quickbi使用总结以及问题反馈

简介: 本文总结了使用QuickBI高级版及电子表格的功能体验与改进建议。内容涵盖具体报表使用(如趋势分析表、多维趋势表)、函数及其他模块(如LOD函数、自助取数)、AI智能问数模块以及数据集使用的优缺点。指出趋势分析表在复合指标处理上的不足,多维趋势表对比周期限制,以及1万条明细数据限制对年同比的影响等问题。同时提出未来期望,希望建立结合企业知识库的大模型,优化数据分析与建议能力。

当前主要是通过使用高级版以及开通的电子表格对quickbi的使用总结:

一、具体报表的使用

1、趋势分析表

趋势分析表的功能是把关键的指标结合历史数据能展现在一张表里面,且内部的趋势线对比比较友好,但是也还存在一些不足。

问题1:对于复合指标的不友好

由分子/分母得到的新指标,例如下面笔单价或者某一个维度完成数量占整体占比等

下图数据集设置了笔单价新建字段,在趋势表里选择累计时,显示的2015年笔单价结果是17.6万,笔单价应该是销售额/订单数,是分子的累加/分母的累加,而不是分子/分母的结果的累加,那现在显示这种没有实际意义。

image.png

image.png

问题2、趋势分析表时间周期自定义可以更智能

           1、当前是需要自己一个个输入自定义字段,包括名称和时间,那是否能设置个类似趋势分析目标里面可以按模版上传,将模版设置好,自己填入对应的对比前后名称和时间段,然后自己上传,这样对于有多个对比时段的就比较友好。

           2、当前输入自定义字段里面时间字段,都是要输入具体的时间,那是否能设置个参数对应时间对比,比如我每天来就是要看滚动30天(这个自己可以按照参数来设定)跟去年同期的30天做对比。 image.png image.png


2、多维趋势表

多维趋势表的功能,主要是在趋势分析表里面找到问题,比如聚焦在某一个时间段里面指标出现了异常,这个时候通过多维趋势表可以从不同的维度来看数据,看数据主要是哪个维度出现了异常。

问题:当选择数据趋势线的时候,如果选择了对比维度,不能勾选对比周期,不能看他们趋势对比

image.png

image.png

3可以引进更全维度数据对比

数据除了需要趋势和多维度对比外,还需要能够有不同活动(或者项目)的数据前后的对比。当前交叉表有对应的活动数据对比,通过活动控件模版设置,可以满足不同活动之间数据对比,但是这个活动和时间需要手动一个个筛选,一个个的去比较那是否有一次性把多个活动对应活动前、活动后数据一次性展示出来呢?

image.png

比如下图示例里,活动1-活动4的开始时间都不一样,但是要能够放一起做对比,活动前X天(参数)跟活动后X天,各自表现如何,能一眼看出各活动大致效果(下表时间筛选可以认为是时间周期、如7天/30天等):

image.png

4、函数及其它模块

1)明细1万条限制的影响

当有使用到交叉表的时候,如果对应明细超过了1万条(加入按A指标从高到低排序),而这个时候数据也放出了年同比,那这里的年同比数据就可能会有缺失

如当前筛选2015年数据,那年同比会对比2014年数据,而当前quickbi是按照表的默认排序方式找到2015年前1万行明细,同样2014年也是按照当前默认拍序方式找到前1万行明细,那如果数据A在2015年是排在1万里面,而在2014年排在10001及之后,那这个年同比就会为空,对用报表会有误导。

image.png

image.png

2)如何实现帕累托累加

在tableau中有类似RUNNING_SUM函数实现逐层累加,虽然quickbi交叉表里有类似组内累加、整体累加等,但还是缺少这种逐层累加功能。当然这个在数仓层可以通过开窗函数加工好,但是产品层如果有更好。

3)lod函数使用

lod函数很强大,能够在基于已有明细基础上,汇总得到自己想要维度的汇总。但是也有些地方需要优化。

image.png

比如当前设置coalesce(LOD_FIXED{[类别],[子类别],[细分市场],[国家]:sum([销售额]):[订购日期] between '2014-01-01' and '2014-12-31'},0)

image.png

对应表数据如下(共25个国家)

image.png

交叉表共有30个国家(包含5个2014年没有购买记录的国家,但是它们2015年有购买):

image.png

亚太地区时有5个国家没有任何购买记录的,那上面有把lod函数设置的指标展示出来时,直接忽略掉了2014年没有购买的数据

 

