資料分享少不了商業分析思維，以及對業務的理解。很多時候覺得思維不夠健全，或者分析沒有思路，其實都可以藉助思維模型的學習來補足，加速分析的成功。昨天分享了《数据分析师需要掌握的35个商业模型（一）》，今天我們接著來聊資料分析是需要掌握的其他商業模型。

這篇文章敘述了35個思維模型&數據模型。思維模型會給你提供一種視角或思維框架，從而幫助你建立起觀察事物和看待世界的視角。通過這些模型，能夠幫助大家快速上手數據分析，減少大家自我探索過程中的彎路。

這篇文章爲大家介紹了6大類14款資料視覺化工具，非常實用喔！

IDC機構發布的《2019年上半年中國商業智慧（BI）市場跟蹤報告》表明，BI廠商帆軟已經超越了SAP、IBM、Tableau、Microsoft等眾多國際巨頭廠商，在各大主流BI產品中以56.7%的市場佔有率位列第一。帆軟目前主要的產品包括FineBI和FineReport，分別滿足客戶不同的資料分析需求，那麼FineBI和FineReport憑藉什麼能夠在大陸市場擊敗國際BI大廠，獲得如此之高的市場份額？今天我們主要將FineBI和PowerBI的進行了深度對比，列出了9個選用FineBI的理由。 填寫表單申請免費試用FineBI：FineBI免費試用 如果你正在尋找一款BI分析工具，希望這篇文章能給你的選型帶來幫助！ 一、廠商背景 FineBI來源於帆軟公司，早期於2006年創立，目前已經發展為大陸最大的BI分析平台提供商。公司旗下的FineBI產品早期於2013年發布V1.0，目前最新版已經迭代到FineBI V5.0，主要面向企業客戶（個人使用者免費全功能使用，但是限制2個並發使用者），在各行業有著眾多的成功應用案例。 Power BI來源於微軟公司，第一個商業版本於2015年7月發布，但是微軟早在2013年就將大量的Excel使用者社區與Power BI的beta版本聯絡起來。它是在微軟的SQL Server Reporting Services團隊中成立的，主要基於進階Excel功能，包括Power Query，Power Pivot，Power View和Power Map，Power BI則是微軟將它們作為集合推出。 二、整合資料源 首先是對常規的檔案資料如Excel、CSV等，FineBI和Power BI都是支援直接進行對接分析的。 對接企業的資料庫能力方面，傳統的資料庫例如Oracle、SQLServer、MySQL等兩款BI工具都是支援直接進行對接。 但是Power BI在對於企業現今比較流行的大數據平台則例如Kylin、Derby、Gbase、ADS、Hbase、Mongodb等是不支援的，FineBI則可以直接連接，這一點FineBI比PowerBI的大數據平台對接能力更強。另外在對於一些資料庫的認證方式上，例如FineBI支援的kerberos認證連接方式，PowerBI也無法支援。 多維資料庫的連接上，PowerBI僅支援對接Ssas多維資料庫，不支援SAP BW、Essbase多維資料庫，FineBI則可以通過伺服器資料集進行對接。 在一些需要基於java定製的api程序資料集，PowerBI不支援進行對接，FineBI則可以進行對接基於java api的程序資料集。 Power BI對於一些聯機伺服器資料源支援的比較好，也許是由於這類資料個人使用者用的比較多，例如Google分析、appFigures等資料，這一點FineBI是不支援的。 