公司要做數據分析，首先要考慮數據的準備，也就是數據平台的建設，最近接觸了幾個客戶都處於這一環節，而且其中一個在方案選型過程中，也是充滿了糾結，而我也並沒有在開始階段給出合理全面的建議。 所以根據自己的認知整理了這篇文章，一是對自己的整理，二是希望通過分享，給大家一些參考的價值。 如我前面每篇文章中所說的，文中內容局限於自己的認知和見識，有錯誤或者不足之處，歡迎大家與我交流，對其中的錯誤給予指正。 （ps：文章很長，心情不好的、比較浮躁的，可以走了，改天再看） 一：為何而搭建數據平台? 業務跑的好好的，各系統穩定運行，為何還要搭建企業的數據平台？ 這樣的問題，心裡想想就可以了，不要大聲問出來。我來直接回答一下，公司一般在什麼情況下需要搭建數據平台，對各種數據進行重新架構。 從業務上的視角來看： 1.業務系統過多，彼此的數據沒有整合打通。這種情況下，涉及到數據分析就麻煩了，可能需要分析人員從多個系統中提取數據，再進行數據整合，之後才能分析。一次兩次可以忍，天天干這個能忍嗎？人為整合出錯率高怎麼控制？數據分析不及時效率低要不要處理？ 從系統的視角來看： 2.業務系統壓力大，而不巧，數據分析又是一項比較費資源的任務。那麼自然會想到的，通過將數據抽取出來，獨立伺服器來處理數據查詢、分析任務，來釋放業務系統的壓力。 3.性能問題，公司可以越做越大，同樣的數據也會越來越大。可能是歷史數據的積累，也可能是新數據內容的加入，當原始數據平台不能承受更大數據量的處理時，或者是效率已經十分低下時，重新構建一個大數據分析處理平台就是必須的了。 上面我列出了三種情況，但他們並非獨立的，往往是其中兩種甚至三種情況同時出現。一個數據平台的出現，不僅可以承擔數據分析的壓力，同樣可以對業務數據進行整合，也會不同程度的提高數據處理的性能，基於數據平台實現更豐富的功能需求。 二：數據平台的建設有哪些方案可以選擇 （下文中的優缺點僅從企業選型的角度，並非方案本身的技術角度） 如果一句話回答的話，那就是：太多了（這是一句廢話，我承認），但確實有非常多的方案可供選擇，我懂的少，肯定是無法一一介紹，所以就分成了下面幾類，相信也一定程度上覆蓋了大部分企業的需求了。 1.常規數據倉庫： 概念不說了，既然是做數據這一行的，相信你比我還要清楚，不清楚的可以google。它的重點在於數據整合，同時也是對業務邏輯的一個梳理。雖然它也可以打包成ssas那種cube一類的東西來提升數據的讀取性能，但是數據倉庫的作用，更多的是為了解決公司的業務問題，而不僅僅是性能問題。這一點後面會詳細介紹。 關於這一方案的優缺點，不寫沒用的，直接說重點了： 優點： 方案成熟，關於數據倉庫的架構，不管是Inmon架構還是Kimball架構，都有著非常廣泛的應用，而且相信能將這兩種架構落地的人也不少。 實施簡單，涉及的技術層面主要是倉庫的建模以及etl的處理，很多軟體公司具備數據倉庫的實施能力，實施難度的大小更多的取決於業務邏輯的複雜程度，而並非技術上的實現。 靈活性強，說這句話要有對應場景的，數據倉庫的建設是透明的，如果需要，可以對倉庫的模型、etl邏輯進行修改，來滿足變更的需求（當然，最好設計之初考慮的周全一點）。同時對於上層的分析而言，通過sql或者mdx對倉庫數據的分析處理具備極強的靈活性。 缺點： 「實施周期長」，注意，我加了引號，對應下面的敏捷型數據集市，而且這點是相對的，實施周期的長與短要取決於業務邏輯的複雜性，時間是花在了業務邏輯的梳理，並非技術上的瓶頸。關於這點，後面會詳細介紹。 數據的處理能力有限，這個有限，也是相對的，海量數據的大數據分析處理它肯定不行，非關係型數據的處理它也不行，但是TB以下級別的數據，還是搞得定的（也取決於所採用的資料庫系統），這個量級的數據，而相當一部分企業的數據，還是很難超過這個級別的。 2.商業敏捷型數據集市： 底層的數據產品與分析層綁定，使得應用層可以直接對底層數據產品中的數據進行拖拽式數據分析。這一類產品的出現，其初衷是為了對業務數據進行簡單的、快速的整合，實現敏捷建模，並且大幅提升數據的處理速度。目前來看，這些產品都達到了以上的目的。但它的優缺點也比較明顯。 優點： 部署簡單，敏捷開發。這也是這類產品最大的優點，和數據倉庫相比，實施周期要短的多。實際上它也沒什麼嚴格的實施的概念，因為這類產品只是針對需要分析的數據，進行局部的關聯，只考慮眼前要解決的問題就夠了，迭代的能力更強些。 與上層的分析工具結合較好。上層的分析工具接入這類數據產品後，可直接實現數據的圖形化展示和olap分析。 對數據處理性能的提高。