Power BI 电商数据分析实战

本书以搭建电商数据分析系统为业务背景，介绍Power BI的实际应用，涉及市场分析、客户分析、货品分析、流量分析、舆情分析5个常用场景，读者需从市场分析场景入门，了解Power BI的应用。读完这本书后，你将获得电商的数据业务思维、Power BI Desktop的操作技巧，具备搭建电商数据分析BI系统的能力。

本书适合Power BI爱好者、数据分析爱好者、电商数据分析从业人员、电商运营从业人员阅读。

零一

沐垚科技创始人，电商自媒体，资深数据分析师，具有8年电商从业经验，擅长Excel、Power BI、R、Python等工具，主要研究数据化运营、商业智能和人工智能在电商领域的应用，专注“数据+电商”的新零售服务。

聂健华

精通Excel、Power BI，擅长淘系业务数据分析及数据建模。目前就职于一家淘品牌公司，担任数据顾问职务，通过精准的数据化运营，享受数据变现带来的红利。

韩要宾

杭州沐垚科技有限公司 COO，CDA数据分析研究院资深讲师，具有5年电商从业经验，4年数据挖掘实战经验，专注于数据分析与挖掘、机器学习、深度学习的研究。服务客户：苏宁易购、Decathlon、百草味、浙江师范大学等。

工具+业务场景才是王道！

市场分析、客户分析、货品分析、流量分析和舆情分析5个电商场景

讲述Power BI Desktop的应用技巧

涵盖数据可视化、Power Query应用、DAX和数据建模

非常荣幸能出版这本《Power BI电商数据分析实战》，本书结合《淘宝、天猫电商数据分析与挖掘实战（第2版）》和《Excel BI 之道：从零开始学Power工具应用》的写作思路，主要通过电商业务场景讲述Power BI的应用，包含Power BI Desktop（下文简称PBID）的操作教程和电商的业务逻辑。读完这本书后，你将获得电商的数据业务思维、PBID的操作技巧，具备搭建电商数据分析BI系统的能力。

工具+业务场景才是王道！

本书分为九章，第1章介绍PBID的发展历程和优劣势；第2章介绍整个电商的业务逻辑和数据需求；第3章介绍导入数据的过程和清洗数据的方法；第4章开始讲述应用场景，这一章非常重要，包括许多基础知识，不管你对市场分析是否感兴趣，都应该阅读第4章；第5章基于交易数据介绍客户分析的应用场景；第6章介绍货品分析的应用场景；第7章介绍流量分析的应用场景；第8章介绍舆情分析的应用场景；第9章介绍发布数据到Web和移动端。

补充

全书围绕PBID应用展开，读者只需在Windows下安装好PBID即可，PBID提供免费的个人版。另外，PBID的官方更新周期在其发布以来都是每月更新一次，因此部分功能细节在读者学习的过程中可能会存在一些差异。

对于Power Query比较陌生的读者，推荐结合《Excel BI之道：从零开始学Power工具应用》这本书作为配套资源学习使用。

鉴于作者水平有限，不足之处望不吝指正，谢谢！

最后，感谢高飞老师、赵文超老师和宗萌老师的帮助！

第1章 Power BI Desktop简介 1
1．1 什么是Power BI Desktop 1
1．2 如何选择版本 6
第2章 Power BI基础入门 8
2．1 Power BI Desktop的获取及安装 8
2．2 Power BI Desktop操作界面 10
2．3 Power BI Desktop设置界面 13
第3章 搭建电商BI系统的框架 16
3．1 数据框架 16
3．2 业务框架 18
3．3 维度和指标体系 20
第4章 应用场景：市场分析 22
4．1 业务背景 22
4．2 Excel数据加载与清洗 23
4．3 数据建模 27
4．3．1 创建日期维度表 28
4．3．2 添加属性维度表 32
4．3．3 数据关系建模 33
4．4 数据可视化展示及拓展应用 36
4．4．1 可视化对象操作 37
4．4．2 筛选器 44
4．4．3 数据钻取 50
4．4．4 编辑交互 52
4．5 分析指标计算 54
4．5．1 计算同比/环比 54
4．5．2 计算品牌集中度 62
4．5．3 计算价格段分组 71
第5章 应用场景：客户分析 77
5．1 业务背景 77
5．2 MySQL数据加载与清洗 78
5．3 客户地域分布 81
5．3．1 提取省、市信息 82
5．3．2 统计地域客户数 83
5．3．3 计算人均消费金额 84
5．3．4 地域分布的四象限 87
5．4 流失客户分析 90
5．4．1 统计流失金额 90
5．4．2 分析订单付款间隔 91
5．5 客户生命周期 93
5．5．1 提取客户最近消费的时间间隔 93
5．5．2 计算消费间隔的累计占比 99
5．6 RFM客户价值分析模型 102
5．6．1 计算R 103
5．6．2 计算F 104
5．6．3 计算M 105
5．6．4 分析RFM模型 105
第6章 应用场景：货品分析 109
6．1 业务背景 109
6．2 品类销售分析 109
6．2．1 建立关系模型 110
6．2．2 合并查询 111
6．2．3 统计品类销售情况 114
6．2．4 计算商品真实售价 118
6．3 商品销售分析 124
6．3．1 商品地域分布 124
6．3．2 商品销售趋势 131
6．3．3 商品生命周期 134
6．3．4 波士顿矩阵 135
6．3．5 补货预测模型 142
第7章 应用场景：流量分析 146
7．1 业务背景 146
7．2 流量渠道分析 148
7．2．1 流量渠道分析报表 148
7．2．2 切换报表主题 151
7．2．3 快速见解洞察数据变化 152
7．3 关键词有效度分析 154
7．3．1 数据准备 155
7．3．2 词根有效度分析 157
7．3．3 词根裂变分析 161
第8章 应用场景：舆情分析 170
8．1 业务背景 170
8．2 舆情关键词提取 171
8．2．1 关键词提取 171
8．2．2 词云图及网络图 174
8．3 情感分析 178
8．3．1 计算舆情情感得分 179
8．3．2 分析情感得分 181
第9章 发布数据 184
9．1 将数据发布到Web 184
9．2 将数据发布到移动端 186