tableau-数据模型关系/示例-超市案例、聚合与非聚合、表计算

数据模型关系

1.关系：是在数据源逻辑层中的逻辑表之间，创建的灵活的连接线，用于描述两个表如何基于公共字段相互关联，但不将表合并在一起。

2.关系是合并数据的一种新方式。

一、需求：各年度、各类别的销售额与销售目标的达成情况:

1.在Excel中-清洗处理商品交易明细表

销售表和目标表是独立的，如果要实现两张表的需求，基于两个表做聚合（数据透视表）之后再连接的过程，在Excel中做连接要用的是vlookup,到那时需要同时用两个字段去匹配，因此去处理这样的问题的时候它本身就不适合的，而且透视表中的类别下其实有很多空无法填充。所以我们就将问题迁移到tableau中看看如何解决？

例如：

1.在tableau中导入商品交易明细表，构建工作表为销售额表

构建出与透视表类似的表：

在点击选择商品交易明细表的情况下再点击销售目标表，相当于我们在商品交易明细表中打开了销售目标表的字段，目标表中两个字段自动匹配

出现了两个连接符，就说明我们当前的这个数据表和我另一个数据表，他们在相同层级上做了聚合之后又做了连接。

总结：

二、需求：排除退货的销售数据，看一下各个年度各个类别的销售额和目标：

重新构建步骤：

当前的问题：一个年份（季度、月份）中所有的销售目标都是相同的，原因就是目前的关系设定就是年=年，所以不管你左边的层级怎么调整，通过数据关系拿过来的数据都是按照每个类别每年的销售目标

当前的关系并不是真正的模型，因为一点问题改变它就失效，因此我们要去做的数据关系，实际上不是简单的以你的问题或需求决定了你的数据关系的匹配，数据关系之所以成为模型，它具有扩展性，具备2个要素：

1、当前数据所能达到的最细的（最低）的聚合度（你的两个表的数据层级是什么）

2.业务上具有意义

在视图中加入“细分”，会出现数据不全的情况，原因是：数据源出现了问题-----销售目标中的细分里的字段与商品明细里的细分字段不一致而导致，字段名不匹配，导致数据匹配不上。

解决：

点击应用和确定

此时数据补全。

一、基础计算：

ABS(数字)：返回给定数字的绝对值

添加盈亏标记：

在“利润”或在左边字段栏中任何一个空白处，右击--创建--计算字段，如上图，最后会得到盈利情况。

）行级别计算VS聚合级别

**示例1：根据数据源中的利润和销售额字段，计算利润率

聚合利润率

非聚合利润率

此时查看数据时发现，数据源中聚合与非聚合利润率显示为0；解决办法：

先点击聚合或非聚合利润率----选择设置格式-----在数字---选择百分比，2位数-----也可以在上方字段出选择。

1.每个订单ID中添加小计时：出现了，非聚合利润率-----上下加在一起做了求和---并求平均

此时发现，非聚合利润率是不对的，因为非聚合是通过以每个值之间的计算，聚合利润率是以每个值的合计进行计算的

示例2：针对各品类盈亏结构进行分析

1.首先--建立产品分层：将子类别拖拽到类别上，进行分层；

我们将利润放两次到列中，之所以放两次到列中，是因为要进对比

聚合利润率：先聚合，后判断 非聚合利润率：先判断，后聚合

所以再做结构类分析的时候可以优先考虑非聚合的形式计算

示例3 想了解正利润订单和负利润订单的占比：以上只是实现了数量，还有占比的计算-----正的和负的数据除以总数----也就是合计的百分比（总计的百分比）------创建快速表计算

