本文简介：
每月从系统导出一张销售订单明细，几千行、几百家门店，老板问「这个月卖得怎么样」，只能临时拉透视表——每次拉的口径还不一样，数字对不上就得重来。
这篇文章借一个手机厂商国别经销团队的真实需求（数据已脱敏，地名与机型均为替换后的示例），把一条完整路径讲透：两张 Excel 怎么洗成一张能反复用的一维明细表、净销量与退货率口径怎么定、分州地图怎么画、为什么「州」要按收货地址而不是销售区域、机型与门店怎么联动下钻，以及怎么看穿地图上看不见的客单价差异。
文内嵌了一套可以直接点击的分州地图看板 Demo：点州、点机型，全页图表跟着联动；文末附数据接入方法、常见坑清单与 FAQ。
核心结论速览：销售看板要看哪些指标、口径怎么定？
先把整套方法的口径浓缩成一张表，后文逐条展开：
| 环节 | 口径 / 做法 |
|---|---|
| 数据源 | 销售订单明细 + 退货订单明细（两张 Excel，结构固定，月月导出） |
| 清洗 | Power Query 建固定管线 → 一张一维明细表，一行 = 一张订单的一个机型 |
| 净销量 | 销售数量 − 退货数量（退货行以负数入表，求和即净值） |
| 净销售额 | 销售金额 − 退货金额 |
| 退货率 | 退货台数 ÷ 销售台数 |
| 客单价 | 净销售额 ÷ 净销量 |
| 地理口径 | 分州地图按收货地址所在州，不按销售区域（管理口径会变） |
| 地图实现 | ECharts registerMap + 州级 GeoJSON（ADM1 级），抽稀后约 100 KB |
| 交互联动 | 点州 / 点机型 → KPI 与全部图表一起筛选 |
| 数据链路 | Power Query 清洗 → 一维表 → 看板整文件替换 data.js |
说明：本文所有数据均为脱敏演示数据（客户名称、机型、门店、仓库与地理信息均已替换，金额按令吉计）。数量、日期与单据结构未作改动，因此集中度、退货率、机型结构这类结构性结论依然成立；口径与真实交付完全一致，方法可以直接复用到你家数据上。
客户是谁？这个案例要解决什么痛点？
答案先行：一家手机厂商的国别经销团队（也是我们的一对一陪跑客户），每月从商家后台导出两张 Excel——销售订单详情和退货订单详情，要一张销售看板，点名要有全国分省的地图。
先澄清一个容易搞错的认知：这不是连锁零售的门店 POS 数据。卖方固定（品牌方），买方是各地独立的手机店——本例 676 家，绝大多数是独立小店。所以这份数据看的是经销商进货（订货），不是终端零售。口径搞错，后面所有分析都是错的。
痛点集中在三条：
| # | 痛点（客户原话归纳） | 后果 |
|---|---|---|
| 1 | 每月导出几千行，临时拉透视表 | 每次口径不同，数字对不上 |
| 2 | 老板要看「哪个州卖得好」 | 表格说不清，缺地图 |
| 3 | 想知道哪个机型、哪个仓在跑量 | 每次都要重做一遍筛选 |
结构化之后其实是四件事：把两张表洗成一张 → 定净销量口径 → 画分州地图 → 让机型 / 仓库 / 门店能联动下钻。
两张 Excel 怎么洗成一张能反复用的明细表？
答案先行：Power Query 建一条固定管线，两张源表进去、一张一维明细表出来，一行 = 一张订单的一个机型。数据每月结构固定，所以管线建一次，之后就是「替换源文件 → 刷新」。
| 层 | 内容 |
|---|---|
| 源 | 销售订单详情（8,021 行）+ 退货订单详情（14 行），列结构固定 |
| 清洗 | 统一列名、规范日期、拆出门店代码、补州字段 |
| 一维表 | 期间 / 类型 / 单号 / 日期 / 店铺 / 区域 / 州 / 地图 / 仓库 / 机型 / 数量 / 金额 |
| 输出 | 一张 xlsx，8,035 行 |
两个关键决定：
其一，退货行以负数入表。 退货数量与金额直接取负，这样任何维度求和都是「净值」，不用在每个度量值里再写一次「销售 − 退货」。本例 3,122 张销售单、6 张退货单，求和后：销售 58,809 台、退货 164 台、净销量 58,645 台。
