Power BI案例-连锁糕点店数据集的仪表盘制作

简介: Power BI案例-连锁糕点店数据集的仪表盘制作

Power BI案例-连锁糕点店数据集的仪表盘制作


数据集描述


有一个数据集,包含四张工作簿,每个工作簿是一张表,其中可以销售表可以划分为事实表,产品表,日期表和门店表为维度表。

工作簿名称、字段含义和数据集的对应关系如下图:


数据集下载


设计思路

本案例整体设计思路如下:


1.拿到数据集先对案例背景进行介绍

2.再完成数据获取和整理阶段

3.然后对多张表进行数据建模,同时为新建列和度量值。新建列和度量值用power query也可以完成,但我们一般基于power pivot在数据建模阶段完成。

4.进行可视化。

fd40ba9f3489017122b19cb5ffe50397_fe7f03faae0b47cc8ac7ea9ec8aa1be7.png


案例背景

某连锁糕点是一个全国连锁糕点店,在全国共有22家店铺。主要制作并销售3类产品:


面包、饼干和饮料。

面包包括吐司面包、牛角面包和全麦面包三种,

饼干包括曲奇饼干和苏打饼干两种;

其代销的饮料包括可乐和果汁两种。


案例数据


各店的POS信息系统中提取并整理了门店数据、日期数据、产品数据和销售数据(2019年和2020年)。


案例目标


某连锁糕点连锁店希望利用Power BI的可视化分析功能,通过各店相关数据的横向纵向对比分析,找到存在的问题,发现新的销售增长点。


(参考文献中提到:本案例为纯模拟案例,非真实案例)


数据获取与整理

数据获取

打开Power BI

f08b7dd3487196773074f54cf6271fc9_95eb79465de04860b9b2ffe8ffb2f630.png


选择文件

72d15dfa56df38e0fbe6b18fe733a599_49795b1cef054b6589e18255e58b4a0d.png


选择打开

e3788fa3385eea702cb4e328c0bd789b_a1bf67fb5bad4edf9ce171445f5c5877.png


选择加载,如果选择转换数据,会跳转到power query中。


数据整理

选择主页–转换数据–转换数据,:

fab9b618994f5286e527d9a888f296f4_39a99cd0b6c84f75b76da63055f00bcc.png


进入到Power BI的Power Query页面。


目标1:日期类型转为文本类型

Power Query中整理数据日期表中“年”和“月”的字段类型需将其调整为文本型,与原表类型一致。日期类型调整为日期类型

选择日期表,查看如下:

ba8ce764277786e7de875f0974a783bc_da53833fd3b4410e9b0f7a61fa49e2c0.png


需要说明的是,原始数据的年和月与这里的不同,excel中的数据如下:

2a374b9c8c265307e45d9711dae32e14_b72c048e37cd447097e577c42206927f.png


Power BI会根据字段类型,自动补全,比如把2019年补充为2019年1月1日,把1月补充为2023年1月1日。这时需要我们把年和月的字段修改为文本。

84d0826b7b2dc3ebca2ea9d596c44801_81f64689c0f24debb6461b0bcd39e823.png


选择替换当前类型

5c792d4e0e34621ce9d6dbd9f91d63c6_eeb12019301e42f2b2b648a947fa5cf3.png


即可把年的日期类型替换为文本类型

8c76079ba93857285e295671d85a6bc8_30e26f4567b94bbab60735b434bec37f.png


再修改月的字段为文本类型,如下

8d0246052150b103a29635fefc2a30e3_b35d0cfc5634422597df1e57a623f959.png


目标2:添加月排序依据

“月”字段默认是按文本排序的,顺序不正确的本案例需将“月”字段复制一份,然后将数据中的“月”字拆分掉,只保留整数部分作为月份排序的依据.

ae141ea09638e1be5f7e593dcb27f0ba_ee1527fec4b04ca7873485a5f74773ed.png



选择月–选择添加列–选择重复列

4527f2b7aa76a323f5711f7fc023d207_360ca8c72df34c6cacac86d7be91c8b7.png


生成如下

59d3b4d9db9ad07584a851b9a135d6f1_33dba6a4d75c43768e1884c1e01d962c.png


选择月列–选择转换–选择拆分列–选择字符数。

46a61973277fb90c42720ee37670e781_3e76403c267b4e07a9f80e90dc630379.png


输入字符1,选择尽可能靠右,选择确定

27907c113041cab3e94ff1a9f6a71c52_b3cc6b45cbe7426d9b499d85a34fa63c.png


拆分如下

1f1455b44966ba238e710f6992b60480_fc67911ad2aa43d98d0d7a96537e598c.png


删除月-复制.2 列 把 月-复制.1的名字修改为月排序依据,目前日期表的字段如下

99706dd8e687972ec1eb3533f9185e6e_5d75efb16803406dbdd767d35adce61e.png


目标3: 删除空行和错误

选择日期表–主页–删除行–再依次选择删除空行和删除错误

9095a0a67747cbf9a13203a15e780e0b_3d23fe5489c144158a893dd1e4743154.png


删除后如下:

cf07c7fd71580006247c0ec9b78fcc11_0a3fa5b1f7d54372ac480007331a1b42.png


应用以上的数据整理

43eaaea18e785a52d3498008a4e05ff7_1bc29170d8ca4250a89a8f8dc56aafc1.png


数据建模

目标1: 完成事实和维度表的关联

本案例数据建模是建立维度表(产品表、日期表、门店表)和事实表(销售表)之间的关联;产品表通过“产品ID”与销售表自动关联;门店表通过“店铺ID” 与销售表自动关联;日期表通过“日期” 与销售表中的“订单日期”对应;

f3446266e75000684ed805028ab1ce12_23cecf6cecc446d2b3febb68a455eb26.png

image.png


选择日期表–选择主页–选择管理关系–选择新建–选择日期表选择日期字段–选择销售表选择订单日期字段–选择确定。

ecd782cfaea2c30d2ef34a92f49cf43d_d7f0de6cc3654b49bcf0f78f3141211a.png


返回如下

890ae227c722720d0a16716e30f28a46_05e4b85962704f66a907300e44f5e3da.png


点击关闭,关联完成

2c1c1ce8faa9156b0ebf58e47c0b305e_34ea562e314745fb85ee8ac05698e12b.png


目标2:新建列

为销售表新建列(字段),单价和金额;

DAX(Data Analysis Expression,数据分析表达式)


单价=RELATED(‘产品表’[单价])

金额=‘销售表’[数量]*‘销售表’[单价]


新建单价列

2ed822597047bd19758904e605698df6_06493ec750da4fe2a56cd6d82823aabb.png


新建金额列


3e3f9d0e10baf7b7eef390e0a524f9bf_59191f16dff14092973d7821c59b4c8e.png


目标3: 新建度量值

度量值:Power BI数据建模的灵魂;

数据分析的指标;

度量值不改变源数据,也不改变数据模型;

4个度量值:


销售金额=SUM(‘销售表’[金额])

销售数量=SUM(‘销售表’[数量])

营业店铺数量= DISTINCTCOUNT(‘销售表’[店铺ID])

单店平均销售额=[销售金额]/[营业店铺数量]

在这里插入图片描述


新建度量值和新建列的方式基本一样,新建销售金额度量值

1ce2e24ba7c183a203fd57fd53d760e9_1021fe65477e428f94169e3004a040a4.png


按照


销售金额=SUM(‘销售表’[金额])

销售数量=SUM(‘销售表’[数量])

营业店铺数量= DISTINCTCOUNT(‘销售表’[店铺ID])

单店平均销售额=[销售金额]/[营业店铺数量]


创建所有度量值,如下。


71fc06a86340ea4761ca90fd5dd6b6ab_4433fce29d8f4de98ab0c4fc40e2a4a7.png


数据可视化

目标1:插入图像,文本框,形状等

选择报表视图–选择插入–然后选择文本框,形状和图像。修改形状的演示,如下。

acba8e4de2673c339bf118526849b374_1d9b3047e5b649a28d5ad1dd7bce5464.png


目标2:卡片图 突出显示可视化分析的关键数据;

本案例:销售金额、销售数量、营业店铺数量、单店平均销售额;


添加销售金额卡片图

a24c0dd0974310e4d6cd7294e251da5e_77f8a82ab52e43bea544a40c449cb410.png


把销售金额拖入数据,然后点击卡片图,修改其标注中的文字和卡中的边框,位置如下:


01eed273de45d844da9eebfae276d02b_f77cf89dced54445803c7d67bffaf860.png

销售金额卡片图最终输出如下:


45606e2c5311ec795cd01d81c17a75cb_71565890c5dd4180b2393b9d1408f8fc.png

接下来创建销售数量、营业店铺数量、单店平均销售额卡片图,并把卡片图合在一起,如下:


252e58e66fe234aecbdbbea7d9ef5e72_e631cc80d8e34a65aa7e3ac39db62a2c.png

目标3:插入环形图

环形图就是中间挖空的饼图,它是依靠环形的长度来表达比例的大小;

本案例:在环形图中显示不同产品的销售金额占比情况;

d29b3207112e48ea4a231aadc61df963_22107fb99f60448d98d6d2fd67cd9ff1.png


目标4:插入条形图

条形图可利用条状的长度反映数据的差异,适用于多个项目的分类排名比较;

