《大数据分析与可视化高职》全套教学课件

业务数据分析

全流程1.1.1业务数据分析全流程.pptx1.1.2指标拆解流程.pptx1.2.1数据加工：拆分行列、行列转换、去重、去空值的方法.pptx1.2.2图表类型的选择.pptx2.1.1数据交互：钻取.pptx2.1.2数据交互：过滤组件.pptx2.2.1数据加工：分组汇总.pptx2.2.2数据交互：跳转、联动.pptx3.1.1数据表关联.pptx3.1.2过滤器.pptx3.2.1字符串截取函数.pptx3.2.2组件中去重计数的方法.pptx4.1.1组件的快速计算函数.pptx4.1.2帕累托图.pptx4.2.1数据表上下合并.pptx4.2.2参数传递机制.pptx全套可编辑PPT课件业务数据分析全流程洞悉业务背景目标现实差距使用工具自助分析数据准备数据处理仪表板分析数据共享

确定分析思路统计指标分析维度分析粒度取数来源验证决策效果计划执行检查处理

STEP01STEP02STEP03STEP04业务数据分析全流程：洞悉业务背景目标现实差距业务背景案例1作为该超市的负责人：我注意到我们超市在同区域的销售营业额排名偏低，且人均销售额较其他店面低30%。为了提升整体销售总额，我计划重点提高人均销售额。为此，数据分析师该如何进行分析，找出问题的根源并制定有效的策略呢？案例2在某日化公司的生产车间，由于业务量显著增长，领导层希望通过分析今年的故障数据来精准识别问题根源。这一举措旨在实现对员工的针对性培训与发展，进而优化生产流程，减少产品故障率，实现质量提升与生产效益的双赢。业务数据分析全流程：洞悉业务背景结构化思维把复杂庞大的业务问题分解成多种单一因素的过程。遵循原则：“相互独立，完全穷尽”对于重大的议题，能够做到不重叠、不遗漏的分类，能够借此有效把握问题核心，并成为有效解决问题的方法。业务数据分析全流程：确定分析思路业务数据分析全流程：确定分析思路

饮食问题运动问题作息不规律

营养不均衡工作日运动量少周末运动量少减肥一直没有成功业务数据分析全流程：确定分析思路内部销量

分析外部时间地区消费者政策

影响环境

影响地区C地区B地区A成本额销售额销售

单价业务数据分析全流程：确定分析思路统计指标分析维度分析工具在使用BI分析前，应该思考的问题分析粒度业务数据分析全流程：确定分析思路内部销量

分析外部时间地区消费者政策

影响环境

影响地区C地区B地区A成本额销售额销售

单价从核心论点出发，逐步定位到问题所在业务数据分析全流程：FineBI（分析工具）自助分析数据获取数据处理仪表板分析成果展现业务数据分析全流程：验证决策效果计划执行检查处理谢谢观看指标拆解流程有这样一个悲伤的故事……减肥进行时每天监控体重坚持每天运动饮食上控制现实是……

