这门课解决什么工作场景

当你处理几十万行数据时，传统Excel数据透视表往往会卡顿甚至崩溃；当业务需要计算同比、环比、工作日跨度，或者在一份报表里按不同部门做权限隔离时，普通函数写起来又长又容易报错。这门课聚焦的Power Pivot，就是用来解决“数据量超出常规透视表极限、业务逻辑复杂到普通公式难以招架”的场景。它把数据库的多表关联思维搬进了Excel，适合做销售汇总、库存周转、用量预测这类需要跨表建模的报表。如果你的日常工作只是做简单的格式排版，这门课暂时用不上；但如果你每个月都要从几个系统里导数据做合并分析，它正好能替你省下大量复制粘贴和写VLOOKUP的时间。

适合什么基础与建议先看哪几块

资料默认你已经会用数据透视表和常见的查找引用函数，不包含从零认识Excel的入门内容。建议拿到资料后，先看时间智能概述与计算工作日这两块，确认自己能理解DAX度量值的书写逻辑，再往下推进。非典型时间智能和用量预测分析属于进阶内容，建议在熟悉基础度量值后再看，否则容易因为上下文过滤器的概念没搞懂而卡壳。另外，权限控制那一节虽然排在靠后，但对于需要把报表发给多个分公司或部门的人来说，优先看一遍能帮你理清数据分发的思路，不用等全部学完才动手。

学完能独立做什么与资料怎么配合练习

学完后，你应该能独立在Excel里建立多表数据模型，用DAX写出自己的同比、环比、累计和滚动均值度量值，并把它做成动态更新的看板，而不是每次数据更新都要重新做一遍透视。练习时，建议不要只看视频，准备一份自己工作中的真实业务数据（比如近一年的销售明细和日期表），每看完一个章节，就照着在本地文件里建一个对应的度量值，遇到报错先回头查上下文是否遗漏。视频是线索和演示，真正把模型跑通一遍，才算把这门课的内容转化成你自己的分析能力。

课程目录

📁 新建文件夹 课时34.非典型时间智能.flv [40.9 MB] 课时31.用量预测分析.flv [144.8 MB] 课时02.Power.Pivot时间智能概述.flv [27.7 MB] 课时06.计算工作日.flv [34.9 MB] 课时32.使用USERNAME实现Excel里的权限控制.flv [61.2 MB] 课时18.使用Filter和All进行上下文交互.flv [68.1 MB] 课时12.常用筛选器函数.flv [96.6 MB] 课时24.订单分组分析.flv [47.4 MB] 课时08.使用Summarize函数创建链接回表.flv [105.4 MB] 课时15.使用Earlier进行排名.flv [11.3 MB] 课时17.筛选上下文和行上下文.flv [37.8 MB] 课时16.使用Earlier区分新老客户.flv [30.6 MB] 课时29.计算移动平均.flv [25.1 MB] 课时37.使用PowerPivot进行表格合并.flv [81.6 MB] 课时22.产品&客户分类分析（ABC分析）.flv [69.1 MB] 课时20.使用Userelationship建立两表之间的多个关系.flv [35.0 MB] 课时07.使用DAX做为查询语言.flv [79.7 MB] 课时36.ISFILTERED去除重复值.flv [15.9 MB] 课时01.购前必读.swf [995.4 KB] 课时11.高级聚合函数SUMX.flv [28.6 MB] 课时26.TOPN大客户分析（畅销品）.flv [73.7 MB] 课时05.计算同比（YOY)和环比(MOM).flv [68.5 MB] 课时10.使用Generate函数创建辅助表.flv [42.1 MB] 课时14.Earlier函数.-.DAX进阶的里程碑.flv [49.2 MB] 课时21.使用多对多关系.flv [39.3 MB] 课时25.排名分析.flv [62.0 MB] 课时04.年累计（YTD)&季度累计(QTD)&月累计(MTD).flv [99.3 MB] 课时23.创建参数表.flv [35.6 MB] 课时09.使用链接回表进行RFM分析.flv [112.0 MB] 课时19.使用Calculate进行上下文转换.flv [41.7 MB] 课时13.SUMX加FILTER实现无关系的数据获取.flv [20.9 MB] 课时28.使用父子层级.flv [133.0 MB] 课时03.创建一个日历表.flv [42.5 MB] 课时35.神奇的特殊汇总方式.flv [17.2 MB] 课时30.用量增长分析.flv [129.3 MB] 课时27.经销商RFY分析.flv [31.8 MB] 课时33.使用切片器进行排序.flv [46.3 MB] 适合人群 Excel用户 数据分析从业者 希望提升数据分析能力的职场人士 学习收获 掌握Power Pivot高级功能 提升数据分析效率 解决复杂数据分析问题 祝您学习愉快！ 学有所成，前程似锦！