商业大数据应用基础（AI+微课版） 课件全套 项目1-7商业大数据分析认知 -商业数据分析的撰写

项目一商业大数据分析认知课程导入一家8家门店的生鲜超市为什么需要大数据？目录01初识大数据02数据分析岗位认知03任务实施与小结商业大数据分析认知学习目标01知识目标•掌握大数据、大数据分析、商业大数据基本概念•熟悉大数据分析的流程、工具、技术及商业价值•了解数据分析岗位的未来前景02技能目标•能对商业大数据应用场景做初步分析•能用大数据技术解决实际商业问题•具备数据驱动思维，从数据角度思考问题03素质目标•培养数据思维与数据敏感度•增强行业认知能力项目一商业大数据分析认知导入案例：邻里鲜的烦恼扎根本地的8家连锁生鲜超市，服务周边3km社区，近半年遇到四件"挠头事"——①备货总是"踩不准点"早高峰后蔬菜水果大量剩余，晚高峰排骨、鱼虾、半成品菜却经常断货，老客户失望而归。②促销活动"吃力不讨好"小程序满减折扣投入不少，参与人不多、销量提升不明显；门店贴了海报，却不知哪些客户会感兴趣。③客户需求"看不透"不清楚常客喜欢买什么、谁习惯线上下单、谁更看重新鲜度，也不知怎样留住老客、吸引新客。④经营决策"靠经验"看着密密麻麻的销量、库存数据，却找不到销量波动原因，采购、促销、陈列全凭老员工经验，容易出错。项目一商业大数据分析认知任务发布作为即将入职的实习数据分析师，请完成以下三项实战任务——1AI辅助写认知笔记用通俗语言解释"大数据"和"商业大数据"，结合超市场景列举2个应用例子，说明能解决什么问题。2AI辅助整理数据获取100条超市销售数据，用AI工具统计"各品类总销量"和"线上/线下订单占比"，输出文字+表格结果。3AI辅助做价值海报制作"商业大数据分析价值"海报，突出大数据帮超市解决的3个核心问题，图文并茂、简洁易懂。Part01初识大数据Part01初识大数据大数据是什么？麦肯锡咨询机构视角指规模大到超出传统数据库工具采集、存储、管理和分析能力的数据集合。关键词是"装不下、算不动"。GartnerIT研究机构视角需要新处理模式，才能具备更强决策力、洞察发现力和流程优化能力的海量、高增长率、多样化信息资产。国标GB/T35295国家标准视角具有体量巨大、来源多样、生成极快且多变等特征，难以用传统数据处理技术有效处理的数据集合。一句话记：大数据=量大、种类多、来得快、价值藏得深，传统工具搞不定的数据。Part01初识大数据大数据的"5V"特征判断一个数据是不是"大数据"，看这5个以V开头的特征——Volume大量数据量大，从TB级到PB级。超市一天几万笔交易、几万名会员行为，都是海量数据。Variety多样类型杂：数字、文字、图片、视频、位置、评价，结构化和非结构化数据都有。Velocity高速产生快、流动快，需要实时处理。收银台、监控、传感器数据每秒都在涌入。Value价值价值密度低但总价值高——大量数据里真正有用的是少数，要靠挖掘才能变现。Veracity真实真实性、可靠性。数据会有噪音、错误和缺失，用之前要先辨别真假、清洗去伪。Part01初识大数据什么是大数据分析大数据分析，就是对海量、多类型、高速产生的数据进行采集、存储、清洗、分析和挖掘，从中发现规律、提取价值，最终用来辅助经营决策的一整套过程。看看现象数据里发生了什么？销量、客流、客单价是什么水平？找找原因为什么会这样？销量波动和天气、促销、价格之间有什么关系？用做决策接下来怎么办？备货、促销、陈列怎么调整，才能多赚钱少浪费？Part01初识大数据大数据分析的5步流程①采集从POS、会员、小程序、传感器把数据收上来②存储放进数据库/数据仓库，统一存放、随用随取③预处理清洗去重、补缺失、改格式，把"脏数据"洗干净④分析统计、建模、挖掘，找规律、做预测、分客户⑤可视化做成图表/看板，讲给老板听，支撑经营决策回到邻里鲜：它现在卡在第③步——数据收了、存了，但没清洗、没分析，更没做成看板给店长看，所以决策只能靠老员工经验。Part01初识大数据商业大数据：不只是"更大的账"传统商业数据•只看店里：POS销售、库存、进货账•以表格为主，结构化、规模小•事后统计：出日报、周报、月报•回答"卖了多少"，不回答"为什么"•决策靠经验、靠感觉商业大数据•全渠道：POS+会员+小程序+外卖+评价+位置•图文、视频、评价都算，多类型、规模大•实时/准实时：边卖边看、当场调•预测未来：谁会买、买什么、何时买•决策靠数据、靠模型Part01初识大数据商业大数据用在哪？市场研究看趋势、盯对手、摸行情，决定进什么货、定什么价客户细分把客户分群，谁爱囤货、谁只买特价，差别对待预测分析预测下周、下月卖多少，提前备货不压货不断货供应链优化优化补货、调货、物流路线，减少损耗和库存积压产品设计看客户评价和复购，决定上新、淘汰、改包装客户关系管理谁要流失了、谁是高价值客，精准发券、定向关怀风险管理识别经营异常、库存风险、食品安全风险，提前预警欺诈检测识别刷单、套现、恶意退款，保护门店和会员资金一句话：从"进货—卖货—留客—防风险"全链条，大数据都能插手。Part01初识大数据分析工具怎么选？工具擅长局限适合谁用Excel上手快、人人会，做日报周报小报表顺手数据一大就卡，超过十万行明显吃力业务岗、日常小数据Python灵活强大，海量数据、建模、自动化都行要会编程，学习曲线陡专业数据分析师BI工具拖拽做看板，可视化漂亮，给老板汇报直观数据准备、清洗还得靠别人运营、店长、汇报岗AI工具用大白话提问，自动写代码、出表格、出图结果可能出错，必须人工核对、不能全信所有人，含零基础业务岗Part02数据分析岗位认知Part02岗位认知这行前景怎么样？一句话判断：企业都在数字化，"用数据说话"成了硬要求。不管是互联网大厂，还是家门口的连锁超市，都需要看得懂数据的人。岗位类型多数据分析师、数据运营、商业分析(BA)、BI工程师、数据产品经理——从"写SQL取数"到"给业务出主意"，层级齐全。门槛在变，但不靠"会写代码"一刀切AI工具把"写代码"门槛拉低了，但"懂业务、会沟通、能把数字翻译成决策"越来越值钱。职业院校同学完全可以从数据运营、BI助理切入。Part02岗位认知每天具体干什么？1取数与报表按需求从数据库取数，做日报、周报、月报，业务随要随有。2数据清洗去重、补缺、改口径，把"脏数据"洗干净，保证大家对的是同一本账。3业务专题分析围绕销量、促销、客流做专题，找出问题、提出改进建议。4可视化与汇报做BI看板、写汇报PPT，把数字翻译成业务听得懂的话。5监控与预警盯核心指标，销量、库存、客单价一异常就报警，不等出大事。6支持业务决策配合运营做活动复盘、A/B测试，给店长和市场部出主意。Part02岗位认知要会哪些本事？硬技能（工具/方法）①Excel：函数、透视表、图表，基本功②SQL：会写基础查询，从数据库取数③统计常识：均值、占比、同比、环比、相关性④可视化：BI工具做看板（帆软/PowerBI/Tableau）⑤AI工具：会提问、会用AI写代码出图、会核对结果软技能（脑子/嘴巴）⑥业务理解：知道老板关心啥、门店痛点在哪，不为分析而分析⑦沟通表达：把数字讲成故事，让业务听得懂、愿意用——这两项才是真正拉开差距的地方：工具谁都能学，业务感觉和表达要靠积累。Part03任务实施动手做：五步通用法①想清楚先搞明白要解决什么问题、给谁看、交付什么②找素材找数据、找案例、找参考，缺什么先补什么③用AI把需求讲清楚，让AI帮你写、帮你算、帮你画④核结果AI会犯错，数字对不对、结论合不合常识，自己再查一遍⑤交出去按格式交付：笔记、表格、海报，讲清楚结论关键心法：AI是助手不是替罪羊。你提的问题越清楚，它给的结果越靠谱；你会核对、会判断，它才是你的杠杆，而不是坑。Part03任务实施数行致远数据无高低，洞察有温度。回到邻里鲜：那四个烦恼，表面是数据问题，背后其实是一个个真实的老顾客、一个个起早贪黑的店员。我们学大数据，不是为了炫技，是为了让这家社区超市少浪费一点菜、多留住一位常客、让店长晚上能睡个安稳觉。项目一小结本节小结三个收获识识概念：大数据的5个V、分析5步流程、商业大数据8大应用，脑子里有了一张图。岗知岗位：岗位前景、6项职责、7项技能，软硬兼修才走得远。行会动手：按"想清楚→找素材→用AI→核结果→交出去"五步，完成三个实战任务。谢谢大家数据无高低洞察有温度

