https://zhuanlan.zhihu.com/p/133484654

以财务报表分析为例,介绍通用的分析方法论,整体架构如下图所示:

(点击查看大图)

我会围绕这五种不同的方法论,逐步阐述他们在 PowerBI 中的应用,之前已经介绍过前两个分析方法,本文谈一下第三种:趋势分析法的应用。

趋势分析法

趋势分析法是根据企业连续几年或几个时期的分析资料,运用指数或完成率的计算,确定分析期各有关项目的变动情况和趋势的一种财务分析方法。

趋势分析法的一般步骤是:

1.计算趋势比率或指数;
2.根据指数计算结果,评价和判断企业各项指标的变动趋势及其合理性;
3.预测未来的发展趋势。

涉及的常用dax函数:

SELECTCOLUMNS 返回具有从表中选择的列以及 DAX 表达式指定的新列的表GENERATESERIES 返回具有一列,并且从始至终使用连续值填充的表SELECTEDVALUE

在指定列中只有一个值时返回该值,否则返回替代结果

AVERAGEX

计算通过表格计算出的一组表达式的平均值(算术平均值)

DATESINPERIOD

返回给定期间中的日期

在开始之前,先来一个小插曲,不知道大家对前两次分享中的内容是否还有印象,有没有想在大金额的数值显示时把显示单位更换为万元或其它?那如果我们想以万元显示该怎样做呢?

(截止12月PowerBI 显示单位依然不支持万元)

具体做法附上:没有我们就自己创建一个。

单位值= SELECTEDVALUE('单位表'[值],1)

更改下对应度量值:

销售利润 = SUM('订单'[利润])/[单位值]

让我们来看下不同单位的效果:

言归正传,让我们来进入正题:我们来使用销售收入进行实践 。

构建移动平均

在构建移动平均前,让我们先构建一个1-100的连续数据表作为动态筛选项。

筛选数据 = GENERATESERIES(1,100,1)

注意:此处正确顺序建模-新表-输入上附DAX

筛选数据值 = SELECTEDVALUE('筛选数据'[筛选数据])

注意:此处正确顺序为建模-新建度量值-输入上附DAX

销售收入移动平均值 =AVERAGEX(DATESINPERIOD( '日期'[日期], MAX('日期'[日期]), -[筛选数据值],DAY),[销售收入])

度量值写完,接下来让我们进行进行销售预测及销售趋势分析。

首先创建销售趋势图

其次加入趋势线

最后进入预测

加入“销售收入”

最后呈现结果

分别看下各年情况

当然还可以这样

也还可以这样

通过上面的内容,我们不难发现这一目标企业销售收入呈逐年递增趋势,每年第7月出现销售波动呈现销售下降趋势,8月又回调,那我们是否可以由此发现该企业的销售规律?以及由此去探究7月出现下降究竟是什么原因呢?

举个例子:每年我们剁手的日子6.18,双十一,双十二,这个时间段以销售电子产品为主业的零售企业是否会在当月或前月销售收入猛增呢?

通过上面的内容,不知你是否对其销售趋势有一个自己的预期,以及对这一目标企业销售情况有自己的预判,想一想这一企业未来销售情况将会是怎样呢?

注意:在实际中,影响销售的因素很多,在做销售趋势预测时需要综合考虑多种因素,请结合业务真实情况出发做销售趋势预测。

数据可视化之分析篇(九)PowerBI数据分析实践第三弹 | 趋势分析法的更多相关文章

  1. 数据可视化之PowerQuery篇(十九)PowerBI数据分析实践第三弹 | 趋势分析法

    https://zhuanlan.zhihu.com/p/133484654 ​本文为星球嘉宾"海艳"的PowerBI数据分析工作实践系列分享之三,她深入浅出的介绍了PowerBI ...

  2. 数据可视化之分析篇(八)Power BI数据分析应用:结构百分比分析法

    https://zhuanlan.zhihu.com/p/113113765 PowerBI数据分析02:结构百分比分析法 作者:海艳 结构百分比分析法,又称纵向分析,是指同一期间财务报表中不同项目间 ...

  3. 数据可视化之分析篇(二)Power BI 数据分析:客户购买频次分布

    https://zhuanlan.zhihu.com/p/100070260 商业数据分析通常都可以简化为对数据进行筛选.分组.汇总的过程,本文通过一个实例来看看PowerBI是如何快速完成整个过程的 ...

