
多项目还能进行拆分对比分析?怎么可能嘛!
今天想好好跟大家分享一个好用的数据功能,分享之前先来看几个实际的工作场景~
月底了,需要展示各省份本月的订单量分布,总不能用30多条折线显示吧,一堆密密麻麻的线没人想看吧!
想对比分析团队里10个销售经理业绩完成的情况,要出10张图表一一对比,这也太麻烦了吧?
店铺有成百上千个SKU,老板要对比查看每个SKU的销售数据,难道要我做N个图表吗?
负责的网站有几十个推广渠道,想一一对比每个渠道的转化效果,一张图表展示不了效果肿么办?
类似的“痛苦”很多人都遇到过,当涉及到数据多维度对比分析时,比如上面的例子:不同日期维度不同地域维度的数值对比,往往一张数据图表并不能直观地展示效果,又不想直接用表格呈现一“坨”数据,这时”对比拆分”功能就显得尤为重要!
介绍“对比拆分”之前,先普及一下维度、对比、数值(数据小白一定要看,大神可以忽视)是什么:
维度:是事物或现象的某种特征,可以简单理解是X轴,如性别、地区、时间等都是维度。其中时间是一种常用的维度,时间前后的对比称为纵比,如用户数环比上月增长10%;同级单位之间的比较,简称横比,如不同省份人口数的比较、不同公司收入的比较;
对比:当横比、纵比都要涉及的时候(如不同日期不同地域),就需要对比啦!
数值:即指标/度量,用于衡量事物发展程度的单位,可以简单理解是Y轴;
工作场景1:O2O/电商网站想要了解近期各省市的订单金额分布情况,需要的维度:日期、地区,需要的数值:订单金额,先看“美颜”前后对比图吧~
(“美颜”前)
(“美颜”后)
“美颜”前各省的数据堆在一起,N条折线就像一团杂乱的毛线,数据给人的感觉也是一团乱,根本不想看,也无从下手,更别说用数据驱动运营了。
再看看“美颜”后的图表,很清晰地展示各个省份的数据量和变化趋势,图表瞬间转成小清新,感觉美美哒!连老板都夸我,好开心~
赶紧来看看“美颜”过程:
第1步:打开BDP,上传需要分析的工作表,在编辑图表页面将日期(付款日期)拉到维度栏、地区(收货省份)拉到对比栏,订单金额拉到数值栏,记得顺手调个稀饭的颜色;
第2步:在右下方勾选“按对比拆分”,瞬间就出现多个迷你动图啦!不喜欢默认的显示,还可以寄已调整单屏显示的行列数量哦~
酷炫的亮点来了:当你把鼠标hover到数据上,同时按下alt键,就能看某一天各省市的数据啦!左右滑动鼠标还有惊喜哦!
工作场景2:半个月过去了,销售总监想要了解截止目前为止各个销售经理的业绩完成情况;需要的维度:时间、人员名称,需要的数值:合同金额
柱状图只能简单展示每个人本月的订单金额,并不能看出目标完成的进度如何,更别说能直观对比每个人完成的情况了。
计量图的确能展示目标完成的进度,但是只能通过筛选一一查看每个人的进度,并不能一下子展示所有人的。
好了,“对比拆分”又上场啦,拆分后就变成酱紫,噔噔噔~~~(具体操作见上一个例子)
哇塞,每个人的业绩完成情况太直观了。半个月过去了,完成50%及以上的只有3个,总监应该好好鼓励他们,争取更好的业绩,还有7人连50%都没有达到,那就要一一找了解下情况,找到原因及时改进,尤其是低于是30%的销售:
是不是在跟进大客户,项目是否靠谱,是不是属于后半个月发力,大项目能否填补之前的落后?不能的话要怎么做才能达标?
是不是本月跟的客户太少?那应该积极主动去寻找销售线索。
还是跟了很多项目,但成交率很低,那成交率很低的原因又是什么:地域问题、客户性质 or 其他原因呢?根据不同原因有针对性地进行调整。
……
原因有很多,总监可以根据这张图表一一找人了解情况,及时寻找原因并做出调整,争取让本月业绩更上一层楼,这不就是数据和图表呈现的意义嘛!
上述场景都很常见,也只是参考。最后,总结下对比拆分的适用场景:涉及多维度对比分析、同时需要分类呈现数据结果。目前,BDP支持对指标卡、计量图、折线图、柱柱图和条形图按照对比拆分为多个图形。要好好学习对比拆分功能,学好能助你调整、优化运营策略,也许会有意想不到的效果哦~
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14