从众多复杂业务模型深入体会 PowerBI 的强大能力

有图有真相！，各位客官慢慢品鉴。

PowerBI 代表微软重新夺回全球BI分析平台兵器榜第一位

微软已经连续11年获得全球商务智能与分析平台领导者地位，在过程中虽然有一些弯路，但这些弯路让微软更加清晰：

详细参考：原文。

其CEO更加不负众望，《刷新》一书更是直接透出承诺微软将赋能全球企业作为使命。从PowerBI能够充分感受到这将是一股前所未有的“恐怖”力量。

值得强调的是：

• PowerBI不只是数据可视化工具，很多工具只能做图；

• PowerBI不只是数据收集工具，很多工具是单纯的数据获取工具；

• PowerBI不只是数据建模工具，很多工具是基于单纯的编程式建模语言的；

• PowerBI不只是数据统计工具，很多工具更是顶着分析工具的帽子干着统计工具的活。

PowerBI，支持业务导向式的自助商务智能全栈式应用，如微软所称的：前所未有的商务智能。愿此文成为其短暂的注脚。

Power BI 2018.4 升级后支持更棒的系统化架构设计

在2018年4月PowerBI升级后，可以支持非常强大的特性，我们用它可以完成很棒的交互设计：

全动态的交互式分析：

导航并动态分类分析：

客户可以用 人类的语言自行提问 并获得答案，如：最重要的十大客户是谁？

在这些能力实现之后，PowerBI从BI报告建模设计的角度，能够实现的内容大大丰富，想象一下客户可以自行提问并立刻获得答案时的喜悦感。

详细参考：PowerBI 2018 4月更新 全面支持构建交互报表系统。

PowerBI 日期维分析系统化解决方案

诸如财务等部门将面临大量按时间维度对比各类业务的困境，在Excel中存在很多障碍，而在PowerBI将提供非常强大的支持。利用PowerBI对日期维度业务分析展开成全动态多指标系统，来看：

作为这里最简单的模型之一，已经让人感受到PowerBI的强大和度业务的助力，可以从：

• 本期至今 YTD，QTD，MTD，WTD

• 上期同期 PY，PQ，PM

• 上期全部 PYT，PQT，PMT，PWT

• 基于时间区间的对比

• …

详细参考：PowerBI DAX 从日期角度分析业务指标解决方案。

在很多人还在做日期表的时候，很多人已经直接这里的三大日期表系列：

• 通用日期表：支持中英文、自定义周开始日。参考：PowerBI中构建日期表的终极方法。

• 日期区间表：实现动态日期时间粒度。参考：PowerBI中日期区间表驱动的对比分析。

• 相对日期表：最近一周，最近一月等。

全面解决时间维度PowerBI业务分析，将 PowerBI DAX 能力发挥到极致。

PowerBI 从地理位置洞察业务发展

PowerBI 引入了非常丰富的地图可视化系统，不管想要什么，相信都能让业务人员有前所未有的全球全局观：

你在中国有1000家门店也不怕，甚至可以按层级展开：

详细参考：PowerBI复杂地图可视化分级显示1000个奶茶店营收。

更多常规地理位置可视化更是得心应手：

不管是地球风还是简介风，PowerBI都能给予支持。

参考：PowerBI地图可视化的各种套路。

PowerBI 支持零售店铺月度提成四级计算模型案例

作为贴近业务的 PowerBI 模型，针对零售等营销类计算模型，给出了一个真实的场景模型：

业务管理者可以根据年份，月份来查看的某个员工所产生的实际提成费用。提成费用由以下几部分构成：

• 个人直接创造的价值按一定比例提成

• 个人完成预定的个人目标按照达到的比例阶梯提成

• 个人所在团队完成团队目标按照达到的比例阶梯为团队成员提成

• 个人所在的中心门店完成门店总目标按照达到的比例阶梯为门店成员提成

这里面的额难点在于：

• 计算个人的提成收益，要考虑比个人粒度更粗的不同级别

• 不同级别达到的阶梯不同，对于个人获得的提成比例也就不同

• 对于 汇总行 的计算，很多DAX玩家应该不难会发现在很多业务中PowerBI对汇总行的计算默认逻辑与业务逻辑是不匹配的，本案例正说明如此

• 对于目标是按月来设置的，但在体现上由1月1日表示1月，必须使用用日粒度的数据来表示月粒度的数据。

详细参考：PowerBI 零售店铺月度提成四级计算模型。

PowerBI 打造动态客户价值模型RFM驱动客户营销

在PowerBI的实现中，可以通过动态的参数化设置，将RFM模型进一步增强以适应更灵活的业务需要：

• 通过滑杆设定考察RFM的时间范围

• 通过滑杆设定RFM的三个分指标的相对权重

• 通过滑杆设定默认显示的RFM TOP X具体客户

该案例进一步证明PowerBI DAX数据建模不同于一般自助BI工具，它使业务人员可以借助PowerBI强大的数据建模能力使用DAX建立RFM模型，并通过PowerBI可视化及动态参数赋予RFM模型动态性。

