Python百日进阶-数据分析】Day115 - PowerBI Desktop - Python 与 PowerBI

一、电商案例：活用客户价值模型-广告精准投放

1.1 客户价值模型

1、客户成交流程简析

2、客户价值模型

3、可视化效果图

1.2 数据源介绍

1、订单金额=购买产品总金额+附加费用（运费、折扣等）
2、订单表

3、订单详情表

4、地区代码表

1.3 制作流程

1、从Excel导入数据，进入PQ编辑器提升标题行、更改数据类型。
2、因为国家、省份、城市、区县在订单表中为四个独立字段，后期无法通过表间连接关系与地区代码表建立正确的连接，所以需要在PQ中利用合并查询分别将国家、省份、城市、区县与region表连接，提取文本信息。

3、region表中的有用信息都已经提取到订单表了，后期用不到这个查询了，可以解除加载。

4、创建自定义列：商品购买金额，更改数据类型为小数。关闭并应用。

5、进入关系视图，确认修改表间连接关系。

6、插入标题行

7、制作切片器

8、在orderdetail下新建度量值:
1.销量=sum(‘orderdetail’[购买数量])
2.商品金额合计=sum(‘orderdetail’[商品购买金额])
制作两个卡片图，

8、制作折线图

9、制作饼图

10、剔除切片器对饼图的影响

11、插入多行卡

12、插入树形图

1.4 精准广告投放

1、忠诚用户：维持即可，挖掘空间小，没有晋级空间。
2、进阶用户：挖掘空间不大、晋级难度较大。
3、大众用户与保值用户：挖掘空间大，晋级难度差不多，哪个级别的客户数量多，优先投放。
4、偶然用户：不可测因素过多，慢慢培养，短期难以取得效果。

二、餐饮案例

2.1 获取指标渠道

2.2 KPI指标及可视化效果图

可视化结果

2.3 数据源介绍

1、单号详细

2、店面情况

3、点菜明细

2.4 在PQ中整理数据

一、导入原始数据到Power Query
二、复制“点菜明细”表创建“单汇总金额”表
三、复制“单号详细”表创建“店汇总信息”表
三、针对各个表进行处理

“单汇总金额”表：

1. 只保留单号及消费金额字段
2. 使用“分组依据”按照单号对消费金额进行汇总（对重复单号进行排重处理）

“单号详细”表：

1. 使用“单号”字段横向合并单汇总金额表
2. 将“单汇总金额”表中的“单汇总金额”字段展开（为“单号详细”表添加金额信息）
3. 添加“折扣额”字段(折扣额 = 单汇总金额 * 会员折扣)
4. 更改“付费时间”字段为小时：分：秒格式的时间格式字段

“店面情况”表：

1. 添加“总座位数”字段（总座位数 = 二人台数2 + 三人台数3 + 四人及以上台数*6）

“点菜明细”表：

1. 用“单号”字段合并“单号详细”表
2. 将“单号详细”表中的“店名”字段进行展开（为之后在Power Pivot里创建与店面情况表的链接时用）
3. 将“店名”字段置为首列

“店汇总信息”表：

1. 使用“单号”字段横向合并“单汇总金额”表
2. 将“单汇总金额”表中的“单汇总金额”字段展开（添加金额列）
3. 添加“折扣额”字段（折扣额 = 单汇总金额 * 会员折扣）
4. 删除“会员折扣”、“单号”、“付费时间”以及“日期”字段
5. 使用分组依据功能对“店名”字段进行汇总
6. 添加“单均消费”字段（单均消费 = 店汇总金额 / 桌数）
7. 为“单均消费”字段取整
8. 添加“人均消费”字段（单均消费 = 店汇总金额 / 来店人数）
9. 为“人均消费”字段取整
10. 使用“店名”字段横向合并“店面情况”表
11. 将“店面情况”表中的“总台数”以及“总座位数”字段展开
12. 添加“翻台率”字段（翻台率 = 桌数 / 总台数）
13. 为“翻台率”字段取整
14. 添加“上座率”字段（上座率 = 来店人数 / 总座位数）
15. 为“上座率”字段取整
16. 将“桌数”字段改名为“单数”
17. 添加“折扣率”字段（折扣率 = 折扣总金额 / 店汇总金额）

