数据分析相关面试题汇总

基础概念

什么是 BI（商业智能）？

是一套完整的技术与解决方案，通过对企业分散在各业务系统中的数据进行采集、清洗、整合、建模、分析与可视化，将原始数据转化为清晰、可用的信息与结论，最终支撑企业经营分析、业务监控与科学决策。

BI 能解决企业哪些痛点？

数据分散，找不到数：

企业数据散落在 ERP、CRM、Excel、业务系统中，BI 可统一接入，形成一站式数据平台。

数据打架，口径不统一：

各部门报表不一致，BI 通过统一指标口径、统一数据模型，保证 “一份数据、一个结果”。

出报表慢、效率低：

传统靠人工导数据、做 Excel，周期长易出错；BI 可自动定时刷新、一键出报表。

业务人员无法自主分析：

以往需求全靠技术开发，响应慢；BI 支持自助拖拽分析，业务自主查数。

看不到全局，决策靠经验：

经营状况不透明，BI 通过仪表盘、可视化大屏，实时呈现业务全貌。

问题定位难，无法追溯原因：

只知道指标涨跌，不知道为什么；BI 支持下钻、联动、多维分析，快速定位根因。

缺乏预警，被动应对问题：

BI 可设置指标异常预警，主动提醒风险，从 “事后复盘” 变 “事前监控”。

BI 工具用来干什么？

BI 工具主要用来把企业里杂乱、分散的数据，变成直观、好用的分析结果，辅助业务决策。

1. 连接与整合数据

对接数据库、Excel、业务系统等各种数据源，打通数据孤岛。

2. 数据清洗与建模

对数据做简单处理、关联表、构建维度和指标，形成可分析的数据模型。

3. 制作可视化报表与看板

用图表展示数据，比如销售额、用户量、转化率、地域分布等。

4. 自助式多维分析

支持筛选、钻取、联动、对比，业务人员不用写 SQL 也能自己查数、分析。

5. 业务监控与预警

实时或定时更新数据，监控关键指标，异常时及时提醒。

6. 分享与权限管控

发布报表给同事、领导，并控制不同人能看哪些数据，保证安全。

常用 BI 功能？

• 数据连接：对接数据库、Excel、业务系统等多数据源。
• 数据建模：建立表关系、维度度量、指标计算。
• 可视化制作：拖拽生成图表、报表、仪表盘。
• 筛选查询：按时间、地区、品类等条件过滤数据。
• 钻取分析：从汇总数据下钻到明细数据。
• 联动与交互：一个图表筛选，其他图表同步变化。
• 同比 / 环比 / 占比等计算：快速做对比分析。
• 数据定时刷新：自动更新报表，保证数据最新。
• 报表分享与权限控制：发布给他人并设置查看 / 编辑权限。
• 预警提醒：指标异常时自动通知。

BI 系统一般由哪些部分组成？

BI 系统通常由数据源、数据整合与处理层、数据模型层、分析展示层、平台管理层五大部分组成：

1. 数据源层

业务数据库、日志数据、Excel/CSV、ERP、CRM、第三方接口等原始数据。

2. 数据整合与处理层（ETL）

对数据进行抽取、清洗、转换、去重、关联，形成干净规范的数据。

3. 数据模型层

构建事实表、维度表，形成星型 / 雪花模型，统一指标口径。

4. 分析与可视化层

报表制作、多维分析、筛选钻取联动、仪表盘、自助查询、预警等。

5. 平台管理与权限层

用户权限、数据权限、目录管理、定时刷新、任务调度、安全审计等。

BI 和报表系统的区别？

传统报表是固定、静态、被动看数；BI 是灵活、自助、主动分析，更侧重数据驱动决策。

灵活性不同

• 报表：格式固定、SQL 固定，改需求要重新开发。
• BI：拖拽即可筛选、下钻、切换维度，灵活做多维分析。

数据交互能力不同

• 报表：只能看结果，不能深入探索。
• BI：支持钻取、联动、筛选、跳转，可层层拆解问题。

使用人群不同

• 报表：主要由技术人员开发，业务人员只看结果。
• BI：业务人员可自助分析，不用依赖技术。

数据视角不同

• 报表：多是平面、单维度展示。
• BI：多维立体分析，可从时间、地区、产品等多维度切片。

时效性与扩展性

• 报表：扩展难，新增指标成本高。
• BI：建模后可快速产出新报表，支持实时 / 定时更新。

总结

• 传统报表：固定格式、静态展示、开发周期长、业务无法自主分析。
• BI 系统：灵活自助、多维分析、交互性强、支持钻取联动，侧重决策分析。

什么是数据建模？

数据建模，是在 BI 工具中对源数据进行结构化梳理与关系定义，把零散的数据表组织成一套适合分析、可直接拖拽使用的逻辑模型。

它不改变原始数据，只在 BI 层面构建分析结构，核心工作包括：

• 建立多张数据表之间的关联关系（如一对多、多对一）
• 明确区分维度字段与度量指标
• 定义字段格式、数据类型、维度层级（如年 - 季 - 月 - 日）
• 封装公共计算指标，统一口径
• 形成稳定、易用的分析模型，供所有报表复用

目的是让数据结构更清晰、查询更高效、分析更便捷，同时保证全平台报表指标口径一致。

什么是数据集？

数据集是 BI 工具中用于数据分析、制作图表和仪表板的基础数据单元，可以理解为经过整理后、可供直接分析使用的数据集合。

它通常来自数据库、数据仓库或文件，BI 工具会将这些源数据封装成一个独立的数据集对象，包含结构化的字段、行列数据，并支持定义维度、度量、数据格式等。

特点

• 是报表和可视化的直接数据源
• 可以是单表、多表关联结果或查询后的数据
• 支持在数据集中做简单处理，如过滤、重命名、添加计算字段
• 一份数据集可被多个报表复用，统一数据口径

什么是计算字段？

计算字段是指在 BI 工具中，不修改源头原始数据，而是基于已有的字段通过公式、函数或逻辑运算新生成的字段，专门用于满足分析和展示需求。

它只在 BI 分析模型里生效，不会写入数据库，既保证了源数据安全，又能灵活扩展指标。

常见用途

• 计算业务指标：如通过销售额和成本计算利润、利润率
• 数据格式处理：如拼接字段、格式化日期、处理文本
• 逻辑判断：如根据金额划分客群等级、判断是否为新用户
• 统一口径：在模型层定义一次，全平台报表可复用，避免重复计算

什么是数据权限？

数据权限，是 BI 平台为保证数据安全与合规使用，对不同用户、角色设置的数据访问控制规则，用来控制谁能查看哪些数据、不能查看哪些数据。

它主要分为两类：

1. 行权限（数据行级别）控制用户能看到哪些行数据。例如：区域经理只能查看自己负责区域的销售数据，看不到其他区域的数据，实现数据按业务范围隔离。

2. 列权限（数据字段级别）控制用户能看到哪些字段，隐藏敏感列。例如：对普通运营隐藏成本、利润、手机号、身份证等敏感字段，只开放销量、销售额等非敏感数据。

简单理解：行权限决定 “能看哪些数据”，列权限决定 “能看哪些字段”，既保证数据安全，又满足不同岗位的分析需要。

什么是数据缓存？

数据缓存，是 BI 工具为了提升查询效率、减少对底层数据库（如数仓）的重复请求，而将已经查询过的数据结果临时存储在高速访问区域的机制。

简单来说，就是 **“算过一次的数据，先存起来，下次要用直接拿，不用再重新算”**。

核心作用

1. 提升响应速度：报表打开更快，图表加载更流畅，消除大数据量下的等待感。
2. 减轻数据库压力：减少对底层数据库（如 Hive、ClickHouse）的并发查询次数，避免性能瓶颈。
3. 优化用户体验：支持快速切换维度、筛选条件进行交互式分析，而无需每次都等待后台计算。

工作逻辑

• 当用户第一次执行查询时，BI 工具会将计算结果存入缓存。
• 当用户再次发起相同或相似的查询时，工具直接从缓存中读取数据，而不是重新执行查询语句。

关键特点

• 时效性：缓存数据有生命周期，到期后会自动刷新，确保数据新鲜。
• 自动管理：通常由 BI 工具自动处理，无需用户手动干预。

什么是自助分析？

自助分析，是指业务人员在 BI 工具中，不需要编写代码、不需要等待技术人员帮忙取数，通过简单的拖拽字段、选择图表、设置筛选条件等可视化操作，就能自己完成数据查询、制作报表和开展多维度分析的一种方式。

它的核心是降低数据分析门槛，让非技术人员也能自主探索数据。

主要特点

• 操作方式以拖拽、点选为主，简单易用
• 不需要写 SQL，不需要懂数据库结构
• 可以自由切换维度、筛选条件，灵活查看不同角度的数据
• 快速生成图表和看板，及时满足业务分析需求
• 减少对数据工程师、BI 开发人员的依赖，提高整体效率

ETL 与 BI 的关系？

ETL 是 BI 的 “数据加工厂”，BI 是 ETL 的 “展示窗口”，二者缺一不可。

ETL 负责数据处理

• 从各业务库、日志、文件中 ** 抽取（Extract）** 数据
• 做清洗、转换、去重、关联（Transform）
• 加载（Load）到数仓、数据集市，形成干净、规范、可分析的数据→ 简单说：把杂乱数据变成能用的数据

BI 负责分析展示

• 基于 ETL 处理好的数据进行建模、可视化、多维分析
• 做报表、看板、自助查询→ 简单说：把干净数据变成决策依据

二者关系

• 没有 ETL，BI 就是无源之水：原始脏数据无法直接做分析，报表不准、跑不动。
• 没有 BI，ETL 价值无法体现：数据处理完没人看、用不上，无法支撑业务。
• 实际工作中：ETL 提供数据底座，BI 做上层应用。

总结

• ETL 是数据的抽取、清洗、转换和加载，为 BI 提供干净、规范、统一的数据基础。
• BI 基于 ETL 处理后的数据做建模、可视化、自助分析，实现数据价值落地。
• 二者是数据处理与数据应用的上下游关系，共同支撑数据驱动决策。

维度和度量的区别？

• 维度：是 “怎么看数据” 的角度
• 度量：是 “要计算什么” 的数值

维度（Dimension）

• 用来分组、筛选、分类、切片的字段。
• 一般是文本、日期、类别。
• 例子：时间、地区、城市、商品类别、渠道、用户性别、订单状态。

度量（Measure）

• 用来计算、聚合、统计的字段。
• 一般是可求和、可平均的数值。
• 例子：销售额、订单量、用户数、成本、利润、客单价。

总结

• 维度：分析的角度 / 条件，用于分组筛选，多为文本 / 日期。
• 度量：分析的指标 / 结果，用于聚合计算，多为数值。

维度和度量的常见类型有哪些？

维度的常见类型

1. 时间维度：年、季度、月、周、日、小时、工作日 / 周末、节假日等。

2. 地理维度：国家、省份、城市、区域、商圈、门店地址等。

3. 用户维度：用户 ID、性别、年龄、会员等级、新老客、注册渠道、设备类型等。

4. 商品 / 产品维度：品类、品牌、规格、价格区间、上下架状态等。

5. 业务维度：订单渠道、支付方式、活动名称、广告来源、订单状态等。

6. 组织维度：部门、业务员、区域经理、分公司等。

度量的常见类型

1. 总量型度量：销售额、订单量、用户数、访问量、曝光量、成本总额。

2. 比值 / 转化率型：转化率、点击率、渗透率、复购率、退款率、毛利率。

3. 均值型度量：客单价、人均消费、平均访问时长、平均订单金额。

4. 累计 / 排名型：累计销售额、环比增幅、同比增速、排名、TOP 值。

5. 极值型度量：最大订单金额、最小库存、最高日活等。

维度和度量在数据分析中的作用和应用场景是什么？

维度的作用与应用场景

作用：维度决定从什么角度去分析数据，用于对数据进行分类、分组、筛选、切片，搭建分析的框架。

应用场景：

1. 按时间、地区、产品、渠道、用户类型等分组统计业务数据；
2. 在图表中作为横轴、图例、筛选条件，实现多维度对比；
3. 进行下钻、上卷、多维分析，比如从年度→月度→日期查看明细；
4. 用于筛选过滤，只看某一类业务、某一区域的数据。

度量的作用与应用场景

作用：度量是被分析的具体数值指标，用于量化业务结果、计算统计、衡量业务好坏。

应用场景：

1. 计算销售额、订单量、用户数、利润等核心业务指标；
2. 在图表中作为纵轴数值，展示大小、趋势、占比；
3. 做同比、环比、占比、转化率、均值等衍生计算；
4. 用于指标监控、异常预警、排名对比，支撑决策判断。

什么是多维分析（OLAP）？

是一种基于维度 + 度量的数据分析方式，把数据抽象成数据立方体（Cube），从多个维度对数据进行灵活查询、切片、汇总和下钻，快速得到业务分析结果。

简单理解：不只是看一张固定报表，而是从时间、地区、产品、渠道等多个角度自由切分数据，快速看汇总、看明细、看对比。

核心操作

1. 切片 / 切块：按某个或某几个维度筛选数据，只看某一部分。例：只看 “2025 年 + 华东地区” 的销售额。

2. 上卷（聚合）：从细粒度汇总到粗粒度。例：按 “日期”→“月份”→“季度”→“年份” 汇总。

3. 下钻（拆解）：从粗粒度拆到细粒度。例：大区→省份→城市→门店。

4. 旋转（维度切换）：调换维度观察角度，比如把行和列互换，换视角分析。

什么是星型模型、雪花模型？

1. 星型模型（Star Schema）

• 结构：一张事实表在中间，周围直接关联多张维度表，维度表之间没有关联。
• 特点：结构简单、查询效率高、易于理解和维护。
• 适用：BI 建模最常用，大部分数仓、BI 工具都优先用星型。

2. 雪花模型（Snowflake Schema）

• 结构：在星型基础上，维度表还可以继续关联子维度表，像雪花一样层层展开。
• 特点：结构规范化、减少冗余数据，但关联更多、查询更复杂、性能稍差。
• 适用：数据规范化要求高、维度层级特别多的场景。

总结

• 星型模型：1 张事实表 + 多层维度表直接相连，结构简单、查询快，BI 最常用。
• 雪花模型：维度表还能再关联子维度，更规范但关联复杂、性能略低。

什么是事实表、维度表？

1. 事实表（Fact Table）

• 定义：记录业务具体发生的事件、行为、流水数据的表。
• 特点：
  • 数据量非常大，行数多
  • 主要存放可计算的数值字段（度量）
  • 包含维度外键，用来关联维度表
• 例子：订单表、支付流水表、用户行为日志表
• 常见字段：用户 ID、商品 ID、订单金额、购买数量、时间戳

2. 维度表（Dimension Table）

• 定义：用于描述、分类、筛选事实的 “信息表”，提供分析角度。
• 特点：
  • 数据量小，字段多、行数少
  • 存放文本、类别、属性信息
  • 一般有主键，被事实表引用
• 例子：用户信息表、商品表、地区表、时间表
• 常见字段：商品名称、品类、品牌、用户性别、省份、城市、年月

总结

• 事实表：存业务流水和度量，数据量大，记录 “发生了什么”。
• 维度表：存描述信息和分类，数据量小，提供 “从什么角度看”。

什么是指标口径？为什么要统一？

1. 什么是指标口径

指标口径，就是一个指标的统一定义规则，主要包括：

• 统计范围（哪些数据算、哪些不算）
• 计算逻辑（分子分母、加减乘除）
• 时间周期（日 / 周 / 月、是否剔除节假日）
• 过滤条件（是否剔除退款、测试订单、异常值等）
• 统计粒度（按用户、按订单、按商品）

简单说：口径就是 “这个数到底怎么算出来的”。

举个例子：

• GMV：是否包含退款？是否包含取消订单？
• 活跃用户：是打开 APP 就算，还是必须点击 / 下单才算？不同口径算出来的数字完全不一样。

2. 为什么要统一指标口径

1. 避免数据打架：业务、财务、运营各算各的，数据对不上，无法信任数据。

2. 保证决策依据一致：所有人基于同一套数字说话，才能正确判断业务好坏。

3. 降低沟通成本：不用每次都解释 “我这个数是怎么算的”，提高协作效率。

4. 便于横向、纵向对比：同比、环比、部门对比、地区对比，必须口径一致才有意义。

5. 便于 BI 看板统一展示：报表、图表、大屏才能输出一致结论。

如何确保指标口径的一致性？

1. 建立统一指标字典

把所有核心指标（GMV、UV、转化率、复购率等）统一录入指标字典，明确：

• 指标名称
• 计算公式
• 统计范围
• 过滤条件（是否剔除退款、测试单、异常值）
• 统计周期与粒度
• 口径负责人

让所有人查同一本 “数据字典”。

2. 统一数据源与 ETL 逻辑

• 指标统一从数仓 / 数据集市计算，不允许各部门直接从业务库取数。
• ETL 过程统一清洗、过滤、去重，保证源头一致。

3. 统一数据模型

• 统一事实表、维度表定义。
• 统一时间、用户、商品、渠道等公共维度，避免口径混乱。

4. 统一 BI 计算逻辑

• 关键指标在 BI 中统一做成公共度量 / 指标，不允许每个人自己重新计算。
• 禁止在报表里随意加筛选、改公式。

5. 建立评审与变更机制

• 指标口径变更必须评审、通知相关方。
• 禁止私下改口径导致历史数据不可比。

6. 权限管控与规范使用

• 控制指标编辑权限，防止误改。
• 对业务人员做口径培训，明确指标含义。

7. 定期核对与校验

• 定期将 BI 指标与原始库、财务数据对账。
• 发现不一致立即排查口径或数据问题。

什么是钻取、联动、跳转、筛选？

1. 钻取（Drill）

• 从汇总数据 → 明细数据，或从粗粒度 → 细粒度层层查看。
• 常见两种：
  • 下钻：大区 → 省份 → 城市 → 门店
  • 上卷：日期 → 月份 → 季度 → 年份
• 作用：快速定位问题出在哪个细分维度。

2. 联动（Interaction/Linkage）

• 点击 / 筛选一个图表，其他所有图表同步更新。
• 例：点击 “华东地区”，销售额、订单量、用户数图表全部只显示华东数据。
• 作用：实现多组件联动分析，不用重复筛选。

3. 跳转（Drill-through / Jump）

• 从当前报表 → 另一张报表 / 页面，并自动携带参数。
• 例：从销售总览 → 跳转到某商品的详细销售明细报表。
• 作用：实现报表之间的串联，从概览深入到专题分析。

4. 筛选（Filter）

• 通过条件过滤出想要查看的数据范围。
• 常见筛选：时间、地区、渠道、商品类别、用户类型等。
• 作用：缩小分析范围，聚焦重点业务。

总结

• 钻取：汇总 ↔ 明细，层层深入看数据；
• 联动：一个组件变化，其他组件同步变化；
• 跳转：从一张报表跳到另一张报表并传参；
• 筛选：按条件过滤，只看想看的数据。

缓慢变化维 SCD 是什么？

1. 定义

SCD（Slowly Changing Dimension）缓慢变化维指维度表中的属性值会随时间缓慢变化，而不是频繁变动的一类维度。

比如：

• 用户原来的手机号、性别、会员等级发生变更
• 商品的分类、品牌调整
• 员工的部门、岗位变动
• 门店的所属区域、负责人变化

这些属性不是实时变，但过段时间会变，所以叫缓慢变化维。

2. 为什么要处理 SCD？

如果不处理，历史数据会被覆盖：

• 今天查去年的销售数据，用户所属城市已经变了
• 导致历史数据分析不准、无法追溯当时真实情况

所以需要用 SCD 策略保留历史状态。

3. 常见三种 SCD 类型（面试必背）

1. SCD Type 1 直接覆盖

• 新值直接覆盖旧值，不保留历史。
• 优点：简单；缺点：丢失历史。

2. SCD Type 2 新增行（最常用）

• 变化时新增一行，用生效时间、失效时间、是否生效标记。
• 优点：完整保留历史；缺点：数据量变大。

3. SCD Type 3 新增字段

• 加一列存旧值，如 原城市、现城市。
• 优点：简单保留上一版本；缺点：只能存有限历史。

总结

SCD 缓慢变化维，就是维度属性随时间缓慢变化，需要在数仓中处理以保留历史数据。常用三种方式：直接覆盖、新增行保留历史、新增字段存旧值，其中 Type 2 最常用。

数据不一致如何排查？

1. 先核对指标口径

• 两边统计范围、过滤条件是否一致（是否剔除退款 / 测试单 / 取消单）
• 时间周期、统计粒度是否相同（按天 / 按人 / 按订单）
• 计算公式是否一样（分子分母、去重方式）

2. 核对数据源是否相同

• 是否取自同一张表：业务库 / 数仓贴源层 / DWD / DWS
• 抽取时间、刷新频率是否一致（是否有一方未更新）

3. 检查 ETL 与数据加工环节

• 抽取是否完整：有无丢数据、过滤条件写错
• 清洗逻辑是否一致：去重规则、空值处理、异常值剔除
• 关联是否正确：多表关联是否出现重复或丢失（一对多导致膨胀）

4. 检查数据模型与关联逻辑

• 事实表与维度表关联键是否一致（类型、字段名）
• 是否存在一对多关联导致数据放大
• 缓慢变化维（SCD）处理是否正确，影响历史数据

5. 检查 BI 端计算逻辑

• 报表筛选条件、维度过滤是否一致
• 度量是否重复自定义，聚合方式不同（sum/count/distinct）
• 行权限、数据权限是否影响结果

6. 抽样对比定位具体差异

• 按天 / 按区域 / 按订单号抽样对比
• 找到具体哪一笔、哪一天对不上，快速定位问题点

BI 报表性能慢的常见原因？

• 数据量太大：明细数据过多、未做汇总，直接查询原始大表导致加载缓慢。

• SQL / 查询逻辑复杂：多表关联过多、嵌套子查询、没有索引、存在全表扫描。

• 模型设计不合理：表关系混乱、维度冗余、未使用星型模型、关联字段类型不匹配。

• 未做数据预处理 / 聚合：每次查询都实时计算，没有提前生成汇总表、宽表。

• 数据库性能瓶颈：数据库配置低、连接数不足、磁盘 IO 慢、并发查询过多。

• BI 工具端问题：图表过多、联动过多、计算字段复杂、缓存未开启。

• 网络与权限影响：网络延迟、行级权限 / 数据权限过滤逻辑太重。

如何优化 BI 报表性能？

一、数据层优化

减少数据量

• 按时间分区，只查必要周期数据
• 明细数据单独存放，报表用汇总表 / 聚合表

优化数据模型

• 使用星型模型，减少多表关联
• 构建宽表，提前合并多表数据
• 保证关联字段类型一致、建立索引

提前预计算

• 对复杂指标、同比环比提前 ETL 计算好
• 避免报表端实时大量计算

二、查询与数据库优化

优化 SQL / 查询

• 避免复杂子查询、不必要的关联
• 禁止全表扫描，加索引

提升数据库性能

• 升级配置、增加缓存
• 读写分离，使用数仓 / MPP 引擎

三、BI 端优化

简化报表

• 减少图表数量、关闭不必要联动
• 复杂计算改为公共指标

开启缓存

• 开启报表缓存、结果集缓存
• 设置合理刷新频率，不重复计算

分页与延迟加载

• 明细表格分页加载
• 大屏 / 复杂报表延迟渲染

四、权限与逻辑优化

• 简化行权限、数据权限逻辑
• 避免权限过滤带来大量计算

总结

• 减少数据量，使用分区、汇总表、宽表；
• 优化模型，采用星型模型，建立索引；
• 预计算复杂指标，避免实时计算；
• 简化报表，减少图表与联动；
• 开启缓存，合理设置刷新策略；
• 优化数据库与查询，提升底层性能。

常见可视化图表适用场景？

• 折线图场景：看趋势、变化、波动，如销售额月度走势、日活变化。

• 柱状图 / 条形图场景：分类对比、排名，如各地区销量、各品类销售额对比。

• 饼图 / 环形图场景：看占比、结构，如各渠道用户占比、成本结构。

• 漏斗图场景：流程转化分析，如浏览→加购→下单→支付的转化流失。

• 散点图场景：看两个指标之间的相关性，如广告花费与订单量关系。

• 地图场景：地理分布、区域对比，如全国各省销量、用户地域分布。

• 雷达图场景：多维度综合评估，如用户画像、产品多指标评分。

• 表格场景：需要精确数值、明细展示、核对数据。

• 指标卡 / 数字卡片场景：突出展示核心关键指标，如总 GMV、总订单数、今日销售额。

什么是数据看板？

数据看板，就是把企业的核心业务指标，通过图表、数字、卡片等可视化方式，集中展示在一个页面上，实现数据一站式查看、实时监控、快速决策。

主要特点

• 集中展示：把分散指标汇总在一个页面
• 可视化：用图表代替表格，直观易懂
• 实时 / 定时更新：数据自动刷新，不用手工做表
• 可交互：支持筛选、下钻、联动，深入分析
• 面向决策：突出关键指标，方便管理者快速判断

常见类型

• 业务总览看板（GMV、订单、用户）
• 销售看板、运营看板、财务看板
• 实时大屏、监控预警看板

典型仪表板有哪些？

1. 经营总览看板（老板 / 管理层驾驶舱）

• 核心指标：GMV、营收、利润、毛利率、费用率
• 内容：整体经营健康度、同比环比、关键指标预警
• 面向：高管、CEO、总经理

2. 销售看板

• 核心指标：销售额、订单量、客单价、回款、销售目标完成率
• 维度：区域、门店、业务员、产品、客户
• 面向：销售总监、区域经理

3. 电商 / 运营看板

• 核心指标：流量 UV、转化率、加购率、复购率、退款率
• 内容：渠道效果、活动效果、用户增长
• 面向：运营、电商负责人

4. 用户 / 增长看板

• 核心指标：新增用户、活跃用户、留存率、流失预警、用户画像
• 面向：用户增长、产品、运营

5. 财务看板

• 核心指标：收入、成本、费用、现金流、预算执行
• 面向：财务总监、财务分析

6. 供应链 / 库存看板

• 核心指标：库存周转、缺货率、发货时效、仓储利用率
• 面向：供应链、仓储、采购

7. 实时监控大屏

• 实时交易、实时流量、实时物流、实时预警
• 多用于指挥中心、展厅大屏

常用BI工具及其对比？

对比项	Tableau	Power BI	FineBI
厂商	Salesforce	微软	帆软
核心定位	可视化专家、专业探索	微软生态、低成本入门	国产企业级、中国式报表
可视化	极强（交互 / 地图 / 动效 / 像素级定制）	强（30 + 图表、Office 集成）	强（大屏 / 中国式复杂报表）
建模 / 计算	中 - 强（Tableau Calc、LOD）	极强（DAX+Power Query）	强（自助建模、计算字段、指标中心）
数据源	80+（国际生态强，国产适配弱）	微软系 + 通用（Excel/SharePoint 最优）	50+（国产数据库 / ERP / 云原生全兼容）
部署	SaaS / 本地（国内云体验一般）	桌面免费 / Pro/Premium（Azure 云）	公有 / 私有 / 混合 / 信创（全场景）
价格（2026）	高（Creator ≈75 美元 / 月 / 人）	低 - 中（Pro ≈108 元 / 月 / 人，桌面免费）	中 - 高（按用户 / 项目，企业授权）
本土化	弱（中文 / 国产系统适配差）	中（中文尚可，国内生态一般）	极强（中文、钉钉 / 企微、信创、合规）
学习曲线	陡（分析师友好，业务难上手）	中（业务可快速入门）	中 - 低（无代码自助，业务友好）
协作 / 权限	中（企业版强，授权贵）	强（Teams/SharePoint 深度集成）	极强（细粒度权限、多角色协作）
AI 能力	中（基础预测）	中 - 强（Copilot 自动分析）	强（NLP 问答、AI 图表、指标治理）

1. 可视化能力（最核心差异）

• Tableau：可视化天花板，交互流畅、地图 / 动效 / 钻取最强，支持像素级定制，适合做专业报告、高管大屏、深度探索。
• Power BI：图表丰富，与 Excel/PPT 无缝嵌入，适合日常汇报、部门级看板，定制性略逊于 Tableau。
• FineBI：中国式报表最强（多表头、斜线、套打），大屏效果好，满足政企合规与复杂业务报表需求。

2. 数据建模与计算

• Tableau：LOD 表达式强大，适合复杂分析，但建模偏界面化，ETL 能力一般。
• Power BI：DAX+Power Query 组合最强，时间智能、多表建模、数据清洗能力接近数据库，适合复杂指标计算。
• FineBI：自助建模（拖拽关联）+ 计算字段 + 指标中心，统一口径、业务人员可快速上手，ETL 能力强。

