揭秘 | Excel和PBI的思维 | 告别开始难的问题,祝大家都能成为数据大神实现升职加薪!

• 理论部分：数据的逻辑和思维

• 实操部分：通过Excel的Power Query进行数据导入和合并，解决多源数据整合效率问题。

  

1. 数据分析的价值

• 应用场景：从互联网平台（如小红书、抖音）的个性化推荐，到金融投资和财务模型的数据分析

• 核心价值：通过分析用户兴趣标签（如APP偏好、LBS行为数据等）实现精准营销

• 数据规范重要性：构建模型时70%时间用于数据清洗和规范化处理

2. 数据分析三种核心思维

1）结构化思维

• 定义：将凌乱问题分解为层级清晰的逻辑框架（类似组织架构图）

• 实施步骤：

1. 确定核心问题（如"8月销售额下降20%"）

2. 分层展开（地域影响→竞品分析→用户访谈）

3. 使用工具：XMind/百度脑图制作思维导图

• 典型案例：

• 内部因素：消费者分层（新客/老客）、地区ABC销售数据

• 外部因素：竞品分析（a/b/c）、政策风险（如口罩需求波动）

• 常见误区：零散分析（想到一点是一点）、缺乏系统框架

2）公式化思维

• 核心原则：所有业务指标均可量化表达

• 基础公式：

  销售额=销量×客单价销售额=销量×客单价销售额=销量×客单价

       利润=销售额−成本利润=销售额-成本利润=销售额−成本

• 扩展公式：

• 地区销量=∑渠道销量∑渠道销量∑渠道销量

• 客单价=原价×折扣率原价×折扣率原价×折扣率

• 创新应用：

• 用户获取模型：

• 主动流量=曝光量×转化率曝光量×转化率曝光量×转化率

• 被动流量=邀请人数×人均邀请量×转化率邀请人数×人均邀请量×转化率邀请人数×人均邀请量×转化率

• 可自定义公式（如为北京客户创建的消费分析公式

• 与结构化结合：将思维导图节点转化为可计算的数学关系

3）业务化思维

• 本质：将理论模型与实际业务场景深度结合

• 实施要点：

1. 行业特性认知（如金融vs零售的数据差异）

2. 业务指标设计（如共享单车需考虑损耗率）

3. 原因深度挖掘（销售下滑需区分表象与根本原因）

• 典型案例：

• 销售公司分析：需结合员工士气、产品质量、定价策略等业务细节

• 数据落地标准：模型结果必须可执行（如优化渠道投放）

  

三阶段演进：结构化思维→结构化数据→结构化业务数据

• 注：所有时间戳均对应课程视频中的关键节点，图片路径保持原始命名规范。案例部分保留了教师讲解中的所有具体企业名称和业务场景，确保知识点的真实性和可操作性。

1.Power BI和组件介绍

• 核心组件：由Power Query（数据获取）、Power Pivot（建模分析）、Power View（交互报表）三大模块组成，与Excel功能对应但更强大

• 版本差异：商业版支持团队协作和高级功能（每月数百至数千美元），单机免费版已包含完整分析功能

• 行业定位：微软开发的商业智能工具，特别适合需要数据建模和可视化仪表板的企业场景

• 学习路径：掌握Excel的Power Query即可无缝过渡到Power BI同模块，两者操作逻辑完全一致。

  

• 本土化优势：提供行业模板库（零售、金融等），支持中文环境下的数据血缘分析和关联视图

• 部署要求：需安装本地服务器组件，占用5-10G存储空间，适合有固定分析需求的中型企业

• 操作特点：与Power BI类似的数据处理流程（准备→处理→可视化→分享），但预置更多符合国内业务场景的分析模型

2. 数据分析工具三大功能

• 预处理阶段：包含数据清洗（缺失值/异常值处理）、特征工程（变量生成/类型转换）、数据整合（多表关联/爬虫）等9大基础操作

• 关键差异点：SAS/Python擅长处理千万级数据，而Excel/SPSS在百万级以下数据效率更高

• 可视化分类：

• 趋势类：适用于时间序列分析（如销售增长率）

• 对比类：用于AB测试结果呈现（如渠道转化率对比）

• 构成类：展示市场份额等结构数据

• 分布类：揭示数据密度或地理分布特

  

• 商业常用模型：

• 分类模型：逻辑回归（金融风控）、决策树（客户分群）

• 预测模型：线性回归（销售预测）、指数平滑（库存预警）

• 关联模型：Apriori算法（购物篮分析）

• 实施建议：Power BI/帆软已内置基础建模模块，非专业团队可直接调用预制算法

3. Excel工具常用模块

• 数据处理三板斧：

• 数据透视表：支持百万行数据聚合分析（需配合Power Query）

• 条件格式：快速识别数据异常点（如TOP10自动标红）

• 分列去重：规范非结构化数据（如地址信息拆分）

• 函数应用场景：

• VLOOKUP：跨表匹配关键字段（注意第4参数必须为0）

• COUNTIFS：多条件计数（比单一COUNTIF效率提升40%）

• TEXT：强制格式转换（如日期转"YYYY-MM"格式）

4. SAS工具常用模块

• Data步核心操作：

• 数据步：通过PDV（程序数据向量）实现批处理

• 宏编程：自动化重复操作（如按月循环生成报表）

• 行业壁垒：正版授权费超百万，认证工程师培训成本约20万/人

• 适用场景：金融反欺诈模型、医疗临床试验数据分析等专业领域

5. Python工具使用场景

• 核心库组合：

• Pandas：处理表格数据（类似Excel但支持更大数据量）

• Matplotlib：生成出版级图表（需配合Seaborn美化）

• Scikit-learn：实现机器学习全流程（含模型评估）

• 特色应用：

• 网络爬虫：Scrapy框架可日抓取百万级网页

• 文本分析：结巴分词准确率达95%+（需自定义词典）

深度学习：TensorFlow/PyTorch支持GPU加速训练

• 注：所有工具选择需综合考虑数据规模（Excel≤百万行）、分析复杂度（是否需要自定义算法）、预算（商业软件vs开源方案）三大要素。

• 能力提升：学习后可以建立数据分析模型，实现数据可视化功能

• 自动化优势：数据导入后能自动呈现分析结果，无需重复建模。

  

• 动态更新：在Power BI中建立模型后，数据源更新时可视化结果会自动同步变化

• 分析维度：可计算营收、利润、净利润率等指标，支持同比环比分析

•