下载掌阅APP，畅读海量书库
立即打开
我们进行数据分析前，需要将不同格式的数据统一整合到一个可以进行数据分析的文件中，如在获取数据时为了方便记录会采用记事本对数据进行记录，而记事本并不能进行数据分析，因此需要将记事本中的数据转化为可以进行数据分析的文件格式，如Excel文件。
根据岗位实训内容，我们可提炼出典型实训活动，具体如下：
（1）区分不同格式的数据文件；
（2）能够正确使用分隔符将记事本中的数据分隔开；
（3）掌握PowerPivot导入数据的流程及要求。
知识目标：
（1）了解PowerPivot的功能、优缺点以及使用场景；
（2）熟悉数据文件的格式；
（3）掌握分隔符的使用。
技能目标：能够独立使用PowerPivot正确导入各种格式的数据。
思政目标：
（1）树立严谨、细致的实训态度；
（2）培养克服困难解决问题的能力；
（3）追求职业高度。
任务名称：_______________
任务功能：_______________
典型实训任务：_______________
注意事项：
1.请严格按照实训任务内容要求实践，不得随意更改实训流程。
2.完成实训内容后，请进行清单检查，完成请打钩。
学生签名：
我们常用“磨刀不误砍柴工”来比喻要办成一件事，不一定要立即着手干活，而是先要进行一些筹划和安排，做好充分准备，创造出有利条件，这样不但不会浪费时间，反而会大大提高整体的实训效率。这个道理在进行数据分析中也是适用的，在进行数据分析前能够正确导入需要分析的数据是非常重要的。
对“用户明细.txt”进行缺失检查及分隔符的设置，使用Excel的PowerPivot将数据正确导入，组成新的“用户明细.xlsx”文件。
实训流程图如图 2.1 所示。
（备注：实训流程图上方为该环节所需知识点，下方为项目实践活动。）
图2.1 实训流程图
实训要点 1：数据是否有缺失
实训要点 2：设置数据间的分隔符
实训任务：检查并设置数据间的分隔符。
实训要点 1：使用Excel中的PowerPivot导入数据
实训要点 2：检查导入数据的完整性和准确性
实训任务：完成“用户明细.txt”的导入。
实训要点 1：调整导入数据的格式
实训要点 2：使用Excel导出“用户明细.xlsx”文件
实训任务：“用户明细.xlsx”文件的生成。
本实训的学习目标如表 2.1 所示。
表2.1 学习目标
数据分析一般分为五个步骤：第一步，数据收集，包括一手数据和二手数据的收集；第二步，数据处理，即从大量的、杂乱无章的数据中抽取并推导出对解决问题有价值、有意义的数据；第三步，数据分析，包括分类、聚类、关联、预测数据；第四步，数据展现，即用饼图、柱形图、条形图、折线图、散点图、雷达图、金字塔图、矩阵图等常用图表可视化展现数据；第五步，报告撰写，即图文并茂、层次清晰地向读者阐明结论，提出建议或解决方案。当我们面对规模越来越庞大的数据，已不能依靠计算器进行分析时，我们必须依靠强大的数据分析工具。数据分析工具能帮助我们熟悉数据分析方法理论，完成数据分析实训。
本章主要介绍商务数据分析的工具，通过完整的数据分析知识体系，在数据处理、分析、展现、报告方面进行延伸扩展，精心挑选能够提高效率的常用工具，涵盖数据处理（Microsoft Access、 Microsoft Query）、数据分析（PowerPivot、 Excel数据分析工具库）、数据呈现（水晶易表）和报告自动化（VBA）。数据分析方法总体上有两类，描述性数据分析和预测性数据分析。本章将从以下两个方面展开讲解商务数据分析工具的相关内容。
描述性数据分析：通过数据透视表，求和、平均和分组来了解构成，通过不同维度的对比了解原因，通过图表制作进行呈现和描述。
预测性数据分析：通过现有的数据分析相关性，探寻联系，再通过相关回归模型对未来进行合理的预测。基于Excel数据环境的分析工具有两个，一个是侧重于描述性分析的PowerPivot，另一个是基于统计分析的Excel数据分析工具库。