3. 生态与本土化

• Tableau：国际生态成熟，国内服务、中文支持、国产数据库 / ERP 适配弱，合规与信创支持差。
• Power BI：微软生态闭环（Office/Azure/Teams），国内网络与云体验一般，非微软生态适配一般。
• FineBI：深度适配中国场景，支持国产数据库、钉钉 / 企微、信创、数据安全合规，服务响应快。

4. 成本与部署

• Tableau：订阅制贵，适合预算充足、可视化优先的外企 / 专业团队。
• Power BI：桌面版永久免费，Pro 版性价比高，适合微软生态、中小企业快速落地。
• FineBI：项目 / 用户授权，适合中大型企业、政企，长期 TCO 更优。

选型建议

• 外企 / 可视化优先 / 专业探索 → Tableau
• 微软生态 / 低成本入门 / Excel 重度用户 → Power BI
• 中大型企业 / 政企 / 中国式报表 / 信创合规 → FineBI

典型场景匹配

场景	首选工具	理由
高管可视化大屏、专业分析报告	Tableau	交互与视觉效果最佳
财务 / 销售日常报表、Office 协同	Power BI	与 Excel/Teams 无缝集成
国企 / 金融 / 制造、复杂中式报表	FineBI	本土化、合规、权限强
业务人员自助分析、快速出数	FineBI/Power BI	无代码、上手快
大数据量、高并发、实时监控	FineBI/Tableau	大数据处理与性能强

Tableau

Tableau 是什么？

Tableau 是一款专注于数据可视化的商业智能（BI）工具，主打拖拽式操作、强大的交互分析和高质量可视化效果。

它可以连接多种数据源，快速制作图表、仪表板和报表，帮助业务人员和分析师直观探索数据、发现业务规律、支撑决策，无需编写大量代码即可完成自助式数据分析。

Tableau 的核心优势是什么？

1. 可视化能力极强

图表美观、交互流畅，支持丰富的图表类型与地图展示，可快速做出专业、直观的分析看板。

2. 拖拽式操作，简单易用

无需编写复杂代码，通过拖放字段即可完成分析，业务人员也能快速上手做自助分析。

3. 强大的多维交互分析

支持筛选、联动、钻取、高亮等交互，能灵活从不同维度探索数据。

4. 多数据源支持与混合分析

可连接数据库、Excel、数据仓库等几乎所有常见数据源，并支持跨数据源混合分析。

5. 计算能力强大

提供计算字段、表计算、LOD 表达式等，能实现复杂业务指标与精细化统计。

6. 性能优秀

支持数据提取（Extract）内存计算，即使数据量较大也能保持较快响应速度。

Tableau 适合哪些场景？

适合需要快速可视化、自助分析、实时监控、多维度探索的业务场景，尤其擅长数据探索和交互式 BI 展示。

1. 业务自助式分析（最核心）

• 业务人员自己拖拖拽拽出图表，不用等技术写 SQL
• 快速探索数据、找规律、做对比
• 适合：运营、销售、市场、财务、产品

2. 实时 / 准实时数据监控

• 实时大屏、业务看板、运营日报
• 对接数据库、数仓、实时接口
• 适合：电商实时 GMV、门店客流、物流监控、生产监控

3. 多维度钻取分析

• 地区→城市→门店、年份→季度→月份、品类→子类→商品
• 下钻、上卷、筛选、联动
• 适合：销售分析、用户行为分析、财务分析

4. 企业级 BI 报表与仪表板

• 统一数据出口，领导驾驶舱、部门报表
• 权限管控、定时订阅、自动刷新
• 适合：管理层看板、部门日报周报月报

5. 数据可视化展示与汇报

• 美观交互强，适合 PPT、汇报、对外演示
• 地图、漏斗、帕累托、趋势图等一键生成
• 适合：经营分析、业务汇报、数据大屏

6. 复杂指标与统计分析

• 同期环比、占比、排名、移动平均、LOD 复杂计算
• 适合：精细化运营分析、用户留存、转化漏斗

7. 跨多数据源整合分析

• 同时对接 MySQL、Oracle、Excel、CSV、数仓等
• 无需复杂 ETL，即可混合分析
• 适合：数据分散、多系统汇总分析

不适合的场景

• 超复杂固定格式中国式报表（复杂斜线、合并单元格）
• 超大数据量离线批量计算（更适合数仓 / Spark）
• 重度数据清洗、ETL 流程

Tableau 适合：自助分析、实时监控、多维度钻取、仪表板大屏、可视化汇报、跨源整合分析，不适合复杂固定报表和重度 ETL。

Tableau 工作流程是什么？

连接数据 → 整理数据 → 制作工作表 → 设计仪表板 → 分享与发布

1. 连接数据源：连接数据库、Excel、CSV、云数据等，选择实时连接或数据提取。

2. 数据预处理：在数据画布处理字段：重命名、拆分、分组、创建计算字段、处理关联关系（Join/Blending）。

3. 创建工作表（可视化）：拖拽维度、度量生成图表，设置颜色、大小、标签、提示，添加计算、筛选、排序、参考线。

4. 制作仪表板：将多个工作表组合成仪表板，设置布局、添加筛选器、文本、图片，配置交互联动。

5. 分享与发布：发布到 Tableau Server/Cloud，设置权限、定时刷新、订阅，供他人查看与交互。

Tableau 有哪些文件格式？

.twb —— Tableau 工作簿

• 只存图表结构、布局、计算
• 不包含原始数据
• 文件小，拷贝方便

.twbx —— 打包工作簿

• 把 twb + 数据源 + 图片 / 形状 全部打包在一起
• 发给别人直接打开就能用，最常用

.hyper —— 数据提取文件

• Tableau 专用的高性能数据文件
• 用来加速查询、离线分析

.tds / .tdsx —— 数据源模板

• 保存连接信息、计算字段、别名
• 方便多个报表复用同一个数据源

Tableau 主要由哪些产品/模块组成？

1. Tableau Desktop

核心桌面端工具，用于连接数据源、制作工作表、仪表板、设计报表，是分析师最常用的开发环境。

2. Tableau Server

企业级服务器平台，用于发布、共享、协作报表，管理用户权限、调度刷新、实现企业级数据管控。

3. Tableau Online

云端版本的 Tableau Server，无需自建服务器，直接在云端使用。

4. Tableau Prep

专门用于数据清洗、数据预处理、数据整合的工具，负责把杂乱的原始数据处理成适合分析的干净数据。

5. Tableau Reader

免费的查看工具，只能打开查看 Tableau 报表，不能编辑和制作。

Desktop 做报表、Server/Online 发布共享、Prep 做清洗、Reader 只查看。

Tableau 如何连接数据？

Tableau 支持连接几乎所有常见数据源，包括各类数据库、Excel/CSV 文件、数据仓库、云数据平台等。连接方式主要分为两种：

1. 实时连接（Live）直接与数据源建立实时查询连接，每次查看报表都会从源库查询数据，数据最新，但性能依赖数据库本身。

2. 数据提取（Extract）将数据源中的数据抽取并保存为 Tableau 本地快照，加载到内存中计算，查询速度更快，适合大数据量和复杂分析，但数据不是实时的，需要定期刷新。

在操作上，通过 Tableau 左侧的数据源面板，选择对应数据源类型，输入连接信息后，即可将表拖入数据模型，并建立关联，供后续制作视图使用。

实时连接（Live）与提取（Extract）的区别？

1. 定义区别

• Live（实时连接）直接连接原始数据源，每次打开或交互报表时，都实时向数据库发送查询，不把数据保存到 Tableau 本地。

• Extract（数据提取）将数据源中的数据抽取出来，生成 Tableau 专属的 .hyper 本地文件，后续报表直接查询这个本地文件。

2. 数据实时性

• Live：数据完全实时，数据库里变，报表立刻变。
• Extract：数据是快照，只有刷新提取后才会更新。

3. 性能与速度

• Live：速度依赖数据库性能，数据量大或复杂查询时会变慢。
• Extract：经过压缩、索引优化，查询速度极快，适合大数据量、复杂仪表板。

4. 使用场景

• Live 适合：

  • 数据需要实时监控
  • 数据频繁更新
  • 数据量不大、数据库性能好

• Extract 适合：

  • 数据量大、查询慢
  • 复杂仪表板、多图表联动
  • 离线查看、弱网环境
  • 需要提升交互流畅度

5. 优缺点总结

• Live

  • 优点：实时、不用管理刷新

  • 缺点：依赖数据库、大数据量卡顿

• Extract

  • 优点：速度快、交互流畅、减轻数据库压力

  • 缺点：数据不实时，需要定期刷新任务

什么是数据混合（Data Blending）？

数据混合是 Tableau 中用来关联多个不同数据源并进行联合分析的一种方式。

它并不是在数据源层面做 Join，而是在展示层面，将两个数据源按公共维度关联起来，分别查询各自数据后，在视图中合并展示。

特点

• 可以关联不同类型、不同服务器的数据源（如 MySQL + Excel）
• 以主数据源为基础，其他数据源作为辅助关联
• 不会生成新的物理表，只在视图层面聚合
• 通常是左关联逻辑，主表数据完整，从表匹配不到则显示为空

适用场景

• 跨库、跨平台数据需要联合展示
• 不方便直接在数据库里做 Join
• 轻度关联分析，不需要复杂多表联接

如何在Tableau中进行数据清洗和预处理？

Tableau 提供两种主要方式做数据清洗与预处理：

1. 使用 Tableau Prep（专业清洗工具）

Tableau Prep 是专门用于数据预处理的可视化工具，支持拖拽式数据流清洗，适合复杂、结构化的数据处理。常见操作包括：

• 数据接入：连接多种数据源，合并多张表
• 数据清洗：过滤无效行、处理空值、去重、拆分字段
• 字段处理：重命名、修改数据类型、创建计算字段
• 多表整合：Join、Union、聚合、透视（行列转换）
• 输出：生成 Hyper 提取数据或直接输出到数据库

流程可视化、可复用，适合企业级标准化数据处理。

2. 在 Tableau Desktop 中直接处理

适合简单、轻量的数据清洗：

• 数据类型修正：自动识别或手动修改日期、数字、字符串格式
• 处理空值：使用 ZN()、ISNULL() 等函数替换空值
• 字段拆分：对文本字段按分隔符拆分
• 数据过滤：在数据源层过滤不需要的行
• 创建计算字段：处理格式、修正逻辑、生成新指标
• 数据提取（Extract）：抽取数据时做聚合、过滤，减少数据量

总结

简单清洗在 Desktop 内直接处理；复杂、流程化、可复用的 ETL 用 Tableau Prep，实现数据接入、清洗、整合、输出的完整流程。

什么时候会出现“灰色度量”？

1. 字段被拖去当作维度使用，并且设成了离散

数值字段放到维度上、变成蓝色离散胶囊时，就会在度量区域变灰。

2. 多表关联 / 数据混合（Blending）时，字段找不到关联路径

Tableau 无法确定这个度量和当前视图维度的对应关系，就会灰掉不让用。

3. 多维数据源（Cube）中，度量和当前维度不兼容

某些维度和度量不能一起查询，字段直接变灰。

4. 字段被隐藏，或权限不足

被隐藏、受行级别安全限制、无查看权限时会显示灰色。

5. 数据类型不匹配或计算字段出错

公式错误、字段不存在、除以零等，会导致计算度量灰显。

如何解决“灰色度量”的问题？

字段被当成维度用了

• 右键灰色字段 → 转换为度量
• 或者从维度区拖回度量区

多表 / 数据混合（Blending）导致灰色

• 检查主数据源是否正确
• 建立关联字段（如订单 ID、客户 ID）
• 重新拖入视图，或更换主数据源

计算字段公式错误

• 编辑计算字段，修复公式
• 确保没有无效字段、除以零、语法错误

字段被隐藏

• 右键数据窗格 → 显示隐藏字段
• 找到后取消隐藏

多维数据源（Cube）不兼容

• 换一组可搭配的维度
• 或改用普通数据源连接

数据模型关联路径不明确

• 简化表关系，删除多余关联
• 使用 Join 代替 Blend

混合数据连接与数据 Blending 的区别？

核心区别

混合数据连接（Join / Relationship）是行级别物理合并，先合并数据再聚合计算。数据混合（Blending）是视图级别聚合后合并，先各自聚合再在视图里拼接。

详细区别

合并时机

• Join / Relationship：先合并数据，后聚合计算。
• Blending：先各自聚合，后合并展示。

数据源范围

• Join / Relationship：同一个数据源内部的多张表。
• Blending：多个完全独立的数据源，可以跨文件、跨数据库。

执行方式

• Join / Relationship：数据库端一次查询完成合并。
• Blending：分别查询每个数据源，在前端合并结果。

字段使用

• Join / Relationship：所有字段可直接使用，无需特殊处理。
• Blending：辅助数据源的字段必须聚合，维度常用 ATTR。

关联条件

• Join / Relationship：支持等于、大于、小于等复杂条件。
• Blending：仅支持等值关联。

数据粒度

• Join / Relationship：适合粒度相同的数据。
• Blending：支持主辅数据源粒度不同。

性能

• Join / Relationship：性能更好。
• Blending：相对较慢，适合轻量场景。

独立性

• Join / Relationship：合并成一个整体结构。
• Blending：数据源保持独立，可随时切换。

适用场景

• 使用 Join / Relationship：同库多表关联、需要明细数据、复杂分析。
• 使用 Blending：跨数据源快速对比、粒度不一致、临时补充指标。

总结

• Join / Relationship：先拼表，再分析。
• Blending：先算好，再拼图。

离散（Discrete）与连续（Continuous）的区别？

在 Tableau 中，离散和连续是字段的两种展示形式，用来控制字段在视图里的行为和外观，区别非常直观：

1. 外观颜色

• 离散：胶囊是蓝色
• 连续：胶囊是绿色

2. 含义与作用

• 离散（Discrete）表示分开、独立、可数的值，比如类别、地区、年份、性别。在视图中会生成标题、标签、分段的坐标轴，用来对数据进行分组。

• 连续（Continuous）表示不间断、范围型的值，比如销售额、温度、时间轴。在视图中会生成连续的坐标轴，用来展示数值范围和趋势。

3. 视图效果

• 离散字段放在行 / 列上 → 生成标题、分区、分段
• 连续字段放在行 / 列上 → 生成连续坐标轴（轴带刻度）

4. 典型例子

• 离散：省份、产品类别、星期、订单 ID
• 连续：销售额、利润、单价、完整时间轴

什么是计算字段（Calculated Field）？

计算字段是 Tableau 中根据已有的维度、度量，通过自定义公式、函数或逻辑表达式，新创建出来的一个字段。

它不会修改、写入原始数据源，只在当前工作簿内部生效，用于扩展分析指标、处理数据逻辑或统一计算口径。

主要特点

• 基于现有字段计算生成，不改动源数据
• 可以像普通字段一样拖入行、列、颜色、标签等
• 支持聚合函数、逻辑判断、字符串处理、日期计算等
• 一处定义，整个工作表、仪表板都可复用

常见用途

• 计算复合指标，如利润率、客单价、复购率
• 数据格式处理，如字段拼接、日期格式化
• 条件分组，如根据金额划分高 / 中 / 低客群
• 处理空值、异常值

Tableau 计算字段有哪些？

Tableau 的计算字段主要分为 3 大类，按实现方式和作用场景划分：

1. 基本计算字段（Basic Calculation）

直接在数据源粒度上进行计算，不依赖视图布局。

• 算术运算：销售额 = 单价 × 数量
• 字符串处理：拼接、截取、替换
• 日期计算：日期差、年份 / 月份提取
• 逻辑判断：IF、CASE 条件分组
• 空值处理：ISNULL、ZN

特点：行级别计算，结果是一条一条的，再参与聚合。

2. 表计算（Table Calculation）

基于视图已经展示出来的数据做二次计算，依赖视图结构。

• 同比、环比
• 累计求和、移动平均
• 排名 RANK
• 百分比、占比
• 差异计算

特点：只作用于视图结果，不影响底层数据。

3. LOD 表达式（Level of Detail）

用于精细化控制计算的维度级别，可以独立于视图粒度做聚合。

• FIXED：固定按某些维度计算
• INCLUDE：在视图维度基础上额外增加维度
• EXCLUDE：在视图维度基础上排除某些维度

典型场景：

• 按客户 / 地区计算客单价、复购率
• 不依赖视图的独立聚合

总结

• 基本计算字段：行级别简单运算；
• 表计算：对视图结果做二次统计；
• LOD 表达式：自定义计算粒度，实现复杂精细化分析。

Tableau 如何创建计算字段？

两种快速入口（任选其一）

1. 数据窗格右键（最常用）左侧「数据」窗格空白处右键 → 选择创建 → 计算字段。
2. 顶部菜单点击顶部菜单栏「分析」→ 选择创建计算字段Tableau。

4 步标准创建流程

1. 命名字段

在计算编辑器顶部输入清晰有意义的名称（如 “利润率”“折扣率”），方便后续复用。

2. 编写公式

核心规则：

• 用 ** 方括号 []** 包裹字段名（含空格必须加，如[销售金额]）Tableau；
• 支持聚合函数（SUM/AVG/COUNT）、逻辑判断（IF/CASE/IIF）、字符串 / 日期处理函数Tableau；
• 编辑器右侧可搜索函数，双击快速插入，带语法与示例。

3. 验证并保存

输入公式后，编辑器下方显示 **“计算有效”即通过；若报错会红色提示，修正后点击确定 **。

4. 查看与使用

新字段会添加到「数据」窗格，数据类型图标前带 = 标识，可像普通字段拖入行、列、标记卡、筛选器等位置使用Tableau。

高频面试示例

1. 基础算术计算（利润率）

利润率 = SUM([利润]) / SUM([销售金额])

说明：聚合后计算，避免行级别误差。

2. 条件逻辑分组（盈利标记）

盈利标记 = IIF(SUM([利润]) > 0, "盈利", "亏损")

说明：用IIF简化单条件判断，逻辑更清晰。

3. 日期差计算（订单天数）

订单距今天数 = DATEDIFF("day", [下单日期], TODAY())

说明：计算日期差值，支持天 / 月 / 年等单位。

四、关键面试要点

• 不修改源数据：仅在工作簿内生效，不影响底层数据库Tableau；
• 三处可修改：右键计算字段 → 选择编辑，或双击直接修改公式Tableau；
• 聚合规则：非聚合计算会自动按视图粒度聚合，需明确是否加聚合函数Tableau。

总结：右键数据窗格或点分析菜单，命名写公式，验证保存即用，不改动原始数据。

如何在Tableau中使用计算字段？

创建好计算字段后，使用方式和普通字段完全一致，可以直接在视图中拖拽使用，主要用在以下几个地方：

1. 拖到行、列区域

用来构建图表的坐标轴、分类，比如用计算出的 “利润率”“客单价” 作为指标展示。

2. 放到标记卡上

• 颜色：根据计算结果区分颜色（如盈利 / 亏损、高 / 中 / 低客群）
• 大小：用计算值控制图形大小
• 标签、提示：显示计算后的指标文本

3. 用作筛选器

把计算字段拖到筛选器，按计算结果过滤数据，例如只看 “利润率> 10%” 的数据。

4. 用于进一步计算

计算字段可以嵌套使用，作为其他计算、表计算、LOD 表达式的一部分。

5. 用于分组、排序

按计算结果对维度进行排序，或自定义分组逻辑。

总结

创建好的计算字段会出现在数据窗格里，直接像普通维度、度量一样拖拽到行、列、颜色、筛选器等处使用即可。

LOOKUP、PREVIOUS_VALUE、RUNNING_SUM 区别？

LOOKUP 取指定位置的值；PREVIOUS_VALUE 迭代上一次结果；RUNNING_SUM 累计求和。

1. LOOKUP

• 作用：根据偏移量，取当前行前面或后面某一行的值
• 语法：LOOKUP(表达式, 偏移量)
• 例子：
  • LOOKUP(SUM(销售额), -1) → 取上一行的值
  • LOOKUP(SUM(销售额), 1) → 取下一行的值
• 特点：只取某一行，不累积、不迭代

2. PREVIOUS_VALUE

• 作用：获取表计算上一次的计算结果，用于迭代计算
• 语法：PREVIOUS_VALUE(表达式)
• 典型场景：
  • 环比、递归计算、自定义累计
  • 第一行返回表达式本身，后面行返回上一步计算结果
• 特点：依赖计算顺序，是迭代函数，不是简单取历史行数据

3. RUNNING_SUM

• 作用：从第一行到当前行的累计求和
• 语法：RUNNING_SUM (表达式)
• 例子：10, 20, 30 → 结果 10, 30, 60
• 特点：标准累加，最常用的累计计算

总结

• LOOKUP：取某一行的值（前后偏移）
• PREVIOUS_VALUE：用上一次的计算结果（迭代）
• RUNNING_SUM：从头到当前行累加

WINDOW_SUM 和 TOTAL 的区别？

计算范围不同

WINDOW_SUM (求和字段，起始行，结束行)

对当前窗口范围内的行求和，范围可以自己指定。

TOTAL (求和字段)

对当前分区内所有行直接求和，相当于固定范围的窗口求和。

范围写法对比

WINDOW_SUM(销售额, FIRST(), LAST())

等价于TOTAL(销售额)

但 WINDOW_SUM 可以灵活改范围：

• WINDOW_SUM(销售额, 0, 0) → 只算当前行
• WINDOW_SUM(销售额, -2, 0) → 当前行 + 前两行
• WINDOW_SUM(销售额, FIRST(), 0) → 开头到当前行

使用场景区别

TOTAL：简单、快捷，只想算整个分区总和时用。

WINDOW_SUM：需要自定义窗口范围时用（前几行、后几行、中间一段等）。

什么是 LOD 表达式？作用是什么？

1. 什么是 LOD 表达式

LOD = Level of Detail，即详细级别表达式。它是 Tableau 中一种高级计算语法，允许你自定义数据聚合的维度级别，可以独立于当前视图的维度去执行聚合计算。

简单说：视图按什么维度分组，你可以不按它，自己指定按什么维度算。

2. 三种基本 LOD 语法

• {FIXED [维度 1], [维度 2] : 聚合计算 }固定按指定维度进行聚合，完全不受视图影响。

• {INCLUDE [维度] : 聚合计算 }在视图已有维度基础上，额外增加一个维度再计算。

• {EXCLUDE [维度] : 聚合计算 }在视图已有维度基础上，排除某个维度再计算。

3. LOD 的核心作用

• 实现与视图粒度无关的聚合计算比如视图展示 “月份”，但你想同时显示 “每个客户的总消费”。

• 计算整体占比、组内排名、组内均值等复杂业务指标如：每个品类占总销售额的比例、每个地区的 TOP10 产品。

• 统一口径不管图表怎么切换维度，计算逻辑保持一致。

• 替代复杂表计算，更稳定、更直观

三种基本 LOD 语法用法与区别，举例说明？

三种 LOD：FIXED、INCLUDE、EXCLUDE

核心区别：计算时参考的「维度粒度」不同

1. FIXED LOD

语法

{FIXED [维度1], [维度2]: 聚合函数(字段)}

含义

固定按指定维度分组计算，忽略视图中其他维度

不受视图筛选、行列维度影响，只认 FIXED 里写的维度。

举例

按【地区】计算总销售额：

{FIXED [地区]: SUM([销售额])}

• 视图里再加【省份 / 城市】，这个值依然是整个地区的总额
• 常用于：排名、占比、同维度汇总

2. INCLUDE LOD

语法

{INCLUDE [维度1]: 聚合函数(字段)}

含义

在视图维度基础上，额外加入指定维度一起计算视图维度 + INCLUDE 维度 → 更小粒度计算，再返回视图展示。

举例

视图只有【地区】，想按【地区 + 省份】粒度算平均销售额：

{INCLUDE [维度1]: 聚合函数(字段)}

• 视图只显示地区，但计算时会先按「地区 + 省份」算平均
• 常用于：细粒度聚合后再粗粒度展示

3. EXCLUDE LOD

语法

{EXCLUDE [维度1]: 聚合函数(字段)}

含义

在视图维度基础上，排除指定维度，用更大粒度计算视图维度 - EXCLUDE 维度 → 更大粒度汇总。

举例

视图是【地区 + 省份】，想计算不含省份的地区总额：

{EXCLUDE [省份]: SUM([销售额])}

• 视图每行显示省份，但这个值是整个地区的总和
• 常用于：占比、同组汇总、百分比

核心区别

1. FIXED：自己指定维度，跟视图无关
2. INCLUDE：视图维度 + 额外维度（更细）
3. EXCLUDE：视图维度 − 指定维度（更粗）

LOD	粒度	作用	典型场景
FIXED	固定	无视视图，按指定维度算	地区总额、用户排名
INCLUDE	更细	视图 + 额外维度	细粒度均值 / 汇总
EXCLUDE	更粗	视图 - 指定维度	占比、组内总额

LOD 和表计算区别？

• LOD：在数据聚合之前就计算，支持任意维度粒度，执行顺序靠前。
• 表计算：只对视图已聚合后的结果再计算，依赖视图结构，执行顺序最晚。

1. 执行时机不同

• LOD：在维度 / 度量筛选之前执行，早于视图聚合。
• 表计算：在所有筛选、聚合之后执行，是最后一步计算。

2. 计算粒度不同

• LOD：可以自己指定维度（FIXED/INCLUDE/EXCLUDE），不受视图维度限制。
• 表计算：只能在当前视图展示的维度范围内计算。

3. 依赖关系不同

• LOD：不依赖视图布局，怎么拖图表结果都不变。
• 表计算：依赖视图结构、分区、寻址，换个布局结果可能变。

4. 嵌套支持

• LOD：可以嵌套 LOD，不能嵌套表计算。
• 表计算：可以嵌套表计算，不能嵌套 LOD。

5. 典型用途

• LOD：组内排名、用户首次时间、跨维度占比、独立粒度统计。
• 表计算：同比环比、累计求和、移动平均、排名、百分比。

高频手写SQL/计算字段

环比

SUM([销售额]) / LOOKUP(SUM([销售额]), -1) - 1

同比

SUM([销售额]) / LOOKUP(SUM([销售额]), -12) - 1

转化率

SUM([用户数]) / LOOKUP(SUM([用户数]), -1)

占比

SUM([销售额]) / TOTAL(SUM([销售额]))

LOD 的执行顺序是什么？

操作顺序决定了筛选器、LOD、聚合与表计算的执行先后，直接影响 LOD 结果与分析逻辑。以下为标准全流程，按阶段拆解，附三类 LOD 的精确执行位置与关键规则。

一、完整执行顺序（11 阶段）

按从上到下执行，前 6 阶段为数据源与筛选前置处理，后 5 阶段为计算与渲染，其中 LOD 分布在第 4、5、6 阶段。

阶段序号	操作类型	核心作用	LOD 关联与影响
1	提取筛选器（Extract Filters）	基于数据提取（.hyper）的筛选，提前过滤提取数据	所有 LOD 均受其影响，全局生效
2	数据源筛选器（Data Source Filters）	数据源层面的筛选（如数据连接参数、自定义 SQL）	所有 LOD 均受其影响，全局生效
3	上下文筛选器（Context Filters）	手动 “添加到上下文” 的筛选，固化为前置计算层	所有 LOD 均受其影响，优先级最高，可强制 FIXED 响应筛选
4	FIXED LOD 表达式计算	按指定维度聚合，忽略常规维度 / 度量筛选，仅受前 3 阶段筛选约束	最早执行，不随视图维度与常规筛选变化；典型场景：全局占比、固定基准值
5	维度筛选器（Dimension Filters）	常规维度筛选（如筛选器功能区维度、快速筛选）	不影响 FIXED；仅控制 INCLUDE/EXCLUDE LOD 与后续聚合
6	度量筛选器（Measure Filters）	度量值的筛选（如筛选器功能区度量、条件筛选）	位于 LOD 之后，仅过滤聚合结果；INCLUDE/EXCLUDE 受其约束
7	聚合计算（Aggregation）	按视图详细级别聚合数据（如 SUM、AVG）	处理 INCLUDE/EXCLUDE 与视图粒度的适配，自动聚合或重复值
8	表计算筛选器（Table Calculation Filters）	表计算的筛选（如同比、排名、移动平均的计算范围）	最后执行，仅隐藏标记，不影响底层计算
9	可视化渲染（Rendering）	生成图表、表格等视图	基于前 8 阶段结果渲染，不改变计算逻辑
10	交互筛选（Interactive Filters）	报表层面的交互筛选（如仪表板筛选器）	本质触发维度 / 度量筛选重算，不改变底层顺序
11	格式与布局（Formatting）	应用格式、布局设置	不影响数据计算，仅调整展示效果