项目二

商业数据的采集

目录

01数据采集的概念

02数据采集的步骤

03数据采集的原则

商业数据的采集学习目标

01知识目标

•理解数据采集的基本概念•掌握数据采集的基本步骤•熟悉数据采集的基本原则•了解数据采集常用工具

02技能目标

•能根据需求选择合适数据源•会使用采集工具获取数据•能对原始数据进行清洗预处理•能评估数据采集效果与质量

03素质目标

•培养对大数据技术的学习兴趣•树立严谨的数据素养与职业精神•增强数据安全与合规意识•培养团队协作与沟通能力

数据采集的概念Part01

概念商业数据的采集，又称“数据获取”，是指根据数据使用者的需求，通过各种技术手段，运用各种数据采集工具收集、获取和提取与企业运营、市场趋势、用户行为等相关的海量数据并加以利用的过程，并为后期的数据分析提供数据准备。1.数据采集的概念商业数据的采集

这些数据来源于多个方面，包括但不限于社交媒体、网站流量、移动应用、日志文件、传感器等。数据采集是进行商业数据分析的基础，也是数据分析过程中相当重要的一个环节，正所谓“巧妇难为无米之炊”，商业数据分析的后续所有工作内容都需要围绕数据采集环节获取的数据展开。1.数据采集的概念商业数据的采集

数据采集的步骤Part023.数据采集1.明确数据需求5.数据采集效果评估4.数据检查与预处理2.数据采集的步骤

2.选择数据源商业数据采集的流程是一个闭环的过程，需要持续地迭代和优化。通过遵循上述流程，企业能够确保所采集的数据具备高质量和可靠性，进而为企业决策提供强有力的支持。

商业数据的采集12第一步明确数据需求，确定数据采集的目标比如，我们进行数据分析是为了了解用户偏好还是分析市场趋势等。第二步根据需求选择合适的数据源包括互联网、社交媒体、传感器等。数据源的选择直接影响到数据的质量和后续分析的准确性。3第三步数据采集我们可以利用网络爬虫、API接口、传感器监测等技术手段从选定的数据源中抓取数据。2.数据采集的步骤商业数据的采集45第四步数据检查与预处理直接获取的数据往往被称为“脏数据”，我们要对采集到的原始数据进行初步的清洗，去除噪声、重复和不完整的数据，使其符合分析要求。这一步是提高数据质量的关键。第五步数据采集效果的评估判断采集的数据是否完成了数据分析的目标，从而对数据采集和分析流程进行反馈和优化。商业数据采集的流程是一个闭环过程，需要不断迭代和优化。

2.数据采集的步骤商业数据的采集

数据采集的原则Part033.数据采集的原则

完整性

准确性

合规性

可靠性

高效性

实效性商业数据的采集项目实训Part04项目实训——八爪鱼采集器实训目标1.了解网页数据采集过程2.熟悉八爪鱼采集器基本操作3.独立完成竞品数据采集任务实训环境1.八爪鱼采集器软件2.网页浏览器（Chrome/Edge）实训主题：采集淘宝网"赣南脐橙"商品的关键字、价格、主图、商品描述等信息，开展竞品分析，为市场分析提供数据支持。商业数据的采集项目实训——八爪鱼采集器1第一步确定实训数据采集主题打开八爪鱼采集器，新建采集任务，输入目标网址，明确采集对象为商品的关键词、价格、图片等信息。2第二步设计实训数据采集规则等待网页加载完成，向下滚动浏览页面内容；在页面中选中需要采集的元素，设置采集字段（店铺名称、商品价格、商品关键字等）。商业数据的采集项目实训——八爪鱼采集器3第三步设置实训数据采集流程选择"本地采集"模式，配置采集循环和翻页规则，确认采集流程无误后保存任务配置。4第四步采集实训数据启动采集任务，等待程序运行完成；在数据预览中检查采集结果，确认数据完整后导出为Excel或CSV文件。商业数据的采集项目实训——Python爬虫使用Python的requests和BeautifulSoup库，从网页中自动提取结构化数据，替代手工复制粘贴。知识准备requests：发送HTTP请求，获取网页HTML内容BeautifulSoup：解析HTML文档，提取目标数据准备工作1.打开JupyterNotebook2.安装依赖库（pipinstall）3.导入requests和bs4商业数据的采集项目实训——Python爬虫实战任务一：爬取国家统计局表格数据目标：采集第四次全国经济普查公报中"分地区企业数量"表格，用于市场潜力分析。1发送请求获取网页requests.get(url)获取统计局网页HTML，设置编码为utf-8。2解析提取表格数据BeautifulSoup解析HTML，find('table')定位表格，提取表头和行数据。3保存结果为CSV文件使用csv.writer将数据写入本地"经济普查报告.csv"。商业数据的采集项目实训——Python爬虫实战任务二：抓取新浪财经利润表（多页采集）目标：采集浦发银行（600000）2021—2024年利润表数据，掌握多页循环采集方法。1设置目标URL与年份列表URL中年份用占位符{year}表示，years=[2021,2022,2023,2024]。2循环遍历年份，逐页采集foryearinyears循环请求每个年份网页，定位第14个表格（利润表）。3拓展任务：换股票代码即可复用将股票代码改为002594（比亚迪），年份改为2019—2023，即可采集新公司数据。商业数据的采集