PowerPivot是一组应用程序和服务，为使用Excel和SharePoint创建和共享商业智能提供了端到端的解决方案。 PowerPivot与Excel和SharePoint进行了集成。在Excel环境中， PowerPivot for Excel提供熟悉的工作站式的创作和分析体验。在SharePoint场中， PowerPivot for SharePoint添加了服务器端应用程序和功能，支持对用户发布到SharePoint的工作簿进行PowerPivot数据访问和管理。 PowerPivot服务器组件能加载数据、处理查询、执行计划的数据刷新，并跟踪场中的服务器和工作簿使用情况。
PowerPivot for Excel是在Excel工作簿中创建PowerPivot数据的创作工具。用户可以使用数据透视表和数据透视图等Excel数据可视化对象来显示用户在Excel工作簿（.xlsx）文件中嵌入或引用的PowerPivot数据
。
PowerPivot for Excel通过下列方式来支持自助商业智能。
（1）取消当前Excel中的行和列限制，以便可以导入更多的数据。
通过数据关系层，用户可以集成来自不同数据源的数据并全面处理所有数据；可以输入数据、复制其他工作表中的数据或从企业数据库中导入数据；可以在数据之间建立关系以分析数据，就好像所有数据都来自一个数据源一样创建可移植、可重用的数据。数据保留在工作簿内，用户无须管理外部数据连接。如果用户发布、移动、复制或共享工作簿，那么所有的数据都会和工作簿在一起。工作簿的其余部分可以立即使用所有的PowerPivot数据。用户可以在Excel和PowerPivot窗口之间切换，从而以交互方式处理数据及其在数据透视表或数据透视图中的表示形式。处理数据及其表示形式不是单独的任务。用户可以在同一个Excel环境中一起处理数据及其表示形式。
（2）PowerPivot for Excel可以让用户导入、筛选数百万行数据并对这些数据进行排序，远远超过Excel中一百万行的限制。
排序和筛选操作都非常快，因为它们是由在Excel内部运行的本地Analysis Services VertiPaq处理器执行的。更重要的是，通过使用PowerPivot for Excel，用户可以在来自完全不同的数据源的数据之间建立关系，具体方法是映射包含类似或相同数据的列。在数据之间建立关系时，用户是在Excel中创建了可在数据透视表、数据透视图或任意Excel数据表示对象中使用的全新内容。保存的数据存储在Excel工作簿内部。数据经过高度压缩，生成的文件的大小适合在客户端工作站上进行管理。
（3）用户会获得一个包含嵌入数据的工作簿（.xlsx）文件，这些数据由内部处理器提取和处理，但完全通过Excel呈现。
压缩和处理是由Analysis Services VertiPaq引擎完成的。查询处理在后台透明地运行，以便在Excel中提供海量数据支持。因为其是由本地Analysis VertiPaq引擎执行的，所以排序和筛选操作都非常快。
PowerPivot的特点：行和列的限制都被取消了，可以处理海量数据，整合多数据源，操作界面简洁，实现信息共享。常见的数据库对比如表 2.2 所示。
表2.2 常见数据库对比
综上， PowerPivot适用于习惯使用Excel数据透视表处理数据的用户， Access未安装，无须进行或进行简单的数据处理，在分组过程中主要是创建列，然后进行透视表分组。以用户购买行为分析为例，搭建分析框架，如图 2.2 所示。
图2.2 用户购买行为分析
