【會員分析】會員數據有黃金，如何分析產生價值？

在當今互聯網時代，隨著各平台知識付費、音樂付費、視頻付費等模式的開啟，「萬物付費時代」已經悄然而至。傳統的粗獷式運營模式已經不再符合當今的時代潮流，如何在這樣一個付費時代做好企業的精準化會員客戶策略分析管理，成為當今時代人們尤為關注的話題。在給大家分享自己的BI會員策略分析管理經驗之前，先換位思考跟大家聊一聊我們自己本人作為某些商鋪或平台會員群體中的一些痛點。通常如果我們作為商鋪或者平台會員，經常會收到各種特價、新品的促銷簡訊，點開一看就感覺是那種一鍵撒網式毫無技術含量的群發簡訊我們在被這樣的群發簡訊和電話輪番轟炸之後，在辦理一些會員卡時都不太敢再預留自己的手機號碼了，但是往往偶爾又怕錯過他們的某些我們確實是感興趣的會員促銷活動，矛盾不言而喻，一旦客戶容忍度低，也許就直接將商鋪/平台拉黑屏蔽了。以上類似場景在我們生活中的實際發生頻次往往不勝枚舉，說明大多數商鋪或平台沒有把消費者的數據真正用起來，還處於原始的跑馬圈地的時代。但實際上對會員的數據分析一方面可以指導銷售運營，另一方面還可以提高營銷精準度（把對應的促銷活動信息推送給最希望和需要收到的客戶群體）。會員管理是一個很典型兩極化管理，一方面會員的基數需要做大，另一方面會員營銷卻需要做小，否則很可能事倍功半。通常我們做會員管理都會有以下幾大誤區： 1. 只注重開發新顧客，而忽視對老顧客的維護，也不關注顧客的流失情況（而事實上據某大型零售商充分的數據調研分析，一個老顧客的流失往往需要依靠十二個甚至更多的新會員方能彌補）； 2. 不細分客戶，對購買特價商品的客戶極為關注，反過頭來卻忽視了對優質客戶的照顧； 3. 跟會員國度溝通，溝通形式渠道單一，無特色； 4. 沒有客戶/會員生命周期管理，沒有挖掘客戶/會員本身能夠產生的附加價值； 5. 把對會員運營管理當成是促銷活動來做，而不是經營策略。本文將從會員數據採集、基礎會員數據分析、分析發掘會員價值、會員生命周期管理（下期更新）、會員購買行為（下期更新）研究五個方面，來給大家介紹自己通過報表BI工具實現會員客戶策略分析管理的總結經驗和心得，做到比你的會員更加了解會員本身的消費行為，發掘會員潛在價值，讓你的會員更加「值錢」。一、會員數據採集首先，我們的目的是進行會員客戶策略分析管理，那麼我們需要哪些基礎數據呢？理想狀態下，通常需要譬如會員的姓名、性別、出生年月日、手機號碼、郵箱、地址、公司、月收入情況等等信息。而實際想準確地收集和獲取到這些信息有時候會比較困難，比如月收入、手機號碼、地址等等。這時往往需要有一些技巧：比如採集會員收入情況數據時，不要讓客戶直接進行數據輸入，讓客戶可以選擇收入範圍；另外對於手機號碼，有時經常會遇到一些胡亂填寫手機號碼的情況，其實在這個WIFI時代，往往我們只需要通過一些商場或是其他登錄註冊/發送上網驗證碼的方式來獲取到客戶的手機號碼；對於會員地址，我們可以採用給會員免費寄送試用品、小禮物等方式來進行數據獲取；對於客戶年齡，採用辦理會員卡通過身份證綁定獲取相關數據的方式會更加準確。另外對於一些其他總要的客戶數據信息，有時候我們通過一些付費數據獲取渠道往往也是有必要的，畢竟通過一定成本獲取到的用戶其質量往往高於那些免費渠道的用戶信息。有一點需要注意的是，作為商鋪或者平台運營者，一定要懂得保護好自己的用戶數據，因為這既是保護用戶隱私，也是在保護自己的企業商譽。在我們收集到了自己所關注的客戶/會員信息之後，往往還需要對其中的一些異常數據進行數據清洗，保證好所分析的數據質量，這樣得到的數據分析結果才是有質量和業務戰略指導意義的。比如做運動服裝零售的數據分析統計，有時候在做會員數據分析時，發現有5%的80歲以上的會員客戶，另外居然發現其中還有不少的100歲以上的客戶數據，有3%的會員年齡還在10歲以下，還有5%的客戶沒有性別，3%的沒有聯繫方式。這些數據往往都是大概率有問題需要單獨清洗剔除的，對於企業來說，我們可以通過設定基礎數據準確性/完整率的kpi指標來提升企業原始的數據質量。在這樣的一個時代，做會員數據分析往往都容易進入一個誤區，很多人一談數據分析則必稱數據探勘，卻忽視了對企業原始數據的清洗和分析管理。而實際上企業的數據分析是需要最重要的是基礎數據的管理和分析，最後才是挖掘。先保證最基礎的東西做好了，這樣對企業的價值會更大。二、基礎會員數據分析做好數據採集工作之後，就可以開始會員基礎數據分析了。對於店鋪和運營平台等企業，基礎的數據可以分為以下三類： 1.日常/每周關注會員指標：會員新增開卡數、新開卡率、貢獻率、會員客單價、會員連帶率、回頭率等等； 2.月度/季度分析會員指標：會員年齡分布、性別分布、會員增長率、流失率、活動轉化率等等； 3.年度研究會員指標：會員新增開卡率、流失率、會員消費周期、回頭率、激活率、喚醒率等等。其中日常/每周關注會員指標的數據主要以追蹤為主，分析為輔，側重於當前時段發生了什麼，有什麼需要解決的問題，應該怎麼去解決。月度/季度指標則以分析為主，研究和總結階段性關鍵問題，制定能夠解決階段性關鍵問題的策略。年度指標則主要以研究和分析為主，用來指導和制定明年的銷售運營策略。做會員基礎數據分析思路要清晰，大體可分為三種：看趨勢、著對比、溯源頭。其中看趨勢是比較常用的分析手段，通過對不同時間階段的銷售情況進行趨勢統計，結合溯源頭找出銷售額增長或是下跌的主要原因，及時指導和調整營銷策略。接下來，我以四象限圖為例，給大家詳細介紹對比分析的常用技巧和方法。我們通過散點圖製作出如下所示的20個城市的會員狀態情況，其中主要為兩個分析指標，會員流失率和會員新增率（當前新增會員占該城市有效會員總比重）。會員新增率和流失率是會員分析最常用的兩個指標，也是會員數據量的正反面體現。我們如果把有效會員數看作是企業的資產，那麼新增會員就是銀行的存款，流失會員就是銀行的取款，此時想分析出當前企業的經營狀況可以通過對比存進去多還是取出來多得出企業經營結論。我們用企業的平均增長率和流失率繪製成如下圖表所示的四象限圖（X軸為會員流失率，Y軸為會員增長率），將20個城市分為4個象限：第一象限（右上角）表示會員流失率和增長率都比較高，第二象限表示會員流失率低、增長率高，第三象限表示會員流失率和增長率都比較低，第四象限表示會員流失率高、增長率低。從圖表中可以看出，其中第二象限中的長沙、石家莊、成都、濟南四座城市的會員狀態是最好的，用戶將會持續增長（相對較低的流失率，較高的增長率）。相反右下角的第四象限中的北京、天津、哈爾濱、長春、大連五座城市則需要立即進行調理和整頓了，用戶流失情況很嚴重，需要同時提高增長率、降低流失率。第一象限的六座城市則需要降低會員的流失率，第三象限的五座城市需要提高會員的增長率。從以上的基礎會員數據分析可以看出，基礎數據分析還是比較簡單的，容易發現數據規律和得出調整結論，難的是持續性，是否真正地看到了企業發展趨勢、找對比、溯源頭。三、分析發掘會員價值第二部分介紹的會員基礎數據分析情況，側重於解決當前影響企業銷售額的主要問題，這部分主要給大家講解分的析發掘會員價值則是側重於制定給企業帶來長期地可持續地發展戰略。對於零售企業來說往往希望能夠從顧客中發展會員，進一步希望會員能夠吸引更多的顧客/會員。對於不同的顧客/會員，我們可以對其作用戶畫像，比如忠誠度比較高的顧客經常會光顧購買，也願意向其他朋友推薦，同時對企業品牌認可。除了會員忠誠度之外，還需要看會員的實際購買金額，即會員的消費力。上面提到的指標比如「願意向朋友推薦」，往往不好直接通過數據採集量化，顧客/會員滿意度也需要通過有針對性的問卷調研等方式統計到數據，我們可以參考以下相關性指標來側面評估我們的顧客/會員的綜合價值。 1、最近一次消費時間（忠誠度）舉個例子，某一位已經半年沒有消費的顧客近期產生了消費行為，那麼他就產生了這個「最近一次消費時間」指標，對於企業來說，我們期望能夠通過各種活動來激活顧客消費，所以其實這個指標是動態的。 2、消費頻率（忠誠度）對於提高企業整體銷售額來說，提高客戶的消費頻率無疑是一個非常有效的策略，如果某個企業的產品購買都是單次形式的，沒有重複購買客戶其實是很危險的，意味著需要不斷地拉新，客戶的持續產出不足。 3、消費金額（購買力）我們都知道大名鼎鼎的「二八法則」，對於企業來說，往往80%的利潤是有20%的客戶產生的，而這20%的客戶是企業的核心價值客戶，需要得到企業更多的營銷資源，具有持續購買力的客戶是企業需要重點維護的第一選擇。 4、最大單筆消費金額（購買力）最大單筆消費金額是顧客購買力的一個體現，隱藏的是顧客的購買潛力，是企業需要策劃挖掘產生持續消費的客戶。 5、特價商品消費佔比（價格容忍度）特價商品消費佔比作為評價顧客消費力的指標，往往跟實際佔比的大小成負相關性。 6、最高單價商品消費佔比（價格容忍度）最高單價商品消費佔比是最大單筆消費金額的拓展指標，從側面上可以體現會員顧客的價格容忍度，具體值和價格容忍度成正相關。在得到以上六個關鍵會員消費指標之後，我們通過建立對應區間打分制可以用雷達圖組合統計出用戶的最終用戶畫像。以下圖為例，我們可以根據雷達圖的形狀，了解到每個顧客的特性，制定差異化營銷策略。會員一：會員對商鋪/平台忠誠度比較高，但是購買力很低，這種客戶雖然消費金額不高，但是即使不做營銷策略，他們也會產生持續消費，這部分客戶是企業持續利潤的來源基礎保證，通常我們可以通過在一些人流稀疏的時段做促銷行為，讓其產生持續的集中消費。會員二：這部分會員消費能力比較強，同時對價格容忍程度也比較高，但是不足是會員忠誠度，針對這一類會員，我們可以分析他們的消費記錄，做到會員商品精準推薦，提高該類會員的回購率。會員三： […]