二、三类 LOD 执行核心差异

LOD 类型	执行阶段	筛选器影响范围	典型场景	关键特性
FIXED	第 4 阶段（维度筛选前）	仅受提取 / 数据源 / 上下文筛选影响，完全忽略常规维度 / 度量筛选	全局销售额、各区域占比、不受视图筛选影响的基准值	不随视图维度变化，可作为维度使用
INCLUDE	第 7 阶段（维度 / 度量筛选后、聚合时）	受上下文 + 常规维度 / 度量筛选影响，自动纳入视图未显式维度	视图维度 + 补充维度聚合（如区域 + 产品类别汇总）	随视图维度与筛选变化，仅作为度量
EXCLUDE	第 7 阶段（维度 / 度量筛选后、聚合时）	受上下文 + 常规维度 / 度量筛选影响，显式剔除视图中指定维度	父级汇总（如按类别汇总，忽略子类别维度）	随视图维度与筛选变化，仅作为度量

三、关键规则与避坑指南

1. FIXED 不随视图筛选变化的解决方案

若需 FIXED 响应常规维度筛选，将该筛选器添加到上下文，强制其前置执行，使 FIXED 纳入筛选范围。例：{FIXED [Region] : SUM([Sales])}（筛选 [State] 时不变）→ 把 [State] 筛选器加入上下文，FIXED 会随 [State] 变化。

2. INCLUDE/EXCLUDE 与视图粒度的适配

INCLUDE：视图维度 + 指定维度共同决定粒度，结果不重复，需聚合。

EXCLUDE：视图维度剔除指定维度后的粒度，结果可能重复，默认 ATTR 聚合。

3. 常见场景选型（直接套用）

分析需求	推荐 LOD 类型	原因
计算全局占比（如全国销售额占比）	FIXED（无维度）	忽略常规筛选，保证分母为全局总销售额
按区域叠加产品类别汇总	INCLUDE [Product Category]	随视图区域维度变化，补充产品类别维度
按类别汇总，忽略子类别维度	EXCLUDE [Sub-Category]	剔除视图中子类别维度，还原类别粒度
同比 / 环比（随日期筛选变化）	INCLUDE/EXCLUDE 或 FIXED + 上下文	需随日期筛选变化，用 INCLUDE/EXCLUDE 更直接

总结

FIXED 先于维度筛选，不受常规维度过滤，仅受上下文约束。INCLUDE/EXCLUDE 后于维度筛选，随视图维度与筛选变化，仅作度量。上下文筛选优先级最高，可强制所有 LOD 响应筛选。

LOD 能不能嵌套？

可以嵌套，但有严格限制：

1. 可以怎么嵌套？

LOD 内部可以嵌套 LOD

{FIXED [地区]: MAX({FIXED [地区],[品类]: SUM([销售额])})}

LOD 内部可以嵌套普通聚合函数（SUM、MIN、MAX、AVG 等）

2. 不可以嵌套什么？

LOD 内部绝对不能嵌套表计算

例如：RUNNING_SUM、LOOKUP、WINDOW_SUM 等都不能放在 LOD 里面。

3. 为什么？

因为执行顺序不一样：

LOD 执行早

表计算执行最晚

• LOD 计算时，表计算还没结果，所以不支持。

FIXED 会受上下文筛选影响吗？

默认情况下：FIXED LOD 不受上下文筛选影响。

为什么？

• 上下文筛选属于普通筛选级别
• FIXED 执行顺序早于上下文筛选
• 所以上下文过滤后，FIXED 依然按全量数据计算

怎么让 FIXED 受上下文影响？（面试加分点）

1. 把上下文字段加入 FIXED 维度

{FIXED [地区], [年份]: SUM([销售额])}

2. 改用 INCLUDE 或 EXCLUDE LOD

3. 使用 表计算 替代 LOD

表计算筛选为什么不能过滤数据源？

因为表计算是在所有数据聚合、视图生成完成后才最后执行，它只对视图展示结果生效，不会去修改、过滤底层原始数据。

简单理解

1. 数据先从数据源查询进来
2. 做聚合、LOD、普通筛选
3. 生成视图图表
4. 最后才跑表计算

所以表计算筛选相当于：先把所有数据查出来，画完图，再把不想看的部分 “遮起来”，而不是从源头就不查这些数据。

为什么 TOP N 有时不准？怎么解决？

为什么不准？

因为 普通筛选是同时执行的，Tableau 会先算 TOP N，再应用其他筛选，而不是先过滤再算 TOP N，导致结果错乱。

怎么解决？

把用来限定范围的筛选器设置为【上下文筛选】。这样 Tableau 会：

1. 先执行上下文筛选，生成小数据集
2. 再在这个子集里计算 TOP N结果就准确了。

Tableau 常用聚合函数有哪些？

SUM：求和，用于计算总销售额、总数量等累计指标。

AVG：求平均值，如平均单价、平均订单金额。

COUNT / COUNTD：

• COUNT：计数（包含重复值）
• COUNTD：去重计数（distinct count），常用于统计客户数、订单数。

MAX / MIN：最大值、最小值，如最大订单金额、最小购买天数。

MEDIAN：中位数，用于稳健统计，避免极端值影响。

ZN：空值转 0，ZN([字段]) 空值显示为 0，常用于避免计算出错。

ATTR：属性函数，如果维度只有一个值就显示该值，否则显示 *，常用于视图固定维度。

为什么有的图表加了筛选结果不变？

1. 用了 LOD 计算（尤其是 FIXED）

• FIXED LOD 执行早于普通筛选
• 筛选后视图变了，但 LOD 结果依然按全量数据算→ 所以图表看起来没变化

2. 用了 表计算筛选

• 表计算筛选只 “遮住” 视图结果，不改变底层数据和计算
• 很多聚合、LOD 根本感知不到这个筛选→ 图表自然不变

3. 筛选字段 和图表无关 / 维度不对应

• 筛选的字段根本没出现在视图里
• 或者数据没有关联（Blending 未匹配、Join 不对）→ 筛选相当于无效过滤

除了聚合函数，Tableau还有哪些常用函数？

1. 逻辑函数

• IF / ELSEIF / ELSE / END：多条件判断，最常用。
• IIF：简化版条件判断：IIF(条件, 满足值, 不满足值)
• AND / OR / NOT：多条件组合
• ISNULL / NOT ISNULL：判断是否为空值
• IFNULL：为空则替换：IFNULL([字段], 0)

2. 字符串函数

• LEFT / RIGHT / MID：截取字符串
• LEN：字符串长度
• UPPER / LOWER：大小写转换
• CONCAT +：拼接字符串：[省份]+[城市]
• TRIM：去除前后空格
• REPLACE：替换字符
• SPLIT：按分隔符拆分字段

3. 日期函数

• TODAY()：获取当前日期
• YEAR / MONTH / DAY：提取年、月、日
• DATEDIFF：计算日期差：DATEDIFF('day', [开始日期], [结束日期])
• DATEADD：日期偏移：加几天、几个月
• DATETRUNC：日期截断，按年月对齐
• NOW()：当前时间（含时分秒）

4. 数值函数

• ROUND：四舍五入
• ABS：绝对值
• CEILING / FLOOR：向上 / 向下取整
• LOG / EXP：对数、指数

5. 表计算函数（常用）

• RANK / RANK_DENSE：排名
• RUNNING_SUM：累计求和
• WINDOW_SUM / WINDOW_AVG：窗口求和、平均
• PREVIOUS_VALUE：上一行值
• TOTAL：总计值，用于计算占比

6. 类型转换函数

• STR：转字符串
• INT / FLOAT：转整数、小数
• DATE：转日期

Tableau 常用图表类型有哪些？

比较类

• 柱状图 / 条形图：最常用，用于对比各类别数值大小
• 直方图：展示数据分布

趋势类

• 折线图：展示时间趋势、变化情况
• 面积图：强调总量变化趋势

占比类

• 饼图：展示各部分占整体比例
• 环形图：美化版占比展示
• 堆积柱状 / 面积图：看部分与整体关系

关联关系类

• 散点图：看两个指标之间的相关性
• 气泡图：散点图 + 大小，展示三维信息

地理可视化

• 填充地图、点地图：展示地区分布数据

业务流程 / 转化类

• 漏斗图：用户转化、流失分析
• 帕累托图（二八分析）
• 甘特图：项目进度、时间周期

明细与什么是快速表计算？表格类

• 文本表（交叉表）
• 热力图：用颜色强弱展示数值大小

什么是快速表计算？

快速表计算是 Tableau 内置的、一键生成的常用表计算，不需要手动写复杂公式，直接通过右键菜单就能快速添加，用于对视图中的聚合结果做二次分析。

它本质上是基于视图已展示数据的计算，依赖视图的维度结构和分区方式。

常见的快速表计算类型

• 总计百分比（占比）
• 差异、百分比差异（环比、同比）
• 排序
• 累计求和
• 移动平均
• 排名
• 百分位

特点

• 无需写公式，右键 → 快速表计算 即可使用
• 基于视图展示结果计算，不影响底层数据
• 可通过计算依据调整计算方向（表横穿、表向下、区、单元格等）

总结

快速表计算是 Tableau 提供的一键式常用表计算，无需编写公式，可快速实现占比、环比、累计、排名等视图级二次计算。

Tableau 中有哪几种筛选器？

1. 数据源筛选器（Data Source Filter）

• 作用：在最源头过滤数据，只导入符合条件的数据
• 特点：效率最高，对整个数据源生效
• 场景：数据量极大，只需要部分数据时

2. 提取筛选器（Extract Filter）

• 作用：创建数据提取（.hyper）时过滤
• 特点：减少提取文件大小，提升性能
• 场景：数据抽取、离线分析

3. 上下文筛选器（Context Filter）

• 作用：设为优先执行的筛选，生成临时数据集
• 特点：会降低其他筛选器优先级，提高大数据量筛选速度
• 场景：TOP N、复杂条件、需要先圈定范围

4. 维度筛选器（Dimension Filter）

• 作用：按维度字段筛选（地区、类别、性别等）
• 特点：最常用，普通维度过滤
• 场景：选择特定省份、特定产品类别

5. 度量筛选器（Measure Filter）

• 作用：对聚合后的数值结果筛选（求和、平均后）
• 场景：只看销售额 > 10000 的记录

6. 表计算筛选器（Table Calculation Filter）

• 作用：对视图最终展示结果过滤，最后执行
• 场景：筛选排名前 10、增长率大于 0 的项

Tableau 上下文筛选是什么？

上下文筛选器是一种 “优先执行” 的筛选器，会先生成一个临时数据集，其他普通筛选器只在这个临时数据集里再过滤。

通俗理解

1. 正常筛选：所有筛选器并列执行，可能互相影响、效率低
2. 上下文筛选：
   • 先把你设置为上下文的筛选条件执行一遍
   • 生成一个缩小后的临时数据
   • 其他筛选器只在这个小范围里筛选

就像：先圈定 “只看 2023 年数据”（上下文），再在 2023 年里筛选省份、产品，而不是全量数据里查。

核心特点

1. 优先级最高

早于维度、度量、普通筛选器执行

2. 生成临时数据集

数据量变小，后续筛选速度更快

3. 普通筛选变成 “依赖筛选”

只在上下文结果里生效，不会跨范围筛选

4. 可以多个上下文同时存在

它们会先合并计算，再生成临时数据

什么时候用？

1. 数据量大，想提升筛选速度
2. 做 TOP N 时，避免结果不准确
3. 多个筛选器叠加，想明确先过滤谁
4. 控制筛选范围，让后续筛选只在子集内执行

举例

• 视图：地区、销售额
• 筛选 1：年份 = 2023 → 设为上下文筛选
• 筛选 2：销售额 > 10000

结果：只会在 2023 年数据 里找销售额 > 10000 的，而不是在所有年份里先找销售额 > 10000 再筛年份。

总结

上下文筛选 = 优先执行的筛选器，先生成临时数据集，其他筛选只在这个子集里运行，更快、更准确。

Tableau 的交互能力有哪些？

Tableau 的交互主要分为视图内交互、筛选交互、钻取分析、联动交互、工具交互几大类，核心就是让图表 “可点、可查、可钻、可联动”。

1. 筛选交互（最常用）

• 快速筛选器、多值筛选、搜索筛选
• 通配符、日期范围、滑块筛选
• 上下文筛选、全局筛选

2. 钻取与层级交互

• 下钻（Drill Down）/ 上卷（Drill Up）例：年份 → 季度 → 月份 → 日期
• 自定义层级快速展开 / 折叠

3. 视图内直接交互

• 点击高亮：点图表某一部分，其他视图同步高亮
• 框选 / 圈选：框选一段数据查看细节
• 缩放：坐标轴缩放、区域放大
• 悬停提示：鼠标悬浮显示详情（Tooltip）

4. 仪表板联动（最核心交互）

• 筛选器联动：一个筛选控制多个图表
• 高亮联动：点一个图，其他图同步突出对应数据
• 页面跳转：点击跳转到其他仪表板 / 工作表

5. 表计算与动态交互

• 快速排序、TOP N 动态切换
• 百分比、累计、移动平均等实时计算
• 参数控制：用参数切换度量、维度、阈值

6. 地图交互

• 地图放大 / 缩小 / 平移
• 点选区域查看数据
• 地图与图表双向联动

7. 导出与分享交互

• 导出图片、数据、PDF
• 订阅、分享视图、评论协作

Tableau 怎么做漏斗？

Tableau 做漏斗图常用 3 种方法：简易条形漏斗（最快）、双轴对称漏斗（标准）、平滑漏斗（美观）。

一、准备数据

需要至少 2 个字段：

• 阶段维度：访问、加购、下单、支付、成交（必须按流程顺序）
• 数值度量：用户数 / 数量（SUM 聚合）

方法 1：简易条形漏斗（最快，面试首选）

适合快速出图、展示阶段数值与占比。

步骤

1. 新建工作表，将 阶段 拖到 行
2. 将 用户数 拖到 列（默认 SUM）
3. 右键 阶段 → 排序 → 按 用户数 降序（确保顶部最大）
4. 标记类型改为 条形
5. 将 阶段 拖到 颜色，区分各阶段
6. 将 用户数 拖到 标签，显示数值
7. 右键 用户数 标签 → 添加表计算 → 总计百分比，显示转化率

效果

垂直条形，从上到下递减，形似漏斗。

方法 2：双轴对称漏斗（标准，最常用）

视觉更像漏斗，无空隙，支持交互。

步骤

1. 阶段 拖到 行，按 用户数 降序排序
2. 将 用户数 拖到 列（轴 1）
3. 按住 Ctrl 复制 用户数 到 列（轴 2）
4. 右键轴 2 → 双轴 → 右键轴 → 同步轴
5. 双击左侧横轴 → 编辑轴 → 勾选 倒序
6. 标记类型：轴 1 设为 条形，轴 2 设为 条形（或隐藏轴 2）
7. 阶段 拖到 颜色，用户数 拖到 标签
8. 隐藏两侧横轴标题，美化

原理

左右轴反向对称，中间无缝，形成标准漏斗轮廓。

方法 3：平滑漏斗（高级，美观）

用 面积图 + 表计算 实现平滑过渡。

步骤

1. 阶段 拖到 列，按 用户数 降序
2. 用户数 拖到 行，标记改为 面积
3. 右键 用户数 → 添加表计算 → 计算类型：移动平均（窗口大小调大，如 2）
4. 或用计算字段：RUNNING_SUM(SUM([用户数])) / TOTAL(SUM([用户数]))
5. 调整颜色、标签，隐藏坐标轴

效果

无棱角、平滑渐变，适合汇报展示。

方法	优点	缺点	适用场景
简易条形	最快、易做、交互好	有间隙、不够像漏斗	快速分析、内部汇报
双轴对称	标准漏斗、无缝、交互强	步骤稍多	正式分析、Dashboard
平滑漏斗	美观、专业	需表计算、交互弱	对外展示、PPT

进阶：添加转化率标签

1. 创建计算字段 转化率：

SUM([用户数]) / LOOKUP(SUM([用户数]), -1)

（-1 表示上一阶段，首阶段为 100%）

2. 将 转化率 拖到 标签，格式设为百分比

交互优化

• 筛选联动：添加 日期 / 地区 筛选，漏斗实时更新
• 高亮：点击阶段，其他图表同步高亮
• 参数切换：用参数切换 阶段维度（如渠道 / 产品）

如何制作帕累托图（80/20）？

帕累托图 = 降序条形图（数值）+ 累计占比折线（百分比）+ 双轴 + 80% 参考线，核心是累计占比计算与双轴组合。

一、准备工作（以示例超市数据源为例）

• 数据源：Tableau 自带「示例 - 超市」
• 分析维度：子类别（Sub-Category）
• 分析度量：销售额（Sales）
• 目标：找出贡献 80% 销售额的前 20% 子类别

二、详细操作步骤（按顺序执行）

1. 制作基础降序条形图

1. 拖「子类别」到列，拖「销售额」到行（默认聚合为 SUM(销售额)）。
2. 右键「子类别」→排序→选择「字段：销售额」→降序，让类别按销售额从高到低排列。
3. 标记类型保持条形，完成基础视图。

2. 计算累计占比（核心步骤）

方法 A：用表计算（推荐，无需写公式）

1. 再拖一个「销售额」到行（出现两个 SUM(销售额)）。

2. 右键第二个「销售额」→快速表计算→汇总（Running Total）。

3. 再次右键→编辑表计算：

• 计算依据：特定维度→勾选「子类别」（寻址字段）。
• 勾选添加辅助计算→从属计算类型：合计百分比（Percent of Total）。
• 确定，此时第二个轴显示累计占比（0~100%）。

方法 B：自定义计算字段（灵活可控）

1. 右键数据面板→创建→计算字段，命名「累计占比」。

2. 输入公式：

RUNNING_SUM(SUM([销售额])) / TOTAL(SUM([销售额]))

含义：当前及之前所有类别的销售额总和 ÷ 总销售额。

3. 拖「累计占比」到行，替换第二个「销售额」。

3. 双轴组合（条形 + 折线）

1. 右键第二个轴（累计占比）→双轴（Dual Axis），两个轴合并。
2. 选中第一个标记卡（条形）→标记类型：条形；选中第二个标记卡（累计占比）→标记类型：线。
3. 右键任意轴→同步轴，让两个轴刻度对齐（可选，更美观）。

4. 美化与 80/20 标记（面试加分）

（1）添加 80% 参考线

• 右键累计占比轴→添加参考线→类型：线→值：0.8→格式：虚线、橙色→确定。

（2）区分前 80% 类别（颜色标记）

1. 创建计算字段「是否前 80%」：

IF [累计占比] <= 0.8 THEN "前80%" ELSE "后20%" END

2. 拖「是否前 80%」到颜色标记卡，条形自动分色（前 80% 高亮）。

（3）添加标签与格式优化

• 勾选折线的标签，显示累计占比百分比。
• 隐藏网格线、调整字体、统一配色，完成最终视图。

三、极简背诵版（面试 30 秒答）

1. 做降序条形图（维度 + 度量）。
2. 复制度量，加汇总 + 合计百分比表计算，得累计占比。
3. 双轴，条形 + 折线组合。
4. 加80% 参考线，用颜色区分前 80% 类别。

四、常见问题与注意事项

• 排序必须是降序，否则累计占比逻辑错误。
• 表计算依据必须选特定维度（子类别），否则计算范围错误。
• 双轴后务必同步轴，避免视觉误导。
• 累计占比公式中，RUNNING_SUM 与 TOTAL 必须搭配使用。

如何制作地图？

1. 普通填充地图（省 / 市 / 国家区域图）

1. 将地理字段（国家、省份、城市）拖到视图
2. Tableau 会自动生成经纬度并画出地图
3. 把度量（销售额、人数）拖到颜色，实现深浅热力效果

2. 点地图（位置点分布）

1. 直接拖地理字段到视图
2. 度量拖到大小或颜色
3. 标记改为圆形 / 形状，即可显示点位分布

3. 自定义经纬度地图

1. 数据里有 经度、纬度 字段
2. 分别拖到列、行
3. 即可生成点位地图

4. 地理角色不对怎么办？

• 右键字段 → 地理角色 → 选择国家 / 省 / 市
• 或自定义地理编码

如何做甘特图？

Tableau 甘特图核心是时间轴 + 任务维度 + 持续时长，用水平条展示任务起止与周期，适合项目进度、订单周期、生产排期等场景。

一、必备数据结构（先准备好）

至少需要三类字段：

1. 任务 / 主体维度：项目名、产品、客户、工序等（拖到「行」）
2. 时间字段：开始日期（拖到「列」，设为连续精确日期）
3. 持续时长：用 DATEDIFF 计算（拖到「大小」控制条长）

示例数据（项目管理）：

项目	任务	开始日期	结束日期	负责人
系统上线	需求调研	2026-04-01	2026-04-07	张三
系统上线	开发编码	2026-04-08	2026-04-25	李四

二、标准制作步骤（最快流程）

1. 计算持续时长（关键）

• 右键数据窗格 → 创建 → 计算字段
• 命名：持续天数
• 公式：DATEDIFF('day', [开始日期], [结束日期])
• 确定（左下角显示「计算有效」）

2. 搭建基础视图

1. 把开始日期拖到「列」→ 右键 → 精确日期 → 连续（时间轴）
2. 把任务 / 项目拖到「行」（左侧任务列表）
3. 标记类型自动变为甘特条（若未变，手动选「甘特条」）
4. 把持续天数拖到「大小」（条长 = 时长）

3. 美化与增强（可选）

• 颜色区分：把「负责人 / 状态」拖到「颜色」（不同人 / 状态用不同色）
• 标签显示：把「任务 / 持续天数」拖到「标签」（显示任务名 / 天数）
• 筛选时间：把「开始日期」拖到筛选器 → 选日期范围（聚焦近期）
• 调整条宽：右键「大小」→ 编辑大小 → 调最小 / 最大宽度

三、常见场景示例（直接套用）

场景 1：项目进度甘特图（最常用）

• 列：开始日期（连续精确）
• 行：项目 → 任务（嵌套层级）
• 大小：持续天数
• 颜色：负责人 / 进度状态
• 标签：任务名 + 持续天数

场景 2：订单履约周期（超市数据）

• 列：订单日期（连续精确）
• 行：产品子类 → 运输方式
• 大小：DATEDIFF('day', [订单日期], [发货日期])（发货时长）
• 颜色：区域 / 利润

场景 3：生产排期 / 设备占用

• 列：开工日期（连续）
• 行：设备编号 → 工序
• 大小：加工时长（小时 / 天）
• 颜色：工单状态

四、常见问题与解决

甘特条不显示 / 只有点

• 检查：开始日期是否设为「连续精确日期」（非离散 / 年 / 月）
• 检查：持续天数是否为正数（结束日期 > 开始日期）
• 标记类型必须是甘特条（非自动 / 条形）

时间轴太挤 / 看不清

• 筛选：只保留近期日期（如最近 30 天）
• 调整：视图 → 适合宽度，或缩小「大小」范围
• 聚合：日期改为「周 / 月」（适合宏观查看）

任务重叠 / 顺序乱

• 右键「行」的任务字段 → 排序 → 按开始日期升序
• 用「项目」分组，任务按时间顺序排列

显示实际 vs 计划对比

• 计算两个时长：计划天数、实际天数
• 把两个字段都拖到「大小」，用「颜色」区分计划 / 实际

总结

列放连续开始日期，行放任务维度，大小放 DATEDIFF 时长，颜色加维度，甘特图就成了。

Tableau 如何实现报表共享？

Tableau 报表共享核心是发布到 Server/Cloud（企业首选）、Public（公开）、打包文件（离线）、嵌入网页四大路径，下面按场景给出完整操作、权限与最佳实践。

企业级首选：发布到 Tableau Server / Cloud（最常用）

1. 核心优势

• 保留完整交互（筛选、钻取、联动、参数）
• 权限精细管控、数据实时刷新、支持协作
• 适合内部团队、客户、管理层使用

2. 操作步骤（Desktop → Server）

1. 打开工作簿 → 顶部菜单 服务器 → 登录
   • 输入 Server 地址（如 https://tableau.company.com）或选择 Tableau Cloud
   • 用账号密码登录对应站点
2. 服务器 → 发布工作簿
3. 发布设置（关键）
   • 项目：选择目标项目（无则联系管理员创建）
   • 权限：默认继承项目权限；也可添加权限，给用户 / 组分配「查看 / 交互 / 编辑」
   • 数据源：选择嵌入或发布为独立数据源（推荐后者便于复用）
   • 刷新计划：设置自动刷新（如每日 / 每小时）
4. 点击发布 → 成功后获取链接

3. 网页端共享（Server/Cloud）

• 打开报表 → 右上角 ⋯ → 共享
  • 添加用户 / 组：输入邮箱 / 用户名，发送通知
  • 复制链接：直接发链接给内部用户
  • 嵌入代码：生成 iframe 嵌入内网门户
• 权限模板（常用）
  • 查看者：仅看，无交互
  • 交互式查看者：筛选、高亮、导出图片
  • 编辑者：可修改、保存、发布副本

公开共享：Tableau Public（免费）

适用场景

• 对外展示、作品集、公开数据报告
• ⚠️ 注意：数据完全公开，不可用于敏感数据

操作步骤

1. 注册 / 登录 Tableau Public 账号
2. Desktop → 服务器 → Tableau Public → 保存到 Tableau Public
3. 填写标题、描述 → 发布
4. 生成公开链接，可直接分享到社交媒体、网站

离线共享：打包文件 + Tableau Reader（无 Server）

适用场景

• 无 Server 环境、发给外部无 Tableau 账号的人
• 仅静态查看，无实时数据与交互

操作步骤

1. Desktop → 文件 → 另存为 → 打包工作簿（.twbx）

• 会把数据源、图片、自定义形状一起打包

2. 接收方安装 Tableau Reader（免费）

3. 用 Reader 打开 .twbx 即可查看

深度集成：嵌入网页 / 系统（内网门户、OA、APP）

适用场景

• 集成到公司 BI 门户、官网、内部系统
• 保留交互，用户无需登录 Tableau

操作步骤

1. Server/Cloud 打开报表 → ⋯ → 嵌入代码

2. 复制 iframe 代码，如：

<iframe src="https://tableau.company.com/views/Report/Dashboard" width="100%" height="800"></iframe>

3. 粘贴到网页 / 系统中

4. 管理员配置：站点设置 → 嵌入白名单，添加允许嵌入的域名

5. URL 参数（可选）：预设筛选，如

?Region=华东&Year=2026&Category=电子产品

静态导出（快照，无交互）

适合仅需截图 / 数据，不要求交互

• 导出图片：工作表 → 工作表 → 导出 → 图像
• 导出 PDF：文件 → 打印为 PDF
• 导出数据：右键视图 → 查看数据 → 导出所有数据

四种方式对比（快速选型）

方式	交互	权限	数据安全	适用场景
Server/Cloud	✅ 完整	✅ 精细	✅ 高（内网 / 私有云）	企业内部、客户、实时报表
Tableau Public	✅ 完整	❌ 公开	❌ 极低	作品集、公开报告
.twbx + Reader	❌ 仅查看	❌ 无	⚠️ 中等（文件可控）	离线、无 Server
嵌入网页	✅ 完整	✅ 继承 Server	✅ 高	内网门户、系统集成

权限与安全最佳实践

1. 最小权限原则：只给必要权限（如普通用户仅「交互式查看」）
2. 项目管理：按部门 / 业务线建项目，统一权限继承
3. 行级别安全（RLS）：用用户函数 USERNAME() 做数据过滤，确保用户只看自己的数据
4. 禁用下载：对敏感报表关闭「下载工作簿 / 数据」能力
5. 审计日志：开启访问日志，监控谁看了、何时看、导出了什么

面试 / 实操极简口诀

1. 企业用 Server/Cloud，公开用 Public
2. 离线用 .twbx + Reader
3. 集成用 嵌入代码 + 白名单
4. 权限：项目继承 + 最小权限 + RLS

Tableau 权限控制主要控制什么？

控制谁能看到什么内容、能做什么操作，核心是「可见范围 + 操作权限」两层管控。

控制「能看到什么」（数据权限）

项目 / 工作簿 / 视图权限

• 哪些用户 / 组能看到这个报表、文件夹
• 完全隐藏未授权内容

行级别权限（RLS，核心）

• 控制用户只能看到自己权限内的数据行
• 例如：
  • 区域经理只看自己区域数据
  • 业务员只看自己客户数据
• 常用函数：USERNAME()、ISMEMBEROF()