總結： 從資料引擎的對接能力來看，FineBI對企業資料平台的對接能力更強，Power BI對一些個人使用者使用的比較多聯機伺服器資料源支援的比較到位。 三、資料建模、處理能力 資料建模： FineBI和Power BI的資料模式都支援實時和抽取模式，但是抽取模式下，由於FineBI的採用的分布式架構引擎進行資料的欄式儲存（支援十億大數據量），PowerBI的資料引擎在抽取模式下僅僅是將資料以列式儲存方式匯入，所以在面對海量大數據時FineBI比PowerBI計算速度更快、性能處理更加強大。另外在資料編碼上，FineBI支援對資料進行多種編碼類型轉換，PowerBI對這方面的轉換是不支援的。 在基礎資料關聯建模方面，FineBI和PowerBI都能夠對基礎的元資料建立維度表和事實表之間的關聯關係，形成關聯模型，以提高資料視覺化分析階段的效率。關聯操作上PowerBI建立資料關聯可以直接進行關聯連線設定，這裡比FineBI更為便捷。 但是深入使用對比會發現，PowerBI的資料模型建立之後只能針對當前報表進行使用，而FineBI建立好的資料關聯模型則是以基於業務為主題的業務包形式進行儲存，這樣一來FineBI的資料關聯模型在做視覺化分析時也就能夠無限復用了。 但是在資料源種類整合時，PowerBI無法對不同來源的資料進行實時整合建模，例如下圖所示，PowerBI會自動禁用多個資料源的實時建模，需要將資料模式全部修改為抽取資料才可以進行整合關聯建模。 而FineBI在處理跨資料源關聯建模時，由於特有的智慧內存化機制，即時面對不同來源的實時資料，FineBI也能智慧進行內存化關聯建模，這方面強於PowerBI。 資料加工 對於資料的清洗加工處理方面，PowerBI雖然提供了一些視覺化介面的操作選項，但是在實際進行資料加工處理時還是比較依賴M語言和DAX函數的（面對一些複雜的例如需要做自循環欄分層的資料無法處理），需要使用者有一定的公式編碼書寫能力。 而FineBI在資料加工處理這方面對使用者比較友好，提供了非常強的全視覺化操作的自助資料集供使用者使用，過濾、分組匯總、新增欄、合併表、自循環欄、列欄轉換等操作都可以快速進行處理，極大地降低了使用者進行資料清理和資料加工處理的門檻和時間成本。 總結： PowerBI和FineBI在資料建模和資料加工能力方面的綜合能力對比，FineBI總體強於PowerBI，另外PowerBI在資料建模加工所需要的M語言和DAX函數對使用者的技術能力要求相對較高。 四、資料視覺化能力 a.圖表 視覺化展現能力方面，Powe BI內置的圖表種類相對較少，例如一些常用的玫瑰圖、多層餅圖、詞雲圖、熱力地圖、流向地圖等都不支援（需要進行市場圖表拓展下載使用）。圖形屬性方面還算豐富，可以由使用者自定義進行圖表樣式屬性的設定調節。 前面提到，PowerBI雖然內置圖表庫相對單調，但是提供了一個豐富的PowerBI圖表拓展市場供使用者進行下載使用，圖表類型的拓展能力還是十分強大的。 FineBI在圖表類型方面相對比較創新，採用了全新的設計理念，由此提供了無限的視覺分析可能——無限的圖表類型，不限制的圖表屬性組合映射效果以及智慧的圖表推薦功能。 較Power BI而言，FineBI擺脫了傳統圖表類型的桎梏，提供給使用者更為友好的智慧圖表推薦功能，對於使用者來說再也不用糾結選餅圖好還是選柱狀圖好了，這一點給圖表選擇困難的同學是可謂是帶來了一個天大的福音。另外，FineBI由於支援使用者將欄位綁定到圖表的顏色、大小、形狀、標籤等屬性，這樣一來圖表的視覺化展現能力也就更加豐富靈活了，我們可以通過資料——>圖表屬性的無限組合，盡情地進行資料視覺化認知的探索和洞察。 但是在圖表的拓展能力方面，FineBI沒有類似PowerBI的可拓展圖表庫供使用者下載使用，這方面較PowerBI稍有不足（不過FineBI的內置的圖表類型非常豐富，結合智慧靈活的圖表設計模式基本也夠使用者用了吧）。 b.前端視覺化展現 […]

