使用黄氏曲线评估零售店促销活动效果

已于 2025-04-06 00:23:01 修改
阅读量4.4k 收藏 55
点赞数 29
分类专栏： Python数据分析 文章标签： 数据分析 python
于 2020-06-19 22:02:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45293765/article/details/106840591
版权
本文介绍了一个线上电玩产品零售店利用黄氏曲线评估促销活动效果的方法。通过对每日销售额进行权重处理，计算权重曲线和黄氏曲线，评估促销的爆发度和衰减度，以量化促销效果。在案例中，促销活动爆发度24.20%，衰减度22.74%，表明活动成功且未透支后续销售。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

使用黄氏曲线评估零售店促销活动效果

1. 关于项目


这是一个线上电玩产品零售店在六一促销活动(2020年5.28-6.3)的复盘工作中的一个环节。
这一小节里，将使用黄氏曲线分析工具，从整体上对促销活动的效果进行评估。
黄氏曲线是零售业数据化管理工具之一，本质上是一种加权曲线。

一个完整的促销活动复盘工作还有很多繁杂的工作，包括目标回顾、评估结果、分析原因以及总结经验四个方面。
活动复盘是促进活动迭代的一个重要原因。通过交易数据、系统数据、用户反馈等来确定用户喜好、流程思考、活动设计。

2. 数据预处理

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
sns.set()
%matplotlib inline

sales = pd.read_excel('sales.xlsx')
sales
年月日销售额
02019年3月311256.80
12019年3月301130.00
22019年3月291214.80
32019年3月281129.00
42019年3月27595.00
............
4632020年6月51939.42
4642020年6月41985.00
4652020年6月31668.29
4662020年6月22070.05
4672020年6月13572.06

468 rows × 3 columns

sales.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 468 entries, 0 to 467
Data columns (total 3 columns):
年月     468 non-null object
日      468 non-null int64
销售额    468 non-null float64
dtypes: float64(1), int64(1), object(1)
memory usage: 11.1+ KB

sales['日'] = sales['日'].astype(str)
sales['日期'] = pd.to_datetime(sales['年月']+sales['日'], format='%Y年%m月%d')
sales.drop(columns=['年月','日'], inplace=True)
sales.sort_values(by='日期', inplace=True)
sales
销售额日期
30187.002019-03-01
29272.402019-03-02
28255.602019-03-03
27367.802019-03-04
26605.402019-03-05
.........
4621880.352020-06-06
4611221.482020-06-07
4601413.282020-06-08
4591737.082020-06-09
4581794.692020-06-10

468 rows × 2 columns

sales.sort_values(by='日期', inplace=True)
sales
销售额日期
30187.002019-03-01
29272.402019-03-02
28255.602019-03-03
27367.802019-03-04
26605.402019-03-05
.........
4621880.352020-06-06
4611221.482020-06-07
4601413.282020-06-08
4591737.082020-06-09
4581794.692020-06-10

468 rows × 2 columns


3. 促销分析与评估

促销活动是零售业最常见的销售模式，随着促销的逐渐日常化，促销的分析和评估也变成一种固定的工作。
然而不管是线上或者线下的促销活动分析，往往会存在一些误区：
1.只关注促销的目标，完成目标就是成功了。
2.只关注促销活动的同比，且对比的误差比较大。
3.只关注促销前和促销中的数据，却从来不关注促销后的数据。

而黄氏曲线，是在对每日销售额进行权重处理的基础上，将促销活动以及前后相邻时间段的权重值进行对比，不仅关注促销本身的效果，同时关注促销对后续销售的影响，是一个对促销效果进行量化评估的有效工具。

3.1 企业周权重指数

周权重指数是以某段销售周期内的历史日销售额数据为基础，以周为单位，进行权重分析处理的一种管理工具。
周权重指数是一个相对概念，每个企业不尽相同，一般介于7.0~14.0之间。值越大表示该企业或者店铺的日销售额波动幅度越大。
周权重指数是零售店铺用来量化处理各种销售状况、销售事件的管理工具，非常强大。

plt.rcParams['font.sans-serif'] = ['SimHei']
sales.plot('日期','销售额', figsize=(18, 6))

<matplotlib.axes._subplots.AxesSubplot at 0xd5a3048>

在这里插入图片描述

周权重指数等于周一到周日每天的日权重指数相加。
所以在计算周权重指数前，需要先计算每日的权重指数。

计算日权重指数的步骤：
1.先选取最近完整一年的销售数据，可以是2019-01-01到2019-12-31，也可以是2019-03-01到2020-02-29这一整年的销售数据；
2.剔除数据集中的异常值，如节假日、促销活动非常规销售日引起的销售额变化等记录；
3.将剩下的数据以周为单位进行整理，并计算出平均日销售； 