有指标有动作就是没有成效。这可如何是好？指标拆解理顺问题与业务发展的关系明确背后影响的关键指标分拆指标主要

目标确定解决方向关键结果找出核心指标减肥如何控制住体重解决锻炼问题合理的作息习惯体重指数

BMI指数健康早睡早起天数

对比减肥前有效锻炼天数

达标指标是否够分拆指标主要

目标确定解决方向关键结果找出核心指标减肥如何控制住体重解决锻炼问题合理的作息习惯体重指数

BMI指数健康早睡早起天数

对比减肥前有效锻炼天数

达标指标是否够指标要求：有参考有对比分拆指标主要

目标确定解决方向关键结果找出核心指标减肥如何控制住体重解决锻炼问题合理的作息习惯体重指数

BMI指数健康早睡早起天数

对比减肥前有效锻炼天数

达标指标是否够体重体脂率身高Keep的打卡次数每日锻炼时间30分钟以上锻炼的天数早起数早睡数睡眠时间指标拆解减肥情况检测总监测指标运动情况监测睡眠情况监测早睡早起天数熬夜数睡眠时间当月有效锻炼天数每日锻炼时间锻炼时间超过30分钟的天数BMI体脂率体重总指标细分零售销售分析利润销售额折扣率单价销售数量生产成本采购单价采购数量研发费用其他费用管理费用销售提成零售销售分析利润销售额折扣率单价销售数量生产成本采购单价采购数量研发费用其他费用管理费用销售提成目标指标层层拆解谢谢观看数据加工：拆分行列、行列转换、去重、去空值的方法数据处理方法01目录FineBI中数据加工案例演示02数据处理方法01数据清洗1.调整字段删除多余列：点击字段表头，下拉删除列，从而去除多余的数据列。转化字段类型：将不正确的不正确类型的字段调整为正确的字段类型。重命名、翻译字段：将一些不规范的字段名进行重命名。例如将英文字段转化为中文。数据清洗2.删除重复行利用去重功能，可以快速删除数据集中的重复行3.处理空值

