下面给大家介绍一个实战业务案例，主题是基于人、货、场的电商平台数据分析，分析的思路非常清晰，可视化报告的部分做的也很棒，非常具有学习价值。
一、场景介绍
业务背景介绍：小风是一名刚入职的BI工程师，在试用期结束期间，导师拿着一份电商数据给到小风，要求其给出合理分析结果
分析目的：小风通过分析电商平台两年内的销售情况和发展情况，找出平台发展对应结论，并给出相应改善建议。
分析工具：FineBI（拉到文底）
二、分析思路
首先我们明确这次分析的目的对于电商平台相关数据，分析发现问题并给出相关建议，决定从传统的人，货，场角度进行分析。
场的维度我们分析平台销售的健康情况和销售分布情况，接着我们通过货品分析，了解到该平台品类销售情况和产品的价格带在哪个位置，以此可以进行ABC分类的优化和了解平台产品定位
接着会员分析，我们了解到会员的增长趋势和会员的分布情况，发现会员也大量分布在巴西沿海，同时我们还通过AARRR模型和RFM模型了解到会员转化率情况及消费属性
其他分析-物流分析，最终分析了该平台的物流情况，发现物流不准时占比偏高，物流时间也偏长，但同时物流费用占比订单费用偏高，人们的消费和收到的服务不成正比，
整体分析脑图如下所示：
三、数据整理
数据内容：基础数据表主要为以下9张，如下图所示，AAARR模型表，巴西各州辅助表，表关系，地区经纬度表是我通过其他途径获得的辅助数据表
数据整理过程：
1、以Olist_order_dataset为核心表，链接各维度表，创建订单核心各维度聚合宽表。其表间血缘关系如下所示。
2、选取订单核心表，通过左右合并依次和各维度表进行合并
3、增加过滤只需要2017年至2018年的数据
4、新增列是否准时 通过预期物流到货时间和实际到货时间比较
5、新增列新老会员
6、订单核心各维度聚合宽表创建完毕，其雪花模型如下所示。
接下来是主要宽表和RFM模型表制作：
1、首先取订单核心各维度聚合宽表对应字段。
2、新增列，距今消费时间天数，后续可计算平均消费时间天数，并以此判断R值
同理，通过会员消费频次，计算平均会员频次，比以此进行F值计算
同理，通过会员消费金额，计算平均会员消费金额，并以此进行M值计算。
c、合并RFM，对R,F,M进行拼接
d、通过IF函数对RFM进行中文定义
至此相关数据处理完毕，数据整理告一段落。
四、数据分析报告
整体框架：整体排版按照故事的叙事来进行排版，具体为如下板块，任务背景，明确目的->“场”分析->“货”分析->”人”分析->其他分析->总结建议。
图表选择：图表选择可以看这张图，了解下每种图偏向的分析内容。
场分析:通过季销售趋势图及环比，还有各州金额分布分析了解平台销售走势和销售分布，了解平台销售是否健康及销售重点区域。
1）发现相较2017年，2018年的销售金额和销售量呈环比上升趋势，最近两季度略微下降，趋向平稳。平台客单价在175Reals/单浮动。说明平台整体的态势还是向上发展的。
2）了解到订单来源主要来自巴西沿海各州，其中圣保罗州，里约热内卢州，米纳斯吉拉斯州为订单量产出州TOP3，而反观巴西内地产出偏低，小风猜测这也许巴西经济中心集中在沿海各州有关。
货分析：通过帕累托分析品类销售情况，散点图探究品类宽度和销售关系，再通过价格带分析，了解平台产品定位。通过评价占比了解产品满意情况，通过产品完整性分析验证猜测。
人分析：分析平台会员走势了解平台会员健康情况，通过地图分布了解会员分布情况，通过AARRR模型了解会员转化率，通过环形图了解新老会员销售情况。
利用RFM模型给会员分层并确定重要价值客户分布。利用会员行为分析了解会员下单时间，付费方式和平均付款时间，还知道会员低分占比及评论时间趋向。
- 发现2017年至2018年会员总体呈上升趋势，但2018年第三季度呈现下滑状态。
- 通过会员各州分布和城市分布发现，会员主要集中在圣保罗州，里约热内卢州，主要分布城市为sao paulo riode janeiro
- 一般电商模型为AARRR模型，发现平台转化率在98%左右。
其他分析：通过物流准时度分析，物流时间占订单时间分析，平均物流天数分析，物流运费金额在总金额的占比，来评估顾客物流服务投入产出比，通过低评的非准时占比和物流时间来验证猜测。
- 顾客对物流服务的投入产出比低下，造成较大不满
- 低评确实是由物流因素引起
作品展示：
关于上述FineBI数据分析工具的获取方式，看下方！
转载：https://blog.csdn.net/u014514254/article/details/113591726