《大数据可视化》课件 第9章 大数据可视化的行业案例.pdf

大数据可视化A 第九章大数据可视化的行业案例9.1 电商行业销售数据分析9.2 广告投放效果分析9.3 金融行业贷款数据分析9.4 能源行业油井数据分析9.1电商行业销售数据分析第九章大数据可视化的行业案例实验目的对于电商行业来说，每天的交易都会产生非常庞大的数据，如果能 够对这些数据做到合理的利用，就可以规避风险，创造更大的利益价值。对于销售产生的大量数据，首先我们要确定有哪些值得分析的问题。问题L各地区总体的销售额和利润及利润率问题2：各省市的销售额利润情况，有哪些省市利润存在亏损问题3：哪些商品的利润值比较大，哪些商品是亏损的问题4：根据历史数据预测，当销售额达到一定的数值时会有多大的利润9.1电商行业销售数据分析第九章大数据可视化的行业案例实验步骤数据源以各地区销售占比分析为例，登录魔镜，新建项目，添加新的数据源，上传数据源 excel表“超市数据分析”唐喑还熨硝举贤 miy文本类型O j数据源CSV9.1电商行业销售数据分析第九章大数据可视化的行业案例实验步骤数据处理进入数据处理页面，点击快速分组，将订单拖入快速生成业务分组X输入您要搜索的内容订单超市销售分析订单退货 销售人员订单字段业务名称维度Id tMName 度量行ID行O订单ID订单O订单日期订单日期Q发货日期发货日期O邮寄方式邮寄方式Q客户ID客户Or*-XM+4m_o_1*订单9.1电商行业销售数据分析第九章大数据可视化的行业案例实验步骤一数据分析进入数据分析操作台，数据分析操作台页面呈现导航区，业务对象区，建模区，图表类型区，可视化图像区等5个区域业务对象区提供了大数据分析的数据内容建模区提高了行列规则区域标记区域设置不同的数据对象，在不同分析图表中以什么角色参与绘图及呈现筛选区域设置对展示数据的筛选及过滤图表类型区域提供了丰富的可视化效果图，让用户给予展示需求，设置最优的图表进 行展示。同时可视化绘图区域还提供丰富的图上操作，例如上卷下载，探索及设置魔说J0数果分析入制的内RffXRH 公共皿R 示例立堀利湖表（横）MV”就叫军“准训喇事 rFawwvj*业务对象区可视化图像区9.1电商行业销售数据分析第九章大数据可视化的行业案例选择饼图，将“地区”“销售额”拖入标记中的颜色和角度，可以看到各地区的销售占比。9.1电商行业销售数据分析第九章大数据可视化的行业案例分析结论通过分析我们可以看出，从各地区销售情况来看，其中华东和中南地区销售额占比比较大。A 第九章大数据可视化的行业案例9.1 电商行业销售数据分析9.2 广告投放效果分析9.3 金融行业贷款数据分析9.4 能源行业油井数据分析 9.2广告投放效果分析第九章大数据可视化的行业案例实验目的通过对某产品一个月网络广告监测数据的分析，从本月广告 投放效果趋势、不同广告创意投放效果、不同广告位投放效果等 三个角度分析，对该产品的网络广告投放效果进行评估，为后续 广告投放策略的制定提供参考。9.2广告投放效果分析第九章大数据可视化的行业案例实验步骤数据源以广告日数据监测分析为例，登录魔镜，新建项目，添加新的数据源，上传数据源 excel表“广告监测数据表”总览 广告创意 广告位+曰期星期成本费用展现点击数成交额2014/7/1期二43,3485,362,76825,15851,5862014/7/2星期三42,9815,287,21726,07571,2052014/7/3星期四51,7735338,41826,89272,8742014/7/4星期五54,0506,625,73028,46172,3912014/7/5星期六54,0096,546,22728,24562,7712014/7/6百日54,0466,096,03129,86647,5332014/7/754,0756,165,50230,72473,7012014/7/8期二50,9875,806,51029,24180,9982014/7/9星期三50,4716,197,92127,11384,5432014/7/10星期四49,5396,190,75230,06575,5982014/7/11星期五48,2325360,03423,98953,1502014/7/12星期六49,5166,318,82928,00962,3852014/7/13期日49,8186,416,27628,15264,4592014/7/14孰一49,9036,096,14525,92945,7672014/7/15四二51,2626,427,80628,39558,7252014/7/16星期三54,7737,285,17030,29798,2422014/7/17星期四52,5486,810,16833,60094,7482014/7/18星期五48,5407,808,75033,89176,2022014/7/19星期六53,3958,871,92939,65995,1762014/7/20病日54,0938,626,59440,814116,9832014/7/21胸一58,2598,353,88437,426117,1932014/7/22毁二58,2067,150,58033,359114,9152014/7/23星期三50,9307,947,68435,54756,3852014/7/24星期四46,3926,593,05725,66346,5492014/7/25星期五46,1906,525,90825,23839,0322014/7/26星期六43,0807309,12035,83870,2852014/7/27百日42,7967751,13641,29263,9722014/7/28期一43,6227,556,95336,00995,6612014/7/29期二39,8256,036,92234,37962,2362014/7/30星期三36,3036,246,94347,68081,0222014/7/31四45,196 