详细参考：基于PowerBI构建动态客户价值模型RFM驱动客户营销。

PowerBI 助力企业解决终极问题（NPS动态模型）

企业运营的终极问题是什么？那就是你赚的钱是可持续还是临时的。

第一部《终极问题》问世引起极大反响：

第二部《终极问题》问世，进一步升级：

大道至简：

只需要了解NPS问题的答案就可以知道企业到底在做着怎样的生意。Power BI 实现 NPS模型：

与业界顶级领导者对比NPS：

详细参考：基于PowerBI构建企业利润动态评价模型NPS。

PowerBI 实现全动态ABC分析帮助找出业务中的主要因素

这个模型真的把PowerBI的强大能力和美全然展现：

PowerBI全动态ABC解决传统帕累托分析4大痛点：

• 第一步，用户可以拖动滑竿来选择A，B，C参数的动态相对大小，系统自动计算比例关系；

• 第二步，用户选择需要分析的元素类型：产品、客户行业、客户职业或城市；

• 第三步，用户选择需要分析的元素指标：销售额、利润、订单数；

• 第四步，用户可以筛选需要计算的元素范围；

• 第五步，用户进一步筛选需要计算的元素范围，与上一步共同构成精细化的选择。

太震撼了：对比的元素是动态选择的；坐标轴是动态选择的；ABC权重是动态选择的；分析的指标是动态选择的；计算的元素范围也是动态选择的。逆天地将帕累托分析发挥到如此地步，您的企业业务怎能不来一发。

详细参考：PowerBI实现全动态ABC分析帮助找出业务中的主要因素。

PowerBI 打造全动态伸缩式 TOP-N 排名矩阵

Excel 的透视表很强大？没错！但你看了PowerBI 全动态伸缩式 TOP-N 排名矩阵后，您再思量一下呢：

不管有多少个品牌，门店，产品SKU等，最重要的有时候就是看 TOP N 的值以及变化。PowerBI在计算排名时给出了非常强大的支持，可以远远超越Excel传统的静态计算。

业务人员通过：

• 选择排名的范围，如：TOP 1~3，或含第4，5等，通过滑杆进行；

• 选择评估的指标，如：销售额，利润，利润率；

• 选择评估的业务对象，如：客户，产品，城市，品牌，门店；

• 选择评估的范围，如：年份，客户细分，客户职业等；

• 根据这些业务内容，动态生成整个矩阵，矩阵的结果显示了在不同维度下，业务人员关注的业务元素的前N名到底是谁，与去年同期的对比如何。

又是逆天的动态~ 详细参考：PowerBI 打造全动态伸缩式 TOP-N 排名矩阵。

PowerBI 支持复杂中国式交叉报表

不仅如此，PowerBI支持无比复杂的中国式交叉报表。预览如下：

中国式交叉报表通常是在Excel中实现的一种复杂结构，它没有固定的构成规律，它完全为中国式的领导量身定制，他们往往希望在一张报告中看到想看懂的所有内容。PowerBI默认是无法实现的，但不表示PowerBI是不能实现的。从上述案例来看：

• 品类数可以自定义（从已有多个品类中只显示关注的）

• 在列上可以显示不同的维度（产品，年份）

• 在列上可以显示位于不同层级的维度（产品有类别和子类别，年份却不细分）

• 有的需要小计，有的不需要小计（只对产品小计）

PowerBI 全动态BCG波士顿四象限伸缩矩阵模型

久经考验的商业模型加上极具创造性的设计，PowerBI将前人的积累推向新的高度：

真正的多维分析：

BCG 矩阵是什么？详见原文吧：PowerBI 全动态BCG波士顿四象限伸缩矩阵模型。

PowerBI 让增长黑客能落地

看了很久《增长黑客》，发现一个重大问题，这东西在中国大部分企业根本无法落地，原因很简单，大部分企业根本没有那个基因。所以，我们还是很老实的来想想一些必须做的报告应该怎么来做，很多运营真正苦恼的是：第三方统计工具算的值对不上啊！！！

什么是像素精准级，就是一个用户的一个行为都不放过的计算出来。参考原文：PowerBI 像素精准级 客户增减 净激活 趋势分析模型。

PowerBI 零售预测小试牛刀

用历史同期未来的业务逻辑：

PowerBI蕴含着什么，值得去深度开采。

详细参考：PowerBI 零售预测分析模型 历史同比法。

PowerBI 可视化中一样有想象力

在Excel中利用各种技巧可以做出很多默认不具备的可视化效果，在PowerBI中也是类似的：

Sparkline，KPI，红绿灯也可以实现。

详细参考：PowerBI 开启三项隐藏能力 KPI图 火星图 矩阵红绿灯。

PowerBI 支持购物篮分析以实现推荐算法

在PowerBI中进行购物篮分析会非常强大，基于PowerBI强大的筛选上下文机制，业务人员可以快速筛选购买A的某类用户更可以购买的B是什么：

PowerBI 离群值检测

与纯统计类的离群值检测不同，PowerBI中的离群值可以是业务驱动的。在业务中定义出某些出乎意料的存在，并将它们标记出来：

从业务的角度定义离群更符合业务实际需要：

PowerBI 支持直达原子粒度的帕累托分析

从业务出发，任选一个类别，该类别下前20%的客户创造的价值占据全局的比例以及这20%的客户有多少人，他们是谁。知道这些信息就很容易地来跟踪这些用户以期创造更大价值。

总结

种种 PowerBI 深度模型说明与表面的 PowerBI 操作或简单可视化使用相比，用 PowerBI 实现企业的深度建模，挖掘业务价值更能体现 PowerBI 的能力。本文总结列举的一些已经用 PowerBI 实现的模型仅仅是抛砖引玉，希望激发更多伙伴一起来探索 PowerBI 的潜力。

END.

如果您想了解：

• 如何轻松管理保存百万级以至亿级数据？

• 如何将敏捷数据分析与业务工作有效结合？

• 如何创建惊艳而实用的交互式报告？

• 数据探索分析中常用的模式？

那么，就请加入我们，让我们一起开始敏捷数据分析之旅。

原文始发于微信公众号（PPV课数据科学社区）：从众多复杂业务模型深入体会 PowerBI 的强大能力