大數據從來不是平地而起的，今天從個人的視角，分享於你一個傳統企業的大數據發展編年史。2004至2017，整整13個春秋，見證了一個平台的發展歷史，每一年聊聊幾字顯然無法表達所有的內容，但還是能看到一個企業數據平台發展的一個脈絡，希望於你有所啟示！ 1、2004年-起點 內容：擁有基於小機的ORACLE報表和取數系統。 評論：小快靈 2、2005年-經營分析系統1.0 內容：完成第一代數據倉庫建設，採用IBM P595，DB2資料庫，TOMCAT，海波龍前台，Hyperion Essbase多維工具，IBM Intelligence Minner8.1數據挖掘軟體，完成九大主題，成立獨立的經營分析組。 評論：開天闢地，技術驅動業務，ORACLE和DB2數據倉庫之爭。 3、2006年-經營分析系統1.5 內容：擴充數據源，打造集客、渠道等分析專題，構建MetaCenter元數據。 評論：開始進入業務專題探索階段，但仍是技術驅動業務，孤獨的跳舞者。 4、2007年-經營分析系統2.0 內容：完善經營分析門戶，打造數據集市，完成行銷管理平台1.0建設，構建數據質量管理體系。 評論：數據倉庫衍生到一線，數據規模的擴大驅動數據管理類產品的建設 ，但效果乏善可陳，為什麼？ 5、2008年-新一代經營分析系統1.0 內容：加強一線的支撐，開始地市應用試點，地市集市升級到地市數據分析中心，VGOP（增值業務綜合運營平台）啟動建設，行銷管理開始提全程精確行銷，即信令實時行銷。 評論：探索省市協同的方式，通過平台貫通拉近與一線的距離，試點雖好但大多無法推廣或代價巨大，為什麼？ 實時行銷是第一個大數據分析軟體驅動的業務場景。 6、2009年-新一代經營分析系統2.0上線 內容：公司進入3G時代，打造3G、家庭、離網等專題，地市試點進一步深化，行銷管理平台開始啟動個性化推薦，完成自助取數平台建設。 評論：專題分析苦苦尋覓，乏善可陳，只有自助取數等面向一線的工具平台仍然煥發出生命力，經營分析分的核心競爭力到底是什麼？ 7、2010年-新一代經營分析系統3.0 內容：經過多年建設應用初具規模，打造數據倉庫的應急庫，確保容災能力，數據倉庫模型標準化： 評論：DB2掛了二次開始搞應用容災，數據豎井越來越多，開始進行數據標準化，然後無限循環，為什麼？ 8、2011年-新一代經營分析系統3.5 內容：公司進入流量經營時代，GPRS等話單大幅增加，處理瓶頸凸顯，主庫從P595升級到P780，ETL層面開始雲化，專題分析向互聯網轉變，包括互聯網內容分析、終端分析、WLAN分析等，啟動DPI等大數據的引入工作。 評論：2011年是大數據的採集元年，從這一年開始，開始了艱巨的DPI等大數據引入工作，真正的星星之火。 9、2012年-新一代經營分析系統4.0 內容：首次引入Hadoop對DPI數據進行爬蟲及解析處理，構建互聯網數據模型，打造行銷快點吧（標籤庫的前身）。 評論：首次認識Hadoop，同時開始考慮用系統化的方式沉澱模型和標籤。 10、2013年-新一代經營分析系統4.5 內容：數據量繼續大幅增加，完成雲化數據交換平台（橘雲hadoop）和大數據平台一期（Aster）建設，標籤庫完成一期建設 。 評論：雲化數據交換平台成為數據匯流排，Aster MPP粉墨登場，標籤庫從無到有。 11、2014年-新一代經營分析系統5.0 內容：數據量繼續爆炸式增長，雲化數據交換平台擴容，指標庫從無到有，標籤庫擴展，行銷平台接入信令，嘗試打造前向的大數據管理平台，探索廣告業務。 評論：過渡之年，這一年在不停的對大數據技術進行論證選型，數據管理徹底放棄傳統的後向產品，業務上開始啟動大數據變現的前期工作。 12、2015年-大數據元年 內容：正式完成企業級大數據平台建設，包括大數據交換平台，大數據處理平台、大數據管理平台及大數據精準行銷平台，奠定了整個大數據平台的運營基礎，同年大數據專業組織成立，完成公司第一個大數據對外變現合同。 評論：開天闢地，大數據運營的元年。 13、2016年-大數據開放年 內容：大數據平台擴容，架構基本成型，大數據模型自我掌控，大數據產品體系初具規模，對外商務變現獲得突破，成立雲計算專業組織，專業化進行平台建設和管理。 評論：大數據平台持續優化，對外不斷探索商務模式，開放元年。 14、2017年-大數據轉型年 內容：對外進行大數據業務轉型，對內探索大數據的支撐模式，採取搭台唱戲的模式驅動商業智慧運營，開始關注人工智慧。 評論：尋求大數據價值內外突破。 附：針對前面提到的一些問題的回答 數據規模的擴大驅動數據管理類產品的建設 ，但效果乏善可陳，為什麼？ 答：數據管理類平台是運營出來的，無論是數據質量平台還是元數據平台，畢其功於一役的項目是無法成功的。 […]