這類產品都對數據的分析性能做了處理，雖然方式不盡相同，有內存映射檔案儲存的，也有分布式架構、欄數據儲存的。但無疑都一定程度上提高了數據的處理性能。 缺點： 首先，它是要收費的。 無法處理複雜的業務邏輯，這只是一個工具，它無法解決業務問題。這類工具中自帶簡單的etl功能，實現簡單的數據處理和整合，而如果考慮到歷史數據，考慮到整體的數據之間的邏輯和關係，它一定是解決不了的。一個簡單的例子，當某個表中，有兩個欄位，一個要保留歷史數據，一個要更新歷史數據，要怎樣實現自動處理。有一個觀念是需要清楚的，不能指望一款工具來解決業務問題。這種數據產品僅僅是對當前的業務數據進行簡單的整合，第一，數據是局部的，第二，時間是當前的（其涵帶的增量更新或者全量更新，是無法應對複雜的邏輯的，相信熟悉etl的人都知道這個過程有多複雜）。當然，對於一些公司來說，可能需求只是對當前業務數據進行整合分析，那麼這類產品就夠了。（說實話，很多公司真的是懶的做更長遠的考慮，有一天沒一天的，誰說的准呢） 靈活性低，這個也是沒法避免的，越是操作簡單的工具，他的靈活性肯定受限，因為封裝住了，產品是不透明的，常規的需求用起來非常方便，但是遇到複雜的，發現對他內部不了解，你也沒法修改，只有蛋疼的份。 從我的角度看，它是很難成為公司的數據中心的。 3.MPP(大規模並行處理)架構的數據產品，以最近開源的greenplum為例。 傳統的主機計算模式在海量大數據面前，顯得弱雞。造價非常昂貴，同時技術上也無法滿足高性能的計算，smp架構難於擴展，在獨立主機的cpu計算和io吞吐上，都沒辦法滿足海量數據計算的需求。分布式儲存和分布式計算正是解決這一問題的關鍵，不管是後面的MapReduce計算框架還是MPP計算框架，都是在這一背景下產生的。 greenplum的資料庫引擎是基於postgresql的，並且通過Interconnnect神器實現了對同一個集群中多個Postgresql實例的高效協同和並行計算。 同時，基於greenplum的數據分析平台建設，可以實現兩個層面的處理，顯而易見的一個是對數據處理性能的處理，greenplum的百科中宣稱支援50PB級海量大數據分析處理，考慮它有吹牛的成分，對目前greenplum實際應用情況的了解，100tb級左右的數據，是非常輕鬆的。另一個是數據倉庫可以搭建在greenplum中，這一層面上也是對業務邏輯的梳理，對公司業務數據的整合。 優點： 海量數據的支援，大量成熟的大數據應用案例，所以我想這一點是不用懷疑的。 擴展性，據說可線性擴展到10000個節點，並且每增加一個節點，查詢、載入性能都成線性增長。 易用性，不需要複雜的調優需求，並行處理由系統自動完成。依然是sql作為交語言，簡單、靈活、強大。 高級功能，greenplum還研發了很多高級數據分析管理功能，例如人氣很高的外部表，還有Primary/Mirror鏡像保護機制，列／欄混合儲存等。 穩定性，greenplum原本作為一個純商業數據產品，具有很長的歷史，其穩定性相比於其他產品以及敏捷性數據集市是更加有保障的。greenplum有非常多的應用案例，納斯達克、紐約證券交易所、平安銀行、建設銀行、華為等都建立了基於greenplum的數據分析平台。其穩定性是可以從側面驗證的，在15年9月份開源後，各大網際網路公司也是一片歡騰，現在也接觸了幾家在使用greenplum的客戶，對其評價都很高。 缺點： 本身來說，它的定位在olap領域，不擅長oltp交易系統。當然我們搭建公司的數據中心也不會是用來做交易系統的。 成本，兩個方面的考慮，一是硬體成本，greenplum有其推薦的硬體規格，對內存、網卡都有要求。當然，在硬體選型上，需要達到一個平衡，要在性能、容量、成本等多方面考慮，畢竟不能一味的追求性能，把採購部門嚇到吧。另一個是實施成本，這裡主要是人了，基本的是greenplum的安裝配置，再到greenplum中數據倉庫的構建，都需要人和時間。（但是必須要說的是，人家軟體都開源了，也省下了一筆錢啊） 技術門檻，這裡是相對於上一個敏捷型數據集市的，greenplum的門檻肯定是要高一點了。 4.hadoop分布式系統架構 關於hadoop，已經火的要爆炸了，greenplum的開源跟它也是脫不了關係的。有著高可靠性、高擴展性、高效性、高容錯性的口碑。在網際網路領域有非常廣泛的運用，雅虎、facebook、百度、淘寶等等等等。hadoop生態體系非常龐大，各公司基於hadoop所實現的也不僅限於數據分析，也包括機器學習、數據挖掘、實時系統等。 當企業數據規模達到一定的量級，我想hadoop是各大企業的首選方案，到達這樣一個層次的時候，我想企業所要解決的也不僅是性能問題，還會包括時效問題、更複雜的分析挖掘功能的實現等。非常典型的實時計算體系也與hadoop這一生態體系有著緊密的聯繫。 近些年來hadoop的易用性也有了很大的提升，sql-on-hadoop技術大量湧現，包括hive、impala、spark-sql等。儘管其處理方式不同，但普遍相比於原始基於文件的Mapreduce，不管是性能還是易用性，都是有所提高的。也因此對mpp產品的市場產生了壓力。 […]

