京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16