2.5 操作流程 - PQ处理

1、从Excel文件获取数据，进入PQ，检查标题和数据类型。单号详情表付费时间只显示时间，不要日期。利用付费时间生成小时列，确认数据类型为整数。

2、复制点菜明细为单金额汇总表，分组

3、单号详细表通过合并查询，连接单金额汇总表，展开，只保留单金额，确认数据类型为小数

4、通过自定义列，添加折扣额，确认数据类型为小数

5、点菜明细，通过合并查询，连接单号详细，展开，只保留店名，确认数据类型为文本

6、店面情况表，通过自定义列，添加总座位数，确认数据类型为整数

7、复制单号明细为汇总信息，分组汇总 ，确认单数和人数的数据类型为整数，单金额合计和折扣额合计的数据类型为小数

8、通过合并查询，连接店面情况表，展开，只保留总台数和总座位数，确认数据类型为整数

9、通过自定义列，计算单均消费，确认数据类型为整数

10、通过自定义列，计算人均消费，确认数据类型为整数

11、通过自定义列，计算翻台率，确认数据类型为整数

12、通过自定义列，计算上座率，确认数据类型为整数

13、通过自定义列，计算折扣率，确认数据类型为小数

14、 店面情况和单金额汇总表禁止加载，显示为斜体表名，关闭并应用 ，PP中只显示三个表

2.6 操作流程 - PP处理

1、（重点）进入模型视图，确认修改表关系。因为在最终的可视化图表中，店名为切片器，其余所有图表的数据都是从单一的表中取出来的，所以连接关系如下。
①汇总信息到点菜明细，店名连接，一对多
②汇总信息到单号详细，店名连接，一对多

2、制作多行卡

3、制作切片器，打开单选

4、制作单金额合计仪表盘
①创建仪表盘，从汇总信息表把单金额合计字段拖入值中，确认聚合规则

②仪表盘中最小值、最大值和目标值的设置方法

③新建度量值，所有店的总平均

④把所有店的总平举，拖入仪表盘的目标值中

5、复制单金额合计仪表盘，制作翻台仪表盘
①更改值为翻台率
②翻台率的最小值、最大值、目标值均为数字，所以从格式刷中设置测量轴

6、复制单金额合计仪表盘，制作翻台仪表盘
①更改值为上座率
②上座率率的最小值、最大值、目标值均为数字，所以从格式刷中设置测量轴

7、制作折线和簇状柱形图

8、制作菜品明细的消费金额饼图

9、复制菜品明细的消费金额饼图，修改图例不变，值把消费金额的聚合规则从求和改为计数

10、制作完成，点击店名切片器即可观看每个店的相关数据

三、快消行业销售情况分析

3.1 业务背景介绍

分析目的：帮助经销商优化进、销、存各环节业务流程行为，实现进销存一体化管理，加快资金运转速度，实现销售利润最大化的目的。

3.2 相关重要指标

1、销售类指标：

• 动销次数：在一段期间内产品的销售次数
• 动销天数：在一段期间内产品的销售天数
• 销售金额合计：一段时间内的销售金额
• 销售业绩环比：衡量销售业绩好坏程度指标