對各從事數據工作的人而言，有一個老生常談的問題——數據認知！在真正數據分析、數據建模或者BI系統報表開發前，對數據進行一定的了解和審查，做到心中有數是非常必須的。 今天，就和大家通過本文一起探討下如何建立對數據的初步認知。 首先，在筆者的概念里，數據的初步認知劃分為三大步驟：數據質量檢查、數據類型認知和統計指標值。 一、數據質量檢查 1) 關注不同數據源在統計質量上的差異 不同的數據來源，因統計、管控、可共享程度等原因在數據粒度和數據質量的保障上都有天壤之別。根據數據來源的渠道主要可將它劃分為：內部數據和外部數據。 1. 內部數據源 業務數據：主要指後端研發主動儲存的業務數據，一般是對公司運營非常核心的數據，如訂單數據、用戶資料等。這類數據的準確性一般是最高的，因為它往往關係到公司產品能否正常運轉，統計的正確性也就至關重要； 埋點數據：通過埋點技術採集的用戶訪問過程的數據，不論是自建埋點還是採用第三方埋點工具，因為埋點實施、統計上傳機制等，都會造成埋點數據的準確性遠不如業務數據； 數倉數據：數據倉庫數據它是由生產庫數據經過一輪或者多輪次的數據轉換，中間可能發生的異常情況比生產庫的數據更多。諸如：無人維護、指標口徑不一、轉換邏輯不一致等。 對於這三種類型的數據源，我們檢查的側重點有所不同： 業務數據：業務數據的複雜度主要在於欄位含義、表之間關聯關係以及欄位與業務的實際對應關係，主要檢查的也是這三點； 埋點數據：埋點數據主要需要檢查埋點是否與你所期望的業務事件匹配，包括埋點採集的是頁面訪問還是按鈕點擊； 數倉數據：主要了解其中業務指標統計邏輯、計算轉換邏輯、腳本更新機制等。 2. 外部數據源 用戶調研數據：通過市場調研得到用戶反饋數據，存在的風險主要在於市場調研人員的敷衍執行，自行捏造數據以及被調研對象自身判斷的錯誤； 行業發展數據：通過百度指數、微信指數、淘寶指數或者其它行業觀察機構統計的數據來觀察行業發展情況的數據； 合作方數據：第三方調研或諮詢提供的數據，不同公司之間在統計規範和指標定義上都可能有明顯差異，需要重點關注。 外部數據源的數據粒度一般較粗糙，數據質量上也比較難以保證，需要做更多的觀察和校驗。而且，由於這些數據不是我方採集，可控性較差，可實施的檢查措施也相對較少，只能在使用時酌情考量，儘可能多的規避錯誤。 2) 關注取數過程，檢查取數程式碼 我們通過各種方法獲取數據，SQL 查詢是最常見的取數方式。SQL 語句的出錯將導致得到的數據集出錯，數據錯了，之後的工作也就白談了。以下是進行 SQL 檢查時需要被重點關注的點： 關注 join 處理的邏輯關係，包括採用的 SQL 連接方式 inner、left 還是 outer、兩張表之間數據對應關係是 1:1、1:n 還是n:m 等； 關注 SQL 細節，包括是否採用 distinct 去重、採用 case 語句劃分類別時的分類區間邊界、group by 進行數據聚合的指標粒度是否正確； 多版本程式碼檢查時關注選擇條件，對於 SQL 復用的場景，我們要重點關注數據選擇條件的更新替換是否完全； 聚合處理時，最好結合 if 條件排除極端值、異常值。 […]

傳統的依賴員工個人經驗，使用word/excel檔案管理業務的模式必然淘汰，業務系統化成為企業數位轉型拼效率的關鍵！ Jerry是某服裝製造和零售廠商的總經理。這天早上9點鐘，召集生產、物流倉儲、採購、財務、市場、銷售等各部門主管開季度總結會議。各部門主管一周前就開始準備會議數據，但今天開會時卻發現物流倉儲部門給到的缺貨率和銷售部門的缺貨率不一致，除此之外還有好幾個部門的相同指標數據各異。Jerry非常頭疼，只能暫停原會議議題，一起核對檢查數據，並讓各位主管重新整理報告，明天上午繼續會議。 城市另一邊，Brian也在做同樣一件事，brian是jerry最大競爭對手公司的執行長。9點進會議室打開牆上的顯示熒幕，點擊系統自動生成的季度總結報表，各部門主管依序介紹上季度基本狀況、出現的問題、原因分析。