行銷是企業根據目標用戶的需求提供產品和服務，實現盈利的一切經營活動，關於行銷的數據分析，有哪些工作可做，該怎麼做？ 分析思路 1、對誰行銷-用戶行為的分析 用戶行為指揮著行銷活動的走向，從新品開發到價格定製；從渠道管理到品牌管理。用戶行為分析是數位行銷分析的首要內容，是具有差異化的，也正是這樣的差異性，要做市場細分和目標市場的選擇，針對目標用戶做精準行銷。 2、如何行銷-4P行銷組合 4P行銷組合即開發產品、制定價格、蒲劍渠道、市場推廣 3、行銷效果評估 企業常做的行銷效果評估有三種：用戶滿意度、廣告效果評估和品牌資產診斷。 根據以上的行銷分析思路，針對行銷分析的這三項內容一共有這8種方法。 由於由於篇幅所限，每類各挑一種講述。聚類分析 聚類分析是市場細分方法中最常見的。市場細分是根據用戶親疏程度將相似用戶聚在一起，使類內差異小、類間差異大的過程。 舉個例子，為了研究行動用戶手機消費習慣，我們在數據中收集了7個變數：客戶編號、工作日上班時期時長、工作日下班時期市場、周末電話時長、國際電話時長、總通話時長、平均每次通話時長來對用戶進行細分。採取迭代聚類方法分析，利用SPSS做初步分析、然後標準化處理、聚類分析，利用excel生成如下的數據條: 這樣一來可對各類用戶做特徵描述： 定標比超分析 通常用於渠道的分析研究。定就是定標杆。比如線下實體店，如何評價其表現？通常用渠道覆蓋率和渠道效率。 渠道覆蓋率=覆蓋網點數/該地網店總數，體現渠道的廣度。 渠道效率=網店的平均銷售量，反映渠道的深度。 標就是建立評價指標體系 比如電商行業在抽取後台數據，利用FineBI做進一步數據分析，通過引用轉化率和UV確定一個渠道價值指標，形成一個矩陣分析圖就很好判斷每個渠道的價值以及優化空間了。 比超是為了比較差異，提出趕超舉措。 比如上圖的每個渠道比重都是一樣的，通過進一步分析每個渠道的影響因素，比如曝光量、投放時間、投放價格等指標對驅動啊影響的程度，得到每個指標的權重，收集各個指標的表現數據來分析。 舉個例子，架設有百貨、超市、家電連鎖三個渠道，每個渠道比重如下 收集各個品牌在各項指標的表現數據 根據覆蓋率的指標權重和品牌表現畫出如下圖： 品牌A與標杆品牌相比，總體處於低勢，原因是A品牌在最關鍵的家電連鎖商鋪貨不足，渠道覆蓋率低。關於渠道覆蓋率低的分析我們可以進一步做分析，類似的方法，明確影響因素、設置權重、確定評價指標。 漏斗分析 用戶行為分為以下幾個階段：產生需求、信息收集、方案必選、購買決策和購後行為。這五個階段就像漏斗，最終只有一部分轉為成功用戶，每個階段都有用戶流失。如果能找到每個階段流失的原因就可以找到改進方向了。 從產生需求到信息收集，用戶流失有可能是品牌、產品傳播不給力，造成部分用戶轉向競品，或者是信息收集的方式不夠友好。怎麼解決？從解決用戶的三個問題下決策：為什麼買，哪裡買，多少錢。 從信息收集到方案比選和購買決策，這個過程用戶的流失取決於企業傳達了什麼樣的信息，是否把優勢表達出來，是否貼合的用戶的需求。 再到購後行為，這裡取決於用戶的體驗，產品的體驗是否達到了用戶的預期，操作複雜，視覺糟糕都是導致用戶流失的原因。 這五個階段都有一個轉化的比率，或者稱為效率，我們常常將這一段時間的效率和前期比，和競品比，和預期目標比，來總結經驗，做出決策，引導更好的轉化率。 這樣的分析也成成運用到品牌分析裡面，對應這樣五個階段 最後，關於行銷主題的數據分析，和其他主題一樣，需要做一個統一的管理。除此之外，由於如今市場的變動迅速，不可能做到每階段花大把時間做定期分析，這樣的效率是跟不上市場的速度的，建議重視行銷戰略的企業，能夠把這一塊納入到企業的數據化運營管理體系內，利用FineBI構建行銷主題的分析，做到實時了解市場動態和企業動態。