null无意义：不造成影响，可以忽略或者删除空数据null有意义：不能删除也需要处理，可以用“新增公式列”或者“条件标签列”打标签做记号。4.处理字段可以使用新增列，根据业务需求进行自定义计算或添加辅助字段。调整数据结构1.拆分行列2.行转列3.列转行FineBI中数据处理案例演示02谢谢观看图表类型的选择表的选择01目录图的选择02表的选择01表的分类①明细表，用于展示明细数据，通常包含了大量的数据记录，可以用于进行分析、查询等操作。②分组表，由行维度和数值区域组成，没有列维度，按照行表头拖动的维度分组，对指标内的数据进行汇总统计。③交叉表，是由行维度、列维度、数值区域组成的较为复杂的表格。“行维度”一般在数据表的左侧，“列维度”在数据表的上部，行和列的交叉处即“数值区域”。可以让数据进行横向扩展和纵向扩展，支持从两个维度（变量）定位一个指标。图表的选择02FineBI数据分析图表图表类型图表名称柱形图普通柱形图甘特图堆积柱形图多系列柱形图百分比堆积柱形图瀑布图分区柱形图区间柱形图图表类型图表名称条形图普通条形图堆积条形图多系列条形图百分比堆积条形图平行条形图对比柱状图多系列百分比堆积条形图图表类型图表名称饼图环形饼图普通饼图多层饼图玫瑰图图表类型图表名称折线图普通折线图分区折线图多系列折线图维度对比折线图图表类型图表名称面积图普通面积图范围面积图堆积面积图百分比堆积面积图图表类型图表名称组合图双柱形图-折线图堆积柱形图-折线图柱形图-面积图面积图-折线图柱形图-折线图复杂图表图表类型图表名称散点图散点图多维度散点图图表类型图表名称仪表盘多指针仪表盘百分比仪表盘试管型仪表盘图表类型图表名称其他KPI指标卡雷达图聚合气泡图K线图插件BIEcharts图表集成插件箱形图桑基图文本图漏斗图迷你图热力区域图矩形块图颜色表格矩形树图词云图表类型图表名称创意图表日历图子弹图人口金字塔图图表的选择想展示什么？比较1占比类2趋势或关联35分布类4常用图表选择①比较类普通柱形图普通柱形图使用垂直柱子显示类别之间的数值比较。其中柱状图的一个轴显示正在比较的类别，而另一个轴代表对应的刻度值。特点：不适合对超过10个类别的数据进行比较，且分类标签过长时建议使用条形图。常用图表选择①比较类普通柱形图使用柱形图展示了不同年份的合同金额，形成对比常用图表选择①比较类对比柱形图对比柱形图使用正向和反向的柱子显示类别之间的数值比较。其中图表的一个轴显示正在比较的类别，而另一轴代表对应的刻度值。。特点：用于展示包含相反含义的数据的对比，若不是相反含义的建议使用分组柱形图。常用图表选择①比较类对比柱形图使用对比柱形图展示了各个学生两次的信息技术模拟成绩，形成对比。常用图表选择①比较类分区折线图分区折线图能将多个指标分隔开，反映事物随时间或有序类别而变化的趋势。特点：适合对比趋势，避免多个折线图交叉在一起。常用图表选择①比较类分区折线图使用分区折线图展示了两个城市同一段时间的风速走势，形成对比。常用图表选择①比较类雷达图雷达图又被叫做蜘蛛网图，它的每个变量都有一个从中心向外发射的轴线，所有的轴之间的夹角相等，同时每个轴有相同的刻度。特点：雷达图变量过多会降低图表的可阅读性，非常适合展示性能数据。常用图表选择①比较类雷达图使用雷达图展示了两款手机的主要性能，形成对比。常用图表选择①比较类词云词云是文本大数据可视化的重要方式，常用于将大量文本中的高频语句和词汇高亮展示，快速感知最突出的文字。常用于网站高频搜索字段的统计。特点：不适合数据量多的文本数据，也不适合数据区分度不大的数据处理。常用图表选择①比较类词云使用词云展示搜索关键词，搜索次数越多的关键词字体越大。常用图表选择①比较类聚合气泡图聚合气泡图中，维度定义各个气泡，度量定义气泡的大小、颜色。特点：不适合区分度不大的数据。常用图表选择①比较类聚合气泡图使用聚合气泡图展示各省招生人数，招生人数最多的江苏省气泡面积最大。