數據分析師的工作績效到底是什麼？

文：陳老師源：接地氣學堂又到年底，又該琢磨績效考評的事了！一個血淋淋的現實是：數據分析師的績效到底如何體現？每當年底彙報的時候，銷售們都正氣凜然的：「老闆，今年我為公司掙了1個億！」；市場策劃們都高大上的：「老闆，那一個億背後有5000萬靠我投廣告」；產品們淡定的：「今年1個億，有8000萬是靠新出的產品拉動，那是我們做的」；運營們很不淡定的：「老闆別聽他們瞎吹，產品上線一堆BUG，不是靠我們活動拉新哪有用戶」這些平時可能都不怎麼看數據的哥們，到了表功的時候，都特別的會數據思維，各個都是數據化邀功！而真正做數據的，數據分析師得怎麼說？老闆！我寫了10萬行SQL！這是常見的一種彙報方式。報告老闆，我一年做了500張需求，寫了20萬行sql，爬了5000萬條數據，寫了200份excel日報，100個ppt報告……潛台詞就是：老闆，你快看，快看，我幹活了，我乾的好辛苦呀。然而這種回報效果，約等於0。為什麼？換位思考下大家馬上明白。假設一個銷售這麼跟老闆彙報業績：老闆，我做了800趟公交車，1000趟地鐵，敲了5000次客戶門，打了10000個客戶電話。老闆聽了什麼感受？老闆只會問一個問題：「所以，你的業績是多少？」是滴，所以業績是多少啊！如果不談業績，中間過程干多少有什麼意義。而數據分析的核心痛點就在這裡：數據分析不能直接拉動業績！跑數、整理數據、寫sql、美化ppt，這些都是中間過程。極端的講，沒有《運營數據日報》企業就經營不下去了嗎？當然不是，很多部門只要看到數就能自己幹活了，分析個啥？很多的基層數據「分析師」們的能力，還比不上有經驗的運營和產品呢。要來有何用？更糟糕的是，這些中間過程是只屬於自己的，是一個有過無功的工作。即使寫200萬行sql，那也是你數據分析自己的事，公司花這個錢就是讓你干這個的。你不幹誰干。就像銷售從來不會抱怨天天在外奔波，市場從來不會抱怨方案改了80多版一樣。但是干不好，這個鍋就得自己背了。干多錯多，是最常見的結局。可憐很多同學滿心歡喜的進入數據分析工作，卻2，3年難升一級，就是栽在這個坑裡。支持業務！新數據產品上線這也是常見的一種彙報方式。「新」字是關鍵。因為單純的優化現有報表，又陷入到出力不討好的陷阱里。但是「新」的報表，或者工具就不一樣了。新工具是新產品，新流程的一部分，大家可以抱團請功。還記得開頭，運營是怎麼邀功的嗎？「沒有我們，新產品火不起來！」沒有數據工具，新產品根本上不了線，這個理由也是一樣杠杠的好用。所以，積極配和其他部門，參與到重大項目中，提供產品/工具（而不是人肉報表）支援，就很能顯示成績。這裡特彆強調工具和人肉報表的區別。工具啥時候上線，使用率，使用滿意度這些指標可以量化，比如新報表工具做的某張報表一天的訪問率是80%，老闆一眼就能看到，年底自然有數據邀功，這是我們的成果！而為了一個新項目，人肉寫20000行sql，又把這個事變成了我們的常規工作，幹了是該乾的，干好了沒人記得，干壞了自己背鍋。所以數據分析部門的領導，一個重要能力，是從常規工作中打造出產品的能力。不把自己的工作產品化，就永遠跟在別人後邊當打雜的那個。解決問題！分析建議被採納有些同學可能奇怪：「不是都說數據分析師是老闆的軍師嗎，你看軍師們都是很受尊重的呀？」是滴，軍師是很受尊重，然而軍師這個角色是需要我們自己爭取來的。往往大老闆信任的軍師不是數據分析師，而是市場部的某個經理。究其原因，問題還是出在「到底我們思考的是數據還是業務問題上」市場部的經理們更多思考具體的業務問題，因此更容易成為老闆信任的人。相當多數據分析師每天盤旋於鍵盤屏幕之間，連老闆人都見不到。業務部門開會沒自己一把椅子，和具體業務問題八丈遠。最後就淪為了人肉跑數機，自然和加薪越來越遠了。這裡的關鍵是獨立解決問題。很多時候我們寫常規分析報告，日報周報也會寫分析建議。然而這些建議經常被業務部門丟進垃圾堆。因為別人並沒有明確委託我們做這個事啊。有可能人家需要的還是一個數據，並不是真正要分析結論。因此，如何把具體的需求撮合成一個項目，就非常的重要了。有了獨立的項目，就能考核數據分析的效益。用最簡單的辦法：數據分析優化前效益是多少，數據分析優化後效益是多少。業務部門有問題，我們解決了問題，追蹤了效果，成績大白於天下。最後和業務部門一起慶功，大團圓結局。從常規工作中孵化出項目的能力。是數據分析想繼續往上升的另一重要能力。近兩年數據分析概念大火。大量的、各個行業、各個背景、懷著各種目的同學湧進來。很多人期望能有一個比之前更好的前途。然而作為一個9年的老兵，陳老師見過太多太多幹了1,2年沒有晉陞、又陷入迷茫、匆匆跳槽的、跳來跳去撞到職業天花板的悲慘例子。因此特別把真正的管用的業績點總結出來，與大家共勉。關於數據人的工作效能和個人成長，這裡還po一場知·乎·Live——「如何成為企業需要的數據分析人才？」，教大家審時度勢，藉助企業數據變革的機遇，找到屬於自己的位置。後記最後，我才不會承認以下黑暗真相是我說的呢：作為一個數據部門的領導，深深的體會到，數據分析工作的唯一KPI就是大老闆的信任，大老闆不信任俺們就屁都沒有。而數據分析師、分析專員的績效，本質上就是部門領導覺得自己好不好使。對數據分析師而言，能幫領導獨立抗項目，對數據分析專員而言，能主動思考如何取數減少請示，就是最靠譜的。考核報表上的數都是寫出來給人看的，心理的秤才是真的。恩恩，請大家肆意點贊，閱後即焚。