銷售分析是一個公司最常用的業務分析之一。關於銷售分析，每個公司看重的指標不一樣，這裡就通過電商的訂單分析對銷售數據分析做個借鑒。 本文經 知乎專欄 「撩撩數據吧」 的作者：jiaogo王，授權發布。 跟蹤銷售指標有什麼意義？ 從兩個層面上來講，一個是對經營情況的整體把控，將重要指標呈現在一張報表中，也就是日報或者周報，可以及時發現問題，更好的促進全公司的有效運轉，提升工作效率。當然，前面所說的，都是顯性的價值，我覺得還有個隱性的價值是非常重要的，那就是當這些指標數據展示在面前的時候，會觸發思考，這也才是發現問題、體現數據價值的關鍵。 另一是所謂的「小樹不修不直溜，人不修理哏赳赳」。話是玩笑話，但是真的有這樣一層意義，沒有一個好的指標跟蹤體系，哪來的動力工作呢。曾聽過一個團隊的負責人說，每天看著報表的數據被人甩的那麼遠，急的晚上睡不好覺，這就是效果。 哪些指標需要追蹤？ 這裡列出以下幾個：主流的銷售額、訂單量、完成率、增長率、重點商品的銷售佔比、各平台銷售佔比；更多的也可以跟蹤利潤、成交率（轉化率）、人均產出等。 怎樣跟蹤這些指標？ 可以從下三個層面上來跟蹤這些指標。 1、指標的監控（實時和累計） 指標的監控一般都會對這些指標進行監控，有比較傳統的：郵件報送（雖然數據的整合處理要花費業務人員很長時間，但也是要比沒有好的）；也有比較高端的：led屏幕實時監控。不管怎樣的方式，也都是為了這一目的。現在很多公司已實現了指標監控的自動化，以及多平台整合與行動化監控等。下面我拿出幾個例子來，僅供參考。 注: 文中圖表使用FineReport開發 上面的圖表是針對上一天銷售指標的監控，最重要的兩個指標（銷售額與訂單量）通過儀錶盤展示出來，同時展示目標達成率，可以非常醒目的掌握最重要的信息。不達標？根據此信息就可以找到負責人進行責問了。 其他幾個主要是訂單分布情況，分別為各個價位的訂單數量：體現客單價分布，若某一天的數據異常，比如發現客單價150的數量突然增加，則可能是店鋪促銷帶來的效應（如果客單價下滑，但是銷售額並沒怎麼增加，則非常明顯的這次活動並不成功），也可能是某新品上線帶來的衝擊。總之，通過觀察客單價的分布，是能夠掌握很多信息的。 商品銷量與平台銷量的分布：主要是對銷售分布的掌握，這類信息要說只通過這一天的數據來看出問題來，還是有些困難的，需要連起來看。下面會有提到。 訂單時段分布：分析各個時間段的訂單集中情況，例如上圖中可以看出用戶消費高峰期在晚上9點和10點左右。通過這些信息可以有針對性的調整銷售策略。當然，如果突然某一天的訂單分布有了很大的變動，也值得深入分析原因。 不止是每天的銷售指標值的追蹤，累計起來的數據可以產生不同的感覺，如下圖所示。 一是累計銷售額達成率，從圖中可以看出整體的業績表現。右邊圖表可以與該圖形成聯動，當數據異常時，可以進一步查看各月份的明細數據。 銷售指標的累計值監控，是對整體銷售業績的掌控，而日報則關注與最近的數據，兩者應更多的是結合起來使用，既要掌控全局，也要關注眼前。 2、指標的規律分析 指標的規律分布很多事請，獨立的去看，很難發現有什麼異樣，但是將時間維度拉開，擴大觀察的視野之後，就會有很多新的發現。正如前面所說的產品銷售分布與平台銷售分布。 上圖展示了各平台訂單的佔比分布情況。仔細瀏覽可以發現：在2月份（春節）期間，總體上天貓平台的訂單佔比很高；而京東平台上兩個旗艦店，隨著時間佔比越來越高。這些信息會有助於幫助公司調整銷售策略。 當數據出現異常變動，可以進一步瀏覽月份明細數據，可以獲知店鋪訂單量佔比的下降，是因為該店鋪的業績下滑，還是其他店鋪的業績提高，這類報表，不僅是對數據的跟蹤，也是對各負責人對追蹤。 3、指標的對比分析 這個在知乎專欄「撩撩數據吧」中有過介紹。 最後再強調一下，數據展示只是第一步，最重要的還是對數據結果進行思考，以及將分析分析結果落地，而不是止步於數據可視化。而對於以上指標跟蹤類報表製作，非常重要的一點是可以依據以上數據形成交流（例如上下級之間的交流，同事之間的交流），這種互動可以促進彼此對數據的使用，也促進對數據更多的思考，這樣才能帶來更多的價值。 很多習慣是慢慢養成的，若不能對數據進行思考與討論，那麼多漂亮的數據都沒有價值。

本文是來自帆軟論壇粉絲番薯“我行我素”的分享。 一、概述 採購訂單管理主要包含供應商、物料、項目和訂單管理(視實際需求)，模塊實現則分為兩方面：資料庫搭建和FineReport報表製作設計。 二、資料庫搭建 1.創建表 供應商管理表、物料管理表、項目管理表、採購訂單主表(主要信息)、採購訂單子表(訂單中物料明細），需要注意選取各表中欄位的適合類型。 2.表關係 表關係是資料庫部分十分重要額一環，可以先繪製出構思好的E-R圖，然後再設置外鍵關聯。舉個例子，比如供應商管理表中供應商名稱與物料管理表中所屬供應商關聯。 3.序列和觸發 考慮到物料需要以編碼為唯一主鍵，並且以自增的方式插入，需要在資料庫中編寫自增序列和插入觸發。 三、FineReport報表設計 資料庫搭建完畢並帆軟設計器連接，終於到FineReport報表設計環節了！