撰文者／先行智庫執行長 蘇書平

為什麼商業分析師需要 Power BI？

在競爭激烈的零售業環境中，數據是企業最重要的資產之一。然而，擁有數據還不夠，關鍵在於能否迅速從龐雜的數字中，挖掘出具有商業價值的洞察。Microsoft Power BI 正是專為此目的設計的商業智慧（Business Intelligence）工具。

本教學手冊以一份真實的零售業資料集為基礎，涵蓋「商品主檔」、「銷貨訂單明細」與「庫存明細表」三張相互關聯的資料表，透過循序漸進的步驟，帶領你完成從資料匯入、模型建置、指標計算，到圖表呈現與問題診斷的完整分析流程。

無論你是剛入門的數據新手，或是希望提升視覺化表達能力的中階分析師，這份手冊都能為你提供實用的參考。

第一章：了解資料結構與資料字典

1.1 本次使用的資料集概覽

良好的分析始於對資料的深度理解。在開始任何 Power BI 操作之前，我們必須先閱讀「資料字典」（Data Dictionary），確認每張資料表的用途、欄位定義與資料型態。

本次教學資料集包含以下三張工作表：

資料表名稱	資料表類型	說明
商品主檔	維度表（Dimension）	記錄商品代號、品類、品牌、建議售價、成本單價等屬性
銷貨訂單明細	事實表（Fact）	記錄每筆銷售的日期、客戶、通路、數量與金額
庫存明細表	事實表（Fact）	記錄各倉庫的期初庫存、進貨、銷貨與期末庫存狀態

其中，「商品代號」是三張資料表之間的共同關聯鍵（Join Key），這個設計符合標準的星狀綱要（Star Schema）模型架構。

1.2 重要欄位解說

根據資料字典，以下欄位在分析中特別重要：

• 銷售金額：由「銷售數量 × 單價」計算而來，是衡量業績最直接的指標。
• 期末庫存：公式為「期初庫存 + 進貨量 – 銷貨量 + 庫存調整」，反映當前庫存水位。
• 庫存狀態：若期末庫存 ≤ 安全庫存，系統自動標記「低於安全庫存」，是補貨預警的依據。
• 通路別：分為門市、電商、量販等，是通路績效比較的重要維度。
• 商品品類：涵蓋飲料等品類，可作為商品組合分析的分群依據。

💡	分析師建議： 在正式匯入 Power BI 之前，先用 Excel 瀏覽每張工作表的前 10 筆資料，確認資料格式是否正確（如日期欄位是否為 Date 型態、金額欄位是否為數值），可以避免後續清理資料的麻煩。

第二章：Power BI 資料匯入與清理

2.1 匯入 Excel 資料來源

開啟 Power BI Desktop 後，依照以下步驟匯入資料：

1. 點選上方功能列的「常用」→「取得資料」→「Excel 活頁簿」
2. 選取 retail_data_100.xlsx，勾選三張工作表：商品主檔、銷貨訂單明細、庫存明細表
3. 點選「轉換資料」進入 Power Query 編輯器進行資料清理
4. 確認欄位型態正確後，點選「關閉並套用」完成載入

2.2 Power Query 資料清理要點

進入 Power Query 後，需針對每張資料表進行以下確認與處理：

• 日期欄位型態：確認「訂單日期」與「庫存日期」為 Date 型態，而非文字。
• 移除公式殘留：銷貨訂單明細的「銷售金額」欄位若顯示公式字串，需重新計算為數值。
• 移除重複或空值列：檢查商品代號欄位是否有空白，避免關聯時出現孤立列。
• 統一文字格式：品類、通路別等文字欄位，確認大小寫與空格一致。

💡	Power Query 小技巧： 在「新增資料行」中，可以用「自訂資料行」功能手動建立計算欄位。例如：毛利率 = ([銷售金額] – [成本單價] * [銷售數量]) / [銷售金額]，方便後續在報表中直接使用。

第三章：建立資料模型與關聯分析

3.1 什麼是資料模型？

資料模型（Data Model）是 Power BI 分析的核心基礎。透過正確的資料模型，Power BI 才能跨資料表進行計算，讓你在一張圖表中同時展示商品維度與銷售事實的組合資訊。