其二，州字段要单独判定。 原始导出只有「销售区域」（城市名），没有州。清洗时按城市名建一张映射表判定所属州——本例 22 个城市 → 15 个州，判定不出来的落「未识别」，清洗完必须检查它是 0。这一步偷懒，地图就会缺一大块，而且各州金额加总对不上总数。
净销量、退货率、客单价，口径到底怎么定？
答案先行：净销量 = 销售 − 退货；退货率 = 退货台数 ÷ 销售台数；客单价 = 净销售额 ÷ 净销量。三个数各有各的用处，别混着用。
2026 年 6 月这批数据（脱敏演示）跑出来是这样：
| 指标 | 数值 |
|---|---|
| 销售订单 / 退货单 | 3,122 张 / 6 张 |
| 销售台数 / 退货台数 | 58,809 / 164 |
| 净销量 | 58,645 台 |
| 退货率 | 0.28% |
| 净销售额 | 5,278.3 万令吉 |
| 客单价 | 900 令吉/台 |
| 覆盖 | 676 家门店 · 42 款机型 · 22 个城市 · 15 个州 · 7 个仓库 |
| 有效销售日 | 24 天，日均 2,444 台 |
退货率 0.28% 这个数本身是「没问题」的信号——说明这批货在渠道里没有系统性质量或错发问题。但真正要盯的是它的单量结构：6 张退货单相对 3,122 张销售单，一旦某个月退货单张数跳到几十张，即便退货率还只有 1%，也意味着某个州或某个机型出了批次问题。所以看板把「退货单张数」和 KPI 放在一起，就是这个原因——比率会稀释问题，单量不会。
分州地图怎么画？为什么「州」要按收货地址而不是销售区域？
答案先行：ECharts 用 registerMap 注册一份州级 GeoJSON（ADM1 级），再用 series.type = "map" 渲染；地图填色用的是收货地址所在州，不是销售区域。
为什么非要用收货地址？因为「销售区域」是管理口径——业务团队怎么划分大区、怎么归属门店，是可以人为调整的；今天归在吉隆坡的店，下季度可能被划到雪兰莪。而收货地址是物理事实，货发到哪个州就是哪个州。要做产能规划、仓配布局、物流成本分析，只能用物理口径；用管理口径画地图，地图会跟着组织架构调整而变形，同比环比全乱。
地图边界取自 geoBoundaries 的开放数据（ODbL 1.0，数据源 OpenStreetMap），授权干净可商用；原始 2.95 MB 经 Douglas-Peucker 抽稀 + 坐标取整去重压到约 100 KB，加载无压力。
15 个州的分布（脱敏演示）：
| 州 | 净销量 | 销量占比 | 净销售额 | 金额占比 | 客单价 |
|---|---|---|---|---|---|
| 雪兰莪 | 16,554 台 | 28.2% | 1,414.1 万 | 26.8% | 854 |
| 吉隆坡 | 7,826 台 | 13.3% | 774.7 万 | 14.7% | 990 |
| 柔佛 | 7,280 台 | 12.4% | 600.5 万 | 11.4% | 825 |
| 沙巴 | 4,823 台 | 8.2% | 449.0 万 | 8.5% | 931 |
| 霹雳 | 4,119 台 | 7.0% | 329.3 万 | 6.2% | 799 |
| 槟城 | 3,651 台 | 6.2% | 369.3 万 | 7.0% | 1,011 |
| 砂拉越 | 3,343 台 | 5.7% | 365.0 万 | 6.9% | 1,092 |
| 马六甲 | 1,876 台 | 3.2% | 210.0 万 | 4.0% | 1,120 |
| 其余 7 州 | 9,173 台 | 15.6% | 766.4 万 | 14.5% | 835 |
前三州（雪兰莪 + 吉隆坡 + 柔佛）合计 52.9%，正好卡在「半壁江山」上；要覆盖 80% 的销售额需要 7 个州。
客单价的州际差异怎么看？为什么地图上看不见？