需要設計的模板大致與資料庫中表一一對應，可參考實際操作時的流程： 1、供應商管理界面-填報功能 2、項目管理界面-填報功能+數據校驗(錄入的供應商名稱不存在於供應商管理表中，提交時有提示） 3、物料管理界面-填報功能+數據校驗(錄入的供應商名稱不存在於供應商管理表中或項目名稱不存在於項目管理表中，提交時有提示） 4、採購訂單下達界面 此界面是設計工作量最大的模板，涉及到主子窗口跳轉並賦值、提交成功跳轉至完整訂單模板(列印和存檔）。 圖1 （1）點擊圖1紅色矩形框中按鈕，彈出物料明細子窗口，見圖2. 圖2 （2）點擊圖2紅色矩形框中藍色帶下劃線的物料編碼，關閉子窗口並賦值給主窗口中「代碼」單元格，見圖3.物料價格和描述等明細自動顯示，可通過模板設計時在單元格寫入sql語句實現，見圖4。 圖3 圖4 （3）必要信息填寫完整點擊提交，跳轉至完整的採購訂單界面，可以直接列印和輸出存檔，見圖5。 圖5 5、訂單狀態跟蹤界面 既然訂單已經下達，那麼需要後續跟蹤，確認其送達和付款情況。點擊圖6中確認按鈕，可自動生成相應的日期並提交，此時，按鈕控制項變為不可用。 圖6 6、訂單信息匯總 有了訂單基礎數據分析，可以對其各種指標進行匯總分析，如延誤單數、已付款、總單數等。 實際交貨日期單元格設置條件屬性-背景顏色，延誤顯示紅色、即將延誤顯示黃色等。

近期收到讀者朋友的諮詢，他們在建立開發部數據分析團隊的過程中遇到困惑：在大老闆的支援下，部門破天荒獲得了組建專職數據團隊支援開發部，然而新部門幾乎沒有工作成果，薪酬又高的嚇人，幾乎面臨解散。 我認為如果沒有正確的認知，這應該是未來主流的問題，這些傳統行業賺的是辛苦錢，大老闆能給錢給支援就要用好，本篇分享一些建議： 數據部門的定義 建立數據團隊的目的是要解決問題，這是最終目的，在解決業務問題的過程中朋友們遇到最多的問題可能是IT類的問題，於是不論大公司還是小公司，首先在此方面投入大量資金，但隨後而來就會發現這些技術人員無法管理，沒有工作成果，除了爭吵什麼問題也沒解決。 數據部門根本上是業務部門 出現上述問題的最主要原因就是業務部門不能清晰的把需求傳遞給IT技術人員：業務的數據化無法完成，那再牛的IT也是巧婦難為無米之炊，這就像在實體商業領域，我們有了一處位置不錯的商鋪，找人過來裝修，但沒有設計圖紙，裝修工人在好也不知道活該怎麼干。 因此需要一個類似產品經理的商業智慧，這個職能的角色就是商業裝修的設計師一樣。 技術類工作是數據部門的重要組成 這就好像工程部門是公司開店的重要組成一樣，店裝修不出來一切都是零，沒有IT 技術也一切無從談起。IT 技術崗至少需要下面幾個職能： 後台職位：類似商業地產建大樓的職能。 數據處理：職能就是把雜亂的數據整合成乾淨可用的表格。 資料庫管理員：DBA 這個職位是管理公司資料庫的，比較類似於大型商業項目中搞建築設計的崗位。 前端職位：類似於軟裝。 前端包羅萬象，但重點強調交互和可視化兩個方面。 BI相關崗位：類似於招商經營。 BI崗位也可以包含很多，比如BI數據工程師、BI運維工程師、BI數據項目開發等等。 上面都是最基礎的崗位，如果公司有其他需求還要配人，比如有gis需求就要另外配人，有行動端需求還要招募ios和android開發工程師。 把上面這些配齊了還不夠，還需要為這個部門配置至少一個領導。至此，部門貌似配置完畢了，但上面的配置基本上只是一個幻想，因為目前IT人員的薪資遠比傳統行業高，一個團隊基本月薪在10萬以上，一年至少150萬的投資，200萬也是正常的。 這種投資對於大公司來說沒問題，對於中小品牌來說完全是無法負擔的，同時對於IT人員來說，他們在傳統行業也學習不到什麼技能，而且傳統公司也不會給超過行業平均水平的薪酬，也留不住有水平有情懷的技術，加上產品、業務與技術之前溝通一定需要協調，最終效果肯定不佳。 從上面的分析內容來看，完全自建團隊基本上只適合大公司，但中型公司和小型公司也需要相關但產品該怎麼辦？ 砍後台：把資料庫簡化成一張excel 對於中小公司來說，完全沒有那麼大的數據量，稍微大一些的數量也產生在交易系統，開發工作只要每家門店的月度最多是每天的銷售，一張excel表格完全可以搞定。 簡化前端：前端是沒辦法完全砍掉的，但前端可以很複雜也可以很簡單，使用最簡單的前端工具就好，當然這其中還是涉及到一些專業技能，可以用較低的價格外包。 業務數據化：這一步是最核心也最有價值的，需要公司自己的人來做，百勝餐飲有一個崗位叫做網路規劃，大體上可以認為就是從事相關工作的。 整體來說，技術雖然非常重要，但公司畢竟是需要業務落地的，自建技術團隊成本高管理難，把有限的預算花在刀刃上，複雜的技術輕量化。業務數據化這塊是必不可少的，巨像生產物料一樣，總要有人把控。數據平台的後台和前端，至少需要一個資料庫和數據倉庫，因為還要考慮到後續發展壯大之後，數據量變多便複雜的性能，後台和前端可以用finereport報表類很好的解決，後期的報表製作開發和維護可以交給一個人去解決。評定這塊技術工作之後，關注業務是最好的選擇。 下面是總結的三張圖片，希望能夠解決類似的問題： 業務數據化背後是複雜的過程，麻雀雖小五臟俱全，應用和各種技術一個都不能少，有任何一點兒沒有做到就會影響整體效果，木桶效應！ 但僅僅技術是搞不定的，根本上是一項業務工作 把有限的資金投資在解決方案上而非硬體和軟體等IT投資上： 文 | 優點數據 來源：優點零售地產