本資料集採用典型的「星狀綱要」（Star Schema）設計：商品主檔作為中央維度表，銷貨訂單明細與庫存明細表作為環繞的事實表，三者透過「商品代號」建立關聯。

3.2 在 Power BI 建立資料表關聯

切換到「模型」檢視（Model View），可以看到三張資料表。按照以下步驟建立關聯：

• 將「商品主檔」的「商品代號」欄位，拖曳到「銷貨訂單明細」的「商品代號」欄位上，建立 1 對多關聯。
• 將「商品主檔」的「商品代號」欄位，拖曳到「庫存明細表」的「商品代號」欄位上，建立 1 對多關聯。
• 確認關聯方向：箭頭應從商品主檔（1）指向事實表（多），這是標準的維度→事實方向。

來源表（1）	關聯欄位	目標表（多）	關聯型態
商品主檔	商品代號	銷貨訂單明細	一對多 (1:*)
商品主檔	商品代號	庫存明細表	一對多 (1:*)

3.3 關聯分析的商業意義

建立正確的資料關聯後，分析師便能跨表提問，例如：

• 某品牌的商品，在電商通路的銷售金額是多少？（跨商品主檔與銷貨訂單明細）
• 哪些品類的商品目前庫存低於安全水位，且近期銷售量又快速成長？（跨庫存明細表與銷貨訂單明細）
• 建議售價與實際銷售單價的差距（折扣率）是否因通路不同而有顯著差異？（跨商品主檔與銷貨訂單明細）

這類跨表分析是 Power BI 相較於 Excel 樞紐分析表最大的優勢，能夠在幾秒鐘內回答複雜的商業問題。

第四章：使用 DAX 建立核心指標

4.1 什麼是 DAX？

DAX（Data Analysis Expressions）是 Power BI 專屬的公式語言，用來建立「量值」（Measure）。量值是動態計算的指標，會隨著圖表篩選器的不同而自動重新計算，是 Power BI 最強大的功能之一。

4.2 建立基礎量值

在「資料」檢視中，選取「銷貨訂單明細」資料表，點選「新增量值」，依序建立以下指標：

① 總銷售金額

總銷售金額 = SUM(‘銷貨訂單明細'[銷售金額])

這是最基礎的銷售指標，加總所有訂單的銷售金額。

② 總銷售數量

總銷售數量 = SUM(‘銷貨訂單明細'[銷售數量])

③ 平均銷售單價

平均銷售單價 = AVERAGE(‘銷貨訂單明細'[單價])

④ 毛利金額

毛利金額 = SUMX(‘銷貨訂單明細’, ‘銷貨訂單明細'[銷售數量] * (‘銷貨訂單明細'[單價] – RELATED(‘商品主檔'[成本單價])))

這個量值使用了 SUMX 逐列計算，以及 RELATED 函數跨表取得商品主檔的成本單價，展示了 DAX 跨表計算的能力。

⑤ 毛利率

毛利率 = DIVIDE([毛利金額], [總銷售金額], 0)

使用 DIVIDE 函數安全除法，避免除以零時產生錯誤。

⑥ 低庫存商品數

低庫存商品數 = COUNTROWS(FILTER(‘庫存明細表’, ‘庫存明細表'[庫存狀態] = “低於安全庫存”))

💡	DAX 最佳實踐： 量值名稱建議使用「動詞+名詞」的格式，如「總銷售金額」、「平均折扣率」，避免使用「Measure1」這類無意義名稱。所有量值建議集中放置在一個空資料表（命名為「_量值表」）中，方便管理。

第五章：建立有意義的視覺化圖表

5.1 圖表選擇的原則

許多初學者在 Power BI 中犯的最大錯誤，是「什麼都用長條圖」。正確的圖表選擇應根據分析目的決定：

分析目的	建議圖表類型	本資料集應用場景
比較不同類別的大小	群組橫條圖 / 直條圖	各品類銷售金額比較
追蹤時間趨勢	折線圖 / 面積圖	每日銷售金額走勢
顯示佔比結構	圓餅圖 / 環圈圖	各通路銷售佔比
找出相關性	散點圖	銷售數量 vs. 庫存調整關係
呈現多維度矩陣	矩陣圖（Matrix）	品類 × 通路的銷售金額交叉分析
監控關鍵指標	KPI 卡片 / 量測計	總銷售金額、毛利率達成狀況

