Excel电商数据分析与应用 课件 第 11章　消费者运营分析

消费者运营分析11.1.1消费者地域分析&11.2.2消费者行为习惯分析1消费者地域分析2CONTENTS消费者行为习惯分析消费者地域分析PARTONE消费者地域分析消费者分布是消费者的基本属性，了解消费者的分布有助于经营者制订运营策略。消费者地域分布数据可基于订单报表进行整理，可以指导品牌商或者大型电商企业进行线下门店的布局。例：下载商家后台订单报表数据，分析消费者的地域分布情况。解：下载的文件是CSV格式，将文件导入PowerQuery编辑器进行清洗，如图11-1所示，在Excel【数据】选项卡中单击【从文本/CSV】选项。如图11-2所示，设置对应的文件路径后单击【编辑】按钮。消费者地域分析进入PowerQuery编辑器后，如图11-3所示，对订单状态进行筛选，将【交易关闭】和【等待买家付款】过滤掉。如图11-4所示，选中“收货地址”，可以提取出每笔订单的收货省份，在【添加列】选项卡中单击【提取】-【分隔符之前的文本】选项。图11-3图11-4库存绩效分析如图11-5所示，在弹出的分隔符设置界面中，在【分隔符】处键入一个英文输入法下的空格符号。如图11-6所示，提取后可以获得省份信息，修改字段名称为“省份”。接下来基于省份统计汇总数据，如图11-7所示，在【开始】选项卡中单击【分组依据】选项。图11-5图11-6图11-7库存绩效分析如图11-8所示，进行分组依据设置，基于“买家会员名”和“省份”分组。如图11-9所示，由于订单信息中会有消费者多次下单，因此将会员合并，减少重复计数，但此时还会有重复，因为有小部分消费者多次下单时收货地址不一致，可能会有跨省份的订单，此时可以忽略此情况，默认一个消费者存在多个省份，因为这种比例会很少。如果要精准判断，需要根据下单地址的频次选择频次高的，但如果出现部分地址的频次相同的情况，就无法判断了。图11-8图11-9库存绩效分析再一次进行分组，按照图11-10所示内容进行设置，分组结果如图11-11所示。如图11-12所示，单击【开始】选项卡中【关闭并上载】选项，将数据导入Excel的工作表。图11-11图11-12图11-10库存绩效分析在Excel中，如图11-13所示，选中数据并单击【插入】选项卡中的【数据透视表】选项。如图11-14所示，在数据透视表字段设置中，将【行】设置字段为“省份”，【值】设置字段为“求和项：计数”。图11-13图11-14库存绩效分析如图11-15所示，在“点击量”上单击鼠标右键，在弹出的菜单中选择【降序】排序。如图11-16所示，插入柱形图后可以更直观地分析消费者的地域分布，河南省、广东省和浙江省是主要的消费者集中地，推广时可以偏向这三个省份。图11-15图11-16消费者行为习惯分析PARTTWO消费者行为习惯分析消费者行为习惯可基于下单的时间特征进行分析，可以研究消费者下单日期为星期几，也可以研究消费者下单时间为几点。例：下载商家后台订单报表数据，分析消费者下单的行为习惯。解：下载的文件是CSV格式，将文件导入PowerQuery编辑器进行清洗，如图11-17所示，在Excel【数据】选项卡中单击【从文本/CSV】选项。如图11-18所示，设置对应的文件路径后单击【编辑】按钮。消费者行为习惯分析进入PowerQuery编辑器后，如图11-19所示，对订单状态进行筛选，将【交易关闭】和【等待买家付款】过滤掉。如图11-20所示，选中【订单付款时间】，在【添加列】选项卡单击【日期-天-星期几】创建新列。图11-19图11-20消费者行为习惯分析如图11-21所示，选中“订单付款时间”，在【添加列】选项卡单击【时间】-【小时】-【小时】选项，创建新列。修改对应的字段名称，如图11-22所示。如图11-23所示，单击【开始】选项卡中【关闭并上载】选项，将数据导入Excel的工作表中。图11-21图11-22图11-23消费者行为习惯分析在Excel中，如图11-24所示，选中数据并单击【插入】选项卡中的【数据透视表】选项。如图11-25所示，在数据透视表字段设置中，将【行】设置字段为“星期几”，【值】设置字段为“计数项：买家会员名”和“求和项：买家实际支付金额”。设置后的数据透视表如图11-26所示，从图中可以看出星期日的支付金额最高，星期六最低，星期一到星期五差别不大。