# datetime.weedak()方法的返回值为[0,6]之间的整数，分别代表周一到周日。在别的时区可能代表的是周日到周六。
sales['星期'] = sales['日期'].apply(lambda x:x.weekday()) + 1
sales = sales.reindex(columns=['日期','星期','销售额'])
sales
日期星期销售额
302019-03-015187.00
292019-03-026272.40
282019-03-037255.60
272019-03-041367.80
262019-03-052605.40
............
4622020-06-0661880.35
4612020-06-0771221.48
4602020-06-0811413.28
4592020-06-0921737.08
4582020-06-1031794.69

468 rows × 3 columns

# 选取2019年6月份到2020年5月份这一整年的数据，并剔除了2019年11月中7000多销售额的那个异常值。
subset = sales.query('"2019-06-01" <= 日期 < "2020-06-01" & 销售额 < 6000').copy()
mean_weekday = subset.groupby('星期')['销售额'].mean()
mean_weekday

星期
1    1612.590962
2    1421.880962
3    1494.894808
4    1487.894902
5    1356.369038
6    1383.588302
7    1429.729245
Name: 销售额, dtype: float64

4. 找出平均日销售额最低的一天，设定它的日权重指数为1.0，然后分别用其余六天的平均日销售额除以这个最低值，就分别得到每天的日权重指数。 

weight_index = mean_weekday.div(mean_weekday.min()).round(1)
weight_index.name = '日权重指数'
weight_index

星期
1    1.2
2    1.0
3    1.1
4    1.1
5    1.0
6    1.0
7    1.1
Name: 日权重指数, dtype: float64

5. 最后将周一到周日的日权重指数求和，就得到企业标准周权重指数。 

weight_index.sum()

7.5

注意：这个计算结果是整个企业使用的周权重指数和日权重指数。
而具体到企业下的某个分店，则需要根据分店的销售规律分别计算。

分店的周权重指数计算方法:
1.选取最近2个月，和上一年同期月份的数据。
2.剔除数据集中的异常值，如节假日、促销活动非常规销售日引起的销售额变化等记录；
3.将剩下的数据以周为单位进行整理，并计算出平均日销售额，以及平均周销售额；
4.计算分店日权重指数。公式为：（其中N为1~ 7，代指周一到周日）
分店星期N的日权重指数 = （星期N的平均日销售额 ÷ 平均周销售额）× 企业周权重指数

在本次项目里计算的是企业总体情况，所以用的是企业标准的周权重指数。

3.2 权重曲线和黄氏曲线

为了评估的时效性和可比性，这里选取活动日以及其前后一个星期的记录，进行对比分析活动前后的差距。

promote_set = sales.query('"2020-05-21" <= 日期 <= "2020-06-10"').copy()
promote_set
日期星期销售额
4372020-05-2141347.24
4362020-05-2251516.32
4352020-05-2361756.28
4342020-05-2471724.58
4332020-05-2512134.84
4322020-05-2621844.07
4312020-05-2731574.27
4302020-05-2842272.15
4292020-05-2951847.67
4282020-05-3061793.38
4272020-05-3171693.99
4672020-06-0113572.06
4662020-06-0222070.05
4652020-06-0331668.29
4642020-06-0441985.00
4632020-06-0551939.42
4622020-06-0661880.35
4612020-06-0771221.48
4602020-06-0811413.28
4592020-06-0921737.08
4582020-06-1031794.69
promote_set = promote_set.merge(weight_index.reset_index(), on='星期', how='left')
promote_set
日期星期销售额日权重指数
02020-05-2141347.241.1
12020-05-2251516.321.0
22020-05-2361756.281.0
32020-05-2471724.581.1
42020-05-2512134.841.2
52020-05-2621844.071.0
62020-05-2731574.271.1
72020-05-2842272.151.1
82020-05-2951847.671.0
92020-05-3061793.381.0
102020-05-3171693.991.1
112020-06-0113572.061.2
122020-06-0222070.051.0
132020-06-0331668.291.1
142020-06-0441985.001.1
152020-06-0551939.421.0
162020-06-0661880.351.0
172020-06-0771221.481.1
182020-06-0811413.281.2
192020-06-0921737.081.0
202020-06-1031794.691.1