本节小结

一、数据采集的概念本节小结

二、数据采集的步骤

三、数据采集的原则商业数据的采集

谢谢大家

项目三商业数据的存储商业数据的存储学习目标01知识目标•了解大数据存储的概念•掌握大数据存储的方式•理解数据存储安全策略•熟悉分布式文件系统与NoSQL02技能目标•能使用Python生成Excel文件•能使用Python在Excel中写入数据•能设计合理的存储方案•能实现带时间戳的自动备份03素质目标•具备大数据的敏感思维•具备创新思维与创业精神•具备团队协作精神•具有较强的应变与抗压能力目录01理解大数据存储02数据存储安全策略03任务实施与实践理解大数据存储Part01导入案例：医疗大数据的智能存储痛点：数据孤岛医疗大数据价值极高——从海量病例、影像到基因序列，能显著提升诊断精度与治疗个性化。但长期面临核心挑战：分散存储、格式不一、难以互通，形成了"数据孤岛"。破局：统一存储平台分布式文件系统：可靠存储PB级医学影像NoSQL数据库：灵活管理多变的电子病历云存储：跨机构安全共享与弹性扩展存储，是医疗大数据价值释放的第一步。理解大数据存储任务发布：健康科技公司数据工程师你是健康科技公司数据工程师，公司开发基于可穿戴设备的健康管理App，每天生成数百万条用户数据，包括结构化数据（用户ID、心率、步数、睡眠时长）和半结构化数据（运动记录JSON、设备日志）。实战任务一AI辅助存储方案设计：说明如何存储这些数据（存储格式、存储方案、备份策略）实战任务二使用Python生成Excel文件：合理运用AI工具辅助完成Python编程，将模拟运动数据写入Excel文件实战任务三实现带时间戳的自动备份机制：避免文件覆盖，便于版本管理理解大数据存储理解大数据存储什么是大数据存储大数据存储是指在大数据环境中，使用特定的技术和工具，将海量、多样的数据保存到计算机或服务器中。它不是简单地把数据存到硬盘，而是为解决传统存储在面对海量、高速增长、多样数据时容量瓶颈、速度慢、扩展难、成本高等问题而发展起来的技术体系。核心目标•可靠及高效存取•弹性扩展•低成本管理解决的问题•容量瓶颈•处理速度慢•扩展困难•成本高昂重要地位大数据存储是数据分析与应用的前提。在进行大数据分析之前，必须先将海量数据存储起来，以便后续使用。理解大数据存储大数据存储与传统存储的区别对比维度传统数据存储大数据存储数据规模GB级到TB级，规模有限、增长平稳TB级到PB级甚至EB级，指数级爆发增长系统架构集中式，靠升级硬件纵向扩展，有天花板分布式，廉价服务器集群，横向扩展节点数据模式模式优先，预先定义表结构，SQL查询模式灵活，支持JSON/日志，批量/流式处理成本运维高端服务器+许可费用高，运维复杂廉价硬件+开源软件，按需付费，运维自动化一句话总结：传统存储是"精耕细作的数据庄园"，大数据存储是应对"数据汪洋的现代化港口与舰队"。理解大数据存储大数据存储的三种核心方式分布式文件系统DFS海量非结构化数据的仓库•代表：HDFS•适用：视频、图片、日志备份•思想：化整为零，分散存储，统一管理NoSQL数据库NotOnlySQL灵活多变数据的处理引擎•键值/列/文档/图数据库•代表：Redis、MongoDB、HBase、Neo4j•适用：用户画像、实时排行榜、社交关系云存储CloudStorage按需取用、弹性扩展的服务•公共云/私有云/混合云•代表：AWSS3、阿里云OSS•适用：弹性扩展、跨机构共享、备份归档理解大数据存储分布式文件系统HDFSNameNode（主节点）充当"图书管理员"，管理文件系统命名空间（目录树、元数据）和数据块映射表，是集群的"大脑"和单一管理入口。DataNode（从节点）充当"书架"，实际存储数据块。文件被切分为128MB数据块，以3副本分散存储在不同DataNode上，保持高容错性。优势支持TB/PB级海量存储；兼容廉价硬件，故障自动恢复；一次写多次读简化一致性；数据自动负载均衡局限不适合低时延小数据访问；大量小文件消耗NameNode内存；不支持多用户同时写入同一文件理解大数据存储NoSQL数据库的四种类型键值对存储数据库

Redis、DynamoDB简单的键到值映射，性能极高适用：缓存、会话存储、实时排行榜列存储数据库

HBase、Cassandra按列存储，擅长超大规模稀疏表，可扩展性极强适用：时序数据、消息服务、宽表查询文档数据库

MongoDB、Couchbase以JSON文档为单位，结构可动态变化，模式灵活适用：用户画像、产品目录、内容管理图数据库

Neo4j、TigerGraph以节点和边存储实体及关系，关系查询高效适用：社交网络、欺诈检测、推荐系统理解大数据存储云存储：按需取用的弹性存储云存储通过互联网将大量异构存储设备整合成统一资源池，利用虚拟化和分布式技术实现智能调度。用户只需按实际使用量付费，即可获得透明、可靠的存储能力。成本效益按需付费，降低前期投入弹性扩展用时即有，不用即无高可用安全多副本同步，SLA保障简化运维统一控制台，自动管理公共云存储AWS、阿里云，按需付费，适合非敏感数据私有云存储OpenStack、华为云Stack，高安全合规混合云存储兼顾成本、灵活与安全，核心数据私有实施数据存储安全策略Part02数据存储安全策略数据存储安全的四大威胁来源外部恶意攻击网络入侵与漏洞利用；勒索软件、木马等恶意软件；DDoS分布式拒绝服务攻击内部人员威胁恶意窃取与泄露；误操作与疏忽；权限滥用技术与物理风险硬件故障与损耗；软件缺陷；火灾洪水地震等自然灾害；备份恢复机制失效合规与法律风险违反《数据安全法》《个人信息保护法》；数据出境合规；数据主权与管辖权冲突任务实施与实践Part03任务实施与实践实战任务一：存储方案设计①存储格式选择结构化数据：CSV/Parquet半结构化：JSON/XML非结构化：按原始格式存储②文件夹结构规划按数据类型分目录按日期/版本分层次命名规范统一可读③备份策略制定定期全量备份增量备份补充异地副本防灾难设计示例：健康科技公司可穿戴数据存储目录data/├──raw/原始传感器数据（按日期分）├──processed/清洗后的数据（Parquet格式）├──models/训练好的模型与特征库└──backup/每周全量备份（异地）任务实施与实践实战任务二：用Python生成Excel数据importpandasaspdimportos#模拟可穿戴设备数据data={'user_id':[1001,1002,1003,1004],'steps':[8523,5210,12080,3340],'heart_rate':[72,68,85,76],'sleep_hours':[7.5,6.2,8.1,5.8]}df=pd.DataFrame(data)#确保目录存在，再保存os.makedirs('data/processed',exist_ok=True)df.to_excel('data/processed/health_2026.xlsx',index=False)print("Excel已生成")代码要点•pandas.DataFrame构造数据•os.makedirs自动建目录•to_excel写入指定路径•index=False去掉行号列思考与拓展如何用循环批量生成多个日期的Excel？如何在写入前自动判断文件是否已存在？Parquet格式相比Excel有什么优势？任务实施与实践实战任务三：带时间戳自动备份importshutilimporttime#生成时间戳，如20261009_143025ts=time.strftime('%Y%m%d_%H%M%S')src='data/processed'dst=f'data/processed_backup_{ts}'#复制整个目录到带时间戳的备份目录shutil.copytree(src,dst)print(f"备份完成：{dst}")#输出：备份完成：data/processed_backup_20261009_143025时间戳的作用•避免备份文件互相覆盖•一眼看出备份时间点•支持快速回滚到任意版本生产环境进阶•加入定时任务（crontab/任务计划程序）•自动清理30天前旧备份•压缩归档节省空间（zip/gzip）•上传到异地云存储本节小结存储安全知识：大数据存储三种方式——分布式文件系统（HDFS）、NoSQL数据库、云存储，各有适用场景技能：能设计存储目录结构、用pandas生成Excel数据、用时间戳实现自动备份素质：建立数据安全意识，理解个人防护与企业防护的协同，形成工程化思维谢谢大家项目四

