你出门会带什么?对于大多数人来说,一个手机就够了。
原先手机只能用来通话、短信,现在随着移动应用的出现,手机已经渐渐能够取代了一些pc端的功能,成为了企业管理的利器。
吃早餐时,某零售企业的CEO老张看着手机里的月报,本月运营情况便一目了然;
候机室里,区域销售经理小陈的手机收到了销售异常预警,从而为快速组织应对争取了时间;
会议间隙,人力资源总监小李拿出了手机查看公司人力情况,根据公司发展战略,组织制定人力资源战略规划……
由此可见,办公移动化已经成为了企业经营的一大发展趋势,在企业数据管理领域,移动端报表也成为了现代企业运营管理的迫切需要。
移动端报表应该怎么做?很多报表工程师做pc端的报表模版已经很熟练了,但一遇到移动端模版还是很犯难:总觉得手机屏幕太小,想放的数据放不下;领导对移动端模版越来越追求美感;模版缺乏交互感,干巴巴的没人愿意看….
其实移动端报表制作并不难,我们通常把移动端报表称为移动驾驶舱,也就是把企业经营日报、各类数据分析报告等数据做成可视化放到了移动端设备上,换句话来说就是个迷你版的dashboard ,和pc端的做法其实差不不大,换汤不换药,下面我就用FineReport的移动端来教一下大家如何简单制作一张移动端模板。
1、需求调研
无论是PC端还是移动端,动手设计报表模版之前,肯定是要有需求调研这一步的,报表做了是给谁看的,老板想看什么内容,有哪些关键指标要展示等等,这些问题都是要提前搞清楚的。
2、模板制作
(1)、数据链接
数据链接的部分和pc端完全一样,点击服务器——定义数据链接,链接好数据源
(2)、开启手机模板模式,调整画布大小
FineReport的普通报表模式和决策报表模式都可以用来制作移动端模版,两者的区别和pc端一样,普通报表模式适合传统报表制作,决策报表各组件之间是独立的,可以自由布局,操作灵活,适合做驾驶舱。给管理层和决策层做的移动端模版大多是用来监控数据的,一般选用决策报表模式。
普通报表模式
决策报表模式
在PC设计器中设计手机模板,由于屏幕尺寸的较大差异,我们可能会对组件布局、组件大小的设置存在很多的问题,所以在设计手机报表之前时,要将模版设置为手机端模版。
设计器会自动调整为适配手机屏幕的大小,适应手机尺寸,让模板内容在设计器上的样式与手机上的最终效果更为接近,减少不必要的调整。
2、布局设计
在整体布局的设计中,建议采用:先汇总再细分的原则。
先将不同时间粒度下的汇总数据优先呈现出来,让管理者一眼就能看到指标当前的进展与状态,然后再向下拆解详细数据,数据细分过程中需要按照一定的分析逻辑,比如说:整体走势、趋势分析——分类占比分析——分类明细数据
比方说我们要做一张公司年度利润表,就要先把签约总金额额,净利润等重要数据汇总,然后按照城市维度拆分明细数据,这样老板一眼就能了解到关键指标情况,若发现异常然后再查找明细数据发现问题。
除了自己设计布局之外,也可以参考一些已有的demo模版,在文末给大家准备了体验地址。
3、选择报表组件
根据需要展示的数据指标整理数据,选择模板所需要的报表组件,操作和pc端相同
当组件个数过多时可以采用下面两种方式:一是根据组件大小和个数调整画布整体高度,二是利用tab组件,把不同数据填至不同的tab页。
在决策报表模式下,拖拽tab到画布上,在控件设置选中tabpane>样式模板>设置移动端tab样式,tab样式有上菜单式、下菜单式、滑动式等。
然后再分别将每个tab块对应的图标组件内容填充,链接好数据
预览时,点击不同的tab块就可以跳转到相应的报表页面
4、细节优化
4.1组件间隔
移动端的APP为了满足用户阅读的舒适感,会为不同类型的功能区域之间设置间隔,移动端报表也是一样,我们需要让用户更愿意阅读模板中的数据。
一般情况下,移动报表不会简单的只有一个表格或者一个图表,而是包含了很丰富的内容,由很多的组件组合而来,这个时候怎样才能让我们做出来的报表更加具有条理性呢?关键是需要对我们报表里面的内容按照类别或者模块来进行划分,合理的布局。
点击控件设置>body>移动端>内边距、组件间隔进行设置
4.2点缀数据,突出重点
除了通过独立的图表组件将数据可视化以外,还可以利用报表块的强大功能,将数据本身与颜色、进度条、增长趋势组合起来,突出重点数据:
5、结果展示与分享
最后制作完成的移动端模板,用手机扫描二维码就可以在移动端预览,网络不好的时候可以开启离线模式,离线查看报表,还可以设置定时消息推送,与微信、钉钉等平台集成,通知老板及时查看。
6、移动端报表的其他应用场景
移动端报表在企业的应用场景远不止上面所说的满足管理层的数据查看需求,对业务层来说,移动端报表也可以为日常的业务分析和业务处理提供指南针,比如销售日报、生产日报等日报推送;移动端扫码查询商品信息;员工信息填报等等。
BI 可视化
原创文章,作者:奋斗,如若转载,请注明出处:https://blog.ytso.com/tech/bigdata/172971.html