FineBI實現物流行業(yè)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(fā)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(fā)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(yè)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(yè)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(fā)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(fā)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(yè)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(qū)域的具體情況（發(fā)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(huán)節(jié)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(fā)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(qū)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(qū)的客戶買北京地區(qū)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(qū)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(qū)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(qū)、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(qū)是達到了我們的目標，還有哪些地區(qū)需要優(yōu)化，還有哪些地區(qū)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。