说到数据分析，大家可能想得比较多的是SPSS、 SAS、 R、 Matlab等，其实Excel里面自带的数据分析功能也可以完成这些专业统计软件所做的数据分析工作，这其中包括：描述性统计、相关系数、概率分布、均值推断、线性、非线性回归、多元回归分析、时间序列等内容。 Excel是Microsoft为使用Windows和Apple Macintosh操作系统的电脑编写的一款电子表格软件。直观的界面、出色的计算功能和图表工具，再加上成功的市场营销，使Excel成为最流行的个人计算机数据处理软件。在 1993 年， Excel作为Microsoft Office的组件发布了 5.0 版之后，就开始成为所适用操作平台上的电子制表软件的霸主。分析工具库是在安装Microsoft Office或Excel后可用的Microsoft OfficeExcel加载项（加载项：为Microsoft Office提供自定义命令或自定义功能的补充程序）程序。但是，要在Excel中使用它，用户需要先进行加载
。
（一）分析工具库简介
在用Excel进行统计分析的时候，用户只需要提供必要的参数，就可以用工具选择函数分析，如图 2.3 所示。
图2.3 统计分析结构
（二）描述统计分析
通过Excel分析工具库中的“回归”分析工具，我们可以了解到更多信息，如回归统计表、方差分析表、回归系数表就分别用于回归模型的拟合优度检验（ R 2 ）、回归模型的显著性检验（ F 检验）、回归系数的显著性检验（ t 检验）。
1.回归模型的拟合优度检验（ R 2 ），回归统计表
其衡量因变量与自变量间的相关程度大小，以及检验样本数据点聚集在回归直线周围的密集程度，从而评价回归模型对样本数据的代表程度，即回归模型的拟合效果。其中， R 2 越接近 1，模型的拟合效果越好。
2.回归模型的显著性检验（ F 检验），方差分析表
检验的假设是模型是否成立，即回归系数是否至少有一个不为零。先看 F 检验的结果，显著性强，再看 t 检验的每一个斜率值和显著性。检验所有因变量与自变量的线性关系是否显著，用线性模型描述是否恰当。其中，一般用 P 值（significance F ）来检验，指的是在显著水平α（通常取 0.01 或 0.05）下的 F 的临界值。如果 P ＞0.05，则结果不具有显著的统计学意义；如果 0.01＜ P ≤0.05，则结果具有显著的统计学意义；如果 P ＜0.01，则具有极其显著的统计学意义。
3.回归系数的显著性检验（ t 检验），回归系数表
回归系数的显著性检验（ t 检验），回归系数表，检验每一个回归系数的显著性。研究回归模型中的每个自变量与因变量之间是否有显著的线性关系，也就是研究自变量是否能够有效解释因变量的线性变化，它们能否保留在线性回归模型中。其中，第一列表示截距 a 和斜率 b ，第二列表示 a 、 b 的值，第五列是 P 值，与前面 F 检验说明一致。
（1）峰度系数。
峰度以 bk 表示， Xi 是样本测定值， Xbar 是样本 n 次测定值的平均值， s 为样本标准差。正态分布的峰度为 3。一般而言，以正态分布为参照，峰度可以描述分布形态的陡缓程度；若 bk ＜3，则称分布具有不足的峰度；若 bk ＞3，则称分布具有过度的峰度。若知道分布有可能在峰度上偏离正态分布，则可用峰度来检验分布的正态性。
根据均值不等式，我们可以确定出峰度（系数）的取值范围：它的下限不会低于1，上限不会高于数据的个数。有一些典型分布的峰度（系数）值得特别关注。例如，正态分布的峰度（系数）为常数 3，均匀分布的峰度（系数）为常数 1.8。在统计实践中，我们经常把这两个典型的分布曲线作为评价样本数据序列分布形态的参照。若先将数据标准化，则峰度（系数）相当于标准化数据序列的四阶中心矩。所以，在相同的标准差下，峰度系数越大，分布就有更多的极端值，那么其余值必然要更加集中在众数周围，其分布必然就更加陡峭，如图 2.4 所示。峰度系数＞0，尖峭峰分布；峰度系数＜0，平阔峰分布；峰度系数＝ 0，正态分布。
图2.4 峰值系数图
（2）偏度系数。
Q 高峰向左偏移（偏度＜ 0），正偏态分布；高峰向右偏移（偏度＞ 0），负偏态分布。
Q 偏度系数＞1 或＜-1，高偏态分布； Q 偏度系数为 0.5～1、-0.5～-1，中等偏态分布； Q 偏度系数越接近 0，偏斜度就越低。具体见图 2.5。
