大家好，欢迎回到《老周道数据》，我们一起用直观的思维和数据分析，通过数据来讲述背后的故事。
今天我们继续进行上次话题的延伸，带大家进一步探讨与时间相关的BI数据可视化分析。前几讲我们重点讲解了时间筛选控件的使用，包括如何通过日历控件来筛选具体日期，如何根据不同的时间粒度（如年份、月份等）选择下拉菜单、按钮或勾选框来进行筛选；还介绍了如何设置时间范围来灵活选择某一段时间的分析数据。不同的应用场景，需要选择不同的时间筛选控件，大家一定要熟练掌握这些操作。
回顾上期内容与作业解析
在上一讲中，我们讨论了如何使用这些时间筛选工具来分析数据。特别是，我们针对如何查看过去12个月的销售趋势这一问题，进行了详细的分析和操作讲解。这不仅是第5讲和第6讲知识点的综合应用，而且也是一个非常实际的分析场景——我们需要在查看当前月份的销售情况时，能够同时对比过去一年的销售表现，从而得出更有价值的判断，做出更合适的决策。
在实际操作中，我们会通过BI分析软件来创建不同的报表，使用相应的时间筛选控件来获取准确的数据。大家要记住，作业的关键不在于是否能在第一时间解决问题，而是在于我们通过分析思考，把所学的知识点灵活运用到实际场景中，进而解决问题。
实际操作演示：分析2010年12月的销售趋势
在今天的操作示范中，我们将展示如何分析2010年12月的销售趋势，步骤如下：
新建表格
在数据集构建器中，我们先选择一个按年月筛选的收入表格，放入相关的收入数据，并在“行维度”中加入门店信息。然后，点击“+”按钮，添加时间筛选控件，选择“年份”和“月份”，并设置下拉选择框。确定后，表格就已经搭建完成。
操作副本
我们复制此表格作为新的副本，进行后续修改。在新的表格中，删除门店维度，并替换为“年份”和“月份”维度。
去除小数点
如果在“年份”和“月份”字段现了小数点，我们可以点击右侧的“表列”，将值类型调整为“常规”，即可去除小数点。
筛选条件设置
在新的表格中，我们删除原有的时间筛选条件，新增“日期”字段作为筛选条件，并设置为“最近12个月”的条件。在弹出的筛选条件设置框中，选择“近期（T+0）”为筛选条件，勾选“是否参数”，并选择当前的BI时间。设置完成后，点击“确定”即可。
数据可视化展示
如果我们仅仅用简单的表格来呈现数据，可能难以直观地看到销售趋势，因此我们可以切换为“折线图”或“面积图”来进行数据可视化展示。
联动分析功能
在面积图的前提下，我们可以使用联动分析功能，选择某一门店（比如万国店），点击确定后，页面将根据门店数据自动更新，展示该门店近12个月的销售趋势。同样，点击其他门店，比如万达店，页面会显示万达店的销售数据。
零售企业必备核心指标——售罄率分析
今天的重点转向零售企业，特别是像鞋服等具有明显生命周期的商品，其核心运营指标之一便是“售罄率”。售罄率是指在一定时间段内，某商品的销售数量占总采购数量的比例。通过这一指标，零售商可以判断某商品的销售情况，进一步决定是否进行折扣促销或清仓处理。
售罄率计算公式为：
售罄率 = （某段时间的累计销售数量 ÷ 总采购数量） × 100%
虽然公式看起来简单，但实际计算时，由于时间段的不同，分子和分母涉及的时间范围是不一致的。比如，分子是某个月的累计销售量，而分母是截至该月的总采购量。为了便于计算，奥威BI提供了“历史累计”这一功能，帮助我们处理这种复杂的时间范围问题。
不同的企业可能会有不同的售罄率计算方式，常见的有按数量计算、按成本价或零售价计算，采购数量可以按订货量来计算，也可以结合当时的库存量和累计销量。我们推荐使用当时库存量加累计销量的方式，以更精准地反映商品的实际销售情况。
如何计算2022年8月的售罄率？
我们以2022年8月的数据为例，来演示如何在BI系统中进行售罄率和累计售罄率的计算：
新建报表
我们选择服装零售数据，创建新报表。在汇总区域，分别放入累计销售数量、销售数量和累计入库数量。接着，计算售罄率和累计售罄率。
添加历史聚合功能
在计算销售数量和入库数量时，我们启用历史聚合功能，以便在数据中自动计算历史累计数据。
计算售罄率
在汇总区域，点击“+”，选择计算功能，输入“售罄率”公式，计算方法为：销售数量 ÷ 累计入库数量。
计算累计售罄率
同样，在汇总区域中，输入累计售罄率的计算公式：累计销售数量 ÷ 累计入库数量。
添加筛选条件
在筛选控件中，我们加入日历范围控件和商品筛选条件（如季节、商品分类和门店名称）。
展示报表
完成这些步骤后，我们将在报表中看到计算出来的售罄率和累计售罄率，并根据不同的筛选条件进一步分析数据。
总结与作业任务
本期讲解重点是“售罄率”这一核心指标的计算及其应用，尤其是如何在历史累计的基础上进行时间范围的计算。通过这些功能的掌握，大家可以更加精确地分析和预测商品的销售表现。
今天的作业：请尝试按周对某款商品进行售罄率的监控分析。
今天的内容就到这里，下一讲我们将继续探讨与历史累计相关的实际场景和操作，敬请期待。
我是老周道数据，感谢大家的参与，我们下期再见！