之後針對上季度出現的問題，大家共同討論調整下季度的計劃，不到11點會議就圓滿結束了。 同樣一個季度總結會議，Jerry和Brian之間為什麼會有這麼大的差距？其實，這是很多企業在數位轉型中面臨的共同問題：各個系統獨立不整合，做跨系統數據分析時需在各個系統導出數據再用Excel進行匯總分析，而且會出現同一個指標在不同系統的定義和計算方法不同而導致的數據差異。費時費力還不準確。 數據分析報表與BI廠商帆軟的研究人員表示，Jerry這種情況在企業中並不少見，曾服務過一家2000人規模的精密儀器製造企業，大大小小的業務系統有10幾個，專門有設置了一個20人的團隊每天從各系統導出數據，然後使用Excel為CEO做數據分析，每周周報每月月報時20人的團隊還要加班。這種模式讓IT成為臃腫低效部門，還導致依賴IT系統的業務部門花費大量時間在數據的核對上，無法及時準確的依據數據決策，整個企業的效率就降了下來。 系統整合，數據統一，IT部門一下節省了六七個人力 企業經過多年的數位發展，一般都積累了幾套甚至幾十套各異的系統，這些系統都由IT部門來管理，隨著業務的發展對IT的需求越來越多越來越複雜，若IT部門內部不能提高效率，要麼滿足不了業務需求要麼不斷擴大人員數量淪落為企業的巨大成本部門。 一家涵蓋設計、生產、銷售的服裝企業，之前他們的基礎數據是沒有規則的，這導致相關的配套如物業、積分商城無法與會員數據有效聯動，會員積分管理流於形式，業務系統里的會員數據發揮不出應有的價值。於是他們使用帆軟FineReport報表軟體搭建數據分析管理平台，打通各個業務系統，形成統一的數據介面規範。在主數據管理方面，用帆軟報表開發了「主數據基礎新增流程」「經銷商資料修改申請流程」等頁面，並統一集成到OA系統。各部門人員都可以通過OA統一入口申請，各系統主數據維護統一收至IT部門，OA流程審批結束如果能系統對接就自動生成，不能就統一由IT部門維護，IT部門維護結束,OA通知所有相關部門及人員。 主數據管理是數據分析的根基。上圖兩個頁面，就實現了企業的會員系統、訂單系統和OA等系統的主數據管理。打通了不同系統，實現了數據共享，還有效的節約了IT人力資源。粗略統計，僅僅主數據整理這一個模塊就節約了6~7個人。 統一數據訪問介面，業務專註分析，再不為核對數據頭疼 IT部門實質上是企業的服務部門，服務於各個業務部門。如何幫助業務優化流程、提高效率是IT部門存在的意義、發展的基礎。 一家零售企業的老闆辦公室里，牆上掛著一個BOSS交互熒幕，主要分析展示的是直營店、加盟店在上一營業日和當月的實收、零售、回款三個重要指標。老闆在辦公室點選交互熒幕，就能了解所有門市的銷售情況，同時突出顯示異常店鋪的異常指標。同時，考慮到老闆出差在外，也需要及時掌握店鋪營業狀況，我們用帆軟報表製作平台部署了行動端交互儀錶板。現在企業500多個店鋪的庫存、銷售、財務數據，老闆都能在交互熒幕和行動設備上直接查看。根據業務部門反饋，現在老闆基本不再打電話要業務財務數據了，老闆自己也覺得方便了。同時，業務部門每次彙報，直接對著辦公室交互熒幕，邊彙報邊操作，把精力都集中在了業務分析上，而不是浪費在看報表、核對數據上，整個業務團隊的效率得到了很大的提升。 業務流程數據化不容易，選好工具很關鍵 讓業務部門配合IT工作不是件容易的事情，畢竟業務人員的績效考核並不是如何更好地配合IT，二是業績。那麼IT就要想方設法去服務於業績達成，這樣才能和業務人員站到一條陣線上，得到他們的支持。很多企業都意識到業務數據化的巨大能量，為企業積累數據資源、提高企業決策的科學性等。但是真正推行起來並不容易，因為有時需要犧牲業務人員的一些效率。比如之前接觸到的一家服裝企業，面料開發以往都是依靠開發員個人的經驗和記錄。下圖是一個面料開發員自己電腦里的excel表格，左邊是這次所有要開發的面料，可能在某個時間節點，這個面料到了，把這個填進去。然後用不同背景顏色來標註不同的開發進度。 但是企業管理者希望能夠用數據驅動面料的開發，希望看到： 1.一季面料開發成功了多少失敗了多少？ 2.哪個供應商的打樣成功率最高、返工最少？ 3.哪些樣衣開發進度正常，哪些有風險，風險是怎麼造成的？ 初期，IT資訊部給的解決方案是：在系統里已有的面料檔案管理報表中，把這個excel中的資料維護上去，增加一個欄位，點進去讓面料維護員填寫行為過程進度。當IT部門拿著這個方案與業務溝通時，卻受到了很強烈的抵制。因為原來開發員使用Excel只需要2分鐘完成這件事，但現在改為系統數據化後，需要花費更多時間，對他來說犧牲了效率。