「室内地图」数据可视化,一张“卡片”容纳购物中心全局分析

春节后上班第一周,大家节后综合症还没有缓过来呢,在某大型购物中心营运部任数据分析师的Elsa已经加班两天了,为了节后第一个月的月会报告。

上个周末,小观与Elsa约了一次下午茶,聊聊她最近遇到的工作烦心事。

Elsa18年入职这家购物中心,这一年来的主要工作,是对接各部门的数据报表需求,尤其是财务部、营运部和招商部。

购物中心的数据分析主要是两大类:消费类的和经营类的。

○ 消费类的数据分析,主要和C端顾客相关,包括客流量、提袋率、客单价、消费频次等,一般营运部门、VIP部门关注较多。

○ 经营类的数据分析,主要和B端客户相关,包括铺位销售额、租金、租售比、坪效等,一般是招商部门、营运部门关注较多。

她去年一年来遇到的最棘手的两个问题,主要是和经营类的数据报表相关,小观听了之后,结合此前其他相关用户的反馈,发现这是大部分购物中心的数据分析人员经常遇到的,具有典型性。经和Elsa沟通后,我们将这两个问题抛出来,并提供观远数据目前针对这两个问题上的解决思路与方案,旨在与大家共同探讨。

典型问题1.购物中心/品牌经营报表包含信息太多,又长又宽

如下图所示(注:本文中所有配图的数据均已做脱敏处理),数据已有近30列,而且还只是完整报表的部分内容,这对报表接收者来说造成了两个阅读障碍:

1)内容太多,某些信息无论如何编排,都会被割碎。

从图1中我们可以看到,本月的信息如果放一起,那么客流量的相关指标就会被分开;如果客流量相关指标放一起,那么本月的信息就会被分开。

虽然受限于表格的形式只能这样,但仍不时有收件者来吐槽每次眼睛都看花了还看不全。

2)品牌在购物中心中所处的位置不明,看表需要靠记忆力和抽象能力才能还原。

购物中心里的铺位不定时常有变动,大部分人员没有办法很好地将品牌位置在脑内构建布局图、从而更直观地将营运数据在位置上进行投射和关联分析。

解决方案:

? 观远智能BI平台引入「3D室内地图」,可将购物中心的相关数据立体式展示。

* 支持楼层切换,一张卡片可容整个购物中心。

* 室内地图上的铺位支持各种维度的颜色分区。

如下图左是根据业态划分(橙色是服饰、绿色是甜品茶饮等等),下图右是根据店铺级别划分(橙色是次主力店铺,绿色是普通店铺等)。

如有需要,也可以根据销售额、坪效等指标维度划分。

可以将室内地图与其他数据联动,在观远看板里边“逛”边看数据,直观又清晰。

Elsa对室内地图的效果非常感兴趣,尝试做了几个看板分析后,连说“太实用了”,认为是营运部门报表优化的一个大利器。但她也提出了一个问题:“我担心这个对于招商部门来说仍不够,他们未必要3D效果、楼层切换等效果,但他们却经常有铺位调整的需求,因此需要室内地图的绘制非常方便,可以随时调整。”

典型问题2.铺位调整频繁,CAD制图难以和线上数据关联分析并及时调整

目前在做铺位调整的时候,很多招商部门的方式,仍是一手拿着打印出来的纸质CAD图纸,一手拿着电脑打开表格,在纸上确定一个铺位,转头在Excel表格上找到对应的品牌数据,来回查看铺位与坪效、租售比等信息,然后在图纸上直接圈划新的铺位调整。这种方式带来招商铺位调整工作中最直观的两个问题:

1)铺位调整的参考信息分散,铺位的位置、面积在线下,铺位的经营信息在线上,靠人工来反复核对查看。

2)调整好的铺位分布图更新到CAD图库中时间长,且无法方便快速查看每个铺位调整版本对应的经营信息(甚至有的招商中心历史数据是缺失的,全靠招商人员人脑记忆、经验支持)。

解决方案:

? 观远提供「自助绘制平面室内地图」功能,支持随时调整,并可和数据结合,即看即调,即调即生效。

1)可将平面地图上传到观远,并通过联动功能,查看每个铺位对应的经营现状,采取对应的策略。

2)调整地图后,即时生效,可持续观察调整效果。

接上图中的示例,招商人员准备对部分店铺进行调整,同时,招商部门引进了新店,需要确定铺位。

在观远智能BI的地图管理中心里,招商人员可以快速在原有室内地图基础上进行调整。

铺位调整后立即可用,等相关数据更新后,营运部门就可以对调整后的铺位分布进行经营分析。

以上就是观远智能BI中关于室内地图比较受欢迎的部分用法,与此同时,我们在购物中心的数据分析中还有很多使用场景等待大家去发掘。

原文地址:https://blog.51cto.com/14211202/2355168

时间: 2024-10-03 23:50:47

「室内地图」数据可视化,一张“卡片”容纳购物中心全局分析的相关文章

大数据可视化设计在信息安全领域的案例分析

大数据可视化是个热门话题,在信息安全领域,也由于很多企业希望将大数据转化为信息可视化呈现的各种形式,以便获得更深的洞察力.更好的决策力以及更强的自动化处理能力,数据可视化已经成为网络安全技术的一个重要趋势. 一.什么是网络安全可视化 攻击从哪里开始?目的是哪里?哪些地方遭受的攻击最频繁--通过大数据网络安全可视化图,我们可以在几秒钟内回答这些问题,这就是可视化带给我们的效率.大数据网络安全的可视化不仅能让我们更容易地感知网络数据信息,快速识别风险,还能对事件进行分类,甚至对攻击趋势做出预测.可是

