第二季度结束了，半年也过去了，又要给一向雷厉风行的领导出销售数据签单和回款的数据分析报告，眼看着还有三天，需求紧急，小编也不敢懈怠。

找信息部导了上两个季度以及去年一年的excel数据，脑子第一个想到的是怎们构建表格，同比、环比、回款率，用excel做几张表，打印完事。转身倒了一杯水，一想不对，第一季度给领导汇报的时候，给了领导一份10页的纸质报告，领导甩了一句“当我批卷子呐，不合格”怼了回来，虽然没让重做，但总归是惹得不开心。

后来跟着信息部门的哥们学了两周的Python，小编大学里学了一点编程，再加上很多代码的逻辑类似于Excel的函数，好说歹说算是入了门，同时也学习了数据分析的一点思路。

按照粗浅的数据分析思路：

1、首先明确领导关注哪些数据和指标

之前想的同比、环比、回款率，其实每次月末汇报的时候都讲过了，按照这样的逻辑，季度汇报无非是把过去三个月汇总在一起，再算一下累积的数据，确实枯燥不直观。

于是我前一天有意无意地试探了下领导，除了常规的总比环比汇总数据，还想关注哪些信息。领导透露口风，“每个区域的销售和回款数据如何，回款率高低可以给个排名不，哪一季度份额最大，我们公司历年整体的销售情况是怎样等等，好让我知道汇款低了怎么回事，哪个区域表现最佳？”

2、用可视化的方式替代传统表格

这一点小编我尝到过甜头，上季度那10页报告被怼之后，我又用PPT做了一份汇报，引用各种图表，才幸免于难。

所以这一次可以升级一下，是不是用Python或者其他数据分析工具露一手，也算一次项目实践。

于是，我找信息部门的同事导来几份数据，但是由于有多年历史数据需要分析，csv文件导出大概有100多兆，试着用excel看看，一打开直接挂了。。。正无限在响应中。

算了，这么大的数据量，正好用回Python。

关于Python,同在数据分析领域的同学可能都不陌生，我们经常会使用Python提供的numpy、pandas、matplotlib等第三方库来对数据进行计算处理，同时最终生成所需要的可视化报告。

Python语言简明便捷的特性对小编还是非常有吸引力的，空想不如行动，为了快速出成果，直接开干。

一、Python数据分析可视化过程

1.DataFrame数据类型转换

首先是导入本次分析所需要使用的matplib、pandas、datetime、pylab这几个数据处理以及可视化相关的库，指定mpl的默认字体（否则图表可能会出现中文乱码问题）。接着导入销售合同明细数据表以及销售回款数据表，然后根据合同ID进行左拼接，得到结果转成DataFrame类型格式方便后续的数据计算以及可视化分析处理。

# 导入所需要的库import matplotlib.pyplot as pltimport pandas as pdimport datetimefrom pylab import mplmpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体：解决plot不能显示中文问题mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题pdcsv1=pd.read_csv('D:/DEMO/demo_contract.csv',encoding='gb2312') #导入销售合同明细表数据pdcsv2=pd.read_csv('D:/DEMO/demo_capital_return.csv',encoding='gb2312') #导入销售回款明细表数据pdcsv=pd.merge(pdcsv1,pdcsv2,how='left',on=['合同ID','合同ID']) #将销售合同明细表和销售回款明细表数据进行拼接df = pd.DataFrame(pdcsv) #转为DataFrame格式方便进行数据处理

2.时间类型转换

接着通过datatime类提供的转换方法，对合同签约时间进行格式化，分别取出签约年份、签约季度、签约月份字段，方便从不同的统计口径来观察和分析销售的签单数据和回款数据。

i=0 #遍历计数器for a in df['合同签约时间']:df.set_value(i, '签约年份',int(datetime.datetime.strptime(a,'%Y-%m-%d %H:%M:%S.0').strftime('%Y'))) #格式化合同签约字段，取出合同签约年份i=i+1i=0for a in df['合同签约时间']:df.set_value(i, '签约季度',(str((int(datetime.datetime.strptime(a,'%Y-%m-%d %H:%M:%S.0').strftime('%m'))-1)//3+1))+'季度') #格式化合同签约字段，取出合同签约季度i=i+1i=0for a in df['合同签约时间']:df.set_value(i, '签约月份',int(datetime.datetime.strptime(a,'%Y-%m-%d %H:%M:%S.0').strftime('%m'))) #格式化合同签约字段，取出合同签约月份i=i+1

3.分组统计&&图表绘制

最后分别按照签约年份、签约季度、签约月份来对销售的签单金额以及回款金额进行分组统计，设置好相关图形统计标题、坐标轴标题、图例等属性，规划好绘图排版区域，并且以折线图、饼图、对比柱状图的形式进行数据可视化呈现。

df.to_csv('D:/DEMO/join.csv',encoding='gb2312') #合并明细数据导出为csv文件数据存储dfgp1=(df['总金额']/10000.0).groupby(df['签约年份']).sum() #年度总签单金额分组统计，并且单位转为万dfgp2=(df['付款金额']/10000.0).groupby(df['签约年份']).sum() #年度付款总额分组统计，并且单位转为万plt.subplot(2,2,1) #限定绘图区域为左上方plt.ylabel('总金额（万）')#显示y轴名称plt.title('各年度签单总金额走势')#显示统计标题dfgp1.plot.line(label='签单金额') #年度总签单金额绘图dfgp2.plot.line(label='回款金额') #年度付款总额绘折线图plt.legend()#显示图例dfgp=df.groupby(df['签约季度'])['付款金额'].sum().reset_index() #各季度付款金额分组统计plt.subplot(2,2,2)#限定绘图区域为左上方plt.title('各季度回款金额分布')#显示统计标题plt.pie(dfgp['付款金额'],labels=dfgp['签约季度'],autopct='%1.1f%%')#各季度付款金额绘制饼图dfgp=df.groupby(['签约月份'])['总金额','付款金额'].sum().reset_index()#各月度签单&&回款分组统计dfgp['总金额']=dfgp['总金额']/10000 #并且单位转为万dfgp['付款金额']=dfgp['付款金额']/10000 #并且单位转为万plt.subplot(3,1,3)#限定绘图区域为最下方plt.title('各月度签单合同金额&&回款金额对比')#显示统计标题plt.bar(dfgp['签约月份'],dfgp['总金额'],width=0.4,label='签单金额')#各月度签单&&回款分组统计绘制对比柱状图plt.bar(dfgp['签约月份']+0.4,dfgp['付款金额'],width=0.4,label='回款金额')#各月度签单&&回款分组统计绘制对比柱状图，0.4为宽度偏移量plt.ylabel('总金额（万）')#显示y轴名称plt.legend()#显示图例plt.show() # 出图

4.Python可视化成果展示

程序编译运行，各年度的签单总金额&&回款金额走势、各季度回款金额分布、各月度合同签单金额&&回款金额对比数据就都以可视化的形式直接呈现出来了，还是非常舒服的，给自己默默点个赞~哼哧哼哧地准备明天过去给领导汇报我的可视化“战果”！

三、从Python到FineBI——数据可视化升级

跟领导汇报完毕之后，出来的可视化成果还是得到领导的一些认可的，将海量的数据以可视化图表的形式给领导直观地呈现了出来。

但是和我那信息化的哥们交流一番后，他觉得我的Python可视化“杰作”还存在一些问题，我也总结一下：

1.可视化图形界面是静态页面，没有动态的界面数据交互，如悬浮提示、图形联动、数据钻取、超链接跳转等等；

2.界面没有筛选器，无法切片呈现过滤部分数据；

3.领导看了已有数据之后，针对一些增长或者异常数据无法做进一步深入分析。

4.开发调试还是有一定周期的，说出来不怕大家笑话哈，我为了调这个Python页面耗费了我大半天时间。。。。

哥们建议我不妨用BI工具来实现，正好信息化采购了BI软件FineBI，之后也会和全公司像我一样的业务数据员推广学习，正好我来练练手。而且公司的数据报表需求非常多，一些部门也逐渐有了深度的数据分析的需求，确实非常迫切地需要一款能够真正多维深入地企业级数据分析工具来解决这些问题。

1.FineBI自助拖拽分析初版

到FineBI官网下载安装完毕之后发现这是一款提供给企业的B/S架构在线数据即席分析平台，除了能够方便企业信息部门制作传统企业的固定报表之外，还可以让不懂SQL/代码技术的小白快速上手拖拽式自助数据可视化分析。以下图为例，托拖拽拽，轻松帮我统计出了我们公司历年的销售金额以及回款金额数据......跟以前一行行代码调试Python程序比，简直不要太爽！

按照FineBI帮助文档，初步做出了以下的这个企业的销售&&回款分析页面，轻松地解决了领导之前反馈的Python数据可视化界面的一系列问题！

2.美化升级版

经过一番研究，发现FineBI还能够进一步提供给用户设置组件背景、仪表板背景等功能，于是乎我调出了以下的这一个美化升级版本~美滋滋！

3.领导汇报最终敲定版

另外参考了FineBI的一些内置demo，于是乎做出下图这个精美的销售管理中心驾驶舱，惊艳吧~嘿嘿，其实也不过是半个小时的鼠标操作功夫了，数据完全可视化呈现在领导面前。给领导汇报完毕之后，FineBI灵活的多维联动、钻取等OLAP分析的特性，备受领导的夸奖与喜爱！