為什麼數據分析師需要既懂業務又懂技術？

在企業中，數據分析師們往往分為業務和技術兩大類。兩類能力和工作內容有較大區別，但經常企業在招人的時候都叫：數據分析師。這常使想進門的新人感到困惑。今天，我們就來科普一下業務與技術的那些事。業務 or 技術業務類分析師，往往在戰略發展部，市場部，會員中心，銷售部，運營部。根據服務的業務部門的不同，他們也可能叫數據運營，經營分析，會員分析，商業分析師等名字。因為各個業務線具體考慮的問題不同，分析思路與體系均有不同，所以會有這種區別。他們有個共同的特點：他們主要負責寫PPT而不是寫代碼。他們輸出的是分析報告多於零散的數據。他們的主要工作，包括：整理excel，提供各個業務部門看的常規日周月報；針對領導安排的專項議題（如雙十一促銷、年終規劃、新產品設計）做專題分析；支持領導做需要用到數據的測算、規劃、方案等等。技術類分析師，往往在IT部、數據中心。根據從事的工作環節不同，他們被分成資料庫工程師，ETL工程師，爬蟲工程師，演算法工程師等角色。在小企業，往往一個技術小哥通吃這些流程。在大企業，一個標準的數據中心，一般都有數據倉庫、專題分析、建模分析三個小組來完成數據開發工作，再大的公司，還有專門負責數據治理的小組。之所以有這個區分，是因為生產數據，需要一個多層次的複雜的數據系統。一個數據系統，需要數據採集、數據集成、資料庫管理、數據演算法開發、報表設計幾個環節組合。這樣才能把分散在各處的一點一滴的數據集中起來，計算成常用的指標，展示成各種炫酷的圖表。這裡每一個環節都需要對應的技術支持和人員工作，因此有了不同的崗位。只要你深入了解數據分析師，就會發現大家講的最多的一句是：最好就是技術業務都精通。這讓很多新人感到很辛苦。為什麼我不能安安靜靜的當一個程序員？為什麼我不能勤勤懇懇寫ppt呢？非要學另一個領域，看起來其他部門的人也不需要這麼多才多藝啊！憑什麼做分析的就這麼辛苦？實際上，但凡是做數據分析的老鳥們，都知道技術業務雙精通的重要。這是他們無數次面試失敗、加班到哭、要求升職被拒、背了黑鍋寫檢討之後的血淚總結。剛起步的菜鳥們，眼前還是一片空白，當然看不到這些痛楚。不懂技術，最終淪為夸夸其談的廢柴鄙視技術的新人，往往來自那些校招順風順水，進了大企業，500強的總部，以為自己馬上要成為商業精英的人。戰略發展部往往是重災區。這些哥們姐們每天西裝革履和各種老闆交談，寫的ppt動輒5年規劃全局戰略。一種優越感油然而生：我是跟大老闆彙報，那我也是個二老板吧！分析思路才是最重要的！技術都是干臟活累活的！如果一直這麼優越下去，他們要麼成為靠著「XX企業出身」名頭混吃騙喝的大忽悠，要麼幹了幾年始終在基層崗位徘徊。確實，分析不需要數據，你看歷史上名臣謀士有幾個搞sql，python的？但那是刀耕火種的農業社會的事。分析之所以要加數據二字，就是因為數據能讓分析更精確。而在移動互聯網時代，數據來源複雜，加工過程多，計算方式日新月異。不了解技術原理，不掌握數據來源，就無法真正掌控數據含義。脫離數據，空談思路，就會讓自己越來越浮誇。無法在職業發展上更上一層樓。有意思的是，這些大忽悠們往往坑的是技術部門。因為他們有著「XX名企」這樣金光閃閃的頭銜，往往能混進領導層。遇到這種業務部門的領導，技術部門就倒了血霉了。每天聽他瞎吹各種思路，沒有一個能落地的。你問他：「到底這個分析要哪些維度，哪些欄位？」人家一句：「這不是技術乾的嗎！」你問他：「你預測這個有什麼分析邏輯？」人家一句：「這不是技術乾的嗎！」最後再追殺一句：「我就是要預測，你們去預測！你看人家網上寫了大數據人工智慧就能預測！你不能預測一定是你智能不夠！」搞笑嗎？一點不搞笑！你要是伺候他的技術部門，每天都是上墳心情去上班，好想活埋了丫的。誇張嗎？一點不誇張，反正陳老師見過，連數據指標對應哪個欄位都搞不清楚還在大談特談分析，不理數據採集有什麼難度，張口就要數據的所謂營銷專家。讓人哭笑不得。好在，這種人只在陳老師剛畢業的時候比較多。那時候BAT還沒有崛起，外企500強才是眾星拱月般的存在。現在隨著BATJ華為等一眾公司熱捧演算法工程師，使得風氣扭轉，目前熱捧技術忽視業務的佔了上風。不懂業務，最終排在升職加薪的末尾鄙視業務的，往往來自剛進入IT部工作沒兩天，抱著：「只要會代碼，工資輕鬆拿！」錯覺的新人。他們還沒有經歷過一個完整的項目，還沒有自己和業務部門開過會。拿著自己主管派來的任務單，兩耳不聽窗外事，一心只會敲鍵盤。於是搭上泰坦尼克駛向kaggle，早辭波士頓，晚賞鳶尾花，沒事就把拉鉤爬。似乎只要把這些網上人人可以抄的代碼自己抄一遍，下一個小龍哥就是自己了。然鵝，經歷了無數次加班以後，他們開始發現：「為什麼我們的數據質量這麼爛？」「為什麼我們的數據造假這麼多？」「為什麼關鍵的欄位缺東少西？」「為什麼系統這麼糟糕天天老牛破車？」那些在書上的完美案例從來就沒有條件實現。然後小哥們想著肯定是公司小，不規範。跳槽到超牛逼大公司，一定是數據完美，基礎強大。幾經努力跳槽以後，才發現：在大公司，只是一頭老老牛，帶著一群年輕的小牛拉著一輛更大的破車而已，哭。他們又開始發現：「為什麼業務方給的時間限度這麼短！」「為什麼業務方要這麼異想天開！」「為什麼明明不合理的需求還要抬出老闆來壓著我們做！」「為什麼做好了就歸功於業務策劃的好！」「為什麼出了問題就是IT的鍋！」。這時候，他們忽然發現隔壁組的組長是如此的機智。每次和業務方開會，都能以子之矛攻子之盾。把那些不合理的需求殺的體無完膚。他們組從來加班少黑鍋小。大部分做技術的小哥，就是從這一刻開始頓悟懂業務的重要性的。這種抱怨陳老師聽了很多，這種頓悟陳老師也見了很多。因為我就是那個隔壁的組長。稍後會專門分享數據驅動業務的經典案例，讓大家看看如何從一開始就脫離苦海，跳出大坑。因為本質上，技術是為業務服務的。技術落地的成功，首先從一份高質量的業務需求開始。不能正確的理解業務需求，不能合理的幫助業務方完善需求，不能有效的規避需求中業務陷阱，就不可能有好的產品開發出來。技術開發的成功，需要資金、人力、時間的投入。如果不能為技術找到好的業務場景，就無法從老闆那裡獲得足夠的支持。畢竟大部分企業，做開發是為了掙錢，不是為了燒錢的。而最終考核開發的，也不是你用的技術多麼複雜，而是你對業務有多大幫助。新人們要付出相當的加班辛苦，才能理解到這一層。業務+技術，至少懂這些術業有專攻，知識要廣泛，是職業發展的基本準則。特別對數據分析師這樣一個多面手型角色。那麼我們應該了解到什麼程度呢？這裡有個建議：業務方向分析師：數據採集方式、數據欄位格式、指標的計算口徑與更新時間這三個是必須必須知道的。因為這三點涉及到數據真實性與可靠性。沒有數據質量做保證，什麼分析都是空談。對基礎數量越了解，越能從細節中找到思路；演算法模型的種類與應用場景是必須了解的。因為這涉及到如何選擇分析方法，如何提升分析質量。具體代碼怎麼寫，弄懂就懂。技術方向分析師：業務部門分工、職責、流程必須要了解。至少職責清晰，知道自己要對接的人到底是幹什麼。自己對應部門常見的業務需求，如銷售分析、經營分析、促銷分析、商品管理的方法要有所了解。在面對業務部門需求的時候，大概知道他們在想什麼，有什麼套路。幫助自己更好的理解需求，規避需求大坑。文/陳老師源/「接地氣學堂」本文已授權轉載~