答案先行：把「销量占比」和「客单价」两张图叠着看，才能看出每个州在卖什么价位的货。地图只能告诉你谁卖得多，不能告诉你谁卖得贵。
同一批数据里，客单价最高的马六甲是 1,120 令吉/台，最低的布城只有 348 令吉/台，差了 3.2 倍。这不是定价错了，是产品结构差异：
- 高客单州（马六甲 1,120 / 砂拉越 1,092 / 槟城 1,011 / 吉隆坡 990）：中高端机型占比高。槟城、吉隆坡是成熟城市市场，消费者认机型、愿意为影像和屏幕加钱。
- 低客单州（彭亨 776 / 霹雳 799 / 柔佛 825）：走量机型为主。柔佛销量 7,280 台排第三，金额却只排第三——卖得多、卖得便宜。
- 布城 348 令吉/台（285 台）：典型的异常值。285 台的体量对全盘没有影响，但它往往意味着某个渠道在清仓，或者录入口径有问题。
这一层只看地图颜色深浅是永远看不到的：雪兰莪颜色最深（销量第一 28.2%），但客单价 854 低于全国 900 的平均线。所以看板把「州排名」放在地图旁边，而且可以点——点一个州，全页切过去。
机型结构的集中度比州更高：42 款机型里，前 5 款就占了净销量的 77.2%（M3c-4+64 单款 31.6%），30 款机型的占比不足 0.5%。这意味着两件事：主力机型的备货不能断，长尾机型的库存周转要单独盯。
发货仓库则高度集中——巴生港中心仓一家发出 80.2% 的货，槟城分仓 8.1%、新山分仓 6.6%、古晋分仓 4.6%。东马（沙巴、砂拉越）合计占 13.9% 的销量，却只有一个古晋分仓在支撑，这个错配就是下一步要算的物流账。
看板最终长什么样？（文内可直接点）
答案先行：纯展示层的 HTML 看板——顶部 4 个 KPI，中间「分州地图 + 州排名」双图，下方每日趋势、机型、销售区域、发货仓库四图，最下面是门店订货前 20 名表；点地图上的任意州、或点任意机型，全页 KPI 与所有图表一起联动。
下面的就是活的 Demo（脱敏演示数据），不是截图——你可以直接点：
页面结构从上到下：
| 区块 | 内容 | 交互 |
|---|---|---|
| 期间切换 | 全部 / 2026-06 | 点击切换，全页联动 |
| KPI 行 | 净销量、净销售额、销售订单、退货率 | 净销量含销售 / 退货拆分；退货率含单量 |
| 分州地图 | 15 州填色（净销量），可滚轮缩放 | 点州 → 全页筛选；再点一次取消 |
| 州排名 | 15 州横向条形 | 点州条 → 与地图同步 |
| 每日净销量 | 24 天折线（销售 − 当天退货） | 看峰谷节奏 |
| 机型 | TOP12 机型横向条形 | 点机型 → 全页筛选 |
| 销售区域 | TOP12 城市 | 按净销量排序 |
| 发货仓库 | 7 仓占比环形图 | 按销售数量（不含退货） |
| 门店订货 | 净销量前 20 家门店明细表 | 跟随州 / 机型筛选 |
实测出来的节奏也很说明问题：24 个有效销售日里，峰值在 6 月 10 日（7,001 台），谷值在 6 月 22 日（257 台），峰谷差 27 倍；周日普遍无单。这种波动不是数据错了，是订货节奏本身——经销商集中下单，看日均 2,444 台反而是被平滑掉的假象。看板保留逐日折线，就是不让你被平均数骗。
数据从哪来？清洗管线跑完怎么接进看板？
答案先行：Power Query 负责洗，看板只负责展示。 展示层零写死、只吃一份数据文件；清洗管线跑完按约定格式整文件替换，页面脚本一行都不用改。
接入只要四步：
- Power Query 建管线：两张源表 → 一张一维明细表（列结构见上文表格）；
- 跑清洗，检查「未识别州 = 0」；
- 按
data.js的 schema 拼装（一行一条，字段名保持一致）； - 整文件替换，刷新页面，核对 KPI 与 Excel 透视结果一致。
三条必须满足的校验：
- 净销量 = 销售台数 − 退货台数（用 Excel 透视交叉验一遍）；
- 各州净额合计 = 全盘净额（州的判定不能有漏、不能有重）；
- 未识别州 = 0。