以上就是我这次从Python到FineBI的数据分析可视化升级心得总结了，特地写出来给大家分享分享，能看到这里的同学都是真爱啦。

四、后记

当然，其实我所用到的也只是FineBI这款软件的冰山一角了，像以上的很多丰富的可视化图表也非常值得大家去使用和分析探索的，感兴趣的可以到FineBI官网参考帮助文档去了解试用啦，篇幅有限，由于时间关系暂时跟大家聊到这里了，欢迎大家共同多多交流。

BI商业智能，这个我安利过很多次。

作为当下最广泛使用的数据分析工具，它的好处实在太多啦：

对比Excel、Python、R，不用写代码，不用写SQL，降低了数据分析的准入门槛，小白上手毫不费劲。能快速响应报表需求，准备好数据，出张报表也就是1个小时的事，再不济当取数机器也是极佳的选择。数据挖掘可视化应有尽有，对比Excel，以及开发级的Echarts，简直良心便利，随时随地出报告，直接Pass掉PPT。……

什么BI分析工具好用？

这个还真不能一刀切下定论。

大家听得最多的莫过于Tableau、微软的Power BI，还有我经常推荐的FineBI。

这3款BI工具各自凭借着可视化、Excel的影响力、以及企业级广泛应用的优势，在市面上都闯出口碑了。而且功能和版本也都在不断更新。

所以，本文花了3天的功夫，整理了近万字的功能对比，看看这三个产品功能优势和差异究竟在哪里？

主要这样几个角度考量：

产品背景数据对接能力数据建模和数据加工数据可视化OLAP计算分析数据挖掘集成应用数据权限管控学习与技术服务一、产品背景

Tableau即公司名，是最早的一代自助式BI分析工具，一直以来最被人称赞的其可视化，能基于可视化做很多数据分析扩展。

Power BI是微软的，14年15年开始初见苗头，之前主要是基于Excel的高级功能，包括Power Query，Power Pivot，Power View和Power Map，后来作为Power BI集合推出。

FineBI源于帆软公司，帆软早期做报表软件，finereport很厉害，在商业领域。后来逐渐发展商业智能BI，目前最新版已迭代到 V5.0。

讲到产品就要谈谈其定位了，就像介绍人要说姓氏一样。Tableau更多定位是可视化分析的工具，所以可视化很突出。PowerBI有走Excel路子的趋势，发力个人用户，个人数据分析。FineBI更倾向于企业级应用的BI，很多功能都体现其企业级的基因。

二、数据对接能力

常规的文件数据如Excel、CSV、TXT等，三者都可以直接导入对接分析。

传统的数据库例如Oracle、SQLServer、MySQL这三款也都可以直接连接取数分析。

大数据平台方面，对于现今比较流行的大数据平台如Kylin、Derby、Gbase、ADS、Hbase、Mongodb，Power BI还不支持。这个Tableau、FineBI目前都有接口可以直接对接。FineBI还可以根据数据量以及并发情况选择直连或分布式连的对接方案。

多维数据库的连接，比如SAP BW、HANA、Essbase等数据仓库，PowerBI还不支持，这块Tableau可以直接连接，FineBI可以通过服务器数据集进行对接。

FineBI 数据连接

数据接口开发方面，在一些需要基于java定制的api程序数据集，PowerBI和Tableau都不支持进行对接，FineBI则可以进行对接，基于java api的程序数据集。不过这是国外产品的老子态了。

Power BI对于一些联机服务器数据源支持的比较好，面向分析，例如Google分析、appFigures等数据。

三、数据建模和数据加工

1、数据建模

首先，三者都是自助式BI，都是自动建模了，这是和传统BI的显著区别之一。打个比方，假设我们要抽取一个数据库的几张表的数据来分析，当导入表时会根据键自动关联，或者手动设置关联联系。

Tableau建立数据模型属于宽表模型，相当于是在原来元数据表的基础上根据新的关联关系再新生成一个结果集，之后的分析都是基于这个结果集来的，元数据发生变化，除非你手动更新，分析结果也不会有变化。

FineBI也是类似的原理，不过建立的骨架数据关联模型都是基于元数据的，元数据变化，分析结果也实时变化。

PowerBI的数据模型建立之后只能针对当前报表进行使用。且在数据源种类整合时，PowerBI无法对不同来源的数据进行实时整合建模，例如下图所示，PowerBI会自动禁用多个数据源的实时建模，需要将数据模式全部修改为抽取数据才可以进行整合关联建模。

其次，FineBI和PowerBI的数据模式都支持实时和抽取模式，但是抽取模式下，由于FineBI的采用的分布式架构引擎进行数据的列式存储（支持十亿大数据量），PowerBI的数据引擎在抽取模式下仅仅是将数据以行式储存方式导入，所以在面对海量大数据时FineBI比PowerBI计算速度更快、性能处理更加强大。另外在数据编码上，FineBI支持对数据进行多种编码类型转换，PowerBI对这方面的转换是不支持的。

2、数据加工

对于数据的清洗加工处理方面，PowerBI提供了一些可视化界面的操作选项，结合M语言和DAX函数，可以进行数据加工处理，但需要用户有一定的公式编码书写能力。

Tableau Desktop没有系统的数据加工功能，今年最新发布的Tableau prep对数据清洗和数据加工方面做了较大的弥补，从数据清理/调整、检查/筛选数据、联接/合并数据都拥有着比较体系的数据加工策略，可以无缝对接Tableau Desktop使用，不过需要同时安装Tableau Prep和Tableau DeskTop。整体数据工作流还是非常清晰、直观的。

FineBI对一些有关数据的加工处理功能，统称为“自助数据集”。包括过滤、分组汇总、新增列、合并表、自循环列（可以有树结构的数据进行分层等集团性企业）、行列转换等操作。都可以快速进行处理，且可视化无代码。

四、数据可视化

从图表丰富度和可视化报告制作能力来比较。

1、图表丰富度

可视化展现能力方面，Tableau最佳，FineBI次之，随后PowerBI。

Tableau除了常规的图表之外，还有盒须图、标靶图等和分析模型深度结合的图表。FineBI也不弱，常规图表都拥有，在数据地图方面，更是有流向地图、点地图等更实用的图表。PoweBI内置的图表种类相对较少，像玫瑰图、多层饼图、词云图、热力地图、流向地图等，需要进行市场图表拓展下载使用，图形属性方面还算丰富，可以由用户自定义进行图表样式属性的设置调节。

操作方面，FineBI和Tableau是大差不差的，都是基于著名的图形语法(The Grammar Of Graphics)设计，以“形状“和对应的“颜色“，“大小“，“提示“，“标签“等属性进行图表类型替代。

在分析区域有两个轴，横轴和纵轴，把所要分析的指标和维度拖拽到两个轴，就会自动出可视化图，图表也是根据分析情况自动给推荐的。

还支持用户将字段绑定到图表的颜色、大小、形状、标签等属性。这样一来图表的可视化展现能力也就更加丰富灵活了，我们可以通过数据——>图表属性的无限组合，尽情地进行数据可视化认知的探索和洞察。

Tableau界面

Power BI就是拖拽图表组件，选定数据的方式来展现。

2、Dashboard展现能力

再来看看3个工具的Dashboard展现能力。

PowerBI首届数据可视化大赛的冠军作品，指标合理呈现，布局直观简洁，秉承微软一贯的方块美。

FineBI的Dashboard，下图是其中内置的一个比较典型的驾驶舱demo，总体来说更加细腻，柱形图圆角、字体颜色、风格、展现形式等，图表还可以有一些闪烁动效。

Tableau的可视化更加丰富，有种信息图的感觉，布局也更加自由。

五、OLAP计算分析

从OLAP多维能力角度来看，3个工具都支持用户进行钻取、联动、切片、切块等分析操作。

计算分析能力方面Tableau和FineBI都支持用户进行排名、排序、过滤、同比、环比、方差、标准差、中位数等快速计算操作，但是在一些高级计算例如移动平均、四分位等分析计算场景，Tableau拥有者更加强大的计算分析能力。

FineBI的快速计算提供现成的同期/环期、同比/环比、排名、累计值、所有值、百分比计算等等，还挺方便的。

另外Tableau在一些需要进行高级计算的场景下，还支持与Matlab进行集成计算，使用 MATLAB 预处理数据，并将该数据保存到 Tableau 数据提取中以便进一步分析。

PowerBI大量的计算需要依靠DAX函数来进行运算，有种Excel函数既视感，其实一些常用的计算公式比如同期环期、同比环比像FineBI可以直接快速计算。

六、数据挖掘能力

FineBI最新版5.0增加了五类现成的数据挖掘算法，分别为时间序列、聚类、分类、回归和关联规则，还支持R语言的集成。时间序列算法和聚类算法还和图表分析相结合，拖拽操作即可立马看到预测和聚类的结果。