如何恰当的提供能包容多数人需要，同时又符合数据价值的“更酷炫”效果呢？

今天我想來diss市面上各種花里胡哨、出其不意的視覺化。 以上的視覺化大屏，乍一眼看上去，毫無重點，眼睛不知道往哪放。指標羅列太多，指標與指標之間沒有支撐性，也缺乏分析的內涵。即使是實時的資料，也沒有監控的動力。一句話評價：雖酷炫而然並卵。 尤其是對那些特別重視實用價值的公司/領導來說，空有好看的效果而沒有實際的內涵，可能會被領導評價為「花架子」，不務實，不好好工作，欲哭無淚有木有？！ 其實，視覺化大屏做得好不好，酷炫是其次，放哪些資料指標，能夠讓人一目了然看到關鍵信息，聯絡到業務實際，才是最需要關注的方向。 那麼，大屏指標到底該怎麼選？ 一串資料，按地域、按時間、按比率、按排名、按環比、按同比，就能整出10多種幺蛾子來。大屏就那麼大，該投哪些指標？ 一、先來看看什麼是好的資料指標 《精益資料分析》一書提到一些好的資料指標的準則。 1、好的資料指標是可比較性的：如果能比較某資料指標在不同的時間段，使用者群體，競爭產品之間的表現，可以幫助我們更好的洞察產品的實際走向。如某醫療APP本週的患者購葯率比上週高，通過不同時間段的對比，可以找出「高」的原因。 2、好的資料指標是簡單易懂的：團隊或公司其他同事都能輕易的記住或討論這個指標。如使用者增長率、利潤率、回款比率。 3、好的資料指標是一個比率：比率是天生的比較性指標，比如通過每月新增使用者率來判斷產品的使用者是否在穩步上升。突然上升說明有關鍵行為，不上升說明拉新、產品使用等環節有問題。比率是個能導致行動的指標，操作性很強。這也恰恰是我們要的。 那麼，在知道了什麼是好的資料指標之後，應該如何找出好的資料指標呢? 二、如何找到正確的資料指標 有4點需要牢記在心。 1、定性指標>定量指標 定性指標通常是非結構化的、經驗性的、揭示性的、難以歸類的。量化指標則涉及很多數值和統計資料,提供可靠的量化結果,但缺乏直觀的洞察。 2、可付諸行動的指標>虛榮指標 虛榮指標看上去很美,讓你感覺良好,卻不能為你的公司帶來絲毫改變。相反,可付諸行動的指標可以幫你遴選出一個行動方案，從而指導你的商業行為。 3、報告性指標和先見性指標 多數視覺化都是反映現在及過去的資料情況，技術上能保持實時最好。先見性指標是推測性的，預估將來所呈現的結果。報告性指標和先見性指標需要視業務情況來定。如庫存存量的資料預測，可幫助預判生產進度，避免銷售斷崖。報告性指標用於公司日常運營、可以保持信息通暢、步調一致。 4、相關性指標與因果性指標 如果兩個指標總是一同變化,則說明它們是相關的，可以放在一張圖表裡展示，比如柱狀圖+折線圖的形式。如果其中一個指標可以導致另一個指標的變化,則它們之間具有因果關係，可放於一組對比。 三、分享指標選取的「北極星」套路 正逢最近在給某地產公司做銷售大屏專案，需求比較簡單，就是展示集團的銷售情況。下面就通過這個例子，給大家分享指標選取的「北極星」套路，分三步。用的是報表工具FineReport，因為涉及到多資料源以及後台與資料的實時重新整理。 第一步：確定一個北極星指標 一般而言，輔助領導經營決策的大屏都會有一個明確的主題，比如一下這張（半成品）「地產公司銷售大屏」。