前段時間給大家寫了一系列關於互聯網行業的數據分析文章，主要分析具體的業務場景。
本文所使用的數據分析工具為FineBI，FineBI是一款可視化BI分析工具，既可以用於企業級的大數據分析，也可以用於個人數據分析。這裡需要大家先下一個FineBI 工具，連接好數據並進行以下步驟。
一、業務包搭建
在進行搭建數據可視化分析之前先來熟悉下我們需要分析的底層業務數據模型表（FineBI內置互聯網行業業務包，裡面有數據表）。本次數據可視化分析所需要涉及的相關數據表主要是地區維度表、推廣渠道維度表、用戶維度表、訪問統計事實表、訪問階段統計事實表這五張表，我們通過FineBI工具可以直接把這些數據表通過鍵關聯起來，自動建模。這樣在前端分析的時候，表之間的維度指標就有聯繫了，可以任意角度的上卷下鑽多維透視分析。
地區維度表
其中地區維度表主要包含地區的位置信息，可用於和訪問統計事實表關聯以獲取具體的地區數據。
用戶信息維度表
用戶信息維度表主要包含用戶的相關個人信息，如用戶名稱、年齡、性別等，可用於和訪問統計事實表、訪問統計階段事實表進行數據關聯以獲取用戶的相關基本信息。
推廣渠道維度表
推廣渠道維度表主要包含三級推廣渠道名稱，可用於可訪問統計事實表進行關聯以獲取訪問用戶的推廣渠道來源信息，便於進行用戶的回源追蹤和推廣渠道的完善。
訪問統計事實表
訪問統計事實表主要包含平臺在對應統計日期下的用戶停留時間、瀏覽量、訪問次數、跳出次數等指標信息，同時可與推廣渠道維度表、用戶信息維度表、地區維度表進行關聯以獲取相關維度信息。
訪問階段統計事實表
訪問階段統計事實表主要包含用戶每個訪問階段的平臺總停留時間，可與用戶信息維度表進行關聯以獲取訪問用戶的相關信息。
二、各區域用戶瀏覽量統計
首先對於互聯網行業的企業來說，其用戶往往是遍佈全國的，比如我們在南京搭建的網絡服務器，其平臺訪問用戶可能是來自全國各地的。像這樣包含地理信息位置等數據的分析統，使用FineBI內置的數據地圖再合適不過了。
接下來我們希望統計出各區域用戶的瀏覽分佈。可以看到，業務包中的地圖維度表原始數據僅包含地區以及地區ID和父ID三個字段。如果我們需要做出如最終效果圖所示按照省-市的地區分層進行地圖數據統計，該如何實現呢？
FineB有個功能叫自循環列，可對帶有層級的數據分層展示，比如時間（年-月-日）、地域（省-市-區/縣），類似於把“2018年3月14日”提取出“2018年”、“3月”“14日”的字段。如下圖所示，可以對地區維度表進行兩列的數據分層，分層依據的ID列選擇地區ID，父ID列選擇地區父ID，然後直接構建自循環列保存進行地區表的數據分層即可。
下圖就是自循環列分層得出來的結果。
得到具有層級關係的省-市數據後，我們把地區維度表分層之後的層級1、層級2拖拽到地圖組件分類框中，分別命字段為省份和城市，指標框中拖入訪問統計事實表中的瀏覽量。然後美化一下，將數值大小按照顏色分層，區間定位0~500，500~1000，1000~2000，2000~3000，3000~無限制區間。然後就能看到不同省份，瀏覽量的分佈（顏色深淺代表大小），然後進一步點擊某個省，就能看到對應鑽取到城市之間進行用戶瀏覽量數據分析統計。
三、關鍵指標統計
對於瀏覽量、訪問次數等用戶瀏覽的關鍵信息，我們可以通過FineBI儀表盤進行直接的數據指標彙總統計，直觀展示各個平臺關鍵指標的達成進展。如下圖所示，選擇訪問統計事實表中的瀏覽量、跳出次數、訪問次數字段，拖拽至儀表盤的指標框中，然後在樣式屬性中選擇刻度漕型儀表盤。
之後就能可以直接看到它們的指標統計結果，分別為23917、8267、9175，跳出次數較訪問次數而言相差不大，跳失率較高，說明平臺內容建設有待優化。
四、用戶類型跳失率分析
接下來我們希望進行對不同用戶等級群體之間的訪問跳失率數據計算統計，觀察和分析不同用戶群體之間的訪問次數、跳出次數和跳失率之間的指標差異。
首先我們選擇用戶維度信息表中的用戶類型字段作為我們組合圖的分類軸，然後左值軸拖拽選擇訪問次數以及跳出次數指標，右值軸新增計算指標跳失率=跳出次數/訪問次。同時指標的圖表類型方面，左值軸的指標都設置為柱狀圖，右值軸的指標設置為折線圖，並且將單位數量級修改為百分比格式進行數據圖表的分析展現。
如上圖所示，該平臺的VIP用戶、老用戶、新用戶這三大類型的用戶平臺訪問跳失率分別為97.15%、91.00%、87.37%，這嚴重說明了平臺的用戶黏性做得不夠好，大多數用戶都是以一次性消費為主，回頭客較少。對於這種類型的互聯網平臺，則可考慮針對老用戶以及VIP用戶多做一些平臺商品優惠推送活動，同時多做一些老用戶調研和老用戶回訪，增強平臺和用戶之間的互動溝通，提高用戶和平臺之間的黏性。