常用图表选择①比较类南丁格尔玫瑰图南丁格尔玫瑰图的作用与柱形图类似，主要用于比较，数值大小映射到玫瑰图的半径。特点：数据比较相近时，不适合用饼图，而是适合用南丁格尔玫瑰图。常用图表选择①比较类南丁格尔玫瑰图回款金额的大小映射到每个省份的弧度和半径上，最终形成了玫瑰图。常用图表选择②占比类饼图饼图一般通过颜色区分类别，幅度的大小对比数据，并且可以展示各类别与整体之间的占比关系。特点：类别数量不能过多，且不适合区分度不大的数据。常用图表选择②占比类饼图使用饼图展示合同金额与回款金额占比，形成比较。常用图表选择②占比类矩形块图矩形块图适合展现具有层级关系的数据，能够直观体现同级之间的比较。父级节点嵌套子节点，每个节点分成不同面积大小的矩形，使用面积的大小来展示节点对应的属性。特点：非常适合带权的树形数据，对比各分类的大小关系以及相对于整体的占比关系。常用图表选择②占比类矩形块图使用矩形块图展示2011-2017年的合同金额情况，2016年的合同金额最大。常用图表选择②占比类多层饼图多层饼图指的是具有多个层级，且层级之间具有包含关系的饼状图表。多层饼图适合展示具有父子关系的复杂树形结构数据，如地理区域数据、公司上下层级、季度月份时间层级等等。特点：层级和类别都不能过多，过多导致切片过小干扰阅读。常用图表选择②占比类多层饼图使用多层饼图展示多个区域不同品牌的销售额。内圈不同颜色的弧度分别映射每个区域的销售额，外圈浅色切块代表该区域下不同品牌的销售额。常用图表选择②占比类仪表盘仪表盘设定目标值，然后用于展示速度、温度、进度、完成率、满意度等，很多情况下也用来表示占比。特点：只适合单个指标的数据展示。常用图表选择②占比类仪表盘使用仪表盘展示门店销售额占总销售额比重常用图表选择③趋势或关联折线图折线图非常方便来体现事物随时间或其他有序类别而变化的趋势。可分析多组数据随时间变化的相互作用和相互影响，从而可以总结获得一些结论和经验。可对比多组数据在同一个时间的大小。特点：折线数量不能过多，会导致图表可读性变差。常用图表选择③趋势或关联折线图使用折线图展示各种资源随时间变化趋势常用图表选择③趋势或关联范围面积图范围面积图用来展示持续性数据，可很好地表示趋势、累积、减少以及变化。特点：展示两个连续变量的差值的变化趋势。常用图表选择③趋势或关联范围面积图使用范围面积图展示访问次数和跳出次数的变化趋势，并通过面积的变化映射出两者差值量（非跳出次数）的变化趋势。常用图表选择③趋势或关联散点图散点图可以显示数据集群的形状，分析数据的分布。通过观察散点的分布，可以推断变量的相关性，在FineBI中可以通过数据拟合完成。特点：散点图在有比较多数据时，才能更好的体现数据分布。常用图表选择③趋势或关联散点图散点图完成后，可以通过拟合来分析数据的相关性。如上图可以看出，身高和体重大体上呈正相关，但相关性没有很强。常用图表选择③趋势或关联瀑布图瀑布图示加上或减去值时的累计汇总，通常用于分析一系列正值和负值对初始值（例如，净收入）的影响。特点：通过悬空的柱形图，可以更直观的展现数据的增减变化。常用图表选择③趋势或关联瀑布图使用瀑布图展示工资构成情况。常用图表选择④分布类散点图散点图可以显示数据集群的形状，分析数据的分布。通过观察散点的分布，推断变量的相关性。特点：散点图在有比较多数据时，才能更好的体现数据分布。常用图表选择④分布类散点图利用散点图和警戒线，可以看出身高和体重都超出平均的大多是男生。常用图表选择④分布类热力区域图热力区域图以特殊高亮的方式展示坐标范围内各个点的权重情况。特点：效果柔化，不适合精确的数据表达，主要用于看分布。常用图表选择④分布类热力区域图利用热力区域图展示每月24小时的气温分布。常用图表选择④分布类地图地图组件即使将数据反映在地理位置上，FineBI提供多种地图组件，包括热力地图、区域地图、流向地图、点地图等。特点：非常直观的观察不同区域的数据关系。