不考虑时序关联分析

多元线性回归

PowerBI目前在数据挖掘这方面没有成熟的分析模块，只是简单的集成了一个R语言的执行脚本组件供用户书写代码集成使用。

Tableau目前在数据挖掘内置时序分析预测、聚类算法，可进行简单数据挖掘计算处理（类似分类、关联分析、逻辑回归等算法则是没有的），同时也支持与R语言和Python集成以进行深度的数据挖掘分析。

七、集成应用能力

WEB级别的集成应用方面，Powe BI开放了丰富的接口供大家集成使用，还支持自定义开发集成第三方图标插件。Tableau和FineBI也有WEB接口，比如进行Iframe网页集成，但是无法进行代码级别的自定义图表开发集成。

在移动集成应用中，FineBI支持微信集成和钉钉集成，给当今便捷式社交平台的数据分析查看带来了较大的便利，这方面的应用PowerBI并不支持。

门户集成方面，FineBI开放了单点登录接口，这方面PowerBI暂未直接支持。

FineBI有专门的一个数据报表管理平台以及运维。

八、数据管控能力

数据的权限管控能力方面，PowerBI可以将做好的报表打包发布为组织内容包并且进行指定用户组分配查看权限，并且由管理员进行用户组的行级别权限分配，但是无法控制用户查看的列级别的权限粒度，Tableau也是一样。

这块是FineBI的优势，之前也在产品定位介绍中提到，FineBI是从企业级应用出身的一款BI，所以具有非常完善的数据权限管控能力。除了提供仪表板的权限分配之外，还能够针对不同部门/岗位/角色的人员进行行/列级别的数据权限管控，使得不同的人能够根据权限限制而只能看到自己的部分数据。另外在针对企业集团数据权限管控方面，FineBI提供了多级管控权限供用户进行多层权限分配，为数据权限管控提供了保障。

九、学习与技术服务

Power BI遵循着微软产品相似的理念、原则和体系结构，它也为Windows用户提供了一个简洁熟悉的操作界面，以帮助用户快速适用学习上手。但是，像其他软件一样，它也有其起伏，目前并不是非常成熟，商业选型必须仔细考虑。学习资料方面，关于PowerBI官方的学习资料基础文档还算健全，但是有部分内容是英文的，外部一些Excel社区都各自开了教学课程，但付费居多，这个全靠大家挖掘资料的功力。

Tableau本身是一款非常成熟的全球化商业软件，拥有着非常强大的数据可视化分析功能。学习资料方面，官网也有很多学习文档、案例、视频等资源供用户进行上手学习。相较而言，Tableau产品学习曲线相对要陡峭一些，因为更加适合有专业数据技术能力的数据分析师使用。国内主要是代理商提供项目实施和技术服务，本土化稍微弱一些。

FineBI由于是国内帆软的BI分析平台提供商，所以不论是基础的学习文档还是教学视频资料都比较丰富，另外还有着非常活跃的帆软中文社区供所有用户进行学习交流。技术服务方面，尤其是对于企业级别的用户，还会有专业的技术服务团队响应服务，在国内本土化服务做得相当不错。

最后关键的，价格。

Tableau个人版有15天免费试用版，过后收费。Power BI和FineBI个人使用都免费。

商业部署。Tableau光产品，Desktop+Sever，一套一人加税后是11万多，每增加一人多买一个桌面版，就是15000左右，公司体量如果在3、40套，预计得7、80万，不含定制实施和维护服务。Power BI是按设计用户和节点卖的，按年/按月收费。估计了一下，假设200个用户的企业，40个设计用户，1年收费是45万左右，也就是每年要付出这么多，还是比较贵的。FineBI据我了解是类似软件采购买断式的，价格按照功能模块还有并发数定，平均2、30万起，不算服务实施。但这一性价比也远超于前两者了

个人使用，两者都是免费的。PowerBI毕竟背靠Excel这座大山，和Excel配合使用，大家会普遍觉得习惯。而FineBI又是另一种扁平化的风格，很多计算公式，可视化特效都有现成的，更加自助些。大家不妨都下载试试。

最后

作为数据分析师，也是数据产品的爱好者，我呢喜欢把弄各种工具。Tableau的可视化很人性，个人使用就像是Excel透视表的升级版。Power BI除了M语言和DAX语言得心应手比较难，产品操作也都延续了Excel的思想。但是两者共通的毛病，面向企业的产品定制化以及庞杂的报表分析需求，不是特别友好（开发难度太大，报表制作还得依靠Excel）。但这却是国内大多数企业很普遍的需求，这一块不妨青睐于国内“符合国情”的BI工具FineBI。

所以�...

一提到数据分析，很多人可能脑海中可能会浮现出各式各样的数据画面。

比如下图所示，这样的中国式复杂报表在企业中经常被使用，精密的复杂表格样式中蕴含着国人庞大的数据信息量。

再比如这样的数据Dashboard可视化，通常应用于展示KPI业务指标，例如销售额、毛利率、利润率等等，数据的可视化呈现形式清晰直观。

再就是目前火热的不行的可视化大屏，比如下图所示的双11全球天猫狂欢节当日的实时交易统计大屏，除了清晰直观地展示企业核心的KPI指标之外，狂拽炫酷是它至关重要的特征。

大道至简的数据分析方法

但无论是以上的哪一种，无论数据如何变换，所有看似神秘的数据分析过程都可以归纳总结为各种“维度+度量”的组合分析。

维度用于描述事物的属性信息，例如统计各个地区的交易数量时，地区就是维度。

度量（指标）是可以量化统计的数值，例如统计各个地区的交易数量时，交易数量就是度量。但是需要注意的是并不一定所有的数值都是度量，例如学生的学号虽然是数值类型，但是其实它是维度而非度量。

如此一来，我们对数据分析有了从整体上的解释。但是实际应用中，我们并非盲目地去进行各种维度和度量的拼凑组合，而是希望得出的数据分析结果能够指引业务进行决策，终而形成业务闭环效果的。

根据我自身的一些数据分析项目经验，90%以上的基本数据分析问题都可以套用我总结的这七步完成（深入的数据分析需涉及描述性统计分析、相关性分析等专业的统计分析技能）：

数据分析必然需要借助工具，Excel、BI或者R和Python语言都可以帮助实现。

这里为了帮大家更快速地理解数据清洗建模和数据差异分析环节的内容，借助比较简单的BI工具FineBI，为大家进行一个销售数据分析实例，加深大家对数据建模和数据分析过程的理解。感兴趣的可以到官网下载，个人完全免费。

一、确定分析目标

这是分析前的第一步，我们需要明确进行数据分析的对象，也就是需要确定分析目标。

通常来说我们会选取最关心的核心KPI指标，例如电商行业的销量、销售额、利润，制造行业的次品率，互联网行业的用户留存率等等。

一般来说，分析目标不要过多，如果实在是需要同时分析多个关键核心业务KPI指标，那么我们便可以将这些核心指标分解给对应业务负责人，例如销售总监负责提升公司销售业绩，运营总监负责降低成本花费。

二、核心目标拆解

确定好分析目标之后，通常来说我们需要再对核心目标进行子目标分解，这也符合企业各团队分工协作的特性。

核心目标拆解的过程中需要遵循MECE原则，也就是“完全穷举，相互独立”。例如下图所示的电子商务数据分析指标体系，就分别从网站运营指标、经营环境指标、销售指标、营销活动指标、客户价值指标几个方面进行了详尽的拆解，然后交由各个团队进行分工达成。

三、数据清洗和业务建模

确立和分解好数据分析目标之后，下一步就可以进入到数据清洗和业务建模环节了。

数据清洗方面，很多人可能会想到国外传统的一些ETL工具，但是这类工具过于庞大和复杂，国内真正成功落地的案例很少。FineBI商业智能工具其实就提供了轻量级的ETL功能可供用户对数据进行计算和处理，鼠标点击和拖拽操作即可完成轻量的ETL数据处理过程。

业务建模方面，FineBI也是提供了根据不同业务主题分类建立业务包的功能，一般来说按照维度表和事实表建立好关联关系即可，这样一来就为前端的数据差异分析准备好了数据模型。

四、数据差异分析

终于到了数据差异分析这一步，这也是离发现问题原因和业务决策最近的一步。

所谓数据差异分析，自然是需要有差异，才能有分析。

例如今年某某企业7月份的销售额是600万，那么大家会觉得对于这个企业来说是好还是坏？如果只有这一个数据，自然是无所谓数据差异分析的。

如果这家企业的6月份的历史销售额是400万，那么7月份600万的销售额自然是非常好的了，可是如果这家企业的6月份历史销售额是800万，7月份600万的销售额明显是有问题的。

a.纵向对比

按照这个基础的数据差异分析逻辑，我们借助FineBI来初步分析一下某家企业今年各月度的销售额统计走势图：

如上图所示，通过纵向对比不难看出该企业在7月份销售额下降严重，环比6月份的企业销售额下降了22.47%，不是个好现象。老板看到这个数据自然会前来问责，说为什么7月份公司销售业绩下滑这么厉害。那么会是什么原因导致企业7月的销售业绩相对6月下滑这么多呢？我们需要更新一步地进行数据分析，以排查出导致产生问题的”真凶“。

b.横向对比

一般来说销售型企业都会在全国划分各个销售区域，那么这样一来我们除了对时间进行纵向对比之外，还可以结合销售大区维度进行横向比较，分析探索看看能不能发现一些问题。

果不其然，如上图所示，通过时间维度结合销售大区进行横向对比发现，企业的东南大区7月份的销售额相对6月份反而是增长的，看来问题主要出在北方区和中西区，特别是北方区7月份的销售业绩下滑更为严重，最终导致企业7月份总的销售额比6月份严重下滑。