為了解決這個問題，資訊部就必須尋求如何把數據填報入庫，做得比Excel還要方便？這時候選擇一個高效工具很重要。他們從帆軟FineReport報表與BI系統軟體的填報功能中找到了答案： 1.保留了Excel的填寫方式，操作和離線PC一樣，一個個填進去就結束了。 2.歷史的面料數據，也可以隨時查看。 3.只要填出供應商的關鍵字，供應商也可以直接帶出來。 4.背景顏色也按照業務經驗做預設，保持一致。 5.因為這個表每月要給主管彙報，所以按照彙報簡報的模版，再做一張報表專用於彙報，系統直接匯出，開發員無需再手動匯總分析。 這個頁面得到了開發員的廣泛好評，開發員還主動提出能否把自己其他的excel資料也全部系統化數據化管理。 人工無法實時反饋的流程，就讓機器來代替 有人員參與的業務工作IT可以溝通協調優化，但一些工作僅靠人工無法達到要求。比如工廠機器狀態的監測，人工24小時不間斷監測是非常耗時耗力的，不如就用物聯網IoT技術讓事情變得易操作、低成本、好效果。 一家化工集團之前經常會出現一個工廠裝置停機了，好幾天之後總部才接到電話通知的情況。總部無法實時掌握工廠的生產負荷，就無法及時調整生產計劃以滿足市場要求。使用FineReport製作的的數據大荧幕集成裝置負荷縱覽表，對各生產機構的生產裝置進行每5分鐘一次的數據抽取，集中展現在數據大荧幕上，集團能夠對各生產裝置的負荷了如指掌，也能及時發現和解決問題，保證生產效率。 大型生產設備的連續運轉率，對於生產型企業來說尤為重要，一旦設備出現問題，不能及時定位和解決，將會給企業造成無法挽回的影響。數據大荧幕通過圖像化形式，立體展示生產製造設備的運行情況，包括每一個壓縮機的溫度、壓力等指標，每個裝置連續運營天數，裝置出口的流量數據，甚至包括裝置的環保、排口等數據也進行了呈現。系統每5秒鐘進行一次數據抓取，保證了對設備監控的實時有效，及時發現並進行問題預警。

最近的你，有沒有感受到公司人員流動較大，往昔朝夕輝映、共同謀事的許多同事卻逐漸悄無聲息地離開了公司呢？近來的離職旺季，讓各家企業不得不直面人員流失的問題，往日投入大量的人力和物力培養出來的精英員工卻最終流失，一切付之東流，引人深嘆。以員工為本的理念被許多企業認同並落實，大家對人才也越來越重視，想留住那些優秀的員工。而這第一步，就是了解你的員工，但是你真的了解你的員工嗎？本文將給大家分享一個通過對人事變動的數據分析驅動人力資源管理和配置的方案，讓你學習如何了解你企業的員工，讓你在面對人員流動時心中有數，及時發現企業問題，留住優秀的人才，同時也期待能夠和大家一起共同交流探討企業經營管理的心得。 一、人員宏觀流失分析 以某集團人資數據分析為例，首先我們最關切的問題無疑是這段時間內企業損失了多少員工以及補充了多少員工。可以發現2017年企業的離職總人數為165人，新進總人數為110人，當年總的人員凈流失了55人。這引起了我們的高度注意，因為目前公司流失率大於新進率，如果不加以調控，公司的員工必將不斷地流失，最終將走向企業經營危機的邊緣。這其中肯定有著不可忽視的問題，那究竟會是什麼問題導致的呢？ 二、人員切片流失分析 初步發現問題之後，我們想進一步了解問題的嚴重性。首先，我們查看人員流失具體的區域分布情況，查看人員流失是哪個分公司出現了這麼大的人員流失。通過查看各分公司人員流動情況發現，各個分公司的人員流動總體上都是離職人數多於新進人數，這說明整個集團層面都在流失人才。公司人員流失很有可能是整個公司層面的問題。可能是整體層面的營收狀況或人員結構方面出了問題，或者人事架構調整。導致了員工的利益沒有得到合適的滿足，進而產生了人員流失。 我們再進一步看人員流失的區域分布情況發現，在各分公司人員總體流失的態勢下，令人產生一絲欣慰的是台北分公司仍然保持著對人才的吸引力，我們可以調研台北分公司是如何進行精細化人員管理的，將台北分公司人員管理良好的策略和體系去凝練，提升應用到其他分公司。 其次，我們還想知道各個月份人員的流失情況，從時間維度上觀察人員流失的走勢。通過探究各月人員流動情況查看可以發現，除了8月，各月度的人員總體都在流失，這再次佐證了極有可能是在公司層面出現了問題，導致人員不斷在流失，而不是某個分公司經營不善產生的異常數據，公司需要採取策略。公司在3到5月人員流失相對嚴重，可以調研查看在3月或3月前公司是否頒布實行了什麼不合理的制度策略，導致員工的利益受到損失，重新調整這部分的策略。而8月則迎上了適合的招聘季，是企業每年進行固定大量引進人才的時候，可以探究這部分新進員工的去留，來進一步發現問題所在。 