  4. 数据可视化之分析篇(一)使用Power BI进行动态帕累托分析

    https://zhuanlan.zhihu.com/p/57763423 通过简单的点击交互,就能进行动态分析发现见解,才是我们需要的,恰好这也是 PowerBI 所擅长的. 就帕累托分析来说,能从 ...

  5. 数据可视化之分析篇(七)Power BI数据分析应用:水平分析法

    https://zhuanlan.zhihu.com/p/103264851 首先,以财务报表分析为例,介绍通用的分析方法论,整体架构如下图所示: (点击查看大图) 接下来我会围绕这五种不同的方法论, ...

  6. 数据可视化之分析篇(四)PowerBI分析模型:产品关联度分析

    https://zhuanlan.zhihu.com/p/64510355 逛超市的时候,面对货架上琳琅满目的商品,你会觉得这些商品的摆放,或者不同品类的货架分布是随机排列的吗,当然不是. 应该都听说 ...

  7. 数据可视化之分析篇(六)使用Power BI进行流失客户分析

    https://zhuanlan.zhihu.com/p/73358029 为了提升销量,在不断吸引新客户的同时,还要防止老客户离你而去,但每一个顾客不可能永远是你的客户,不可避免的都会经历新客户.活 ...

  8. 数据可视化之分析篇(五)如何使用Power BI计算新客户数量?

    https://zhuanlan.zhihu.com/p/65119988 每个企业的经营活动都是围绕着客户而开展的,在服务好老客户的同时,不断开拓新客户是每个企业的经营目标之一. 开拓新客户必然要付 ...

  9. 数据可视化之分析篇(三)Power BI总计行错误,这个技巧一定要掌握

    https://zhuanlan.zhihu.com/p/102567707 ​前一段介绍过一个客户购买频次统计的案例: Power BI 数据分析应用:客户购买频次分布. 我并没有在文章中显示总计行 ...

随机推荐

  1. Java中泛型的继承

    最新在抽取公共方法的时候,遇到了需要使用泛型的情况,但是在搜索了一圈之后,发现大部分博客对于继承都说的不太清楚,所幸还有那么一两篇讲的清楚的,在这里自己标记下. 以我自己用到的代码举例,在父类中使用了 ...

  2. Java++:安全|API接口安全性设计

    接口的安全性主要围绕 token.timestamp 和 sign 三个机制展开设计,保证接口的数据不会被篡改和重复调用,下面具体来看: Token授权机制: 用户使用用户名密码登录后服务器给客户端返 ...

  3. ubuntu 显示桌面快捷键

    ubuntu 显示桌面快捷键 快速显示桌面的快捷键是 ctrl + win + d win:就是窗口键,在键盘左侧ctrl与Alt之间的那个建.

  4. 【K8S】Service服务详解,看这一篇就够了!!

    k8s用命名空间namespace把资源进行隔离,默认情况下,相同的命名空间里的服务可以相互通讯,反之进行隔离. 1.1 Service Kubernetes中一个应用服务会有一个或多个实例(Pod, ...

  5. 【K8s学习笔记】K8s是如何部署应用的?

    本文内容 本文致力于介绍K8s一些基础概念与串联部署应用的主体流程,使用Minikube实操 基础架构概念回顾 温故而知新,上一节[K8S学习笔记]初识K8S 及架构组件 我们学习了K8s的发展历史. ...

  6. < react router>: (路由)

    < react router> (路由): 思维导图: Atrial   文件夹下的index.js 文件内容: import React, { Component } from 'rea ...

  7. CODING DevOps 系列第五课:微服务测试——微服务下展开体系化的微服务测试

    微服务测试的痛点与挑战 这张图可以形象地展示单体服务和微服务的对比,单体应用就像左边巨大的集装箱,软件模块和应用都包括其中:而微服务就像是由一个小集装箱组成,微小的服务组成一个庞大.完整的系统.单体服 ...

  8. JavaWeb网上图书商城完整项目--23.注册页面之html实现

    我们来分析下这个页面的代码如何实现: 我们来分下下层次结构: 1.首先最外层是一个大的div,然后又包括两个小的div,第一个div中包括一个span,第二个div是一个table表 我们来看程序的代 ...

  9. java 中的 自定义viewUtils框架

    在前面学习的基础上,我们自己编写一个ViewUtils注解框架类,不清楚的原理看前面的源代码 package im.weiyuan.com.viewutils; import android.supp ...

  10. opencv+python实现图像锐化

    突然发现网上都是些太繁琐的方法,我就找opencv锐化函数咋这么墨迹. 直接上代码: kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], ...