数据分析的丰富度一定程度上依赖于分析工具的功能，比如Excel可能需要写VBA，R和Python需要写代码。

由于FineBI是一款商业智能工具，故而这边可以轻松通过其提供的OLAP联动分析功能，以更进一步的观察各个区域7月份的表现情况，直接点击饼图区域即可联动到月度销售额统计，非常方便。这边我们可以看出，中西区7月份销售额环比轻微下降17.86%，北方区下降严重到50.07%，而东南区则提高了6.06%，综合三个大区的总体销售状况，导致最终表现为7月份销售额环比下降了22.47%。

c.综合对比

上面分析了时间、区域维度相关的销售额结果统计，为了避免结论片面，我们尽量采用多维度的综合对比方式来观察数据，甚至可以是友商的销售情况对比进行差异分析（此处不单独举例说明）。

如上图所示，我们通过时间维度结合产品类型来进行销售额分析，观察7月份各个产品线的数据发现各个产品线在7月份销售额环比都是有所下降的，这说明企业7月份销售额下降和产品种类本身是没有关系的。

五、发现问题原因

综合北方区域和中西区域导致7月份销售额环比下降的各种影响因素，最终发现是由于6、7月份北方区域降雨严重，导致物流周转严重滞后，库存商品无法及时供应，最终导致北方区域7月份销售业绩严重下滑了50.07%。而中西区域本身仓库比较小，按照之前各区域商品物流周转的设计，中西区域的本土供应的差额商品主要是由北方区域供应，但是北方区域由于严重的降雨导致物流周转严重滞后，进而导致中西区域7月份销售业绩也同比下滑了17.86%。

六、制定业务决策

通过结合FineBI工具的OLAP多维数据综合分析方法成功定位到问题原因之后，企业及时调整仓库商品物流周转策略，北方区域物流模式调整为水运，同时将东南区域的部分商品通过物流周转到中西区域。

七、评估决策效果

企业领导决策层8月份通过及时调整北方区域和中西区域的物流策略，北方区域物流模式调整为水运，东南区域的部分商品通过物流周转到中西区域，补充了北方区域和中西区域的库存商品周转。最终8月份企业的总体销售额达到了943万，环比7月销售额提高到了37.32%。

后记

随着信息化的飞速发展，大数据产业呈指数式增长。在我们不断地积累着企业的历史数据的同时，如何利用和分析好这些数据，真正利用大数据分析驱动企业的业务增长也成为了一个很重要的难题。希望本文给大家分享的数据分析方法，结合FineBI商业智能分析工具的OLAP多维分析能力，能够让大家下次在面对企业业务数据分析时不再迷惑，做到步步为营，让数据分析真正释放出潜能，驱动业务快速增长，形成数据和业务之间的闭环

转载自百家号作者：数据分析不是个事儿

BI商业智能，这个我安利过很多次。

作为当下最广泛使用的数据分析工具，它的好处实在太多啦：

对比Excel、Python、R，不用写代码，不用写SQL，降低了数据分析的准入门槛，小白上手毫不费劲。能快速响应报表需求，准备好数据，出张报表也就是1个小时的事，再不济当取数机器也是极佳的选择。数据挖掘可视化应有尽有，对比Excel，以及开发级的Echarts，简直良心便利，随时随地出报告，直接Pass掉PPT。……

什么BI分析工具好用？

这个还真不能一刀切下定论。

大家听得最多的莫过于Tableau、微软的Power BI，还有我经常推荐的FineBI。

这3款BI工具各自凭借着可视化、Excel的影响力、以及企业级广泛应用的优势，在市面上都闯出口碑了。而且功能和版本也都在不断更新。

所以，本文花了3天的功夫，整理了近万字的功能对比，看看这三个产品功能优势和差异究竟在哪里？

主要这样几个角度考量：

产品背景数据对接能力数据建模和数据加工数据可视化OLAP计算分析数据挖掘集成应用数据权限管控学习与技术服务一、产品背景

Tableau即公司名，是最早的一代自助式BI分析工具，一直以来最被人称赞的其可视化，能基于可视化做很多数据分析扩展。

Power BI是微软的，14年15年开始初见苗头，之前主要是基于Excel的高级功能，包括Power Query，Power Pivot，Power View和Power Map，后来作为Power BI集合推出。

FineBI源于帆软公司，帆软早期做报表软件，finereport很厉害，在商业领域。后来逐渐发展商业智能BI，目前最新版已迭代到 V5.0。

讲到产品就要谈谈其定位了，就像介绍人要说姓氏一样。Tableau更多定位是可视化分析的工具，所以可视化很突出。PowerBI有走Excel路子的趋势，发力个人用户，个人数据分析。FineBI更倾向于企业级应用的BI，很多功能都体现其企业级的基因。

二、数据对接能力

常规的文件数据如Excel、CSV、TXT等，三者都可以直接导入对接分析。

传统的数据库例如Oracle、SQLServer、MySQL这三款也都可以直接连接取数分析。

大数据平台方面，对于现今比较流行的大数据平台如Kylin、Derby、Gbase、ADS、Hbase、Mongodb，Power BI还不支持。这个Tableau、FineBI目前都有接口可以直接对接。FineBI还可以根据数据量以及并发情况选择直连或分布式连的对接方案。

多维数据库的连接，比如SAP BW、HANA、Essbase等数据仓库，PowerBI还不支持，这块Tableau可以直接连接，FineBI可以通过服务器数据集进行对接。

FineBI 数据连接

数据接口开发方面，在一些需要基于java定制的api程序数据集，PowerBI和Tableau都不支持进行对接，FineBI则可以进行对接，基于java api的程序数据集。不过这是国外产品的老子态了。

Power BI对于一些联机服务器数据源支持的比较好，面向分析，例如Google分析、appFigures等数据。

三、数据建模和数据加工

1、数据建模

首先，三者都是自助式BI，都是自动建模了，这是和传统BI的显著区别之一。打个比方，假设我们要抽取一个数据库的几张表的数据来分析，当导入表时会根据键自动关联，或者手动设置关联联系。

Tableau建立数据模型属于宽表模型，相当于是在原来元数据表的基础上根据新的关联关系再新生成一个结果集，之后的分析都是基于这个结果集来的，元数据发生变化，除非你手动更新，分析结果也不会有变化。

FineBI也是类似的原理，不过建立的骨架数据关联模型都是基于元数据的，元数据变化，分析结果也实时变化。

PowerBI的数据模型建立之后只能针对当前报表进行使用。且在数据源种类整合时，PowerBI无法对不同来源的数据进行实时整合建模，例如下图所示，PowerBI会自动禁用多个数据源的实时建模，需要将数据模式全部修改为抽取数据才可以进行整合关联建模。

其次，FineBI和PowerBI的数据模式都支持实时和抽取模式，但是抽取模式下，由于FineBI的采用的分布式架构引擎进行数据的列式存储（支持十亿大数据量），PowerBI的数据引擎在抽取模式下仅仅是将数据以行式储存方式导入，所以在面对海量大数据时FineBI比PowerBI计算速度更快、性能处理更加强大。另外在数据编码上，FineBI支持对数据进行多种编码类型转换，PowerBI对这方面的转换是不支持的。

2、数据加工

对于数据的清洗加工处理方面，PowerBI提供了一些可视化界面的操作选项，结合M语言和DAX函数，可以进行数据加工处理，但需要用户有一定的公式编码书写能力。

Tableau Desktop没有系统的数据加工功能，今年最新发布的Tableau prep对数据清洗和数据加工方面做了较大的弥补，从数据清理/调整、检查/筛选数据、联接/合并数据都拥有着比较体系的数据加工策略，可以无缝对接Tableau Desktop使用，不过需要同时安装Tableau Prep和Tableau DeskTop。整体数据工作流还是非常清晰、直观的。

FineBI对一些有关数据的加工处理功能，统称为“自助数据集”。包括过滤、分组汇总、新增列、合并表、自循环列（可以有树结构的数据进行分层等集团性企业）、行列转换等操作。都可以快速进行处理，且可视化无代码。

四、数据可视化

从图表丰富度和可视化报告制作能力来比较。

1、图表丰富度

可视化展现能力方面，Tableau最佳，FineBI次之，随后PowerBI。

Tableau除了常规的图表之外，还有盒须图、标靶图等和分析模型深度结合的图表。FineBI也不弱，常规图表都拥有，在数据地图方面，更是有流向地图、点地图等更实用的图表。PoweBI内置的图表种类相对较少，像玫瑰图、多层饼图、词云图、热力地图、流向地图等，需要进行市场图表拓展下载使用，图形属性方面还算丰富，可以由用户自定义进行图表样式属性的设置调节。

