这个是不会被筛选日期影响的，如果通过筛选里的算无疫情日算出的日均销售额，天数太少，离疫情太近，有很多偶然性。
销量和本土新增折线图可以看到 3月3日就开始有，月头几天销售额就已经收到了影响，小于22年无疫情日算出的日均销售额的9084。且在3月7日疫情开始持续爆发的时候，销量明细大规模下滑。
(3月疫情天数）24× （疫情影响日均销售额）-8125 =（本月因疫情总损失销售额） -194,991 ，
从而推断（无疫情预期销售额）为227,393， 因疫情损失为 -85.8%.
我们回顾下的'吉林市'足足-85%的下滑，上述这个就能非常好的解释清楚。
结论：'吉林省'的22年3月份下滑-85%是疫情导致的，（上图）'长春市'用同方法去推断也是发现一样的情况,所以'吉林省'的门店减少了-24.8%完全可以用疫情解释。
(篇幅限制，没时间更严谨的证明了，但其实已经非常明确了，这里主要是思路)
5.4拓展
这里'吉林市'受疫情影响其实会比-85.8%更多一些，因为当前方法比较简单，是没有考虑这个因数，所以真的要更准确， 要用替代 ，并也将用同样的方法推断没疫情下的新增量，从而算出真正的。
三.参赛总结
在无法准确解答一些问题的时候，会经常的被提出需求，而且是会一直不断的主动或被迫往下分析，继续优化，直到分析到再优化的收益也不大了才停止，所以也确实也难再去做到在展示交互上那么灵活，两者侧重点不同。
往往出来的一些指标经过验证后可以进入作为考核指标之一，两个报表可以说是相辅相成，各有作用，只有配合起来运用才能满足需求者的需求。
四.最终作品等
1.公共链接（个人的服务器，性能不太好，会有些卡，见谅）
全员自助分析报表--某零售省/市/区销售业绩(省维度)：
http://47.97.156.16:37799/webroot/decision/link/wLqw
全员自助分析报表--某零售省/市/区销售业绩(市维度)：
http://47.97.156.16:37799/webroot/decision/link/ZjID
22年疫情影响城市销量：
http://47.97.156.16:37799/webroot/decision/link/7icj
2.登录平台和各层级人员的账号（可以体验下层级管理下的报表）http://47.97.156.16:37799/webroot/decision
全国老大 123456
东北三省总监 123456
吉林省副总 123456
福建省副总 123456
广东省副总 123456
3.BI自助分析报表(全国看省)
4.城市受到疫情影响分析（长春）
5.BI自助分析报表(吉林省看市)
4.城市受到疫情影响分析（长春）
5.BI自助分析报表(吉林省看市)