图2.5 偏度系数图
（三）常用分析方法
1.直方图
直方图展示分组数据分布的图形，横轴表示数据分组，纵轴表示频数不设置组距。按最大值和最小值等距分组输出选择柏拉图，直方图则按照频率降序排列输出累计百分率，可以在表中添加累计百分比数值，并在图表中输出累计百分比折线
，如图 2.6所示。
图2.6 直方图
2.抽样分析
抽样分析通过已知的有效样本区估计未知的庞大总体周期间隔和随机间隔。其中随机抽样是有放回抽样，要检验抽样的重复性。
3.相关分析
相关分析指研究两个或以上随机变量之间的相互依存方向和密切程度，直线用相关系数，曲线用相关指数，多重相关用复相关系数表示
，如表 2.3 所示。
表2.3 相关性程度
（1）相关关系：现象间存在非严格的、不确定关系，两个现象的数量变化间有一定的随机性关系，因为有若干数值对应某一现象，影响现象发生变化的因素不止一个。且其不分自变量和因变量，仅描述线性关系的密切程度。如信用卡评分模型的原始参数与结果是相关关系。
（2）回归函数关系：现象间存在依存关系，某一变量的每一个数值，都有另一个变量与之对应，关系可以用数学表达式表达，进而进行预测。其有确定的自变量和随机的因变量，不仅揭示两个变量的关系，还可以用回归模型预测。如信用卡评分与结果是回归关系。
4.回归分析
回归分析流程如图 2.7 所示。
图2.7 回归分析流程
回归模型的检验，三张表为回归统计表、方差分析表、回归系数表。
（1）回归模型的拟合优度检验（ R 2 ），回归统计表。
其衡量因变量与自变量间的相关程度大小，以及检验样本数据点聚集在回归直线周围的密集程度，从而评价回归模型对样本数据的代表程度，即回归模型的拟合效果。
其中， R 2 越接近 1，模型的拟合效果越好。
（2）回归模型的显著性检验（ F 检验），方差分析表。
检验的假设是模型是否成立，即回归系数是否至少有一个不为零。先看 F 检验的结果，显著性强，再看 t 检验的每一个斜率值和显著性。检验所有因变量与自变量的线性关系是否显著，用线性模型描述是否恰当。其中，一般用 P 值（significance F ）来检验，指的是在显著水平 α （通常取 0.01 或 0.05）下的 F 的临界值。如果 P ＞0.05，则结果不具有显著的统计学意义；如果 0.01＜ P ≤0.05，则结果具有显著的统计学意义；如果 P ＜0.01，则具有极其显著的统计学意义。
（3）回归系数的显著性检验（ t 检验），回归系数表，检验每一个回归系数的显著性。
研究回归模型中的每个自变量与因变量之间是否有显著的线性关系，也就是研究自变量能够有效解释因变量的线性变化，它们能否保留在线性回归模型中
。
（一）Power BI工具简介
Power BI是微软最新的商业智能（BI）概念，它包含了一系列的组件和工具，Power BI的核心理念就是让我们用户不需要强大的技术背景，只需要掌握Excel这样简单的工具就能快速上手商业数据分析及可视化。
Power BI的优点如下：
（1）高颜值——可交互、钻取的仪表板；
（2）高智商——问与答功能，让你的报告会说话；
（3）高效率——数据源可配置自动更新，实现实时的仪表板展现；
（4）可拓展的可视化图表；
（5）流行的文字云。
Power BI一系列的组件和工具如图 2.8 所示。
图2.8 Power BI组件图
在Office 2010 时代， Power BI组件均以插件形式存在； Office 2013 时代除了Power Query，其他插件已全部内置； Office 2016 时代已全部内置相关插件。 Power BI就是将这些插件打包起来做了一个独立的软件，更加方便我们使用，同时其还提供了在线版、移动版、桌面版，而我们通常所说的PBI指的就是Power BI的桌面版（Power BIDesktop）。其中BI组件包含Power Query、 PowerPivot、 Power View、 Power Map四个。