針對這種主題明確的大屏，選取指標時可以用——多維度拆解北極星指標法。 「 North Star Metric 」 北極星指標。又叫做 「 OMTM 」，唯一重要的指標。之所以叫北極星指標，是因為這個指標一旦確立，就像北極星一樣，樹立了主題和方向。 這張大屏上，我們可以一眼看到這個北極星指標就是2018年銷售總額，是該地產公司銷售部最關注的指標。 第二步：多維度拆解北極星指標 北極星指標一般而言都是一個數字總計值，通過對這個值的多維度拆解，領導能夠對於北極星指標有一個更深層次的直觀了解。 1、從時間的維度上看北極星指標的變化情況 從這張大屏中我們可以看到，該企業將銷售額的指標用組合圖展示出來，按照月份進行分類，一眼就可以看出這些資料的走勢情況。 2、從地理的維度上看北極星指標的分布情況 因為這家企業幾乎在全國各地各省都有大大小小的地產專案，分地方性大小區域及銷售團隊，所以地圖展現銷售額是非常必要的。將銷售額指標用組合地圖進行了展示，每個地區的銷售額情況一目了然。 3、從佔比的維度上看北極星指標的完成情況 相對於整體指標，佔比更能夠展現某一個資料指標佔據整體份額的情況，從這張大屏中我們可以看到該企業將年度銷售額的完成率用儀表板的方式展現出來，這樣就能夠讓領導和boss層門隨時知道總體目標的達成情況。 4、從子部的維度看北極星指標的排名情況 一個公司或者集團往往是由多個分公司，事業部或者專案組成，這些不同的子部的指標合到一起構成了公司的整體指標。從這張大屏中可以看到，設計者分別按照分公司和專案銷售額的維度，並對銷售額進行排名，可以直觀地看到排名前幾地分公司和專案分別是哪些。 這兩個指標都用了條形圖，也可以用柱形圖，看個人喜好。 5、從支撐的維度上看北極星指標的完成情況 一個北極星指標往往是由其他指標支撐起來的，比如銷售額=合同金額的總和，實際銷售額=回款金額的總和，合同金額和回款金額就是銷售額的支撐指標。這張大屏就是將北極星指標的支撐指標用折線圖展示出來。 看到這裡，大家可能差不多能理解我（瞎取的）「北極星指標選取」思路。核心就是確定主圖——選取北極星指標——依據關聯、因果關係拆解指標，類似「金字塔原理」。這樣思路就很清晰，以小見大，再大型的大屏專案也可以看草這樣的思路，而不是一味的指標堆砌，毫無分析邏輯。 當然，選取大屏指標的方式肯定不止這樣一種，小編只是選取了其中很容易上手的一種，拋磚引玉。 最後，關於大屏專案，這裡用的是報表工具FineReport，感興趣的可以戳下↓↓↓了解！ 了解更多

工作中我們常常會遇到各種各樣的資料，為了分析這些資料，往往會將其視覺化。資料視覺化的第一步就是選擇合適的圖表。 怎麼做圖表？從Excel時代起，大家固有的思維就是按：有幾個「分類」，分幾個「系列」去填充資料。選擇能直觀展現結果的圖表來展現。這個過程其實是先有大致的資料分析結果，後用圖表來表達，我們稱之為視覺化1.0。而且，對於這種傳統圖表的展示形式，資料分析統計的人員來說往往會存在這樣一些問題： a.視覺化效果取決於工具所提供的有限的圖表類型 工具提供的圖表類型是有限的，而分析的需求是無限的。設想一旦分析的結果是多維的，手中的圖表就那麼幾個，那資料視覺化就很受局限。 b.理解 「分類」/ 「系列」等一系列人為定義的屬性，本身就有很大的使用難度 這個小編深有體會，每次用excel做圖表，我都不懂何為分類，何為系列，各種抓瞎點擊。雖然excel 2013版本之後能自動出圖表，但維度一多，免不了各種調試。