如何做好數據分析師的職業規劃？

數據分析作為最近火熱的細分行業，越來越受到大家的關注。但最近和一些數據分析師溝通時，大家都對自己的未來發展感到有些困惑。除了一路從初級數據分析師做到高級，最終走向團隊管理外，未來數據分析師還有哪些職業成長空間，又需要提前做哪些方面的準備呢？筆者結合自己的工作經驗給出一些看法。入門篇入數據分析這個行業有兩個方向：業務與技術，可以選一個方向入門並逐步深入。技術方向專註於如何提高數據採集及運算速度，如何更有效的編寫統計代碼。這個崗位一般適合喜愛做編程開發的同學，供職於各企業的IT部數據分析/數據產品/數據倉儲組。需要資料庫，分析語言，建模演算法等開放方面的技能支持。近幾年隨著很多大公司ERP，CRM建設的完成，在BI系統與大數據應用方面投入資金加大，使得數據開發的薪資水漲船高，發展值得期待。業務方向專註於如何用數據分析問題，如何從提煉出策略彙報給老闆。這個崗位一般在市場部/運營部/戰略發展部，供職於商業分析，數據運營，戰略決策等崗位。需要懂得市場行銷/運營的理論，對數據技術，數據來源有一定認識，有較強的邏輯能力，還得有一些業務實戰經驗。業務分析更適合有一定經驗積累的老鳥進階，新人直接走業務方向，容易論為表哥表姐。但術業有專攻，兩邊都會有最高境界，但大部分人起步還是要有個方向的。總結：零基礎的新人建議從技術方向入手，起薪高，容易入職。有一定工作經驗的可以考慮業務方向，畢竟程序猿不是一個一輩子的工作，技術+業務才能混管理拿高薪。向上篇（公司層面） 1、技能上成為專家，職能上成為部門領導 2、成為各業務部門的好搭檔&助攻怎麼做？首先本身自己技術過硬就不說了，還要具備管理能力，帶好團隊，這是你披荊斬棘的好戰友。核心——項目制，高層溝通，業務部門溝通，創造新數據產品！手上有一堆項目成果是成為數據分析部門leader的必備條件，因為有獨立項目經驗，述職時才有談資，跳槽面試時才能在脫穎而出。把自己的工作產品化，從常規工作中打造出產品。數據產品是數據工作價值的直觀體現，能被業務拿來用，能受到業務部門認同。在積極配和其他部門參與到重大的項目，提供產品/工具（而不是虛頭巴腦的人肉報表）支持，能很好的顯示成績。和高層溝通，從上至下，推動數據分析工作並得到老闆重視，不過這往往是最難的。這裡提供一些推進的建議：多關注企業的痛點，對於那些高品、剛需的痛點，首先要去滿足；嘗試用數據分析的過程去優化管理決策學會告訴老闆數據分析帶給企業的效益；細節著手，潛移默化地培養領導和老闆的數據化意識。向上篇（行業層面）站在行業層面，還是有很多機遇的。隨著近幾年企業對數據管理意識的重視，一些傳統企業也在推動數據化轉型，去一些有價值有潛力的傳統行業做數據工作也不失為好機會。又或者你自己成為這個行業的推動者，成為諮詢顧問，幫助企業做數據治理，輔助並指導企業的數字化轉型，提供知識體系搭建的過程。進而也可以成為職業培訓師，為企業提供從體系化解決方案到數據人才培養的綜合服務，兩者都是高薪的好渠道。其他想得更大一些，可以混管理圈，尤其是傳統行業，期待遇到認同數據價值的伯樂老闆，邀請你當COO吧。最後，大多數企業並沒有給數據人設定特定的崗位和職業晉陞通道，有些崗位有些價值需要自己開拓，不給自己設限。