但是需要让计算出来的每一个类别都是100%，需要添加计算依据

2.表计算：

利润不同对比方式：累计汇总

2）差异——后一项和前一项的利润差

3）移动平均：快速表计算中的移动平均默认都是3个数值的平均值

移动平均值=（每三个月的利润总和的平均）

如果你想计算4个值的移动平均，则需要用到自定义表计算（计算字段）

如果需要移动的月份（行数）需要随时改变，不可能一直写公式，所以可以将移动的月份数用参数来替代，将参数替换掉公式中的3的位置

接着点击 移动平均步长--显示参数--可以调节

产品结构分析

**需求1：分析是否是80%的利润额来源于20%的大客户，或者是别的情况

是否是80%的利润额来源：累计汇总

是个人的累计汇总

还有就是：每一个人的值去除以总的利润的总额

针对客户做相应的占比（例如：80.1%的夏伯的利润是不是来自于20%的客户），还需要将客户的名称放置在详细信息中（客户名称要在视图中，但是不影响视图的展示）

5）同环比分析

需求1:年度订单的销售总额及年同比差异

需求：在每个细分市场中对各年度的销售额求和以及同比计算*

**需求：各年度各季度的环比销售分析

各个季度的同比分析：

LOD计算：

示例：新客户增长分析

需求：每个市场、每天的累计新客户数据

可以拆分进行分析：

1.每个市场、每天的客户数：

在列中双击，把订购日期右击拖拽到列中，选择不同计数

2.例如：每个市场、每天的桌子客户数：

3.每个市场、每天的新客户数：就要得到第一次来店购买的日期，才是新用户。

先得到首次购买日期：{FIXED [客户ID]:min([订购日期])}可以得到首次购买日期

然后通过首次购买日期 = 订购日期 可以得到每个客户的第一次进行购买的日期为真

4.每个市场、每天的累计新客户数

客户购买频次的分析

1.购买频次：就是每个客户购买商品的次数

我们先要得到每个客户购买订单的数量：先放置订单ID进行不同计算， {FIXED [客户名称]:COUNTD([订单id])}完成，

拖拽到列中，在每个客户订单数进行维度，然后离散选择------左后对客户名称进行不同计算

2、从多维角度分析产品结构

1）基础分析：各子类别的销售额和利润的情况分析

是不是销售额越多、利润越高，就值得表扬？？

假设1：有些销售额不高，但利润很高的产品（收纳具），有些销售额很高，但利润不佳的产品（器具），是不是因为有些类别过度的营销而导致他的亏损

假设2：一个订单中有少量的亏损，但是整个订单是盈利的

验证2：订单的利润是否亏损

在列中在放一个利润来进行分析，通过fixed来详细分析{FIXED [订单ID]:sum(利润)}

然后在{FIXED [订单ID]:sum(利润)}>0 判断说明：

没法保证每一笔订单都是盈利的，有的赠送的产品是单独一个订单发出去的，所以这个订单是亏损的，但是从这个客户身上是盈利的

验证3：每个客户的销售利润

{ FIXED[客户名称]:SUM([利润]) }

客户矩阵分析（具有相同特征人群的分析）

需求：不同订单年度、不同获客年度的 销售总额及其占比（相同时间段内来的客户是一个相同的矩阵）

获客日期：客户的首次购买日期——每个客户的首次购买日期

{ FIXED [客户名称]:MIN([订单日期])}

结果：通过视图结果发现，2017年的老客户在后面几年中的销售额都贡献了超过一半以上，2017年的客户粘性最强 ，同时后面几年的增速放缓，对于新客户的纳入也建议有具体的营销策略

4、购物篮分析

需求：连带购买各子品类的连带购买订单数，及其连带率

购物篮分析的关键在于如何构建样本，这个样本是什么

以“标签”为例，当我去购买标签的时候，保留包含所有带有标签的订单（购物车），看看其他的产品有多少

是何标签一起购买的

1）基本视图的制作

各子品类的订单数量

关键就在于如何保留特定的订单——样本：标签，需要筛选出所有包含标签的订单

重新思考，将订单和子类别拿出来，然后子类别中只要标签

接下来想在订单上针对订单做筛选，就需要标记出每个带有“标签”的订单，就是要把包含“标签”的订单中的其他的

子类列都设置为1

思路：以订单ID为依据，筛选标签为最大值为1时进行其余值的填充

继续求连带率

由于当前的订单数已经被标签所筛选，所以还得求出其他子类别的订单数

{ FIXED [子类别]:COUNTD([订单 Id])} 求所有子类别的订单数

连带率：包含样本（标签）的全部子类别的订单数 / 所有子类别的订单数

COUNTD([订单 Id])/SUM({ FIXED [子类别]:COUNTD([订单 Id])})