4)指标字段分组可以更便捷

当前的指标字段分组,需要设置分组后,通过新建分组,然后将对应指标拖拉到对应分组下面即可,但是有时候拖拉的时候刷新,经常需要重新拉拽,那是否可以在指标字段设置那里,增加对应分组,在那里直接填写更方便。

image.png

image.png

5)自助取数(专业版有)

自助取数的初衷是什么,是为了取出更多的数据?如果1万条以内的数据那完全可以通过报表来获取,我理想中的自助取数是,你有多个数据集,有不同数据域,维度、度量都在上面,用户直接拖拉拽到表格中,然后底层能自动识别需要从哪些数据集获取,那就自动设置关联(或者用户可以预先设置,当真要用到时数据加工好),最后得到想要的数据。

如果就是针对单个数据集,只是能下载更多的数据量,那至少要提供一个入口,能让用户上传对应的模版(比如用户上传),通过上传的数据,能够快速导出对应当明细。当然,上面提到的上传入口不用在让用户到数据填报的地方,把数据上传,而是直接在自助取数表里面给上传入口设置,上传的数据能够自动去获取其他指标数据。

6)电子表格

电子表格能够实现类似excel里面编写函数及自由设置这点很友好但是唯一缺陷是限制了1万条数据,最多只能1明细进行分析处理这个很难时间数据处理特别有些还要年同比很多维度数据1万条明细太少。

二、AI智能问数模块

问数模块理解为是起步阶段,能够简单识别;

1、当前问数模块是能设置主题,那一个主题里面有多个数据集,问数的时候如果涉及到多个数据集的内容,能否通过模型去自动关联多个数据集的关系。这样能够跨数据集问数;

2、 能否设定一些模版,自己上传这些模版对应的sql代码,当有问到对应这些模版问题(类似)时,模型可以参照上传的sql,来输出对应数据; 3、智慧问答这个模块搭建的初衷是什么?当前也不能连接具体的数据集,那对于我们能自由使用AI去咨询的功能意义不是很大。

三、数据集的使用

1、数据集有时候数据量变大了,不好去变更,比如阿里云后台有限制代码跑数5分钟以后还没出结果就会报错,那对于以往搭建的数据集,在当时跑数还不需要5分钟,而随着时间的积累,数据量越来越大,后面想优化增加字段时候,就不好去变更了。

2、当前数据集是有加速功能,那对于一些很重要的报表,如果数据集加速失败了,是否能增加钉钉或者电话通知,让使用者能够及时知道并去修复。如果只有专业版才享有这功能,或者需要另外收费可以标出来,用户要不要自己选。

四、未来期望

希望通过结企业知识库,能够通过大模型学习知识,当然这里有数据准确性问题,是否可以结合反馈的不断去迭代,通过打分,哪里好和不好让模型能够去识别,并不断的去优化,最终能够通过数据给出总结和建议。

