前面对于用户的研究，多是基于数据挖掘的角度，利用模型或算法，尝试挖掘数据更深层次的信息。
这篇文章将从数据分析的另一个视角，以指标聚合计算、图形可视化等非建模的方式，来描述一份数据，并以仪表盘的形式呈现出来。
源数据是一份零售电商销售明细，跨度 3 个月， items 数 25 万+，涉及10681名用户，10780件商品。
主要工具为tableau，考虑从销售情况、订单周期、用户价值、商品价值、用户留存和商品动销 6 个维度，进行可视化分析。
最终仪表盘已上传至tableau public，下面就来解释一下。
1.总体结构
仪表盘有6个界面，分别对应此前提到的6个分析维度，点击小标题模块，则切换到相应的子界面。
2.模块联系
为了通过数据讲好一个“故事”，各模块要跟普通故事一样，具有逻辑。
本“故事”的逻辑就是先总后分，先讲总体情况，譬如销售额、销售量、周期性；再讲具体的用户与商品，并细化为价值分析与留存分析/动销分析两个角度。
3.图形解释
（1）销售情况总览
可以轻松获知xx分公司在xx月的销售额、销售量、用户数、商品sku数；
同时每日销售额变化也清晰可见；
多个公司多个期间对比也是OK的。
读者可以自行想象一下要反应这些信息得做多少张图表，做出来后的效果又是否能比这个清晰。
（2）订单周期分析
从周—天—小时渐渐具化订单量的周期性，具体结论在最右；
周期性的存在可为合理地资源调配提供依据。
（3）商品价值分析
订单帕累托效应明显，少数几样商品贡献了大部分的销售额；
帕累托图看得更明显，20%的“超级商品”贡献了90%的销售额。
（4）用户价值分析
对比商品帕累托图，用户价值帕累托要“扁”很多，20%的超级大客户贡献的销售额在60%左右，说明客户价值依然存在帕累托效应，但不如商品价值集中；
另外做了一个简易的RFM分布图和分布表，很容易发现大多用户购买频次在5次以下，时间间隔两头小中间大，金额普遍较小，但有个别尤其突出。
（5）用户留存分析
左图表示在纵轴对应的那一周内，新用户数，1周后的留存数，……，一直到14周后的留存数，数量大小用○大小示意。
右图表示在纵轴对应的那一周内，新老用户数量对比情况，折线表示党当周所有下单用户数，区域表示首次下单用户数，两者之间的间隙当然就是老用户数。
留存率不高，新客相对于老客购买潜力更大。
（6）商品动销分析
图形可类比上面的用户留存分析；
商品与用户的情形刚好相反，初期卖得好的商品，后期依然卖得不错；
商品的构成比较稳固，不像用户群体反而以新增为主。