三、流失人員組成分析 在了解了問題的嚴重性後，我們想知道離職人員的具體情況，了解大家為何而辭職。通過帆軟報表的數據圖表聯動，我們查看員工的離職原因，退休員工佔比高達53.33%，超過半數，而終止勞動合同和主動離職的人數也達到約30%。我們驚訝地發現，公司員工結構分布老齡化相當嚴重，流失了許多老員工。同時，公司終止勞動合同和主動離職的人也比較多，我們思考這部分員工是否在公司的某些方面需求得不到滿足，進而導致了人員流失呢？ 走了這麼多的老員工，我們想看看補充進來的員工的情況。通過帆軟報表的數據圖表聯動，我們發現新進人員中介公司派遣佔比高達50.91%，應屆畢業生也高達41.82%，公司在人事招聘結構方面有著較大的不合理性。老人多且接近退休狀態，補充的大多數是中介公司派遣的員工，不穩定性大。因此我們可以考慮加大人員招聘的力度，在老齡化嚴重的當口，適當減少來自中介公司的人員流入，增加對應屆畢業生的培養投入，從應屆畢業生中培養出能踏實肯干能擔起企業職責的忠實員工，同時考慮適當增大有經驗專業人員的引進比例，綜合提升員工整體素質，提高企業整體的技術水平。 最後，由於上面暴露出員工的年齡結構老齡化問題，我們再進一步探究下當前員工質量。通過探究學歷分布數據發現，當前企業的學歷普遍以國中為主，同時大學畢業及研究所畢業學歷的比例次之，這表明公司對中高文化水平的人員在薪資等方面還是有著一定的吸引力的，但是通過帆軟數據圖表聯動，查看當前看離職員工的學歷分布卻發現，碩士、本科生等高學歷人員的流失佔據其中2/3，尤為嚴重！表明當前公司留不住中高知識分子。公司應當考慮加大對高學歷人才的重視和培養，挽留住人才。 四、讓數據引領決策 結合上面其他論述，該企業人員流失嚴重的原因，很有可能是公司整體技術落後老化，加之老員工適齡退休辭職，導致技術人員發展受到制約，新員工沒有發展空間，中堅力量不足，整個公司層面在人員方面青黃不接。那麼，下一步該企業工作的重中之重，應當考慮優化人員配置，加強引入搭建公司人才中堅力量，同時加大對技術人員的培養，牢牢抓住員工的心。 通過一場對企業人員流動的數據分析，讓我們逐漸真正揭開了企業離職旺期背後的神秘面紗，及時暴露出了企業的人事危機和經營問題。因為只有合理地通過數據指導決策，數據引領決策，合理經營調控，方能真正讓數據成為生產力，方能真正讓企業發展呈一片欣欣向榮之勢。 文中所用數據分析圖表均來自帆軟報表與BI系統工具。

今年一月份的時候給大家分享過一篇關於會員數據分析的文章，原計劃的會員生命周期分析和會員畫像研究分析因為時間上的原因給大家推遲到現在才發，期間有些同學還特地前來諮詢下篇什麼時候發出來，抱歉讓大家久等了! 對於零售業、電商業來說，我們除了需要通過營運策略使得會員數量不斷增長引流之外，如何遠離一鎚子買賣，將已得的會員做寬做深，讓現存的會員能夠不斷的產生消費行為，為公司帶來持續的利潤回報也是非常重要的。本文將從會員生命周期分析、會員畫像分析、會員營運策略三大部分與大家進行深入的會員精細化運營分析，同時也歡迎各位同學們能夠一起交流和討論。 一、會員生命周期分析 首先，我們為什麼需要研究會員的生命周期呢？因為你的會員在所處的每個階段所最適合的營運策略都是不一樣的，傳統的粗獷式營運已經不能再能夠滿足當今時代的需求了。通常來說我們可以把會員的生命周期分為：普通消費者——>顧客/客戶——>新會員——>活躍會員——>睡眠會員——>流失會員這五大階段。其中： 普通消費者： 普通消費者泛指平台或者商鋪的所有潛在顧客，目前還沒有產生過消費行為。對於這一部分潛在客戶，我們需要做的營運工作主要是通過新用戶折扣優惠活動，來引導這批消費者在平台產生第一次消費行為，進而轉化為平台的會員用戶。 顧客/客戶： 已經在商鋪產生過至少一次消費行為的顧客。一般來說，是顧客/客戶但不是會員的情況一般來說是針對實體門市的，因為對應網路平台來說，通常用戶在購買商品產生消費行為之前即需要註冊成為平台的會員用戶。針對這一部分群體，對於線下門市我們則可以在顧客消費結束之後進行門店的會員優惠折扣內容推薦，引導顧客註冊成為會員。 新會員： 已經激活成為商鋪或者平台會員的顧客。對於新會員這部分用戶群體，我們往往更想讓他們能夠更加活躍，從而產生二次甚至是多次消費行為。這邊跟大家分享一個新會員促進二次消費的一個營運方法，比如我們在給新註冊會員贈送一些優惠券或者折扣時，可以限定其有效條件為第二次在平台消費方可生效。 活躍會員： 最近三個月內有過消費行為的會員。