操作Power Query需要学习M语言、操作PowerPivot需要学习DAX语言，两者均属于函数式编程。而Power View和Power Map主要是做可视化，在Excel里面不是重点，已经逐渐被更为强大的PBI的仪表板取代。 Power BI是一套商业分析工具，用于在组织中提供分析意见（Power BI全称为决策分析系统）。其可连接数百个数据源、简化数据准备并提供即时分析，集数据获取、整理、呈现为一体；早期作为插件和Excel搭配使用，后续逐渐内置到Excel当中，现在已经开发出独立的软件。
（二）Power Query插件
Power Query是一种数据连接技术，可用于发现、连接、合并和优化数据源以满足分析需要。 Power Query的功能在Excel和Power BI Desktop中可用。
Power Query的使用场景如下。
（1）Power Query可以加载多种数据源，包括常见的Excel文件、文件夹、 TXT文件、 CSV文件、 SQL Server、 MySQL、 Web等；可对数据进行合并、追加之前需要VBA才能完成的实训。 Power Query操作完的步骤可以重复执行，如需再次操作同样的步骤，只需要刷新即可得到最新的数据。
（2）Power Query写好的操作步骤可以再次编辑和更改，还可调整操作步骤。你可以想象成你录制了一个宏，并且这个宏是可以根据你的需要随时编辑的。如果我们要直接修改宏的代码来实现，则需要学习VBA编程，但是在Power Query里面，操作如在Excel中的工具栏按钮进行操作一样简单。
（3）Power Query加载的数据可以突破Excel中 100 万行的限制，而加载数据的大小取决于你的内存上限。
（4）Power Query和PowerPivot结合，我们出日报只需要更新数据源后再进行刷新，对于重复性的实训，其可以称之为“神器”，效果堪比VBA，但学习门槛却非常低。 M语言是操作Power Query的语言，目前由 700 多个函数组成。但是大家不需要担心，我们学习Power Query只是为了完成基本的实训，没有必要对这些函数全部都熟悉，就像我们学习Excel不需要对VBA和全部的函数熟悉一样，我们只需要掌握几个基本的函数即可游刃有余。即便你不会任何M函数，依然可以通过工具栏上的按钮来实现，它们的很多功能与Excel是类似的，学习门槛很低。
可以简单地将Power Query理解为一个数据加载和数据清洗工具，在实际操作中由于受限于其计算效率， Power Query通常作为数据加载工具使用，但其数据清洗功能也是非常强大的，甚至可以做网络爬虫。
（三）PowerPivot
PowerPivot是一种数据建模技术，用于创建数据模型，建立关系以及创建计算。人们可使用PowerPivot处理大型数据集，构建广泛的关系，以及创建简单或复杂的计算，这些操作全部在高性能环境和Excel内执行。
PowerPivot的使用场景：
（1）PowerPivot是Power Query的好搭档，它们配合使用的场景非常多。如果你要做一份日报，你可以通过Power Query加载数据直接生成想要的数据。如果你有更加复杂的需求，可以再链接到PowerPivot里面使用“度量值＋多维数据集函数”将你需要的结果返回。下次再做日报只需要更新数据源后全部刷新。
（2）PowerPivot可以突破数据透视表的限制，制作更加自由的数据呈现结构。
（3）PowerPivot可对整个数据库进行复杂查询，具有快速内存处理能力，和Power Query一样不受Excel 100 万行的限制，结合使用DAX Studio可以实现类似SQL的查询效果。
（4）和Power Query一样， PowerPivot不受限于数据来源形式，并且支持非常多的数据源格式。我们可以直接使用PowerPivot加载源数据，也可以通过Power Query加载然后再链接到PowerPivot中进行使用。
