
在數(shù)據(jù)可視化領(lǐng)域,熱力地圖憑借 “直觀呈現(xiàn)數(shù)據(jù)密度與分布趨勢” 的核心優(yōu)勢,成為業(yè)務(wù)分析中不可或缺的工具。尤其在區(qū)域數(shù)據(jù)對比(如門店銷售、用戶分布)、異常值定位(如高風(fēng)險(xiǎn)區(qū)域、低效片區(qū))場景中,熱力地圖能將枯燥的數(shù)字轉(zhuǎn)化為 “顏色梯度”,讓決策者一眼洞察關(guān)鍵信息。Power BI 作為主流商業(yè)智能工具,內(nèi)置的熱力地圖功能無需復(fù)雜代碼,即可實(shí)現(xiàn)從數(shù)據(jù)到可視化的快速落地。本文將系統(tǒng)拆解 Power BI 熱力地圖的制作全流程,涵蓋數(shù)據(jù)準(zhǔn)備、基礎(chǔ)操作、進(jìn)階優(yōu)化與行業(yè)實(shí)戰(zhàn),助力你高效完成區(qū)域數(shù)據(jù)可視化分析。
在學(xué)習(xí)制作前,先明確熱力地圖的 “不可替代性”—— 它通過顏色深淺 / 飽和度對應(yīng)數(shù)據(jù)數(shù)值大?。ㄈ缂t色代表高值、藍(lán)色代表低值),能直觀展示 “空間維度下的數(shù)據(jù)分布規(guī)律”,彌補(bǔ)表格數(shù)據(jù) “難感知趨勢” 的短板。其典型應(yīng)用場景包括:
行業(yè)領(lǐng)域 | 應(yīng)用場景 | 分析目標(biāo) |
---|---|---|
零售行業(yè) | 門店銷售額熱力地圖 | 定位高業(yè)績區(qū)域,指導(dǎo)新店選址、庫存調(diào)配 |
互聯(lián)網(wǎng)行業(yè) | 用戶訪問 IP 熱力地圖 | 識別核心用戶集中城市,優(yōu)化服務(wù)器部署、市場投放 |
物流行業(yè) | 配送時(shí)效熱力地圖 | 發(fā)現(xiàn)配送延遲高發(fā)片區(qū),調(diào)整配送路線、站點(diǎn)布局 |
政務(wù) / 公共服務(wù) | 政務(wù)辦理量熱力地圖 | 平衡各區(qū)域服務(wù)資源,減少群眾辦事等待時(shí)間 |
例如:某連鎖超市通過 Power BI 制作全國門店熱力地圖后,發(fā)現(xiàn)華東地區(qū)紅色高值區(qū)域集中(銷售額超 500 萬 / 月),而西南部分城市呈淺藍(lán)色(不足 100 萬 / 月),進(jìn)而針對性在西南加開促銷活動,3 個月后該區(qū)域銷售額提升 40%—— 這正是熱力地圖 “驅(qū)動決策” 的核心價(jià)值。
Power BI 熱力地圖對數(shù)據(jù)源的 “格式規(guī)范性” 要求較高,錯誤的數(shù)據(jù)格式會導(dǎo)致地圖顯示異常(如空白、錯位)。需重點(diǎn)關(guān)注以下兩步準(zhǔn)備工作:
熱力地圖本質(zhì)是 “地理信息 + 數(shù)值數(shù)據(jù)” 的結(jié)合,數(shù)據(jù)源需包含兩類關(guān)鍵字段,具體格式如下:
字段類型 | 說明 | 示例(正確格式) | 注意事項(xiàng) |
---|---|---|---|
地理信息字段 | 用于定位區(qū)域(二選一即可) | 1. 經(jīng)緯度:緯度 39.9042,經(jīng)度 116.40742. 標(biāo)準(zhǔn)地區(qū)名:北京市、廣東省 | 1. 經(jīng)緯度需分開為兩個字段(不可合并)2. 地區(qū)名需與 Power BI 地理數(shù)據(jù)庫匹配(如 “北京市” 不可簡寫成 “北京”,“廣東省” 不可寫成 “廣東”) |
數(shù)值數(shù)據(jù)字段 | 用于映射顏色深淺(如銷售額、訪問量) | 銷售額:580000 元、訪問量:12000 次 | 需為數(shù)值類型(不可含文本,如 “58 萬” 需轉(zhuǎn)為 “580000”) |