商业数据的预处理目录01执行数据清洗02实施数据运算03其他预处理技术商业数据的预处理学习目标01知识目标•理解数据清洗在数据分析流程中的关键作用和重要性；•掌握数据清洗的概念，了解数据清洗的内容。布鲁姆层级：记忆·理解02技能目标•能够使用Excel、PowerBI、Python、AI等工具进行数据清洗；•能够根据需求灵活选择并应用各种数据处理操作；•能够设计高效的数据预处理流程，提高数据处理的效率和准确性。布鲁姆层级：应用·分析03素质目标•培养严谨的数据处理态度，重视数据的准确性和分析结果；•增强问题解决能力，客观分析并选择合适方法解决数据问题；•提升团队协作能力，学会与团队成员有效沟通，共同解决数据问题。素养导向：严谨·协作商业数据的预处理导入案例案例你是一名新加入“智汇分析”数据咨询公司的数据分析实习生，正站在职业生涯的起点，准备迎接新的挑战。公司最近承接了一个重要项目：为一家大型零售商提供销售数据分析服务。这家零售商期望通过深入的数据洞察，优化库存管理，提升销售业绩，从而在激烈的市场竞争中保持领先。然而，当你着手数据分析工作时，却发现原始数据存在诸多问题，如数据格式不统一、存在错误数据，以及部分数据缺失或需要进一步计算。这些问题严重影响了数据分析的准确性和可靠性，也让你深刻认识到：数据预处理是数据分析工作中至关重要、无法绕过的基础环节。任务一执行数据清洗执行数据清洗数据清洗的概念概念数据清洗是数据预处理的核心环节，指识别并纠正原始数据集中存在的错误、不一致、不完整或不相关部分的过程。其目的是提高数据质量，确保数据的准确性、完整性和一致性。数据清洗的质量直接影响到后续分析的准确性和有效性。执行数据清洗数据清洗的四项内容01删除重复数据技术故障、人为失误或系统集成会产生完全相同或高度相似的记录。通过算法或工具系统比对、识别并删除重复行，保证数据唯一性。02补充缺失数据记录错误、设备故障或传输中断会造成数据缺失。按数据特征用均值填充、插值法、前后值填充或参考其他数据源进行补充。03纠正错误数据数据集中可能有内容错误、格式不规范或逻辑矛盾。修正拼写、统一日期与数字格式、识别并处理数值异常，提升数据准确性与一致性。04数据格式化把数据转成适合分析的类型：日期字符串转日期型、分类数据编码为数值、标准化归一化消除量纲影响，保证一致性与可比性。删重复→唯一·补缺失→完整·纠错误→准确·格式化→可比任务二实施数据运算实施数据运算算术运算：五类函数SUM求和函数=SUM(数据区域)对指定区域数值求和，用于计算总销售额、总成本等汇总指标。1,581,900元AVERAGE平均值函数=AVERAGE(区域)计算区域数值的算术平均，用于客单价、平均成本等指标。8,794元/单COUNT计数函数=COUNT(区域)统计区域中数值单元格数量，用于订单量、客户数等计数。180笔MAX最大值函数=MAX(区域)返回区域最大数值，用于峰值订单、最高销售额等分析。17,632元MIN最小值函数=MIN(区域)返回区域最小数值，用于最低客单价、保底销售额等分析。视数据而定案例数据：共180笔订单，总销售额1,581,900元，平均每单8,794元，最大单笔17,632元（示意数据）实施数据运算逻辑运算：AND/OR/NOTAND与同时满足全部条件例：年龄>25且消费>1000→精确锁定高价值年轻客群Excel:=AND(条件1,条件2)集合运算：取交集A∩B适用：多条件精准筛选，缩小范围OR或满足任一条件即可例：微信支付或支付宝支付→圈出所有线上移动支付用户Excel:=OR(条件1,条件2)集合运算：取并集A∪B适用：多条件扩大筛选，覆盖更广NOT非排除不满足条件的数据例：排除已退款订单→只保留有效成交订单Excel:=NOT(条件)集合运算：取补集¬A适用：排除异常数据，净化样本三者组合可构造复杂筛选条件：AND缩范围·OR扩覆盖·NOT除异常，精准圈出分析所需数据子集任务三其他预处理技术其他预处理技术其他常用预处理操作转置行列互换：将宽表转为长表，或长表还原为宽表，适配不同分析视角。Table.Transpose透视与逆透视透视聚合汇总生成交叉表；逆透视将宽表还原为明细行，灵活切换。Pivot/Unpivot添加索引列为每行数据添加从0或1开始的唯一序号，便于追踪、排序和关联。AddIndex添加条件列按IF等逻辑规则基于现有列生成新分类列，如金额分级、区域标签。AddConditional追加合并查询追加：纵向堆叠同结构表；合并：按关键字横向关联多表，整合数据。Append/MergePowerQuery核心操作：转置重塑结构·透视聚合汇总·索引追踪行号·条件列衍生分类·追加合并整合多表其他预处理技术四种工具完成同一任务Excel入门友好：用函数（SUM/IF/VLOOKUP）和数据透视表完成清洗与运算，适合中小数据集快速上手。适用：小数据·快速分析PowerBI可视化强：清洗后直接拖拽生成商业仪表盘，边清洗边看效果，适合汇报型分析。适用：可视化·汇报展示Python灵活强大：用pandas库编写脚本，适合复杂规则、大数据量与可重复的自动化清洗流程。适用：大数据·自动化AI工具智能辅助：用自然语言描述需求，AI自动识别脏数据、推荐清洗规则，降低上手门槛。适用：零代码·智能辅助任务实施四个实战任务01数据清洗删重复值、补缺失值、处理错误数据、字段类型转换。用Excel、PowerBI、Python、AI四种工具完成。02数据运算用SUM/AVERAGE/COUNT/MAX/MIN五函数计算销售额，PowerBI度量值与卡片图展示。03逻辑运算用AND/OR自定义列筛选多条件订单，Excel与PowerBI双工具实操。04其他预处理PowerQuery五项操作：转置、透视逆透视、索引列、条件列、追加合并。实战一·数据清洗Excel·删除重复值1删除重复行打开1-数据清洗.xlsx，选中全部数据列，点数据→删除重复值。对话框中全选后确定，系统提示找到3个重复项，自动删除并保留唯一行。图4-1单击"删除重复值"按钮图4-3删除重复值实战一·数据清洗Excel·处理错误数据2补充缺失数据根据定位条件，查询是否有数据缺失。选择数据，执行“开始”→“查找与选择”→“定位条件”命令。在弹出的“定位条件”对话框里选择“空值”图4-4执行“定位条件”图4-5选择“空值”实战一·数据清洗Excel·补充缺失值2补充缺失数据选查找与选择→定位条件→空值，定位到2处缺失（转化率、加购率）。用公式转化率=支付人数/访客数计算填补。图4-7缺失值填补图4-6缺失值实战一·数据清洗Excel·处理错误数据3处理错误数据选开始→排序和筛选→筛选，逐列查看最大最小值。发现访客数最小为6，远低于其他数据，判断为异常值，标红后整行删除。图4-9通过筛选界面排查异常值图4-11标记异常值（2）实战一·数据清洗Excel·数据格式化4数据格式化日期列右键→设置单元格格式→日期；商品ID列转文本；比率指标转百分比，保留2位小数。