其實「分類」，「系列」等概念，對於初步接觸分析的使用者來說，還是要花點時間深入理解的。 c.不知道用什麼圖表，為了做圖而做圖 從大部分想要資料分析的使用者調研來看，有59%的使用者表明「採用什麼圖表分析展示資料，是使用者面臨的最大問題。 所以，現如今資料分析盛行且極有可能在未來成為必備技能的時代，圖表更應該輔助分析，在龐大、雜亂無序的資料中講信息精簡出來，伴隨分析思路，幫助探索式分析，我們稱之為視覺化2.0時代。 市面上的視覺化工具大多是1.0，能輔助分析思路，視覺化展現圖表的工具並不多，tableau是先驅。而最新出來的FineBI 5.0版本，除了探索式資料分析的體驗，帶有資料探勘屬性，可動態展現的特性，也同樣值得推薦。 FineBI V5.0的視覺化分析是基於著名的圖形語法(The Grammar Of Graphics)設計，由此提供了無限的圖表推薦，不限制屬性映射效果以及全新的分析功能。 它取消了圖表類型的概念，以「形狀「和對應的「顏色「，「大小「，「提示「，「標籤「等屬性（除支持自由設定之外還支持與欄位綁定動態展現）進行圖表類型替代，這樣一來FineBI也就擺脫圖表類型對視覺化效果的限制，從而達到無限制圖表類型的展現能力。 智慧圖表推薦展現 FineBI能夠根據使用者拖入的欄位（維度類型/個數、指標個數、資料週期性）進行智慧圖表類型推薦，用最適合的形態進行當前的資料統計呈現。 舉個簡單的例子，你拿到一串資料，比方說講「月份」「銷量「兩個維度拖到面板匯總，就會自動選擇用柱形圖來展現。 如上圖所示，從此以後再也不用糾結用餅圖做好還是用折線圖做好了。 FineBI可視化效果： 分析性圖表 圖表是追隨於資料分析思路的。 比如「分面展示」其實是提供了一種將多項指標並列分析的資料觀察視角。比如我想同時觀察溫度和襯衫銷售的資料趨勢，這個時候就可以使用分面分析來進行資料統計觀察。通過分面，可以分析不同指標的相關性，從而發現資料的潛在關聯。 列舉一個簡單的例子，我們使用分面展示模式來觀察不同學歷對加班時長和收入的影響（非實際資料）： 不同年份的銷量與增長值之間的關聯（非實際資料）： Dashboard——構建資料分析故事 通常我們在做一些資料報告性質的場景下，需要利用資料創造出吸引人的、信息量大的、有說服力的故事。而FineBI除了提供無限的圖表分析之外，儀錶板還可供使用者進行靈活地資料圖表佈局分析，輕鬆構建出你的資料圖表思維邏輯，讓你擁有獨到的洞察性資料見解，進而達到有效溝通或者資料彙報的目的。 地產銷售視覺化資料分析故事 ——銷售額逐年逐月上漲 ——各市房地產銷售額均較高 ——高層賣的好，銷售面積遙遙領先 ——住宅的銷售在各年份都處於領先地位 多角度銷售視覺化資料分析故事 ——何時何地應該出售什麼？兒童服裝、女士服飾、男士服飾？ ——哪種品類銷量最好？ ——哪個區域銷量最好？ ——哪個門店銷量最好 ——哪個品牌銷量最好 ——哪一天銷量最好？ 圖表自我調整 除了豐富的圖表呈現心態之外，FineBI中提供四種圖表內部的自我調整模式，包括： 標準適應：內置演算法，當橫縱向資料較多時，圖表內部自動生成對應方向的滾動軸。 整體適應：橫縱向填充滿當前展示元件。 寬度適應：橫向填充滿資料，縱向根據資料情況，判斷是否出現內部滾動軸。 高度適應：縱向填充滿資料，橫向根據資料情況，判斷是否出現內部滾動軸。 四種適應模式，滿足使用者dashboard設計時，不同的佈局需求。同時，FineBI還支持使用者手動調整坐標軸元素寬度，滿足更多的自定義展示需求。 動態圖表呈現 除了靜態的圖表展現之外，FineBI還支持使用者增加圖表注釋以及閃爍動畫，可由使用者自由定義條件進行動態展示，打破了傳統圖表靜態呆板的呈現形式，讓使用者體驗更加生動的資料圖表展現效果。 大數據圖表性能 此外，FineBI提供的圖表大數據模式，依靠前端性能，可支撐百萬以上資料量的圖表展示。 […]