字段级别权限

• 隐藏敏感字段（手机号、成本、利润、身份证）
• 普通用户看不到，仅管理层可见

控制「能做什么操作」（功能权限）

查看权限

• 仅能看，不能交互、不能导出

交互权限

• 筛选、钻取、高亮、参数修改
• 但不能修改视图结构

下载 / 导出权限

• 是否允许下载数据、图片、PDF、工作簿
• 敏感报表通常关闭下载

编辑权限

• 是否允许修改工作表、仪表板、数据源
• 是否允许发布、覆盖、另存为

分享与注释权限

• 是否允许转发链接、添加评论

管理权限

• 创建项目、分配权限、设置刷新、管理用户

权限控制的对象（从大到小）

1. 站点（Site）
2. 项目（Project）
3. 工作簿（Workbook）
4. 数据源（Data Source）
5. 视图 / 仪表板
6. 数据行、数据字段

总结

Tableau 权限主要控制两块：

1. 可见范围：哪些项目 / 报表 / 数据行 / 字段能看见
2. 操作行为：能不能看、能不能交互、能不能下载、能不能编辑

什么是行级别安全 RLS？

RLS（Row-Level Security，行级别安全）：让同一份仪表板 / 数据源，在不同用户登录时，自动只显示其有权限的数据行，实现 “一人一视图、数据不越权”。

核心原理（必背）

本质：基于当前登录用户属性（用户名 / 用户组 / 部门 / 区域），在数据查询 / 聚合前动态过滤行，只返回授权数据。

与普通权限区别：

• 普通权限：控制能否打开 / 编辑 / 下载工作簿（功能级）。
• RLS：控制打开后能看到哪些数据行（数据级）。

典型场景：区域经理只看本区域、销售只看自己客户、医生只看自己患者。

Tableau 实现 RLS 的 4 种主流方法（面试高频）

1. 用户筛选器（User Filter，最常用，Desktop 即可做）

原理：用 USERNAME()/ISMEMBEROF() 函数匹配数据字段，动态过滤。步骤：

1. 数据源含权限字段（如 Region、Salesperson、Dept）。

2. 创建计算字段：

// 例1：用户只能看自己负责的区域
[Region] = USERNAME()
// 例2：用户属于"华东组"则看华东数据
[Region] = "华东" AND ISMEMBEROF("华东组")

3. 将计算字段拖到筛选器，勾选 True。

4. 发布到 Server/Cloud，禁止用户编辑 / 下载数据源（防止绕过）。

2. 数据策略（Data Policy，Server/Cloud + Data Management）

适用：2021.4+，虚拟连接（Virtual Connection），数据源级统一 RLS。

步骤：

1. Server 启用 Data Management，创建虚拟连接。
2. 添加数据策略，指定策略表、映射字段、策略条件（如 [Region] = USERNAME()）。
3. 所有用该虚拟连接的工作簿自动继承 RLS，无需逐个设置。

3. 数据库内置 RLS（Live 连接专用）

原理：复用数据库（SQL Server/PostgreSQL/ Snowflake）自带的 RLS，Tableau 仅传递用户身份Tableau。

实现：

• 数据库端创建行级安全策略 / 视图，按数据库用户过滤Tableau。
• Tableau 用模拟登录 / Kerberos/ Initial SQL 传递当前用户（如 EXECUTE AS USER = [TableauUser]）。
• 优势：安全策略统一在数据库维护，Tableau 无额外配置。

4. 权利表（Entitlement Table，复杂多维度权限）

原理：用专门的权限映射表（用户 → 可访问维度值），与事实表关联后过滤。

SQL 示例：

SELECT d.*
FROM 事实表 d
JOIN 权利表 e
  ON d.Region = e.Region AND d.Dept = e.Dept
WHERE e.Username = USERNAME()

优势：支持多维度、复杂权限矩阵（如用户 A 看华东 + 销售部，用户 B 看华北 + 市场部）。

三、关键函数

• USERNAME()：返回当前登录用户的用户名（如 zhangsan@company.com）。
• FULLNAME()：返回用户全名。
• ISMEMBEROF("组名")：判断用户是否属于指定用户组（返回 True/False）。
• USERDOMAIN()：返回用户域（AD 环境）。

四、RLS 执行顺序

1. 数据库 RLS/Initial SQL（最早）
2. 数据策略（虚拟连接）
3. 数据源级用户筛选器
4. 工作簿级用户筛选器
5. 普通筛选器 / LOD / 表计算（最晚）

总结

• RLS = 同报表、不同人、看不同行，核心是动态行过滤Tableau。
• 实现：用户筛选器（Desktop）、数据策略（Server）、数据库内置、权利表Tableau。
• 关键函数：USERNAME()、ISMEMBEROF()。
• 目的：数据合规、权限隔离、一份报表多人用。

什么是仪表板布局？

仪表板布局就是对图表、筛选器、文字、图片等内容进行排版、定位、排列方式的设置，用来控制整个页面的结构、大小和展示效果。

两种主要布局方式

1. 平铺布局

• 所有元素按网格整齐排列，不重叠
• 会自动适应、自动对齐
• 结构规范，不容易乱

2. 浮动布局

• 元素可以自由拖动、重叠摆放
• 位置和大小可以精确控制
• 适合做更灵活、更有设计感的页面

常用布局容器

• 水平容器：内部内容左右排列
• 垂直容器：内部内容上下排列
• 可以多层嵌套，实现复杂分栏结构

页面大小设置

• 固定大小：页面尺寸不变，适合精准排版
• 范围大小：在一定区间内自适应缩放
• 自动大小：铺满整个显示窗口

总结

布局就是怎么摆放页面上的所有内容，平铺规整通用，浮动自由灵活，容器用来分区排版。

Tableau 中工作表与仪表板的区别

1. 工作表（Worksheet）

• 是单个图表 / 视图的编辑页面，用来制作一张具体的图。
• 一个工作表里只有一种图表类型（柱状图、折线图、饼图、地图等）。
• 主要用于维度、度量、筛选、计算的单独设计与调试。

2. 仪表板（Dashboard）

• 是多个工作表的容器，用来把多张图表组合在一个页面展示。
• 可以统一布局、排版，实现交互联动（筛选一个图表，全部跟着变化）。
• 面向最终使用者，用于整体业务监控、数据看板。

总结

工作表是单张图表，仪表板是多张图表的组合页面；工作表负责制作，仪表板负责展示与联动。

如何实现点击图表跳转到另一个仪表板？

1. 打开需要设置点击跳转的源仪表板，进入动作设置
2. 新建动作，选择跳转到工作表 / 仪表板
3. 选择触发方式为点击选择
4. 指定要跳转到的目标仪表板
5. 设置是否传递筛选条件，让跳转后自动按点击内容过滤数据
6. 确定保存，点击图表即可实现跳转

如果需要固定按钮跳转：

1. 在仪表板中添加导航按钮
2. 编辑按钮，绑定目标仪表板
3. 自定义样式后完成设置

如何让多个工作表共用一个筛选器？

1. 把筛选器直接放到仪表板上，而不是单独放在某个工作表里
2. 在筛选器上点开下拉菜单，选择应用到工作表
3. 选择选定工作表，勾选所有需要共用筛选的表
4. 或者直接选应用到此仪表板中的所有工作表，一键全局生效

仪表板如何实现联动？

通过筛选器全局应用 + 仪表板操作（动作），实现点击一个图表，其他图表同步筛选或高亮。

使用全局筛选器联动

• 添加筛选器时，选择 应用到工作表 → 选定工作表 / 全部工作表
• 多个图表共用同一个筛选器，实现统一过滤

使用 “操作” 实现点击联动（最常用）

• 进入仪表板 → 顶部菜单 仪表板 → 操作
• 点击 添加操作 → 筛选 / 高亮
• 选择源工作表（点哪个图）、目标工作表（哪些图跟着变）
• 设置触发方式：鼠标悬停 或 鼠标点击

效果

• 点击一个图表的某个类别
• 其他图表自动只显示对应数据（筛选联动）或
• 对应内容高亮显示，其他变灰（高亮联动）

Tableau 仪表板变慢如何优化？

减少数据量、简化计算、优化数据源、减少冗余视图，从源头到展示层层减负。

1. 优先做：减少数据量（最见效）

• 使用数据提取（Extract .hyper），替代直连数据库
• 加提取筛选器 / 数据源筛选，只加载需要的年份、区域
• 避免加载全量明细，尽量聚合后再进 Tableau
• 对超大数据集使用数据滚动窗口（只保留最近 N 个月）

2. 优化计算：少用慢计算

• 减少复杂 LOD、嵌套表计算、多重 RUNNING_SUM
• 能在 SQL / 数据仓库算的指标，不要在 Tableau 里算
• 避免对大维度字段做 COUNTD、COUNTD（性能杀手）
• 合理使用 上下文筛选 减少计算范围

3. 简化仪表板与视图

• 一个仪表板不要放太多图表（建议 ≤8～10 张）
• 删掉无用的参考线、标注、复杂 tooltip
• 避免大量动画、实时刷新、自动播放
• 地图尽量少用高精度背景地图，改用简化图层

4. 优化筛选与交互

• 减少全局筛选、联动筛选的数量
• 大数据量必开 上下文筛选
• 避免多个筛选器同时触发大量计算
• 关闭不必要的高亮联动

5. 数据源与 Server 端优化

• 建立索引（日期、区域、常用关联字段）
• 直连数据库时，避免复杂视图、多表联查
• Tableau Server 上调整并发查询、刷新错开高峰
• 定期优化 Extract 刷新，避免全量刷新

6. 其他小技巧

• 关闭 自动更新数据预览
• 隐藏暂时不用的工作表
• 避免使用大量自定义图片、背景图
• 升级 Tableau 版本、增加服务器资源

如何快速定位哪个视图最慢？

快速定位最慢视图，优先用性能记录（Desktop）、管理视图（Server）、RMT/Admin Insights 三种方式，按场景选择即可。

一、Desktop：本地快速排查（最常用）

适合开发 / 测试时，直接在本地定位慢视图。打开目标工作簿 → 菜单 帮助 → 设置和性能 → 启动性能记录正常操作：打开所有仪表板、切换视图、触发筛选 / 交互操作完成 → 帮助 → 设置和性能 → 停止性能记录

自动生成性能记录工作簿：

• 性能摘要：按总耗时排序，一眼看到最慢视图
• 详细视图：拆解耗时（查询、渲染、布局、数据提取等）

可保存为 .twbx，用于后续分析。

二、Server：线上全局定位（管理员 / 发布后）

1. 内置管理视图（免费，无需额外工具）

路径：Server → 状态 → 管理视图 → 加载时间统计数据功能：

• 按平均加载时间排序，列出所有视图
• 筛选站点、工作簿、时间范围
• 用加载时间滑块过滤（如 > 5 秒），直接锁定慢视图
• 下钻查看确切加载时间与请求详情

2. 视图性能管理视图

路径：Server → 状态 → 管理视图 → 视图性能功能：对比加载时间峰值与并发会话数，判断是单视图慢还是整体负载高

三、Server 高级监控（RMT/Admin Insights）

适合大规模、长期性能监控。

Resource Monitoring Tool (RMT)

• 打开 性能 → 最慢的视图 图表
• 按平均加载时长排序
• 筛选时间范围（默认 2 周），定位高频慢视图

Admin Insights /ts_web_requests 日志

• 连接 ts_web_requests 数据源
• 筛选：平均加载时间 > 阈值 且 请求次数 > 阈值
• 按工作簿 / 视图分组，找出 TOP N 慢视图

四、快速判断慢因（定位后）

• 查询慢：实时连接、复杂计算 / LOD、大表未聚合 → 改用数据提取、优化 SQL、预聚合
• 渲染慢：标记过多、复杂表计算、多视图同屏 → 精简标记、优化表计算、拆分仪表板
• 交互慢：筛选器过多、跨数据源筛选、未用加速视图 → 合并筛选、启用加速视图

五、方法对比（速查）

方式	适用场景	优点	缺点
性能记录（Desktop）	本地开发 / 测试	即时、详细、无权限	仅本地，不反映线上真实负载
管理视图（Server）	线上全局监控	免费、内置、易操作	数据粒度有限
RMT/Admin Insights	大规模 / 长期运维	全面、可告警、趋势分析	需部署 / 权限、配置复杂

六、最快操作流程（推荐）

1. 本地先用性能记录定位可疑慢视图
2. 发布后用 Server 加载时间统计验证线上表现
3. 批量问题用 RMT/Admin Insights 做全局扫描

COUNTD 为什么慢？如何优化？

一、为什么 COUNTD 慢

COUNTD 是去重计数，必须扫描所有数据、比对每一条记录是否重复，计算成本很高：

1. 无法用简单索引加速，需要全量数据遍历
2. 数据量越大、唯一值越多，耗时呈指数上升
3. 实时连接数据库时，会生成复杂子查询，数据库执行压力大
4. 多表关联后再去重，会产生大量中间计算

二、优化方法（按效果从强到弱）

1. 使用数据提取（Extract）

• 提取会对去重做本地优化，速度远快于实时连接

2. 在数据源层面提前去重

• 在数据入库前做聚合，只保留汇总结果，不再原始明细计算

3. 减少数据范围

• 先过滤时间、区域等维度，缩小计算数据集再 COUNTD

4. 用 LOD 提前聚合

• 用 FIXED 等表达式提前按维度聚合，降低明细数据量

5. 数据库侧预计算

• 在 SQL / 视图 / 存储过程中先算好去重计数，再加载

6. 避免在复杂仪表板中多次使用 COUNTD

• 多个工作表共用同一个 COUNTD 结果，不重复计算

总结

COUNTD 慢是因为全量遍历 + 去重比对；优化核心：提前聚合、减少数据量、使用数据提取、数据库预计算。

项目权限的“锁定”和“解锁”是什么？

项目权限的 “锁定” 和 “解锁”，简单说就是控制子内容能不能单独改权限：

锁定

• 项目里所有工作簿、视图、子项目统一使用项目权限
• 不能单独给某个文件单独设置权限
• 修改项目权限后，整个项目下所有内容权限会一起同步更新
• 适合需要统一管理、权限严格一致的场景

解锁

• 项目权限只是初始默认值
• 可以单独给某个工作簿、视图设置独立权限
• 修改项目权限，不会影响已经设置过独立权限的内容
• 适合需要灵活分配、单独管控个别内容的场景

核心区别

• 锁定：统一权限，禁止单独修改，全局同步
• 解锁：默认继承，允许单独设置，不同步已有内容

如何禁止用户下载原始数据？

禁止用户下载原始数据，核心是在 Tableau Server/Online 上关闭 查看底层数据、下载完整数据 等权限，并配合项目锁定、数据提取、行级安全加固。

一、核心权限控制（最关键）

1. 项目级统一设置（推荐，批量生效）

1. 进入目标项目 → 点击 权限 → 右上角 编辑内容权限

2. 选择用户 / 组 → 切换到 工作簿 权限页

3. 关闭以下权限（设为 拒绝）：

• 查看数据（禁止查看底层明细）
• 下载完整数据（禁止导出原始 CSV）
• 下载数据源（禁止下载 TDSX / 数据源文件）

4. 可选：保留 下载摘要数据（仅允许聚合数据导出）

5. 保存 → 选择 锁定到项目（强制所有内容继承，防止单独修改）

2. 工作簿 / 视图级单独设置（精细化）

1. 打开工作簿 → 右上角 ⋯ → 权限

2. 对目标用户 / 组，关闭：

• 查看数据
• 下载完整数据

3. 保存（仅影响当前工作簿）

3. 数据源级控制（源头管控）

1. 进入数据源 → 权限
2. 关闭 下载数据源、连接（按需）
3. 发布时选择 已发布数据源，并限制连接权限

二、关键权限说明（必关项）

权限项	作用	禁止后效果
查看数据	允许用户右键 “查看数据” 看明细	隐藏 “查看数据” 按钮，无法看原始行
下载完整数据	允许导出全部原始数据（CSV）	禁用 “导出→完整数据”
下载数据源	允许下载 TDSX / 数据源文件	无法下载数据源本地打开
下载摘要数据	仅导出视图聚合数据	可保留（不泄露原始明细）

三、加固方案（彻底防泄露）

1. 锁定项目权限（防止绕开）

• 项目权限设为 锁定到项目 → 内容所有者无法单独修改权限
• 确保所有子项目统一管控

2. 改用数据提取（隐藏原始连接）

• 发布前创建 数据提取（Extract）
• 提取时：
  • 隐藏敏感字段
  • 做预聚合（SUM/COUNT），不保留明细
  • 禁用 “包含所有行”

3. 行级安全（RLS）+ 数据脱敏

• 用 用户筛选器 限制可见数据范围
• 敏感字段（身份证、手机号）做脱敏显示
• 禁止用户查看 / 导出未脱敏字段

4. 站点级全局策略（管理员）

1. 站点 → 设置 → 内容与性能

2. 关闭：

• 允许用户下载工作簿
• 允许用户下载数据源
• 允许用户查看底层数据（全局）

四、操作路径速查

项目级（批量）

项目 → 权限 → 编辑内容权限 → 工作簿 → 拒绝【查看数据 / 下载完整数据】→ 锁定项目

工作簿级（单个）

工作簿 → ⋯ → 权限 → 拒绝【查看数据 / 下载完整数据】

数据源级

数据源 → 权限 → 拒绝【下载数据源 / 连接】

站点全局（管理员）

站点 → 设置 → 内容与性能 → 关闭下载 / 查看数据选项

五、常见误区与最佳实践

• ❌ 只关 “下载”，不关 “查看数据”：用户仍可复制明细
• ❌ 不锁定项目：内容所有者可单独开权限
• ✅ 优先项目级 + 锁定：统一、可审计、不易出错
• ✅ 敏感数据：提取 + 聚合 + RLS 三重防护
• ✅ 审计：开启日志，监控下载 / 查看数据行为

报表如何自动定时发送？

报表自动定时发送，核心是使用订阅功能，按固定周期把视图 / 工作簿以邮件 + 图片 / PDF 附件的形式自动发给指定用户或用户组。

一、前提条件（必须满足）

• 报表已发布到服务器平台（本地桌面端无法订阅）
• 管理员已配置 SMTP 邮件服务、开启站点订阅功能
• 收件人账号已绑定邮箱，并且拥有报表查看权限
• 管理员已创建可用的定时计划（每日 / 每周 / 每月）

二、操作步骤（订阅单个视图 / 工作簿）

1. 登录服务器平台，打开目标视图 / 工作簿

2. 点击顶部工具栏的订阅按钮（邮件图标）

3. 在弹窗中配置：

• 收件人：添加用户 / 组（支持批量）
• 内容范围：仅当前视图 / 整个工作簿
• 计划：选择管理员预设的定时计划（如每日 9 点、每周一）
• 邮件设置：自定义标题、添加正文说明

4. 高级选项：

• 勾选 “不发送空视图”（数据为空时不发邮件）
• 勾选 “包含附件”（PDF / 图片，需管理员开启）

5. 点击订阅完成设置

三、管理员配置（关键前置）

1. 开启站点订阅

进入站点 → 设置 → 常规 → 订阅勾选：

• 允许用户订阅工作簿和视图
• 允许内容所有者为他人订阅
• 允许添加附件（PDF / 图片）设置发件人邮箱与邮件页脚

2. 创建定时计划（供用户选择）

管理员 → 计划 → 新建计划配置：

• 名称（如 “每日早报 9 点”）
• 频率：每日 / 每周 / 每月
• 时间、时区、执行间隔
• 关联任务类型：订阅通知

3. 权限检查

• 确保用户对报表有查看 + 下载图像 / PDF 权限
• 项目建议锁定，防止权限被单独修改

四、高级用法

1. 订阅筛选后视图（个性化）

先在视图上设置筛选器 → 保存为自定义视图对自定义视图订阅，收件人将收到筛选后的数据

2. 批量订阅（管理员 / 项目负责人）

进入项目 → 权限 → 右上角订阅批量为项目内所有报表设置统一订阅规则

3. 数据驱动告警（条件触发）

对数值指标设置阈值（如销售额 > 100 万）数据达标时自动发邮件 / 站内通知，适合异常监控

五、常见问题与排查

• 订阅按钮灰色：未发布到服务端、SMTP 未配置、站点未开启订阅、无权限
• 收不到邮件：检查邮箱、垃圾邮件、SMTP 配置、计划是否生效
• 附件缺失：管理员未开启 “允许添加附件”
• 数据不更新：需配置数据提取刷新计划，确保订阅用最新数据

六、最佳实践

• 统一计划：管理员预设标准计划（如每日 / 每周 / 月报），用户直接选用
• 锁定项目：项目权限锁定，确保所有报表继承统一订阅与权限
• 附件控制：敏感报表禁用附件，仅发图片 + 链接；常规报表可发 PDF
• 监控：管理员在后台任务中查看订阅执行状态与失败日志

Power BI

Power BI是什么？

Power BI 是微软推出的一套商业数据分析与可视化工具，用于把分散的业务数据进行连接、清洗、建模、分析，并制作交互式报表和仪表盘，帮助企业快速发现数据价值、辅助决策。

核心定位

• 自助式 BI 工具：业务人员也能自己做报表，不用完全依赖 IT
• 一站式数据平台：从取数 → 清洗 → 建模 → 可视化 → 分享全流程覆盖

三大核心组件

1. Power BI Desktop：本地免费开发工具，用于建模、写 DAX、制作报表。

2. Power BI Service：云端服务，用于发布、共享、计划刷新、协作、权限管理。

3. Power BI Mobile：手机 / 平板 App，随时随地查看仪表盘。

两个核心引擎

• Power Query：数据获取、清洗、转换（ETL）
• Power Pivot：内存建模 + DAX 计算引擎

主要能力

• 连接几乎所有数据源：Excel、SQL、MySQL、Oracle、Web、API、云端数据库等
• 强大的数据建模：支持星型模型、关系管理、度量值、计算列
• 丰富可视化：柱状图、折线图、地图、卡片、钻取、切片、联动交互
• 云端发布与共享：支持团队协作、行级别权限 RLS、定时自动刷新
• 轻量、易用、上手快，适合中小企业到大型企业使用

Power BI 核心组件有哪些？

Power BI 核心组件主要分为三大客户端 / 服务端产品 + 两大底层引擎，一共 5 个核心部分：

三大产品组件

Power BI Desktop

• 本地免费桌面端工具
• 用于数据连接、清洗、建模、写 DAX、制作报表

Power BI Service（服务 / 云端）

• 微软云平台上的 BI 服务
• 用于发布报表、分享协作、设置定时刷新、权限管理、查看仪表盘

Power BI Mobile

• 移动端 APP（iOS/Android）
• 用于随时随地查看、筛选报表和仪表盘

两大核心引擎

Power Query（M 语言）

• 负责数据获取、清洗、转换（ETL）
• 支持合并查询、追加、透视、数据类型转换等

Power Pivot + DAX

• 内存级数据建模引擎
• 负责建立表关系、度量值、计算列，实现复杂数据分析

Report与Dashboard的区别？

Report（报表）

• 多页画布，由多个视觉对象组成
• 支持交互、筛选、钻取、交叉高亮
• 可以使用 DAX、计算列、度量值
• 用于详细分析、业务复盘

Dashboard（仪表盘）

• 只有一页，由从报表固定过来的 “磁贴” 构成
• 交互很弱：只能点击跳转，不能筛选、不能钻取
• 不能写 DAX，只做展示
• 用于高层监控、关键指标概览

什么是语义模型？

语义模型 = 对原始数据做 “业务化封装” 的逻辑层，让报表、用户不用关心数据库表结构，直接用业务语言做分析。

把复杂的数据库表、关系、字段名，转换成业务能看懂的指标、维度、名称、关系，并统一计算逻辑、权限、格式。

核心作用

统一口径

所有报表共用一套 “销售额、毛利、订单数” 定义，不会出现 A 报表和 B 报表算出来不一样。

简化使用

业务人员不用写 SQL/DAX，直接拖字段就能做报表。

封装复杂逻辑

把关联、筛选、时间计算、权限等复杂逻辑藏在模型里，对外只暴露简单指标。

一次建模，多处复用

一个语义模型可以给：Power BI 报表、分页报表、Excel、第三方工具共用。

Power BI 连接模式是什么？如何选择？

Power BI 主流有 3 种基础连接模式 + 复合 / 混合模式，核心区别在数据是否导入、实时性、性能、建模能力。

三大基础连接模式（核心对比）

1. Import（导入模式，默认）

• 原理：将数据完整加载到 Power BI 内存引擎（VertiPaq），本地 / 云端存储数据副本。
• 数据实时性：非实时，需手动 / 定时刷新（增量 / 全量）。
• 性能：极快，交互响应秒级。
• 建模能力：完全支持 DAX、计算列、度量值、复杂关系、时间智能。
• 限制：数据集大小受限（免费版 1GB，Pro 版 10GB）。
• 适用场景：中小型数据集、离线分析、需要复杂建模、追求极致交互速度。

2. DirectQuery（直接查询）

• 原理：不存储数据，仅存元数据；交互时实时向源数据库发 SQL 查询。
• 数据实时性：准实时，所见即最新。
• 性能：依赖源数据库性能，交互有延迟。
• 建模能力：受限，不支持计算列、部分 DAX 函数、复杂关系。
• 限制：数据源需支持（SQL Server、Oracle、Snowflake 等），高并发会压源库。
• 适用场景：超大数据集、需实时数据、源库性能强、不想频繁刷新。

3. Live Connection（实时连接）

• 原理：直连 SSAS/Azure Analysis Services 等企业级语义模型，复用已有模型。
• 数据实时性：实时，依赖源模型缓存。
• 性能：快，复用源模型优化。
• 建模能力：无建模权，只能用源模型已定义的度量 / 维度。
• 限制：仅支持 SSAS 等分析服务，不能自定义模型。
• 适用场景：企业已有统一数据模型、需强治理、多人复用同一模型。

复合 / 混合模式（进阶）

• Composite Model（复合模型）：同一报表混合 Import + DirectQuery，部分表导入、部分直连。
• Hybrid Tables（混合表）：单表分分区，热数据 DirectQuery、冷数据 Import，兼顾实时与性能。
• Direct Lake（Fabric 专属）：直连 Lakehouse，绕过刷新、保留 Import 性能，适合大数据湖。

如何选择（面试必背决策树）

1. 优先选 Import（绝大多数场景）

• 数据量 ≤10GB、需要复杂 DAX / 建模、追求交互速度、离线可用。

2. 选 DirectQuery

• 数据量极大（TB 级）、必须实时、源库性能好、不想频繁刷新。

3. 选 Live Connection

• 企业已有 SSAS/AAS 统一模型、强数据治理、复用现有度量。

4. 选复合 / 混合

• 既要实时热数据、又要历史数据性能、多源混合分析。

总结

• Import：数据导入内存、性能最快、建模最全、非实时，适合中小数据集。
• DirectQuery：不存数据、实时查询、性能依赖源库、建模受限，适合大数据实时场景。
• Live Connection：直连 SSAS、实时、复用模型、无建模权，适合企业统一模型场景。

什么是 DAX？

DAX（Data Analysis Expressions） 是微软为 Power BI、Power Pivot、SSAS 设计的公式与查询语言，专门用于对数据模型进行计算、聚合、筛选和分析。

简单说：DAX 就是 Power BI 里做复杂计算的 “公式语言”。

核心特点

不是编程语言，是公式语言类似 Excel 函数，但更强大，面向数据模型、表与关系。

区分筛选上下文 & 行上下文这是 DAX 最核心、面试最爱问的概念。

主要用来写两种对象

• 计算列（Calculated Column）：行级别计算
• 度量值（Measure）：聚合与动态计算

有大量内置函数

• 聚合：SUM、COUNT、AVERAGE
• 筛选：CALCULATE、FILTER、ALL
• 时间智能：DATEADD、SAMEPERIODLASTYEAR、TOTALYTD
• 逻辑与文本：IF、AND、OR、CONCATENATE

DAX常用函数及其作用？

一、聚合函数

SUM：对列求和

SUM(Sales[Amount])

AVERAGE：求平均值

COUNT / COUNTA / COUNTBLANK：计数、非空计数、空值计数

MIN / MAX：最小、最大值

二、迭代函数（逐行计算）

SUMX：逐行计算表达式，再求和

SUMX(Sales, Sales[Price] * Sales[Qty])

MAXX / MINX / AVERAGEX：迭代求最大、最小、平均

三、筛选核心函数

CALCULATEDAX： 最重要函数，修改筛选上下文

CALCULATE(SUM(Sales[Amount]), Sales[Region]="华东")