图4-13设置单元格格式（1）图4-15设置单元格格式（3）实战一·数据清洗PowerBI·删重复与查空值1删除重复数据PowerBI获取数据→Excel工作簿→导入Sheet1→转换数据。Ctrl+A选中→删除重复项；点转化率筛选按钮查看null空值。图4-17导航器界面图4-19查看空值实战一·数据清洗PowerBI·自定义列补缺失2补充缺失数据点添加列→自定义列，输入公式转化率=支付人数/访客数，确定后生成无空值的正确转化率新列。图4-20添加自定义列图4-22"正确的转化率"数据列实战一·数据清洗PowerBI·数据类型转换3数据格式化转换选项卡点数据类型下拉，商品ID被自动识别为整数，改为文本类型，完成格式清洗。图4-23查看数据类型图4-24将"商品ID"数据类型更改为"文本"实战一·数据清洗Python·删除重复与补充缺失1删除重复数据可以使用pandas库的drop_duplicates函数来删除重复数据。该函数能够基于指定的列识别并删除重复的行。在商品销售数据表中，通常假设每行数据（即每一天的每种商品数据）都是唯一的，因此可以基于所有列来删除重复数据。importpandasaspd#加载数据df=pd.read_excel('商品销售数据-净数据.xlsx')#删除重复数据df_drop_duplicates=df.drop_duplicates()#保存清洗后的数据df_drop_duplicates.to_excel（'商品销售数据-清洗后.xlsx',index=False）实战一·数据清洗Python·删除重复与补充缺失2补充缺失数据在处理缺失数据时，首先需要识别哪些字段存在缺失值，然后根据具体情况选择合适的填补策略，通常使用均值、中位数、众数或特定值来填补缺失值。假设使用均值填补销量和销售额的缺失值，而对其他字段则直接删除含有缺失值的行。importpandasaspd#检查缺失值missing_values=df.isnull().sum()print(missing_values)#填补销量和销售额的缺失值df['销量'].fillna(df['销量'].mean(),inplace=True)df['销售额（元）'].fillna(df['销售额（元）'].mean(),inplace=True)#删除其他含有缺失值的行df_filled=df.dropna()#保存清洗后的数据df_filled.to_excel('商品销售数据-清洗后-填补缺失.xlsx',index=False)实战一·数据清洗Python·纠正错误与格式化3处理错误数据错误数据通常需要根据业务逻辑和常识来判断。在此情况下，可以假设销量和销售额必须为正数，而转化率应在0到1的范围内。对于不符合这些条件的数据，可以选择修正或删除相关记录。#纠正错误数据defcorrect_data(row):ifrow['销量']<0:row['销量']=0ifrow['销售额（元）']<0:row['销售额（元）']=0ifrow['转化率']<0orrow['转化率']>1:row['转化率']=0#这里选择将记录修正为0，也可以选择删除记录returnrowdf_corrected=df.apply(correct_data,axis=1)#保存清洗后的数据df_corrected.to_excel('商品销售数据-清洗后-纠正错误.xlsx',index=False)实战一·数据清洗Python·纠正错误与格式化4数据格式化数据格式化通常涉及日期格式的统一以及数值型数据的格式转换等内容。在此情况下，假设日期字段已经是正确的格式，但需要确认销量和销售额是否为整数型数据，并在必要时将其转换为整数型数据。#数据格式化df['销量']=df['销量'].astype(int)df['销售额（元）']=df['销售额（元）'].astype(int)#保存清洗后的数据df_formatted.to_excel('商品销售数据-清洗后-格式化.xlsx',index=False)实战一·数据清洗使用AI进行数据清洗4使用AI进行数据清洗在数据清洗环节，AI正逐步展现出其强大的辅助能力。与仅依赖固定规则的传统处理方式相比，AI能够通过模式识别与智能算法，以更高的效率、更强的适应性和更智能的方式完成数据清洗任务。请对商品销售数据进行基础清洗。删除重复值：删除完全重复的行（所有列值均相同）转换数据格式：将“转化率”“收藏率”“加购率”等字段统一转换为百分比格式（如将0.0624转换为6.24%），并保留2位小数。检查异常值：若“访客数”为0但“支付人数”大于0，标记为异常；若“转化率”大于1（即超过100%），标记为异常。检查商品名称：检查并统一商品名称。检查关键字段空值：标记“销售额”“销量”等关键数值为空的行。请输出清洗后的表格，并简要说明处理结果实战二·数据运算Excel·SUM1SUM函数M2输入=SUM(数据区域)得2024年6月销售额合计1,581,900；图4-26SUM求和结果1581900实战二·数据运算Excel·AVERAGE2AVERAGE函数M2输入=AVERAGE(区域)得平均销售额8,794。图4-27AVERAGE均值8794实战二·数据运算Excel·COUNT3COUNT函数用=COUNT(区域)统计订单数180笔；图4-28使用COUNT函数计数实战二·数据运算Excel·MAX4MAX函数用=MAX(区域)求最高单日销售额17,632元。图4-29使用MAX函数求最大值实战二·数据运算PowerBI·销售额合计度量值1对数据求和数据视图→表工具→新建度量值，输入销售额合计=SUM(销售明细[销售额])，报表视图选卡片图拖入字段，显示1581900。图4-31输入公式图4-35销售额合计计算结果（1）实战二·数据运算PowerBI·均值2均值与计数创建平均销售额=AVERAGE(...)得8794；图4-37新建度量值"平均销售额"图4-39新建度量值"订单数量"实战二·数据运算PowerBI·均值与单数度量值3计数创建订单数量=COUNTROWS(...)得180，均用卡片图展示。图4-37新建度量值"平均销售额"图4-39新建度量值"订单数量"实战二·数据运算PowerBI·单笔最大销售额4最大值或最小值创建单笔最大销售额=MAX(...)，卡片图显示17632。PowerBI中度量值基于列计算，区别于Excel逐格公式。图4-41新建度量值"最高销售额"图4-42显示最高销售额计算结果实战二·数据运算Python·NumPy统计运算1使用python进行算术运算通过NumPy库，可以轻松实现数据集的统计运算，包括总和、平均值、最大值、最小值、标准差（StandardDeviation）等关键指标的计算。