（5）使用PowerPivot中的DAX语言有两个方向，即数据分析方向和数据查询方向。数据分析方向主要使用度量值，数据分析师使用得较多；数据查询方向是使用DAX处理各种复杂的表格关系，其查询效果类似SQL。与Power Query一样，操作PowerPivot也需要一门编程语言，即DAX语言。 DAX语言由 200 多个函数组成， Power Query的M语言均可用于函数式编程。看到编程两字，你不必害怕，因为DAX的函数中有部分函数跟我们使用的Excel函数一样或者类似，上手很快。涉及DAX更加复杂的操作需要你理解两个概念：筛选上下文和行上下文。
PowerPivot主要适用于数据模型的搭建方向，但在数据查询方面也表现优秀。Power Query和PowerPivot是一对在数据处理方面具有划时代意义的工具。但不要听到搭建数据模型就感觉很复杂，它其实并没有我们想象的那么“高大上”，我们只要开始学习，就会很容易入门。
（四）Power View
Power View是一种数据可视化技术，用于创建交互式图表、图形、地图和其他视觉效果，以便直观呈现数据。 Power View在Excel、 BI SharePoint、 SQL Server和Power BI中均可用。
Power View是嵌套在Excel里的交互式图表工具，只用Excel也可以制作出高大上的仪表板。
（五）Power Map
Power Map是直接嵌套在Excel里的基于地图的可视化工具，其同样可以在PBI中通过地图来实现。
（六）Power BI组件学习途径
（1）从Excel入门——该方法适合Excel用户，如果你之前只是使用Excel，那么你可以通过Excel开始学习这些BI组件，随后你会发现这将颠覆你以前对Excel的认知。
（2）从Power BI入门——该方法适合数据分析人员，你如果是一名数据分析相关人员，那么使用Power BI Desktop将是一个不错的选择，其和Excel中的组件基本相同，你可以非常方便地使用仪表板展示你所需要表达的内容，其是数据分析师的不二之选。
（3）从SSAS入门——该方法适合开发人员， SSAS是SQL Server的一个组件，是属于企业级BI的工具。从任何途径开始学习都可以对其他部分产生触类旁通的效果，其关键部分均是一样的。
Power BI在不断迭代，桌面版每月都有更新，有时候甚至是一周就更新，其已经成为微软战略产品。学习Power BI的人员在不断增多，但相关参考资料少，不像Excel那样成熟教程特别多，网上随处可见。有质量的Power BI组件教程在网上还是不太容易找，这些降低了部分想要学习的同学的积极性。学生如果是初学Excel，可以看看刘凯老师翻译的《用PowerPivot建立数据模型》，如果是初学Power BI，可以看看马世权老师的《从Excel到Power BI》，或者也可参考Power工坊的网络课程。
最后总结一下，以上介绍的插件功能WPS都是不支持的，只有微软Office办公软件才支持。如果你是首次在Excel中使用PowerPivot，那还需要设置一下才能使用；文件—选项—自定义功能区—将开发工具打钩，设置完毕后点击开发工具菜单下的COM加载项，对PowerPivot勾选后才能使用。此时， Excel会多一个PowerPivot的菜单。
大数据时代，数据是数据产品的内核，没有数据的产品只是产品，有形无神，更无法成为赋能用户的数据标杆，无法“可深度发展”。生意参谋集数据作战室、市场行情、装修分析、来源分析、竞争情报等数据产品于一体，是商家统一数据产品平台，也是大数据时代下赋能商家的重要平台，其模块主要有：
（一）首页
首页全面展示店铺经营全链路的各项核心数据，包括店铺实施数据、商品实时排名、店铺行业排名、店铺经营概况、流量分析、商品分析、交易分析、服务分析、营销分析和市场行情，从流量、商品、交易、服务等一系列经营环节 360 度分析
。