數據建模：個人信用分是如何計算出來的？

文 | 傅一平源 | 與數據同行無論是金融、互聯網企業亦或運營商，都在基於多年積累的大數據分析搭建個人徵信評分體系，不僅用於自身，也在提供給其他徵信機構做為個人信用評估標準。筆者相信不同的信用分有不同的計算方法，無論是FICO評分、阿里的芝麻信用亦或其它信用分，這些評分既可以很簡單，也可以很複雜，使用的建模方法各不同，但也總是會遵循一些基本的原則，這裡筆者就信用分計算的一些關鍵技術作簡要介紹，希望於你有益。一、業務分析我們在構建信用評分的時候，首先當然要定義何謂信用高，何謂信用低的用戶，這是建模的起點，銀行會基於用戶的還貸歷史來確定高低信用用戶，但如果是第三方企業，則需要基於自身的業務特點定義出類似的高低信用用戶，即正負樣本，比如運營商可能會基於通信欠費來確定高低信用用戶的樣本，當然這也是遠遠不夠的，需要從更多的途徑獲取，比如可以免費獲取法院公示的老賴名單等。二、變數初選身份特徵、消費能力、信用歷史、行為偏好及人脈關係是當前業界評估信用的五個方面，很多信用評分體系都基於此而來，當然，不同行業由於數據不同，因此形成的具體明細指標肯定也有明顯的差異，比如針對身份特徵，可能選擇的具體指標包括婚姻、年齡、職業、性別等等，諸如運營商可以有幾十個指標來表徵身份特徵，五個方面的涉及的具體指標更是多達上百個，因此，關鍵的下一步就是如何刪選合適的變數。三、特徵刪選很多新手喜歡用越多的變數來建模，以為多多益善，其實不然，變數篩選的目在於去除對於模型預測準確提升無效甚至影響模型預測效果的無用變數，比如兩個相關變數的同時存在往往會導致準確性下降。特徵的選擇有很多方式，比如IV值的判斷，這裡以隨機森林來示例，隨機森林演算法能夠輸出每個變數對模型預測的重要性大小，重要性越大代表該變數對於提升模型預測準確度所做貢獻就越大，反之如果重要度值為負，就代表該變數加入會降低模型預測準確度，所以在該步驟直接選擇基於模型輸出結果來完成變數篩選，以下是示例：經過隨機森林初步篩選，和變數預測探索分析，最終五個維度共輸入XX個變數分別進入模型訓練。四、演算法選擇一般會採用logistic分類演算法，在輸入數據形式的標準與線性回歸基本一致。在選擇邏輯回歸時，注意要進行數據預處理，最主要是兩點： 1、離散變數啞變數處理。離散變數不適用於線性分類模型中，建議轉化為0,1類變數，例如用戶行業欄位，存在8個類別（學生、工人、公務員…），經過啞變數轉化處理的話，該欄位轉化為8個變數：是否學生，是否工人，是否公務員……）。 2、變數線性化處理。對於線性分類演算法，指標與目標變數之間呈現線性關係，對於變數的預測效果會更好，但實際數據往往都是非線性表示，因此為提升模型預測效果，需要針對連續型且非單調性變數進行WOE處理，用WOE值替換指標值，以實現數據之間的線性關係。WOE計算公式為 WOE=ln(%good/%bad)，其中%good表示違約用戶構成。%bad表示好樣本用戶構成。以資金欄位為例：接下來就是用邏輯回歸進行模型訓練，從而獲得概率值。五、評分卡轉換 1、評分卡刻度那麼如何將概率值轉化為評分呢，其實怎麼算都可以，這裡採用評分卡轉換的方式，具體網上都有詳細解釋，這裡簡要講下，違約與正常比率被定義為一個記錄被劃分為違約的估計概率與被劃分為正常的估計概率之間的比率，將估計違約概率用p表示，估計正常概率為1-p。因此可定義發生比： Odds=p/(1-p) 評分卡設定的分值刻度是可以將分值表示為比率(Odds)的線性表達式來定義。如下所示： Score=A-B*log(Odds) 其中：A,B都為常數。其中A成為補償分數，B稱為刻度，它們可以通過兩個已知或者假設的分值代入計算得到，一是在某個特定比率設定特定的預期分值，二是指定比率翻番的分數（PDO）。首先，設定比率y的特定點的分值為P0，然後，比率為2y的點的分值為P0+PDO,代入上式可以得到如下兩個等式： P0=A-B*log(y) P0+PDO=A-B*log(2y) 解上述兩方程中的常數A和B，可以得到： B=PDO/log(2) A=P0+B*log(y) 在這裡可以借鑒標準FICO信用分與違約率的定義，比如B=58,A=437，計算分數公式則為： Score=437-58*log(Odds) 最終可以得到該模型的評分卡刻度情況最終結果，如下表所示： 2、分值分配對於logistic回歸演算法，odds也可以表示為： log(Odds)=B0+B1*X1+B2*X2+…+BnXn 由此可得： Score=437-58*（B0+B1*X1+B2*X2+…+BnXn）由於建模過程所有變數都有使用WOE轉換，因此可以將分值分配到每個變數取值上去，以下是示例：這樣，我們就得到了用戶的信用各個變數取值的信用分值。六、確定五個維度的權重用戶的信用分總分是基於五個大維度綜合權重計算獲得的，當前每個大維度信用分（該維度涉及很多變數）已經可以通過前面計算得到，總信用分表達式如下： Total_score=a1*score1+ a2*score2+ a3*score3+ […]

一場關乎未來IT人飯碗的爭論：如何量化IT建設的價值？