在一些新聞報道和商業雜誌上，會經常看到一些運用地圖來分析展示商業智慧現象，這樣一種利用地圖來反映和分析數據的形式叫數據地圖。在商業數據分析過程中，數據地圖是很直觀的可視化的表達形式，比如利用地圖展示各區域銷售額、利潤等；比如展示全國倉庫分布和運輸和以優化運輸網路；又比如統計商場人流量及分布，用熱力地圖展示，指導門店分布和引流措施以及投放精準廣告。 類似以上的場景，地圖的展示無疑會比單純的表格直觀形象得多，作為更專業的應用，數據地圖在以下方面有著廣泛的分析應用。 1、人群分布 根據人口統計數據如年齡、性別、收入水平、教育程度等，在地圖上對不同區域 / 社區的客戶進行剖析與分類，數據分析他們的生活方式、興趣、購物習慣等。 2、市場容量預測 在地圖上分析各網點的資源投入、銷售收入、產品的銷售情況，預測整個市場的容量，從而將資源科學地配置到市場潛力最大的區域。 3、物流路徑規劃和供應鏈管理 比如通過這樣一個數據地圖，可以了解到訂單的分布情況，倉儲設置是否合理，分析如何優化物流路線。 4、門店選址分析 連鎖門店、餐飲店鋪的選址通常要考慮很多空間因素，使用地圖可以將客流量、單平方容納量等指標直觀的展示，是進行市場規劃的很好的方式。 分布型 這類地圖的做法是根據數據的大小，在對應的區域添上不同的顏色，或者不同程度的顏色，顏色深淺反映數值大小，譬如下圖。 就上圖來看，目前展示的是單一維度的數據，比如全國銷售額分布，如果要細分到比如陝西西安的銷售額，技術上可以通過鑽取獲得，多粒度分析數據。 標記型 標記類地圖就是起到一個位置提醒的作用，用點用圖形都可以，讓讀者將所閱讀的內容形象地與其地理位置對應起來。這樣的地圖本身並不反映數量信息，反映的可能是一個地點，一個流向，密集程度的分布，但是降低了數據分析的抽象性。 圖表型 圖表型地圖是在全部或部分區域上顯示一個簡單的圖表，如柱形圖、餅圖、氣泡圖，變相多增加一個基礎維度，讓數據結果一目了然。圖表用於直接展示該區域的數據趨勢，比較或構成關係。下圖是區域地圖+氣泡圖的結合，氣泡明暗代表數值大小。圖表型地圖的圖表製作不宜複雜，注意比例。複雜可採用數據鑽取功能。 其他 數據地圖還有其他的複雜樣式，比如熱力地圖、自定義的區域地圖。 綜合運用型 這種做法對以上地圖形式進行綜合運用，加入動態地圖、動態圖表，或者與其他圖表結合構成一個可視化的大屏。

數據分析就近幾年看來，越來越有一種像通用技能發展的趨勢，從生產、研發、市場、銷售到運營，多多少會存在數據分析的需求。 關於數據分析，網路上有不少分析報告案例，但細細讀來，好多都缺少辨證，邏輯不嚴謹，又或者分析得淺嘗輒止。恰逢最近讀了《大數據分析的道與術》，是一套很完整的理論書籍，結合自己多年的數據從業經驗，積累了一些心得，想與大家分享。 作為一個唯物主義者，做事總是愛講方法論。曾經「農村包圍城市，武裝奪取政權」作為方法論的代名詞，總是掛在嘴邊。那麼數據分析工作，方法論是什麼呢？是「先道後術，以道馭術」，也就是先了解數據分析的核心原則，再掌握數據分析的一些關鍵技術。 什麼是數據分析？數據分析是指用適當的統計分析方法對收集來的大量數據進行分析，為提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。其實簡單理解，數據分析本身就是「數據」和「分析」兩塊工作。一方面是採集、加工、整理數據，另一方面是結合數據背景分析數據，從中提取出對業務有幫助的結論。 數據分析的成果通常是數據分析報告。常見的就是帶圖、表的PPT、PDF文件，也有一些Web版的圖表製作系統（有興趣的，可以在應用商店搜索「數據分析」，有各類演示系統可以體驗）。對於數據分析報告，類似議論文，分析是論點，數據就是論據。 數據分析有什麼用呢？這個經常被問到，尤其當一篇花里胡哨的報告在網上發布，就有人說報告沒用，順帶著撇一嘴數據分析也沒用。 數據分析對企業的巨大價值體現在業務發展的前期（探索期）或階段性改進期（顛覆期）。