5.2 圖表一：各品類銷售金額直條圖

這是零售業最基礎的分析圖表，用來快速判斷哪個商品品類貢獻最多營收。

設定方式：選取「群組直條圖」，X 軸放「商品品類」（來自商品主檔），Y 軸放「總銷售金額」（量值），並依金額遞減排序。

從此圖可以發現：若飲料品類佔整體銷售的比例過高（例如超過 60%），則顯示商品組合過於集中，存在業績過度依賴單一品類的風險，建議積極開發其他品類的銷售潛力。

5.3 圖表二：各通路銷售佔比環圈圖

通路結構分析是零售業策略規劃的重要依據。透過環圈圖（Donut Chart），可以一目了然地看出門市、電商、量販各通路的銷售佔比。

設定方式：選取「環圈圖」，圖例欄位放「通路別」，值欄位放「總銷售金額」。建議在圖表中心加上總銷售金額的數字卡片，讓閱讀者同時掌握結構與規模。

商業洞察：若電商通路佔比持續上升，而門市佔比下降，這不一定是壞事，但企業需要評估實體門市的固定成本是否合理，以及電商的物流成本是否影響整體毛利率。

5.4 圖表三：銷售金額時間趨勢折線圖

時間序列分析能揭示業績的週期性規律與異常波動，是銷售管理最重要的監控工具之一。

設定方式：選取「折線圖」，X 軸放「訂單日期」（設定為「日」或「週」層級），Y 軸放「總銷售金額」。建議同時疊加顯示目標線或前期同比線，方便判斷達成狀況。

異常診斷：當折線圖出現急劇下跌時，應立即交叉比對庫存明細表，確認是否因為庫存缺貨（期末庫存低於安全庫存）導致銷售機會流失，這是庫存管理與銷售分析關聯的典型應用場景。

5.5 圖表四：庫存狀態警示矩陣

庫存管理是零售業利潤管理的關鍵，庫存過多會佔用資金，庫存過少會造成缺貨損失。透過矩陣圖，可以跨品類與倉庫維度，快速找出高風險庫存。

設定方式：選取「矩陣」圖，列欄位放「商品品類」，欄欄位放「倉庫別」，值欄位放「低庫存商品數」。接著使用「條件式格式設定」，將數值大於 0 的儲存格標記為紅色背景，讓問題項目立即突顯。

這個圖表讓倉儲管理人員不需要逐筆翻閱資料，只需瀏覽一張矩陣，就能知道「哪個品類在哪個倉庫出現庫存預警」，大幅提升補貨決策的效率。

5.6 圖表五：毛利率散點圖（發現異常商品）

散點圖是發現資料異常值（Outlier）最有效的工具。我們可以用它找出「高銷量但低毛利」或「低銷量且低毛利」的問題商品。

設定方式：選取「散點圖」，X 軸放「總銷售數量」，Y 軸放「毛利率」，圖例放「商品品類」，泡泡大小放「總銷售金額」。

象限分析：將圖表區域想象成四個象限——右上象限（高銷量+高毛利）是明星商品，應積極推廣；左下象限（低銷量+低毛利）是問題商品，應考慮下架或調整定價；右下象限（高銷量+低毛利）是走量但不賺錢的商品，需要特別關注。

第六章：建立互動式儀表板

6.1 報表頁面規劃

一份好的 Power BI 儀表板，應根據不同的使用者角色來規劃頁面。建議將本零售資料集規劃為三個報表頁面：

• 執行摘要（Executive Summary）：放置 KPI 卡片、總銷售金額、毛利率、低庫存警示數量，讓管理層在 30 秒內掌握全貌。
• 銷售分析（Sales Analysis）：放置品類比較直條圖、通路環圈圖、時間趨勢折線圖，供業務主管進行深度分析。
• 庫存管理（Inventory Management）：放置庫存狀態矩陣、低庫存商品清單，供倉儲人員日常操作使用。

6.2 加入篩選器提升互動性

Power BI 的篩選器（Slicer）是讓報表從靜態變為互動式的關鍵工具。建議在每個頁面加入以下篩選器：

• 日期篩選器：選取「日期交叉分析篩選器」，讓使用者自由選擇分析的時間範圍。
• 通路別篩選器：讓業務主管可以快速切換查看特定通路的績效。
• 商品品類篩選器：讓商品部門聚焦在負責的品類資料。