本文將為大家解讀一下有關建築企業進行資料分析的三個問題，明確在行業快速變化的大環境下，我們對於資料應該有什麼追求，才能支撐企業生存下去並且能有足夠的盈利能力。要明確的三個問題：什麼是資料分析？建築企業的哪些環節需要做資料分析？資料分析結論是給誰看的？對於他們有什麼價值？

近期在帆軟相關技術人員的現場指導下，對某一應用系統的生產環境進行了升級和部署。第一次真切的感受了帆軟團隊的技術實力，目前FineReport 10.0的工程運行良好，現將體驗分享給大家。

眼下資料科學家正夯，被哈佛商業評論稱為「21世紀最性感的職業」，Google、FB、Apple等大公司也爭相搶奪資料科學人才，並給出令人咋舌的薪資。性感的背後是人才的緊缺和人才培養的高難度。那麼成為一名資料科學家都需要些什麼，為什麼那麼困難呢？ 首先，需要深入而廣泛的知識儲備。 這其中包括： 1、熟悉基本的編程語言。 資料科學家其實也是工程師，雖然不像前端工程師那樣編寫Web應用程序，但是需要負責架構資料處理管道，設計和實現模型，以及開發系統評估和度量計算的基礎架構。可以想像，執行這些任務需要使用高級編程語言（例如Python，R，Matlab或Julia）以及資料科學特定庫（例如Pandas，Scikit-learn，Matplotlib，或Tensorflow）。僅僅這一項技能可能就需要一年以上本科計算機科學學習。 2、數學知識。 資料科學家必須熟悉各種數學方面的知識，例如統計學，概率論和線性代數。通常在傳統的資料科學角色中，你需要能夠閱讀描述某些模型或資料集的學術論文，並利用和實現論文的關鍵思想，做到這點很不容易，因為數學領域的論文不是面向普通公眾的科普文，要弄懂它需要對數學概念和符號非常熟悉。這項技能比編程語言更加重要，它是資料科學家成為好的資料科學家之所在。 3、資料處理能力。 使用，理解和操縱資料與其他傳統工程工作完全不同。你可能經常看到未經過濾，不完整和稀疏的資料集，並期望從中獲得有意義的內容。這就要求你能夠輕鬆處理遇到的各種資料，比如： 如何補全缺失值？ 如何處理/刪除異常值？ 如何獲得更多均勻的標籤分佈來訓練我的模型？ 哪種特徵與我的模型最相關？ 如何檢測/處理模型過度擬合/欠擬合？ 哪些指標對評估模型性能最有用？ “““ 可以看到，要想成為一名資料科學家，需要了解的知識非常廣泛，而且每一門知識都需要深入研究學習而不是淺嘗輒止，這也是它為什麼入門門檻高的原因。但很多人都可以通過系統學習掌握這些知識技能，不一定非要進入頂尖的大學學習。 關於資料科學家需要掌握的知識，可以閱讀： 書單 | 從入門到精通，數據分析不得不看的10本「好書」！ 10年數據老手建議：從入門到專家，如何規劃資料分析職涯 2018資料科學網路資源大推薦！線上課程&博客 其次，資料科學家不是一個基礎職位，需要大量的實踐。 很多人一上來就說怎麼樣才能成為一個資料科學家？要知道實際上這個職位並不是一個基礎性職位，你剛畢業或是剛剛讀完幾本資料分析的書就可以勝任的，理論知識只是第一步，是基礎的部分。接下來你還需要大量的實踐磨煉。在真實的工作環境中，遇到各種各樣的資料集，逐步去解決複雜問題，開發出實用的解決方案。