五、用戶瀏覽量訪問TOP10
還有一個很重要的分析是用戶活躍度統計。以用戶的平臺瀏覽量統計為例，我們往往會比較關注平臺較為活躍的用戶然後進行有針對性的激勵或者用戶拉新共創運營。首先我們選擇用戶信息維度表中的用戶名稱作為分類軸，然後值軸放置訪問統計事實表中的瀏覽量指標，統計每個用戶在平臺所產生的總瀏覽量。接下來我們對用戶名稱字段進行過濾，過濾條件設置為瀏覽量屬於前10個用戶，然後按照瀏覽量進行降序排列，即可得到如下圖所示的用戶瀏覽量訪問TOP10統計圖。
可以看到，Blanche、Henry、Christina這三個用戶平臺的瀏覽量非常高，排名前三，平臺需要重點關注進行活躍用戶運營，例如採取一些以老帶新的激勵形式的制度對平臺產生新用戶引流效果，同時實現平臺和用戶之間的共贏。
六、平臺用戶年齡段流量統計
對於互聯網平臺而言，用戶是我們的衣食父母，所以對於用戶畫像方面的特徵統計對於我們渠道推廣來說具有指導意義。下面我們進行平臺的用戶年齡段流量統計，首先拖拽用戶信息維度表中的年齡字段（內置業務包中，用戶信息維度表的年齡字段為字符串類型，此處我們可以在ETL處先新增列轉化為數值類型）到分類軸中，然後左值軸中選擇訪問統計事實表中的瀏覽量字段作為統計指標。
此時我們會發現FineBI會自動按照用戶年齡進行步長為10的分組統計，也就是按照10~20、20~30、30~40、40~50之間進行各個年齡段的平臺訪問量區間統計。從上圖數據中可以看出，該平臺的主要用戶群體為20~30歲之間的年輕人，這也符合當代互聯網人員年齡群體分佈。針對於此，平臺在做一些渠道線上或者線下營銷引流推廣的話，可以針對與20~30歲之間的年輕用戶群體進行定向營銷。
七、各渠道瀏覽量分佈
對於平臺引流推廣來說，我們通常需要進行各個渠道的定向推廣以達成新用戶引流的效果。所以針對於各個營銷推廣渠道，我們需要及時進行效果監測。該平臺推廣渠道分為三個層級，對於這類多層級的數據分析統計，選擇多層餅圖進行統計計算再合適不過了。我們將推廣渠道維度表中的一級渠道名、二級渠道名、三級渠道名分別拖拽到多層餅圖組件中的分類軸中，然後指標框中放置訪問統計事實表中的瀏覽量字段，進入到樣式屬性設置界面，將多層餅圖的內徑大小調節為60即可。
如上圖所示，目前平臺的瀏覽量推廣渠道來源大多數都是新媒體營銷渠道，佔據64.59%，但是線下來源所帶來的用戶產生的平臺瀏覽量卻僅為14.43，具有較大提升空間。除此之外，我們還可以通過多層餅圖便捷地查看其他渠道的一些推廣引流效果，即時監測以便及早發現問題、解決問題。
八、用戶行為階段統計雷達圖
最後，再來研究一下平臺的用戶在各個行為階段的停留時間分析，以便了解用戶在各個階段所耗費的時間。比如瀏覽商品時間過長，就可以考慮平臺的搜索引擎以及商品推薦機制是否完善；如果付款階段稿費時間較長，是否可以是因為平臺的付費渠道不夠豐富，可以考慮增加一些更為通用其他支付渠道等。
像這一類長短板對比數據分析的統計，我們常常可以使用雷達圖進行相關數據的圖表展現。首先我們分類軸選擇訪問階段統計事實表中的最後訪問階段字段，同時系列軸選擇訪問平臺字段，指標軸選擇總停留時間字段，然後再新增計算指標將原來的總停留時間單位換算小時（原來為秒，除以3600即可）。
如上圖所示，我們便成功統計出了用戶在各個行為階段總共所停留的時間情況，不難發現從訪問平臺用戶在每個階段的停留時間總體上IOS>安卓>移動瀏覽器，這說明對於平臺來說IOS用戶還是佔據主流群體。另外用戶在下單和添加購物車環節所佔據的時間都不算短，這塊可以考慮平臺用戶在下單和添加購物車環節流程上是否有優化空間。
九、佈局和配色
以上就是我希望在互聯網數據大屏上展示的各分析模塊，共同構建成一個互聯網駕駛艙，作數據監控用。這裡內置的數據可能並不科學，分析可能也不夠嚴謹，主要目的是讓大家熟悉下製作的流程和具體的操作。
各分析模塊製作好以後，接著我們給整個儀表板添加一些美化的元素，比如標題、背景、一些動效，來增強儀表板整體細膩感。
這裡我設置的儀表板背景（R，G，B）為（0，0，0），標題欄背景（R，G，B）為（36，38，64），其他顏色參考FineB自帶的全局樣式配色即可。
最後，通過反覆預覽，調整各個組件之間的間隙、大小、比例來美化一下。
大屏的核心還是在於每一個模塊的數據分析。對於自己（數據分析師、業務分析師），一個大屏就像一個報告，能給領導講述一個故事，講究完整性。其次，領導看了這個大屏，對於心中所關心的數據，能一目瞭然，知道這個指標低了，問題出在哪裡。這也就達到了支撐決策的目的。
最後，希望小夥伴們都能快速上手，根據企業的實際數據分析業務需求情況，給自己的老闆打造一款類似的管理駕駛艙呢~升職加薪，指日可待！
閱讀更多 數據分析不是個事兒 的文章