3.2.1 权重曲线

单位权重（销售）值 = ∑日销售额 / ∑日权重指数
这个公式的含义是：计算在某个销售时期内平均单位权重指数的销售额，这就解决了“时间标准”有时没有可对比性的原则。

将销售时期的时间段定为天，把每天的销售额分别除以当日的权重指数，得到的便是单位权重（销售）值曲线，简称权重曲线。

promote_set.eval('权重曲线 = 销售额 / 日权重指数', inplace=True)
promote_set
日期星期销售额日权重指数权重曲线
02020-05-2141347.241.11224.763636
12020-05-2251516.321.01516.320000
22020-05-2361756.281.01756.280000
32020-05-2471724.581.11567.800000
42020-05-2512134.841.21779.033333
52020-05-2621844.071.01844.070000
62020-05-2731574.271.11431.154545
72020-05-2842272.151.12065.590909
82020-05-2951847.671.01847.670000
92020-05-3061793.381.01793.380000
102020-05-3171693.991.11539.990909
112020-06-0113572.061.22976.716667
122020-06-0222070.051.02070.050000
132020-06-0331668.291.11516.627273
142020-06-0441985.001.11804.545455
152020-06-0551939.421.01939.420000
162020-06-0661880.351.01880.350000
172020-06-0771221.481.11110.436364
182020-06-0811413.281.21177.733333
192020-06-0921737.081.01737.080000
202020-06-1031794.691.11631.536364
plt.rcParams['font.sans-serif'] = ['SimHei']
promote_set.plot('日期',['销售额', '权重曲线'], figsize=(18, 6))

<matplotlib.axes._subplots.AxesSubplot at 0xd94c550>

在这里插入图片描述

从权重曲线上可以看出，促销活动是有一定效果的，但是还不够直观，不能看出活动中和活动前后平均销售水平的变化幅度，进而量化地评估活动效果的好坏程度。


3.2.2 黄氏曲线

取权重曲线中的某个时间段，以权重异动点为起点，以最后一个异动点为终点，把起点和终点之间的权重数据做平均，所得数据值为起点和终点之间的数据纵轴，呈现的数据曲线为黄氏曲线。
黄氏曲线为权重曲线同一时间段的平均值。

将相邻时间段的权重值进行对比，相邻的时间段能保证对比状态的一致性，有可对比性。同时销售额与当日权重指数的比值降低了周一到周日销售额不均衡的影响。因此在黄氏曲线的基础上，可以更好地对促销效果进行量化评估。

除此外，黄氏曲线也常常用于店铺受某个事件影响评估、新品上市评估、缺货影响评估、网站改版评估、新人到任评估、竞争对手活动造成的影响评估。 

def HuangshiCurve(data,point_of_date):
    """
    data:含有单位权重值（权重曲线）字段的数据帧
    point_of_date:促销活动的开始和结束日期
    
    """
    before = data.query('"%s" > 日期' % point_of_date[0])['权重曲线'].mean()
    during = data.query('"%s" <= 日期 <= "%s"' % point_of_date)['权重曲线'].mean()
    after = data.query('"%s" < 日期' % point_of_date[1])['权重曲线'].mean()
    data['黄氏曲线'] = np.nan
    data.loc[data['日期'] < point_of_date[0],'黄氏曲线'] = before
    data.loc[data['日期'] > point_of_date[1],'黄氏曲线'] = after
    data.loc[data['黄氏曲线'].isna(),'黄氏曲线'] = during
    return data

point_of_date = ('2020-05-28', '2020-06-03')
promote_set = HuangshiCurve(promote_set, point_of_date)
promote_set
日期星期销售额日权重指数权重曲线黄氏曲线
02020-05-2141347.241.11224.7636361588.488788
12020-05-2251516.321.01516.3200001588.488788
22020-05-2361756.281.01756.2800001588.488788
32020-05-2471724.581.11567.8000001588.488788
42020-05-2512134.841.21779.0333331588.488788
52020-05-2621844.071.01844.0700001588.488788
62020-05-2731574.271.11431.1545451588.488788
72020-05-2842272.151.12065.5909091972.860823
82020-05-2951847.671.01847.6700001972.860823
92020-05-3061793.381.01793.3800001972.860823
102020-05-3171693.991.11539.9909091972.860823
112020-06-0113572.061.22976.7166671972.860823
122020-06-0222070.051.02070.0500001972.860823
132020-06-0331668.291.11516.6272731972.860823
142020-06-0441985.001.11804.5454551611.585931
152020-06-0551939.421.01939.4200001611.585931
162020-06-0661880.351.01880.3500001611.585931
172020-06-0771221.481.11110.4363641611.585931
182020-06-0811413.281.21177.7333331611.585931
192020-06-0921737.081.01737.0800001611.585931
202020-06-1031794.691.11631.5363641611.585931
plt.rcParams['font.sans-serif'] = ['SimHei']
promote_set.plot('日期',['权重曲线', '黄氏曲线'], figsize=(12,6))

