Power bi_商品销售案例分析

背景：一共是200多家店，4种商店类型，3年的销售数据，进行分析

power bi报表展示

总览

时间

商店

产品

员工

案例分析：

总览：

1、在2011-2013年，这三年的总销售额与总利润成正比，2011年11月中的总利润达到最高值
2、商品类型中总利润获得最高的商店类型是store,份额占到了57.29%，而商店总利润最高的是属于Catalog类型的商店：Contoso Catalog Store 达到325千
3、每一种产品会在一种或多种商店类型销售，其中产品ID为587的，在每个商店类型都有销售，在Catalog类型中的产生的总利润也是最高的。
4、按员工的均利润来说的，商店类型是Reseller是排第一的，其次是Catalog，再到Online，最后才是Store。虽然Store总利润很高，但员工均利润却是最小的，且与前面三种类型的商店是差别特别大。

时间：

1、除了个别的月份外，每个月的总销售额基本上与費比成反比的，费比的波动性更大一些。2011年总利润最高，到2012年总利与2013年相差不大，但2012年费比处于三年的最低，2013年的费比非常的高，三年最高值。
2、每年11月份时会有一个峰期，其中两年都是11月份的总利润是最高的，可能受双十一促销活动的影响，但以其同时，在10月份的总利润是最底的。

商店：

1、除去关闭的店，现在的商店类型中，Store有287家，Online 与 Reseller 各有3家，Catalog仅有一家，也是这仅有的一家，产生的总利润是最高的。每一家商店产生原均利润是12.2万。Online与Reseller中6家商店的总利润也是很高的。 
2、Store的总利润比其它类型商店很多，同时商店很多，因此平均每家店的利润很低，且费比也非常的高，需要控制一下，Store费比，从而获取更高的利润。
3、Catalog店，有两个月数据的缺失。

产品：

1、利润最高的产品ID为587的，其也是在11月份获得的利润最高
2、产品的费用只要集中两个地方，一个在35%左右，与50%左右。大部分的费比还是很高的，主要还是集中在50%左右的这个位置。其中产品在Catalog销售的的费比波动最大的。
3、在促销ID中1获取的总利润最高， 但是25是均利润中获得高的 
4、同一个产品在不同类型的商店中，他的总利润与费比也是各不一相同

员工：

1、按员工数量来平均总利润，store类型的每一个月的总利润基本是居于其它类型的商店之上，相对来说他的平摊人工成本会低一些。
2、store类型之所每一个月的总利润如此高，是因为他的店非常的多，但每一家店的员均利润是接非低的。
3.Online商店的人均销量均为稳定的，而Store却是非常也波动。

总的结论：

1、每年的11月份是一个旺月，在当月也会产生销冠的产品587。13年总销售额有所上升但费比也上升了，总的利润相对于12年变化不太
2、store商店虽然总的利润很高，但每家店所产生的利润所产生的利润非常的小，费比非常高
3、在 Online中平均每一位员工所生产的价值是非常的高，所用的人工成本较你低，相比之下，store平均每一位员工所生产的价值是非常的低，每一个月都是最后一名

其它：

步骤一：观察数据

商店信息

销售情况

在商店信息中：商店ID，地理位置ID，商店名称，关闭的原因，员工数量，商铺大小
在销售情况中：销售日期，渠道ID，商店ID，产品ID，促销ID， 总成本， 总销售额，总利润， 销售ID，店员人数，店名

商店信息中的商店ID是销售情况的外码，可进行连接进行模型，再去新建日期表，生成所需的年月等时间列

步骤二：初步解析数据

可以把上面的字段信息，以时间，商店，员工，产品，促销这五个维度来进行分析

（地理位置只有ID，目前并不知道具体位置，暂不作分析）

步骤三：引用数据源，制作数据模型

用power query处理数据，并生成用销售日期生成新的时间列表（商店信息.商店ID = 销售情况.商店ID，销售情况.销售日期 = 时间表.销售日期）

 步骤四：增加度量值

能用度量值，优先选用度量值，少占内存。放在一个新建表（指标）方便使用

步骤五：制作报表