常用图表选择④分布类地图利用地图展示各个城市的销售额，数值大小映射在点的面积上，销售额越多，点越大。常用图表选择④分布类漏斗图漏斗图又称倒三角图，漏斗图从上到下，有逻辑上的顺序关系，经常用于流程分析，比如分析哪个环节的流失率异常。特点：上下之间必须是有逻辑顺序关系的，若是无逻辑关系建议使用柱形图对比。常用图表选择④分布类漏斗图利用漏斗图展示从搜索到交易成功的人数变化，并定位对比每一步流失人数。谢谢观看数据交互：钻取什么是钻取？01目录钻取分类及用法02什么是钻取？01组件钻取在实际使用仪表板时，往往会先通过统计图表从宏观层面把握业务问题所在，再通过一个页面内的钻取联动逐级向下钻取，定位到具体的问题。比如用坐标轴图展现了各个省份的客户数量，点击具体某个省份的数据按各个城市下钻即可查看到该省份下的各个城市的客户数量，这就是钻取。钻取可以让用户在查看仪表板时动态改变维度的层次，是指将某特定分组数据按第二维度继续细化的方式。它包括向上钻取和向下钻取，通常指向下钻取即下钻。钻取分类及用法02组件钻取设置钻取顺序为”地区>一级渠道名>二级渠道名>三级渠道名”的钻取。组件钻取成功设置钻取后，用户也可以直接切换维度来查看不同钻取层级下的数据。组件钻取按钻取的设置方法，可以分为三种：地图钻取：在地图组件上进行钻取。日期钻取：对日期维度进行钻取，比如说实现【年-月-日】的下钻。普通钻取：除以上两种条件的所有钻取都是普通钻取情况。组件钻取：普通钻取1.将地区设置为钻取目录2.将各个渠道字段加入到地区钻取目录中/或者将渠道字段拖入到地区字段形成的钻取目录中组件钻取：普通钻取1.将地区设置为钻取目录2.将各个渠道字段加入到地区钻取目录中/或者将渠道字段拖入到地区字段形成的钻取目录中组件钻取：普通钻取钻取顺序固定不固定钻取顺序固定，表示在钻取的时候，固定按照钻取目录中的字段顺序钻取钻取顺序不固定，钻取时自定义选择下钻字段。组件钻取：普通钻取切换字段调整设置组件钻取：普通钻取设置上钻前提方法钻取顺序固定把钻取目录的顺序颠倒。下钻时目录上钻时目录组件钻取：普通钻取设置上钻组件钻取：日期钻取在以日期为维度统计查看数据时，有时需要进行时间年-月-日的钻取（下钻），获取更详细的信息。组件钻取：日期钻取1.复制日期维度两次2.分别重命名为“销售日期-年月”、“销售日期-年月日”，和原来的字段“销售日期”一起控制年、年月、年月日的钻取规则3.设置原来的字段“销售日期”为钻取目录4.再将新复制并重命名的“年月”、“年月日”拖入或者加入到钻取目录中组件钻取：日期钻取1.复制日期维度两次2.分别重命名为“销售日期-年月”、“销售日期-年月日”，和原来的字段“销售日期”一起控制年、年月、年月日的钻取规则3.设置原来的字段“销售日期”为钻取目录4.再将新复制并重命名的“年月”、“年月日”拖入或者加入到钻取目录中组件钻取：日期钻取切换字段设置设置分组组件钻取：地图钻取设置方法21使用范围在很多分析场景下，用户想要直观展示不同省份和地区的数据，分析不同省份和地区的数据情况，同时需要实现不同省份和地区对于某特定指标的程度进行区分。1.将相关的字段转换为“地理角色”。2.参照普通钻取将一级、次级钻取目录生成。谢谢观看数据交互：过滤组件过滤组件是什么？01目录过滤组件分类及用法02过滤组件是什么？01过滤组件是什么？想要在查看仪表板时，灵活改变要过滤的值以便适用不同的查看需求；或者需要同时对多个组件的数据内容进一步细化，就可以适用过滤组件进行过滤，在仪表板中获取直观的数据。FineBI中自带的过滤组件有时间过滤组件、文本过滤组件、数值过滤组件、树过滤组件、复合过滤组件、查询重置组件。移动端不支持复合过滤组件和查询重置组件。过滤组件分类及用法02时间过滤组件时间过滤组件只能对日期类型的字段进行过滤。时间过滤组件绑定字段设置可选区域设置控制范围文本过滤组件对文本字段进行筛选的需求