FILTER：对表进行行级筛选

ALL：清除所有筛选

ALLEXCEPT：保留某些列筛选，清除其他

ALLSELECTED：获取当前页面选中的筛选

VALUES / DISTINCT：返回不重复值列表

四、逻辑与判断

IF：条件判断

AND / OR / NOT：

ISBLANK：判断是否为空

COALESCE：空值替换

五、时间智能函数（必考）

SAMEPERIODLASTYEAR：去年同期

DATEADD：日期偏移

DATESYTD / TOTALYTD：年初至今累计

DATESMTD：月初至今

PREVIOUSMONTH：上个月

六、排名与统计

RANKX：排名（TopN 产品、区域）

DIVIDE：安全除法，避免除零错误

七、关系与上下文

RELATED：从关联维度表取数

EARLIER：获取外层行上下文

计算同比、环比、累计销售额、年度累计？

同比（YoY）

销售额 同比 = 
VAR 当前值 = [销售额]
VAR 去年同期 = CALCULATE([销售额], SAMEPERIODLASTYEAR('日期表'[日期]))
RETURN
DIVIDE(当前值 - 去年同期, 去年同期)

环比（MoM）

销售额 环比 = 
VAR 当前值 = [销售额]
VAR 上月 = CALCULATE([销售额], DATEADD('日期表'[日期], -1, MONTH))
RETURN
DIVIDE(当前值 - 上月, 上月)

累计销售额（所有时间）

累计销售额 = 
CALCULATE(
    [销售额],
    FILTER(
        ALLSELECTED('日期表'),
        '日期表'[日期] <= MAX('日期表'[日期])
    )
)

年度累计（YTD）

年度累计销售额 = TOTALYTD([销售额], '日期表'[日期])

CALCULATE函数作用与语法？

1. 作用

CALCULATE 是 DAX 中最核心、最重要的函数。

它的核心作用：执行表达式，并修改筛选上下文。

简单理解：

• 先按你给的条件改变筛选范围
• 再在新的筛选范围内计算表达式

它是实现同比、环比、占比、条件聚合的基础。

2. 语法

CALCULATE( <表达式>, <筛选条件1>, <筛选条件2>, ... )

• <表达式>：通常是聚合函数，如 SUM、COUNT、AVERAGE 等
• <筛选条件>：可以是列条件、表筛选、ALL/ALLEXCEPT 等

3. 简单示例

华东销售额 = 
CALCULATE(
    SUM(Sales[金额]),
    Sales[区域] = "华东"
)

含义：只计算 “华东” 区域的销售总额。

总结

CALCULATE 用于修改筛选上下文，在指定的筛选条件下执行聚合计算，是 DAX 最核心函数。

CALCULATE 执行顺序？

先修改筛选上下文 → 再计算表达式

1. 保存外部原来的筛选上下文

2. 执行所有筛选参数，生成新的筛选上下文

• 添加筛选
• 删除筛选（ALL/REMOVEFILTERS）
• 修改关系（USERELATIONSHIP）
• 跨表筛选（CROSSFILTER）

3. 在新的筛选上下文里，执行第 2 个参数的表达式

4. 恢复原来的上下文

销售额_华东 = 
CALCULATE(
    [销售额],          // ③ 最后计算
    区域[地区] = "华东"  // ② 先应用筛选
)

总结

CALCULATE 先处理所有筛选条件，构建新的筛选上下文，再在新上下文下执行聚合计算。

度量值（Measure）与计算列（Calculated Column）区别？

• 计算列：在数据刷新时计算，结果存在表里，占空间，用行上下文。
• 度量值：在报表交互时动态计算，不存数据，用筛选上下文。

计算列（Calculated Column）

• 计算时机：数据刷新 / 建模时计算一次
• 存储方式：结果保存在模型中，占用内存 / 磁盘空间
• 上下文：默认是行上下文，可以直接引用本行字段
• 筛选：不受报表切片器、筛选器影响
• 用途：行级固定逻辑，比如：
  • 利润 = 售价 - 成本
  • 客单价区间 = 高 / 中 / 低
• 性能：计算一次，查询快；但数据量大时会膨胀模型

度量值（Measure）

• 计算时机：报表筛选、交互、可视化时实时动态计算
• 存储方式：只存公式，不存储结果
• 上下文：受筛选上下文影响（切片器、图表、行 / 列维度都会改变结果）
• 用途：聚合与动态分析，比如：
  • 总销售额 = SUM (金额)
  • 同比、环比、占比、累计
• 性能：计算快，不占存储空间；复杂 DAX 可能影响报表速度

总结

• 计算列：行上下文、刷新时计算、结果存在表中、占用空间、不受筛选器影响。
• 度量值：筛选上下文、交互时动态计算、不存结果、不占空间、随筛选变化。

SUM与SUMX区别？

• SUM：直接对一列数值求和，简单聚合，性能高。
• SUMX：逐行迭代计算，先算每行的表达式，再把结果求和，适合需要行级计算的场景。

SUM

• 语法：SUM(表[列])
• 只能对已存在的列求和
• 不支持行级计算逻辑
• 性能更好

示例：

总销量 = SUM(Sales[数量])

SUMX

• 语法：SUMX(表, 每行要计算的表达式)
• 先遍历表的每一行，计算表达式
• 再把所有行的结果累加
• 支持行与行之间的运算（如 单价 × 数量）

示例：

总销售额 = SUMX(Sales, Sales[单价] * Sales[数量])

总结

• SUM：直接聚合一列，简单、快，不能做行级计算。
• SUMX：迭代函数，逐行计算再求和，支持复杂行逻辑，功能更强。

ALL/ALLEXCEPT/ALLSELECTED区别？

这三个都是修改筛选上下文的核心函数，主要用来清除或保留外部筛选。

1. ALL (表 / 列)

• 作用：清除指定表或列上的所有筛选器
• 无视页面切片器、图表维度、行 / 列分组，直接看全部数据
• 常用于计算占比、总计

示例：

总销售额 = CALCULATE(SUM(金额), ALL(Sales))

2. ALLEXCEPT (表，保留列 1, 保留列 2...)

• 作用：清除表上除指定列以外的所有筛选
• 保留你指定的维度筛选，其他全部忽略
• 适合按某维度分组求分组总计

示例：

各区域总计 = CALCULATE(SUM(金额), ALLEXCEPT(Sales, Sales[区域]))

3. ALLSELECTED()

• 作用：清除内部筛选，保留用户在页面上手动选择的外部筛选
• 只认切片器、筛选器的选择，不受图表内部行列分组影响
• 最常用于占比（占当前所选的百分比）

总结

• ALL：全部都不要筛选，看整体总数
• ALLEXCEPT：除了某几个维度，其他筛选都去掉
• ALLSELECTED：保留用户选的筛选，去掉图表内部分组筛选

时间智能函数怎么用？

时间智能函数必须配合连续、无重复、完整的日期表使用，否则会出错。

一、常用时间智能函数（必考）

1. 去年同期（同比）

销售额_去年同期 = 
CALCULATE(
    [总销售额],
    SAMEPERIODLASTYEAR('日期表'[日期])
)

2. 年初至今累计（YTD）

销售额_YTD = 
TOTALYTD([总销售额], '日期表'[日期])

3. 月初至今累计（MTD）

销售额_MTD = 
TOTALMTD([总销售额], '日期表'[日期])

4. 上个月

销售额_上月 = 
CALCULATE(
    [总销售额],
    PREVIOUSMONTH('日期表'[日期])
)

5. 日期偏移（前 N 天 / 月 / 年）

销售额_上月同期 = 
CALCULATE(
    [总销售额],
    DATEADD('日期表'[日期], -1, MONTH)
)

• 必须建标准日期表：连续、无缺失、标记为日期表
• 不能用事实表日期：否则时间智能计算异常
• 核心场景：同比、环比、累计、同期对比

总结

• SAMEPERIODLASTYEAR：去年同期
• TOTALYTD / TOTALMTD：年 / 月累计
• PREVIOUSMONTH：上个月
• DATEADD：日期偏移必须配合标准日期表使用。

如何实现年度重置的累计值？

核心思路：

1. 使用 CALCULATE + FILTER 限定时间范围
2. 用 EARLIER 或变量获取当前行的年份
3. 只累加同年且日期 ≤ 当前日期的数据
4. 必须使用标准日期表

DAX 公式（计算列写法）

年度累计销售额 = 
CALCULATE(
    SUM(Sales[Amount]),
    FILTER(
        ALL('Date'),
        'Date'[Year] = EARLIER('Date'[Year]) &&
        'Date'[Date] <= EARLIER('Date'[Date])
    )
)

解释

• ALL('Date')：清除日期筛选，保证全局计算
• 'Date'[Year] = EARLIER('Date'[Year])：只保留同一年，实现年度重置
• 'Date'[Date] <= EARLIER(...)：只累加当天及之前的数据

度量值写法（更常用）

年度累计 = 
VAR CurrentDate = MAX('Date'[Date])
VAR CurrentYear = MAX('Date'[Year])
RETURN
CALCULATE(
    [总销售额],
    FILTER(
        ALLSELECTED('Date'),
        'Date'[Year] = CurrentYear &&
        'Date'[Date] <= CurrentDate
    )
)

总结

使用 CALCULATE + FILTER，通过年份判断实现每年重置，只累加同年且小于等于当前日期的数据，配合日期表使用。

EARLIER 作用？

EARLIER 用于获取「外层行上下文」的值，解决嵌套计算中 “内外层区分” 的问题。

在嵌套迭代（如嵌套 SUMX、FILTER、ADDCOLUMNS）里，

• 内层默认只能看到内层的行
• 用 EARLIER(列名) 可以引用外层那一行的值

典型场景

1. 计算列中的排名
2. 按分组累计（年度 / 月度重置累计）
3. 嵌套筛选时引用外层字段

简单示例

排名 = 
RANKX (
    '表',
    EARLIER ( '表'[销售额] ),
    ,
    DESC
)

这里 EARLIER 就是为了拿到当前行的销售额，和整表比较排名。

总结

EARLIER 用于嵌套行上下文中，引用外层行的值，常用于排名、分组累计、嵌套筛选等场景。

SELECTEDVALUE 作用？

SELECTEDVALUE 用于获取当前筛选上下文里的 “单个值”，如果有多个值或没有值，会返回指定的默认值（通常为空）。

核心用途

1. 读取切片器、筛选器当前选中的内容
2. 做动态标题、动态提示、动态计算
3. 避免多值时出现报错

语法

SELECTEDVALUE(列名, [默认值])

简单示例

• 切片器只选了 “华东”：SELECTEDVALUE(区域[区域名]) → 返回 华东
• 没选任何值：SELECTEDVALUE(区域[区域名], "未选择区域") → 返回 未选择区域
• 多选了 “华东、华北”：返回默认值（空或你指定的文字）

VALUES 与 DISTINCT 区别？

• VALUES：返回不重复值 + 可能返回因关系产生的空行
• DISTINCT：只返回真正存在的不重复值，不会多出空行

VALUES (列)

• 返回该列所有不重复的值
• 当表之间关系不完整时（如事实表有维度表不存在的 ID），会自动多返回一行空值
• 常用于需要匹配关系的筛选、计数

DISTINCT (列)

• 只返回数据源中实际存在的不重复值
• 不会额外返回空行，结果更 “纯粹”
• 适合单纯去重、统计唯一数量

总结

VALUES 会包含关系产生的空行，DISTINCT 只返回实际存在的去重值，不会多出空行。

什么是行上下文、筛选上下文？

1. 筛选上下文（Filter Context）

• 是什么：一组 “筛选条件” 构成的环境，决定哪些行可见。
• 来自哪里：切片器、页面筛选、视觉筛选、CALCULATE 内部条件。
• 特点：全局生效，对整个度量 / 计算起过滤作用。

筛选上下文 = 过滤范围。

2. 行上下文（Row Context）

• 是什么：逐行迭代时，当前行的环境。
• 来自哪里：计算列、SUMX / FILTER / MAXX 等迭代函数。
• 特点：只针对当前一行，知道这一行的字段值。

行上下文 = 当前行。

3. 最经典区分例子

总销售额 = SUM(表[金额])    // 用的是筛选上下文
行计算 = SUMX(表, [单价] * [数量])  // 内部是行上下文

4. 总结

• 筛选上下文：决定哪些行可见，来自切片器、筛选、CALCULATE。
• 行上下文：迭代时当前行的环境，用于逐行计算。

什么是上下文转换？

上下文转换 = 行上下文 自动转换成 筛选上下文

当在行上下文（计算列、SUMX、FILTER 里）直接调用度量值时，DAX 会自动把 “当前这一行” 变成筛选条件，这就叫上下文转换。

典型场景

1. 计算列中引用度量值
2. 迭代函数（SUMX、MAXX）内部调用度量值

简单例子

行销售额 = [总销售额]

• 这是计算列，本身处于行上下文
• 但 [总销售额] 是度量，需要筛选上下文
• 所以 DAX 自动把当前行的维度（产品、日期等）变成筛选，去计算对应值

总结

在行上下文里调用度量时，DAX 自动将当前行转为筛选条件，这个过程就是上下文转换。

切片器如何实现多选、搜索、树形结构？

多选（Multi-select）

1. 开启多选（默认关闭）

1. 选中切片器 → 右侧「格式」→「切片器设置」→「选择」
2. 关闭「单选」（Single select），即可直接点选多个值（无需 Ctrl）
3. 多选逻辑：默认OR（满足任一）；如需AND（同时满足），用 DAX 或双向筛选

2. 多选常用操作

• 点选：直接点击多个选项
• 全选 / 反选：点击切片器顶部「全选」
• 清除：点击「清除选择」

搜索（Search）

1. 开启搜索（原生支持）

1. 选中切片器 → 「格式」→「切片器设置」→「常规」
2. 打开「搜索」（Search），切片器顶部出现搜索框
3. 输入关键词，自动过滤匹配项（支持模糊匹配）

2. 适用场景

• 长列表（如省份、产品、客户）
• 树形 / 层级切片器（搜索穿透所有层级）

树形 / 层级结构（Hierarchy）

1. 两种实现方式（推荐：直接拖入多字段）

方式 1：直接拖入多字段（最快）

1. 插入「列表切片器」（List Slicer，预览功能需先开启：文件→选项和设置→选项→预览功能→勾选「List Slicer visual」）
2. 按层级顺序拖入字段（如：国家→省份→城市、类别→子类别→产品）
3. 自动生成树形，可展开 / 折叠，支持多选 + 搜索

方式 2：先创建层次结构（模型层）

1. 数据窗格 → 右键顶级字段（如「类别」）→「创建层次结构」
2. 右键下级字段（如「子类别」）→「添加到层次结构」→ 选择刚创建的层次结构
3. 将层次结构拖入切片器，效果同上

2. 树形切片器格式优化

• 展开 / 折叠图标：格式→层次结构→展开 / 折叠→选择「V 形 / 加 / 减 / 脱字号」
• 缩进调整：格式→层次结构→级别→修改「渐变布局缩进」
• 混合状态样式：选中部分子项时，父项显示「混合」状态，可自定义颜色

总结

• 多选：关闭切片器「单选」，直接点选多值；默认 OR，AND 需 DAX / 双向筛选。
• 搜索：开启切片器「搜索」，顶部出现搜索框，支持模糊过滤。
• 树形：用列表切片器，按顺序拖入多层字段，自动生成可展开 / 折叠的层级，支持多选 + 搜索。

常见问题

1. 找不到列表切片器？

→ 开启预览功能：文件→选项→预览功能→勾选「List Slicer visual」，重启 Power BI

2. 树形不显示？

→ 确保用「列表切片器」，而非传统「切片器」；按层级顺序拖入字段

3. 多选是 OR，想改成 AND

？→ 用 DAX 度量值（如FILTER(表, 字段 IN {值1,值2})）或设置双向筛选

如何设置默认筛选/默认切片器值？

在 Power BI 中，默认筛选 / 切片器值分两种场景：固定默认值（打开就选好）、动态默认值（自动选最新 / 当前），以及默认不选。下面是最常用、最稳的方法（面试 + 实操版）。

固定默认值（最常用：书签法）

适合：打开报表时，切片器默认选中某几个固定值（如 “华东”“2025 年”）。

步骤

1. 在报表页，手动选中切片器要默认的选项（如 “华东”）。

2. 顶部菜单 → 视图 → 打开 书签窗格。

3. 点击 添加，新建一个书签（命名如 “默认视图”）。

4. 右键该书签 → 设为默认状态。

5. 保存报表。

• 效果：每次打开 / 刷新，切片器自动选中你预设的选项。

动态默认值（自动选最新 / 当前）

适合：默认选中最新日期 / 当前月份 / 最新版本，随数据自动更新。

方法 1：DAX 度量值 + 高级切片器（推荐）

1. 新建度量值（返回 1 = 默认，0 = 非默认）

默认选中_当前月 = 
VAR 当前月 = MONTH(TODAY())
RETURN
IF(SELECTEDVALUE('日期表'[月份序号]) = 当前月, 1, 0)

2. 使用高级切片器（如 “切片器 Pro”）：

• 把字段拖入切片器。
• 格式 → 默认选择 → 选择上面的度量值。
• 应用后：自动选中当前月。

方法 2：DAX 计算列（原生切片器）

在维度表新增一列，标记默认项：

默认月份 = 
IF('日期表'[月份序号] = MONTH(TODAY()), "当前月", '日期表'[月份名称])

用 [默认月份] 做切片器，默认选中 “当前月”。

默认筛选（页面 / 所有页默认过滤）

适合：报表打开就自动过滤（如只看 “已完成” 订单）。

步骤

1. 右侧 筛选器 窗格 → 拖入字段（如 “订单状态”）。

2. 选中要默认的筛选值（如 “已完成”）。

3. 保存报表。

• 效果：打开报表时，该筛选自动生效；用户可手动清除。

默认 “不选任何值”（无默认）

适合：打开时切片器为空，用户手动选择。

步骤

1. 选中切片器 → 格式 → 选择。
2. 关闭 显示 “全选” 选项。
3. 筛选器 → 默认值 → 选择 (无)。
4. 保存。

什么是垂直筛选、水平筛选？

在 Power BI（DAX & 数据筛选）里，垂直筛选和水平筛选是两种最基础的筛选方式，用来描述按什么维度、怎么切数据，面试常考概念对比。

1. 垂直筛选（行筛选 / 筛选行）

定义：对表进行行级别过滤，只保留满足条件的行，减少行数。

• 本质：缩小行范围
• 关键词：WHERE、FILTER、CALCULATE 筛选条件、RLS 行权限

例子

CALCULATE([销售额], '产品'[类别] = "手机")

只保留 “产品类别 = 手机” 的那些行，其他行都过滤掉 → 垂直筛选。

垂直筛选 = 筛行，从上往下切，只留符合条件的行。

2. 水平筛选（列筛选 / 筛选列）

定义：只查询 / 展示表中的部分列，不改变行数，只减少列数。

• 本质：缩小列范围
• 关键词：SELECTCOLUMNS、SUMMARIZE、VALUES、查询投影

例子

SUMMARIZE('销售表', '日期'[年月], "销售额", [销售额])

只取出 “年月” 和 “销售额” 两列，其他列都不要 → 水平筛选。

水平筛选 = 筛列，从左往右切，只留需要的列。

类型	筛选对象	结果变化	典型函数
垂直筛选	行	行数变少	FILTER、CALCULATE、RLS
水平筛选	列	列数变少	SELECTCOLUMNS、SUMMARIZE、VALUES

总结

垂直筛选是按条件过滤行，水平筛选是只选择需要的列；一个控制行数，一个控制列数，共同决定最终查询的数据量。

如何实现用户选择日期范围计算？

一、最简单：直接用切片器 + 普通度量值

1. 放一个 日期切片器（Between / 介于）

2. 写正常度量值：

所选区间销售额 = SUM(销售表[金额])

3. 报表中用户拖动日期范围 → 度量值自动按筛选计算。

适用：绝大多数简单场景。

二、高级：独立日期表 + DAX 捕获所选范围（推荐）

如果你的日期需要不受其他筛选影响、或要做同期对比、同环比，用这种。

步骤

1. 建一张独立日期表（标记为日期表）
2. 用切片器放 日期表[日期]（Between）
3. 用 DATESBETWEEN 捕获用户选择的起止：

所选范围销售额 = 
VAR StartDate = MIN(日期表[日期])
VAR EndDate   = MAX(日期表[日期])
RETURN
CALCULATE(
    [总销售额],
    DATESBETWEEN(日期表[日期], StartDate, EndDate)
)

优点：

• 可自由扩展：同期、环比、完成率、排名都能基于这两个变量写
• 不受其他筛选器干扰，逻辑干净可控

三、常用扩展：同期对比

所选范围同期销售额 = 
VAR StartDate = MIN(日期表[日期])
VAR EndDate   = MAX(日期表[日期])
VAR PY_Start  = EDATE(StartDate, -12)
VAR PY_End    = EDATE(EndDate, -12)
RETURN
CALCULATE(
    [总销售额],
    DATESBETWEEN(日期表[日期], PY_Start, PY_End)
)

总结

使用日期切片器让用户选择范围，通过 MIN/MAX 获取起止日期，再用 DATESBETWEEN 精确控制计算区间，可灵活实现范围汇总、同期、环比等需求。

星型模型与雪花模型区别？

• 星型模型：维度表不拆分，一层到底，结构像星星。
• 雪花模型：维度表继续规范化拆分，多层嵌套，结构像雪花。

星型模型（Star Schema）

• 结构：1 张事实表 + 多个直接关联的维度表
• 维度表：不拆分，冗余字段多（比如地区表直接存：省、市、区）
• 关系：简单清晰，都是一对多
• 查询：少关联，速度快
• 维护：简单，适合分析场景

雪花模型（Snowflake Schema）

• 结构：维度表继续拆分成子维度表
• 示例：地区表 → 省表 → 市表 → 区表
• 优点：减少冗余、节省存储
• 缺点：关联多、查询慢、复杂度高
• 适用：传统数据库规范化设计，不适合 BI 分析

Power BI 中推荐哪个？为什么？

强烈推荐星型模型

• 更符合 Power BI 引擎 VertiPaq 优化逻辑
• 减少表关系，提升查询与刷新性能
• DAX 公式更简单、不易出错
• 业务理解成本低，便于维护

总结

• 星型模型：维度表不拆分，冗余高、结构简单、查询快，Power BI 首选。
• 雪花模型：维度表多层拆分，冗余低、关联多、查询慢，不适合 BI 分析。

Power BI 建模关系有什么？

一、四种关系类型

一对多（One to Many）

• 最常用、最推荐
• 例：产品表（一）→ 销售表（多）
• 维度表主键关联事实表外键

多对一（Many to One）

• 本质和一对多一样，只是方向反过来
• 销售表（多）→ 产品表（一）

一对一（One to One）

• 两张表记录一一对应
• 一般用于拆分宽表，不建议滥用

多对多（Many to Many）

• 两边都不唯一
• 性能差、DAX 易出错
• 尽量用桥接表拆解，不推荐直接使用

两种筛选方向

单向筛选（默认）

• 维度表 → 事实表
• 性能稳定、逻辑清晰，推荐使用

双向筛选

• 两边可以互相筛选
• 容易造成歧义、性能下降、DAX 计算错误
• 只在特殊场景（如多表筛选）谨慎开启

总结

Power BI 关系有：一对多、多对一、一对一、多对多。

• 日常建模优先一对多，用星型模型。
• 筛选方向默认单向，尽量少用双向和多对多关系。

如何处理多对多关系？

Power BI 支持两种 “多对多”

1. 原生多对多关系（直接建关系，不推荐）
2. 桥接表方案（建模规范，企业项目首选）

原生多对多关系（简单但坑多）

• 直接在两个表之间建立 多对多关系
• 优点：快、省事
• 缺点：
  • 性能差
  • DAX 计算容易歧义
  • 筛选逻辑复杂难排查
  • 不适合大数据量

面试必说：不推荐直接使用，只适合临时、简单场景。

标准解决方案：桥接表（Bridge Table）

核心思路

把 多对多 → 拆成两个一对多

• 表 A ←一对多→ 桥接表 →一对多→ 表 B

做法

1. 提取两个表的关联字段，生成一张唯一关联表例如：学生表 ↔ 课程表 → 生成「学生 - 课程选课表」
2. 用桥接表分别与两张表建立一对多单向关系
3. 原表之间不再直接关联

优点

• 逻辑清晰
• 性能好
• DAX 稳定不出错
• 符合星型模型规范

DAX 方案：使用 CROSSFILTER

适合不想改模型的场景：

CALCULATE (
    [度量值],
    CROSSFILTER (表1[列], 表2[列], Both)
)

手动修改关系方向，临时实现多对多筛选。

总结

• Power BI 支持原生多对多关系，但性能差、易出错，不推荐。
• 标准做法是建立桥接表，把多对多拆成两个一对多关系，符合星型模型。
• 也可以用 DAX 的 CROSSFILTER 临时修改筛选方向。
• 企业项目优先用桥接表方案。

双向筛选什么时候用？有什么风险？

什么时候用双向筛选

1. 多对多关系场景：两个维度表之间无法直接筛选，需要通过事实表双向打通。
2. 维度表需要互相筛选：比如：筛选「产品类别」要自动过滤「门店」，或反过来。
3. 桥接表（Bridge Table）场景：处理多对多关系时，必须开启双向筛选才能正常联动。

有什么风险（高频考点）

1. 歧义筛选路径（Ambiguous Paths）：筛选有多条路线可走，引擎不知道走哪条，结果不可控。
2. 性能下降：双向筛选会扩大筛选范围、生成更复杂的查询，大模型明显变慢。
3. 逻辑混乱、结果错误：筛选传播超出预期，切片器一选，不该变的数据也跟着变。
4. 容易造成循环依赖：模型关系复杂时，极易出现循环筛选路径。
5. 时间智能函数异常：日期表与事实表双向筛选会导致 YTD、同比等计算出错。

什么是无效关系（虚线关系）？

当模型中出现多条可能的筛选路径，引擎无法确定该用哪条关系进行筛选，这条关系就会被自动设为非活动关系（虚线），不会自动生效。

最常见场景：

• 一张事实表，对应多个日期字段（订单日期、发货日期、完成日期），都关联日期表
• 系统只能激活一条日期关系，其他自动变成虚线无效关系

怎么激活使用

必须用 DAX 函数 USERELATIONSHIP 手动指定启用哪条虚线关系。

示例：

发货销售额 = 
CALCULATE(
    [销售额],
    USERELATIONSHIP(订单表[发货日期], 日期表[日期])
)

总结

无效关系就是非活动关系（虚线），因模型存在多条筛选路径导致引擎无法自动使用，必须通过 USERELATIONSHIP 函数手动激活才能生效。

为什么不建议一对多关系把“一”方设为事实表？

因为这违背了星型模型设计规范，会导致筛选逻辑错乱、性能极差、时间智能函数失效。

1. 模型逻辑完全颠倒

• 标准模型：事实表 = 多端，维度表 = 一端
• 如果你把事实表设为 “一” 端，相当于：
  • 一张订单对应一万个产品
  • 一天对应一万条日期完全不符合业务逻辑。

2. 筛选方向完全错误

• 正常：维度表筛选事实表（选日期 → 过滤订单）
• 颠倒后：事实表试图筛选维度表切片器、图表筛选会大面积失效或结果错误。

3. 性能急剧下降

• 事实表数据量通常千万 / 亿级

• 让大表当 “一端”，引擎做扩展、去重、关系匹配时计算爆炸。

4. 时间智能函数直接不能用

日期表必须是 “一端”、事实表 “多端”，否则 TOTALYTD、SAMEPERIODLASTYEAR 全部计算错误。

5. 关系易歧义、模型不稳定

• 多表关联时会出现循环路径、 ambiguous paths

• 报表容易卡顿、报错、结果不可复现。

总结

事实表应该永远是一对多关系中的 “多” 端，维度表是 “一” 端。如果把事实表设为 “一” 端，会导致业务逻辑颠倒、筛选错误、性能极差、时间智能函数失效，完全不符合星型模型规范。

缓慢变化维度 SCD 怎么处理？

SCD（Slowly Changing Dimension）：维度表中的属性会随时间缓慢变化，比如客户所属部门、员工岗位、产品分类、门店区域等。

1. SCD Type 1（直接覆盖）

• 做法：旧数据直接覆盖，不保留历史
• 优点：简单、不占空间
• 缺点：无法追溯历史
• 适用：不重要、不需要历史记录的字段

2. SCD Type 2（新增行，最常用）

• 做法：不修改旧数据，新增一行记录，并增加字段：
  • 生效开始日期
  • 生效结束日期
  • 是否当前有效（IsCurrent）
• 优点：完整保留历史版本
• 缺点：数据量会变大
• 适用：需要历史分析、审计、合规场景

