ECharts

为什么做这件事 做财务分析这些年，Power BI 是我最趁手的工具。但它有一个绕不开的问题：成品不好分享。 发给同事？对方要装 Power BI Desktop，还要会用 换一家公司、换一套数据？报表里的数据源、清洗逻辑、度量值要重新配一遍 想改个指标？得打开文件、改 DAX、刷新、重新发布 我的想法很简单：能不能把我做的数据建模"固化"成一个网页看板系统——别人只要丢一个 Excel 文件进来，看板就自动出数，还能交互、能分享，甚至不用装任何软件？ 这个想法验证了一个周末，成了。这篇文章记录完整过程。 整体思路 Power BI 的本质是"数据建模 + 度量值 + 可视化"三件套。我的思路是拆开它们： Power BI 当设计台：建模、验证、预览效果，这是它最擅长的事 模型定义文件当产品核心：把表结构、关系、度量值全部固化成一份代码定义（model.json） Web 引擎当成品：ECharts 看板 + 数据引擎，接受任何人的 Excel，自动算出所有指标 翻译过去之后，Power BI 文件不再是必需品——模型资产变成了代码资产，可版本控制、可分享、可迭代。 四步做法 第一步：识别模型（AI 读取 Power BI） 用微软官方的 Power BI 建模 MCP 工具，直接连接正在运行的 Power BI Desktop，把整个语义模型导出为 TMDL 格式（Power BI 模型的标准文本格式）。 导出的内容让我有点意外——这个模型比我想象的完整： 8 张表：1 张事实表（报表数据：公司/报表类型/报表项目/报表日期/金额）+ 7 张维度表（利润表结构、资产负债表结构、现金流量表结构、杜邦分析结构、日期表、公司名称等） 5 条关系：事实表分别关联各结构表和日期表 74 个度量值：从基础的营业收入、净利润，到杜邦分析的净资产收益率、权益乘数，再到存货周转天数、运营周期 AI 能完整识别数据建模，这条路是通的。 第二步：翻译度量值（DAX → Python） 这是整个流程里最有意思的一步。74 个 DAX 度量值，看起来复杂，但翻译成代码后模式其实很清晰： ...