文/帆軟數據應用研究院李向川上一篇文章呢《怎麼確定企業利潤的變化和IT建設有直接關係？》，聊了挺多 IT 的價值，說來說去，都是在推銷一個理念「IT 建設價值巨大」，那這個「大」究竟有「多大」呢？其實筆者也沒給出確切答案，只是提供了從不同的維度和視角來衡量審視這個「大」。筆者這裡正在調研一些價值量化的思路，也希望能和大家多多交流，這裡我做了個分解圖，大家可以從文末看到。總體來說，量化的思路就是先積累原始數據，讓相關提出需求的部門給出他們認可的量化維度和大致的量化標準，然後根據市面上的專家意見對其進行調整，最終形成一個企業內部可以執行的起來的量化模型。簡單粗暴點理解的話，可以先按照這個公司的經驗來執行。在需求評估階段：（1）在不改變業務流程和工作流程的前提下，算出節省的人力和時間，這個是可以精確到月節省工資支出的。（2）不改變成本支出的前提下，算出管理人員節省的管理成本，包含物料和人力的管理，這個也是可以按照月工資/月工作小時來精確的。我們主要做公司內部的業務開發，所以從節約上考慮，節省金額必須寫進需求文檔里的，否則不開發。對，我們 IT 人，就要開始這麼牛氣起來！（呵呵，內心是這樣想的~） 1. 要積累數據企業做量化分析，很重要的一環就是企業大數據分析。那麼筆者建議，我們要做的第一步就是積累數據。這裡建議的「積累數據」並不是說要求企業一定要有這樣那樣的現成數據才能啟動和量化，而是我們要爭取在後期 IT 系統運維的過程中，來達到這種用數據資料分析和對比說話的狀態。那麼我們都需要哪些數據呢？簡單來說，主要需要的是 IT 系統上線前和上線後的數據。這裡面筆者詳細說一下這些數據具體是什麼，以及如何採集和利用，以方便大家在實際操作中可以用起來。 1.1 要有IT系統上線前的數據 1.1.1 需要哪些數據我們一般需要哪些數據呢？筆者大致將其分兩類，一類是企業內部管理流程效率數據，一類是企業外部綜合評價數據。企業內部管理效率數據是指方便用時間和資金來衡量的企業管理流程效率數據。這裡的關鍵在於「方便衡量」。這裡舉幾個例子來說說哪些數據符合這些要求，以及什麼是「方便衡量」。以周報和月報來說，企業至少有兩種場景下會用到。第一種，是領導在辦公室或者手機上及時查看；第二種，是管理層的經營管理會議上使用。那麼第一種主要是領導個人決策，下面彙報。第二種主要就是群策群力、通過會議來發現生產、經營中的問題，解決問題。這裡面一個重要的「方便衡量」的數據就是周報和月報的生成時間。比如月報，是每個月的1號就能出來上個月月報，還是每個月10號甚至15號才能出來上個月月報？自家企業對這個月報延後的容忍度是多少？在多大的IT建設投入下，企業願意將月報及時度提高到每月3號？這些問題，先從自家企業了解清楚，數據擺出來自然就會得到一部分人的支援。同樣類似例子，一個分公司或者子部門，出現了業務問題，多久能夠反饋到領導層，這個流程效率也是「方便衡量」的。在一些生產企業，進出原料，審批流程的執行時間，這些也是「方便衡量」的。在這些流程效率的改善價值上，我們或許不必給領導過多分析彙報效率提高的價值，領導心中自有賬本。我們可以嘗試將這些數據落實到IT項目報告中，並得到相關領導的確認即可。第二類，說的是企業外部綜合評價數據。這裡重點指得是我們的客戶反饋、用戶反饋、競爭對比等方面的數據。比如通過IT系統建設，客戶體驗提升了多少，為多少訂單提供了支援服務，用戶投訴量下降了多少，及時獲得哪些競爭對比數據用於改善了自己企業的產品和服務，甚至通過系統避免了多好訂單的損失。這部分數據，主要是需要IT主管和業務主管，共同合作來完成。上面所說的這些數據，很多都是儲存在企業的Excel檔案中或者歷年的工作彙報中，有些 IT 建設和維護較好的企業，甚至在資料庫中可以直接提取到。 1.1.2 沒數據我們也要「造數據」那麼，如果企業導入IT系統前，很難找到上面這些數據怎麼辦？解決辦法是：我們自己「造」。自己「造」數據，肯定不少人都犯難了，甚至很排斥，怎麼可以「作假」呢？其實，這不是作假，而其實合理的量化手段。筆者從四個步驟和大家講一講。第一步，我們就要確定「造」哪些數據。前面有提到兩大類數據：企業內部管理流程效率數據和企業外部綜合評價數據。筆者建議，我們重點從企業內部管理流程效率數據入手，先搞定這些數據。因為這些數據相比企業外部數據更客觀、更方便採集、更容易獲得公認，這樣也就方便我們啟動和執行量化工作。第二步，我們怎麼「造」數據。前面剛說了，咱們重點是放在企業內部管理流程效率數據。其實這些數據，在企業內部是真實存在的，只是很多時候，都是停留在每個員工個體的腦海里和一些直接主管人員的工作彙報里。我們要做的，就是先擬定需要採集的數據項，並初步給出「數據」。比如說：物料進出的平均審批時間 A 小時；某一個級別的領導每天處理某事物的平均時間是 3 小時；某部門和子公司平均每次處理某問題（比如客戶投訴）需要100小時和10萬元財務損失。這些數據，我們先「造」出來第一版，然後到不同的業務人員和部門去溝通調研、核對調整，階段性目標是通過這個初版調研，找到能夠給出相對準確的數據的人，找到能夠最終審批數據的人。最終目標是形成一個大家公認的效率數據標準。第三步，誰來真正地「造」數據。第二步里，我們已經初步的「亂編」了初版數據，第三步這裡就是真正的「造」合理的數據了。筆者建議，是 IT 部門推動業務部門調整我們之前的初版數據，然後儘可能的給出每個數據項的明確數據，或者給出每個數據項的2~3個參考的數據檔。比如我們無法確定物料的平均審批時間的話，那麼我們起碼可以確定類似2小時和4小時兩個選項，交給真正的審批人員來最終核定數據的合理性。第四步，誰來審批「造的數據」的合理性。坦白來說，這一步，走起來或許會不容易。筆者建議這裡由 IT 部門主管去主動推動，IT 部門主管主要的溝通對象就是某個業務部門主管，先從單個業務部門探索嘗試。其實這一步，主要是業務部門和 […]