文本过滤组件绑定字段设置展示类型设置控制范围数值过滤组件对数值字段进行筛选的需求

数值过滤组件绑定字段设置展示类型设置控制范围树过滤组件树过滤组件指展示树形结构过滤数据的组件。通过树过滤组件可以展示有层级关系的字段数量较多时，树形结构也便于查找可能需要使用自循环列将数据处理成为层级关系展示树过滤组件树形结构过滤值

树过滤组件绑定字段设置展示类型设置控制范围复合过滤组件自由添加过滤条件，并且可以用「且或」的逻辑进行复杂过滤查询重置组件按钮功能描述查询统一触发查询：在一个仪表板中，当用户对所有过滤组件设置完毕后，点击查询按钮，仪表板会根据当前设置的过滤条件统一触发数据查询。重置重置恢复到默认过滤条件清空清空所有过滤组件已选的条件查询重置组件查询重置组件谢谢观看数据加工：分组汇总数据处理方法01目录FineBI中分组汇总案例演示02数据处理方法01数据分析分组汇总

可以根据指定的字段将数据集分成不同的组（如相同值一组、自定义分组、日期字段按年；年月分组等），并进行聚合计算，如求和、计数、平均值等。FineBI中分组汇总案例演示02谢谢观看数据交互：

跳转、联动跳转01目录联动02跳转01跳转0204010305跳转范围仅仅在仪表板界面功能支持多次跳转功能默认点击即可触发效果。功能除地图组件外，图表组件如未使用到指标字段，则不支持触发跳转。不支持跳转不支持设置跳转的组件有「过滤组件」、「文本组件」、「图片组件」、「web组件」。不支持跳转Tab组件本身不支持跳转，但是如果Tab组件拖入的组件设置了跳转，即支持跳转。不支持跳转跳转方式转到仪表板(分析模板)跳转到仪表板(网页链接)