<matplotlib.axes._subplots.AxesSubplot at 0xd9babe0>

在这里插入图片描述

促销的 爆发度 和 衰减度
促销爆发度体现了促销活动立杆见影的程度，这和促销活动的方案、宣传力度、卖场等息息相关，是一个综合指标。
而促销衰减度是用来判断促销活动是否有透支销售的情况发生。如果衰减度大于爆发度则有销售透支的现象发生，如果衰减度大于两倍的爆发度，那这个促销活动就是彻底失败了。

爆发度 = （促销期间单位权重值的平均值 - 促销前单位权重值的平均值） / 促销前单位权重值的平均值 * 100%
衰减度 = （促销期间单位权重值的平均值 - 促销后单位权重值的平均值） / 促销前单位权重值的平均值 * 100%

注意：这里的除数都是促销前的，把增量和减量都除以同一个数，得到的是相较于促销前的变化率，保证了对比的一致性。

把前面计算黄氏曲线的函数修改一下，就可以得到爆发度和衰减度。

def HuangshiCurve(data,point_of_date):
    """
    data:含有单位权重值（权重曲线）字段的数据帧
    point_of_date:促销活动（事件）的开始和结束日期
    
    """
    before = data.query('"%s" > 日期' % point_of_date[0])['权重曲线'].mean()
    during = data.query('"%s" <= 日期 <= "%s"' % point_of_date)['权重曲线'].mean()
    after = data.query('"%s" < 日期' % point_of_date[1])['权重曲线'].mean()
    data['黄氏曲线'] = np.nan
    data.loc[data['日期'] < point_of_date[0],'黄氏曲线'] = before
    data.loc[data['日期'] > point_of_date[1],'黄氏曲线'] = after
    data.loc[data['黄氏曲线'].isna(),'黄氏曲线'] = during
    
    explosive_range = (during - before) / before * 100  # 爆发度
    attenuation_range = (during - after) / before * 100  # 衰减度
    
    return (data,(explosive_range, attenuation_range))

promote_set, trends = HuangshiCurve(promote_set, point_of_date)
print('爆发度： %.2f%% \n衰减度：%.2f%% ' % trends )

爆发度： 24.20% 
衰减度：22.74%



3.3 促销效果评估

本次促销活动的爆发度是24.20%，衰减度是22.74%。促销结束后一周的平均销售额比促销前一周平均销售额上涨1.46%。（定量分析）
促销活动的爆发度高于衰减度，促销活动并未透支促销之后一周的销售额，本次促销活动在总体上是成功的（在销售目标完成的前提下）。（定性分析）


