💡基于 Google 官方电商数据的 BI 项目实战：从数据建模到仪表盘可视化

本文记录了我基于 Brazilian E-Commerce Public Dataset 独立完成的一个完整 BI 项目。项目涵盖从数据理解、数据建模，到 Power BI 仪表盘设计与优化的全过程。
通过这次实践，我不仅提升了 DAX 和建模能力，更深入体会到了一个以业务为导向的 BI 项目如何落地。

---

🧭 项目背景与目标

本项目基于巴西最大的在线电商平台 Olist 的公开数据，数据已被结构化整理为典型的雪花模型结构，涵盖订单、用户、商家、物流、支付、商品等多个维度。

我期望通过该数据集完成：

• 🔧 从零构建数据模型，实现主副表联结、规范建模

• 📊 设计三个关键主题仪表盘，分别聚焦：

  • 用户画像与行为趋势
  • 订单支付与运营概览
  • 商家与商品销售表现

• 📈 提炼核心业务 KPI（GMV、订单数、退货率等），支持筛选与下钻

• 🎯 为后续的机器学习建模（如延迟预测、用户分群）打下基础

---

📦 数据准备与挑战

项目数据由 9 张表格组成，结构良好、信息丰富，但初期也面临不少实际挑战：

🧱 挑战一：复杂的雪花模型路径 & 模型冲突

原始数据表之间存在多条路径，比如 olist_geolocation_dataset 同时可与 客户、商家两个维度关联，导致 Power BI 自动建模时报错。

✅ 解决方案：
复制 olist_geolocation_dataset 为两份表，分别命名为 Customer_Geolocation 和 Seller_Geolocation，独立连接至对应维度，解决路径歧义。

---

🧩 建模结构与字段处理

建模关系核心：

Customer → Order → Order Items → Seller → Product
             ↓           ↓
        Payments       Reviews

衍生字段构建示例：

在构建 KPI 指标时，我使用了大量 DAX 函数实现业务逻辑提取：

GMV = SUM('order_items'[price])
Avg_Order_Value = [GMV] / [订单总数]
Order_Month = FORMAT('orders'[order_purchase_timestamp], "YYYY-MM")

---

📌 仪表盘设计结构

✅ 仪表盘一：用户行为分析看板

核心组件：

• KPI 区域：注册用户总数、活跃用户、复购率等
• 趋势图：月度注册趋势、月度活跃用户趋势
• 用户分布：按州、城市、价值区间（基于消费金额划分）
• 切片器支持：州、注册时间段等

遇到的挑战：

• ❓没有“活跃”标签字段，如何定义活跃用户？
  ✅ 我设定只要用户在某月有一次订单，即视为“活跃”，并用 DAX 实现筛选。

---

✅ 仪表盘二：订单与支付概况

核心组件：

• KPI：总订单数、平均支付金额、退款订单数等
• 趋势图：月度订单量变化、支付方式分布
• 支付分析：分期付款情况（DAX 分箱）、各付款方式金额对比

挑战与解决：

• ❗**“付款期数”字段为离散值，图表难以展示趋势**
  ✅ 使用分箱处理，构建字段 Payment_Term_Category，分为短分期、中分期、长分期，提升可读性。

Payment_Term_Category = 
SWITCH(TRUE(),
    payments[payment_installments] <= 6, "短分期",
    payments[payment_installments] <= 12, "中分期",
    "长分期"
)

---

✅ 仪表盘三：商家与产品表现

核心组件：

• 商家 KPI：销售金额 Top10、商家热力图（使用地理编码）
• 产品表现：各类目销售量、退款率
• 排序控制：只显示 Top 类别或商家（通过排序后使用前 N 筛选）

挑战与解决：

• ❓产品类别是葡萄牙语，需要转换为英文以便理解
  ✅ 使用提供的 product_category_name_translation 表映射成英文类别，提升可视化可读性。

---

🛠 技术与工具

• Power BI Desktop：数据建模、DAX 编写、仪表盘设计
• Excel：初期数据结构分析与清洗
• DAX：构建指标字段、分箱、动态筛选、图表控制

---

📈 项目总结与收获

模块	技能提升
数据建模	熟悉雪花结构建模与 Power BI 的路径管理
数据清洗	解决了数据缺失、多表关联等多个实际问题
可视化设计	形成三大主题仪表盘，具备较强结构化输出能力
业务理解	更深入理解电商场景下的用户行为与商家运营逻辑

---

🧠 思考与延伸方向

项目后续，我还计划基于这个数据集拓展以下方向：

• 📦 构建订单配送延迟的预测模型（已完成，详见我另一篇文章）
• 👥 用户价值分层（RFM + 聚类分析）
• 📢 结合用户评论数据做文本挖掘与情绪分析

---

🧲 结语

这是我转向数据分析赛道后第一次真正**“从头到尾”构建起一个可落地的 BI 项目**，过程中也确实遇到很多挑战，但最终通过不断调试与查阅资料，完成了从数据建模到仪表盘设计的全过程。

---

如果你觉得这篇文章对你有帮助，欢迎点赞、收藏，或关注我后续的数据分析系列实战～

如需完整 Power BI 文件、仪表盘设计稿，欢迎私信我交流！