當探索和變革業務時，企業需要數據分析去明確業務中的問題、機遇及解決方案。企業最大的成本是決策成本，而數據分析是提高企業決策能力的關鍵；當業務模式相對成熟時，企業則需要數據建模來提升業務效率，減少運營成本等。 那，數據分析又有哪些普遍又典型的應用場景呢？筆者經驗，主要是三個：掌握業務狀態、分析業務潛力、評估業務進展。 場景-掌握業務狀態：我們需要通過對核心指標進行監控、解讀和分析，掌握業務經營狀況。比如某日銷量出現異常波動，需要數據分析來定位原因。（產品A本周銷量異常上漲10%，是什麼原因？怎麼分析？）在比如月末、季末部門做關鍵業務指標總結，並做業務發展趨勢分析等。（本季度的關鍵數據指標如何？各項業務進展如何？都有哪些積極消極因素，具體多大影響，下個月、下個季度業務則呢么發展？）譬如下方用finereport搭建的數據平台，統計監測的業務數據。按照制定的業務分析規則展示，可以清晰地看到哪個環節出錯。 銷售額分析 銷售團隊分析 銷售指標追蹤 場景-分析業務潛力：產品當前的主要問題是什麼？下一步的發展潛力在哪裡？從數據中挖掘問題原因並提出對策，指明產品的下一步改進方向。比如商品B近3個月流失了1000個會員，原因是什麼（分析原因）？如何減少會員流失（找對策）？ 場景-評估業務進展：新上線的產品策略或新推進的運營活動，帶來了多少業績提升？項目的覆蓋面和影響面如何？其中存在怎樣的問題，如何進一步優化等等。比如針對部分客戶，設計全新的促銷策略，在本月執行後，如何評價促銷策略帶來的業績提升？是否目標客戶群比上個月購買額增長可以作為促銷策略的成果？ 既然數據分析有如此之多的應用場景和使用價值，那麼怎麼才能做好數據分析呢？只能說，太難，既需要工具技巧的掌握，又要有能明察秋毫洞若觀火的業務經驗。但相比而言，個人覺得後者更為重要，就像如果只知道方法論，但沒有對業務的理解，如何實行的套路，數據分析只會浮於表面，既不能挖掘問題原因，也不能提供解決方案。 做好數據分析，不談技術，先認清以下4個關鍵。 1、業務調研：理解業務是基礎，否則分析是無本之木，甚至是個人意淫。 2、創新思考：廣闊的知識面和積極的思考，是分析思路的源泉，數據分析的創新思考，實質上就是從更多的思路進行分析，找出最合理的思路。 3、邏輯推理：對數據指標作出正確的歸因分析和判斷。 4、可行建議：產生對業務切實有效的改進建議和執行方案。 「業務調研」是數據分析的起點，也是獲取分析思路的基礎，但是需要兼具深度和廣度的「創新思考」，才能獲取更獨到的分析思路。分析思路也可以認為是統計數據的角度，完成數據統計後，需要「邏輯推理」來保證從數據到結論判斷的正確性。最後，用「可行建議」來保證分析結論的落地執行，產生可量化的業績。這就是數據分析從業務中來，回到業務中取得完成過程。 本文是筆者《大數據分析道與術》讀書筆記第1篇，淺述了一下。下周將結合自身經驗，對業務調研、創新思考、邏輯推理、可行建議逐一做解讀分析。 文 | 帆軟數據應用研究院 船長 更多好文推薦： 【生產和庫存】分析生產和庫存，靠這一套指標就夠了！ 大屏做成這樣，領導不重視你都難！ 真正的數據分析師都做些什麼？ 書單 | 從入門到精通，數據分析不得不看的10本「好書」！ 從事數據分析的你，如何做好職業規劃？ 【銷售】銷售真的可以精準預測，只要你這樣分析！ 4大案例分析金融行業的大數據應用 資料分析人的福利：20個免費開放資料源 【戰略】打敗競品第一步，做好競品分析！

數據分析很簡單。 技術流的老司機，左手SQL右手BI，溜的飛起。其實SQL、Python是數據探勘；PPT、BI是數據展示。學會了當然很棒，不會也沒關係，可以後續補上去。但數據分析不是技術流，是一種思維習慣。能幫你梳理業務，找到方向，達成目的數據分析，才是真·數據分析。而建立這種思維習慣，你只需要記住3個步驟，掌握3個模型。 這就是極簡數據分析法以下，enjoy： 一、3個步驟：確定目標、列出公式、確認元素 我們以某互聯網金融公司A為例。假設A公司正準備IPO上市，當前核心目標為利潤。 針對利潤，我們列出公式，利潤拆解成了付費用戶數、投資金額、投資時長、對應利率4個元素。其中對應利率取決於資產端，跟用戶側關係不大。 因此如果我想提升核心KPI—利潤，就要儘可能的提升付費用戶、投資金額和投資時長。 恭喜你，已經找到了發力點。 注意，核心目標會隨著業務發展不斷變化，比如用戶運營，App初期看重新增，中期看重轉化，後期看重留存。如果仍然難以確定，看看你的核心KPI。 二、3個模型：漏斗模型、多維坐標、分組表格 在上一步中，我們確認需要提升的元素後，問題來了。 – 如何提升每個元素的量級？ – 怎樣制定策略，分配資源？ – 如何驗證策略是否有效？ 電商品類運營有個經典坐標，按流水和利潤劃分品類。 A. 漏斗模型 適用範圍：需要多個步驟達成的元素。 比如投資用戶數。 達到投資用戶的狀態，需要多個步驟。每個步驟都存在轉化率，放在一起就成了層層縮減的漏斗。 漏斗模型作用：提升量級。通過提升轉化率，提升單個元素量級。有了漏斗模型，就可以分析每層漏斗衰減的原因。有些原因顯而易見，有些需要做A/B測試。你可以逐層提升轉化；也可以改變用戶路徑，減少漏斗層級。 比如，支援H5內投資的理財產品漏斗，要比下載App投資的漏斗少2個層級，轉化率要高很多。 盈利還是虧損，有時只取決於一個漏斗。 注意，優化漏斗是個長期過程，需要每天關注。 B. 多維坐標 適用範圍：具有多重屬性的單個元素。 比如，本文公式中的投資用戶，就有投資金額和投資時長兩個屬性。可以將其作為橫縱坐標軸，把所有投資用戶分成四組。 電商品類運營有個經典坐標，按流水和利潤劃分品類。 用戶運營也有個經典坐標，叫RFM坐標。 R=最近一次行為(Recency) F=行為頻率(Frequency) M=行為量級(Monetary) 這裡的行為指和你的核心目標密切相關的行為。比如在本文的金融產品中，就是投資。 R代表可觸達，畢竟6個月沒來投資的用戶，說不定都卸載了，甚至已經忘了你這個App； F代表忠實度，高頻次的使用App，雖然ta可能每次只投幾塊錢的活期； M代表價值，比如累計投了50萬，這可是個高凈值用戶。 多維坐標作用：精細化運營。通過多維坐標將用戶分組，對不同組用戶採取對應的運營措施。 首先，一定有一個象限是好的。 比如下面的坐標圖，高金額、高時長的A象限，就是好的。 A象限的用戶，是核心用戶（俗稱爸爸），公司的現金牛，你的重點運營對象。 A象限往往佔整體流水的80%。你的活動效果好不好，運營策略給不給力，往往要看這些爸爸們的反應。你甚至可以建立一個社團/群組，把爸爸們都拉進去，多多交流，做好服務，時不時發個福利啥的。 接下來，你要把B、D兩個象限的用戶往A象限拉。 D象限，是高潛力用戶。可以定向發一些大額度長期標的優惠券，比如投資20w，6個月，送3000元紅包。提升他們的投資時長。 B象限，是高忠誠用戶。雖然可能沒什麼錢，但使用頻次很高。可以定向發送梯度優惠券，比如投資1000送10元，投5000送投資80元，投10000送200元，逐步拉升他們的投資額度。 A是現金牛，D是A的孵化器，B用戶價值低但忠誠度高，產品開拓新場景後也有可能進化成現金牛。 重要性，A>D>B。資源有限時，請參照此排序。 多維坐標的適用範圍非常廣。比如文章可以按閱讀量和點贊率做一個二維坐標，分析下如何寫出叫好又叫座的文章。 比如你可以按事物價值的精力投入和價值衰減速度建立二維坐標，優化你的精力分布。 C. 分組表格 適用範圍：隨時間變化的用戶屬性元素。 […]

最近在研究商超零售的數據分析，有不少乾貨和想法可分享。此前，一直注重店鋪管理、商品庫存管理、財務績效管理的數據分析。後來發現，無論是零售商鋪的選址，還是百貨商場的招商營運，都有不少需要運用到數據管理思維的地方。 店鋪選址前或者招商營運前都要進行市場調研，小規模的店家可能會說，我照自己的經驗，觀測人流量以及周邊店鋪的經營情況來判斷，這樣的方法確實是有跡可尋。但是，店鋪不是放著讓你來選的，店鋪商也是需要去談的，甚至對於那些成體系的，每年都在擴張的一些企業，必須需要一套成體系的數據分析方法論來指導。 一、市場調研的要點 1、著重於項目周邊狀況調查，如：業態布局、購買力等； 2、網點及競爭對手調研的要點 3、收集品牌資源，是否符合定位，有無可備選方案，效益最大化； 針對選址，可採用常用的SWOT分析模型，分析內部環境以及外部環境的優劣勢；而後採用3C模型（Company商鋪，Customer顧客，Competitor 競爭者）對開店的選址分析；看附近1小時經濟圈、2小時經濟圈、3小時經濟圈的覆蓋範圍。 而正式營運之後，最主要關注的就是客流量。 傳統零售的數據是基於交易客流，基本等同於俗稱的會員。商超裡面的客流其實分為交易客流、返店客流、進店客流、到達客流、潛在客流。這裡最容易獲取的就是交易客流，因為企業現有的CRM系統或者收銀系統基本都能涵蓋這部分客流。怎麼得顧客數據？這就要建立一整套的全顧客全消費行為管理的客流分析系統。 客流數據分析建模 二、如何去經營分析？ 經營分析是指商業運營管理者通過數據採集並運用統計、分析、圖表呈現等方式，對商場整體經營情況進行深入解析。 