[CIO視角] 怎麼確定企業利潤的變化和IT建設有直接關係？

文|帆軟數據應用研究院李向川 IT部門在企業中有什麼價值？ IT部門在不同企業中發揮的作用不盡相同，但整體上有這幾個方面的價值： 1、IT部門就是個成本中心，目標是提高執行效率、降低成本 2、IT部門也是行政命令的眼和手，目標是傳達執行管理意圖，實時反饋執行效果，提高管理者的管理幅度 3、IT部門也是風險控制中心，目標是降低企業經營管理風險 4、IT部門也是機會管理中心，目標是及時高效發現降本增效的機會 5、IT系統，是解決人與機器矛盾的有效方案，讓人從機械勞動中更多解放那麼IT建設的這些不同價值定位具體在企業中是如何體現的呢？不同的價值定位又給企業帶來了什麼？我們來看分析具體的場景。 IT部門就是個成本中心，目標是提高執行效率、降低成本有人說，是迷之難題，他沒辦法。我這裡姑且做這樣第一個假設。持有這類看法的人呢，很可能是被這個問題傷到了。或者，他曾經提出一些解決辦法，但是被直屬領導或者其他部門否定了。所以，現在他手裡，拿不出什麼更有效的辦法。這裡還有第二個假設，就是這些人其實還想找到新的辦法來量化IT建設的價值的，或者能夠讓他的老辦法推行起來。所以，我們也認為這波人，想和我們一起討論這個破局的辦法的，而不是給咱們起鬨、潑冷水的。有人說，計算自己公司的IT部門節省了多少軟體費用，節省了多少外包費用。這個筆者覺得相對好計算一些。因為自行開發周期和自行開發的人力成本比較方便計算，但總覺得是「以偏概全」，忽略了真正的價值。比如說，忙了一天餓了，有人給你送到辦公室一碗熱餛飩，姑且賣給你75塊吧。那這個熱餛飩的價值你覺得怎麼計算好？是自己親手做需要200元，然後直接點外賣75元，中間差價125元是你創造的利潤嗎？還是為你節約的成本？外賣真正的價值不是在於解放了你的精力和節約了時間嗎？也就是說，我認為 IT 建設，也是解放了企業的精力，節約了時間，而真正價值大小，就是節約的時間在企業內值多少錢。下面我也是相同的觀點，只是在不同的角度來談一談。有人說，是降低人力成本，提高人均效率。就是相比IT系統建設前需要的人力成本，建設後直接降低了多少這塊的成本，提供了企業運營的時效性和準確率。這種看法呢，我也是部分認同。哪些認同呢？是IT建設確實能為一些企業降低人力成本，提高人均效率。但和前面相似，一份餛飩的價值，除了節約自己做飯的時間，還在於這個時間你可以做對你更有意義和價值的事情。比如一個奮戰電腦前的淘寶店家，節約這個做飯的時間，可能帶來的就是十幾筆訂單，甚至更多。比如正在轉型或者想要探索創新的企業，如果能節約出來這些人力，那麼他們就可以進行新的探索。像永輝超市，就是節約出人員來專門分析門店銷售，總結優秀店長的經營經驗，並分解成IT系統，最終形成微信Wechat上人人可以簡單操作的帆軟門市零售分析系統。這就像古代行軍打仗，兩軍對壘，IT 建設就像是某個戰法，讓你能抽調出一個分隊來，這個分隊的價值僅僅是幾個人頭嗎？還是價值僅僅是他們糧餉、軍餉等費用的總和？難道企業之中，每個崗位，都是只要支付同等的報酬，相應職員像 USB 一樣隨時從社會中入職，入職就能出活？所以，IT 系統的價值之一，就是如前所說，為企業節約出來人力資源，而這個人力資源關鍵看企業如何高效使用。其實，計算成本的方式是被動的，甚至是忽視了IT系統建設的真正價值，完全把IT系統和IT人當做效率工具了。IT是成本中心這個說法已經根深蒂固了，想翻身不容易，但IT部門要做好自身規劃，企業要更高效率經營管理，IT部門就是要翻身。 IT部門也是行政命令的眼和手，目標是傳達執行管理意圖，實時反饋執行效果，提高管理者的管理幅度。有人說，核心就是效率。實際包括了及時性、準確性、直觀性等等。核心的一點就是效率的變更。在此基礎上，由於更準確，及時，明確的數據指導，從而進行風險規避、精準行銷等都是利潤的最本質體現吧。不藉助IT系統地情況下，按照彼得·德魯克的《卓有成效的管理者》的研究，一個理想的、卓越的管理者最多能單獨管理200人，當然這200人指的是相互之間有工作聯繫的人員，下同。當前大多數管理者達不到彼得·德魯克所謂的「理想的管理者」「完美的管理者」，一個管理者真正能高效管理的團隊超不過100人。所以可以簡略的劃分，大多數大中小型企業，團隊超過100人都要藉助各種ERP、OA、Data Analysis System等等。就拿餐飲業獨樹一幟的眉州東坡集團來說，他們通過監控和分析每個酒店的客流和菜品訂單情況，中層和高層每天都能發現所有門店經營中出現的問題。領導層向下傳達了管理意圖，門店執行效果如何，領導層在手機和大屏上就輕鬆可見。針對具體問題，直接找到對應的負責人，層層向下傳達管理意圖，確保管理政策執行到位，極大提高了管理幅度，截至到2017年10月，梅州東坡員工已經達到了將近10,000名，而只要管理層隨時興起，都可以通過帆軟報表商業智慧軟體的行動決策平台，來查看到每個人的每日工作情況和績效。雖然說，集團大了，管理者精力有限，不會事必躬親。但對於很多企業，其管理者都是精通業務之人，甚至董事長創始人當初就是業務專家。在這樣的企業里，領導層是十分注重企業經營透明化的，雖然高層多半不會親自處理企業經營的每一個小問題，但是他們通過透明化的資訊系統，直觀感受到業務經營的變化，「春江水暖鴨先知」，時時刻刻保持對市場和業務的敏感，這既是高層的焦慮，也是決策層的秘密武器。 IT部門也是風險控制中心，目標是降低企業經營管理風險如何降低企業經營管理的風險呢？這裡我舉兩個例子。一個是全球赫赫有名的寶潔公司，一個是汽車物流行業聞名的江汽物流公司。寶潔公司呢，推出新的產品前，必須先做市場調研。當然，可能作為消費者，我們接觸到的，大多是一些紙質的調查問卷，同時可能網上也會有一些電子版問卷，甚至手機上一些Html5效果的問卷。總覺得這些和IT系統距離有點遠。其實不然，這是寶潔採集市場數據的一個大殺招，他們一直沿用至今。寶潔公司的每次調研問卷設計，都是有問卷分析模型在背後做支撐的。市場調研人員採集到的各種形式的數據，寶潔公司有一整套的IT系統，能在短短數日就將其處理成市場需求報告，指導產品的研發和市場推廣。通過這一整套調研系統，及時降低了企業推出新產品失敗的概率和風險。作為消費級產品提供商，寶潔多年來的業績可以支撐我這個判斷。江汽物流公司呢，是一家主營整車物流、車輛管理、維修、租賃等業務的年輕企業。僅僅成立一年，就獲得了中國4A級綜合型物流企業和2014年度中國先進物流企業等榮譽。筆者有幸曾走進其調研流程監控數據可視化軟體系統。那這個系統給我印象深刻的一點是：這套系統能看得見業務運行和狀態監控的系統，實時的監控和進行數據分析，曾幾次及時監控到汽車物流的異常，管理層及時處理，控制了事態，避免了企業遭受重大損失，比如GPS事件、某倉庫積壓事件。所以，筆者所理解的降低企業經營管理風險，其實更多是將風險控制在可接受範圍內。雖然，有時也會有IT系統將風險消於無形的情況，比如萬達集團建立了上游原材料採購系統，能夠直接從系統中分析出每個項目工程材料的成本價格，直接避免了超標採購的可能性。就像我們在雙十一之前，了解了淘寶商品全年的價格軌跡，很難再被雙十一的價格「虛假跳水」所欺騙。 IT部門也是機會管理中心，目標是及時高效的發現降本增效的機會說到降本增效，最容易理解的，我想多半是餐飲零售行業了。餐飲零售行業流量大，店面多，管理經營在整個企業活動中佔比最大。同時，這也是我們普通大眾相對比較熟悉的行業。還是舉眉州東坡、永輝超市的例子，他們都曾用IT系統發現企業降本增效典範行為。眉州東坡開設一家新餐，需要考慮前廳和後廚的面積應該是怎樣一個比例？二人桌、四人桌、八人桌以及包間該怎麼搭配擺設？這些在過去都是憑藉經驗去決定。以往公司的領導比較熱衷於大店的模式，但是到底適不適用，並沒有一個準確的結論。IT部門通過對以往餐廳數據的統計和分析，針對門店分析每平方米可獲得多少營收，得到一個數據參考。最終發現小型門店所獲得的效益要比大型門店高。因此針對這種情況，公司在戰略上做出了相應的調整，降低部分大型門店的數量，增加小型門店。這個降本增效的故事，讓眉州集團的數據分析工作，首次得到高層認可，並開啟了數據驅動決策的數位轉型之路。永輝超市和眉州東坡的情況有所不同。永輝超市門店眾多，經營的品牌和品類更是數不勝數。哪個區域哪些品類銷量好，哪個品類哪個品牌進貨價低，這些都是一個極難回答的問題。以前，這些經驗更多掌握在一線的採購經理手裡，同時各個採購經理掌握的也都是一份殘缺的進貨渠道和價格表。永輝超市的IT部門，用帆軟報表BI數據分析平台，搭建了一套全集團的供應商資料共享系統和銷售情報分享系統，將全國各子公司的內部進貨價格和對外銷售情況匹配不同許可權，分層次的對各個門店公開。這樣每個門店就可以再重新裝修和人員擴張的情況下，通過選擇合適進價的供貨商以及銷量較高的品類和品牌，直接將單個門店毛利率提升了3個百分點，有的門店甚至階段性的提高8~10個百分點。 IT系統的建設，確實是可以為企業降本增效的，所以IT部門，完全可以成長為企業的機會管理中心。這其中最要變革的，是IT人的思維與頭腦，是管理者的視野與格局。 IT系統，是解決人與機器矛盾的有效方案，讓人從機械勞動中更多解放這是個有趣的話題了，值得多做一些外延探討了。之前大數據、人工智慧AI概念流行，媒體大肆渲染其神奇，甚至開始擔心人工智慧取代人。比如說富士康引進機械臂，將導致某某工廠十萬員工下崗；比如人工智慧引入財務領域，將導致中低端財務人才無處求職；比如大數據分析引入金融銀行保險風控系統，極大地影響了精算師、傳統風控計算的人員的地位。說來或許好笑，或許顯得我這個外行無知。我們人與機器的差別之一，不就是人會自主思考，擅長創造性的勞動嗎？而機器更擅長的是有規則的重複性操作。當人類學會製造使用核桃夾（像鉗子一樣能輕鬆夾開核桃的工具）時，或許用不上了鎚子以及其他的力氣大的男人手掰核桃。但這些人被解放出來，去開發設計電梯了呀，是不是讓你更方便了呢。再來個企業經營中的例子。曾有一個傳統製造業企業，內部管理很是嚴格，採用的也是金字塔管理體系。員工申請、物料審批、產品進出廠，都需要層層簽字確認。比如這批貨品只能從 A 大門出，並且需要張三領導和王五領導簽字，而另一批原料只會從 B 大門進，並且需要趙二和丁四領導簽字。一天下來，為了原料貨品的進出，底下員工要不斷找各個領導簽字確認，領導忙於各個車間生產，員工不得不追著領導簽字，同時門衛不斷通過內部電話核對。大量的時間被消耗在不斷的簽字確認、電話核查的過程中。玩笑點說，一代人的芳華或許因此而耗盡。不過，2016年有了轉機，集團 […]