这个「洗显分离」的分工还有个好处：客户自己每月跑清洗（已购课程，陪跑教到会），展示模板由我们交付——同一套模板换一份数据文件，就是下一个客户的新看板。
上手这套方法，最容易踩的坑有哪些？
答案先行：五个坑，每一个都在这个案例里真实出现过。
| 坑 | 后果 | 正确做法 |
|---|---|---|
| 地图按「销售区域」填色 | 组织一调整，同比环比全乱 | 按收货地址所在州（物理口径） |
| 退货另开一张表单独算 | 每个度量值都要减一次退货，容易漏 | 退货行取负数入一维表，求和即净值 |
| 州字段靠人填、不建映射表 | 漏判 / 重判，地图缺块、金额对不上 | 城市→州映射表 + 「未识别 = 0」硬校验 |
| 只看销量排名 | 看不出「卖得多但卖得便宜」 | 销量占比与客单价叠着看 |
| 用日均销量做判断 | 订货是脉冲式的，均值掩盖峰谷 | 保留逐日折线，看峰值与节奏 |
另有一个地图的正常形态别当 bug：面积大的州颜色未必深。沙巴、砂拉越在地图上占了东马一大片，销量却只有 8.2% 和 5.7%——choropleth 地图填色看的是数值不是面积，这是它最经典的误读，汇报时最好口头补一句。
FAQ：关于销售看板，读者最常问的五个问题
销售看板应该看哪些核心指标？
第一类看规模：净销量、净销售额、订单数；第二类看质量：退货率、客单价；第三类看结构：分州、分城市、分机型、分仓库的占比与集中度。规模指标回答「卖了多少」，质量指标回答「卖得好不好」，结构指标回答「是谁在卖、卖的什么」——三类缺一不可。
退货数据怎么处理才最不容易出错？
把退货行的数量与金额取负数，和销售行放在同一张一维明细表里。这样任何维度直接求和就是净值，不需要在每个度量值里重复写「销售 − 退货」，从根上避免漏减。退货率单独定义为「退货台数 ÷ 销售台数」，同时把退货单张数放在 KPI 上——比率会稀释问题，单量不会。
分省 / 分州地图的数据从哪来，会不会有版权风险？
用公开地理数据，推荐 geoBoundaries（ODbL 1.0，数据源 OpenStreetMap），授权干净可商用；在 ECharts 里用 registerMap 注册 GeoJSON 后即可渲染。注意两点：一是行政层级要取对（省级即 ADM1），二是原始边界文件往往几 MB，需要用 Douglas-Peucker 抽稀并压缩坐标精度，压到 100 KB 级才适合网页加载。
几百家门店，看板怎么展示才不乱？
不要试图在一张图上铺满所有门店。做法是：主图只显示 TOP10–TOP20，下方配一张可排序的明细表，并让它们跟随州 / 机型筛选联动。长尾门店的价值在于「能被查到」，不在于「被画出来」。本例 676 家门店中，TOP10 只占 14.9%，贡献 80% 销售额需要 277 家——这种极度长尾的结构，画全反而什么都看不清。
每月数据更新麻烦吗？
不麻烦。看板是纯展示层，只吃一份数据文件；清洗管线（Power Query 或脚本）每月跑一次，按 schema 整文件替换，刷新页面即可，页面与脚本无需任何改动。月度更新就是「跑清洗 → 校验三条 → 替换 → 核对 KPI」四步。
作者与更新说明
我是汪斌（老汪），制造业财务出身，专注成本核算、业财融合与 Excel BI / Power BI 落地，运营「老汪洞察」。本文来自一个真实的一对一陪跑案例，客户与产品信息已脱敏；文中数据均为脱敏演示数据，口径与真实交付一致。更新于 2026-09。
汪斌带你开公司 | 老汪洞察 | 小微之家会计服务 · www.accunion.cn
想让你家的销售数据也变成一张能点的看板？
如果你手头也有一堆每月导出的订单明细，却说不清「哪个区域卖得好、哪个机型在跑量、哪个仓扛着货」，可以像这位客户一样从一份需求清单开始：一对一陪跑覆盖需求梳理 → 口径确认 → 清洗管线 → 看板交付。想自己动手做的，Excel BI 财务建模实战课从 Power Query 清洗一路讲到看板发布。
添加老汪微信（xiaoweihome_ah），聊聊你家的销售看板
暂无评论内容