power+BI做一个分析报告

1. power+BI做一个分析报告

1. 数据建模

数据源：
数据源就是从财务系统导出的两个年度的excel表格，每个excel里有标准格式的财务报表（利润表、资产负债表和现金流量表），在案例中，我使用格力电器的财务数据为例（模拟了2018年四季度和细分到月的数据），同时我没有对excel表格的格式进行任何调整。不调整格式，是因为这几张表格是给财务人员填写的，所以越贴近他们熟悉的格式越好。

财务分析的框架：
做企业bi的时候，经常需要整合业务数据和财务数据，所以在此我简单讲一下财务分析的框架。财务数据是用来干什么的？通俗一点的解释就是，财务数据是一门商业语言，是用来讲述某个时间段内公司发生了什么事情。

利润表：讲述公司的收入，以及扣除各种成本费用（营业成本、三费等）之后，还剩下多少（净利润）。主要关注的指标有：增长率、毛利率、净利率、费用占比等。【摘要】
power+BI做一个分析报告【提问】
您的问题已收到，打字需要一点时间，还请稍等一下，请不要结束咨询哦，您也可以提供更多有效信息，以便我更好为您解答。【回答】
1. 数据建模

数据源：
数据源就是从财务系统导出的两个年度的excel表格，每个excel里有标准格式的财务报表（利润表、资产负债表和现金流量表），在案例中，我使用格力电器的财务数据为例（模拟了2018年四季度和细分到月的数据），同时我没有对excel表格的格式进行任何调整。不调整格式，是因为这几张表格是给财务人员填写的，所以越贴近他们熟悉的格式越好。

财务分析的框架：
做企业bi的时候，经常需要整合业务数据和财务数据，所以在此我简单讲一下财务分析的框架。财务数据是用来干什么的？通俗一点的解释就是，财务数据是一门商业语言，是用来讲述某个时间段内公司发生了什么事情。

利润表：讲述公司的收入，以及扣除各种成本费用（营业成本、三费等）之后，还剩下多少（净利润）。主要关注的指标有：增长率、毛利率、净利率、费用占比等。【回答】
数据准备及建立关系：
了解财务分析的框架后，开始正式上手建模。使用 Power Query 对表格进行整理，整理前后的表格分别是下面两张图这样的（以利润表为例）。其中，大部分操作点点鼠标就可以完成，而比较重要的步骤是通过逆透视列功能把不同月份的数据集中在一列。【回答】
2. 页面设计

在 Power BI 里进行页面设计，有点像产品经理的工作。本案例中，我的思路是基本是按照三张表来进行划分的，包括收入利润、资产负债、现金流和其他（人均效率分析和预算分析）四个部分。【回答】
导航页：
导航页起到了两个作用：一是放置各个页面的跳转书签，每个书签对应一个页面。二是放置最重要的分析图表，让用户对公司的整体财务状况有一个大致了解。并且，对不同板块的信息进行了色彩区分。【回答】
有可视化图吗？【提问】
没有哦【回答】

2. PowerBI:关联商品分析

当我们走进超市，迎面而来的就是货架上琳琅满目的商品。这些商品的摆放，或者不同品类的货架分布是随机排列的吗?答案是NO!
  
 相必都听说过啤酒与尿布的故事，这两个表面上毫不相关的商品，在超市中摆放在一起时二者的销量都大幅度提升。这里就不讨论这个案例的真实性如何，但用它来理解产品之间的关联十分形象，再说好的故事总是更有传播度。
  
 如果购买商品A的客户，对于商品B，相对于其他商品，有更大的购买概率的话，那么AB商品就具有更高的关联度，为了提高销售额，应尽可能将二者摆放到一起。网店也可以将商品A放在商品B的推荐页中。
  