操作方面，FineBI和Tableau是大差不差的，都是基于著名的图形语法(The Grammar Of Graphics)设计，以“形状“和对应的“颜色“，“大小“，“提示“，“标签“等属性进行图表类型替代。

在分析区域有两个轴，横轴和纵轴，把所要分析的指标和维度拖拽到两个轴，就会自动出可视化图，图表也是根据分析情况自动给推荐的。

还支持用户将字段绑定到图表的颜色、大小、形状、标签等属性。这样一来图表的可视化展现能力也就更加丰富灵活了，我们可以通过数据——>图表属性的无限组合，尽情地进行数据可视化认知的探索和洞察。

Tableau界面

Power BI就是拖拽图表组件，选定数据的方式来展现。

2、Dashboard展现能力

再来看看3个工具的Dashboard展现能力。

PowerBI首届数据可视化大赛的冠军作品，指标合理呈现，布局直观简洁，秉承微软一贯的方块美。

FineBI的Dashboard，下图是其中内置的一个比较典型的驾驶舱demo，总体来说更加细腻，柱形图圆角、字体颜色、风格、展现形式等，图表还可以有一些闪烁动效。

Tableau的可视化更加丰富，有种信息图的感觉，布局也更加自由。

五、OLAP计算分析

从OLAP多维能力角度来看，3个工具都支持用户进行钻取、联动、切片、切块等分析操作。

计算分析能力方面Tableau和FineBI都支持用户进行排名、排序、过滤、同比、环比、方差、标准差、中位数等快速计算操作，但是在一些高级计算例如移动平均、四分位等分析计算场景，Tableau拥有者更加强大的计算分析能力。

FineBI的快速计算提供现成的同期/环期、同比/环比、排名、累计值、所有值、百分比计算等等，还挺方便的。

另外Tableau在一些需要进行高级计算的场景下，还支持与Matlab进行集成计算，使用 MATLAB 预处理数据，并将该数据保存到 Tableau 数据提取中以便进一步分析。

PowerBI大量的计算需要依靠DAX函数来进行运算，有种Excel函数既视感，其实一些常用的计算公式比如同期环期、同比环比像FineBI可以直接快速计算。

六、数据挖掘能力

FineBI最新版5.0增加了五类现成的数据挖掘算法，分别为时间序列、聚类、分类、回归和关联规则，还支持R语言的集成。时间序列算法和聚类算法还和图表分析相结合，拖拽操作即可立马看到预测和聚类的结果。

不考虑时序关联分析

多元线性回归

PowerBI目前在数据挖掘这方面没有成熟的分析模块，只是简单的集成了一个R语言的执行脚本组件供用户书写代码集成使用。

Tableau目前在数据挖掘内置时序分析预测、聚类算法，可进行简单数据挖掘计算处理（类似分类、关联分析、逻辑回归等算法则是没有的），同时也支持与R语言和Python集成以进行深度的数据挖掘分析。

七、集成应用能力

WEB级别的集成应用方面，Powe BI开放了丰富的接口供大家集成使用，还支持自定义开发集成第三方图标插件。Tableau和FineBI也有WEB接口，比如进行Iframe网页集成，但是无法进行代码级别的自定义图表开发集成。

在移动集成应用中，FineBI支持微信集成和钉钉集成，给当今便捷式社交平台的数据分析查看带来了较大的便利，这方面的应用PowerBI并不支持。

门户集成方面，FineBI开放了单点登录接口，这方面PowerBI暂未直接支持。

FineBI有专门的一个数据报表管理平台以及运维。

八、数据管控能力

数据的权限管控能力方面，PowerBI可以将做好的报表打包发布为组织内容包并且进行指定用户组分配查看权限，并且由管理员进行用户组的行级别权限分配，但是无法控制用户查看的列级别的权限粒度，Tableau也是一样。

这块是FineBI的优势，之前也在产品定位介绍中提到，FineBI是从企业级应用出身的一款BI，所以具有非常完善的数据权限管控能力。除了提供仪表板的权限分配之外，还能够针对不同部门/岗位/角色的人员进行行/列级别的数据权限管控，使得不同的人能够根据权限限制而只能看到自己的部分数据。另外在针对企业集团数据权限管控方面，FineBI提供了多级管控权限供用户进行多层权限分配，为数据权限管控提供了保障。

九、学习与技术服务

Power BI遵循着微软产品相似的理念、原则和体系结构，它也为Windows用户提供了一个简洁熟悉的操作界面，以帮助用户快速适用学习上手。但是，像其他软件一样，它也有其起伏，目前并不是非常成熟，商业选型必须仔细考虑。学习资料方面，关于PowerBI官方的学习资料基础文档还算健全，但是有部分内容是英文的，外部一些Excel社区都各自开了教学课程，但付费居多，这个全靠大家挖掘资料的功力。

Tableau本身是一款非常成熟的全球化商业软件，拥有着非常强大的数据可视化分析功能。学习资料方面，官网也有很多学习文档、案例、视频等资源供用户进行上手学习。相较而言，Tableau产品学习曲线相对要陡峭一些，因为更加适合有专业数据技术能力的数据分析师使用。国内主要是代理商提供项目实施和技术服务，本土化稍微弱一些。

FineBI由于是国内帆软的BI分析平台提供商，所以不论是基础的学习文档还是教学视频资料都比较丰富，另外还有着非常活跃的帆软中文社区供所有用户进行学习交流。技术服务方面，尤其是对于企业级别的用户，还会有专业的技术服务团队响应服务，在国内本土化服务做得相当不错。

最后关键的，价格。

Tableau个人版有15天免费试用版，过后收费。Power BI和FineBI个人使用都免费。

商业部署。Tableau光产品，Desktop+Sever，一套一人加税后是11万多，每增加一人多买一个桌面版，就是15000左右，公司体量如果在3、40套，预计得7、80万，不含定制实施和维护服务。Power BI是按设计用户和节点卖的，按年/按月收费。估计了一下，假设200个用户的企业，40个设计用户，1年收费是45万左右，也就是每年要付出这么多，还是比较贵的。FineBI据我了解是类似软件采购买断式的，价格按照功能模块还有并发数定，平均2、30万起，不算服务实施。但这一性价比也远超于前两者了

个人使用，两者都是免费的。PowerBI毕竟背靠Excel这座大山，和Excel配合使用，大家会普遍觉得习惯。而FineBI又是另一种扁平化的风格，很多计算公式，可视化特效都有现成的，更加自助些。大家不妨都下载试试。

最后

作为数据分析师，也是数据产品的爱好者，我呢喜欢把弄各种工具。Tableau的可视化很人性，个人使用就像是Excel透视表的升级版。Power BI除了M语言和DAX语言得心应手比较难，产品操作也都延续了Excel的思想。但是两者共通的毛病，面向企业的产品定制化以及庞杂的报表分析需求，不是特别友好（开发难度太大，报表制作还得依靠Excel）。但这却是国内大多数企业很普遍的需求，这一块不妨青睐于国�...

数据为王的时代，人人都需要掌握一些数据分析技能。不懂SQL，不懂数据库，Excel不精通，VBA不敢碰，这些都是横亘在面前的一道坎。

然而，企业数据分析日益上涨，数据人才供不应求，为了降低入门门槛，近几年市面上大量涌现了一批自助式BI工具。

自助式BI工具其实就是指大数据前端分析工具。简单安装，方便使用是其主要特征。

目前的自助式BI工具，已经将维度的选择集成到控件组件的拖选操作，自动建模技术避免了手动建立数据模型。这样一来，数据分析工作能很好地落地到业务分析员手中，一方面能更快速地响应业务的需求，另一方面业务与数据的快速结合能提高决策效率。

对于很多企业来说，自助式BI工具的使用，可以帮助企业实现相互部门之间的协作，帮助企业看到问题所在以及分析产生的原因。

Tableau

Tableau是最强劲的可视化工具，这一点毋庸置疑。

Tableau提供了丰富多变的可视化图表，独具特色，可以实现Dashboard和动态数据更新。

同属于自助式分析工具的tableau，学习起来也很容易上手，如果英文不错，对照着帮助文档和学习论坛能学到更多的图表分析制作。

FineBI

唯一上榜的国内产品。依托了10年报表开发领域的经验的，其最大优势在于分析速度的简单与快。凭借大数据引擎，用户只需在dashboard中拖拽分析的维度和指标，自行完善可视化的布局，无需编辑代码和脚本，就能呈现一个完整的数据报告。

针对以主题的分析，FineBI提供了在现有报告上进行维度切换的操作，防止分析分析报告制做不严谨带来的偏差。FineBI的可视化采用的是目前主流的H5图表，而非插件，能够适应各种大小类型的屏幕，从手机端、PC端、大屏幕都能够完美的适应。

Qlikview

Qlikview相比上面两者，商业性质更重。定位是商业分析软件，使开发者和分析者能够快速部署分析引用，类似于报表工具FineReport，Qlikview可集成在产品里做报表、监控、和仪表盘分析。

其专利技术AQL构架，在分析一定数据量时，可避免使用数据库和OLAP，提供灵活、强大的分析功能。

Power BI

Power BI是微软公司的一款商BI分析软件，提供了强大的组件和功能，对于爱好Excel的朋友是一大福音。数据表制作类似Excel，建立多表关系类似Access，可视化方面在Excel的基础上增加了一系列可直接使用的图表，数据源可配置自动更新，实现实时的仪表板展现，目前提供了在线、移动、桌面三个版本。

这样四款自助式BI工具涵盖了个人使用到商用，在前端可视化分析上可谓是数据分析领域的新一代突破，也是未来前景。有数据分析需求的朋友或企业，不妨一试！

如今，企业越来越重视数据分析给业务决策带来的有效应用，而可视化是数据分析结果呈现的重要步骤。而可视化技术/工具在国内国外也发展的相当成熟，很多都已经做成应用（比如可视化图表库，BI工具等等），并投入商用。

如何利用大数据可视化，如何做好大数据可视化，今天就给大家介绍一些实用的工具，有图表库、有BI ......