图11-24图11-25图11-26消费者行为习惯分析图11-27图11-28再创建一个数据透视表，如图11-27所示，在数据透视表字段设置中，将【行】设置字段为“小时”，【值】设置字段为“计数项：买家会员名”和“求和项：买家实际支付金额”。如图11-28所示，早上7:00消费者开始购物，16:00～18:00点是购物高峰期，23:00开始陆续休息。基于这个数据可调整客服排班和轮岗交接时间。消费者行为习惯分析图11-29图11-30如图11-29和图11-30所示，插入组合图展示更加直观，可用于制作消费者报告。感谢观看消费者运营分析11.2RFM模型1RFM模型理论及计算方法CONTENTS2RFM计算实例PARTONERFM模型理论及计算方法1．RFM模型理论RFM模型是消费者管理领域里的一种消费者消费行为分析模型。R为近度（Recency）代表最近购买时间，指上次购买至现在的时间间隔。R值越大表示网店与消费者发生交易的时间越久，反之与网店发生交易的时间越近。理论上R值越小（即最近有购买行为）的消费者是复购可能性越高的有价值消费者。F为频度（Frequency）代表购买频率，指的是某一期间内购买的次数。F越大代表该段时间内消费者的购买频率越高，存在极大的复购可能性；反之F值越小，则消费者活跃度越低，相应的价值越低。M为额度（Monetary）代表总购买金额，指的是某一期间内购买商品的金额。M越大表示该类消费者对本网店（产品）的购买意愿转化为购买行为可能性越大，该类消费者的价值越应受到关注，反之亦然。RFM模型动态展示了现有消费者在网店的购物特征，为网店制订营销决策提供了依据，便于网店对于现有消费者分类与管理。2．RFM计算（1）计算RR的计算方法是计算现在与最近一次购买日期之间的间隔天数。（2）计算FF的计算方法是对消费者下单的订单数据进行统计。（3）计算MM的计算方法是将消费者的消费金额进行汇总。3．基于RFM模型的消费者分组为消费者分组，即将三个指标分别分为“高”和“低”两种，高于均值的为“高”，低于均值的为“低”。R值“高”“低”判定步骤：①分别求取每位消费者的购买商品日期与现今时间的最小时间间隔R。②求取时间间隔R均值。③将每位消费者的最小时间间隔与R均值比较，小于均值为低，大于均值为高。F值“高”“低”判定步骤：①求取每位消费者某时间段内的购买次数和（即购买频率F）。②求取频率F均值。③将每位消费者的F值与F均值比较，小于均值为低，大于均值为高。M值“高”“低”判定步骤：①求取每位消费者某时间段内的购买金额和M。②求取购买金额和M均值。③将每位消费者的M值与M均值比较，小于均值为低，大于均值为高。以此为标准将消费者归为八大类，如表11-1所示。R值F值M值消费者类型低高高高价值消费者高高高重点保持消费者低低高重点发展消费者高低高重点挽留消费者低高低一般价值消费者高高低一般保持消费者低低低一般发展消费者高低低潜在消费者表11-1 RFM分类表PARTTWORFM计算实例例11-3：现有某淘宝网店2022年8月至2022年10月消费者购买数据，数据采集自商家后台的订单报表和宝贝报表。如图11-31所示，为了精准化消费者营销，降低推广成本，现需要使用PowerQuery将5794位消费者分类。图11-31消费者信息表解：（1）将Excel数据加载至PowerQuery。如图11-32所示，在【数据】选项卡中，单击【从表格】选项，即可将数据加载至PowerQuery。图11-32将数据从表格导入PowerQuery编辑器操作界面成功加载至PowerQuery的数据如图11-33所示。图11-33加载到PowerQuery中的数据（2）计算时间间隔R。创建当下时间字段：如图11-34所示，在【添加列】选项卡中，单击【自定义列】选项。图11-34创建自定义列操作界面进入“自定义列”页面，如图11-35所示，【新列名】设置为“今天日期”，【自定义列公式】设置为“DateTime.Date(#datetime(2022,11,1,0,0,0))”，单击“确定”按钮，成功后如图11-36所示。图11-35创建今天日期图11-36成功创建今日日期将“今天日期”列的类型与订单付款时间统一：选中“今日日期”列，在【开始】选项卡中，单击【数据类型】选项，选中合适的类型，此处选择“日期/时间”。格式统一后的数据如图11-37所示。图11-37格式统一后的数据