  首先需挖掘出哪些商品之间存在更大的关联度 
  
 下面用PowerBI来进行关联度分析：
  
 假设一家超市的某些产品的销售数据，我们要计算出购买商品A的客户中，有多少客户也同时购买了商品B？这些客户购买了商品B的金额有多大？
  
  1.客户关联度 
  
 由于要分析的商品A和商品B都在商品名单表中，为了分别计算相互不影响，复制一个商品名单表，这里命名为'商品名单2'，与订单表建立虚线关系，数据模型如下图，
                                          
 将商品名单表中的产品名称拖入到表格中，作为商品A，然后利用下面这个度量值计算商品A的客户数量，
  
  [客户数] =COUNTROWS(VALUES('订单表'[单号]))
  
 然后利用商品名单2表中的商品名称，生成一个切片器，以便选择不同的产品，关联产品假设为商品B。
  
 下面这个是计算关联分析的重点，购买了A的客户中，有多少客户也购买了产品B？
  
 也就是同时购买A和B的客户数，度量值如下：
  
  同时购买A和B的客户数  =
  
 VAR B=
  
     CALCULATETABLE(
  
         VALUES('订单表'[单号]),
  
         USERELATIONSHIP('商品名单2'[商品名称],'订单表'[商品名称]),
  
         ALL('商品名单'[商品名称])
  
     )
  
 RETURN CALCULATE([客户数],B)
  
 通过以上两个度量值相除，就可以计算出关联产品的客户占比，
  
  关联客户占比  = DIVIDE([同时购买A和B的客户数],[客户数])
  
 把上面这几个度量值放入表格中，通过点击不同的关联产品，就可以自动计算出商品A和商品B之间的重复客户占比，
                                                                                  
 但是 两个商品的客户的重合度高，不代表带来的销售额就更高 ，所以还要分析一下，购买A的客户中，同时购买的商品B销售额有多少？通过金额这个维度来分析一下关联性。
  
  2.销售金额关联性 
  
 先来写两个简单的度量值，商品A的销售额和商品B的销售额：
  
 商品A的销售额：
  
  销售额 =SUM('订单表'[销售金额])
  
 商品B的销售额：
  
  关联产品B的销售额  = 
  
 CALCULATE([销售额],
  
     USERELATIONSHIP('商品名单2'[商品名称],'订单表'[商品名称]),
  
     ALL('商品名单'[商品名称]) )
  
 由于商品B来自于商品名单2表，而商品名单2表与订单表是虚线关系，所以用 USERELATIONSHIP来激活关系。它主要是为了计算购买商品A的客户中，购买了商品B的金额有多少？
  
 然后就可以计算同时购买A和B的客户中，购买商品B的金额。
  
  A客户购买B的金额  =
  
 VAR A=
  
     CALCULATETABLE(VALUES('订单表'[单号]))
  
 VAR B=
  
     CALCULATETABLE(
  
         VALUES('订单表'[单号]),
  
         USERELATIONSHIP('商品名单2'[商品名称],'订单表'[商品名称]),
  
         ALL('商品名单'[商品名称]))
  
 RETURN 
  
     CALCULATE([关联产品B的销售额],
  
         NATURALINNERJOIN(A,B)))
  
 这个度量值的含义是， 先找出商品A和商品B的客户列表，然后通过 NATURALINNERJOIN函数找出这两个客户列表的交集，也就是同时购买了这两种商品的客户 ，然后计算这些客户的商品B销售额就可以了。
  
 同样把这个度量值放到表格中，可以看出关联销售额，
                                          
 有时候， 客户重合比例高的两个产品，带来的关联产品的销售额并不一定高 ，这个跟商品价格、购买数量都有关系。
  
  3.关联度四象限分析 
  
 通过上面的几个度量值，获得了相关分析的数据，为了更直观的展示出产品之间的关联度，这里使用 四象限分析法 来展示。
  
 其实就是制作一个散点图，将两个维度： 关联客户占比 作为Y轴， A客户购买B的金额 作为X轴，并按客户占比、关联产品销售额的平均线作为恒线，切割出四个象限，并利用 商品名称 作为图例，显示效果如下：
                                          
