如何线上自己找数据分析项目来做？
说重点，哪里数据分析项目最多？
既有数据集，也有数据教学，还有数据人一起交流，帆软君随机为大家找了几个：
其实，如果想找到不错的数据分析工作，不在于数据分析项目的多少，而是项目分析的是否够透彻，是否用数据起到了真正的作用，今天帆软君就来说一个粉丝做的数据分析项目，希望能让大家产生思路上的共鸣。
用到的工具是FineBI
业务背景：
这是某网约车公司，公司希望能看到当前网约车业务的整体情况，主要是平台经营情况和客户行为偏好分析。
解决方案：
用FineBI对数据进行分析，得出不同客户的偏好，采取相应的维护策略。
数据来源：
自选数据：根据网上公开数据进一步加工得到。
原始数据字段信息：
分析思路：
分析维度：客户，车型，城市，时间，渠道，设备
分析方法：交叉分析，下钻分析，对比分析，TOPN分析(静态和动态)，RFM分析，帕累托分析，四象限分析
搭建业务分析框架，可以从指标，业务，流程三个角度出发，整体分析框架主要是通过OSM + 用户生命旅程角度和"人货场"开展
本次分析因为数据本身限制，最终展现为右边的脑图。
分析维度：客户，车型，城市，时间，渠道，设备
分析方法：交叉分析，下钻分析，对比分析，TOPN分析(静态和动态)，RFM分析，帕累托分析，四象限分析
数据处理：
①2020中国城市分级数据，维度表；
②用户订单数据明细表，事实表；
数据读取：用户订单数据表原始数据有两份excel表，字段完全相同，故需要进行合并，使用python处理，IDE是jupyter lab。
读取数据
数据清洗：
转换格式
删除重复字段
查找重复值
可视化报告：
1.整体情况分析
结论先行，从各个维度描述，覆盖城市，订单完单率，用户分布，订单金额贡献，订单渠道，客户设备，车型偏好，出行服务，客户价值。
结论：在覆盖城市上，平台总覆盖城市182个，平台覆盖城市率达54%；
在设备上，54.7%的订单来自IPhone设备,35.4%的订单来自Android设备；
客户价值分层后，除了针对不同特征的客户进行相应的营销策略，更应该关注那些第一次下单就取消订单的且之后也没有新订单的客户。
2.城市订单贡献分析
通过城市群，城市分级，城市，车型四个不同维度展示订单贡献情况，使用帕累托分析法，也就是常听到的二八法则。
结论：在单个城市上，北京订单金额最大，订单金额占比12.57%，新一线城市成都和西安分别排名第二和第四；
一线城市，客户更喜欢选择优选型和舒适型，二线及以下城市客户更偏向选择经济型；
在订单金额贡献上，新一线城市超越一线城市，二线城市及以上城市贡献占比超过85%。
3.出行场景和服务分析
过滤组件和图表实现动态TOPN筛选，维度有工作日，周末，用车场景分为预约用车和即刻用车。对比工作日和周末，预约用车和即刻用车，不同出行服务的订单量。
结论：在用车场景中，超过54%的客户有预约用车的习惯，用户没有明显预约用车的习惯。
在预约用车场景中，客户在选择飞机出行时，为了保证行程的顺利，更关注出行的时效性，预约送机服务被客户更多的选择，其订单量占订单总量的48.5%。
4.客户价值和首次接单类型分析
使用RFM模型对客户进行价值分层，共分出8类不同的用户，加上针对一次下单且取消的客户，总共分出9类不同价值的客户，针对不同的客户采取不同的维护和营销策略。
结论：一次下单且取消订单的客户集中在成交订单量前三的北京，成都和上海，说明其成交订单量仍然有较大提升空间。
58.9%的客户处于新用户和重要挽留客户阶段，新客户均是仅下单一次的客户，说明目前新客户流失情况较为明显，后续运营重点放在客户的转化上。
完整作品展示：
源自：2021帆软BI可视化夏季挑战赛参赛作品
获奖名次：最佳行业应用奖
作者：andy-lin
最后分享一些相关资料：