CSDN开源夏令营 百度数据可视化实践 ECharts(8)问题分析

ECharts问题描述: 问题就是折线图上的点是显示的,有人问能不能一开始不显示,当你点击的时候或者是当鼠标移动到上面的时候,折线上的点才显示? 如下图所示: 分析:让折线上的点不显示可以让symbol属性为"none".考虑到当点击的时候让折线上的点显示出来,那么可以再on事件中重新加载option事件.当click到折线关键点时候可以重新加载数据中symbol属性,设置成你想要的形状,并且一定要重新加载setOption事件. {self} on {string} eventNam

数据可视化的优秀入门书籍有哪些

习·D3.js 学习资源汇总 除了D3.js自身以外,许多可视化工具包都是基于D3开发的,所以对D3的学习就显得很重要了,当然如果已经有了Javascript的经验,学起来也会不费力些. Github主页:https://github.com/mbostock/d3/wiki 包括D3简介,案例,教程和公开课,以及之前提到的API参考等. Github教程页面:https://github.com/mbostock/d3/wiki/Tutorials -·-·-·-·-·-其他:-·-·-·-·

基于HTML5的数据可视化实现方法解读

现在在大数据的带领下,数据可视化越来越突出,能够清楚的分析出自己想要的数据,这也是我们现在最求的数据可视化方法,那么实现HTML5的数据可视化方法有哪些?这都是我们值得研究的东西,数据可以给我们带来敏感的市场未来发展,同时也能够实时分别不同数据效果. HTML5为数据可视化提供了新的实现方法.本文对HTML5在健康数据可视化在PC及部分移动终端上的应用进行研究.使用HTML5中的Canvas和SVG实现的数据可视化方法基于浏览器的支持,具有很好的平台兼容性 可视化(Visualization)是

陈为著《数据可视化》书评及思维导图

在确定数据可视化为自己研究主题之初,我经常上网搜寻相关资料.但是初期的收集经常是杂乱无章,缺乏系统规划的.以至于我产生了三个困扰我的问题,分别是: 1. 信息可视化与数据可视化,到底有什么区别?或者说infographics 与visualization之间有何区别? 2.data visualization就是数据挖掘之后的用于显示结果的统计图吗? 3.曾经在知乎上看见某资深程序员直言,数据可视化在国内除了折腾一下社交网络外,没什么好做的,是这样吗? 今年4月以来,我终于有时间仔细研究相关问题

数据可视化

在确定数据可视化为自己研究主题之初,我经常上网搜寻相关资料.但是初期的收集经常是杂乱无章,缺乏系统规划的.以至于我产生了三个困扰我的问题,分别是: 1. 信息可视化与数据可视化,到底有什么区别?或者说infographics 与visualization之间有何区别? 2.data visualization就是数据挖掘之后的用于显示结果的统计图吗? 3.曾经在知乎上看见某资深程序员直言,数据可视化在国内除了折腾一下社交网络外,没什么好做的,是这样吗? 今年4月以来,我终于有时间仔细研究相关问题

Uber开源「神经演化」可视化工具VINE

艾伯特 AI 科技评论按:算力的提升可能会为旧的算法注入活力.近两年来,神经演化(Neuroevolution)的方法逐渐再次受到关注,包括OpenAI.DeepMind.GoogleBrain.Sentient.Uber等全球几大研究机构近期在这方面都有一些研究,而其中Uber似乎投入了更多的精力. 图1. Google Trend中「Neuroevolution」的变化 艾伯特前段时间曾对 Uber 数日连发的 5 篇关于神经演化的文章进行了深度的解读.这些文章介绍了他们在遗传算法(gene

「速成应用」一键生成微信小程序平台 可视化制作开发无需代码

经历了频繁的更新迭代,小程序已经构建起了趋于完善的生态,与此同时,以「速成应用」为代表的小程序第三方开发平台也在推动着小程序市场的发展.为了更好地助力企业打造微信内电商生态闭环,实现线上线下引流,「速成应用」于近日进行了全功能的更新,通过对各类功能组件的优化,帮助企业实现商业模式的转型升级与营销突破. 「速成应用」根据商家反馈的问题,重点对小程序模块中的电商.外卖等功能进行优化升级,旨在帮助企业解决门店经营与小程序线上营销两大难题.在这次升级过程中同样也对辅助功能进行了优化.升级完成后,全线功能

「数据挖掘入门系列」数据探索之数据特征分析

对数据质量进行简单的分析后,我们就可以开始来分析数据的特征分析了.数据的特征分析可以从以下几个方面开展: 分布分析 对比分析 统计量分析 周期性分析 相关性分析 通过以上5种方式,可以找到数据中存在的某种特征. 分布分析 分布分析很容易理解,就是理解数据的分布情况.例如:在0-100区间有多少数据.100-1000有多少数据等等.我们一般可以使用直方图.饼图来展示数据的分布情况. 分布分析可以分为两种类型: 定量数据分布分析 定性数据分布分析 定量数据分布分析就是把数据分成一个个固定的区间,然后