  出现在第一象限（右上角）的产品，就是与切片器选中的商品不仅客户重合度高，而且带来的销售额也更高，具有高相关性，应该特别关注。 
  
 该模型还可以分析某一段时间的关联性，比如促销期间、节假日期间，客户的购买特征很可能与平时是不同的。
                                          
 至此，一个简单的关联商品分析模型建立完成，根据关联商品的不同，动态显示不同的高相关度产品，并且可以随着时间段的变化而变化，
  
 如果有客户画像、销售地点等数据，还可以将这些数据作为外部筛选器，挖掘出不同客户、不同地域的关联产品组合。
  
 当然，这个模型挖掘的关联商品只是初步结果，还应对这个结果进行进一步验证，避免因偶然或人为因素导致的关联性，比如是否有某两种商品的捆绑销售活动等。
  
  关联商品分析是非常有用的数据挖掘方式，能够帮助企业进行商品精准营销、商品组合以及发现更多潜在客户，真正的利用数据，为企业创造价值。

3. Power-BI的BI发展趋势

大数据趋势BI所有发展趋势中首要的一个趋势是各种各样的数据在不断地增长。2012年，更多的组织会利用自身庞大的数据来获益，而不仅仅只收集并储存它们。这将迫使BI软件商提供那些真正能够处理大数据的解决方案。包含数据集市的QlikView、Yonghong Z-Suite等BI软件基于Ad-hoc模式的解决方案包括内存分析技术、列式存储数据库技术以及BI性能的提升等将会成为其中关键的因素。自助式进一步发展那种认为自助式BI只是IT部门开放一小部分数据及BI分析功能给雇员的观念已经过时了。给雇员提供一个他们能够按照自身的需求来获取数据的环境正变成一种规范。企业软件消费化只是这其中的一部分原因，真正的驱动因素是企业商业环境及业务变化的持续加快。如今业务人员期望他们可以按照自己的需求来设计和修改报表。如果不能，他们就会对现有的工具失望，这也会导致他们的组织做出相应的改变。移动BI成为主流苹果公司宣称在2012年，92%的世界五百强企业将会测试或部署Ipad。企业们对于移动BI的看法正在从试验阶段过渡到具体的部署上面，而平板电脑提供了一个可以成功部署BI的平台。在2012年底，如果你还没有使用移动BI，你将成为落后者。

4. Power-BI的Power-BI的价值

1）将ERP等信息系统的数据直接延伸到决策者的桌面，达成信息化的最后一公里，让决策者直接操控，企业经营数据，尽在掌握，从而真正体验到信息化的价值2）信息搜索引擎：及时、准确呈现关键信息，让决策者远离信息洪水，有更多的机会思考；相关信息任意关联钻取，决策思维不再受到任何限制！3）数字说话，科学决策：不仅知道结果，还知道原因；不但可以事后分析，还能事前预警。4）提倡绿色BI。绿色就是杜绝资源的浪费，技术资源也是如此。让开发者能以最少的代价开发出来优秀的BI解决方案及应用。高层管理每天打开电脑，桌面就可以看到最新的KPI仪表盘；有时间的话，登陆BI系统，进入到自己的管理驾驶舱界面；通过仪表盘，快速发现KPI是否异常，如有异常，则可钻取到多维分析报表，进行多角度分析，甚至可钻取到最明细的业务凭证，最终找到问题的原因；针对某个报表，可进行点评，并发起讨论，要求各部门做出合理解释及改善措施；常用或重点监控的KPI或报表，可通过定时或预警方式，以邮件或短信的方式推送，不再有时间与地点的限制，如：收入低于目标；销售周报/月报。 中层管理马上就要开季度经营会议了，点击一下按钮就可以自动生成数十页的智能分析报告（WORD/PPT），让自己有更多的时间去思考数字背后的原因，并提出改善建议；运用多维分析模型，充分利用自己的专业知识，找出冰山下面的更深层次的原因；定时或预警邮件（短信）让自己随时掌握部门绩效，更好的进行过程管理数据分析人员/业务人员不管领导要什么报表，都不再需要加班了；定时或预警邮件（短信）可随时掌握个人的业绩与工作目标：如还有多少到期应收催款，这个月的业绩、提成等。