实时直播：提供店铺实时流量交易数据、实时地域分布、流量来源分布、实时热门商品排行榜、实时催付榜单、实时客户访问等功能，还有先进的实时直播大屏模式，让商家可以洞悉实时数据，抢占先机。
（二）经营分析
流量分析展现全店流量概况、流量来源及去向、访客分析及装修分析；商品分析提供店铺所有商品的详细数据，包括五大功能模块，即商品概况、商品效果、异常商品、分类分析、采购进货；交易分析包括交易概况和交易构成两大功能，可从店铺整体到不同颗粒度细分店铺交易情况，方便商家及时掌控店铺交易情况，同时提供资金回流关键点。营销推广包括营销工具、营销效果两大功能，可帮助商家精准营销，提升销量。
（三）市场行情
市场行情专业版包括三大功能，即行业洞察、搜索词分析、人群画像。行业洞察具备行业直播、行业大盘分析、品牌分析、产品分析、属性分析、商品店铺多维度排行等多个功能；搜索词分析可以查看行业热词榜，还能直接搜索某个关键词，获取其近期表现；人群画像直接监控三大人群，包括买家人群、卖家人群、搜索人群。
此外，市场行情的大部分指标可自由选择时间段，包括 1 天、7 天、自然日、自然周、自然月或自定义时间；可选择的平台包括淘宝、天猫和全网其他平台，终端则包括PC端、无线端。
（四）专题工具
生意参谋提供竞争情报、选词助手、行业排行、单品分析、商品温度计、销量预测等专项功能。竞争情报是一款提供给淘宝和天猫商家的用于分析竞争对手的工具，可精准定位竞争群体、分析竞争差距，并提供经营优化建议。选词助手从PC端和无线端出发，主要呈现店铺引流搜索词和行业相关搜索词的搜索情况及转化情况。行业排行主要展示六大排行榜，分别是热销商品榜、流量商品榜、热销店铺榜单、流量店铺榜、热门搜索词、飙升搜索词，所有无线端、 PC端均可分开查看。单品分析主要从来源去向、销售分析、访客分析、促销分析四个角度出发，对单品进行分析，商家可多角度了解商品表现情况，掌握商品实际销售效果。商品温度计提供商品转换效果的数据分析，同时可对影响商品转化的因素进行检测，检测指标包括页面性能、标题、价格、属性、促销导购、描述、评价等。销量预测可通过大数据分析，为商家推荐店内最具销售潜力的商品，并监控库存；同时，支持商家自定义监控规则，预估商品未来 7天销量等。此外，其还可为商家提供商品定价参考。
数据内容的录入可以按照文件类型不同分为：调查问卷录入、数字录入、文档、数据表以及以记事本形式记录的信息录入等。然而并不是录入的数据就可以直接进行分析，如果记录数据的工具不具备数据分析功能，这类数据是不可以进行数据分析的，因此，我们需要将不能直接进行数据分析的数据转化到能够进行数据分析的工具中才能对所录入的数据进行分析。
我们在使用电脑的时候，可以利用Excel软件来处理数据文档，下面以Excel的PowerPivot功能来介绍导入数据的步骤。
一般PowerPivot软件是不支持数据批量导入的，所以我们需要使用Power Query来对数据进行合并。
第一步，打开电脑中的Excel软件，然后新建一个表格，并依次点击“数据—管理数据模型”选项，也可以直接点击PowerPivot分类下的“管理”按钮。
第二步，切换至PowerPivot界面，然后点击“从其他源”按钮，再在弹出的窗口中点击选择“Excel文件”。
第三步，点击“下一步”按钮，然后点击“浏览”按钮，并将合并好的数据文件的存放路径导入文件内，如果文件的第一行有标题，就点击“勾选”使用第一行作为列标题选项，再点击“下一步”按钮。
第四步，在弹出的选择表和视图窗口中，点击勾选相应的实训簿，再单击“完成”按钮。
第五步，看到成功提示时，关闭界面。
第六步，返回主页可以看到导入的数据。
第七步，对表格下方的sheet名称进行修改——只需要右键单击即可，如果需要导入其他数据，重复相同的操作即可。
把本节课的知识梳理汇总成流程图，如图 2.9 所示。
图2.9 本节知识流程图
整理本节课所学知识点，补充下方思维导图（如图 2.10 所示），管理你的知识。
图2.10 本节知识思维导图