相关实践学习
DataV Board用户界面概览
本实验带领用户熟悉DataV Board这款可视化产品的用户界面
阿里云实时数仓实战 - 项目介绍及架构设计
课程简介 1)学习搭建一个数据仓库的过程,理解数据在整个数仓架构的从采集、存储、计算、输出、展示的整个业务流程。 2)整个数仓体系完全搭建在阿里云架构上,理解并学会运用各个服务组件,了解各个组件之间如何配合联动。 3 )前置知识要求   课程大纲 第一章 了解数据仓库概念 初步了解数据仓库是干什么的 第二章 按照企业开发的标准去搭建一个数据仓库 数据仓库的需求是什么 架构 怎么选型怎么购买服务器 第三章 数据生成模块 用户形成数据的一个准备 按照企业的标准,准备了十一张用户行为表 方便使用 第四章 采集模块的搭建 购买阿里云服务器 安装 JDK 安装 Flume 第五章 用户行为数据仓库 严格按照企业的标准开发 第六章 搭建业务数仓理论基础和对表的分类同步 第七章 业务数仓的搭建  业务行为数仓效果图  
相关文章
|
2月前
|
大数据 BI
《大模型时代的智能BI—Quick BI》评测获奖名单公布
《大模型时代的智能BI—Quick BI》评测获奖名单公布
121 0
|
2月前
|
SQL 数据可视化 BI
Quick BI产品测评:从数据连接到智能分析的全流程体验
瓴羊智能商业分析-Quick BI是阿里云旗下的云端智能BI平台,连续五年入选Gartner ABI魔力象限。它提供从数据接入到决策的全链路服务,支持零代码操作、40+可视化组件与OLAP分析,实现跨终端呈现。其创新点包括云原生架构、企业级安全体系及智能决策引擎,适用于零售、金融等行业。评测中,通过免费试用与官方文档,体验了数据准备、仪表板搭建及智能小Q功能,发现智能化能力强大但部分文档需更新优化。
358 60
|
3月前
|
Linux
linux命令详细说明以及案例
本文介绍了常用的 Linux 命令及其详细说明和示例,包括:`ls`(列出目录内容)、`cd`(更改目录)、`rm` 和 `mv`(删除与移动文件)、`grep`(搜索文本)、`cat`(显示文件内容)以及 `chmod`(更改文件权限)。每个命令均配有功能描述、选项说明及实际案例,帮助用户更好地掌握 Linux 命令的使用方法。
194 56
|
2月前
|
人工智能 Java 程序员
《通义灵码2.0 AI 程序员体验官招募》 获奖名单公布
《通义灵码2.0 AI 程序员体验官招募》 获奖名单公布
157 1
|
3月前
|
人工智能 监控 开发者
详解大模型应用可观测全链路
阿里云可观测解决方案从几个方面来尝试帮助使用 QwQ、Deepseek 的 LLM 应用开发者来满足领域化的可观测述求。
959 157
详解大模型应用可观测全链路
|
2月前
|
人工智能 供应链 数据可视化
数字化时代企业怎么做,Quick BI 告诉你
随着企业数字化转型的加速,数据对于企业的用途愈发重要。在过去,数据对于企业来说,可能只是代表过去的战绩,对未来的影响力,企业并没有发掘。而在数字化进程中,数据已成为企业发展的核心战略资产,通过多维赋能推动企业转型升级。数据不仅为精准决策提供科学依据,优化运营效率与资源配置,还能深度挖掘客户需求以驱动个性化服务创新;同时,数据驱动的业务模式重构了产品研发、供应链管理和市场预测体系,助力企业形成差异化竞争优势。
|
3月前
|
SQL 数据可视化 数据挖掘
Quick BI 评测报告
本文详细记录了对Quick BI的评测过程,涵盖从申请试用账号、准备测试数据到数据可视化分析及智能化体验的全流程。Quick BI作为一款领先的BI工具,支持通过拖拽等直观操作简化数据分析,并提供智能问数和智能搭建等功能提升用户体验。然而,在实际使用中也暴露出一些问题:试用申请流程繁琐、数据上传准确性待提高、部分功能需优化(如撤回机制缺失)以及发布前测试不足导致体验欠佳。建议增强数据处理能力、提升上传效率与准确率,并完善用户引导教程。总体而言,Quick BI虽具备强大功能,但仍需持续改进以更好地满足企业需求。
134 3
|
4月前
|
SQL 数据可视化 atlas
低空经济新基建!DataV Atlas 如何用大模型玩转空间数据?
阿里云DataV Atlas推出搭载通义千问最新2.5 Max大模型「时空SQL智能小助手」,通过自然语言生成专业SQL,简化空间数据分析流程,助力智慧农田、城市低空交通及应急调度等领域,推动精准决策和智能化管理。零门槛体验空间智能分析革命,开启“会思考的天空网络”新时代。
384 4
低空经济新基建!DataV Atlas 如何用大模型玩转空间数据?
|
2月前
|
运维 监控 数据可视化
产品测评 | 大模型时代下全场景数据消费平台的智能BI—Quick BI深度解析
Quick BI是阿里云旗下的全场景数据消费平台,助力企业实现数据驱动决策。用户可通过连接多种数据源(如本地文件、数据库等)进行数据分析,并借助智能小Q助手以对话形式查询数据或搭建报表。平台支持数据可视化、模板快速构建视图等功能,但目前存在不支持JSON格式文件、部分功能灵活性不足等问题。整体而言,Quick BI在数据分析与展示上表现出强大能力,适合业务类数据处理,未来可在智能化及运维场景支持上进一步优化。
|
5月前
|
存储 消息中间件 Kafka
聊一聊日志背后的抽象
本文从思考日志的本质开始,一览业界对日志使用的最佳实践,然后尝试给出分布式存储场景下对日志模块的需求抽象,最后是技术探索路上个人的一点点感悟。
469 81