對於平台的活躍會員，我們可以使用二八分析方法，找出為平台帶來80%價值的核心會員用戶（qavin、aaron、grace、kelak、allen、mattel、martin、jack、alvin），給予更好的服務和資源傾斜。 通過向上行銷（根據既有客戶過去的消費喜好，提供更高價值或者其他用以加強其原有功能或者用途的產品或服務）以及交叉行銷（從客戶的購買行為中發現客戶的多種需求，向其推銷相關的產品或服務）方法，然後有針對性進行定向精準行銷。 睡眠會員： 最後一次消費行為在最近的7~12個月內，已經睡眠了6個月的會員用戶。對於這部分會員用戶，我們則可以進行定向的睡眠用戶喚醒營運，通過郵件/電話推送相關最新優惠活動，以期喚醒部分睡眠用戶。 流失會員： 最近1年以內都沒有產生過消費行為的會員。對於這部分客戶，除了需要做類似睡眠用戶的喚醒營運外，還需要更加有直接吸引力的優惠規則方有可能成功召回部分流失會員，比如可以針對超過一年沒有產生消費行為的流失會員出台大幅度優惠活動以期召回部分流失會員。 如上圖所示，我們可以通過帆軟報表工具中的漏斗圖來進行某個月的會員生命周期數據分析。對於平台來說，我們最直接關注的可能是平台的用戶增長情況了，那麼通過以上漏斗圖可以看出，平台的新會員為5%，而流失會員卻佔了8%，意味著這個月的會員減少率為3%，那麼這是一個非常危險的信號，對於這部分流失的會員數據，我們需要繼續切片去分析出平台目前存在的問題。其次平台睡眠會員也相對較多，需要考慮做一些有助於睡眠會員喚醒的營運活動，改善平台會員結構。 二、會員用戶畫像分析 消費者購買行為分析是消費者數據分析研究中尤為重要的部分，因為會員作為消費者，研究消費者的消費習慣可以幫助企業或者平台更加精準地制定行銷策略。所謂會員用戶畫像分析，其實就是根據會員的用戶自然特徵、社會特徵、行為偏好特徵給會員用戶打上偏向標籤。而會員個性化精準行銷更多的就是給這些你掌握的不同人群客製化他們專屬的服務。比如說我日常消費時經常購買巧克力、餅乾、糖果等零食，那麼就建議給我多推送相關的人氣零食商品；再比如我平時經常每週六晚上在網上購物，那麼可以在這一時間段（避免過多的廣告推送引起消費者厭煩）開始給我定向推送一些熱門商品，這樣才能刺激用戶向你希望的價值更高的會員發展。 如上圖所示，比如我們希望統計出目前平台會員的特徵分布用戶畫像數據，那麼可以通過帆軟報表BI系統軟體中的詞雲圖進行會員用戶的特徵標籤數據統計，統計頻率高的會員特徵在詞雲中則文字顯示較大，統計頻率低的會員特徵在詞雲中則文字顯示較大。特別是對於電子商務等網路平台，我們在收集用戶的特徵資料方面相對於實體門市有著天然的優勢，比傳統零售便捷太多，那麼我們可以輕鬆地分析每一位會員的用戶畫像特徵，分類聚合，精準行銷。 三、會員運營策略 會員數據分析的終極目標是通過研究消費者的購買行為數據，以達到比消費者本身更加了解自己的目的。最終實現對消費者的定向精準行銷，最大化地刺激並且滿足其消費需求甚至是超越用戶需求，引導用戶開始產生消費行為，並且盡量地產生二次/多次消費行為，最終為企業帶來持續的利潤回報。 最後需要注意的是會員營運管理並不僅僅局限於做一些平台的會員折扣、積分體系等促銷活動，因為這些活動都是面向所有會員的，雖然在折扣比例、積分比例等方面有所差異，但顧客並沒有得到個性化的服務。只有進一步給顧客提供個性化服務，才能最大化地提升客戶的忠誠度，挖掘其潛在價值。另外個性化服務和行銷的具體形式是很多的，比如在會員生日、節假日、紀念日等時機，給會員特殊的折扣、多倍的積分或贈送一份特別的禮品，讓會員在感動之餘，在商場或電商平台中慷慨解囊，滿載而回；定期邀請高端優質會員參加企業舉辦的會員俱樂部活動，進一步增加其對企業文化的認同感等等營運模式，建立活躍的用戶生態，最終實現平台和用戶共贏、共享、共創，才是用戶運營的最高境界。 本文圖片均來自於帆軟報表BI系統軟體。

大部分人眼裡，資料視覺化可以是這樣的： 但其實，它也可以做成這樣： 看著酷炫的資料視覺化效果，有人會疑惑，是否有實實在在的用處。其實在商業、生產和運營場景中有大量類似的使用，如集團展覽中心——用作政府和客戶參觀使用；城市交通管控中心——交通警務運營監控；證券交易大廳——實時股票交易情況；老闆的辦公室——BOSS儀表板。其中使用尤為較多的是動態數據地圖，以及實時的數據大屏。 如何實現？ 秘訣在於這個工具——FineReport報表軟體與BI系統工具。 （finereport官網有個人免費版，帶免費激活碼） FineReport報表軟體本身是一個通用的報表工具和資料視覺化工具。就好比Excel，小到可以儲存統計數據、製作各式各樣的圖表、dashboard，大到財務報表製作、ERP/進銷存等系統的開發。 