FineBI實現物流行業數據分析

• 1 物流流向分析
• • 1.1 數據集
  • 1.2 圖表---流向地圖
• 2 物流流向TOP10
• • 2.1 圖表---顏色表格
• 3 簽收比例前10城市
• • 3.1 圖表---對比柱狀圖
• 4 地域分布情況
• • 4.1 圖表---明細表
• 5 展現數據總體情況
• • 5.1 KPI指標卡
• 6 分析報告

最喜歡的一句話：重要的不是當前的位置，而是你前進的方向和速度，以及加速度。

公眾號：Python大數據分析與機器學習

1 物流流向分析

話不多說，上圖—最后的效果圖

1.1 數據集

（1）數據集—物流流向數據集，數據集主要是從北京發向全國各地的物流數據；

淺淺的展示一下前5行數據：

（2）目標：我們將會利用該數據集去做物流流向分析，接下來看一下數據中的維度和指標。

維度：城市、快遞線路、指標名稱；
指標：id、編號、件數、經度、緯度、已簽收、記錄數。

1.2 圖表—流向地圖

（1）首先，選擇我們要使用的圖表類型—流向地圖。

（2）之后，將指標中的經度和維度分別設置為地理角色（經度）和（維度）。因為在導入數據之后，默認情況下，經度和緯度的地理角色為無，則表示他們無法以經緯度的方式在地圖上進行展示，那你也沒有辦法去做流向地圖了，所以這一點非常關鍵。切記！！

（3）將經度放置在橫軸，緯度放置在縱軸，件數（匯總方式：求和）放置在顏色，編號放置在連線，件數（匯總方式：求和）放置在標簽，快遞線路與城市放置在細粒度。

（4）顏色設置：設置顏色漸變方案為格調。

（5）連線設置：為了讓我們的流向看起來更加美觀，可以設置線型為曲線。

（6）標簽設置：標簽可以顯示發送的快遞件數，還可以顯示其他信息，這個根據自己的需要，后期可以將想要展示的指標放置在標簽。

（7）組件樣式：這里我們取消了組件的標題和圖例顯示，并且將背景設置為深藍。

（8）最后一點就是，線的閃爍動畫，在圖形屬性—顏色—特殊顯示—閃爍動畫。

以上就是利用FineBI流向地圖圖表對物流行業的物流流向分析。

2 物流流向TOP10

物流運營中，為提高運輸和配送效率，減少成本，更有效的滿足客戶服務需求，需要按快遞量高低的不同，合理安排業務，提高物流流轉效率。

本項目通過分析物流流向前10城市（即為，從北京到其他城市的發貨量最大的前10個城市），簽收前10的城市來了解物流流轉情況。

2.1 圖表—顏色表格

（1）首先，選擇我們要用的圖表類型—顏色表格；

（2）將城市放置在縱軸，將件數（匯總方式：求和）放置在顏色，文本。其中，文本中我們需要放置兩個件數，一個以匯總方式：求和展示，一個以快速計算：組內占比展示。

（3）文本設置：為了能夠讓件數（求和）、件數（組內占比）以類似表格的形式展示，我們需要設置文本。

（4）最后，因為我們要的是TOP10，所以，就需要對縱軸指標：城市，進行（按照件數求和）降序排列。然后，進行過濾。

注意：這里的最大的N為11。因為雖然我們首先將北京本地的快遞件數排除了，但是，如果我們選擇N為10的話，最后展示的結果只有9個，所以，我們設置N為11。

3 簽收比例前10城市

本項目，我們將會分析從北京發出的快遞在全國各個城市的簽收比例，以此，來安排人員以及業務。

3.1 圖表—對比柱狀圖

我們會使用對比柱狀圖進行分析快遞簽收率最高的前10個城市。

（1）由于在我們的數據集中，并沒有簽收占比指標，所以我們需要計算，在維度上方有一個小加號+我們可以點擊添加計算字段。

（2）將簽收占比放置在橫軸，城市放置在縱軸。同時，將城市放置在顏色中，將簽收占比放置在標簽。我們可以根據自己的需要設置圖形的大小（包括柱寬和圓角）。

（3）將城市按照快遞簽收比例的占比進行降序排列，然后選擇前10的城市即可，操作也是比較簡單的。鐵子們加油呀，明天一定會更好。

4 地域分布情況

如何了解全國快遞區域的具體情況（發送快遞量、簽收量簽收合格率），從而，判斷哪些城市在物流配送環節存在問題呢？

我們可以通過制作快遞流向明細表，將所需了解的內容–呈現出來，并對達標的情況用不同的形狀予以標注，達到一個直觀的顯示效果。

4.1 圖表—明細表

（1）圖表類型選擇明細表，依次將發貨地、收貨地、件數、已簽收和快遞簽收比例放置在數據欄目，其中，這里我們用到的快遞簽收比例（已簽收/件數）也是需要通過自己計算得到的。

5 展現數據總體情況

5.1 KPI指標卡

圖表類型—KPI指標卡，將件數拖入顏色和文本中，匯總方式：求和，文本的顏色可以根據自己的需求設置。

到這里，我們就完成了整張表的設計。

6 分析報告

（1）由物流流向地圖我們可以看出，江浙滬地區的快遞量比較大，而像西藏、新疆、青海、海南省的快遞量比較少，或者說這些地區的客戶買北京地區的快遞比較少，可能會考慮到物流時長的原因，但是這只是一方面，我們還需要更多的數據區進行分析。

（2）由我們的物流流向前TOP10，我們可以看出，杭州上海焦作的快遞量比較大，但是杭州和上海的差距還是挺大的，相差1000多的快遞量，而上海與焦作的差距也達到了600多。因此，我們需要將重點放在杭州的快遞上，同時，采取措施提高上海、焦作和鹽城的數據。

（3）對于快遞簽收Top10，我們可以看出，雖然阿里地區的快遞量不是太多，但是簽收比例還是挺高的，達到了89.1%，簽收比例最高的前三個城市分別為阿里地區、梧州市以及揭陽市。

（4）通過明細表對地域分布情況的分析，我們可以通過快遞簽收比例的形狀看出哪些地區是達到了我們的目標，還有哪些地區需要優化，還有哪些地區的簽收比例不太好。

總結

以上是生活随笔為你收集整理的FineBI实现物流行业数据分析的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。