国外产品系列

1、ChartBlocks

ChartBlocks是一款网页版的可视化图表生成工具，在线使用。通过导入电子表格或者数据库来构建可视化图表。整个过程可以在图表的向导指示下完成。它的图表在HTML5的框架下，使用强大的JavaScript库D3.js来创建图表。图表是响应式的，可以和任何的屏幕尺寸及设备兼容。 还可以将图表嵌入任何网页中。

2、D3.js

D3是个图表库，对于前端工程师来说，D3.js 称得上是最好的数据可视化工具库。

D3厉害的地方在于它建立了一整套数据到SVG属性的计算框架，常用Data visualization模型，大多都可以再d3.layout里面找到。D3.js运行在JavaScript上，并使用HTML，CSS和SVG。

D3.js是开源工具，使用数据驱动的方式创建漂亮的网页，D3.js可实现实时交互，这个库非常强大和前沿。

3、Tableau

Tableau公司将数据运算与美观的图表完美地嫁接在一起。它的程序很容易上手，各公司可以用它将大量数据拖放到数字"画布"上，转眼间就能创建好各种图表。这一软件的理念是，界面上的数据越容易操控，公司对自己在所在业务领域里的所作所为到底是正确还是错误，就能了解得越透彻。其两种不同的变体是基于云计算的Tableau Online和Tableau Server。

它们都是为与大数据有关的组织设计的。企业使用这个工具非常方便，而且提供了闪电般的速度。还有一件事对这个工具是肯定的，Tableau具有用户友好的特性，并与拖放功能兼容。但是在大数据方面的性能有所缺陷，每次都是实时查询数据，如果数据量大，会卡顿。

国内做数据可视化产品/工具的公司

国内有独立成一行业的公司，围绕可视化做一些应用产品/系统的公司，比如：

帆软——报表软件finereport、商业智能finebi、大屏可视化阿里——蚂蚁金服可视化控件AntV、数据可视化大屏DataV数字冰雹——大屏可视化百度——开源图表控件Echarts网易——数据分析平台（BI）网易有数

除此之外，还有很多互联网公司会开发自己的数据可视化产品、BI平台，引用国内外开源，对内形成解决方案，但是不对外。软件集成商也对针对客户需求，做专门的方案，自己开发或者集成别人的应用。

1、FineBI

FineBI是一款商业智能BI工具，做数据分析和可视化数据展现，以分析为主，提供多种数据接入方式，可视化功能强大，平台更适合掌握分析方法了解分析的思路的用户，其他用户的使用则依赖于分析师的结果输出。FineBI也是找了很久感觉很不错的一款数据可视化工具。其中还有很多对数据处理的公式和方法，图表也比较全面。相对于百度的echarts，FineBI还是一款比较容易入手的数据分析工具。最后，FineBI提供了免费的版本，功能齐全，更加适合个人对数据分析的学习和使用。

2、EchartChart

echarts的优点：

国产货有语言优势或区域优势。毕竟是中国制造，自己家做出来的，亲和力高，比较适用于我们的思维，对于城市的地理坐标、城市代码等都已经配置好了，需要的时候，直接调用，很方便。免费，各类图，各种形式，K线图完全免费开源。能减少制作成本，也方便使用，（不用担心以后会有什么）当客户选择的时候，我们可以有更多的方案为他们准备。对于处理大量的数据和3D绘图：基于canvas绘图，所以3D绘图方面占据绝对的优势。（可以结合百度地图的使用，而且方便快捷。）一个纯Javascript的图表库：可以流畅的运行在PC和移动设备上，兼容当前绝大部分浏览器（IE6/7/8/9/10/11，chrome，firefox，Safari等），底层依赖轻量级的Canvas类库ZRender，提供直观，生动，可交互。（使用了几个浏览器，均没发现什么问题。）支持和弦图、力导布局图、拖拽重计算、数据视图、值域漫游、大规模散点。支持动态类型切换（十分方便，以内置代码，轻轻动动手指就可）

3、支付宝AntV

AntV 是蚂蚁金服的数据可视化解决方案，主要包含「数据驱动的高交互可视化图形语法」G2、专注解决流程与关系分析的图表库 G6、适于对性能、体积、扩展性要求严苛场景下使用的移动端图表库 F2 以及一套完整的图表使用指引和可视化设计规范。已为阿里集团内外2000+个业务系统提供数据可视化能力，其中不乏日均千万 UV 级的产品

一、 客户简介

内蒙古包头百货大楼集团股份有限公司，始建于1959年，总店坐落于包头市昆都仑区钢铁大街商业中心。经过55年的拼博奋斗，包百集团与时俱进，不断深化改革，紧紧围绕市场需求，服务广大消费者，现已发展成为以零售业为主、多业态经营，拥有6家百货门店、9家连锁超市，31家连锁大药房，营业面积近20万平方米，年销售额15亿多元人民币，拥有员工近7000人，连锁门店遍布包头市昆都仑区、青山区、东河区及周边旗县区的商业企业集团。

二、项目背景

包头百货当前面临着成本激增、电商行业蚕食带来的竞争形势加剧的局势，消费者的消费选择越来越多。为了节省人力成本，增加市场竞争力，企业的信息化与数据化显得越来越有必要。

包百之前对业务数据的分析流程中，将所有的数据处理工作交由IT人员来完成的。IT部门每天要处理很多的Excel分析，IT部门压力大，人力成本也在不断增加。而业务部门的需求除了传统的周报月报年报之外，还有些多变的维度需求，计算内容相对固定，然而区分了不同的门店做分析。这种情况下，传统的分析流程就很耗费人力和时间成本。

通过比对，为了大数据量能够快速展示分析，最终包百选择了一款能让IT部门和业务部门发挥自己长处，节约双方成本的大数据自助式分析工具----FineBI。FineBI在功能上就将数据准备工作与业务数据分析工作分开。提倡IT部门准备好数据，提供给业务部门自助分析。让各个部门做各自最擅长的事情。解放IT部门压力的同时，也能让业务部门能够根据自己的业务需求，快速获得即席分析结果。

三、项目方案与项目架构

包百在使用中，要分析的数据体量十分庞大，而自身的数据库性能并不足以支撑业务部门的多维度分析。因此在底层数据支撑部分，更新升级到了帆软自主研发的一款支撑大数据展示分析的高性能引擎–分布式引擎，也就是FineIndex更新与升级后的引擎。全新的分布式引擎在架构上更先进，更加稳定，高可用，高扩展，更高性能，帮助包百更灵活应对海量数据分析的挑战。

BI特有的数据建模方式，提高原始需求沟通效率，实施周期短且后期维护简单方便业务需求响应在OLAP分析层面，避免部门间的繁杂需求沟通，面对需求多变，业务部门自身即可做分析分布式引擎通过采用分布式存储与分布式并行计算，结合先进的大数据技术为企业提供强劲的大数据分析支持分布式引擎可动态弹性扩展计算存储节点，用低廉的成本提供更强的计算性能，让企业未来不再担心数据量的爆发式增长分布式引擎以列式数据存储、内存计算，结合计算本地化、自研高性能算法，保证前端分析与计算达到秒级响应分布式引擎可以让用户自由选择是否抽取数据，实现了实时数据与历史数据结合分析，从而灵活应对企业不同分析需求

四、项目实现模式

首先，由信息部门人员进行基础的数据处理，收集业务人员需求。各商场的各项分析指标长期以来基本已经固定，信息部门人员还需要用FineBI对已有的分析指标进行可视化处理；同时，信息部门人员也会收集来自领导层以及其他部门方面的需求，统一进行数据可视化处理。处理完成后，将报表和数据放在统一平台上，提供领导层与不同卖场部门人员查看，以了解销售情况，及时调整策略。

五、项目成果展示

1.用户管理&&模板权限

用户管理是通过用户同步数据集功能将数据库中的用户表数据智能的同步到FineBI系统中，同时设置600s的同步频率, 自动将新旧用户更新。

模板权限管理是通过部门或者用户的角色来分配模板目录权限的。

优点:

（1）便于管理员按照业务给相关部门职位分配目录的权限。

（2）用户登录进去能根据自己想看的哪类业务，很快的定位到目录，进行模板的查看。

例如我们的业务管理部门可以查看每个卖点的销量分析模板。

2.BI业务包管理&数据权限管理

业务包按照业务类型进行分组管理，便于管理与数据权限的维护

业务模块清晰，可以方便的进行分组处理

1）会员信息模块

2）集团销量模块

3） 百货销售模板

4）药房销售模块

业务包数据权限管理是通过业务包权限的设置，控制用户的数据权限。实现不同用户访问同一模板只看到用户权限范围内的数据。最终实现不同卖场的业务人员只能够查看到自己所在卖场的数据。

3.数据模型搭建

通过BI自带的表间关联功能，将维度表门店表，商品表，收款方式表与销售明细表，扣款明细表，合同明细表进行关联，建立数据模型。消除了每个不同分析业务要写不同sql来join表的繁琐，更加的灵活和智能。

4.业务分析展示

（1）企业痛点分析

数据杂乱，会员人数众多，但是可供分析的资料太少，难以被直观的对不同会员开展活动。

品牌之间销售额差别巨大，但是传统的统计方式难以直观的查看出不同品牌之间的销售差距，亟需数据可视化来引导不同品牌的决策建议。

在传统的统计方式下很难直观的看出销售趋势，不同销售活动前后的营业数据变化很不直观

（2）BI分析要素

通过对不同维度的数据进行分析，可以了解不同方面的销售趋势，及时调整方案，获得最大效益

通过了解顾客消费倾向来引导消费，实时调整销售策略

（3）会员分析首页展示

会员分析首页是为了所有用户能快速掌握到当前会员的情况。

饼图：快速统计各类会员的消费额以及占比情况，解决会员消费分类统计难的问题雷达图：统计各类会员的人数，调整针对会员的销售活动环形图：统计的是男性会员与女性会员的消费额以及占比，调整卖场针对性气泡图：统计各个卖场的销量情况，方便针对不同卖场情况进行不同决策

（4）商品销量分析

通过部门的树层级结构可以查询店铺-卖场-品类-小类每个层级的销量情况，大大方便了业务人员对商场销量的总体把控以及策略调整。日期区间控件方便业务人员灵活查询不同日期区间的销量情况，不同业务人员可以查看不同销售活动内的销量变化情况。柱形图方便对比品牌的销量，直观展现，业务人员针对品牌销售情况对品牌进行不同的销售活动。

（5）日销售趋势

通过部门的树层级结构可以查询店铺-卖场-品类-小类每个层级的销量趋势情况，方便了领导层对整体销售趋势的把控日期区间控件方便灵活查询不同日期区间的销量情况，在不同销售活动时的销售变化情况，可以准确的把握到不同活动前后的营业变化情况。

六、应用价值

截止到目前为止，FineBI系统现已被包百多个商场的不同人员大量使用。包百IT对于FineBI商业智能分析平台高效的数据处理能力、便捷的用户体验都给予了很高的评价，极大的解放了过去IT部门人员的压力。与此同时，对BI系统在业务中的应用还在不断深化推进，相信未来可以对企业的应收增长起到关键作用。

大数据市场是一座待挖掘的金矿。随着数据使用量的增长，将有更多的人通过数据来寻求专业问题的答案。可视化数据分析工具的出现让人们可以通过将数据可视化来探讨问题、揭示洞见，用数据分享故事。甚至于不懂挖掘算法的人员，也能够为用户进行画像。

BI（Business Intelligence）即商业智能，越来越多的智能软件供应商推出可视化数据分析工具，应对企业业务人员的大数据分析需求。然而如果你觉得不是数据分析专业、没有挖掘算法基础就无法使用BI工具？NO，自助式分析工具已经让数据产品链条变得大众化。为了更好地帮助读者选择分析工具，本文将为大家介绍11款数据分析产品，排名不分先后！

1.数说立方

网址：http://cube.datastory/

数说立方是数说故事新推出的一款面向数据分析师的在线商业智能产品。最重要的特点是配备百亿级社交数据库，同时支持全网公开数据实时抓取，从数据源端解决分析师难点；另外数说立方搭载了分布式搜索、语义分析、数据可视化三大引擎系统的海量计算平台，实现数据处理“探索式分析”和“秒级响应”的两个核心功能。同时数说立方是数说故事三大主打产品之一，并与其他两大产品数说聚合和数说雷达实现从数据源、数据分析、到数据展示完整的数据解决方案。

优点：

即便是个人免费版，体验和功能仍然非常好；

与自家产品“数说聚合”的无缝接入，支持定向抓取微信、微博等数据；

功完善，集数据处理、特征工程、建模、文本挖掘为一体的机器学习平台；

可视化视图展现、友好的客户感知页面；

支持SAAS，私有化部署，有权限管理；

缺点：

产品新上市，操作指导页不太完善；

体验过程中有一些小bug；

2.数加平台

网址：https://data.aliyun

数加是阿里云发布的一站式大数据平台，可以提供数据采集、结构化、加工到展示分析整套的一站式数据服务。 可采集不同系统及物理存储的源头数据，在分布式计算平台上进行数据的深度整合、计算、挖掘，将计算的结果通过可视化的工具进行个性化的数据分析和展现，也可直观的展示分析现有云上业务系统的数据库数据。

优点：

有完整的产品规划，功能完善；

图形展示和客户感知良好；

提供SQL查询；

缺点：

需要捆绑阿里云才能使用，一般用户还不能真正使用起来；

部分体验功能一般，有一定的学习成本；

3.Tableau

网址：http://tableau/zh-cn

Tableau是目前市面上较为成功的BI工具。产品既有针对性，又有普适性。拖放式界面，操作简单。数据兼容性强，适用于多种数据文件与数据库，同时也兼容多平台，windows、mac、Online均可使用。而且重要的一点是免费为用户安排现场培训或按需求进行在线培训。

优点：

处于行业领导者地位，功能完善；

有较好的图形展现与客户感知；

新产品开始支持云端展现，但是需要客户端支持；

缺点：

相比于商业智能BI，更像一个基于数据查询的数据展示工具；

处理不规范数据、转化复杂模型比较难；

无法处理大量数据；

国内网络连接Online版速度较慢；

4.Qlik

网址：http://global.qlik/cn

QlikView只需轻轻单击几下，就可以对所有数据源进行合并、搜索、可视化和分析，可在不影响性能的前提下连接到多个数据源；其次视图种类丰富，界面简洁，互动性强，总体来说是一款简单易用的BI产品。Qlik用户可通过各类可视化效果，将Qlik扩展到任何应用程序中。另外用户也可以通过使用标准的和最新的网络API，可将可视化效果数据嵌入网站或应用程序。

优点：

产品功能完善，图形展现和客户感知良好；

支持SAAS，有权限管理功能；

缺点：

有一定的学习成本；

报表规范性要求很高；

数据抓取功能都非常弱，需要有非常好的数据仓库作为基础；

5.Spotfire

网址：http://spotfire.tibco

Spotfire服务对象是一线工作人员和日常决策人员，其交互界面形象易懂，无需写脚本语言和编写程序就可以对数据进行添加、分离操作。内置搜索引擎，可以随意查找任意信息。支持R、S+等统计、挖掘功能；有丰富、开源的R模型。标记有自身特色，提供了过滤、钻取等功能，多个标记同时还可以实现图形化的集合运算。

优点：

交互界面形象易懂，即使是普通的业务人员也能轻而易举地进行复杂的数据分析；

不一定要建数据仓库，还可以直接从多个异构数据源提取数据进行分析；

支持SAAS，有权限管理功能；

缺点：

SAAS版只支持30M，由于是国外服务器所以上传很慢；

不适合中国式的固定报表；

进军中国市场较晚，国内案例较少；

工具的适应性范围广，但是难易跨度大；

6.神策分析

网址：http://sensorsdata/

神策分析的产品有完整的使用文档，每个模块都有详细的使用说明以及示例，降低了用户的学习成本。而且支持私有部署、任意维度的交叉分析，并帮助客户搭建专属的数据仓库。目前提供事件分析、漏斗分析、留存分析、数据管理等功能，未来预计会增加用户分群、用户人群分析、推送和异常维度组合挖掘等

优点：

专注于用户行为数据分析，不追求做大而追求做全；

有详细的产品使用文档以及案例；

提供SQL查询；

缺点：

更多的是demo示例，不能开箱即用；

纯dashboard展示，并不能对单独一块数据作自定义分析；

7.BDP

网址：https://me.bdp/home.html

BDP个人版免费，只需导入数据，设定分析维度，即可实时得到图表分析结果。示例和视频教学很细致，交互页面友好。每次数据更新，对应的图表也会自动更新，可以免去一些重复制作的工作。分享环节也很贴心，报告可以一键导出为PPT、邮件发送，也可直接生成链接分享。