3. SCD Type 3（新增列）

• 做法：加一列存旧值，如：原部门、现部门
• 优点：简单、能看前后变化
• 缺点：只能保留少量历史，不适合多次变更

Power BI 中实际怎么处理？

企业里90% 用 Type 2：

1. 给维度表加：StartDate、EndDate、IsCurrent
2. 数据更新时，旧记录标为失效，插入新记录
3. 报表筛选时按日期匹配对应版本

什么是代理键（Surrogate Key）？为什么用？

什么是代理键？

代理键是一张表中没有业务含义、人工创建的唯一标识符，通常是：

• 自增数字（1,2,3…）
• 或 GUID
• 不对应业务字段（如订单号、身份证号、商品编码）

与之相对的是业务键（自然键），比如：用户 ID、订单号、商品编码。

为什么要用代理键？

1. 稳定性更强

业务键可能会变（如商品编码升级、企业统一社会信用代码变更），代理键永远不变，避免关系断裂。

2. 提升关联性能

数字类型比字符串、复合键更小、更快，Power BI 建模和查询性能更好。

3. 避免复合主键

业务中经常需要多字段联合唯一，用代理键可以简化成单字段关联，模型更清爽。

4. 兼容缓慢变化维（SCD）

维度表记录发生变化（如用户改名、部门调整）时，代理键能保留历史版本，适合数据仓库。

总结

• 代理键：无业务含义、人工生成的唯一主键，一般为自增数字。
• 作用：关系更稳定、性能更好、简化模型、支持历史维度管理。

如何在PowerBI中创建代理键？

在 Power BI 中创建代理键，优先用 Power Query 加索引列（最稳、最快、最推荐），其次是 DAX 计算列（适合按特定规则排序）。下面给你可直接照做的步骤与代码。

方法 1：Power Query 索引列（推荐 ✅）

1. 操作步骤（可视化）

1. 打开 Power BI Desktop → 选中表 → 点击「转换数据」进入 Power Query 编辑器。
2. 左侧「查询」面板选中要加代理键的维度表（如 Dim_Product、Dim_Customer）。
3. 顶部「添加列」→「索引列」→ 选「从 1 开始」（建模常用，避免 0 歧义）。
4. 重命名列（如 ProductKey、CustomerKey）→ 确认数据类型为「整数」。
5. 点击「关闭并应用」，加载到模型。

2. 对应 M 代码（可直接复制）

// 给当前表添加从1开始的索引列，命名为 代理键
= Table.AddIndexColumn(上一步, "代理键", 1, 1, Int64.Type)

3. 优点

• 自动随数据刷新更新，性能最好。
• 无重复、无空值，天然适合做主键。
• 适合所有维度表，尤其缓慢变化维（SCD）。

方法 2：DAX 计算列（按业务规则排序）

适合需要按特定字段排序生成序号的场景（如按日期、按名称）。

1. 公式（按某列排序生成唯一序号）

代理键 = 
RANKX(
    ALL('表名'),
    '表名'[排序依据列],
    ,
    ASC,  // 升序
    DENSE // 密集排名（无跳号，保证连续）
)

2. 示例（按产品名称排序）

ProductKey = 
RANKX(
    ALL(Dim_Product),
    Dim_Product[ProductName],
    ,
    ASC,
    DENSE
)

3. 注意

• 必须有唯一排序依据，否则可能重复。
• 大数据量下性能不如 Power Query 索引。

方法 3：合并业务键生成（复合键场景）

当业务键是多列组合（如 品牌+型号），先合并成单列，再生成代理键。

1. Power Query 步骤

1. 选中多列（如 Brand + Model）→「添加列」→「合并列」。
2. 分隔符用无意义字符（如 |）→ 命名为 NaturalKey。
3. 再添加「索引列」作为最终 代理键。

2. M 代码

// 1. 合并业务键
= Table.CombineColumns(源, {"Brand", "Model"}, Combiner.CombineTextByDelimiter("|", QuoteStyle.None), "NaturalKey")
// 2. 添加代理键
= Table.AddIndexColumn(上一步, "ProductKey", 1, 1, Int64.Type)

建模最佳实践（面试 / 项目必用）

1. 只给维度表加代理键，事实表用对应外键关联。
2. 代理键命名规范：表名Key（如 CustomerKey、DateKey）。
3. 模型中：维度表代理键 = 主键，事实表同名列 = 外键，建立一对多单向关系。
4. 日期表建议用 DateKey（整数，如 20260331），既稳定又兼容时间智能。

总结

• 常规场景：Power Query 索引列（从 1 开始） → 最稳最快。
• 需排序：DAX RANKX(DENSE) → 按业务规则生成。
• 复合键：先合并业务键，再加索引 → 解决多列唯一问题。

如何实现动态行列转换？

在 Power BI 里实现动态行列转换（也叫动态透视、动态矩阵），核心思路只有一套：用度量值 + 切片器控制显示的字段，实现用户切换维度时，矩阵行列自动变化。

1. 标准做法：动态行 / 动态列（最常用）

步骤

1. 建一个参数表（维度选择表）手动建表，写入你要切换的维度名称，例如：

• 产品类别
• 区域
• 年月
• 客户等级

2. 写一个「动态行维度」度量值

动态行 =
SWITCH(
    SELECTEDVALUE('参数表'[选择]),
    "产品类别", SELECTEDVALUE('产品'[类别]),
    "区域",     SELECTEDVALUE('区域'[名称]),
    "年月",     SELECTEDVALUE('日期'[年月]),
    "客户等级", SELECTEDVALUE('客户'[等级])
)

3. 把这个度量值放入矩阵的 “行”

切片器选择不同维度 → 矩阵行自动变化。

4. 同理做「动态列」度量值

动态列 =
SWITCH(
    SELECTEDVALUE('参数表'[列选择]),
    "渠道", SELECTEDVALUE('渠道'[类型]),
    "支付方式", SELECTEDVALUE('订单'[支付方式])
)

5. 值放你的指标（销售额、数量等）

效果：切片器切换 → 矩阵行列自动变，实现动态行列转换。

2. 进阶做法：动态字段（字段参数 Field Parameters）

Power BI 内置功能，最简单、最稳定。

1. 建模 → 新建参数 → 字段参数
2. 勾选你要动态切换的字段（产品、区域、日期、客户等）
3. 把生成的参数字段直接拖进矩阵的行 / 列
4. 自动出现切片器，切换即可动态变行列

优点：

• 不用写 DAX
• 性能最好
• 支持多级层次
• 官方推荐

总结

动态行列转换就是用字段参数或 SWITCH+SELECTEDVALUE 动态度量值，让用户通过切片器切换矩阵的行、列维度，实现灵活的动态透视表。

Power Query常用操作？

Power Query 主要负责数据获取、清洗、转换（ETL）

数据导入：连接各种数据源：Excel、CSV、SQL、MySQL、Web、文件夹等。

行列处理：删除无用行列、提升首行作为标题、移动行列、重命名列。

数据类型修改：将文本改为数字、日期、布尔值，避免建模报错。

删除重复值 & 处理空值：去重；空值填充上一行 / 下一行、替换为 0 或平均值。

拆分列 & 合并列：按分隔符 / 位置拆分；多列合并成一列。

透视 & 逆透视：宽表转长表、长表转宽表，适配建模。

追加查询（纵向合并）：多个结构相同的表上下拼接（如多个月份 Excel）。

合并查询（横向关联）：类似 SQL 的 Join，按关键字段左联、内联等。

添加条件列 / 自定义列：用 IF 逻辑做分组、打标签；写 M 语言实现复杂计算。

分组聚合：按字段分组求和、计数、平均值。

什么是查询折叠（Query Folding）？

查询折叠是 Power Query 的一项核心优化能力，指：Power Query 会自动把你做的清洗、转换步骤，翻译成数据源的原生查询语句（如 SQL），在数据源服务器端直接执行，而不是把所有数据加载到本地再处理。

简单说：让数据在源头处理完，只把结果传回 Power BI，而不是把全量数据拉回来再算。

核心作用

大幅提升性能：减少数据传输量，速度快很多。

减轻本地压力：不用加载全量数据到内存。

支持增量刷新：必须开启查询折叠，才能用增量刷新。

大数据量必备：百万 / 亿级数据清洗，必须依赖查询折叠。

怎么判断是否生效？

在 Power Query 中：

• 右键步骤 → 看 View Native Query（查看原生查询）
• 如果可点击、能看到 SQL → 折叠生效 ✅
• 如果灰色不可点 → 未生效 ❌

哪些操作支持 / 不支持？

• ✅ 支持：筛选、排序、删列、合并、追加、分组、替换
• ❌ 不支持：添加索引列、添加自定义 M 列、透视、部分复杂转换

总结

查询折叠是 Power Query 的优化机制，将数据转换步骤翻译成数据源的原生查询，在源头执行，只返回结果。优点是性能快、省流量、支持增量刷新，是大数据处理的关键。

如何处理缺失值/空值？

Power Query 中处理（源头清洗，推荐）

1. 删除空行 / 空列

直接删掉全为空或无用的行、列。

2. 填充空值

• 向上填充（Fill Up）
• 向下填充（Fill Down）常用于日期、类别字段连续空缺。

3. 替换空值

• 数值列空值 → 替换为 0
• 文本列空值 → 替换为 “未知”“其他”

4. 根据条件替换

使用 替换值、条件列，按业务逻辑给默认值。

DAX 中处理（报表层面，不改动源数据）

ISBLANK 判断是否为空

处理后销量 = IF(ISBLANK([销量]), 0, [销量])

COALESCE 空值替换（简洁写法）

处理后销量 = COALESCE([销量], 0)

DIVIDE 安全除法

避免分母为空导致报错，自动返回空或 0。

计算列 / 度量值兜底

对筛选后无数据的情况返回 0 或提示文本。

总结

处理空值分两种方式：

1. Power Query：删除空行空列、上下填充、替换为 0 或指定文本。
2. DAX：用 ISBLANK、COALESCE 判断并替换为空或 0，用 DIVIDE 避免除零错误。

如何实现同环比为空白时不显示错误？

先判断分母是否为空 → 再用 IFERROR / IF + ISBLANK 包裹，返回空白不报错。

方法 1：IFERROR（最简单）

环比增长率 =
IFERROR(
    DIVIDE([本期] - [上期], [上期]),
    BLANK()
)

• 出现错误（除以 0、无数据）直接返回 空白
• 不显示 Infinity、NaN、0

方法 2：IF + ISBLANK（更严谨，推荐）

环比增长率 =
VAR 本期值 = [本期]
VAR 上期值 = [上期]
RETURN
IF(
    ISBLANK(上期值) || 上期值 = 0,
    BLANK(),
    DIVIDE(本期值 - 上期值, 上期值)
)

• 只有上期有值且不为 0 时才计算
• 否则直接空白，不显示错误

同比版本（完全一样逻辑）

同比增长率 =
IF(
    ISBLANK([去年同期]) || [去年同期] = 0,
    BLANK(),
    DIVIDE([本期] - [去年同期], [去年同期])
)

总结

用 IF + ISBLANK 判断上期 / 去年同期是否为空，为空返回 BLANK ()，否则再计算同环比，避免除以零或无数据导致的错误显示。

追加查询（Append）与合并查询（Merge）区别？

• Append：行拼接（上下叠加）
• Merge：列拼接（左右关联，类似 SQL JOIN）

Append（追加）

• 作用：把结构相同的多个表，按行上下拼在一起
• 效果：行数变多，列数不变
• 场景：多个月份 Excel、多个地区相同表、分表合并
• 类比：把两摞相同格式的纸叠在一起

Merge（合并）

• 作用：根据关联字段把多个表按列左右拼在一起
• 效果：列数变多，行数可不变
• 场景：订单表 + 客户表、事实表 + 维度表
• 类比：根据学号把学生表和成绩表拼在一起

总结

Append 是行追加，上下叠表；Merge 是列合并，按关键字段左右关联（JOIN）。

什么是自定义函数？

自定义函数就是把一段重复使用的 Power Query 步骤封装起来，取个名字，以后可以重复调用，避免重复写代码。

核心特点

1. 可复用：同样的数据处理逻辑（导入文件、清洗格式、计算逻辑），只写一次，到处调用。
2. 带参数：可以传入参数（如文件名、日期、路径），灵活处理不同数据。
3. 简化代码：让查询结构更清晰，维护更方便。

典型使用场景

• 批量导入多个格式相同的 Excel/CSV
• 统一清洗列名、格式、数据类型
• 批量处理文件夹内所有文件
• 重复使用的复杂计算逻辑

总结

自定义函数是将重复的 Power Query 逻辑封装成可调用的函数，传入参数即可重复使用，用于简化代码、批量处理数据。

如何导入文件夹下所有 Excel？

1. 获取数据 → 从文件夹
2. 选择文件夹路径 → 确定
3. 点击 “合并并加载至” → 合并并编辑
4. 在弹出窗口中，选择要加载的 Sheet（通常选 Sheet1）
5. 加载后 PQ 会自动合并所有 Excel 为一张表
6. 检查并修正列名、数据类型 → 关闭并应用

如何处理合并后的重复列名？

1. 合并前重命名：在合并前先给各表前缀 / 后缀，避免重名
2. 使用 Table.PrefixColumns 批量加前缀
3. 删除多余重复列：只保留主表字段
4. 合并后手动重命名冲突列

报表/模型慢的优化思路？

减少数据量、简化计算、优化引擎、规范建模。

1. 数据层优化（最有效）

• 只加载需要的列和行删除无用列、用筛选条件减少行，避免全量导入。
• 使用查询折叠让数据在源头处理，减少传输与计算。
• 使用 Import 模式大数据量尽量用导入模式，DirectQuery 容易慢。
• 使用增量刷新只刷新最新数据，历史数据不动，大幅提速。

2. 建模层优化

• 使用星型模型避免雪花模型、减少多对多关系。
• 减少计算列能在 Power Query 做的不在 DAX 做，计算列会膨胀模型。
• 避免重复数据删除重复行、合并冗余表。
• 使用整数代理键数字关联比字符串快很多。

3. DAX 计算优化

• 多用度量值，少用计算列度量值按需计算，不占存储空间。
• 避免复杂迭代嵌套少用嵌套 FILTER、SUMX，改用 CALCULATE 简化。
• 使用变量（VAR）避免重复计算，提升可读性与速度。
• 关闭不必要的总计行总计会额外计算，慢的报表可以关掉。

4. 可视化层优化

• 减少页面视觉对象数量一个页面不要放太多图表。
• 避免使用复杂自定义视觉对象第三方视觉对象性能差。
• 减少使用高亮、交互、钻取动画交互多会触发多次 DAX 计算。
• 关闭自动日期 / 时间智能避免自动生成隐藏日期表造成冗余。

5. 服务与存储优化

• 使用 Power BI Premium/Embedded 提升算力
• 清理模型元数据、刷新数据集
• 避免过大图片、过多书签

增量刷新（Incremental Refresh）配置步骤？

增量刷新核心是只刷新新增 / 变更数据、保留历史分区，大幅提升大数据集刷新速度，必须依赖查询折叠。

一、前提条件（必满足）

1. 事实表必须有日期 / 时间列（如 OrderDate、CreateTime），且类型为 Date/Time。
2. 数据源支持查询折叠（SQL、Snowflake、Databricks 等，CSV/Excel 本地文件不支持）。
3. 发布到 Power BI 服务（Pro/Premium 均可，实时数据需 Premium）。

二、详细配置步骤（6 步）

1. 进入 Power Query 编辑器

Power BI Desktop → 主页 → 转换数据（Transform Data）。

2. 创建两个保留参数（区分大小写）

主页 → 管理参数（Manage Parameters） → 新建参数。

参数 1

• 名称：RangeStart
• 类型：Date/Time
• 当前值：设为近 1 个月 / 1 周的小范围日期（如 2026-01-01），避免 Desktop 加载全量数据。

参数 2

• 名称：RangeEnd
• 类型：Date/Time
• 当前值：DateTime.LocalNow ()（今天）。

点击 确定。

3. 用参数筛选日期列（关键）

选中日期列 → 右键 → 筛选器 → 自定义筛选器。条件：日期列 >= RangeStart 且 日期列 < RangeEnd（必须用 < 避免重复）。

点击 确定 → 关闭并应用（Close & Apply）。✅ 验证：右键步骤 → 查看原生查询（View Native Query）可点，说明查询折叠生效。

4. 配置增量刷新策略

回到报表视图 → 右侧数据面板 → 右键目标表 → 增量刷新（Incremental Refresh）。开启 增量刷新 开关。

配置核心策略（示例）：

• 存储过去：5 年（保留 5 年历史数据）。
• 刷新最近：10 天（每次只刷新最近 10 天数据）。
• 检测数据更改（Detect Data Changes）：勾选（按日期 / 更新时间识别变更，推荐）。
• 仅刷新完整周期：按需勾选。

点击 应用。

5. 保存并发布到 Power BI 服务

保存 .pbix → 发布到目标工作区（Pro/Premium）。⚠️ 重要：发布后不能从 Desktop 重新发布，会清空分区与历史数据；后续改结构用 ALM Toolkit 或 TMSL。

6. 服务端执行首次刷新

进入 Power BI 服务 → 数据集 → 立即刷新。首次刷新会加载全部历史数据（按 “存储过去” 设置）；后续刷新仅处理 “刷新最近” 窗口内数据。

总结

• 准备：事实表有日期列、查询折叠生效。
• 建参数：RangeStart、RangeEnd（Date/Time）。
• 筛选：日期 >= RangeStart 且 < RangeEnd。
• 设策略：开启增量刷新，配置存储周期与刷新窗口。
• 发布到服务，执行首次全量刷新，后续增量刷新。

常见坑

• ❌ 日期列类型不是 Date/Time → 无法配置。
• ❌ 查询折叠失效 → 增量刷新不生效，仍全量拉取。
• ❌ 用 <= RangeEnd → 数据重复。
• ❌ 发布后重新从 Desktop 发布 → 丢失历史分区。

聚合（Aggregations）是什么？

聚合（Aggregations）有两层核心含义：基础聚合（计算）与性能聚合（缓存）。前者是数据汇总的计算逻辑，后者是解决大数据 / DirectQuery 性能瓶颈的高级建模技术。

基础聚合（Aggregation）：数据汇总计算

定义：对多行数据按维度分组，执行求和、平均、计数、最大 / 最小等统计运算，得到汇总值。场景：做报表时，数值列默认自动聚合（如 Sum of 销售额）。常见函数：SUM/AVERAGE/COUNT/MAX/MIN/DISTINCTCOUNT/COUNTROWS。示例：按 “日期 + 产品” 分组，计算 SUM (销售额)、COUNT (订单 ID)。

性能聚合（Aggregations）：高级性能优化（面试 / 实操重点）

定义：在模型中预建聚合表（Aggregation Table），将明细数据按常用维度预汇总并缓存到内存；查询时优先命中聚合表，避免扫描全量明细，大幅提速（尤其 DirectQuery / 超大数据集）。

核心原理

• 明细表（Detail Table）：原始大表（如订单事实表，亿级行）。
• 聚合表（Agg Table）：按高频维度（如日期、区域、产品）预汇总的小表（千 / 万行）。
• 查询重定向：DAX 引擎自动判断：
  • 若查询维度 / 指标在聚合表覆盖范围内 → 读聚合表（内存，毫秒级）。
  • 若不覆盖 → fallback 到明细表（DirectQuery / 全量扫描）。

核心价值（解决什么问题）

• DirectQuery 提速：避免每次查询都发 SQL 到源库，减少往返与计算压力。
• 大数据模型提速：亿级明细→万级聚合，内存占用与查询时间指数级下降。
• 保留钻取能力：聚合表不丢明细，可下钻到原始数据。

聚合表配置要点（面试必背）

1. 创建聚合表：在 Power Query 按维度分组，预计算 SUM/COUNT 等指标。
2. 关联关系：聚合表与明细表、维度表建立正确关系（通常多对一）。
3. 管理聚合（Manage Aggregations）：
   • 右键聚合表 → 管理聚合。
   • 为每列指定：聚合类型（Sum/Count 等）、关联明细表、关联明细列。
4. 自动聚合（Automatic Aggregations）：Premium/Power BI Fabric 可自动训练生成聚合表，无需手动建表。

维度	基础聚合（Aggregation）	性能聚合（Aggregations）
核心目标	计算汇总值，做报表	性能优化，减少明细扫描
实现方式	DAX 函数 / 可视化自动汇总	预建聚合表 + 查询重定向
适用场景	所有报表、度量值	DirectQuery / 亿级明细 / 报表慢
内存 / 性能	实时计算，大数据慢	预缓存，查询极快
是否丢失明细	不丢失（可下钻）	不丢失（fallback 到明细）

总结

基础聚合：对数据分组做统计计算（如 SUM/AVG），是报表的基础。

性能聚合：预建汇总表缓存到内存，让大模型 / DirectQuery 报表秒级响应，是 Power BI 高级性能优化的核心手段。

行级别安全（RLS）实现？

RLS = Row Level Security，用于控制不同用户只能看到自己权限内的数据。

核心原理

• 在 Power BI 数据集里创建角色（Role）
• 给角色设置 DAX 过滤规则
• 发布到服务后，把用户分配到对应角色
• 用户查看报表时，引擎自动按规则过滤行

实现步骤

1. 创建角色

Power BI Desktop → 建模选项卡 → 管理角色 → 创建 → 输入角色名。

2. 配置行级过滤 DAX

选中要限制的表，输入筛选表达式：

[部门列] = USERPRINCIPALNAME()

或

[区域] = "华东"

3. 测试角色

建模 → 查看为角色 → 选择角色 → 查看数据是否被正确过滤。

4. 发布到服务

发布 PBIX 文件 → 进入数据集 → 数据权限 → 添加用户并分配角色。

最常用 3 个 RLS 函数

USERPRINCIPALNAME()：获取当前登录邮箱，用于按邮箱 / 账号权限过滤。

USERNAME()：获取域账号（很少用）。

LOOKUPVALUE()：从权限表动态匹配权限（高级动态 RLS）。

动态权限示例（最常用）

[销售区域] = 
LOOKUPVALUE(
    权限表[允许区域],
    权限表[邮箱], USERPRINCIPALNAME()
)

作用：用户登录 → 自动匹配权限表 → 只看自己区域数据。

总结

• 在 Desktop 用管理角色创建角色。
• 用 USERPRINCIPALNAME() 或 LOOKUPVALUE() 写过滤规则。
• 用查看为角色测试权限。
• 发布到服务，给用户分配角色。
• 实现不同用户看不同数据。

如何让用户只能看自己部门数据？

创建角色 + 用 USERPRINCIPALNAME 匹配部门权限

实现步骤

1. 准备一张权限表

包含字段：邮箱、部门（用户邮箱对应所属部门）。

2. 在 Power BI Desktop 建立 RLS 角色

• 建模 → 管理角色 → 新建角色（如：Role_Sales）
• 选择要过滤的事实表 / 部门表
• 写入 DAX 过滤规则：

[部门] = LOOKUPVALUE(
    权限表[部门],
    权限表[邮箱], USERPRINCIPALNAME()
)

3. 测试角色

建模 → 查看为角色 → 选择角色 → 验证是否只看到对应部门数据。

4. 发布到服务

发布后进入数据集 → 数据权限 → 添加用户并分配角色。

简单版（部门 = 邮箱后缀 / 固定匹配）

如果部门直接和账号关联，可直接写：

[部门] = "销售一部"

或按邮箱判断：

LEFT(USERPRINCIPALNAME(), 3) = "sal"

总结

建立用户 - 部门权限映射表，通过 RLS 角色使用 LOOKUPVALUE + USERPRINCIPALNAME 动态匹配当前用户部门，实现只看本部门数据。

Power BI 复合模型？

复合模型 = 同一模型内混合使用 Import、DirectQuery、Dual 三种存储模式，或跨多个 DirectQuery 数据源，解决 “性能 vs 实时性” 的矛盾，是企业级建模的核心技术。

核心定义与价值

1. 定义

在一个 Power BI 语义模型中，允许：

• 部分表用 Import（导入内存）
• 部分表用 DirectQuery（实时查源）
• 部分表用 Dual（双模式，自动切换）
• 或同时连接 多个 DirectQuery 数据源（如 SQL Server + Snowflake）

2. 解决的痛点

• 传统模型只能单一模式：Import 快但不实时，DirectQuery 实时但慢
• 复合模型：高频维度 / 历史数据用 Import 提速，实时交易 / 大事实表用 DirectQuery 保新鲜
• 支持复用已有 Power BI 数据集 / AS 模型，避免重复建模

模式	特点	适用场景	典型表类型
Import	数据导入内存，查询极快；需刷新	维度表、历史汇总、小表	产品、区域、日期维度
DirectQuery	不导入，实时查源；延迟高、压力大	大事实表、实时数据、频繁更新	订单、交易、日志
Dual	同时存内存 + 实时；自动选最优	与 DirectQuery 事实关联的维度	共用维度（如日期、客户）

复合模型的三种典型类型

Import + DirectQuery 混合（最常用）

• 维度表 Import，事实表 DirectQuery
• 兼顾维度筛选速度与事实实时性

多 DirectQuery 数据源

• 同时连 SQL Server、Oracle、Snowflake 等
• 跨库分析，无需 ETL 整合

基于 Power BI 数据集 / AS 的复合模型

• DirectQuery 连已有数据集，再添加本地 Import 表
• 复用企业级模型，快速扩展报表Microsoft Power BI

实现步骤

1. 启用复合模型（默认开启）

• Power BI Desktop → 文件 → 选项和设置 → 选项 → 预览功能 → 确保 “复合模型” 已启用（新版默认开启）

2. 连接数据源并设置存储模式

• 连接 Import 数据源（如 Excel、CSV）→ 加载为 Import
• 连接 DirectQuery 数据源（如 SQL Server）→ 选择 “DirectQuery”
• 对维度表 → 右键 → 属性 → 存储模式 → 设为 Dual（推荐）

3. 建立关系（关键）

• 遵循星型模型：维度表（Import/Dual）→ 事实表（DirectQuery）
• 跨源关系为有限关系（Limited Relationship），性能与功能受限

4. 编写 DAX 与度量值

• 优先在 DirectQuery 事实表上建度量值
• 避免跨源复杂计算（如跨 Import/DirectQuery 的复杂聚合）

5. 发布与权限

• 发布到服务后，DirectQuery 需配置数据源凭据
• RLS 需在源模型与复合模型分别配置，权限叠加生效

核心规则与限制

1. 计算表 / 列：只能基于 Import/Dual 表，不能基于 DirectQuery 表
2. 跨源关系：为有限关系，不支持双向筛选、某些 DAX 函数（如 PATH）
3. Dual 表：必须与 DirectQuery 事实同数据源，否则自动转为 Import
4. 性能：避免大量跨源查询；优先用 Dual 维度 + DirectQuery 事实组合
5. 刷新：仅 Import/Dual 表需刷新；DirectQuery 实时取数

最佳实践

• 维度表：常用维度设为 Dual，兼顾速度与实时关联
• 事实表：大 / 实时事实用 DirectQuery；历史汇总用 Import
• 模型复用：用 DirectQuery 连企业级数据集，再扩展本地报表Microsoft Power BI
• 性能监控：用性能分析器查看查询是走内存还是源库

总结

复合模型允许在同一模型中混合 Import、DirectQuery、Dual 存储模式，或连接多个 DirectQuery 数据源，平衡查询性能与数据实时性，是 Power BI 企业级建模的必备能力。

复合模型和单一模式的区别？

单一模式（Single Mode）

整个模型只能选一种存储方式：

• 要么全表 Import（导入模式）
• 要么全表 DirectQuery（直连模式）

不能一部分导入、一部分直连。

复合模型（Composite Model）

同一个模型里可以混用多种存储模式：

• 部分表 Import
• 部分表 DirectQuery
• 部分表 Dual（双重模式）
• 还可以连接多个 DirectQuery 数据源

核心区别对比

灵活性

• 单一模式：死板，全局统一
• 复合模型：灵活，可按表单独设置

性能与实时性

• 单一 Import：快，但数据不实时
• 单一 DirectQuery：实时，但整体慢
• 复合模型：维度表 Import 提速，大事实表 DirectQuery 保实时

数据源支持

• 单一模式：一般只连一个数据源
• 复合模型：支持多数据源直连，跨库分析

适用场景

• 单一模式：小数据、简单报表、标准 dashboard
• 复合模型：企业级大数据、实时报表、多系统整合

总结

• 单一模式：全模型统一 Import 或 DirectQuery，简单但不够灵活。
• 复合模型：混合 Import + DirectQuery + Dual，兼顾速度与实时性，适合复杂企业场景。