跳转设置跳转设置设置跳转窗口窗口位置：新窗口对话框默认对话框全屏设置跳转窗口跳转参数的选择不勾选“自定义”勾选“自定义”

不选择源字段目标字段

设置字段设置跳转窗口跳转参数的选择不勾选“自定义”勾选“自定义”

不选择源字段目标字段

设置字段设置跳转窗口跳转参数的选择不勾选“自定义”勾选“自定义”

不选择源字段目标字段

设置字段删除跳转在跳转设置页面的“添加跳转”区域，选中原有跳转，删除即可联动02联动联动可实现点击一个组件，其他组件显示出相关数据。01联动的本质是组件之间的数据过滤。02联动设置只能在仪表板内部组件之间的联动。03联动同一张数据表：默认联动非同一张数据表：需要建立关联关系设置联动默认手动设置默认联动设置联动状态：

双向、单向单击要设置联动的组件进入联动设置勾选其他组件设置单向联动反之即可设置双向联动设置联动字段类型一致不能复用自定义的“依赖字段”字段类型需要一致，若不一致，标红提示，组件之间无法产生联动。联动组件之间对应依赖的字段不能重复使用。取消联动全部取消手动取消关闭默认联动清除所有联动进入设置联动状态单击要清除联动的组件将原有的联动单击清除取消联动全部取消手动取消关闭默认联动清除所有联动进入设置联动状态单击要清除联动的组件将原有的联动单击清除联动在不同组件作用范围1.明细表和文本组件只能被联动；2.过滤组件不能够实现联动；3.除地图组件外的其他图表组件，若未使用到指标字段，则点击图形不支持触发联动。联动注意事项同一个主联动组件只能传递一次过滤条件，即用户在该组件内不同区域触发的联动效果会互相替换。即主联动组件已经通过A指标进行联动，再次点击该组件的B指标，则之前点击A指标产生的联动过滤条件被替换。同一个被联动组件可以接收多次过滤条件，不同组件传递给被联动组件的过滤条件为“且”关系。若一个组件设置了两个或者两个以上的联动或者跳转，那么在点击该组件的时候，会出现多个提示。谢谢观看数据表关联一对一关联：精确匹配，双向唯一定位数据关系。一对一关联详解01目录多对多关联在数据库中灵活建模复杂关系。多对多关联探讨03通过一对多关联分析，深挖数据背后的复杂关系网络。一对多关联分析02一对一关联详解0101020304一对一关联确保数据完整性，如用户与其唯一身份认证信息，减少数据冗余，提升查询效率。一对一关联常通过外键约束实现，确保参照完整性，如员工ID作为员工档案表的外键。适用于主从关系明确且严格对应的数据模型，如用户与其偏好设置，确保数据一致性。一对一关联在数据量大时可能影响查询性能，需合理设计索引，如对用户ID建立索引加速查询。必要性分析实现方式应用场景性能考量一对一关联详解一对多关联分析02一对多关联分析1.一对多提升数据完整性一对多关联通过外键约束，确保数据间逻辑一致，减少孤立数据记录，提升数据完整性。2.优化查询性能合理设计一对多关联，利用索引和连接查询，可显著减少数据库查询时间，提升应用响应速度。3.减少数据冗余一对多关联允许数据在多个表中共享，避免重复存储相同信息，减少数据冗余，节省存储空间。4.增强数据可扩展性随着业务增长，一对多关联结构便于添加新属性或关联表，无需重构现有数据模型，增强系统可扩展性。多对多关联探讨03010203多对多关联探讨多对多关联允许数据表间灵活组合，如学生和课程关系，能表达复杂数据结构，提升数据库适应变化能力。多对多提高数据灵活性性能优化需索引支持多对多关联查询性能受影响，但通过合理索引设计，如关联表索引，能显著提升查询效率，减少响应时间。维护成本需注意多对多关联增加数据库设计复杂度，如更新或删除数据时需考虑关联表操作，提高了数据库维护成本。谢谢观看FineBI过滤器介绍FineBI过滤器概述01目录过滤器应用场景03过滤命令详细介绍02FineBI过滤器概述01FineBI过滤器概述1.过滤效率提升FineBI过滤器通过快速筛选数据，将分析时间缩短，显著提升效率。2.精准定位数据使用FineBI过滤器，企业可轻松从百万条数据中精准定位，辅助决策。3.增强用户体验FineBI过滤器的直观操作界面，让用户无需编程即可实现复杂筛选，增强数据分析体验。过滤命令详细介绍02使用'属于'与'不属于'过滤器，精准筛选特定值数据，如销售额>100万的订单，提升数据分析精度。属于&不属于利用'包含'与'不包含'功能，快速过滤产品描述含'环保'关键词的条目，用户筛选效率提升。包含&不包含过滤命令详细介绍使用'为空'与'非空'过滤器，筛选出所有该字段没有数据填写(即为空)的记录。为空&非空利用这两个功能，快速过滤用于寻找以特定字符串开始和不以此字符串开始的文本记录，或寻找以某段字符结束和未以某段字符结束文本内容。开头是&开头不是/结尾是&结尾不是过滤命令详细介绍使用'前N个'与'后N个'过滤器，获取按照排序结果处于最前面位置、如销售额最高或评分最高等方面前N名条目时使用此功能。如获取销售额排名前10的产品列表。前N个&后N个过滤命令详细介绍实际应用案例03过滤器应用场景1.电商平台高效筛选电商平台通过FineBI过滤器，筛选出销售额TOP10商品。2.财务报表精准定位使用FineBI过滤器筛选，快速锁定利润率超30%的产品，助力企业优化产品结构。3.HR绩效评估高效筛选HR部门借助FineBI，秒级筛选出绩效得分90分以上员工，提升激励措施精准度。谢谢观看字符串截取函数LEFT函数01目录MID函数03RIGHT函数02LEFT函数01LEFT函数-截取前几个字符语法LEFT(text,num_chars)根据指定的字符数返回文本串中的第一个或前几个字符参数1text包含需要选取字符的文本串或单元格引用参数2num_chars指定返回的字符串长度注意事项num_chars的值必须等于或大于0。如果num_chars大于整个文本的长度，LEFT函数将返回所有的文本。如果省略num_chars，则默认值为1。02RIGHT函数RIGHT函数-截取后几个字符语法RIGHT(text,num_chars)根据指定的字符数从右开始返回文本串中的最后一个或几个字符参数1text包含需要选取字符的文本串或单元格引用参数2num_chars指定返回的字符串长度注意事项如果num_chars大于文本串长度，RIGHT函数将返回整个文本。如果不指定num_chars，则默认值为1。03MID函数MID函数-返回指定位置字符串语法MID(text,start_num,num_chars)返回文本串中从指定位置开始的一定数目的字符，该数目由用户指定参数1text包含要提取字符的文本串参数2start_num文本中需要提取字符的起始位置。文本中第一个字符的start_num为1，依此类推参数3num_chars指定返回的字符串长度注意事项如果start_num大于文本长度，MID函数返回“”（空文本）。如果start_num小于文本长度，并且start_num加上num_chars大于文本长度，MID函数将从start_num指定的起始字符开始，返回直至文本末的所有字符。如果start_num小于1，MID函数返回错误信息*VALUE!。