6,515,98351,38867,152O 数据源文本类型 9.2广告投放效果分析第九章大数据可视化的行业案例实验步骤数据处理、数据分析上传数据源进入数据处理页面，点击快速分组操作后，进入数据分析台。首先 来分析下广告的本月投放效果趋势。在“总览”分组中将“日期”拖入列，“成本费用”“点击数”“成交额”拖入行，选择线图，保存命名周投放趋势。国保存22 22222222222222222 222222222222000000000000000000000000000000011111111111111111111111111111114444444444444444444444444444444 0000000000000000000000000000000 7777777777777777777777777777777：度量名称成本费用点击数成交额9.2广告投放效果分析第九章大数据可视化的行业案例分析结论通过分析我们可以看出，本月广告点击数和成本费用基本保持不变，成交额变化参差不齐。A 第九章大数据可视化的行业案例9._ 1电商行业销售数据分析9.2 广告投放效果分析9.3 金融行业贷款数据分析9.4 能源行业油井数据分析9.3金融行业贷款数据分析第九章大数据可视化的行业案例实验目的正在兴起的大数据技术将与金融业务呈现快速融合的趋势，给未来 金融业的发展带来重要机遇。如何根据银行数据对其经营状况做出合理 分析？本章中将针对这一问题进行案例分析。本案例通过一个定量研究银行贷款与利润分布的数学模型，从而查看 各地区的贷款情况和不良贷款记录、利润分布特征与变化。我们根据已有 数据对该银行的经营状况、各地的消费与贷款情况等做出分析，制作仪表 盘。9.3金融行业贷款数据分析第九章大数据可视化的行业案例实验步骤数据源A科目 件、此收入净利息利,120 MC 2013利方手续手2 其他非公，投主 汇j 经另 保P 营、Ik费用、比务及 员二 折I 租t 共彳营、叱税 保险申 资产减165,8631 12,000222,834145,72782,16858,4285,13137,7498,31843505051 0193624269467176 2,&3,7,2,0,4,1,3 9 7 2 7 5 231,0401 10,83464,1026,18641,3819 6 9 129 3 6 2 4.7 7 6 9 12,3,2,3,48,54344,6967 0120413,0337,2798471673085,7622,46715647493,09450,65629,1792,9443,34915,18410,42533231,681贷款叨勺II7,29616,94874,58248,4755,339|28,5102,7011 1,92522,8263,281 029,18431,365D 2012-1 13,367 88,374 L50,101 1 15,926 68,719 41,3035,904 15,9446,392 11,839 61,727 42,30809881097 0 5 8 4 7 3 69 6 6 6 7 7 1 23,2,0,6,29,21,309 5,82563377175519 5478980719471810155681 2,5,2,7,6,2,4,3,73100816918 2969709731 4659581532 4,b,6,2,2,3,&0 6 4 2 1 1W&21 1 924229 594384 4282541253,4191,296 041454,25440,79b23,9322,1972,46212,2047,555 3215,583（桢对作）32,4,21,5,20 1 12010：（）（），6al,3625,25,9,424,9 7 2 9 5 3 1 4 31573072458370201426755683125289381 1 17894 8 0 8 95 7 9 5 66 4 19 86,2,&61,359 042 400 563 032 528 296 22249 874 5160 374 544 7*8 316 985 193 304 091 305 35071,37751,446乙4,6,&2,3,9,3,4,乙。