多个报表共用一个模型怎么做？

在 Power BI 中，多个报表共用一个模型的标准方案是：先做一个 “主模型” 发布到服务，再用 “实时连接 / 共享数据集” 让所有报表都连它。下面是完整做法、优缺点与最佳实践。

核心方案：共享数据集（推荐）

1. 整体流程

1. 制作主模型（Master Dataset）

• 在 Power BI Desktop 建好统一模型：数据源、Power Query、表关系、所有度量值 / 计算列。
• 发布到 Power BI 服务（Workspace），成为共享数据集（语义模型）。

2. 所有报表都连这个共享数据集

• 新建报表 → 获取数据 → Power BI 数据集 → 选择主模型 → 实时连接（Live Connection）。
• 每个报表是独立 .pbix，但只读使用主模型的表、度量值、关系。

3. 统一维护

• 只在主模型里改数据、刷新、加度量值；所有报表自动同步更新。

2. 详细操作步骤

（1）发布主模型

• 打开主模型 .pbix → 发布 → 选目标工作区 → 发布成功。
• 服务中找到该数据集 → 管理权限 → 给团队成员生成 / 构建权限。

（2）新建报表并连接共享数据集

1. 打开 Power BI Desktop → 新建空白报表。
2. 主页 → 获取数据 → Power BI 数据集。
3. 登录账号 → 找到工作区 → 选中主模型 → 连接。
4. 进入实时连接模式：只能用现有字段 / 度量值，不能本地建模 / 改模型。
5. 做报表页面 → 保存为独立 .pbix → 发布到服务。

3. 优点

• 单一数据源：数据口径统一、无重复计算、刷新一次全报表生效。
• 维护成本低：改度量值 / 加字段只在主模型做一次。
• 权限集中：在数据集层面控制谁能看、谁能构建报表。
• 性能更好：复用缓存、减少重复查询。

4. 限制

• 实时连接模式下：不能本地添加表、改关系、写新计算列 / 度量值。
• 所有报表必须联网访问服务数据集，不能离线使用。
• 主模型刷新后，报表需重新打开 / 刷新才看到新数据。

其他方案（按需选择）

方案 2：模板文件（.pbit）

• 做法：主模型另存为 .pbit 模板 → 团队用模板新建报表 → 自动继承模型。
• 适合：项目初期、模型不常改、需要本地可编辑的场景。
• 缺点：模板更新后，旧报表不会自动同步，需手动合并。

方案 3：复合模型（Composite Model）

• 做法：连接共享数据集 + 本地导入少量补充表 / 度量值。
• 适合：需要在共享模型基础上加本地个性化计算 / 小表的场景。
• 注意：会打破实时连接，性能与刷新逻辑变复杂。

方案 4：Power BI Report Server（本地部署）

• 做法：主模型发布到 Report Server → 报表通过服务器连接共用模型。
• 适合：内网、无云环境、需本地管控的场景。

最佳实践（避坑）

主模型专人维护：设数据集所有者，统一管理变更与权限。

命名规范：数据集、度量值、表 / 列命名统一，方便团队使用。

权限分级：

• 数据集：所有者（编辑）、成员（构建报表）、查看者（只读）。
• 报表：按工作区 / 应用控制访问。

刷新策略：主模型按业务需求定时刷新；报表无需单独刷新。

版本管理：主模型迭代用版本号，重大变更前通知团队。

监控：用 Power BI 服务的数据集性能、使用情况监控慢查询与访问量。

方案	模型修改	数据同步	适用场景	复杂度
共享数据集（实时连接）	仅主模型可改	自动同步	团队协作、统一口径、长期维护	低
模板文件（.pbit）	各报表可本地改	手动同步	项目初期、模型稳定	中
复合模型	共享 + 本地混合	部分自动	需个性化补充数据	高
Report Server	仅主模型可改	自动同步	内网、本地部署	中高

总结

优先用「共享数据集 + 实时连接」：做一个主模型发布到服务，所有报表都连它，统一维护、自动同步、成本最低。

Power BI 分页报表（Paginated Reports）？

分页报表 = 固定布局、像素级精准、专为打印 / PDF / 长列表设计的报表格式（.rdl），核心是完整输出所有数据、严格分页、高度格式化，与交互式 Power BI 报表定位完全不同

核心定义与本质

• 文件格式：.rdl（Report Definition Language），与 SSRS 同源。
• 设计工具：Power BI Report Builder（独立免费工具，非 Desktop）。
• 核心定位：打印 / 导出优先、长列表完整展示、合规文档，而非交互探索。
• 关键能力：自动分页、精确控制每页行数、完整导出所有行、页眉页脚 / 页码 / 水印。

核心特性

像素级布局（Pixel-Perfect）

• 精确控制每个元素位置、大小、字体、边框、对齐。
• 支持页眉 / 页脚、重复表头 / 表尾、页码、水印、页码表达式。

完整数据输出

• 表格无论多少行，自动分页、全部导出 / 打印（标准报表仅导出可见行）。
• 支持固定行数分页（如每页 30 行）。

参数化与钻取

• 强参数支持（下拉、单选、多选、日期），动态筛选数据。
• 支持文档结构图、钻取、子报表。

数据源与模型

• 无内置数据模型，直接连数据源（SQL、Oracle、Power BI 数据集、AAS 等）。
• 支持多数据源、嵌入式数据集。

导出与分发

• 完美导出：PDF、Excel、Word、PPT、CSV。
• 支持 Power BI 服务订阅、自动邮件发送 PDF。

维度	分页报表（Paginated）	标准 Power BI 报表（Interactive）
设计目标	打印 / PDF / 合规文档、完整长列表	交互探索、可视化分析、仪表板
布局	固定页面、像素级精准、强制分页	流式布局、自适应、无固定分页
数据展示	输出所有行，自动分页	仅展示可见行，滚动查看
交互性	弱（参数、钻取）	强（切片器、筛选、下钻、交叉筛选）
可视化	表格、矩阵、基础图表	丰富图表、自定义视觉对象、地图
创作工具	Report Builder（.rdl）	Power BI Desktop（.pbix）
许可要求	Power BI Premium / PPU	Pro 即可
适用场景	财务报表、发票、清单、监管报告	销售看板、运营分析、自助分析

适用场景

• 财务 / 合规：损益表、资产负债表、审计报告、监管报送。
• 长列表输出：销售明细、库存清单、客户台账（万行 +）。
• 打印 / 纸质：需要纸质存档、盖章、邮寄的报表。
• 精准格式：发票、合同、证书、固定模板文档。
• 批量分发：按参数批量生成并邮件发送 PDF。

实现流程

1. 安装工具：下载安装 Power BI Report Builder（免费）。

2. 连接数据源：创建数据源（SQL、Power BI 数据集等）→ 定义数据集（SQL/DAX）。

3. 设计报表：

• 插入表格 / 矩阵 → 绑定字段 → 设置分页属性（固定行数、分页符）。
• 设计页眉 / 页脚、页码、水印、样式。
• 添加参数、钻取、子报表。

4. 预览与导出：本地预览 → 导出 PDF/Excel 验证。

5. 发布与部署：保存为.rdl → 上传至Premium/PPU 工作区 → 配置权限与订阅。

关键限制

• 无内置模型：不能像.pbix 那样建关系、计算列 / 表，依赖源数据或参数。
• 交互弱：无切片器、交叉筛选，仅支持参数与钻取。
• 许可门槛：必须 Power BI Premium 或 PPU，Pro 无法使用。
• 可视化有限：仅基础图表，无自定义视觉对象。
• 性能：大数据量需优化查询，避免全表扫描。

总结

分页报表是 Power BI 中专为打印、PDF、长列表、合规文档设计的固定格式报表，用 Report Builder 创作，需 Premium 许可，核心价值是完整输出、精准排版、完美导出。

X 轴不连续、日期断层怎么解决？

根本原因：数据源里没有每天的数据，直接用事实表日期做坐标轴就会出现断档。

解决步骤

1. 新建一张独立、完整的日期表包含连续的每一天，不能有缺失。

2. 把日期表标记为日期表建模 → 标记为日期表 → 标记为日期表。

3. 建立关系日期表 [日期] ↔ 事实表 [日期]，一对多关系。

4. 坐标轴改用「日期表」的日期字段不要用事实表里的日期。

5. 可选：在 X 轴设置里打开“显示无数据的项目”

为什么必须建日期表？

1. 解决日期断层问题

事实表缺少某些日期时，X 轴会出现空白间断；用连续日期表可保证日期完整。

2. 才能正常使用时间智能函数

TOTALYTD、SAMEPERIODLASTYEAR、DATEADD 等 DAX 时间智能函数，必须依赖标记为日期表的连续日期表，否则计算错误或报错。

3. 统一时间维度口径

年、季度、月、周、工作日、财务月等统一维护，避免多张表时间逻辑不一致。

4. 支持按标准时间维度筛选和分组

如按年月汇总、按财年统计、按工作日 / 周末分析等。

5. 避免性能问题

直接用事实表日期做轴和筛选，会导致重复值多、筛选慢、模型关系复杂。

Power BI 钻取（Drillthrough）与 Drill Down 实现？

核心概念区分

1. Drillthrough（跨页钻取 / 穿透）

• 定义：从汇总页右键点击数据点，跳转到另一详情页，并自动传递筛选上下文（如选中 “产品 A”，详情页只显示 A 的数据）。
• 核心：页面跳转 + 上下文传递，用于看明细 / 深度分析。

2. Drill Down/Up（层级钻取 / 下钻 / 上卷）

• 定义：在同一页面的层级字段（如年→季→月→日）中展开 / 收起，看更细 / 更粗粒度数据。
• 核心：同页层级切换，不跳转页面。

Drillthrough（跨页钻取）完整设置（标准步骤）

1. 准备工作（必做）

• 确保数据模型关系正确（维度表↔事实表，一对多）。
• 准备源页（汇总图表，含钻取维度，如产品、客户）和目标页（详情页）。

2. 配置目标详情页（关键）

1. 新建 / 选中详情页（如 “产品详情”）。
2. 右侧「可视化」→ 展开「钻取」（Drillthrough）区域。
3. 从「数据」窗格，拖入钻取字段（如产品名称、客户ID）到「钻取筛选器」框M。
4. 自动生成返回按钮（Back），可自定义样式。
5. 在详情页添加明细视觉（表格、卡片、折线图等），展示选中项的详细数据。

3. 触发钻取（两种方式）

方式 1：右键点击（原生）

• 源页图表（如柱状图）→ 右键点击数据点（如 “产品 A”）→ 选择「钻取→产品详情」→ 自动跳转并筛选。

方式 2：按钮触发（更友好）

1. 源页 → 「插入」→「按钮」→ 选「钻取」按钮。
2. 按钮格式 →「操作」→「钻取」→ 选择目标页（如 “产品详情”）。
3. 点击按钮，自动按当前筛选上下文跳转。

4. 高级设置

• 多字段钻取：钻取区域拖入多个字段（如产品+地区），跳转时同时传递多个筛选。
• 保留所有筛选器（Keep all filters）：钻取设置中开启，保留源页所有切片器 / 筛选，仅叠加钻取字段。
• 跨报表钻取：Power BI Service 中，目标页来自其他报表，需配置「跨报表钻取」权限。

Drill Down/Up（层级钻取）设置（同页下钻）

1. 准备层级字段

• 方式 1：直接拖入多层字段（如年→季→月→日）到图表轴 / 图例。
• 方式 2：模型层创建层次结构（右键字段→「创建层次结构」→ 添加下级字段）。

2. 启用钻取

• 选中图表 → 右侧「格式」→「视觉对象」→ 开启「钻取」（Drill）。
• 图表右上角出现钻取图标（↓展开、↑收起、↕切换层级）。

3. 操作方式

• 下钻（Drill Down）：点击数据点 +↓，展开下级（如年→季）。
• 上卷（Drill Up）：点击↑，返回上级（如月→季→年）。
• 展开层次结构（Expand all）：一次性展开所有层级。

总结

• Drillthrough：建详情页→拖入钻取字段→右键 / 按钮跳转，跨页传筛选看明细。
• Drill Down：建层级字段→开启钻取→用图标切换，同页看粗细粒度。

常见问题与排查

1. 钻取菜单不显示→ 源页图表必须包含钻取字段；目标页钻取字段已正确配置。
2. 详情页无数据→ 检查模型关系；确认详情页视觉用了正确表 / 字段；筛选未冲突。
3. 返回按钮失效→ 手动删除后，重新拖入钻取字段，自动重建返回按钮。
4. 层级钻取无反应→ 开启图表「钻取」开关；确保字段是层级结构而非独立字段。

Power BI 网关作用？

Power BI 网关（On-premises Data Gateway）是连接本地数据源与 Power BI 云端服务的安全桥梁，核心是让云端能安全访问内网 / 本地数据、实现自动刷新。

核心作用

打通本地与云端、安全传输、自动刷新、权限管控、多服务复用。

详细作用拆解

1. 本地↔云端数据互通（最核心）

解决：Power BI 服务（云端）无法直接访问内网 / 本地数据源（SQL Server、本地 Excel、Oracle、SAP、文件共享等）。原理：网关安装在本地服务器 / 电脑，作为中转代理，接收云端查询 → 访问本地数据 → 加密返回云端。场景：发布到 Power BI Service 的报表，要刷新本地数据，必须用网关。

2. 安全数据传输

全程 TLS 1.2 加密，通过 Azure Service Bus 建立安全通道。数据源凭据加密存储在云端，仅在网关本地解密使用。不要求开放本地网络入站端口，降低安全风险。

3. 数据自动 / 计划刷新

支持在 Power BI Service 设置定时刷新（每日 / 每周 / 每小时），保持报表实时更新。支持手动刷新与增量刷新，适配大数据量场景。

4. 权限与访问管控

网关管理员可添加 / 管理数据源，分配使用权限。控制哪些用户 / 报表可通过网关访问哪些本地数据，实现最小权限原则。

5. 多服务复用

一个网关可同时服务 Power BI、Power Apps、Power Automate、Azure Logic Apps、Azure Analysis Services。企业级统一部署，减少重复安装与维护。

6. 支持复杂数据源

兼容各类本地数据源：关系型数据库（SQL Server、MySQL、Oracle）、文件（Excel、CSV、文件夹）、ERP/CRM（SAP、Dynamics）、BI 工具（SSAS）等。

模式	适用场景	共享性	支持服务	安装位置
标准模式（Standard）	企业 / 团队、多用户、多数据源	共享（多人可用）	Power BI、Power Apps、Power Automate 等	服务器（24/7 在线）
个人模式（Personal）	个人报表、仅自己使用	不共享（仅本人）	仅限 Power BI	个人电脑（需保持开机）

关键前提

• 网关所在机器必须联网、保持开机，否则刷新失败。
• 数据模型关系正确，数据集已映射到网关与数据源。

总结

Power BI 网关是本地数据上云的安全通道，实现云端报表自动刷新、权限管控，支持企业级多服务复用。

工作区权限有哪几种？

Power BI 工作区提供 4 种标准角色，按权限从低到高为：Viewer（查看者）→ Contributor（贡献者）→ Member（成员）→ Admin（管理员）。

角色	核心权限	适用场景
Viewer（查看者）	仅查看 / 交互报表 / 仪表板；读取数据流；强制执行 RLS	业务人员、只读 stakeholder
Contributor（贡献者）	可创建 / 编辑 / 删除 / 复制 / 发布内容；配置数据集刷新、修改网关；无用户管理与发布应用	开发人员、报表制作、不管理权限
Member（成员）	含 Contributor 全部权限；可管理工作区设置、添加 / 移除用户（至 Viewer/Contributor）；可发布 / 更新应用	团队负责人、需协作与发布权限
Admin（管理员）	最高权限：管理工作区（创建 / 删除 / 设置）、全用户管理、全内容与应用管理、网关 / 刷新全控制	工作区所有者、IT / 数据治理管理员

• 用户管理：Admin 可管理所有角色；Member 仅能加 / 移除用户至 Viewer/Contributor；Contributor/Viewer 无此权限。
• 应用管理：Admin 可发布 / 更新应用；Member 可发布 / 更新应用；Contributor 需 Admin 授权；Viewer 无。
• RLS 生效：仅 Viewer 强制执行 RLS；Admin/Member/Contributor 会绕过 RLS（注意权限分配）。
• 权限叠加：用户属多组时，取最高权限角色。

除 “查看与交互” 外，所有操作需 Power BI Pro 或 PPU（Premium Per User） 授权。

应用（App）与工作区区别？

在 Power BI 中，工作区（Workspace）是协作开发的 “容器 / 工作台”，应用（App）是面向最终用户的 “只读分发包”。两者是开发→发布→消费的上下游关系，核心区别如下。

1. 工作区（Workspace）

• 本质：团队协作的开发 / 测试 / 管理环境，是报表、数据集、仪表板、数据流的原始容器。
• 定位：生产车间，用于编辑、协作、迭代、调试。
• 权限：4 种角色（Admin/Member/Contributor/Viewer），支持编辑 / 修改 / 删除 / 发布。

• 特点：可编辑、可协作、可管理，内容实时更新。

2. 应用（App）

• 本质：从工作区打包发布的只读、可分发的成品。
• 定位：交付产品，面向业务用户 / 管理层做只读查看与交互。
• 权限：仅查看 / 交互，不可编辑；权限独立于工作区，可按用户 / 组 / 全组织分发。
• 特点：只读、统一入口、版本化发布、受众可控。

对比维度	工作区（Workspace）	应用（App）
核心用途	团队协作开发、内容管理、测试、迭代	面向最终用户的只读分发、统一入口、大规模共享
编辑权限	支持编辑 / 修改 / 删除 / 发布（Contributor+）	完全只读，仅可查看 / 交互 / 导出，不可编辑
用户角色	4 种：Admin/Member/Contributor/Viewer	仅 “查看者” 权限，无角色分级
内容来源	原始报表 / 数据集 / 仪表板 / 数据流	从工作区选择内容打包发布的副本（快照）
更新机制	实时生效（修改即更）	需手动发布新版本，用户看到的是上一次发布的版本
分发范围	仅限工作区成员（需 Pro/PPU）	可分发至全组织 / 部门 / 特定用户 / 组，部分用户无需 Pro
入口位置	Power BI 左侧「工作区」列表	Power BI 左侧「应用」列表，或通过链接安装
数量关系	1 个工作区可发布1 个应用（传统）；预览版可发布多个组织应用	1 个应用仅来自 1 个工作区
RLS 生效	Admin/Member/Contributor 绕过 RLS；仅 Viewer 强制执行	所有用户强制执行 RLS，严格按数据集权限访问
License 要求	所有成员需 Power BI Pro / PPU	查看者：免费版可查看（共享容量）；发布者需 Pro/PPU

工作区负责 “做”（开发协作），应用负责 “发”（分发消费）；先在工作区开发，再发布为应用给用户看。

常见误区澄清

“应用是工作区的子集” ✅

应用是从工作区挑选部分内容打包发布，不是全部内容自动同步。

“修改工作区内容，应用自动更新” ❌

工作区修改后，必须重新发布应用，用户才会看到新版本。

“应用权限 = 工作区权限” ❌

应用权限独立于工作区，可给非工作区成员授权访问应用。

“我的工作区可以发布应用” ❌

仅团队工作区可发布应用，我的工作区不能发布。

总结

工作区是协作开发的容器，支持编辑与 4 种角色；应用是只读分发包，面向用户查看，需从工作区发布，权限独立且强制执行 RLS。

Power BI 订阅（Subscribe）作用？

Power BI 的订阅（Subscribe） 核心作用是：按你设定的时间 / 频率，自动把报表 / 仪表板的快照 + 链接（或附件）发到指定邮箱，让你和相关人不用登录 Power BI 也能定时收到最新数据。

核心价值

自动定时推送、免登录查看、按筛选订阅、批量分发、统一数据口径、提升协作效率。

详细作用

1. 自动定时推送（最核心）

按日 / 周 / 月 / 数据刷新后发送邮件，包含报表 / 仪表板截图快照 + 直达链接；可指定具体时间（如每天 8:00、每周一 9:00），确保在需要时收到；解决 “每天手动打开 Power BI 看数据” 的重复劳动。

2. 免登录查看，随时随地获取数据

收件人无需登录 Power BI，在邮箱即可看到最新数据快照；点击链接可跳转到 Power BI 深入分析，兼顾 “快速概览” 与 “深度分析”。

3. 按当前筛选 / 切片器订阅（精准推送）

订阅时保留当前筛选 / 切片器状态（如只看华东区、2026 年 Q1）；每个人可订阅自己关心的视图，避免收到无关数据。

4. 批量订阅他人（团队 / 管理层分发）

可批量添加收件人（同事、领导、部门组），一次性完成全员订阅；确保所有人收到同一时间、同一口径的数据，避免信息差；适用场景：每日销售日报、每周运营周报、每月财务月报。

5. 支持附件格式（离线可用）

Premium 容量下，可发送 PDF/PPT 附件，方便离线查看、打印、转发；分页报表（Paginated Report）订阅默认带 PDF 附件。

6. 动态订阅（高级，Premium 专属）

按收件人自动筛选数据：如给每个销售经理只发他负责区域的数据；基于语义模型（数据集）动态匹配收件人邮箱 + 筛选条件，实现 “千人千面” 推送。

7. 权限与合规

订阅继承报表权限：收件人必须有报表查看权限才能收到（防止泄密）；所有订阅强制执行 RLS，确保数据安全；管理员可接管 / 管理所有订阅，离职人员订阅可一键停用。

订阅 vs 分享 vs 应用

方式	核心特点	适用场景
订阅（Subscribe）	定时自动发邮件、快照 + 链接、可筛选	日常定时推送、管理层日报 / 周报
分享（Share）	一次性 / 手动发链接、需登录查看	临时协作、单条数据分享
应用（App）	只读分发包、统一入口、可大规模分发	正式对外发布、全员统一查看

关键限制

订阅他人需 Power BI Pro/PPU license；免费版用户只能订阅自己，不能订阅他人；每个报表 / 仪表板最多 24 个订阅；动态订阅仅 Premium/Fabric 容量支持。

总结

订阅是 Power BI 的自动定时邮件推送功能，按设定频率发送报表 / 仪表板快照 + 链接，支持按筛选订阅、批量分发他人，Premium 可发附件与动态筛选，用于日常数据同步与团队协作。

性能分析器（Performance Analyzer）做什么？

性能分析器（Performance Analyzer）是 Power BI 内置的性能诊断工具，用于记录和分析报表在加载、筛选、交互时的各项耗时，帮助找到报表卡顿、缓慢的原因。

主要作用：

• 查看每个视觉对象从查询到渲染完成的总耗时
• 把耗时拆分为 DAX 查询、视觉显示等环节，定位瓶颈
• 复制视觉对象生成的 DAX 查询，方便单独调试优化
• 对比优化前后的报表速度，验证优化效果
• 找出哪些图表、度量值或查询导致报表加载变慢

简单说，它就是用来排查报表慢、找到慢的根源、验证优化效果的工具。

DAX Studio 用来干嘛？

DAX Studio 是专门用来分析、优化、调试 Power BI 数据集的专业工具，核心就是处理 DAX 性能问题。

主要用途：

• 运行、编辑、格式化 DAX 查询，查看详细执行结果
• 分析查询执行计划，看是存储引擎慢还是公式引擎慢
• 查看查询使用的服务器时间、行数、内存等性能指标
• 追踪报表里慢的度量值，定位性能瓶颈
• 导出数据、查看表结构、元数据信息
• 对比优化前后的 DAX 速度，验证优化效果

简单说：Power BI 里看大致快慢，DAX Studio 用来深度查 DAX 为什么慢、怎么优化。

FineBI

什么是FineBI？

FineBI 是帆软软件推出的自助式商业智能（BI）与大数据分析平台，主打零代码 / 低代码拖拽分析、可视化仪表板、多维探索、企业级数据治理，核心目标是让业务人员自主做数据分析、实现 “人人都是分析师”。

核心定位与定位

• 产品定位：新一代自助式 BI，面向业务人员 / 数据分析师 / 管理者，替代传统复杂报表，支持敏捷探索与实时监控。
• 市场地位：连续多年国内 BI 市场占有率第一，Gartner ABI 魔力象限入选的中国独立 BI 厂商。
• 核心价值：打通数据接入→建模→分析→可视化→共享→移动端全链路，解决数据孤岛、口径不一、分析效率低等问题。

核心能力

1. 多源数据接入

支持关系型数据库（MySQL/Oracle/SQL Server）、大数据（Hive/Spark）、文件（Excel/CSV）、API、ERP/CRM 等 30 + 数据源，一键整合FineBI。

2. 自助数据建模（零代码）

• 自助数据集：拖拽完成过滤、关联、计算列、行列转换、缺失值处理。
• 星型 / 雪花模型、多表 JOIN/UNION，支持抽取（Spider）与实时双引擎FineBI。
• 指标中心：统一定义、复用、审批核心指标，解决口径混乱FineBI。

3. 可视化与自助分析

• 拖拽式制作图表：折线 / 柱状 / 饼图 / 地图 / 交叉表 / KPI 卡等，支持 AI 智能图表。
• 钻取、联动、跳转、参数动态筛选，支持多维探索。
• 仪表板 / 管理驾驶舱，支持 PC + 移动端（APP / 小程序 / H5）。

4. 企业级管控

• 三级权限：数据权限（行 / 列过滤）、资源权限（查看 / 编辑）、功能权限。
• 缓存 / 定时更新、集群部署、高并发、亿级数据秒级响应FineBI。
• 协作共享、订阅推送、异常告警（钉钉 / 企业微信）。

5. 高级功能

• LOD 详细级别表达式（FIXED/INCLUDE/EXCLUDE），脱离视图维度独立聚合。
• JavaScript 自定义交互、条件格式、超级链接。
• AI 自然语言问答、数据血缘、自动预警。

三、典型应用场景

• 销售 / 运营实时监控看板
• 财务 / 人力多维分析
• 生产 / 供应链数据预警
• 管理驾驶舱、移动办公
• 业务自助探索、数据口径统一

四、与传统报表（如 FineReport）的区别

维度	FineBI	FineReport
定位	自助式 BI、探索分析、可视化	传统报表、固定格式、复杂填报
操作	拖拽式、零代码、自助建模	单元格设计、模板化、强格式
场景	实时监控、多维探索、业务自助	固定报表、复杂打印、数据填报
技术	OLAP、可视化、大数据引擎	报表引擎、填报、复杂格式

总结

FineBI 是国产领先的自助式 BI 平台，以低门槛、强可视化、全链路数据治理、企业级安全为核心，帮助企业快速落地数据驱动决策，实现全员数据赋能。

FineBI 核心定位与优势是什么？

FineBI 是帆软推出的企业级自助式 BI 平台，面向业务人员、分析师和管理者，提供从数据连接、数据建模、自助分析到可视化看板、共享协作的一站式数据分析能力，实现低门槛、敏捷、自助化的数据决策支持。

1. 易用性强，零代码拖拽分析

• 全可视化操作，业务人员无需写 SQL 即可自主做报表和看板。
• 学习成本低，上手快，真正实现 “人人可用”。

2. 多数据源统一整合

• 支持关系库、大数据、Excel、API、ERP 等几乎所有数据源。
• 可跨库关联，解决企业数据孤岛问题。

3. 强大的自助数据建模能力

• 自助数据集支持过滤、聚合、计算、行列转换、多表关联等。
• 支持实时直连与抽取数据双模式，兼顾灵活性与性能。

4. 丰富的可视化与交互体验

• 图表类型齐全，支持地图、钻取、联动、跳转、参数筛选。
• 仪表板美观，可快速搭建管理驾驶舱、业务监控看板。

5. 企业级权限与安全管控

• 完善的用户 / 角色 / 部门权限体系。
• 支持行级、列级数据权限，实现 “一人一数” 的精细化控制。

6. 大数据高性能

• 内置高性能引擎，亿级数据也能实现秒级响应。
• 支持缓存、增量更新、集群部署，高并发场景稳定。

7. 完善的共享与协作机制

• 支持仪表板分享、订阅推送、异常预警。
• 可在 PC、移动端、小程序多端查看，适配企业办公场景。

8. 国产化与生态适配

• 全面支持国产数据库、国产操作系统。
• 适合政务、金融、制造等对信创要求高的行业。

FineBI与FineReport的核心区别？

FineBI 与 FineReport 是帆软旗下定位完全不同的两款产品：FineReport 是专业报表工具，FineBI 是自助式 BI 平台，核心差异在于用户、场景、操作、数据模型、引擎与交互五大维度。