確定這樣一個流程後，經營分析按照時間劃分一般分為日、周、月以及一些關鍵時期，比如活動、法定節假日等等。形式以經營報表為主。 大體分析內容 經營分析的指標解析 做好全百貨的經營分析要發揮主觀能動性，有了數據和圖表製作，要做好經營分析，還要發揮人的主觀能動性，營運人員需根據數據和圖表闡述現象並提出相關建議，加強與店鋪、品牌負責人的溝通和聯繫，充分了解店鋪的經營現狀。 三、關於品牌店鋪活動的分析 經營分析案例分享及關注點（日經營分析） 以上每日的客流與銷售趨勢圖，需要關注波動趨勢、波動周期和波動異常。比如波峰大多是重大節假日或企劃活動，或者特殊事件。 店鋪活動分析 活動前期搭建好相關指標，收集活動數據，實時監測分析。 至於如何搭建這樣的分析體系，譬如以上用finereport搭建的活動監測模板，這裡不多贅述。前提需要明確分析的指標，之後就是數據收集、整合、分析、展現的額工作啦~

對比是數據分析最基本的方法，通過對比識別數據差異。但是對比有得失。在分析過程中，對比得當可獲得精準結論，但對比分析也存在陷阱，比如某產品近期銷售數據在下滑，想當然得會得出結論此產品受歡迎度在下降，但是查看銷售比（銷售數/DAU）卻在上升，所以只是因為DAU下降了。 所以如何去有效對比？ 1、 橫向、縱向多維度對比 對比的前提是兩個事物或統一個事物的兩個狀態，其次必須要有一個對比的指標或標準（這裡可稱為對比的度量）。對比的兩事物一個是主體，另一個是客體。也就是明確對比的三要素：主體、客體和度量。比如小明比小王高5cm，就是一個最簡單的對比，這裡小明是主體，小王是客體，度量身高，且人們對於身高這個度量存有共識。但如果去大排檔吃一碗炒飯50元，可能覺得很貴。那如果是取希爾頓吃一碗炒飯128元可能就不覺得貴，這裡我們選擇了常識作為比較的基準，客體也沒有問題，問題在於我們所謂的「常識」並非所有人的「共識」，如果不是共識，就要非常謹慎地得出結論，否則就容易從自我出發做出判斷，影響結論的中肯性。 2、建立標準化的對比客體和度量 就是因為標準可以是認為確定的，所以存在質疑和不確定性。 建立標準化的對比可以是時間標準、空間標準、特定標準、計劃標準。 3、 比率的對比 常見的對比是大小的對比、數量的對比，比如銷售額的對比，人數的對比，使用不同的對比指標會得到不同的結論，我們把對比標準的選擇叫做視角，視角不同，結論不同。比如上述對比小明小王倆同學，身高是視角事宜，除此之外還有年齡、學習成績、顏值等等。在對比各種變化的原因時，我們也有各種模型，我們所要做的就是找到合適的對比視角。 直接描述事物的變數：長度、數量、高度、寬度等 加工後可得到：增速、效率、效益等指標，這才是數據分析時常用的。 如下圖的AB公司銷售額對比，雖然A公司銷售額總體上漲且高於B公司，但是B公司的增速迅猛，高於A公司，即使後期增速下降了，最後的銷售額還是趕超。（數據都是筆者瞎編的，工具用的是FineBI） 3、 指標的邏輯與管理指標 數據分析師有一個關鍵的職能就是要設計「指標」來對比，設計指標和應用指標有著天壤之別。比如某保健品公司，他們的產品是各類補品及奶粉，他們的業務與市場中人口的出生率、老齡化速度、市場整體購買力、對保健品的消費觀念有著直接關係，還與政府對這個市場的管控力度有關。分析這麼多之後，有沒有一個指標來反映這些綜合的因素，它的正反代表著好壞。 考慮到以上因素需要構建一個綜合性的指標，這需要各種數據的加權計算。在不考慮市場規模的情況才，可以先構建一個指標指數模型： Y=aX1 + bX2 + cX3 + dX4+…… Y 可定為市場吸引力指標值 X1 可定為老齡化程度 X2 可定為市場整體購買力 X3 可定為市場對保健品的品牌的看法 X4 可定為政府對這個市場的管控力度 abcd是係數，分別代表影響力程度 當然以上只是簡單的羅列，實際情況比如X2還能分解出多個影響指標，甚至整體可以換成乘法模型，指數模型。。。 4、 對標的層次和維度 設定了各項管理指標後，剩下的就是比較工作了。從變化到追蹤事物變化的詭計，找到問題的根源，從而找到書屋發展規律，這個過程叫對標。對標可以和自己比，也要和別人和競品比。 對標的維度有規模指標、速度指標、效率指標、效益指標。 規模指標比如營業額、銷售額，電商平台的UV、日活，醫院的一天接診數量，年營業收入額； 速度指標往往代表著活力，也是看未來趨勢和潛能的重要指標類，包括各種運營管理指標的速度指標。 效率指標即投入和產出比，如果投入的是時間，月度產值、季度產值；如果投入的是凈資產、則凈資產周轉率；如果投入的是人，人均產值，人均銷售額。