Power BI学习笔记-周报销售数据分析

Power BI学习笔记-周报销售数据分析

简介

来自B站的Power BI学习视频的学习笔记。

记录来自B站的Power BI教学视频,由"高级财务BP-Ni"发布,视频发布者主要发布财务类相关的PBI视频,视频长度30分钟左右。

视频链接:

【powerbi周报分析模型搭建教程,30分钟详细讲解!-哔哩哔哩】 https://b23.tv/l45rz8m

视频很不错,推荐大家也一起观看学习,这个视频是我自己的学习笔记,方便后续快速查找相应的知识点。

视频讲解的是是基于销量的分析,维度包括时间,产品,渠道,城市等。

Dashboard的设计相对也比较简洁,左侧一个时间筛选,年加月,右侧一个大的透视表,行上维度是产品,列上维度是周。度量数据包括销售额,周环比增长率。销售额伴随着条件格式的柱图,增长率带有向上和向下的箭头。

学习重点:

这个视频可以巩固的知识点:

  • 跟周WEEK相关函数的使用
  • 基于周的环比计算
  • 自动创建日期维度表
  • 度量值的条件格式丰富数据展现

自动创建日期维度表

视频时间点:03:10

创建时间维度表的方法很多。

其中一种方法是以下方法创建时间维度表:

DAX 复制代码
日期表 = 
    VAR startdate = DATE(2020, 1, 1)
    VAR enddate = DATE(2030, 12, 31)
    RETURN
    ADDCOLUMNS(
        CALENDAR(startdate, enddate),
        "年份", YEAR([Date]),
        "季度", "Q" & FORMAT([Date], "Q"),
        "月份", MONTH([Date]),
        "月份名称", FORMAT([Date], "MMMM"),
        "星期几", SWITCH(WEEKDAY([Date], 2),1,"周一",2,"周二",3,"周三",4,"周四",5,"周五",6,"周六",7,"周日"),
        "是否周末", IF(WEEKDAY([Date], 2) > 5, "是", "否")
)

指定好相应的范围就可以自动生成对应的数据。

视频里用的是另外一种方法:

DAX 复制代码
日期表 = CALENDARAUTO()

这个首先会创建一个有一个字段date的时间表。然后可以再根据此字段,创建其它字段比如YEAR, MONTH, DAY等。

跟周WEEK相关函数的使用

然后通过WEEKNUM创建日期属于第几周。

DAX 复制代码
第几周 = WEEKNUM('日期表'[Date])

接下来计算在周里的第几天,着重讲了下WEEKDAY函数的第二个参数,取值为1和2的区别,1是以周日为一周的第一天,2是以周一为一周的第一天。这个来自于东西方使用习惯的差别。

DAX 复制代码
周几 = WEEKDAY('日期表'[Date],2)

周环比和同比的计算

视频时间点:15:20

因为是周报,而且左侧提供了月份的筛选,所以环比就涉及到一个问题。比如一个月的最后一周可能只有两天,这样拿这一周的数据对比上一周的数据是没有意义的,所以这里要实现的效果是,这一周有几天,那么就跟前一周对应的天做对比。

DAX 复制代码
周环比金额 = CALCULATE([销售额], DATEADD('日期表'[Date], -7 DAY))

这里顺便提一下,同比的计算。

DAX 复制代码
同比 = 
VAR CurrentValue = SUM('表名'[数值列]) 
VAR PreviousYearValue = CALCULATE( SUM('表名'[数值列]), SAMEPERIODLASTYEAR('日期表'[日期]) // 自动匹配去年同期 ) 
RETURN IF(PreviousYearValue = 0, 0, (CurrentValue - PreviousYearValue) / PreviousYearValue)

个人笔记:如果要按周来看数据的话,那么就应该避免按月去晒数据,不然就会像同比计算一样,总会有这样那样的歧义,

度量值的条件格式丰富数据的展现

视频时间点:31:15

右键度量值,选择条件格式,这里可以指定:

  • 背景色
  • 字体颜色
  • 数据条
  • 图标
  • Web URL
    通过数据条可以对销售额更具象化。

    对于增长率,可以通过图标来具象化,比如向上的箭头代表增长,向下的箭头代表减少。

    最终效果:

    个人笔记:这个效果跟Excel的条件格式很像,但是设置的方式是通过邮件度量值。
相关推荐
xieyan081112 小时前
基金交易量预测比赛_数据分析
数据挖掘·数据分析
996终结者19 小时前
Python数据分析与处理(二):将数据写回.mat文件的不同方法【超详细】
python·matlab·数据分析
Hygge-star1 天前
【MySQL自学】SQL主键使用误区:你必须知道的关键细节
数据库·sql·mysql·数据分析·学习方法
Sharewinfo_BJ1 天前
66别错过!一杯奶茶钱开启企业微信 Power BI 之旅
数据分析·企业微信·数据可视化·powerbi
华科云商xiao徐1 天前
极简Dart代码搞定App内实时数据抓取
爬虫·python·数据分析
思辨共悟1 天前
python数据分析 与spark、hive数据分析对比
python·数据分析·spark
用户Taobaoapi20141 天前
多店铺数据采集效率低?京东API批量调用接口支持千级商品详情批量拉取
大数据·数据挖掘·数据分析
码界筑梦坊1 天前
278-基于Django的协同过滤旅游推荐系统
python·数据分析·django·毕业设计·旅游
IT研究室1 天前
大数据毕业设计选题推荐-基于大数据的电商物流数据分析与可视化系统-Spark-Hadoop-Bigdata
大数据·hadoop·数据分析·spark·毕业设计·数据可视化·bigdata