本案例:条形图中显示不同产品分类下销售额,并按销售额大小进行排序;

7c86181a0696252bdf49d57621679b07_257f472b9cc7474691277054ea9b9d34.png


目标5:插入折线图和簇状柱形图

折线图可以显示随时间变化的连续数据,非常适用于显示在相同时间间隔下的数据变化趋势;柱形图可以利用柱形的高度反映数据差异;

本案例:折线和簇状柱形图中显示不同月份的销售金额和销售数量

7586d63016d4de4f532ba1f888c88abf_4fa6ddc1e5f7437d9b59ac5eb34bf16b.png

这时月份的排序不好,我们按照月排序字段进行排序

8833f47aca1e7f5f30b5213a08850e78_0067c9e1f3fb45a58c373a3b1ac3cd30.png


然后再刷新下折线图和簇状柱形图就可以完成排序

bdd34df2f266a2524083bef73867b663_ab2cef2708af4a848a3369599d7c0151.png


目标6:插入气泡图

气泡图是一种特殊的散点图,主要通过横纵坐标值和气泡大小来展现数据的分布情况;

气泡图表现数据的维度多、图形美观、欣赏性强;

本案例:在气泡图中显示不同月份的销售金额和销售数量的动态变化情况。

32919e2a26fc36522ebc81702d18cfa7_30810cfb89fe4cd9be31ccaf3f1e636b.png


目标7:插入切片器

切片器是画布中的视觉筛选器,是报表中的一种可视化图形元素;

切片器本身不为了展示数据,而是作为展示数据时的各种维度选择本案例:

设置“年度”和“店铺名称”切片器;


485f542709fe5c65205ba559f4aca0d2_ce62d30be2c14997892561495992c51b.png


这里的店铺名称修改为了磁片显示


报表美化

排版布局;

设置格式;

主题风格;

相关文章
|
8天前
|
数据采集 数据可视化 数据挖掘
数据分析案例-BI工程师招聘岗位信息可视化分析
数据分析案例-BI工程师招聘岗位信息可视化分析
67 0
|
7月前
|
存储 数据可视化 数据挖掘
【数据可视化和BI技术】数据可视化和BI技术的原理、方法和工具,如Tableau、Power BI
【数据可视化和BI技术】数据可视化和BI技术的原理、方法和工具,如Tableau、Power BI
120 0
|
8天前
|
运维 分布式计算 DataWorks
DataWorks产品使用合集之dataworks为子账号创建DataWorks访问密钥的基本步骤如何解决
DataWorks作为一站式的数据开发与治理平台,提供了从数据采集、清洗、开发、调度、服务化、质量监控到安全管理的全套解决方案,帮助企业构建高效、规范、安全的大数据处理体系。以下是对DataWorks产品使用合集的概述,涵盖数据处理的各个环节。
31 0
|
6月前
|
SQL 数据可视化 前端开发
从探索式数据分析到现代 BI 仪表盘:Superset 2.0
从探索式数据分析到现代 BI 仪表盘:Superset 2.0
180 0
|
8天前
|
SQL 数据可视化 数据建模
大数据分析利器之Power BI,你是否已经掌握?
大数据分析利器之Power BI,你是否已经掌握?
59 0
|
8天前
|
数据建模 BI 数据处理
Power BI案例-医院数据集的仪表盘制作
Power BI案例-医院数据集的仪表盘制作
|
8天前
|
数据可视化 数据建模 数据挖掘
Power BI案例-连锁糕点店数据集的仪表盘制作
Power BI案例-连锁糕点店数据集的仪表盘制作
|
8天前
|
传感器 数据可视化 搜索推荐
瓴羊Quick BI助力深圳光明环境水务公司举办水务数据应用大会暨第二届“光环杯”BI应用大赛
瓴羊Quick BI助力深圳光明环境水务公司举办水务数据应用大会暨第二届“光环杯”BI应用大赛
|
8天前
|
BI
Quick BI V5.0发布:一键解锁智能小Q等全新智能商业分析能力
Quick BI V5.0发布:一键解锁智能小Q等全新智能商业分析能力
|
8天前
|
分布式计算 大数据 BI
MaxCompute产品使用合集之MaxCompute项目的数据是否可以被接入到阿里云的Quick BI中
MaxCompute作为一款全面的大数据处理平台,广泛应用于各类大数据分析、数据挖掘、BI及机器学习场景。掌握其核心功能、熟练操作流程、遵循最佳实践,可以帮助用户高效、安全地管理和利用海量数据。以下是一个关于MaxCompute产品使用的合集,涵盖了其核心功能、应用场景、操作流程以及最佳实践等内容。

热门文章

最新文章