新建一列为“今天日期”减去“订单付款日期”。如图11-38所示，在【添加列】选项卡中，单击【自定义列】选项，【新列名】设为“R”，【自定义列公式】设为“[今天日期]-[订单付款时间]”，单击【确定】按钮，计算结果如图11-39所示。图11-38计算R图11-39R的计算结果删除“订单付款时间”与“今天日期”列，并将“R”列类型改为整数，结果如图11-40所示。图11-40修整后的数据（3）进行数据分组，得到每位消费者的RFM数据。将数据分组：在【开始】选项卡中，单击【分组依据】选项，填入图11-41所示信息，运行结果如图11-42所示。图11-41分组依据设置界面图11-42数据分组结果（4）消费者归类。通过自己写函数建立逻辑判断，归类消费者等级。在【开始】选项卡中，单击【高级编辑器】选项，进入函数编辑页面，如图11-43所示。在上表代码in前补上以下关于消费者等级判断的条件语句。AR=List.Average(分组的行[R])，AM=List.Average(分组的行[M])，AF=List.Average(分组的行[F])，已添加条件列=Table.AddColumn(分组的行,"消费者等级",eachif([R]<AR)and([M]>AM)and([F]>AF)then"高价值消费者"elseif([R]>AR)and([M]>AM)and([F]>AF)then"重点保持消费者"elseif([R]<AR)and([M]>AM)and([F]<AF)then"重点发展消费者"elseif([R]>AR)and([M]>AM)and([F]<AF)then"重点挽留消费者"elseif([R]<AR)and([M]<AM)and([F]>AF)then"一般价值消费者"elseif([R]>AR)and([M]<AM)and([F]>AF)then"一般保持消费者"elseif([R]<AR)and([M]<AM)and([F]<AF)then"一般发展消费者"else"潜在消费者"图11-43函数编辑界面

并将最后一行将“分组的行”改为“已添加条件列”。（注：AR为R的平均值，AF为F的平均值，AM为M的平均值）

改完后代码如图11-44所示。图11-44修改高级编辑器代码成功运行即可得到完整的消费者归类，如图11-45所示。图11-45RFM消费者分组感谢观看消费者运营分析11.3.1消费者复购率计算与分析&11.3.2复购间隔分析&11.3.3复购产品归因分析1消费者复购率计算与分析2CONTENTS复购间隔分析3复购产品归因分析消费者复购率计算与分析PARTONE消费者复购率计算与分析1.复购率计算复购率可以分为“用户复购率”和“订单复购率”。用户复购率=单位时间内：购买两次及以上的用户数/有购买行为的总用户数。如单位时间内，回头客购买人数/总购买人数，计算出来的比例，则为重复购买率。例如在一个月内，有100个消费者成交，其中有20个是回头客，则重复购买率为20%。订单复购率=单位时间内：第二次及以上购买的订单个数/总订单数。如在某个季度中，一共产生了100笔交易，其中有20个人有了二次购买，这20个人中的10个人又有了三次购买，则重复购买次数为30次，重复购买率为30%。2.复购率分析第一步：从8个月数据中提取出二月的数据来计算复购率，那么复购率的计算值是不是需要某个值作为参照标准呢？高于这个值表示二月复购率较为理想，低于这个值表示二月复购率不达标。第二步：同时计算出2022年7月—2023年1月数据的平均复购率和二月的复购率，比较二月的复购率和近7个月的平均复购率，若二月的复购率高于近7个月的平均复购率，则可谓运营颇有成效。例：某网店运营人员现有该网店2022年7月—2023年2月的订单数据，希望深入了解该网店二月的消费者复购情况。数据采集自商家后台的订单报表和宝贝报表。解：分析思路如下。消费者复购率计算与分析图11-46图11-47图11-48（3）复购率计算实操例11-5：某淘宝网店2022年7月—2023年2月消费者购买数据如图11-46所示，计算用户复购率。解：如图11-47所示，在【数据】选项卡区中，单击【从表格】选项，将数据导入PowerQuery编辑器，成功导入PowerQuery编辑器的数据如图11-48所示。消费者复购率计算与分析将“订单付款时间”类型改为【日期】。如图11-49所示，选中“订单付款时间”列，单击【开始】选项卡中的【数据类型】下的【日期】选项，运行结果如图11-50所示。图11-49图11-50消费者复购率计算与分析将同一天购买两次的消费者去重。选中全字段，单击【开始】选项卡中【删除行】下的【删除重复项】选项。随后统计每个消费者在2022年7月—2023年1月的购买次数。单击【开始】选项卡中的【分组依据】选项，给数据分组，填入图11-51所示的信息，运行结果如图11-52所示。图11-51图11-52消费者复购率计算与分析如图11-53所示，对计数结果进行筛选，留下计数结果大于1的行，运行结果如图11-54所示。图11-53图11-54消费者复购率计算与分析如图11-54所示，单击【开始】选项卡中的【关闭并上载】选项，将数据加载至工作表，工作表中的数据如图11-55所示。统计留下的买家消费者名个数即为7个月内复购的买家数，此处得到的复购买家数为：648；总买家数为：24444-1380+648=23712；故可知7个月内该网店平均复购率为：648/23712=0.027327935。从8个月数据中筛选出二月销售收据，重复步骤（1）～（3）即可得到二月的复购情况，此处通过计算得出二月的消费者复购率为0.028571429。发现2月的复购率比近7个月的复购率高，故说明网店二月的复购率处于正常值范围。图11-55图11-56消费者复购率计算与分析复购间隔分析PARTTWO复购间隔分析表11-21.复购间隔定义复购间隔天数，即消费者复购的时间间隔，当然数据中会出现一个消费者复购多次（≥3）的情况，此处把它定义为消费者距今最近的两次购买时间的差值。依据复购时间间隔的大小，将消费者分为4组，如表11-2所示。