调整可视化对象：

1、调整标签

2、图形

3.创建参数，如果现在计算的不是标签的连带率，是其他的子类别的连带率，怎么办？——参数（X自变量）

5、客户购买力分析

需求：不同地区的客户购买力（以最高交易或者最高订单平均购买力为准）

基础分析

如果要进一步去看销售背后的结构，也就是不同省份的客户的购买力，客户购买力的体现（不同省份，客户的最大

购买金额）的平均值

每个客户可能都有多比交易，要的是每个省份每个客户的最大购买金额，而每个省份的客户数不同所以最后

用平均值

计算：每个省份每个客户的最大销售金额

{ FIXED [省/自治区],[客户名称]:MAX([销售额])}——交易层级（每一行数据）

每个省份每个客户的最大销售金额的平均值

修改上面的公式，max（销售额），将当前的每个客户的最大的交易，改为每个客户最大的订单

MAX({ FIXED [省/自治区],[客户名称],[订单 Id]:SUM([销售额])})

{ FIXED [省/自治区],[客户名称]:MAX({ FIXED [省/自治区],[客户名称],[订单 Id]:SUM([销售额])})

结果：购买力较强的省份是云南、青海、河北等地

建议：

市场细分：了解和识别每个城市的消费者群体和他们的购买习惯

定价策略：根据每个城市的消费水平和购买力，调整你的定价策略

营销和促销活动：购买力强的城市通过高级会员挥动或者限量版吸引消费者，购买力较弱的城市，打折或者

买一送一等

产品组合：强——高端、创新型产品，弱——基础、经济型的产品

服务和体现：强——个性化的服务，弱——快捷

复购日期（第二次复购日期）

6、客户复购分析

1.指标计算

1.st首次订单日期

2.last订单日期

3.F-客户购买频次

4.L-生命周期（月）

5.M-客户贡献金额

6.R-最后购买至今日期

复购日期（第二次复购日期）

复购分析

首次获客日期得到客户数

计算首次和第二次购买的季度数

结论：通过该矩阵发现，2017年早期的时候复购人数更多，2018年以后首次购买人数不断减少

客户留存比率分析

需求：不同获客季度的新客户，在之后的第1、第2、第3.。。。。第N个季度的留存比率（客户数）

各季度首次获客数

复购率计算：32/127 30/127等 用后面每个季度的人数除以最开始的首次客户数

各季度首次购买客户数：

如何改变：使用index函数，在tableau中，就是索引，相当于添加1、2、3、4、5。。。。。。

结果：该超市的复购率较高，3年左右的复购率基本可以维持在40%左右，说明该超市的人群粘性较高

7、RFM客户价值分类分析

R的平均值

F的平均值

M的平均值

比较

RFM标签

IF

[R判断]=1 AND [F判断]=1 AND [M判断]=1 THEN'重要价值客户'

ELSEIF

[R判断]=1 AND [F判断]=0 AND [M判断]=1 THEN'重要发展客户'

ELSEIF

[R判断]=0 AND [F判断]=1 AND [M判断]=1 THEN'重要保持客户'

ELSEIF

[R判断]=0 AND [F判断]=0 AND [M判断]=1 THEN'重要挽留客户'

ELSEIF

[R判断]=1 AND [F判断]=1 AND [M判断]=0 THEN'一般价值客户'

ELSEIF

[R判断]=1 AND [F判断]=0 AND [M判断]=0 THEN'一般发展客户'

ELSEIF

[R判断]=0 AND [F判断]=1 AND [M判断]=0 THEN'一般保持客户'

ELSEIF

[R判断]=0 AND [F判断]=0 AND [M判断]=0 THEN'流失客户'

END