对于一个数据集，可以使用NumPy库的sum函数计算总和，mean函数计算平均值，max函数和min函数分别获取最大值和最小值，std函数计算标准差，Python代码如下。importnumpyasnpimportpandasaspd#创建数据集data=[10，20，30，40，50]#使用NumPy库进行统计运算print("总和：",np.sum(data))#输出：150print("平均值：",np.mean(data))#输出：30.0print("最大值：",np.max(data))#输出：50print("最小值：",np.min(data))#输出：10print("标准差：",np.std(data))#输出：14.142...#使用pandas库进行统计运算df=pd.DataFrame({'values':data})print("pandas总和：",df['values'].sum())#输出：150print("pandas平均值：",df['values'].mean())#输出：30.0实战三·逻辑运算使用Excel进行与运算1与运算找收藏率和加购率都大于15%的订单。Excel用=AND(收藏率>15%,加购率>15%)；图4-43使用Excel进行与运算实战三·逻辑运算使用PowerBI进行与运算1与运算在PowerBI添加自定义列输入AND条件，生成True/False标记列。图4-45生成的新数据列实战三·逻辑运算使用PowerBI逻辑运算·OR或2或运算在PowerQuery添加自定义列，用OR条件：收藏率>15%或加购率>15%，任一满足即标记。对比AND理解二者差异。图4-46添加自定义列"收藏率或加购率大于15%"图4-47生成的新数据列实战三·逻辑运算Python·逻辑运算与筛选1AND/OR条件筛选用&（AND）和|（OR）组合布尔条件，配合pandas布尔索引直接筛选符合条件的行，等价于Excel的AND/OR函数。importnumpyasnpimportpandasaspd#定义变量a=Trueb=Falsec=10d=20#与运算print("aandb的结果是：",aandb)#False，因为a和b中有一个为Falseprint("aandc的结果是：",aandc)#10，因为a和c都为真，返回最后一个真值#或运算print("aorb的结果是：",aorb)#True，因为a为Trueprint("borc的结果是：",borc)#10，因为b为False，返回c的值#非运算print("nota的结果是：",nota)#False，因为a为Trueprint("notb的结果是：",notb)#True，因为b为False#综合示例print("aandborc的结果是：",aandborc)#10，先计算aandb得到False，再与c进行或运算print("not(aandb)的结果是：",not(aandb))#True，先计算aandb得到False，再取反实战四·其他预处理PowerQuery·转置1转置导入销售表→转换数据。点转换→转置，列变行、行变列，把宽表转为长表，适配不同分析视角。图4-48单击"转置"按钮图4-49转置后的数据实战四·其他预处理PowerQuery·透视列2透视与逆透视选日期、商品名称、销售额三列。选中商品名称列→转换→透视列，值列选销售额，高级选项聚合选求和，得到每日每商品交叉表。图4-53"透视列"按钮图4-55数据透视表呈现结果实战四·其他预处理PowerQuery·逆透视列2透视与逆透视选中日期列→逆透视其他列，把透视后的商品列还原为行值，回到原始长表结构。图4-56选择"逆透视其他列"图4-57逆透视结果实战四·其他预处理PowerQuery·索引列3添加索引列添加列→索引列→从0开始，为每行生成唯一序号，便于追踪、排序和关联数据。图4-58添加索引列图4-59生成的索引列实战四·其他预处理PowerQuery·条件列4添加条件列添加列→条件列，设置规则：销售额>5000为高值，否则为低值，自动生成分类标签列。图4-60添加条件列图4-61生成的条件列实战四·其他预处理PowerQuery·追加查询5追加/合并查询主页→新建源→Excel工作簿，导入7月销售数据。再点主页→追加查询→将查询追加为新查询，选7月表，6月和7月明细纵向合并。图4-65执行"将查询追加为新查询"命令图4-67追加查询结果实战四·其他预处理PowerQuery·合并查询5追加/合并查询导入Sheet1(转化率)和Sheet2(收藏率加购率)。点主页→合并查询，按日期+商品名称+商品ID三键匹配，勾选两列，横向合并为一张表。图4-72合并两张表图4-75最终显示结果项目四·小结把"脏数据"变成可分析的干净数据数据清洗删重复·补缺失纠错误·格式化数据运算算术运算：SUM/AVERAGE等逻辑运算：与或非其他技术转置·透视·索引列条件列·追加合并项目五商业数据的分析目录01趋势分析02对比分析03频数分布分析04漏斗分析商业数据的分析学习目标01知识目标•掌握数据分析的基本概念、方法；•深入理解商业数据分析的应用场景，并能根据业务需求构建数据分析模型。02技能目标•具备独立收集、整理和分析商业数据的能力，并能结合具体的问题进行数据分析；•能够运用数据分析方法和技术解决实际问题，为业务决策制定提供有力支持。03素质目标•对商业数据分析的重要性有深入的认识，形成据驱动的决策思维；•培养细致入微的数据观察和分析能力，能够从数据中洞察商业趋势和潜在问题；•培养持续学习和探索新数据分析方法与技术的兴趣和习惯商业数据的分析导入案例案例“智汇分析”数据咨询公司，数据分析师每天都需要迎接来自不同行业的挑战。零售企业关心销售走势，品牌客户追问活动效果，电商平台想理解用户行为，互联网企业的产品团队则急于优化体验——每一个看似独特的商业问题背后，都对应一套成熟的数据分析思路与方法。面对具体的业务问题，如何选择恰当的数据分析思路与方法，并将冰冷的数字转化为有温度、可执行的业务建议，是数据分析师必须跨越的关键一步。Part01趋势分析趋势分析什么是趋势分析概念趋势分析是一种数据分析方法，旨在通过分析研究数据随时间的变化趋势，以揭示数据背后隐藏的规律、预测未来的发展方向，并为决策制定提供支持。它广泛应用于商业、金融、市场研究、科学研究等领域，帮助人们了解过去和现在的情况，从而预测未来可能的变化。趋势分析不仅关注数据的绝对数值，更强调数据随时间变化的相对趋势，如增长、下降、波动等。Part02对比分析对比分析什么是对比分析概念对比分析作为一种强大而实用的数据分析方法，通过对不同数据集或数据进行细致比较，帮助企业揭示业绩差异、市场变迁以及消费者行为模式的微妙变化。这种分析方法不仅能帮助企业清晰认识到自身在竞争环境中的定位，还能映照出竞争对手的策略优劣势，从而为制定精准的市场定位和竞争策略提供坚实的数据支持，助力企业在复杂多变的市场环境中做出科学决策。