3,9,5 8 6 3 2 2 2076 513842723426 693178546947437 7245163928425,9744,8421,87101 1,33012,4093,7101,3863,0621,1 141,7931,3441,0792,971551,3171,356 035338,41320 48116,0022,0211,9368,5224,153 2785,501加准禾U率E I J艮40,36465,83852,02231,7289 5 2 7 77 15 5 06 6 5 9 34,5,&2,2,4 74 5,219,614553943356762928932（3 3 9 79 5 9 79 15 07,9,2,1,4777231,54 17361,1603,0894501,0281,25235929,53323,07812,6861,8749176011293552,971本案例主要通过对地区贷款明细、年度利 润数据分析、央行利息调整数据等，了解 银行的经营状况。上传数据源“贷款明细”魔邕同嵋源文本类型CSV9.3金融行业贷款数据分析第九章大数据可视化的行业案例实验步骤数据处理点击“快速分组”，一键将技术对象转化为业务对象，具体操作即将贷款 明细，利润表（横排），利润表，基准利率日报，央行调息时间表分别拖入 并分别确认保存快速生成业务分组 X输入您要搜索的内容 _oj I贷款明细贷款明细贷款明细 利润表（横排）利润表 基准利率曰报央4捆息时间表贷款明细字段业务名称维度】d 口tJSName O度量J年份年份Q信用类别信用类别Q地区地区Q行业与应用行业与应用Q客户贷款总客户贷款总额（百万元）Q不良贷款总不良货款总额（百万元）Q*贷款明细9.3金融行业贷款数据分析第九章大数据可视化的行业案例实验步骤一数据分析拖拽信用类别、地区、行业与应用到编辑框,“客户贷款总额（百万元）”、“不良贷款总额 图区即出现分组柱状图图形效果命名参数1保存并将参数1拖入列，将（百万元）”拖入标记中的度量值，视闺保存唐临拽横式 代码模式 路径横式H列：参数1行:9.1电商行业销售数据分析第九章大数据可视化的行业案例分析结论我们可以看出，关于贷款地区分布，在全国范围内，长三角地区的贷款业务 量最大，客户贷款总额达到380048700万元，其次是环渤海地区和珠三角地区，其他地区参差不齐，境外机构的客户贷款总额最低。而长三角地区的不良贷款数 额也最大，其次为总行、珠三角、中部等地，境外机构和附属机构的不良贷款非常少，但其贷款量也较低。第九章大数据可视化的行业案例9._ 1电商行业销售数据分析9.2 广告投放效果分析9.3 金融行业贷款数据分析9.4 能源行业油井数据分析9.4能源行业油井数据分析第九章大数据可视化的行业案例实验目的信息化的发展极大推动了电力、石油、煤矿等产业的发展，通过大 数据技术分析与挖掘企业积累的大量数据，大幅提高企业内部管理效率、降低管理成本、提高生产效率、创造新的价值。本案例主要分析某油井公司的生产及销售数据。该公司现在想要对以 往的历史数据进行分析，让销售部门经理对检测销售情况有深刻的了解。能从庞大的销售数据了解到销售业绩，从各个角度对整体的销售数据进行 切片分析。9.4能源行业油井数据分析第九章大数据可视化的行业案例实验步骤数据源能源数据源文件中有日期、所属地域、C02排放量、瓦斯产量、原油产量等字段。82撑（立方英尺/天）瓦斯产量（立方英瓦斯价格（元/立;原油产副情/天）原油价格（桶/元）瓦斯收入（元）原油收入（5总收入阮）所H区域油并名称201V7/29 0000 东北Arida-7234412.5384,655.426.71876846 562.581.037884.082272.585.120152011/7/29 00.8 东北Ebma-107590583,353.606.7117.304656559.3026880553560.108212011/7/29 000）西北Enarto-9223250343.204.626.71174.5046.561302,903.028.124 72Z31L027 75201V7/2900W 出南17413573,773.276.7118.634656495.018 65867 57495,886222011/7/29 00%南129485213,461.276.71206 4446.561.432.325.139,611971.441.937102011/7/29000）华筐44650434.419.836.7195.5146 562.914.957.034.447151919.404.182011/7/30 00W 东北301387.5359.712.486.71105.5846.56Z413.670.734.915.75Z418.586.482011/7/30 OttOO 东北267900310,579.826.7190.4046561083.990.5741209 a31088.199.602011/7/30 OOW 东北5358085,192.336.7126414656571.64051122968572mo 202011/7/30（00 西北214320673354486.711766146564,518,208.588222844,526,431.422011/7/30 0000 华南75905153.080.766.71289846.561.027,171.911,349141.028.521.052011/7/30 