2、库存类指标：

• 期初库存金额：销售周期开始前的库存金额
• 期末库存金额：销售周期结束时的库存金额
• 库存周转率：销售周期内的销售金额/期初库存金额 * 100%

3、进货类指标：

• 进货额：采购进货的金额

3.3 数据介绍 ，重点考虑字段对应关系

3.4 销售情况可视化效果图

3.5 销售动销情况可视化效果图

3.6 数据源介绍

1、销售表，主键为：单号+产品编号

2、库存表，主键为：日期+仓库编号

3、采购进货单

4、采购进货单明细，主键为：进货单号+产品编号

5、客户表

6、产品表

7、品牌表

3.7 合并宽表，PQ操作流程

1、从Excel导入数据，转换数据进入PQ，确认标题行和数据类型
2、采购进货单的日期字段合并到采购进货单明细表中。

3、品牌表的品牌名称字段以及客户表的客户名称字段合并到销售表中。

4、品牌表的品牌名称字段合并到库存表中。

5、禁止加载采购进货单、客户表、品牌表，因为它们的有用数据已经合并到相应的表中了。

3.8 筛选客户前十位和后十位

1、前十位，如果最后一名有并列，会超过十个

2、后十位，如果最后一名有并列，会超过十个

3.9 跨页面同步切片器的创建

3.10 蝴蝶结图的创建 - 第三方提供

1、提前下载好视觉对象文件
2、导入视觉对象文件


3、查看导入的视觉对象

4、创建蝴蝶图

3.11 重点操作

1、PQ中把所有表中的编号改为type text，即文本。
2、模型视图，确认表间连接关系

3、PQ中新建空查询，公示栏输入=list.Dates，创建2019年11-12月份日期辅助表。

4、转换为表

5、修改列名为连续日期，修改表名为日期辅助表，数据类型改为日期型

6、创建日期辅助表与销售表的连接，连续日期–日期，一对多

7、创建度量值
1.销售金额合计 = sum(‘销售表’[金额])
2.销售数量合计 = sum(‘销售表’[数量])
3.上月销售金额合计 = calculate([1.销售金额合计],dateadd(‘日期辅助表’[连续日期],-1,month))
4.上月销售数量合计 = calculate([2.销售数量合计],dateadd(‘日期辅助表’[连续日期],-1,month))
5.销售金额环比增长率 = ([1.销售金额合计]-[3.上月销售金额合计])/[3.上月销售金额合计]，数据格式改为百分数
6.销售数量环比增长率 = ([2.销售数量合计]-[4.上月数量金额合计])/[4.上月数量金额合计]，数据格式改为百分数
7.动销次数 = distinctcount(‘销售表’[单号])
8.动销天数 = distinctcount(‘销售表’[日期])

8、 日期辅助表中的连续日期分组


9、日期辅助表分别与库存表、销售表、采购进货单明细连接，一对多

10、 创建连续日期列表切片器，筛选器晚于2019-10-31 12:00

11、 创建月份列表切片器，基本筛选器，勾选11月12月

12、客户前十名切片器

13、创建销售金额环比增长率卡片图

14、创建折线和簇状柱形图

15、制作多行卡，业务员为分组维度，显示每名业务员的销售金额合计等4项，卡片按销售人员降序排列

16、新建一个页面，所有切片器都同步刷新且可见

17、制作蝴蝶结图

四、车企决策者热销车数据分析

4.1 数据源介绍

4.2 可视化效果图

4.3 重点指标度量值

3.所有车型总销量 = calculate(sum(‘批售数据’[销量]),all(‘批售数据’[车型]))
4.所有车型总个数 = calculate(distinctcount(‘批售数据’[车型]),all(‘批售数据’[车型]))
5.所有车型销量总平均 = [3.所有车型总销量]/[4.所有车型总个数]
6.强弱势 = ([1.销量合计]-[5.所有车型销量总平均])/[5.所有车型销量总平均]

4.4 制作气泡图

五、Python 与 PowerBI

5.1 殊途可以同归

• 首先需要明确一点，Python和Power BI不是同一层次的东西。
• Python是一门编程语言，而Power BI是一个软件系统。他们都可以作为工具，是实现可视化的不同手段。
• 使用Python首先要具备一定编程能力，需要写代码。
• Power BI是一款零代码，拖拽式编辑就能实现图表、报告等可视化显示，无需懂技术。
• 论实用，看你自己擅长哪方面。工具是用来提高效率的。如果懂技术可能会觉得Python灵活度高，实现效率好；如果不会写的代码，就比如对于公司内业务人员来说，每天做报告当然用Power BI效率高。

5.2 Python 优势

5.2.1 流程可控，工作高效

• 用Excel进行简单的描述统计分析，每换一份数据都需要重新操作一遍。但使用Python编写每一步过程就非常方便，统一语言带来记录方法的统一。当分析过程需要修改或者复用，只需要调整设定好的参数就可以。
• 使用Python代码可以迅速调用数据，计算需求，并记录每一步过程，方便修改。如果想做出各种好看的图表，使用Python可视化类工具就可以，几行代码，省时省力，还具有交互功能。如果需要调整也只要修改代码，不用费心费力重新做图。

5.2.2 工具库丰富

• Python超高的人气带来了大量的大神，Python工具库可谓应有尽有，也为Python用途广泛打下了优秀的基础。
• 拿数据分析来说，以Python可视化必知基本库matplotlib为例，光是官方gallery就有26个大类527个样式，无论是数量还是质量都能碾压市面上大部分同功能软件。

5.2.3 小白友好，易上手

• Python的语法非常接近英语，对小白学习者非常友好，阅读Python代码就像在阅读文章。
• 代码在数据分析工作中能做到更高效、丰富和自由。事实上代码不仅帮助分析，更能帮助逻辑思维。