進階技巧：在「格式」設定中開啟「跨報表頁面的篩選器同步」功能，讓使用者切換頁面時，篩選條件可以持續保留，提供一致的分析脈絡。

💡	儀表板設計原則： 遵循「5 秒原則」：使用者在看到儀表板的前 5 秒，應該就能知道最重要的資訊是什麼。建議將最關鍵的 KPI 卡片放在頁面左上角，因為這是人眼最先注意到的位置。避免在單一頁面放超過 6 個以上的視覺物件，過多資訊反而造成認知負擔。

第七章：從圖表中找出問題與商業洞察

7.1 分析師的思維框架：MECE 拆解法

優秀的商業分析師不只是製作圖表，更重要的是能從圖表中「說故事」（Data Storytelling）。建議採用 MECE（Mutually Exclusive, Collectively Exhaustive，相互獨立、完全窮盡）框架，確保分析無遺漏。

以「銷售下滑」問題為例，可以從以下維度進行系統性拆解：

• 是整體下滑，還是特定品類下滑？（品類維度）
• 是所有通路都下滑，還是特定通路下滑？（通路維度）
• 是長期趨勢，還是短期波動？（時間維度）
• 是因為缺貨導致，還是需求本身減少？（庫存×銷售關聯維度）

7.2 實戰案例：診斷銷售異常

假設在時間趨勢圖中發現某週銷售金額急劇下降，以下是標準的診斷流程：

1. 確認範圍：點選折線圖中的異常點，利用 Power BI 的「交叉篩選」功能，查看是哪些品類受影響。
2. 比對庫存：切換到庫存管理頁面，查看同期是否有大量商品出現「低於安全庫存」狀態。
3. 通路對比：在通路維度上比較，若只有「門市」通路下滑而電商正常，可能是特定實體門市運營問題。
4. 業務員分析：加入「業務員」維度，確認是特定業務員的負責客戶出現問題，還是全面性的市場因素。
5. 產出洞察報告：將發現整理為「問題 → 根因假設 → 建議行動」的三段式洞察報告，向管理層匯報。

7.3 常見的分析盲點與避免方法

即使是資深分析師，也容易掉入以下陷阱：

• 相關性不等於因果性：散點圖顯示兩個變數有關聯，不代表一個「造成」另一個。需要結合業務知識進行判斷。
• 忽略資料時間落差：庫存明細表的日期與銷售日期可能不同步，分析時需注意比較的是同一時間區間。
• 被總計數字誤導：整體毛利率看起來很好，但可能是少數高毛利商品拉高平均值，背後可能隱藏大量低毛利商品。務必下鑽（Drill Down）到明細層次確認。
• 過度詮釋小樣本：若某個品類的銷售記錄只有 3 筆，其「毛利率最高」的排名沒有統計意義，不應據此做出重大決策。

第八章：Power BI 發佈與協作

8.1 發佈到 Power BI Service

完成本機端的報表製作後，可透過以下步驟將報表發佈到 Power BI Service（雲端平台），讓團隊成員透過瀏覽器或手機 App 存取：

• 點選 Power BI Desktop 右上角的「發佈」按鈕。
• 選擇目標工作區（Workspace），建議依部門或專案建立獨立工作區。
• 設定資料更新排程：若資料來源每日更新，可設定「排程重新整理」，讓報表每日自動取得最新資料。

8.2 設定資料列層級安全性（RLS）

在企業環境中，不同角色的人員應只能看到與自己相關的資料。Power BI 的「資料列層級安全性」（Row-Level Security，RLS）功能可以實現這個需求。

例如，可以設定「業務員王小明只能看到自己負責的訂單資料」，其他業務員的資料對他不可見。設定方式：在「模型」檢視中，點選「管理角色」，為每個角色建立 DAX 篩選條件：

[業務員] = USERPRINCIPALNAME()

這個設定讓同一份報表可以安全地分享給整個業務團隊，而每位業務員只會看到自己的業績資料。

從工具使用者到資料思考者

Power BI 只是一個工具，真正讓分析師產生商業價值的，是背後的「數據思維」—— 能夠定義正確的問題、建立合適的模型、選擇有說服力的圖表，並最終將數字轉化為可執行的商業建議。

本手冊以零售業資料集為例，帶領你走過了資料理解、模型建置、指標設計、圖表製作到問題診斷的完整流程。這套方法論並不局限於零售業，同樣適用於製造業、金融業、服務業等各種情境。

如有任何問題或需求，請填寫以下表單，我們將竭誠為您解答！
您也可以透過以下按鈕了解更多資源：