分布分析用于展現(xiàn)同一維度下不同個體的分布情況。例如,散點圖、直方圖就是分布分析的普遍應(yīng)用。

本章內(nèi)容涵蓋次數(shù)分布分析、時間分布分析、合計百分比分布分析等案例。

---

7.1 次數(shù)分布分析

商業(yè)場景:

本節(jié)案例為分析客戶購買次數(shù)分布,主要目的在于找出一段時間范圍內(nèi)客戶

購買的規(guī)律。

圖71.1所示為依據(jù)客戶D統(tǒng)計客戶購買次數(shù)的分布情況。結(jié)果呈現(xiàn)正態(tài)分布,

即大部分客戶的購買次數(shù)為5~7次,分析師可進一步分析這組客戶的用戶特征,獲取更有價值的洞察。

可視化: 柱形圖

數(shù)據(jù)源：示例-超市（訂單）

新建表：

客戶表 = VALUES('訂單'[客戶 ID]) //返回以客戶ID為唯一值的一張表，要建立連接

新建列：

客戶表中：

購買次數(shù) = CALCULATE(DISTINCTCOUNT('訂單'[訂單 ID]))

新建度量值：

客戶不重復(fù)計數(shù) = DISTINCTCOUNT('客戶表'[客戶 ID])

---

7.2 時間分布分析

商業(yè)場景:客戶二次購買時間分布分析,用于分析新用戶在初次購買后,會在多久發(fā)生第二次購買。

如圖7.2.1所示,在2015年的第2季度獲得的新客戶中,有38人在1個季度后會進行第二次購買,矩形的顏色越深,意味著客戶數(shù)量越密集。

通過分析客戶二次購買的時間分布規(guī)律,可以為不同客戶群提供不同的銷售策略,以少流失客戶的可能性。

可視化: 矩陣圖（Matrix）與表格不同的是,矩陣圖的橫坐標(biāo)軸和縱坐標(biāo)軸都可

設(shè)置為維度,橫坐標(biāo)和縱坐標(biāo)交叉處為矩陣點,可用顏色進行標(biāo)記,如圖7.2.1所示。

數(shù)據(jù)源：示例-超市

新建表：

客戶表 = VALUES('訂單'[客戶 ID]) //注意要建立連接

新建列：

最初購買日期 = CALCULATE(MIN('訂單'[訂單日期]))

購買次數(shù) = CALCULATE(DISTINCTCOUNT('訂單'[訂單 ID]))

第二次購買日期 = CALCULATE( MINX(EXCEPT(VALUES('訂單'[訂單日期]),VALUES('客戶表'[最初購買日期])),[訂單日期]))

新建度量值：

客戶不重復(fù)計數(shù) = DISTINCTCOUNT('客戶表'[客戶 ID])

客戶表

條件格式中高級控件

---

7.3 合計百分比分布分析

商業(yè)場景:本節(jié)案例為7.1節(jié)的案例的延伸。

分析客戶購買次數(shù),僅僅是客戶分析的開始。在實際中仍然需要繼續(xù)細化分析。

例如得出不同購買次數(shù)的客戶數(shù)在總客戶數(shù)中的占比。

如圖73.1所示,這里統(tǒng)計了客戶的購買平均次數(shù)(比如統(tǒng)計平均每季度購買一次的客戶數(shù),平均每兩季度購買一次的客戶數(shù)等),并計算出相應(yīng)的客戶數(shù)在總客戶數(shù)中的占比。

可視化: 柱形圖

數(shù)據(jù)源：示例-超市

新建表：

客戶表 = VALUES('訂單'[客戶 ID]) //注意要建立連接

新建列：

最初購買日期 = CALCULATE(MIN('訂單'[訂單日期]))

購買次數(shù) = CALCULATE(DISTINCTCOUNT('訂單'[訂單 ID]))

第二次購買日期 = CALCULATE( MINX(EXCEPT(VALUES('訂單'[訂單日期]),VALUES('客戶表'[最初購買日期])),[訂單日期]))

二次購買日期（季度） = DATEDIFF([最初購買日期],[第二次購買日期],QUARTER)

末次購買日期 = CALCULATE(MAX('訂單'[訂單日期]))

客戶成長期（季度） = DATEDIFF([最初購買日期],[末次購買日期],QUARTER)

購買平均次數(shù)（箱） = ROUND('客戶表'[客戶成長期（季度）]/[購買次數(shù)],0)

購買平均次數(shù) = '客戶表'[客戶成長期（季度）]/[購買次數(shù)]

新建度量值：

客戶不重復(fù)計數(shù) = DISTINCTCOUNT('客戶表'[客戶 ID])

全體購買平均次數(shù) = AVERAGEX(ALLSELECTED('客戶表'),[購買平均次數(shù)])

與平均值差 = AVERAGE('客戶表'[購買平均次數(shù)（箱）]) - [全體購買平均次數(shù)]

下拉箭頭計算百分比

---

7.4 靜態(tài)象限圖分析

商業(yè)場景:很少用到，

可視化: 【Quadrant Chart by MAQ Software】

數(shù)據(jù)源：2019GartnerBI魔力象限.xlsx

---

7.5 動態(tài)象限圖分析(略)

---

7.6 帕累托分析

商業(yè)場景:

帕累托分析的原理就是我們?nèi)粘Ｋf的“80/20”原則,比如企業(yè)中80%的

利潤來自20%的商品銷售;反之,80%的商品創(chuàng)造了20%的利潤。

帕累托分析有助于讓企業(yè)關(guān)注利潤價值高的商品,同時減少利潤少的商品,提升企業(yè)的總體利潤。

本節(jié)使用帕累托分析洞察商品與利潤之間的關(guān)聯(lián)。

可視化:

帕累托圖( Plato Chart )。帕累托圖用于顯示合計百分比的分析結(jié)果。

在本節(jié)實例中,主要計算包含兩個維度的合計百分比:產(chǎn)品數(shù)量合計百分比和產(chǎn)品利潤合計百分比。

數(shù)據(jù)源：示例-超市

新建表：（注意：關(guān)聯(lián)）

子類別表 = VALUES('訂單'[子類別])

新建列：

利潤 = CALCULATE([利潤求和])

利潤排名 = COUNTROWS(FILTER(ALL('子類別表'),EARLIER('子類別表'[利潤])<=[利潤]))

合計利潤 = SUMX(FILTER(ALL('子類別表'),EARLIER('子類別表'[利潤])<=[利潤]),[利潤])

合計利潤百分比% = [合計利潤]/SUM('訂單'[利潤])

子類別個數(shù)匯總百分比 = [利潤排名]/COUNTA('子類別表'[子類別])

新建度量值：

利潤求和 = SUM('訂單'[利潤])

注意：

因為產(chǎn)品過多，所以取掉一些后面的產(chǎn)品。創(chuàng)建子類表再關(guān)聯(lián)。

我使用計算列，避開復(fù)雜的度量值計算

完整的帕累托分析

總結(jié)

以上是生活随笔為你收集整理的f分布表完整图a=0.01_第7章 分布分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。