4. 项目总结

  • 使用权重指数和黄氏曲线来评估和分析零售活动的指标时，计算的地方很多，看起来很麻烦。

    而实际上这些计算过程都可以通过函数或者模板自动计算，实际上难的是业务逻辑，而不是计算过程。

    特别是书本上的知识，对相关概念的定义，由于本人水平有限，都需要反复咀嚼斟酌良久才能明白其意。本次项目也算是对这部分知识的一次梳理和总结。

    本次项目也只是黄氏曲线应用的一个小的方面，这个工具还有很多应用场景，需要在后续的工作中再深入剖析。



  • 数据分析是通过各种分析手段和业务指标对数据进行定量和定性分析。定性分析让我们了解数据的各种状态，定量分析让我们知道这些状态的程度或所处的位置。而这些定量和定性分析的结果是作为业务评估依据和业务决策依据的重要指标之一。
传统零售业分析指标｜数据化管理笔记
weixin_43167899的博客
08-05 423
✅提高销售额杜邦分析图 ✅促销中的数据化管理 影响冲动购买的因素有哪些 零售业常用的促销方式 促销活动的准备、执行和评估 促销三度 促销爆发度、促销衰减度、目标预测 促销爆发度：使用黄氏曲线来判断促销活动效果的方法 同比，和上一年上臂，时间跨度比较大，对比度意义大打折扣 关联度分析，主要看品类连带率和单品连带率的数据 财务分析，主要看费用和销售的对比 ...
【数据化管理】整理与杂记
Amor167的博客
02-03 1438
第1章 什么是数据化管理 数据化管理的四个层次 业务指导管理 营运分析管理 经营策略管理 战略规划管理 数据化管理流程图 start=&amp;amp;amp;amp;gt;start: 开始 loginInfo=&amp;amp;amp;amp;gt;inputoutput: 登录数据 verifyLogin=&amp;amp;amp;amp;gt;subroutine: 登录验证 isSuccess=&amp;amp;amp;amp;gt;condition: 验证成
## 促销到底行不行?评估双十一，你可参考这个分析思路
qq_39963880的博客
09-07 630
双十一是各大商家的狂欢，也是数据分析师们的负担。促销前，要设计报表统计销量库存，最好还是给弄成实时统计的，防止爆仓。促销中，要整实时滚动的数字大屏幕，销量破了X亿光出数据还不行，还得整个H5传播一下。促销后，又得分析效果，检讨得失。从头到尾，一点都不轻松。 然而这三步里，最不轻松的就是促销后的分析。因为实时统计难在技术上。技术问题吗，只要堆人堆钱，总是有办法搞掂的。我们又不像阿里那么招摇过市的摆...
寻找零售密码 | 神奇的黄氏曲线与单位权重值曲线趣析(附 Python 实现)
阅读从未停止，输出从未开始
03-24 5404
引言   笔者在商场购物时，无意听见某潮牌店员工们的对话 “上一个月拼得太猛了，现在月初我想放松一下…” “对，是该好好放松了，上个月底前的一段时间我的分店就完成了销售任务，就提前放松啦，达标了还那么拼的话，本月销售做得太多下月目标就会被老板拔高”。   上面这两种情况在零售行业被称为 “月初放松 & 月末踩刹车(零售业术语)”，这两种现象对销售最大化都是一种伤害，零售业的销售额是靠大家...
4-1-1创建了促销活动效果分析报告
chenpingao的博客
03-14 381
简要概述双十一促销活动的整体效果，包括活动目标的达成情况、主要的销售增长点以及活动带来的收益和不足之处。：详细说明销售表中包含的关键数据字段，如商品编号、销售数量、销售额、促销类型、购买时间等。：通过计算销售数据的均值、中位数、最大值、最小值等，对活动期间的整体销售情况进行初步描述。：分析活动期间每日或每时段的销售趋势，观察销售峰值及低谷出现的时间点。对比双十一活动期间与非活动期间的销售数据，评估活动对销售的拉动作用。不同地区的销售贡献，分析地域差异对促销活动的影响。打折商品的平均折扣率与销售增长的关系。
excel零售店铺数据分析
02-21
用户于帮助零售店铺上学目标管理、发现销售中的问题，找到销售提升机会的一套表格模型。使用非常简单，每天只需输入五个数据，其他计算机完成。作者：数据化管理。
【读书笔记】数据化管理：洞悉零售及电子商务运营
快乐星球
05-28 4758
这既是一套商业分析的方法论，又是一本数据实践的参考书。
糖王黄氏家族
12-23
【糖王黄氏家族】是源自中国的企业家传奇故事，主要讲述的是黄氏家族在糖业领域的辉煌历程和商业智慧。这个家族的成功之道不仅在于他们的经营策略，还体现在他们对市场的精准洞察、对技术的持续创新以及对人才的高度...
周权重指数---理论及python实践
今天菜里有肉
04-04 3726
1、周权重指数定义：以某段销售周期内的历史日销售额数据为基础，以周为单位，进行权重分析处理的一种管理工具。 2、周权重指数是一个相对概念，一般介于7.0~14.0之间，值越小表示该企业或店铺的日销售额波动幅度越小，反之波动越大； 3、周权重指数等于周一至周日每天的日权重指数相加； 4、周权重指数的计算 待续…… 文章引自黄成明老师的《数据化管理》 ...
数据化管理：洞悉零售及电子商务运营 | 学习笔记 (全)