优点：

产品支持移动端；手机同步呈现最新数据

首次登陆的用户可以使用免费数据；

操作体验流畅，界面友好，功能全，总体来说是一款不错的产品；

即便是个人免费版，体验和功能仍然非常好；

缺点：

暂时用起来还不错，我比较喜欢用这个工具；

8.永洪BI

网址：http://yonghongtech

永洪BI是一款可在前端进行多维分析和报表展现的BI软件。支持拖拽操作，数据源格式多样，提供不同级别的查询支持，支持跨库跨源连接。另外永洪提供了一款数据存储、数据处理的软件——MPP数据集市，可与BI打通，使得数据查询，钻取和展示的速度大幅度提高。不过其产品用户体验一般，拖拽过于自由，导致仪表盘布局不好控制；主题样式虽多但是给人感觉样式还是很传统。

优点：

商业流程完善，给人专业的感觉；

产品定制化的版本效果不错；

支持的数据接入较多；

缺点：

SAAS版体验很差，有一定的学习成本；

UI的视觉效果一般，整体可视化效果不够现代化；

9.数据观

网址：http://shujuguan

数据观的功能设计理念是极简、无门槛，所以它最大的特点就是简单。数据观数据来自云端，如：百度 网盘、微盘、salesforce等。数据上传后，马上有推荐图表，引导明确。另外产品的使用没有技术门槛，无需专业IT知识，同时适用于非专业分析师出身的业务人员，可以快速将数据转化成直观的图表，适合一开始接触数据分析工具的非专业数据从业人员。

优点：

注册只需填写邮箱，且支持明道账号登陆；

使用引导明确，支持salesforce、百度云数据导入；

分析结果支持链接分享，大大降低用户的沟通成本；

缺点：

不支持超过20MB的数据上传；

数据导入后，数据分析体验方面存在bug；

产品的使用以点击为主，不支持拖拽操作；

10.FineBI

网址：http://finebi/

FineBI分为数据处理、可视分析和分享公用三大功能模块。支持多种数据源，图表风格清爽美观，可选择任意维度分析。分析页面由控件和组件组成，控件和组件的数量是可以添加至任意多个，但是布局的交互比较僵硬，且使用逻辑有点乱，引导不明确。需要安装本地客户端才能使用。

优点：

有较为详细的行业案例与技术方案；

产品演示和资源中心也较为清晰；

缺点：

需要使用客户端，增加了使用的不便利性

只有仪表盘展示，BI报表需要另一款产品；

无法处理大量的数据；

11.魔镜

网址：http://moojnn

魔镜支持自动拖拽建模，同时可视化效果库十分酷炫。用户可以邀请团队成员到自己的项目，合作进行探索分析，并且按照需求有效控制访问数据的成员权限。产品模块规划完整，有基础企业版到hadoop等5种选择为，而且可以支持定制化服务。但是可能是云平台版的缘故，使用过程中出现不少BUG，企业版的体验可能会相对好一点。

优点：

产品模块的规划比较健全，其中包括数据源导入、数据分析、仪表盘、数据挖掘和数据工厂；

官网的设计不错，模板选择性大，颜值控可能会喜欢；

工具使用指导清晰，使用篇和方法篇等比较详细；

缺点：

产品存在较多的BUG，UI和功能相对其他产品来说较简陋；

部分产品模块并不能切实用于数据分析；

选择一款适用的BI产品，能够大大简化数据分析的繁杂工作，提高分析效率与质量。当然，以上每个工具各有优点，工具地址都给大家了，接下来就是轮到你动手的时候了，找一个自己喜欢的工具，开始吧！

业务人员在工作过程中需要及时地依据自己对业务流程的了解新建分析的内容与进度，新建即时分析可以分为下面几个步骤：添加控件、添加控件数据、属性设置、数据钻取和分享。下面将通过可视化数据分析软件FineBI来进行介绍。

用Anna的用户名密码登录系统，点击新建分析，输入新建模板名为销售额分析，点击创建按钮创建一个新的即时分析，如下图：

 添加统计组件创建完成后，后面的所有操作均自动保存，首先添加分公司销售额图表控件，布局方式选择自由布局，拖曳坐标轴图组件至分析页面，如下图：

组件数据绑定坐标轴图组件数据绑定包括分类轴、系列值和值轴的配置。点击统计组件后面的下拉按钮选择详细设置，即可进入到组件数据绑定界面，如下图：

页面跳转到组件数据绑定界面，由于Anna拥有业务包销售分析的使用权限，故可以在数据绑定页面的左侧看到业务包销售分析，如下图：

由问题描述可知，分公司销售额图表控件使用到了合同信息表中的合同金额字段和分公司信息表中的分公司名称，即分类选择销售分析>分公司信息>分公司名称，系列不填，指标值即值轴选择销售分析>合同信息>合同金额，如下图：

数据分析的多数简单操作，就是把焦点聚焦于多分类维度的数据呈现，以表格、图表的形式将重点突出。

关于FineBI，可能很多小伙伴多多少少了解过这款商务智能工具，这是目前市面上应用最为广泛的自助式BI工具之一，与之同行的还有Tableau、PowerBI等。

你可以把它是做为是可视化工具，因为他里面自带几十种常用图表，以及动态效果；你也可以把它作为报表工具，因为他可视化报表展现，以表格状、以dashboard状；你也可以把它看作是数据分析工具，因为如果你有数据，你想分析，可以借助FineBI做一些探索性的分析，其内置等数据模型、图表。

但严格定义来讲，他其实一款自助式BI。常常被用作大数据前端展现的工具，对接hadoop、Spark等平台；用作业务部门的取数、业务数据分析（IT数据部准备好数据，业务查看分析）。

它的操作就像是Excel中的数据透视表，相信很多小伙伴儿特别是已经在职场已经混迹很多年的小伙伴儿，对Excel中的数据透视表非常熟悉，没错，FineBI的操作类似一个升级版的数据透视表。

它不仅仅可以将原始的一维表数据透视为二维表格，它还可以将原始数据直接透视成多维图表，流程跟用Excel做数据透视表几无二致。

接下来我从几个角度来做个演示, 以案例的形式来展示一下：

前提

再讲之前我觉得有必要明确维度和度量的概念，以及对于可视化的认知。

1、维度和度量的概念

BI里面有一个维度和度量的概念，BI的数据可视化其实就是在呈现一组由不同维度和度量组成的字段。

维度是dimension 是描述类别的，比如城市，来源等。

度量是metric，是描述可以进行运算的数量的，比如收入，新用户数等

一个维度可以对应多个度量，比如城市的收入，该城市的新用户数等等。

无论是一维、二维、三维甚至更高维的情况，所有的可视化形式都是建立在维度与度量等指标之上的。所以在导入数据源之后，就应该有意识的熟悉数据结构，认识到所有的指标的属性（是维度还是度量）以及度量之间的关系（粒度的粗细，层级的高低）。

2、可视化并不拘泥于excel图表

想强调的第二点是，数据可视化是一种表达，他的表现可以不同图表、不同颜色区分、多种图表组合、不同动效…并不仅仅是excel里面自带的十几种图表。可视化形式应该服务于业务分析与关系挖据的需求，或者说我们是按照自己的目的去定制可视化的呈现形式。

对比

1、FineBI表格与Excel数据透视表的操作界面，大致相当

FineBI的操作是：选择表格/图表——选择维度和度量指标——附加操作：指标计算（同比环比排名等）、指标筛选过滤操作等，还有一些自定义的条件选项。

Excel的数据透视表和FineBI的表格计算，操作体验和风格大致相当，都提供菜单式操作。

总的来说，FineBI，当数据准备好了之后，新建一个分析，选择需要的图表，然后就会出现左手边的这些字段，依据你想要呈现的结果，将字段分别拖拽到维度和度量框内。分类代表维度，只不过FineBI的筛选器直接放在了字段里，每个字段可做单独筛选，筛选掉不符合条件的数据，比如空值。

2、FineBI表格与Excel数据透视表，FineBI附加更多快速简单的指标计算和样式更改

说了这么久，干巴巴的总要来几个案例练习一下，同样的数据，同样的菜单，同样的字段布局。

针对Excel而言，多维表格数据的展现已经是极限了，因为Excel数据透视表透视的仅仅是表，没法再多给出除了数字之外的信息，这时候就是FineBI大展身手的时候啦。

FineBI可以直接对度量指标设置条件，比如让不同区间的数据变换成不同颜色，以示区分，避免写公式。

可以直接在现有数据基础上，计算排名、同比、环比等指标，简单高效。

3、FineBI-数据透视表=数据透视图

新版的excel里有数据透视图功能，可以图表的形式展现数据。

在finebi里面你可能一键切换图表，或者托转另外一个图表重新制作。

将各个数据图表汇总组合，它还可以制作数据大屏

FineBI我觉得高明之处在于，数据展现方便。通过拖拽数据字段，能立马展现可视化效果，加以联动钻取扥功能以及图标切换功能，动态效果立马显现，自助式BI的精髓表达的淋漓尽致。

据说之后发布的5.0版本，会增加很多数据分析功能，利内置数据分析模型，用维度透析的理念来按需完成可视化探索过程，将BI的功能维度又上升一层次。