可以根据复购时间间隔安排唤醒消费者的活动和时间，提高唤醒老消费者的效果，并且可进行一系列活动增加新消费者黏度。网店在运营过程中，关于网店风格和调性的确定也可以参考这方面的数据。复购间隔消费者分组小于30天活跃消费者30～90天可激活消费者90～180天预流失消费者180天以上无复购流失消费者复购间隔分析2.复购间隔计算实操例：某网店营运人员现有该网店2022年7月—2023年2月的销售订单数据，希望从数据中将消费者进行复购时间间隔归类。数据采集自商家后台的订单报表和宝贝报表。

2022年7月—2023年2月消费者信息数据集如图11-57所示。解：将数据导入PowerQuery编辑器并将“订单付款时间”转化为【日期】类型，并进行每位消费者的去重操作，结果如图11-58所示。复购间隔分析将每位消费者的订单付款时间以列表形式进行分组。在函数编辑栏输入：“Table.Group(更改的类型,{"买家消费者名"},{{"购买日期列表",each([订单付款时间]),typelist}})”，即可得到以消费者名称为分组依据的按列表分组的表，每位消费者对应的List中包含了该消费者的所有购买时间，如图11-59所示。将每位消费者的最近两个购买时间作为新列插入表中：如图11-60所示，在【添加列】选项卡中，单击【自定义列】。在【自定义列公式】框输入：“List.MaxN([购买日期列表],2)”。注：由于日期越晚数值越大，因此取最大的两个数。运行结果如图11-60所示。图11-59图11-60图11-61复购间隔分析最近两个购买日期作差计算复购时间间隔。如图11-62所示，在【添加列】选项卡中，单击【自定义列】选项。在【自定义列公式】框输入：“Duration.Days(List.Max([距今最近两个购买日期])-List.Min([距今最近两个购买日期]))”。注：Duration.Days可提取日期的天数。运行结果如图11-63所示。图11-62图11-63复购间隔分析图11-64图11-65将数据进行筛选，仅留下购买时间间隔大于0的整数行，并将数据加载至工作表，如图11-64所示。如图11-65所示，将数据进行透视，绘制复购时间间隔与复购人数分布图。复购间隔分析从图19和图20中可以发现以下情况。（1）复购消费者中94.95%的人会在70天内进行复购，如果未在70天内进行复购，则该消费者回购的概率微乎其微。（2）8个月内复购消费者中活跃消费者有355人，可激活消费者有176人，预流失消费者有19人。针对可激活消费者和预流失消费者，可以采取以下3种方法激活：②首页设置淘宝店铺优惠券、老消费者回馈等活动。①提升网店的体验度：通过私信等方式将老消费者引导到最需要的网店页提升吸引力。③合理布局标签和分类，让消费者有需要时能够快速找到自己的目标。复购产品归因分析PARTTHREE复购产品归因分析图11-66图11-67触发用户复购行为的根本因素是消费者初次购买产品的消费者体验。产品的消费者体验不仅决定了复购率，还决定了企业的生死存亡。产品复购率的提升还是要依托于产品本身，如果定期对产品复购情况进行分析，对于产品布局以及长远发展是十分有益的。1.产品引发复购行为数统计。例11-7：现有某网店2022年7月—2023年2月的产品销售订单数据集，希望从中挖掘触发消费者复购行为的产品，为网店3月的战略调整提供数据依据。数据采集自网店后台的订单报表和宝贝报表。