示例數(shù)據(jù)源結(jié)構(gòu)(零售門店銷售數(shù)據(jù)):
門店 ID | 省份 | 城市 | 緯度 | 經(jīng)度 | 月銷售額(元) | 門店面積(㎡) |
---|---|---|---|---|---|---|
001 | 北京市 | 朝陽區(qū) | 39.929 | 116.486 | 620000 | 120 |
002 | 上海市 | 黃浦區(qū) | 31.231 | 121.473 | 580000 | 100 |
003 | 廣東省 | 深圳市 | 22.543 | 114.058 | 750000 | 150 |
原始數(shù)據(jù)常存在 “格式錯誤”“缺失值” 等問題,需在 Power BI 中完成清洗,避免影響地圖生成:
處理缺失值:
若 “地理字段”(如緯度)缺失,選中字段→右鍵→“替換值”,用 “無數(shù)據(jù)” 標(biāo)記(或刪除該行,避免地圖顯示空白);若 “數(shù)值字段” 缺失,可用 “平均值” 填充(DAX 公式:填充銷售額=IF(ISBLANK('銷售數(shù)據(jù)'[月銷售額]),AVERAGE('銷售數(shù)據(jù)'[月銷售額]),'銷售數(shù)據(jù)'[月銷售額])
)。
統(tǒng)一地理格式:
若地區(qū)名不標(biāo)準(zhǔn)(如 “廣東”“廣州市”),通過 “編輯查詢”→“替換值”,將 “廣東” 改為 “廣東省”,“廣州市” 補(bǔ)充為 “廣東省 - 廣州市”(確保與 Power BI 地理編碼匹配);若經(jīng)緯度格式為文本(如 “39.929,116.486”),用 “拆分列” 按 “逗號” 分割為 “緯度”“經(jīng)度” 兩個數(shù)值字段。
數(shù)據(jù)聚合(可選):
若數(shù)據(jù)粒度過細(xì)(如按 “門店” 統(tǒng)計(jì)),可通過 DAX 創(chuàng)建聚合字段,如 “各城市平均銷售額”(公式:城市平均銷售額=AVERAGE('銷售數(shù)據(jù)'[月銷售額])
),讓熱力地圖按 “城市” 層級顯示,避免信息過載。
完成數(shù)據(jù)準(zhǔn)備后,即可通過 4 步快速制作基礎(chǔ)熱力地圖,以下操作基于 Power BI Desktop(2024 版)演示:
打開 Power BI Desktop,點(diǎn)擊左側(cè) “獲取數(shù)據(jù)”→選擇數(shù)據(jù)來源(如 Excel、CSV、數(shù)據(jù)庫);
選中清洗后的數(shù)據(jù)源(如 “零售門店銷售數(shù)據(jù).xlsx”),點(diǎn)擊 “加載”,等待數(shù)據(jù)加載至 “數(shù)據(jù)模型”(右側(cè) “字段” 面板會顯示所有字段)。
根據(jù)地理信息類型(經(jīng)緯度 / 地區(qū)名),選擇對應(yīng)配置方式,確保地圖正確定位:
在右側(cè) “字段” 面板中,將 “緯度” 字段拖拽至熱力地圖的 “緯度” 區(qū)域(下方 “視覺對象” 配置欄→“位置”→“緯度”);
將 “經(jīng)度” 字段拖拽至 “經(jīng)度” 區(qū)域;
將數(shù)值字段(如 “月銷售額”)拖拽至 “值” 區(qū)域 —— 此時(shí)地圖會自動顯示熱力分布:銷售額越高的門店,顏色越深(默認(rèn)紅色為高值、藍(lán)色為低值)。
將 “省份” 字段拖拽至 “位置” 區(qū)域,Power BI 會自動識別為 “國家 / 地區(qū) - 省 / 市 / 自治區(qū)” 層級;
(可選)若需更細(xì)粒度(如城市),將 “城市” 字段拖拽至 “位置” 區(qū)域(位于 “省份” 下方,形成 “省份→城市” 層級);
將 “月銷售額” 拖拽至 “值” 區(qū)域,地圖會按 “省份 / 城市” 顯示熱力(如廣東省整體呈深紅色,代表高銷售額)。
為讓熱力地圖更易讀,需進(jìn)行簡單美化:
調(diào)整顏色梯度:
點(diǎn)擊右側(cè) “格式” 面板(油漆桶圖標(biāo))→“數(shù)據(jù)顏色”→“顏色飽和度”,可自定義高值 / 低值顏色(如將高值改為 “#E74C3C”(紅色),低值改為 “#3498DB”(藍(lán)色)),并勾選 “顯示圖例”(讓讀者理解顏色含義)。
添加數(shù)據(jù)標(biāo)簽:
若需顯示具體數(shù)值,點(diǎn)擊 “格式”→“數(shù)據(jù)標(biāo)簽”→開啟 “數(shù)據(jù)標(biāo)簽”,并設(shè)置字體大?。ㄈ?10 號字)、顏色(黑色),避免與熱力顏色重疊。
修改地圖標(biāo)題:
雙擊畫布上的 “熱力地圖標(biāo)題”,改為業(yè)務(wù)化名稱(如 “2024 年 Q2 全國門店銷售額熱力地圖”),設(shè)置字體大小(14 號字)、加粗。
基礎(chǔ)熱力地圖僅能展示 “分布”,通過以下優(yōu)化技巧,可提升交互性與分析深度,滿足復(fù)雜業(yè)務(wù)需求:
當(dāng)數(shù)據(jù)包含 “國家→省份→城市→門店” 多層級時(shí),可設(shè)置 “下鉆” 功能,實(shí)現(xiàn)從宏觀到微觀的分析:
點(diǎn)擊熱力地圖右上角的 “下鉆” 按鈕(圖標(biāo)為 “↓”),可從 “全國” 下鉆至 “省份”,再下鉆至 “城市”,觀察不同層級的銷售分布(如全國看華東高值,下鉆后發(fā)現(xiàn)上海黃浦區(qū)是核心)。
通過切片器篩選不同維度(如時(shí)間、門店類型),觀察熱力地圖變化,挖掘數(shù)據(jù)規(guī)律:
點(diǎn)擊 “視覺對象”→“切片器”,添加 “日期” 切片器(拖拽 “月份” 字段至切片器);
選擇切片器中的 “2024 年 3 月”,熱力地圖會自動更新為 3 月的銷售額分布;再切換為 “4 月”,對比兩個月的區(qū)域銷售變化(如發(fā)現(xiàn) 4 月西南地區(qū)熱力加深,可能是促銷活動見效)。
當(dāng)數(shù)據(jù)量超 10 萬條時(shí),熱力地圖可能卡頓,需通過以下方式優(yōu)化:
數(shù)據(jù)聚合:用 DAX 創(chuàng)建 “按城市聚合” 的計(jì)算表(公式:城市聚合表=SUMMARIZE('銷售數(shù)據(jù)','銷售數(shù)據(jù)'[省份],'銷售數(shù)據(jù)'[城市],"總銷售額",SUM('銷售數(shù)據(jù)'[月銷售額]))
),基于聚合表制作地圖,減少數(shù)據(jù)量;
關(guān)閉不必要的交互:在 “格式”→“交互” 中,關(guān)閉 “數(shù)據(jù)提示”(鼠標(biāo)懸停顯示詳情)以外的功能(如 “高亮”);
調(diào)整地圖分辨率:在 “格式”→“地圖設(shè)置” 中,將 “分辨率” 改為 “低”(適合快速預(yù)覽)或 “中”(平衡精度與速度)。
以 “某連鎖超市 2024 年 Q2 門店銷售數(shù)據(jù)” 為例,完整演示從制作到分析的全流程:
數(shù)據(jù)源包含:門店 ID、省份、城市、緯度、經(jīng)度、月銷售額、門店面積、門店類型(社區(qū)店 / 商圈店),共 120 條記錄。
導(dǎo)入數(shù)據(jù)后,用 DAX 創(chuàng)建 “門店類型銷售額” 字段:社區(qū)店銷售額=IF('銷售數(shù)據(jù)'[門店類型]="社區(qū)店",'銷售數(shù)據(jù)'[月銷售額],0)
;
插入熱力地圖,用 “經(jīng)緯度” 定位,“社區(qū)店銷售額” 作為 “值”;
添加 “門店類型” 切片器(篩選 “社區(qū)店”“商圈店”)和 “月份” 切片器。
區(qū)域差異:華東、華南地區(qū)社區(qū)店熱力顯著高于華北(如上海、深圳社區(qū)店月銷售額超 60 萬,北京社區(qū)店平均僅 40 萬),需分析華北社區(qū)店的選址或商品結(jié)構(gòu)問題;