对比分析同比与环比怎么算同比与去年同期比消除季节因素，看真实增长公式：(本期−去年同期)÷去年同期例：今年销售额120万，去年同期100万同比=(120−100)÷100=20%环比与上一期比看最近一期的边际变化公式：(本期−上期)÷上期例：本月100万，上月90万环比=(100−90)÷90≈11.11%Part03频数分布分析频数分析什么是频数分析概念频数，也称为次数，是指变量的某个取值或类别在数据集中出现的次数。与频数相关的百分比数值称为频率，频率是某个取值或类别出现的次数与所有取值或类别总次数的比值。频数分析通过对变量的频数分布进行分析，来了解变量取值的状况及数据的分布特征。频数分布分析客群与消费长什么样统计各区间、各类别的出现次数与占比，找出出现最多的那一类（示意数据）客户年龄分布26–35岁占比48%主力客群是年轻职场人客单价分布101–200元区间占比36%消费集中在中档价位支付方式微信支付占比36%微信是首选支付渠道Part04漏斗分析漏斗分析什么是漏斗分析概念漏斗分析法以漏斗图可视化展示分析流程与数据结果，适合研判周期较长、流程规整、环节繁多的业务流程，典型应用涵盖网站、销售转化率等核心业务数据。漏斗图可直观体现各环节进出访问量、分步转化率与整体转化率，为业务研判提供完备的数据支撑。漏斗分析哪一步流失最多环节转化率浏览→加购：50%最大瓶颈加购→下单：70%下单→支付：60%优化重点：商品详情页与加购引导任务实施四个实战任务01趋势分析用Excel数据透视图生成折线图，观察美雅家居近五年销售额变化趋势。02对比分析用Excel公式计算同比增长率与环比增长率，量化各月销售变化幅度。03频数分析用AI辅助对50条购买记录做年龄、地点、金额、支付方式频数统计。04漏斗分析用PowerBI生成漏斗图，计算电商五环节转化率，定位最大瓶颈。实战一·趋势分析趋势分析·插入数据透视图1生成折线图打开1-趋势分析文件，选中Sheet1全部数据，点插入→数据透视图。在Sheet2字段列表中勾选年份和实际销售额，自动生成初始图表。单击"数据透视图"按钮选择字段实战一·趋势分析趋势分析·生成折线图2更改图表类型右键图表→更改图表类型→选折线图。右键标题改为美雅家居近五年销售趋势图。结论：2021-2024持续下滑，2024触底约1.38亿，2025显著回升。图5-3更改图表类型实战二·对比分析对比分析·同比增长率1同比=(本期-同期)/同期打开2-环比同比分析文件，D2输入=(C2-B2)/B2，拖动填充到D13。选中D列→右键→设置单元格格式→百分比。1月、3月、10月增长显著，春节和国庆促销带动。同比公式输入与填充实战二·对比分析对比分析·环比增长率2环比=(本期-上期)/上期切换到Sheet2，C2输入=(B3-B2)/B2，拖动填充到C13，设为百分比。3月、5-6月、10-12月增长显著；2月、4月、9月下滑，受假期和淡季影响。环比公式输入与填充实战三·频数分析频数分析·年龄段与城市1AI辅助频数统计打开AI对话工具，上传商品购买记录表（50条），输入提示词要求按年龄段分组、统计城市分布。结果：26-35岁为核心群体（48%），武汉订单居首。提示词请你扮演数据分析师，基于提供的商品购买记录表（字段包括用户ID、订单号、用户年龄、用户地点、消费金额（元）、支付方式，共50条记录），完成频数分析，目标是了解用户的基本特征、消费习惯及支付方式的分布情况。具体要求如下。①按年龄段分组统计频数（建议分组为18～25岁、26～35岁、36～45岁、46～55岁、56岁及以上），计算每组人数及占比（%）。②统计各城市（如北京、上海、广州等）的消费人数，按频数从高到低排序，列出前5个热门消费城市及对应频数、占比（%）。③按金额区间分组统计频数（建议分组为0～100元、101～200元、201～300元、301～400元、401元及以上），计算每组订单数及占比（%）。④统计“微信支付”“支付宝支付”“银行卡支付”3种方式的订单数，计算各自频数及占比（%），识别主流支付方式。⑤说明用户ID/订单号为唯一标识（无重复），频数均为1（可简要提及，无需详细列表）。输出要求如下。①格式：用表格呈现各字段频数统计结果（含分组、频数、占比），占比保留2位小数。②总结：用文字简述核心发现（如“主流年龄段”“热门消费城市”“高频消费区间”“主要支付方式”）。③数据呈现：仅需展示关键分组/城市的频数（如地点Top5、年龄分组全量），无须罗列全部50条原始数据。④将处理后的数据保存为Excel文件（文件名为“频数分析_处理结果.xlsx”）。请基于以上要求完成频数分析，确保逻辑清晰、数据准确。实战三·频数分析频数分析·年龄段与城市1AI辅助频数统计打开AI对话工具，上传商品购买记录表（50条），输入提示词要求按年龄段分组、统计城市分布。结果：26-35岁为核心群体（48%），武汉订单居首。年龄段频数统计城市分布频数Top5实战三·频数分析频数分析·消费金额与支付2消费区间与支付偏好继续用AI统计消费金额区间和支付方式分布。101-200元为高频带（36%），微信支付占36%居首，移动支付合计68%。消费金额区间分布支付方式频数统计实战四·漏斗分析漏斗分析·PowerBI操作1导入数据选漏斗图PowerBI从Excel导入4-漏斗分析数据。在可视化面板选漏斗图图标，字段栏拖入用户数量和转化率，自动生成漏斗图雏形。PowerBI导入数据选漏斗图拖入用户数量和转化率字段实战四·漏斗分析漏斗分析·结果与瓶颈定位2转化率与优化建议四环节转化率：访问→浏览80%良好；浏览→加购仅50%为最大瓶颈；加购→提交70%；提交→支付60%流失显著。优先优化详情页说服力和支付体验。漏斗图配置界面最终漏斗图结果项目五·小结用四类图表把数据变成洞察趋势分析折线图看方向对比分析同比环比看幅度频数分析条形图看分布漏斗分析漏斗图找瓶颈项目六商业数据的可视化目录01可视化基础02图表与应用03实战演练与素养学习目标01知识目标理解可视化的概念与目的掌握五类基础图表与应用了解常用工具与数据透视表熟悉商业看板与组合图表02技能目标能创建数据透视表并绘图能根据数据选择合适的图表会用Excel与PowerBI做分析能利用AI工具生成可视化报表03素质目标树立温度洞察与表达理念自觉抵制数据造假与片面解读培养数据审美与职业素养增强团队协作与沟通能力商业数据的可视化可视化基础Part01可视化基础概念数据可视化是利用计算机图形学和图像处理技术，将数据转换成图形或图像在屏幕上显示出来，并进行交互处理的方法和技术。本质：把抽象、复杂的数据转化为直观、形象的图形语言，让"数据会说话"。数据可视化不是简单的画图，而是一套"数据—图形—认知"的完整方法：它服务于简化呈现、挖掘规律、高效传递、支撑决策、动态监控五大目的。1.