2022年7月—2023年2月消费者消费信息数据集如图11-66所示。将数据导入PowerQuery编辑器并将“订单付款时间”转化为【日期】类型，导入效果如图11-67所示。复购产品归因分析将同一天内购买两次的买家数据去重，每个消费者每一天仅留下一条数据，降低复购产品的统计误差。选中“买家会员名”列和“订单付款时间”列，在【开始】选项卡中，单击【删除行】下的【删除重复项】选项。统计有复购行为的买家数据及商品编码。选中“买家会员名”列，在【开始】选项卡中，单击【保留行】下的【保留重复项】选项。依据“买家会员名”排序，运行结果如图11-68所示。统计触发买家复购行为的产品。删除重复买家数据，留下买家首次购买网店产品的时间及商品编码。选中“买家会员名”列，在【开始】选项卡中，单击【删除行】下的【删除重复项】选项。运行结果如图11-69所示。复购产品归因分析表11-3透视统计触发复购产品的数据。将PowerQuery编辑器处理后的数据加载至工作表，运行结果如图11-70所示。创建数据透视表，将触发买家复购行为的产品进行时间及类别归类，统计结果如表11-3所示。计数项:商家编码列标签行标签2022年2023年总计QPL8101181110217A71942400012

12QPL810122617QPL810127

337A920234002137A1134110002137A3194920003

37A127237000112311055002

27A7130440002

27A7194250001

17A127236000

117A813037000

117A3191301001

13A06510811

17A1272350001

17A71304400071

1WA3712j1

17A5131290001

17A5131300001

1总计502070复购产品归因分析从上述统计结果可以发现以下内容。2022年7月—2023年2月该网店共有70个产品触发了买家一次或多次的复购行为。触发买家复购行为的产品编码为“QPL810118”“7A719424000”“QPL810122”，可见如若消费者购买了这三款产品产生复购的概率较大。在商家实际的统计过程中，可以依据这三款产品的特征分析出产品的共性及个性，调整网店的产品布局，增加消费者黏性。2.复购产品的关联。复购产品的关联即同一位买家几次购买的产品间的关系，也就是统计出买家第一次购买某个产品后第二次可能会购买什么。此处用到的数据集依旧是本小节“产品引发复购行为数统计”中的Q数据集。将数据集导入PowerQuery编辑器，并将同一天内购买两次的买家数据去重，保留有复购行为的买家数据，详细步骤参照本小节“产品引发复购行为数统计”中内容。将有复购行为的“买家会员名”和“订单付款时间”按照升序排序，运行结果如图11-71所示。复购产品归因分析图11-72将有复购行为的买家所购买的所有商品的编号进行分组。在函数栏内填入函数：“Table.Group(排序的行,{"买家消费者名"},{{"购买商品的编码",each([商家编码]),typelist}})”，运行结果如图11-72所示。复购产品归因分析图11-73图11-74统计每位买家的购买产品总数。在【添加列】选项卡中，单击【自定义列】选项，输入公式：“List.Count([购买商品的编码])”，如图11-73所示。运行结果如图11-74所示。复购产品归因分析图11-76展开商品编码列表。如图11-75所示，单击“购买商品的编码”右边的双向箭头。运行结果如图11-76所示。复购产品归因分析图11-77将PowerQuery编辑器处理后的数据加载至sheet表，如图11-77所示。创建数据透视表并加入切片器，单击各分类查看统计结果，可从统计结果中发现以下内容。2022年7月—2023年2月数据集中总买家数为5805人，发生一次复购行为的买家共66人，发生两次复购行为的买家共3人，发生7次复购行为的买家共1人，可见该网店的复购率极低。在发生复购行为的买家中，两次购买相同物品的复购行为是最多的。