類型對比:切換切片器至 “商圈店”,發(fā)現(xiàn)商圈店高值集中在省會城市核心商圈(如廣州天河城、成都春熙路),而社區(qū)店高值集中在居民區(qū)密集區(qū)域 —— 可指導(dǎo)后續(xù)門店類型布局(居民區(qū)開社區(qū)店,核心商圈開商圈店);
異常值定位:某門店(位于杭州西湖區(qū))經(jīng)緯度正確,但熱力顏色異常(藍(lán)色低值),查看數(shù)據(jù)發(fā)現(xiàn)其 “月銷售額僅 15 萬”,進(jìn)一步分析得知該門店剛開業(yè) 1 個月,屬于正?,F(xiàn)象,無需調(diào)整。
制作熱力地圖時(shí),常遇到 “地圖顯示異?!薄皵?shù)據(jù)不匹配” 等問題,以下是高頻問題的解決方法:
常見問題 | 原因分析 | 解決方案 |
---|---|---|
地圖顯示空白,無任何熱力 | 1. 地理字段格式錯誤(如 “北京” 未加 “市”)2. 經(jīng)緯度放反(緯度→經(jīng)度,經(jīng)度→緯度) | 1. 統(tǒng)一地區(qū)名為 “XX 省 / 市” 格式2. 交換 “緯度”“經(jīng)度” 字段位置 |
顏色區(qū)分不明顯(全紅 / 全藍(lán)) | 數(shù)值差異過?。ㄈ缢虚T店銷售額均在 50-60 萬)2. 顏色梯度設(shè)置不合理 | 1. 用 “銷售額增長率” 替代 “銷售額”(差異更明顯)2. 在 “數(shù)據(jù)顏色” 中調(diào)整 “最小值”“最大值” 范圍(如設(shè)為 30 萬 - 80 萬) |
切片器篩選后,熱力地圖無變化 | 切片器字段與熱力地圖字段 “未關(guān)聯(lián)”(來自不同表) | 檢查 “數(shù)據(jù)模型”→確保切片器字段和熱力地圖字段所在表已建立關(guān)系(如通過 “門店 ID” 關(guān)聯(lián)) |
鼠標(biāo)懸停不顯示數(shù)據(jù)詳情 | “數(shù)據(jù)提示” 功能未開啟 | 點(diǎn)擊 “格式”→“數(shù)據(jù)提示”→開啟 “顯示數(shù)據(jù)提示”,并勾選需顯示的字段(如 “門店 ID”“銷售額”) |
Power BI 熱力地圖的核心價(jià)值,在于 “將空間數(shù)據(jù)轉(zhuǎn)化為直觀決策依據(jù)”—— 無需復(fù)雜代碼,只需規(guī)范數(shù)據(jù)、合理配置字段,即可快速落地。無論是零售、互聯(lián)網(wǎng)還是政務(wù)領(lǐng)域,掌握熱力地圖制作,能讓你在區(qū)域數(shù)據(jù)分析中更高效、更精準(zhǔn)。
未來,隨著 Power BI 功能升級,熱力地圖將進(jìn)一步融合 AI 能力(如基于歷史熱力預(yù)測未來區(qū)域趨勢)、3D 可視化(如樓層內(nèi)的熱力分布),為業(yè)務(wù)分析提供更深度的支持。建議在實(shí)踐中多嘗試 “不同字段組合”(如用 “銷售額 / 門店面積” 計(jì)算 “坪效” 作為熱力值)、“多視覺對象聯(lián)動”(熱力地圖 + 表格 + 折線圖),讓數(shù)據(jù)可視化從 “展示” 走向 “驅(qū)動決策”。
最后,記住:好的熱力地圖不僅要 “好看”,更要 “有用”—— 始終圍繞業(yè)務(wù)目標(biāo)(如提升銷售額、優(yōu)化資源)設(shè)計(jì),才能讓可視化真正發(fā)揮價(jià)值。
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
DSGE 模型中的 Et:理性預(yù)期算子的內(nèi)涵、作用與應(yīng)用解析 動態(tài)隨機(jī)一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結(jié)構(gòu)數(shù)據(jù)特征價(jià)值的專業(yè)核心 表結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲的結(jié)構(gòu)化數(shù)據(jù),如數(shù)據(jù)庫表、Excel 表、 ...