800 华南111625668.876.006.71207.7546564.488.157.959.672744.497.830 692011/300000 华南20539051.815.326.71122.1846 56347.680 785.68867353.369462011/7/310000 东北167437.545,287.696.71122.694656303,880 425,71240309.59282201V7/310000 东北221017,5305.231546.7194 7646562.048,103.614.412132.052.515732011/7/31008 东北209855138.610.216.7130.1346 56930.074 481.402 99931.4H472011/7/31008 西北1652051.231,351.306.71225.4046 568262.367.2010,494 538272.861732011/7/310000 始用191995211,649.556.71382146 561.420.168.501,779201.421.947702011/7/310000 华南580451,336,353.776.712331246568.966,933.8010,854158977787952011/7/31008 华南111625252,167.216.71134.3246561.692.041.956253 891,696295.84201V8/10000 豺t294690590.001456.48121.4652.673.823,209.396.397183.829.606.57201V8/100 00 东北127252.5166,804.276.4894.3452.671.080.891.664,969131.085.860.792011W1008 东北165205208.194.246.483927|526711349,098.702,068571351.167272011/8 0000 西北8930048.575.206.48232.5252.67314.7673212,246.81327.014132011/8 0000 华南4465082,409.836.4845.4652.67534.015672.394 26536.89932011/8/1008 华南223250382,908.326.48219.6952.671481245.9011,57109Z492.816.99201V8/1000 华南84835621,952.156.48134.4152.674,030,249.967.079254.037.32921201120000 东北334875748,165.346.48132.7152 674.840.111.406,989834.855.10123201120000 东北207622.52.409846.48925052 6715,615.774.8720420,48780201120000 东北169670238,223.116.4854 0652.671.543,685.782.847201.546.53298201120000 西北80370364,946.966.48220.9652 672.364.856.3011,637.952J76.494 2S201120000%崩9376566,554.356.48555352.67431.272192.924 53434.19672O j数据源文本类型CSV9.4能源行业油井数据分析第九章大数据可视化的行业案例实验步骤数据处理进入数据处理页面，点击快速分组，将订单拖入快速生成业务分组 X输入您要搜索的内容 _oj Sheet C:SheetlSheetl字段业务名称蛔d ttSName O度量3日期日期Q所属区域所属区域Q油井名称油井QC02排量（.C02排量（立方英尺/天）Q瓦斯产量位瓦斯产量（立方英尺/天）Q瓦斯价格（瓦斯价格（元/立方英尺）DCn.油井数据9.4能源行业油井数据分析第九章大数据可视化的行业案例实验步骤一数据分析进入“数据分析”界面，首先分析各地区瓦斯和原油的销售收入情况。首先，建立“所属区域-油井”的分层结构，在“所属区域”后创建分层结构，命名为“油井所属区 域”，再将“油井”拖至分层结构中“油井所属区域”的下部国保存E行：芭斯收入（.原油收入（哂：瓶拽横式 代码模式 路径横式列：所区城标记：!:&（9大小9.4能源行业油井数据分析第九章大数据可视化的行业案例分析结论由上面可视化图形，可以分析出来华南地区原油、瓦斯收入最高，西北地区最低。习题：1.如何在魔镜中如何上传数据源？2.如何在魔镜中新建一个数据分析项目？3.如何创建一个计算字段？4.上传一份带有日期的数据，进行按年、月的自定义拆分。5.分层结构有什么作用，如何创建一个分层结构？6.组字段有什么作用，如何创建一个组字段？7.试用魔镜中的公共数据简单做数据分析。8.如何对做好的图表进行位置和颜色调整？9.做一份数据分析报告，需要哪些步骤？10.将做好的一个仪表盘分享给其他同学。感谢聆听