复购产品归因分析感谢观看消费者运营分析11.4.1评价词频分析&11.4.2评价情感分析1评价词频分析2CONTENTS评价情感分析评价词频分析PARTONE评价词频分析词频分析是文本分析的基础，基于词频可以了解大量文本信息的内容，既可以分析自己的商品也可以分析竞品。接口说明如下。通过基于机器学习算法分词的开源接口，可查阅接口的相关说明。接口：/get.php?source=¶m1=¶m2=。接口参数如下。“Source=”：要分词的文本。“Param1=”：返回分词结果的概率，最小为0，最大为1。“Param2=”：是否为调试模式，调试模式可以看到分词结果的概率。0为非调试模式，1为调试模式。例1：/get.php?source=清华大学是好学校¶m1=0¶m2=1。返回：清华:0.604942清华大学:1华大:0.068537大学:0.937618好学:0.730473好学校:0.699564学校:0.833307例2：/get.php?source=清华大学是好学校¶m1=0.8¶m2=1。返回：清华大学:1大学:0.949906学校:0.936925例3：/get.php?source=清华大学是好学校¶m1=0¶m2=0返回：清华清华大学华大大学好学学校评价词频分析图11-78评价词频分析例4：图11-78所示为采集某竞品的消费者评价数据，分析评价的词频。数据采集路径：【淘宝商品】-【评价详情页】。解：选中数据，如图11-79所示，在【数据】选项卡中单击【自表格/区域】选项，将评价导入PowerQuery编辑器。图11-79图11-80图11-81如图11-80所示，在PowerQuery编辑器中筛选数据，搜索“此用户”，将无效的评价“此用户没有填写评价。”过滤掉。如图11-81所示，在【添加列】选项卡中，单击【自定义列】功能键。评价词频分析图11-82图11-83评价词频分析如图11-83所示，键入公式“Csv.Document(Web.Contents("/get.php?source="&Uri.EscapeDataString([评价])&"¶m1=0.8¶m2=0"))”。M函数说明：Web.Contents：是以二进制文件的格式下载网页。Csv.Document：是将二进制文件转换成Csv格式的表格。由于是访问互联网数据需要设置隐私级别，为了方便练习，如图11-82所示，可直接勾选【忽略此文件的隐私级别检查……】，老版本没有这个选项，选择公共权限。获取数据后，如图11-84所示，勾选【展开】和【Column1】字段，展开后将字段“Column1”重命名为“分词”。展开后，按照图11-85所示内容，筛选掉空白行。图11-84图11-85消费者复购率计算与分析图11-86图11-87消费者复购率计算与分析如图11-86所示，在【开始】选项卡中单击【分组依据】选项。如图11-87所示，基于分词进行分组。图11-88图11-89消费者复购率计算与分析如图11-88所示，单击【开始】选项卡中【关闭并上载】选项，将数据关闭并上载到Excel工作表中。如图11-89所示，对“计数”进行排序，可以观察到买家对这款产品的评价关键词，通过观察可以发现买家对这款产品满意的占比较大，因此这款产品的效果不错。评价情感分析PARTTWO评价情感分析评价情感分析是判断文本的情感得分，正面得分越高表示买家对产品或服务越满意，负面得分越高表示消费者对产品或服务越不满意。情感分析同样需要使用API接口实现，没有纯免费的接口，可使用商业接口的免费调用次数。商业接口可以在API集市申请，本例使用/的接口，每天可调用500次。接口地址：/sentiment/analysis。调用方式：Post。图11-90图11-91例5：图11-90所示是评价数据，使用接口分析评价情感得分。数据采集路径：【淘宝商品】-【评价详情页】。选中数据，如图11-91所示，在【数据】选项卡中单击【自表格/区域】选项，将评价导入PowerQuery编辑器。评价情感分析图11-92图11-93由于接口的次数限制，在PowerQuery编辑器中进行数据筛选，只保留前5条，每次只消耗5次API调用次数。如图11-92所示，在PowerQuery编辑器【开始】选项卡中，单击【保