2025-09-17Excel 導(dǎo)入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實(shí)戰(zhàn)應(yīng)用 在用 Python(如 pandas 庫)處理 Excel 數(shù)據(jù)時(shí),“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗(yàn)與 t 檢驗(yàn):差異、適用場景與實(shí)踐應(yīng)用 在數(shù)據(jù)分析與統(tǒng)計(jì)學(xué)領(lǐng)域,假設(shè)檢驗(yàn)是驗(yàn)證研究假設(shè)、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結(jié)構(gòu)數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 存儲的結(jié)構(gòu)化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計(jì)劃中 rows 數(shù)量的準(zhǔn)確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計(jì)劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對象的 text 與 content:區(qū)別、場景與實(shí)踐指南 在 Python 進(jìn)行 HTTP 網(wǎng)絡(luò)請求開發(fā)時(shí)(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結(jié)構(gòu)數(shù)據(jù)價(jià)值的核心操盤手 表格結(jié)構(gòu)數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫表)是企業(yè)最基礎(chǔ)、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請求工具對比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長浮點(diǎn)數(shù)據(jù)的科學(xué)計(jì)數(shù)法問題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長浮點(diǎn)數(shù)據(jù)時(shí)的科學(xué)計(jì)數(shù)法問題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務(wù)數(shù)據(jù)分析步驟的落地者與價(jià)值優(yōu)化者 業(yè)務(wù)數(shù)據(jù)分析是企業(yè)解決日常運(yùn)營問題、提升執(zhí)行效率的核心手段,其價(jià)值 ...
2025-09-12用 SQL 驗(yàn)證業(yè)務(wù)邏輯:從規(guī)則拆解到數(shù)據(jù)把關(guān)的實(shí)戰(zhàn)指南 在業(yè)務(wù)系統(tǒng)落地過程中,“業(yè)務(wù)邏輯” 是連接 “需求設(shè)計(jì)” 與 “用戶體驗(yàn) ...
2025-09-11塔吉特百貨孕婦營銷案例:數(shù)據(jù)驅(qū)動下的精準(zhǔn)零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當(dāng)下,精準(zhǔn)營銷成為企業(yè)突圍的核心方 ...
2025-09-11CDA 數(shù)據(jù)分析師與戰(zhàn)略 / 業(yè)務(wù)數(shù)據(jù)分析:概念辨析與協(xié)同價(jià)值 在數(shù)據(jù)驅(qū)動決策的體系中,“戰(zhàn)略數(shù)據(jù)分析”“業(yè)務(wù)數(shù)據(jù)分析” 是企業(yè) ...
2025-09-11Excel 數(shù)據(jù)聚類分析:從操作實(shí)踐到業(yè)務(wù)價(jià)值挖掘 在數(shù)據(jù)分析場景中,聚類分析作為 “無監(jiān)督分組” 的核心工具,能從雜亂數(shù)據(jù)中挖 ...
2025-09-10統(tǒng)計(jì)模型的核心目的:從數(shù)據(jù)解讀到?jīng)Q策支撐的價(jià)值導(dǎo)向 統(tǒng)計(jì)模型作為數(shù)據(jù)分析的核心工具,并非簡單的 “公式堆砌”,而是圍繞特定 ...
2025-09-10CDA 數(shù)據(jù)分析師:商業(yè)數(shù)據(jù)分析實(shí)踐的落地者與價(jià)值創(chuàng)造者 商業(yè)數(shù)據(jù)分析的價(jià)值,最終要在 “實(shí)踐” 中體現(xiàn) —— 脫離業(yè)務(wù)場景的分 ...
2025-09-10機(jī)器學(xué)習(xí)解決實(shí)際問題的核心關(guān)鍵:從業(yè)務(wù)到落地的全流程解析 在人工智能技術(shù)落地的浪潮中,機(jī)器學(xué)習(xí)作為核心工具,已廣泛應(yīng)用于 ...
2025-09-09SPSS 編碼狀態(tài)區(qū)域中 Unicode 的功能與價(jià)值解析 在 SPSS(Statistical Product and Service Solutions,統(tǒng)計(jì)產(chǎn)品與服務(wù)解決方案 ...
2025-09-09