核心定位

• FineReport：IT 主导、专业报表、固定格式、复杂填报、合规打印，解决 “我知道要什么报表，交给 IT 做出来”。
• FineBI：业务主导、自助分析、多维探索、可视化看板、敏捷决策，解决 “我有数据，自己探索找答案”。

对比维度	FineReport（专业报表）	FineBI（自助式 BI）
核心定位	企业级专业报表开发平台	企业级自助式 BI 分析平台
目标用户	IT 人员、报表开发工程师	业务分析师、业务人员、管理者
设计理念	格式化、精细控制、开发者驱动	灵活敏捷、易用性、业务自助
操作方式	类 Excel 单元格设计、写 SQL、模板化开发	纯 BS 端拖拽式、零代码、自助建模
数据模型	关系型、SQL 直连、数据集固定	多维模型、自助数据集、Spider 引擎、实时 / 抽取双模式
核心场景	固定报表、复杂报表、数据填报、批量打印、合规报送	自助分析、多维探索、可视化看板、管理驾驶舱、敏捷决策
交互能力	弱交互、静态展示为主	强交互：钻取、联动、跳转、筛选、参数
学习成本	高，需 SQL 与报表开发基础	低，业务人员可快速上手
典型产出	月报 / 季报 / 年报、财务三表、复杂套打报表	实时监控看板、多维分析报告、自助探索仪表盘

1. 用户与权限逻辑

• FineReport：IT 集中开发、统一发布，业务仅查看，强管控、统一口径。
• FineBI：业务自主建表、自主分析，IT 负责数据接入与权限，松管控、敏捷赋能。

2. 数据引擎与性能

• FineReport：依赖数据库性能，SQL 直连，适合固定报表批量输出。
• FineBI：内置Spider 列式存储引擎，支持实时 / 抽取双模式，亿级数据秒级响应，适合多维探索。

3. 报表 vs 分析

• FineReport：擅长中国式复杂报表（多表头、斜线、套打、复杂计算），格式精准、可打印。
• FineBI：擅长可视化与交互分析，图表丰富、支持钻取联动，不追求极致打印格式。

4. 开发 vs 自助

• FineReport：开发周期长，需求→IT 开发→测试→发布，适合稳定、长期的固定报表。
• FineBI：敏捷迭代，业务人员当天需求当天出看板，适合快速变化的业务分析。

总结

FineReport 做 “固定报表”，FineBI 做 “自助分析”；FineReport 是 IT 的工具，FineBI 是业务的武器。

FineBI支持哪些数据源？

FineBI 支持关系型数据库、NoSQL、大数据平台、文件、云服务、API、国产数据库、业务系统等几乎全品类数据源，覆盖企业数据整合全场景。

一、关系型数据库（最常用）

• 主流：MySQL、Oracle、SQL Server、PostgreSQL、DB2、Informix、Sybase

• 国产：达梦、人大金仓（Kingbase）、南大通用（Gbase）、OceanBase、TiDB

• 连接方式：JDBC/ODBC 原生直连，支持多版本兼容

二、NoSQL 数据库

• MongoDB、Redis、HBase、Elasticsearch、Cassandra

• 连接：API / 驱动 / 插件，适配非结构化、日志、缓存场景

三、大数据平台（海量数据）

• Hadoop 生态：Hive、Spark SQL、Impala、Kudu、Presto

• MPP 数仓：Greenplum、Vertica、ClickHouse、阿里云 AnalyticDB、华为 GaussDB (DWS)

• 实时数仓：Kafka、Flink（通过插件 / API）

四、文件型数据源（本地 / 上传）

• Excel（.xlsx/.xls）、CSV、TXT、JSON、XML、Parquet、Avro

• 支持：批量上传、定时同步、自动识别格式

五、云平台与云数据库

• 公有云：阿里云 RDS/MaxCompute、腾讯云 DB、AWS Redshift、Azure SQL、Google BigQuery

• 云存储：阿里云 OSS、腾讯云 COS、AWS S3（通过插件 / API）

• SaaS：Salesforce、钉钉、企业微信、飞书（API 对接）

六、API 与程序数据源

• RESTful API、HTTP 接口、WebService、JSON/XML 接口

• 程序数据集：Java 程序、存储过程、自定义脚本

七、行业与业务系统

• ERP：SAP HANA、SAP BW、金蝶、用友、浪潮、鼎捷

• MES、WMS、POS、OA、CRM 等（直连数据库或 API）

八、其他扩展

• 多维数据库：Essbase、SSAS、SAP BW
• 自定义：第三方 JDBC/ODBC 驱动、插件开发，接入特殊数据源

总结

FineBI 支持关系型、NoSQL、大数据、文件、云、API、国产库、业务系统等全类型数据源，通过 JDBC/ODBC/API/ 插件等方式实现全域数据接入，是企业数据整合的核心能力FineBI。

FineBI的核心使用流程是什么？

1. 数据连接：配置并连接各类数据源（数据库、Excel、API 等）。

2. 数据准备：创建业务包、数据表，进行字段管理、权限设置。

3. 自助数据集建模：对表进行关联、过滤、新增计算字段、聚合、行列转换等处理。

4. 可视化分析：拖拽维度与指标，选择图表组件，制作图表、交叉表、指标卡。

5. 仪表板制作：布局排版、设置筛选器、组件联动、钻取、跳转、条件格式。

6. 发布与共享：发布仪表板到平台，配置查看 / 编辑权限。

7. 定时更新与订阅：设置数据定时刷新，配置邮件 / 企业微信订阅推送。

8. 移动端查看与应用：在 APP、小程序、H5 上查看仪表板，实现移动决策。

FineBI 中的业务包 / 数据集

业务包（Business Package）

业务包是 FineBI 里对数据进行统一管理的 “数据文件夹 / 数据空间”，是权限管控、资源组织的基本单元。

作用：

• 归类管理多张数据表、数据集
• 统一设置数据权限、行权限、列权限
• 控制哪些用户 / 角色可以使用里面的数据
• 隔离不同业务线（销售业务包、财务业务包等）

业务包 = 数据的容器 + 权限边界

数据集（Dataset）

数据集是最终用来做图表分析的 “可用数据集合”，是从原始数据加工后得到的结构化数据。

常见类型：

1. 原始数据表直接从数据库 / Excel 读取的表，未加工。

2. SQL 数据集自己写 SQL 查询出来的结果集。

3. 自助数据集拖拽方式做了关联、过滤、聚合、计算列等处理的数据集（最常用）。

4. 关联数据集多表 JOIN / UNION 合并后的宽表数据集。

数据集 = 可直接拖拽做可视化分析的数据表

业务包 ↔ 数据集 的关系

• 业务包包含多个数据集
• 数据集必须放在某个业务包里
• 权限控制在业务包级别，包里的所有数据集继承权限
• 业务人员分析时，只能看到自己有权限的业务包和数据集

总结

• 业务包：数据的管理容器，用于归类表和控制权限。
• 数据集：经过处理、可直接用于分析的数据集合，包括原始表、SQL 数据集、自助数据集等。
• 关系：业务包包含数据集，权限控制业务包，数据集用于做图表。

什么是自助数据集？创建方式有哪些？

自助数据集是 FineBI 中面向业务人员、基于原始数据进行二次加工的中间数据层，可以在不写 SQL 的情况下，通过拖拽完成表关联、过滤、聚合、新增计算列、行列转换、数据清洗等操作，最终形成可直接用于可视化分析的数据集。

简单理解：原始表 = 源数据自助数据集 = 业务人员自己 “整理好” 的可用数据

创建方式

1. 直接拖拽原始表创建

从业务包中将已连接的数据库表 / Excel 表直接拖入，快速生成基础数据集。

2. SQL 数据集创建

编写自定义 SQL 查询，灵活实现复杂逻辑、多表关联、存储过程调用。

3. 自助 ETL 创建（最常用）

通过可视化 ETL 界面，进行过滤、去重、分组聚合、字段拆分、行列转换、追加合并等操作。

4. Excel / CSV 上传创建

直接上传本地文件生成数据集，适合临时、非结构化数据。

5. 关联表创建（多表 JOIN）

将多张表按关键字段做左连接、内连接、全连接、并集（UNION），形成宽表。

6. API / 程序数据集创建

通过接口、Java 程序等动态获取数据并生成数据集。

总结

自助数据集是 FineBI 中对原始数据进行清洗、关联、聚合、计算的业务化数据层。

创建方式主要有：拖拽原始表、SQL 查询、自助 ETL、Excel 上传、多表关联、API 接口。

数据集关联（JOIN）有哪些方式？适用场景？

FineBI 里数据集关联（JOIN）主要分 合并（JOIN） 和 并集（UNION） 两大类

合并关联（JOIN）—— 按列匹配

1. 内合并（Inner Join）

• 只保留两张表都能匹配上的数据
• 适用：只想看有交集的有效数据，比如 “有订单的用户”

2. 左合并（Left Join）

• 保留左表全部数据，右表能匹配就显示，匹配不上显示空值
• 适用：主表 + 扩展信息，比如 “所有订单 + 对应用户信息”

3. 右合并（Right Join）

• 保留右表全部数据，左表匹配显示
• 适用：较少用，一般换成左合并更清晰

4. 全合并（Full Join）

• 保留两张表所有数据，匹配不上的显示空值
• 适用：需要查看两边全部数据，包括单边存在的记录

并集（UNION）—— 按行拼接

• 字段结构相同的多张表，上下拼接行数据
• 适用：
  • 多个月份 Excel 数据合并
  • 多个分公司 / 分系统数据汇总
  • 历史数据 + 新数据追加

总结

• 内合并：取两张表的交集。
• 左合并：保留左表全部，匹配右表（最常用）。
• 右合并：保留右表全部，匹配左表。
• 全合并：保留两张表所有数据。
• 并集：结构相同的表，行拼接汇总。

如何处理数据缺失值/异常值？

缺失值处理

1. 过滤缺失行

直接删除包含缺失值的记录，适用于缺失较少且不影响整体分析的情况。

2. 填充缺失值

• 填充固定值：如 0、“未知”、“无”
• 填充统计值：均值、中位数、最大值、最小值
• 填充前值 / 后值：用上一行或下一行数据填充（适合时序数据）

3. 标记为特殊类别

不删除也不填充，而是新增字段标记 “是否缺失”，用于后续分析。

异常值处理

1. 直接过滤异常范围

设置条件过滤掉明显不合理的数据，例如：

• 销售额 < 0
• 数量 > 100000（远超正常范围）

2. 替换为合理值

将异常值替换为均值、中位数、阈值上限 / 下限，避免极端值影响结果。

3. 分箱 / 分段处理

对数值进行分段，把异常值归入极值区间，不参与原始计算。

4. 保留并标注

不删除异常数据，而是单独标记，用于异常检测、风控类分析。

在 FineBI 里具体在哪里操作？

都在 自助数据集 → 自助 ETL 中完成：

• 过滤：过滤节点
• 填充缺失值：字段设置 → 缺失值处理
• 新增计算列 / 标记：新增列
• 替换异常值：字段替换

总结

缺失值：过滤、填充（固定值 / 均值 / 前后值）、标记特殊值。

异常值：范围过滤、替换为合理值、分箱处理、保留标注。

统一在 FineBI 自助 ETL 中实现处理。

如何在FineBI中进行数据筛选？

FineBI 数据筛选按数据准备层、可视化分析层、仪表板交互层、权限层四大场景划分，覆盖从数据清洗到最终展示的全流程，以下是完整方法与操作路径。

一、数据准备层筛选（自助数据集 / ETL，永久生效）

核心场景：数据清洗、固定范围过滤，减少后续分析数据量。

1. 自助 ETL 过滤（最常用）

• 入口：自助数据集 → 编辑数据 → 添加「过滤」步骤。
• 操作：
  1. 选择字段（文本 / 数值 / 日期），设置条件（等于 / 大于 / 包含 / 为空等）。
  2. 多条件支持且 / 或逻辑，可添加公式过滤（如 销售额>1000 AND 地区='华东'）。
  3. 表头快速过滤：点击字段表头 → 选择值 → 自动生成过滤步骤。
• 适用：缺失值 / 异常值过滤、固定时间 / 区域数据截取。

2. SQL 数据集过滤

• 入口：新建 SQL 数据集 → 编写 WHERE 子句（如 WHERE order_date>='2025-01-01'）。
• 适用：复杂逻辑、多表关联后过滤。

3. 关联过滤（JOIN 隐式过滤）

• 左 / 内合并：通过 JOIN 自动过滤不匹配数据（如内合并只保留两张表交集）。
• 适用：多表关联时的关联过滤。

二、可视化分析层筛选（组件 / 分析区域，临时生效）

核心场景：制作图表时临时过滤，不影响原始数据集。

1. 明细过滤（过滤原始明细数据）

• 入口：
  • 待分析字段 → 下拉 → 明细过滤。
  • 分析区域字段 → 下拉 → 明细过滤。
• 操作：设置字段条件，过滤后再聚合计算。

2. 结果过滤（过滤聚合后结果）

• 入口：
  • 分析区域指标 → 下拉 → 结果过滤。
  • 拖指标到「过滤器」面板 → 选择聚合方式 → 设置条件（如取销售额前 5）。
• 适用：取 TopN、过滤聚合后异常值（如只看订单量 > 100 的省份）。

3. 组件内过滤

• 入口：图表组件 → 编辑 → 字段下拉 → 过滤。
• 适用：单个组件独立过滤，不影响其他组件。

三、仪表板交互层筛选（筛选器 / 联动，用户交互）

核心场景：仪表板发布后，用户交互式筛选。

1. 筛选器组件（公共筛选）

• 入口：仪表板编辑 → 添加组件 → 筛选器（文本 / 数值 / 日期 / 下拉 / 复选）。
• 操作：
  1. 绑定字段（如地区、日期、产品类别）。
  2. 设置默认值、多选 / 单选、范围（如最近 30 天）。
  3. 关联目标组件（全局 / 局部生效）。
• 类型：
  • 文本筛选器：包含 / 开头是 / 属于等。
  • 数值筛选器：大于 / 小于 / 区间等。
  • 日期筛选器：固定日期 / 动态日期（如昨天、本月）。

2. 组件联动 / 钻取

• 联动：点击图表数据点，自动过滤其他组件（如点击「华东」，所有图表只显示华东数据）。
• 钻取：下钻到明细数据（如从省份钻取到城市）。

3. 通用查询组件

• 入口：仪表板 → 添加「通用查询」，支持多字段组合查询。
• 适用：复杂多条件查询场景。

四、权限层筛选（数据权限，强制生效）

核心场景：控制不同用户看到的数据范围（如销售经理只看自己区域数据）。

• 入口：管理系统 → 业务包 → 数据权限 → 行权限 / 列权限。
• 操作：设置过滤条件（如 地区=当前用户所属区域），用户登录后自动过滤。

五、筛选方式对比

筛选层级	操作位置	生效范围	适用场景
数据准备	自助 ETL/SQL	永久，全流程	数据清洗、固定范围
可视化分析	明细 / 结果过滤	临时，当前分析	图表制作时临时过滤
仪表板交互	筛选器 / 联动	交互，用户可控	发布后用户筛选
权限控制	业务包权限	强制，用户不可改	数据安全、权限隔离

六、操作步骤速记

• 数据准备：自助 ETL 加「过滤」步骤，设置条件永久生效。
• 分析制作：用明细 / 结果过滤，临时调整图表数据。
• 仪表板：添加筛选器组件，绑定字段实现交互筛选。
• 权限：业务包设置行 / 列权限，控制用户可见数据。

如何在FineBI中进行数据排序？

FineBI 里排序主要分组件内排序、维度排序、指标排序、自定义排序四种

一、组件内快速排序（最常用）

1. 进入仪表板编辑，选中图表 / 表格
2. 点击字段旁的 ↑ 升序 / ↓ 降序 图标
3. 选择按 维度排序 或 指标排序

适用：表格、柱状图、折线图等快速排序。

二、按维度排序

对地区、产品、类别等文本维度排序：

1. 点击维度字段下拉箭头
2. 选择 升序 / 降序
3. 可按 字母序、数值序 排列

三、按指标排序（TopN 必备）

按销售额、数量等指标大小排序：

1. 点击指标字段下拉
2. 选择 升序 / 降序
3. 图表会自动按指标大小重新排列

四、自定义排序（固定顺序）

比如：华东、华南、华北… 固定顺序

1. 维度字段 → 下拉 → 自定义排序
2. 手动拖动成员调整顺序
3. 保存后全局生效

适用：地区、部门、状态等固定业务顺序。

五、结果集排序（聚合后再排）

在自助数据集 / SQL 中：

• 自助 ETL：添加 排序 步骤
• SQL 数据集：使用 ORDER BY 字段 ASC/DESC

总结

• 组件内快速升降序
• 按维度字母 / 数值排序
• 按指标大小排序（TopN）
• 自定义固定顺序排序
• 自助 ETL 或 SQL 结果集排序

如何在FineBI中进行数据透视分析？

在 FineBI 里做数据透视分析（行、列、指标多维交叉分析），核心就是用交叉表 + 拖拽维度 / 指标，再配合钻取、筛选、排序实现。

核心操作步骤

1. 新建仪表板 / 组件

2. 选择「交叉表」组件

3.拖入字段

• 行：拖入行维度（如 地区、产品类别）
• 列：拖入列维度（如 年、月、渠道）
• 指标：拖入要计算的值（如 销售额、订单量、利润）

4. 设置汇总方式

对指标选择：求和、计数、平均值、最大值、最小值等

5. 添加筛选器 / 排序

按时间、地区筛选，按指标大小排序

6. 开启钻取、联动

实现从汇总到明细的下钻分析

关键功能

• 行维度、列维度多层级：可拖多个字段实现多层透视（如 地区→城市→门店）
• 指标多值并排：同时显示销售额、毛利、毛利率等多个指标
• 总计 / 小计：自动显示行总计、列总计、分类小计
• 条件格式：数据条、色阶、图标集，直观展示大小
• 行列切换：一键交换行和列维度，快速切换分析视角

与 Excel 数据透视表对比

• FineBI 交叉表 = Excel 数据透视表
• 行字段 = 行
• 列字段 = 列
• 指标 = 值
• 筛选器 = 页字段 / 筛选器

总结

FineBI 的数据透视分析通过交叉表组件实现，将维度拖入行和列、指标拖入值区域，配合汇总、筛选、钻取、条件格式，完成多维交叉汇总分析。

FineBI中参数的样式与用法？

FineBI 参数是可动态赋值的变量，用于实现动态筛选、动态计算、SQL 传参、联动交互，是实现灵活分析的核心工具。下面从参数类型 / 样式、创建与绑定、核心用法、实战场景四方面详细说明。

一、参数类型与样式（按数据类型 + 交互样式）

1. 按数据类型分类（核心）

参数类型	说明	适用场景	交互样式
文本参数	字符串 / 枚举值	地区、产品、部门、状态	下拉单选 / 多选、文本输入、列表、级联
数值参数	整数 / 小数	阈值、金额、数量、比例	数值输入、下拉、滑块、区间
日期 / 时间参数	日期 / 时间	时间筛选、同比 / 环比	日期选择器、年月 / 季度 / 周、时间区间
布尔参数	是 / 否	开关、条件判断	单选按钮、下拉（是 / 否）

2. 按作用范围分类

• 全局参数：整个系统 / 所有主题可用
• 主题参数：当前分析主题内可用（最常用）
• 组件参数：仅当前组件内使用

3. 交互样式（过滤组件绑定后）

• 下拉单选 / 多选
• 文本输入框
• 日期 / 时间选择器
• 数值滑块 / 区间
• 级联下拉（如省→市→区）
• 列表 / 复选框

二、参数创建与绑定（实操步骤）

1. 创建参数（两种入口）

方式 1：主题内新建参数（推荐）

1. 进入数据分析 → 打开分析主题
2. 顶部菜单：参数 → 新建参数
3. 填写：参数名、类型、默认值、是否多选、是否必填
4. 保存

方式 2：SQL 数据集直接定义（${}）

在 SQL 中用 ${参数名} 定义，系统自动识别为参数：

SELECT * FROM 订单 WHERE 地区 = '${地区参数}' AND 销售额 > ${阈值参数}

2. 参数绑定（三大场景）

（1）绑定过滤组件（实现交互筛选）

1. 仪表板编辑 → 添加过滤组件（文本 / 数值 / 日期）
2. 组件设置 → 绑定参数 → 选择已创建的参数
3. 配置样式（单选 / 多选、默认值、可选值）帆软

（2）绑定计算字段（动态计算）

在计算字段中直接引用参数：

IF(销售额 > ${阈值}, "大额订单", "小额订单")

（3）绑定 SQL 数据集（动态取数）

在 SQL 中用 ${参数名} 接收值，实现动态 WHERE 条件。

三、核心用法（高频场景）

1. 动态筛选（最常用）

• 用文本 / 日期 / 数值参数绑定过滤组件，实现灵活筛选
• 支持多选、区间、级联

2. 动态计算（计算字段 + 参数）

• 动态阈值：销售额 > ${阈值}
• 动态同比 / 环比：

DEF(SUM_AGG(销售额), [], [YEAR(日期)=YEAR(${日期参数})-1])

• 动态分组：按参数值分段

3. SQL 传参（性能优化）

• 在 SQL 中用参数做前置过滤，减少数据加载量
• 示例：

SELECT * FROM 销售表
WHERE 日期 BETWEEN ${开始日期} AND ${结束日期}
AND 区域 IN (${区域参数})

4. 联动与交互

• 一个参数绑定多个组件，实现全局联动
• 组件间通过参数传值，实现钻取、跳转

5. 默认值与空值处理

• 设置默认值，打开仪表板自动加载初始数据
• 空值时用 IF(len(${参数})=0, "全部", ${参数}) 处理

四、实战示例

示例 1：动态阈值判断（数值参数）

1. 新建数值参数：阈值，默认值 10000
2. 计算字段：订单类型 = IF(销售额 > ${阈值}, "大额", "小额")
3. 仪表板添加数值过滤组件，绑定阈值
4. 拖动滑块，图表自动区分大小订单

示例 2：动态时间同比（日期参数）

1. 新建日期参数：统计日期

2. 计算字段：

• 当年销售额：DEF(SUM_AGG(销售额), [], [YEAR(日期)=YEAR(${统计日期})])
• 去年同期：DEF(SUM_AGG(销售额), [], [YEAR(日期)=YEAR(${统计日期})-1])

3. 绑定日期过滤组件，切换日期自动刷新同比

示例 3：SQL 动态过滤（多参数）

SELECT * FROM 订单
WHERE 1=1
${IF(len(${区域})=0, "", "AND 区域 IN ('" + ${区域} + "')")}
${IF(len(${日期})=0, "", "AND 日期 >= '${日期}'")}
AND 销售额 > ${阈值}

总结

FineBI 参数是动态变量，按类型分文本、数值、日期，按范围分全局 / 主题 / 组件。核心用法：

1. 绑定过滤组件实现交互筛选
2. 参与计算字段实现动态计算
3. 嵌入 SQL实现动态取数与性能优化
4. 全局联动实现一屏多态分析

参数 = 动态变量，用于筛选、计算、传参、联动。

FineBI如何实现数据钻取/联动/跳转？

在 FineBI 中，钻取、联动、跳转是三大核心交互能力，分别对应明细下钻、组件同步、跨页导航。

一、数据钻取（Drill）

1. 概念

从汇总数据逐层下钻到明细（如：年→季→月→日、大区→省份→城市），也可上卷返回汇总。

• 本质：维度层级化，通过「钻取目录」定义父子关系。
• 适用：时间、地区、组织、产品等层级维度。

2. 实现步骤（普通钻取，最常用）

步骤 1：创建钻取目录（核心）

1. 进入数据分析→打开分析主题→新建组件（如柱状图）。
2. 在待分析区域→维度，右键目标字段（如「省份」）→创建钻取目录，命名（如「地区层级」）。
3. 将下一层字段（如「城市」「区县」）拖拽到钻取目录下，按业务顺序排列。
4. （可选）点击钻取目录→设置钻取顺序：固定 / 不固定。

步骤 2：组件配置与预览

1. 将钻取目录字段（如「地区层级」）拖入横轴 / 维度区，指标拖入纵轴 / 指标区。
2. 保存组件→进入仪表板预览。
3. 点击图表数据点→下钻；点击顶部层级→上卷。

3. 特殊钻取（快速配置）

• 日期钻取：直接用「日期」字段，系统自动生成年→季→月→日层级，无需手动建目录。
• 地图钻取：将字段转为地理角色（省 / 市 / 区），地图组件自动支持下钻。

4. 实战要点

• 钻取目录必须按业务逻辑排序（父→子），顺序错误会导致路径断裂。
• 横轴 / 维度区只能放一个钻取目录，不可同时放多个平铺维度。
• 明细表 / 分组表同样支持钻取，用于查看最明细数据。

二、数据联动（Linkage）

1. 概念

点击一个组件的数据，其他关联组件自动同步筛选，实现 “一触即变”。

• 本质：组件间数据过滤传递，基于字段关联。
• 适用：同仪表板内多组件协同分析（如地图 + 柱状图 + 表格）。

2. 实现方式（两种）

方式 1：系统默认联动（最省事）

1. 所有组件基于同一张表 / 关联好的多张表制作。
2. 仪表板中，系统自动建立默认联动，无需手动设置。
3. 预览：点击任意组件数据，其他组件自动过滤。

方式 2：手动 / 自定义联动（精准控制）

1. 进入仪表板编辑→选中源组件（如地图）→点击右上角联动设置。
2. 在弹出窗口：
   • 勾选需要联动的目标组件（可多选）。
   • 设置联动关系：双向 / 单向、是否启用。
   • （可选）自定义联动条件（如仅按「省份」联动）。
3. 保存→预览验证。

3. 实战要点

• 明细表 / 文本组件只能被联动，不能作为源触发联动。
• 过滤组件不参与联动，仅用于全局筛选。
• 跨表联动：需先在数据建模中建立表间关联（如订单表。省份 = 地区表。省份）。
• 清除联动：点击组件左上角「清除联动项」或仪表板顶部「清除所有联动」。

三、数据跳转（Jump / 超级链接）

1. 概念

点击组件数据，跳转到其他仪表板、FineReport 报表或外部网页，并可传递参数实现精准过滤

• 本质：页面导航 + 参数传递，打通多页面分析。
• 适用：从汇总看板跳转到明细看板、跨系统链接、报表穿透。

2. 实现步骤（跳转到仪表板，最常用）

步骤 1：准备目标页面

先制作好跳转目标仪表板（如「城市销售明细」），并确保有可接收参数的字段 / 过滤组件。

步骤 2：设置跳转与传参

1. 进入源仪表板编辑→选中源组件（如省份地图）→点击右上角跳转设置帆软。

2. 点击 + 添加跳转 →选择分析模板（跳转到自己的仪表板）或网页链接（跳转到他人 / 外部）。

3. 配置：

• 目标：选择已做好的目标仪表板。
• 打开位置：新窗口 / 对话框（全屏 / 默认）。
• 传参设置（关键）：点击自定义→添加源字段→目标字段映射（如源「省份」→目标「省份」）。

4. 保存→预览：点击源组件数据，自动跳转并过滤目标页面数据。

3. 其他跳转场景

• 跳转到 FineReport 报表：选择「FineReport 模板」，配置参数传递帆软。
• 跳转到外部网页：输入 URL，可在 URL 中拼接参数（如https://xxx.com?province=${省份}）帆软。
• 动态跳转：根据字段值跳转到不同链接（需用公式配置）帆软。

4. 实战要点

• 传参时，源字段与目标字段类型必须一致（文本→文本、日期→日期）。
• 跳转链接建议用相对路径，避免工程迁移后失效。
• 目标仪表板需公开 / 授权，否则跳转后无权限查看。

功能	核心作用	实现基础	范围	关键操作
钻取	汇总→明细下钻	维度层级（钻取目录）	单组件内	创建钻取目录→点击下钻
联动	组件间同步筛选	表关联 / 手动设置	同仪表板	联动设置→勾选目标组件
跳转	跨页导航 + 传参	超级链接 + 参数映射	跨仪表板 / 外部	跳转设置→配置目标与传参

总结

• 钻取：建钻取目录，实现单组件内层级下钻 / 上卷。
• 联动：基于表关联或手动设置，实现同仪表板组件同步过滤。
• 跳转：配置超级链接 + 参数传递，实现跨页 / 跨系统导航。

FineBI 计算字段

• 快速计算
• 聚合指标
• 表计算（同环比、占比、排名）

FineBI 权限体系

• 目录权限
• 数据权限（行权限、列权限）
• 部门 / 角色权限

FineBI 怎么做实时数据？

• 直连数据库
• 定时刷新
• 大屏监控