happylls666的博客
12-26 1978
数据化管理：洞悉零售及电子商务运营
寻找零售密码 | Python 实现周权重指数计算&可视化
阅读从未停止，输出从未开始
03-21 1375
引言    周权重指数的概念先不说，先看下图（单位：万元）   很明显最右边的方式能很快反映出一大个表格数据的比例情况，也更便于推广。    周权重指数计算简单，但其反映出的问题和其应用却相当不简单，是将业务融合进数据分析的基础。老板给你一份公司成都四家 ZARA 的2020年每日销售数据，要求我们从每日销售额的角度找出一些规律，出于不浪费双方时间的角度，分析结果只允许画在一张图中。   根据...
黄氏傅里叶计算全息图的数字再现及零级像的消除.pdf
04-16
将数字再现技术应用于黄氏傅里叶计算全息再现
使用周权重指数追踪及预测咖啡店销售数据
HM的个人项目记录
09-17 3105
业务背景 3W咖啡店是一家连锁餐饮品牌，以咖啡（coffee）、冰品（ice cream）、软饮（soft drink）、茶（Tea）、美食（Pastry）等商品零售为主业，目前在北京有8家分店。现提供本店最近1年至今的经营数据，包括如下字段： 商品：种类，定价和总销量 订单：订单id，会员信息，交易时间，交易门店id和订单中的商品数量 门店：门店名称，店长姓名，销售额目标 请协助该地区的营运负责人评估各门店的经营状况。你的任务是： 设计一个表格，追踪各门店本月每日的销售额目标完成进度 根据本月1~
读书笔记-数据化管理
youngmiffy的博客
06-02 1448
一、如何提高数据化思维的意识 玩数字游戏； 多看财经类的新闻报道； 学会质疑； 记大数、关键数、异常数等； #####二、一些觉得有用的指标 周权重指数：计算出一周内每一天的平均值，用最低值作为标准，计算后加总，最低为7，越大波动越大； 零售业规律就是以周为单位，传统零售周末高峰，电子商务周末一般； 适用场景：以普通消费者为销售或者服务对象的业态都会具有这种规律 每个企业只有一个周权重指数...
《数据化管理》：洞悉零售及电子商务运营
fengye8600的博客
07-12 1106
小飞象·读书会当自己的价值没有提升时，去研究情商、为人处世，一点用都没有。读书交流│5期数据化管理洞悉零售及电子商务运营dataanalysis●●●●分享人：红星大家好，这里是小飞象数据社群·读书会第5期完结直播总结分享，本次直播的目的有两个，一是我们第5期读书会的总结，给大家梳理一下《数据化管理》这本书的精华内容，二是为我们，参加这次读书会，并完成全部任务打卡的小...
数据化管理的指标体系大全，店铺与销售
weixin_33699914的博客
02-20 451
关于数据分析，曾经看过眉州东坡（餐饮业）的数据化经营案例，令人印象深刻。他们通过数据分析来选型门店以及优化门店的格局配置，比如对人流量数据、营收和成本数据的分析来优化店铺内二人桌、四人桌、八人桌的配比，以及前厅后厨的面积比。汇总了全国门店的数据做规律挖掘分析，得到千平米面积店铺的营收最高一结论。 所以，数据化管理如果真要践行起来，并不是要...
周权重指数计算方式
weixin_33895695的博客
02-06 1852
1.获取每日实际销售额 select CONVERT(varchar(10),t1.Created,120),sum(t1.Payment) from Trade t1 where t1.OrderSource=1 and t1.Created&gt;'2017-01-01' and t1.IsVP=0 group by CONVERT(varchar(10),t1.Created,1...
power bi 日期计算_PowerBI 动态计算周内日权重指数
weixin_39609500的博客
12-07 2533
在很多行业，尤其是零售业，其销售规律在一周内呈现一定的特点。例如：平时有一种购买特点；周末有一种购买特点。故而一周内的星期一到星期日呈现一定的权重分布。周内日权重分布1 到 12 表示月序号；1 到 7 表示周内日。这个在 PowerBI 中构建就非常容易。可以看出，星期五和星期六的指标值显著降低，其他日期类似，也许这就反应了一种规律。动态推演如果结合 PowerBI 的筛选，还可以实现...
PostgreSQL与MySQL哪个适合做时空数据分析？
最新发布
郭不耐 {大数据 @ 可视化}
04-28 757
PostGIS作为PostgreSQL的空间能力核心，使其在地理信息处理中无可替代。对于需要融合复杂事务、空间分析与大规模数据管理的场景，PostgreSQL+PostGIS的组合已成为行业首选，持续推动空间智能技术的发展。
探索黄氏数据库：核心架构与应用解析
很抱歉，由于您提供的文件信息中标题和描述都是“黄氏数据库”，并且标签为空，压缩包子文件的文件名称列表为“hwang-s-DB-master”，这样的信息不足以生成丰富的知识点。我需要更多的细节和背景信息，例如数据库...
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值