BI和Report的區別—-吃貨的數據世界凡人不懂！

都聽說，標題要醒目，醒目醒目！這個夠好玩了吧。被標題吸引進來的，下邊報個到~！玩report已經一年多了。從最開始的無知小白，慢慢也有人稱呼我為大神了。至於我之前仰慕的各位大神，好多都因為種種原因很少上帆軟論壇了。這算不算是另類的「前浪死在沙灘上」呢？很多人都問BI（商業智慧）和report（報表軟體）之間的區別是什麼？其實，帆軟官方已經三番五次的說明了兩者的區別，但估計是語言太官方了，太嚴肅嚴謹了，造成大家一臉懵逼！作為一個傳統吃貨，突然有種想法，能不能把枯燥的官方解釋生活化一些呢？所以才有了以吃貨作為副標題的打算和想法。吃貨的世界凡人不懂，任何的東西，我們都可以和吃聯繫到一起。那麼我們來小結一下吧。常規角色定義與吃貨世界定義：技術人員（廚子）報表查看用戶（食客）數據（食材）清理後的數據（半成品食材）領導（美食家）需求（菜譜）需求變更（臨時換菜）頁面美化（擺盤）用戶需求（口味）產品經理（服務員）產品演示（上菜）以下看到任何標記為紅色的上述字樣，請自行替換，才不會影響文章的真實意義表達。 bi和report的區別？ bi相當於韓國自助烤肉，廚子負責把食材處理成半成品食材，你想吃什麼，自己拿，省去了使用菜譜的麻煩，想做什麼口味，自己調整，但是，弄的好吃不好吃，廚子不管，萬一你真的打動了美食家的味蕾，那就很happy啦!至於擺盤什麼的，就看你自己的美術功底了。至於臨時換菜或是換個口味啥的，其實你想多了，反正都是自己做自己吃，喜歡換啥就換啥唄。 report相當於中國式飯店點餐，食客想吃什麼。先讓服務員按照食客的想法填寫菜譜，之後服務員通知廚子開始按照菜譜幹活，最後服務員上菜，要是覺得口味不太適合食客，需要由廚子再給你重做。美食家如果感覺你的菜譜搭配有問題，也會劈頭蓋臉的體現以下自己的存在價值，比如覺得擺盤不好看，影響了就餐之類的原因就太多了。萬一需要臨時換菜，食客就要自己頂住來自服務員和廚子的怒火。最後總結一句，你要是還不懂bi和report的區別，你就不是一個合格的吃貨！來源：帆軟論壇

「表哥表姐」如何從0到1，入門數據分析？

實際上相當多同學頂著「數據分析師」的頭銜，乾的卻是數據分析專員的活。專員=磚員，基本上每天都在辛苦的搬磚，不是搬SQL就是搬EXCEL。雖然看起來也是在處理數據，然而跟「分析」沒有一毛錢關係，也沒有升職機會。跳槽面試，卻沒有真正做過一個數據分析項目，建模不懂，業務不明，甚是辛苦。對於這些從事基層工作的表哥表姐，SQL哥SQL姐來說，積累項目經驗非常重要。因為想升職，拼的不是自己會不會寫程式碼，而是自己能獨立解決什麼問題。無論是偏業務向的輸出報告、分析建議；還是偏技術向的輸出數據產品、建立數據模型，都是非常珍貴的經驗，可以真正的幫助自己升職加薪。難點是：搬磚的永遠見不到設計師的圖紙。對於做基礎數據開發的SQL哥們，永遠是一問三不知：不知道為什麼跑這個數，不知道跑了用到哪裡，不知道用了有什麼結果。每天都在做人肉BI。接了需求還要反反覆復修改。每天光處理這些都下不了班了，還哪有時間思考。對於做基礎數據分析的表哥們來說。也是疑惑重重：不知道數據怎麼來，不知道分析了有啥用。每天對著銷量、活躍率等等幾個簡單的數據發獃。還經常被批：「你這都不是分析，做分析要有深度，自己多想想」我想啥啊？o(╯□╰)o 第一步：找到內部盟友朋友可以自己找，老大只能靠命好。在職場遇到一個肯耐心教導自己的老大，跟中彩票的幾率差不多。但是朋友卻是隨時隨地可以交的。有三類人可以很容易建立關係：大家同一批進公司，一起參加新員工培訓的；大家一起做項目加班，吃宵夜一起罵傻逼領導的；大家都還年輕沒結婚，下班不用急著回家吃飯的。即使沒有這三種關係，也能通過積极參加活動，在團建的時候幫大家燒雞翅，唱K的時候幫大家倒酒搞好關係。為什麼要搞關係？因為想提高自己，我們得麻煩人家。第二步：跑通三大流程本質上看，基層的同學的問題不是知識少，而是見識淺。沒有見過高級的方法，深度的分析，也不了解業務到底有什麼需求。這不是靠看書能獲得的。因為沒有一本書能教你21天速成。比如如何在缺少用戶ID的情況下建立分析模型？如何評估電商渠道VS實體渠道的經營效益？除非你的leader願意花心思寫分析說明書，單純的看方法論，在工作中無法落地，看了還是會忘。這也是為什麼很多同學很刻苦的上網學習，卻感覺學了沒啥用處，學的東西離工作很遠的原因。想要結合自己的工作，就得跑通自己公司的三大流程。組織流、業務流、數據流。組織流:部分架構、分工、基本職能。了解了組織流，能知道到底是誰在幹什麼活，才知道誰關心什麼數據。業務流：從產品生產到賣給用戶，需要做哪些工作，在什麼渠道賣，依什麼定價，做什麼事情。了解業務流，才知道為什麼業務部門關心數據，才知道哪些地方可以用到數據。數據流：數據在哪些系統產生，存在哪裡，有什麼欄位。知道了數據流，才能知道到底分析有什麼素材，沒有米下鍋，飯也沒得煮了。理解三大流程，是發現工作意義，把日常工作升級為項目的關鍵。第三步：思考數據意義數據分析也是一個項目，是有目標、有方法、有步驟、有結論的工作。很多情況下，大家做的報表是有方法和步驟的，缺的是目標和結論。因此了解三大流程以後，就可以進一步思考：「到底我日常工作是為了什麼」「到底我日常工作起了什麼效果」。也可以主動和需求部門溝通，獲取信息。溝通包括正面溝通和側面了解兩部分。正面溝通，比如在接取數需求、接專題分析需求的時候直接問：「取數背景是什麼，取數用途是什麼」可以直接向領導請教：「常規日報是怎麼使用的？為什麼看這幾個維度」。如果沒人理會（這是常見的事）就側面了解。側面了解，第一步先看：是哪個部門哪個組提的需求。然後記錄下來，以待日後觀察，他們組負責的工作是否上線活動，發布了改版公告。他們組對應的數據指標是否有了變化。這樣可以側面反推：他們看了數據做了什麼事情。第二步，可以找熟人聊天，了解他們最近關心的問題，是否和自己判斷的一致。第三步，先百度業務部門關心的問題，看看有哪些原因，是否可以從數據上反應，假設一下通過哪些。第四步，把自己的假設與業務們的小夥伴們交流，看看是否合理。實際上，打探情報，交流想法是高級數據分析師，數據分析部門主管們的必備技能。做的好的部門主管們不但自己內部情報要打聽，也會主動走訪競爭對手的門店、網站、收集活動信息，反推對方的數據情況。這樣才能做到，在和業務部門交流的時候思如泉湧，點子源源不絕。才顯得做分析的經驗積累很深厚。第四步：提升數據價值理論上，做好第三步，你已經能面對面試官對答如流：「我參與XX專題分析，分析後發現用XX方法可以提升促銷效率，下次活動中業務部門採取了對應方法，提升效益30%以上」。是滴，雖然是自己補完的全過程，但是都是基於真實數據真實經驗，不會有什麼破綻的。到這裡你已經為自己準備了一個項目經驗。但是還可以做的更好，因為我們想加薪，還是得用上一些更複雜的方法的。大部分時候，限制模型使用的不是我們不懂演算法，而是壓根沒數據。或者很多公司沒有點對點推送的平台，行銷只能地毯式轟炸。這時候談何精準，用何模型？但這不影響我們自己聯繫。這裡就要用上我們對數據流的了解。比如我們在網上看到一個精準行銷模型的文章。那麼他用了什麼數據？為什麼我們的公司沒有這個數據？如果要採集需要什麼方法？需要花多少錢？他的行銷落地在什麼平台？為什麼我們不具備這種平台？如果想做可以怎麼做？反覆問自己四五次，把可以落地的部分練手一下，思考的深度就有了。這樣面試的時候，可以自信的說：「為了提高分析深度，自學了XXX模型，但在實際應用的時候，局限於XX限制，沒有得到效果，但如果給XXX條件的話，就可以落地」。——這樣才是企業所需要的數據分析師，才能對得起月薪1W+的工資。文：陳老師源：接地氣學堂

報表雜談