5. PowerBI 多版本实际预测综合分析 第一弹

 预测，在商业中，是一个永恒的话题。PowerBI对预测的支持首先要承认是很有限的。对于非常多的企业，从计划管理的角度，会有这样的情况：
   上述流程几乎是非常成熟的，从设计来看，这是一种非常好的模式，因为预测与实际的呈现与 预测的过程 是独立的，也就是说，预测与实际的对比根本不Care预测的过程是瞎猜的，AI的，计算的还是如何得到的。
   例如：
                                           如上所示，含义如下：
   在现实中，可能需要的内容要比这样的显示更加复杂，但很多复杂可以由巧妙的设计来扩展。我们一起来研究这里的设计应该具有的特点。
   上述展示了模型的核心部分。 所有现实的各种复杂性都将基于这个不变的结构进行扩展 。
   值得强调的是：
   因此，实际的情况可能是：
                                           当用户选择不同指标以及预测的子项时，该矩阵会自动显示出相应的结果。这体现了 BI的切片效应 。
   值得强调的是，该模型的实际数据与预测数据来自外部，实际数据可以直接导出，而预测数据是怎么得到的，这里并不关心，这点非常重要。
   在某些企业，预测是可以交给经验丰富的专业人员进行的；在某些企业，预测又是可以交给某精确复杂的计算流程实现的（如：通过R的某些特别适合的算法等）。
   在这里我们只关心结果，并在结果的基础上供决策人员进一步分析。
   准备的数据至少由两部分构成：
   而它们都必须符合一个特点： 每月更新版本 。
   这里模拟了它们可能的存放结构：
                                           其中，实际数据：
                                           类似的，预测数据：
                                           以201904版本为例，对于实际数据，其结构为：
                                           其特点是：对于某月版本，只能知道小于该月版本的实际数据。
   以201904版本为例，类似的，对于预测数据，其机结构为：
                                           其特点是：对于某月版本，只能填写大于等于该月版本的预测数据。
   因此，在数据处理中，需要：
   这部分在传统上，可能需要IT来完成，而在 自助商业智能分析 的体系下，可以借助PowerBI的查询编辑（又叫：PowerQuery）由业务分析人员自行完成，如下：
                                           这里给出了一个标准的参考。
   大家可以自己模拟数据并根据学到的PowerQuery知识来尝试，关于这部分系统的能力教学已经收录在我们的《PowerBI自助商业智能分析系列视频教程》中，此处不再赘述。
   对于处理好的数据，如下所示：
                                           这是一个典型的多 事实（明细）表 案例，如下：
                                           在这个模型中，由三大非常重要的维度：
   这决定了用户可以在某版本来观察某些属性在某些日期的实际与预测综合表现。
   以 销售额 和 利润 为例，来看度量值的写法：
   由于前面的设计，让这里的度量值编写非常具有技巧性：
                                           可以看出，这里构建了具有层次性的度量值体系，它们的特点在于：
   Base一词，语义为基础，它预示着这是一个不该直接使用的度量值，而是为另外的度量值提供了基础。
   这里体现了一个重要的设计思想： 用层次结构解除内部依赖结构 。
   当用户的需求开始发生变化时，您会发现这样的结构可以让我们灵活地工作在不同的位置，可以应对业务的变化。
   值得强调的是：
   在这里有一个非常惊艳的计算，KPI居然直接可以由实际与预测相加。这基于下面的优化（这是为了让您遇到问题时，回来第N次查看时可以得到的感悟）：
   我们知道PowerBI给出了设置颜色的功能，但在很多高级的专业设计中，我们需要的是 DAX驱动的可视化 。这里直接使用度量值来制备染色方法。
   这是一个非常通用的业务模型，它为企业在 月粒度管理企业计划与实际 的所有需求提供了核心模型；这里作为该模型的第一课，希望大家可以自行实践。
   在企业的实际运用中，可能会基于此提出更多需求，例如：
   这些可能性我们将在后续文章进一步展开，欢迎您需要关注。
   案例模型及模拟数据已经共享至订阅会员区，请大家自行获取学习。

6. power bi数据分析power bi零基础教程

7. 从入门到精通power bi数据分析power bi

8. power bi数据分析从入门到精通Power BI教程