如果num_chars是负数，MID函数返回错误信息*VALUE!。谢谢观看组件中去重计数的方法通过“记录数”字段实现01目录通过维度转指标实现03通过COUNTD_AGG函数实现02通过“记录数”字段实现0102通过COUNTD_AGG函数实现03通过维度转指标实现谢谢观看组件的快速计算函数快速计算函数的意义01目录TOTAL函数-计算所有值03ACC_SUM函数-计算累计值02快速计算函数的意义01在FineBI中，组件快速计算功能虽然能够提供包括累计值、所有值在内的多种快速计算结果，但仍然需要使用快速计算函数，这是因为快速计算函数提供了更灵活和精确的数据处理能力。例如，需要求出销售额累计占比，虽然组件的快速计算可以计算出累计值，但无法作为被除数参与运算，组件快速计算得出的所有值也无法作为除数，所以需要添加计算字段，使用快速计算函数构建累计值和所有值字段。快速计算函数的意义02ACC_SUM函数ACC_SUM函数-计算累计值语法ACC_SUM(x_agg(array),range)根据横纵轴或行列维度添加的字段对指标进行跨行累计的计算。参数1x_agg(array)第一个参数为用户计算的指标，该指标必须为聚合函数或聚合指标。参数2range第二个参数range为用户设置计算的范围0为对所有行进行累计1为对组内所有行进行累计。03TOTAL函数TOTAL函数-计算所有值语法total(x_agg(array),range,agg)根据横纵轴或行列维度添加的字段对指标进行跨行汇总的计算。参数1x_agg(array)第一个参数为用户计算的指标，该指标必须为聚合函数或聚合指标。参数2range第二个参数range为用户设置计算的范围，0为对所有行进行汇总，1为对组内所有行进行汇总。参数3agg第三个参数agg为汇总的计算规则，“sum”为求和；“avg”为求平均，“max”为求最大值，“min”为求最小值。注意事项第三个参数支持SUM、AVG、MAX、MIN，不区分大小写。谢谢观看帕累托图帕累托图基础认知01目录帕累托图作用和价值03帕累托图实现方式02帕累托图基础认知01帕累托图基础认知1.帕累托图的定义帕累托图又称ABC分类法、二八分析图或主次因素分析图，是用于帮助确认问题和对问题进行排序的一种常用的统计分析方法；也被称为“二八原理”，即80%的问题经常是由于20％的原因引起的，帮助人们快速识别最重要的问题原因。2.起源于经济学分析意大利著名经济学家帕累托（Pareto）提出了“关键的少数和无关紧要的多数的关系”，帕累托图源于帕累托的收入分配研究，他发现约20%的人拥有80%的财富，此概念后被广泛应用于管理科学。3.数据驱动决策工具通过帕累托图，企业能直观看到导致80%问题的20%原因，从而精准投入资源，实现效益最大化。关键要素与构成分析1.帕累托图:二八原则直观化帕累托图通过条形与累积百分比线，直观展示约20%因素造成80%影响，助力高效资源分配。2.帕累托图的构成：双轴+排序帕累托图由排序的条形图（左轴）与累积百分比线（右轴）组成，快速识别关键因素。分类的核心思想：少数项目贡献了大部分价值，根据事物在技术或经济方面的主要特征，进行分类排队，分清重点和一般，从而有区别地确定管理方式。它把被分析的对象分成A、B、C三类。A类物品非常重要：数量占比少，价值占比大B类物品比较重要：没有A类物品那么重要，介于A、C之间C类物品一般重要：数量占比大但价值占比很小分类的核心思想帕累托图实现方式02帕累托图的实现过程包括数据准备、特征因素排序、计算累计频率百分比、ABC划分、输出核心特征因素信息。以下是具体介绍：数据准备：收集数据，这可以是实际的业务数据，如销售数据、质量缺陷数据等。特征因素排序：对数据中的各特征因素按照其影响程度（如频数）进行排序，通常是从大到小排列。计算累计频率百分比：计算每个特征因素的累计频率百分比，这有助于后续确定哪些是造成主要影响的因素。ABC划分：在累计频率百分比曲线上找到第一个超过80%的点，这个点左侧的因素被认为是关键的少数，即A类因素，找到90%的点，80%点的右侧，90%点的左侧为B类因素，其他为C类因素。输出核心特征因素信息：A类因素就是需要优先关注和改进的核心问题。帕累托图实现方式帕累托图作用和价值03010203帕累托图作用和价值通过识别并区分关键因素（A类