可视化的概念与目的简化呈现：把大量繁杂数据归纳为简洁图形，一眼看清业务全貌；挖掘规律：发现数据中隐藏的趋势、关联与异常，如销量季节性波动；高效传递：图形信息密度高、传播快，比文字表格更易理解；支撑决策：为经营判断提供直观依据，缩短决策时间；动态监控：实时图表持续监测业务变化，异常及时预警。2.可视化的五大目的可视化基础场景商业：销售看板、用户画像、市场与竞品分析；制造：工厂运行实时监控（如吉利湘潭工厂）；医疗：疾病预测与公共卫生防控（如重庆AI疾病预测）；交通物流：物流网络与运输调度优化（如京东物流）；社会治安：犯罪热点图辅助警力部署；文化传媒：舆情监测与内容传播分析。3.可视化的应用场景可视化基础工具开箱即用：OfficePLUS、GoogleSheets、ChartCube，无需编程；编程工具：Python（Matplotlib、pyecharts）、R、D3、ECharts，灵活强大；BI工具：PowerBI、Tableau，企业级交互式仪表板；本课程实战：Excel通用易上手，PowerBI做交互大屏，DeepSeek等AI工具自动生成HTML报表。4.常用可视化工具可视化基础3.构成类1.趋势类5.地图类4.分布类5.五类基础图表2.对比类趋势类看变化（柱/折线/面积），对比类看高低（双柱/双折线/双面/雷达），构成类看占比（饼/环/旭日/瀑布），分布类看相关（散点/气泡/词云/热力），地图看空间。可视化基础双柱形图：两组数据同类别直接比较（图6-24）；双折线图：两组数据时间趋势对比，如两产品销售额增长（图6-25）；双雷达图：多事物多维度优劣势分析（图6-26）；双环形图：嵌套展示两组构成及对比（图6-27）；柱形+折线：同图呈现绝对值与增长率（图6-28）；堆积柱形图：呈现构成比例（图6-29）。7.组合图表可视化基础柱状图：类别数值对比，如各品类销售额；折线图：时间序列趋势，如月度销售走势；饼图：构成占比，如市场份额；散点图：两变量相关关系，如价格与销量；雷达图：多维指标对比，如商品多属性评价。6.典型图表与应用可视化基础股价图：金融行情高低开收（图6-30）；箱形图：数据分布与离群值（图6-31）；曲面图：三维数据变化趋势（图6-32）；仪表盘图：完成率等单值指标（图6-33）；桑基图：流量流转与构成关系（图6-34）；水波图：达标进度可视化（图6-35）；还有词云图、热力图、树状图、旭日图等，按需选用。8.其他图表可视化基础12第一步看数据类型类别对比用柱状，时间序列用折线第二步看分析目的占比构成用饼图，相关关系用散点3第三步控制信息量一图一主题，过载则拆分或组合9.图表选择原则可视化基础45第四步保证可读性坐标轴、标签、配色清晰，字号合适，数据标签完整第五步忠于数据不夸大不误导，坐标轴不从非零开始，比例真实准确9.图表选择原则可视化基础图表与应用Part02图表与应用透视数据透视表：快速对大量明细数据进行分类汇总与分析；作用：按行、列、值多维度重组数据，动态汇总求和、计数、平均值；应用：商品品类销售额汇总、市场份额计算、月度坪效分析；透视结果可直接生成柱形图、饼图等可视化图表。10.数据透视表应用12第一步选中数据区域单击数据表任意单元格，插入→数据透视表第二步设置表/区域填写数据范围（如Sheet1!$A$1:$N$181），确定3第三步配置字段行/列/值拖入字段，完成多维汇总11.创建数据透视表图表与应用看板看板：把多张关键图表集中到一屏，全局掌握业务；核心指标：销售额、客单价、坪效、连带率、存销比等；图表选择：趋势配折线/面积，对比配柱/条，占比配饼/环；布局：按重要度排布，突出核心数字，统一配色与标注。12.商业看板制作图表与应用12第一步明确指标确定分析主题与核心指标，明确数据口径第二步选择图表按指标类型匹配图表，先单图再组合3第三步布局看板分区排布，核心指标居中或置顶13.看板制作步骤图表与应用45第四步美化与标注统一配色，标注标题、单位与数据来源第五步校验与迭代核对数据一致性，按反馈持续优化13.看板制作步骤图表与应用实战演练与素养Part03实战演练与素养任务任务：使用Excel、PowerBI及AI工具进行电商行业市场数据可视化；数据：家居市场商品数据.xlsx、家居用品市场竞争数据.xlsx；产出：行业市场数据可视化、竞争对手数据可视化；最终整合为数据看板"艾尚家居电商数据可视化大屏"。实战任务一第一步打开数据表：打开家居市场商品数据.xlsx，含品类、平均售价、浏览量等字段第二步创建数据透视表：插入→数据透视表，表/区域设为Sheet1!$A$1:$N$181第三步配置字段：行放商品品类，值放实际销售额（元）实战一Excel（一）品类销售可视化实战演练与素养12第一步插入柱形图选中透视表任意单元格，插入→柱形图第二步降序排列开始→排序和筛选，对实际销售额降序，自动同步图表3第三步美化保存标题"家居商品品类销售统计图"，11磅宋体加粗保存实战一Excel（一）2.生成柱形图实战演练与素养成果生成"家居商品品类销售统计图"（图6-41）：横轴为卫浴用品、床类家具、置物架、香薰用品、小家电、装饰用品等品类，纵轴为实际销售额；直观呈现各品类销售规模，识别畅销品类。实战一Excel（一）成果实战演练与素养12第一步插入饼图选中透视表任意单元格，插入→饼图第二步添加百分比标签勾选数据标签，设置窗格中勾选"百分比"3第三步降序美化销售额降序同步饼图，标题改"市场份额占比图"保存实战一Excel（一）3.市场份额饼图实战演练与素养成果饼图展示各品类市场份额（图6-43）：勾选"百分比"后标签以百分比显示，直观呈现品类结构；卫浴用品占比最高（约23%），床类家具约20%，香薰用品、小家电、装饰用品依次递减。实战一Excel市场份额饼图实战演练与素养第一步打开数据表：打开家居用品市场竞争数据.xlsx，含企业店铺、品类、销售额等字段第二步透视表并生成饼图：表/区域Sheet1!$A$1:$F$182，勾选企业店铺与销售额，插入饼图第三步降序美化：销售额降序同步饼图，标题"企业市场规模占比图"保存实战一Excel（二）竞争对手可视化实战演练与素养12第一步生成品类饼图透视表勾选企业店铺、品类、销售额，选中床类家具数据插入饼图第二步降序排列对床类家具销售数据降序，排序同步饼图3第三步标签美化勾选百分比标签，标题"床类家具品类企业市场规模占比图"实战一Excel（二）2.各产品品类占比实战演练与素养看板按图6-56美化图表并制作数据看板：整合家居商品品类销售统计图、市场份额占比图、竞争对手市场规模占比图；看板命名为"艾尚家居电商数据可视化大屏"，一屏掌握业务全貌。实战一Excel看板整合实战演练与素养12第一步打开数据表打开家居市场商品数据.xlsx，分析各品类近两年销售第二步生成柱形图数值绑实际销售额，分类绑商品品类，降序排列3第三步属性设置标题居中，显示数据标签，分类轴标签倾斜实战一PowerBI（一）行业市场可视化实战演练与素养12