l它可以整合ERP、CRM、OA、MIS在內的各種業務系統數據，作為一個中間數據管理平台。 l它可以快速進行報表製作，搭建統一的數據分析和資料視覺化平台。 就因為其強大的數據整合性能，再結合其10多年來成熟的視覺化元件，finereport報表可以製作各類資料視覺化大屏報表。 關於資料視覺化 FineReport報表軟體的圖表都是自主研發的HTML5圖表，擁有60多種圖表樣式，具有優秀的動態效果和強大的交互體驗。使用時能夠根據需求設置各類特性，並且在手機端，LED大熒幕也能自適應展示。 關於一些資料視覺化特效 FineReport報表工具有圖表切換、自動重新整理、數據高亮顯示等特效。都是以jar包插件的形式安裝。除此之外，每年帆軟公司都會根據客戶的實際需求開發一批插件，背後還有一批愛好的開發者，會利用視覺化開源庫，設計開發的插件，專門為finereport報表客製化。目前這生態已十分成熟。 數據大屏是FineReport報表衍生的一個資料視覺化功能。其優點： 1、異構資料源輕鬆整合，數據決策更清晰 輕鬆整合ERP/OA/MES等不同業務系統數據到同一個視覺化頁面，打破資訊孤島，讓數據決策更加清晰 2、擁有豐富的視覺化元素，視覺的饕餮盛宴 提供表格、圖形、控制項、網頁框、圖片、視頻、滾動資訊、數字時鐘等幾十種資料視覺化元素，享受視覺盛宴。 3、自由布局，視覺化設計更加寫意 支援自適應布局、絕對布局、tab布局的方式；零程式碼拖拽式操作，可以將不同的視覺化元素在界面上自由DIY。 4、後台監測，實時掌握數據 後台數據智慧監測並對比，數據有變更前台及時更新，時刻掌握最新數據。支援單個元素的獨立監控設定。 5、多種視覺哈特效，讓數據更加有趣 地圖熱力展示、動態流向展示、閃爍動畫、自定義填充等個性化功能，為您的資料視覺化增添更多樂趣。 6、動態交互，敏銳捕捉數據變化 藉由多維度鑽取、聯動分析等功能，敏銳地發現數據間的聯繫，協助您更好地分析、解決業務問題。 7、自適應多屏顯示，隨時隨地分析數據 支援自適應展示，設計一次，即可在手機、平板、拼接屏等多種設備上自適應展示，幫助您隨時隨地掌控企業數據。 一些疑惑 1、大屏與一般圖表插件如echarts的區別？ 有人又會說，用echarts實現就可以了，Echarts確實能提供很豐富的圖表。但是實際應用的時候，要開發的內容遠比想像的複雜，會涉及數據響應、動態刷新、屏幕自適應、還有大數據量高並發的問題，還要設計界面。一般人開發會把自己折騰得夠嗆？不如用現成的工具（比如finereport報表）拖拽圖表實現。 2、finereport大屏可以做哪些動態效果？ 多tab輪播、圖表的輪播、報表塊監控重新整理、圖表監控重新整理、地圖監控重新整理並動態彈出數據提示、數據點自動輪播提示、插入其他GIF動畫圖。 3、關於數據實時訪問 finereport報表與BI商業智慧軟體可以實時訪問數據，但不是完全實時，能做到准實時，目前市面上的主流方案均採用的輪詢方法：定期向伺服器發出請求，監測到數據變更時通知前台進行響應。排程重新整理間隔可以自主定義，可精確到秒。 4、圖中數據自動滾動怎麼實現？ 可以通過數據監控實現，但要求數據本身是實時變化的。可以調用自動輪播的介面實現，這個不要求數據實時，任意數據都可以模擬自動輪播。

大數據分析時代，不主張所有人是數據分析師，但是對自己手頭的工作，和業務數據，能會用數據分析的思維去發現問題，還是有用處的。最直觀的體現就是數據分析報表！今天我們就來談談銷售報表！ 銷售數據分析報表，是銷售工作的必備動作。不會做銷售數據分析報表的銷售人員，就是只會打仗，不會算賬！最後就都會是糊塗賬！ 我們經常說，銷售數據分析報表，是基於業務客觀事實的數字遊戲！ 銷售數據分析報表：是由統計的數據和銷售人員對數據的分析共同組成。也就是說，沒有分析的數據，僅是數字，不是銷售數據分析報表！ 申明：文中所有銷售報表由FineReport報表軟體製作。FineReport提供各種銷售分析報表內建模板，感興趣的話可以免費下載使用。 銷售數據分析報表製作的的時候，會有以下聲音？ 1、不就是數據統計嗎？用excel範本套一下，然後整理匯總下，多簡單的事呀。 2、再不濟，把進銷存數據，整理下，這種可以了。 3、你們說的都太麻煩，就告訴領導，任務是否完成了？給結果，多省事！報表都是應付應付就行！ 銷售數據分析報表，對你什麼好處？ 1、 用數據說話，是銷售人員發言權的前提，這是職業素養！ 2、 分析銷售數據，就是對自己銷售工作的總結，讓你更清晰、更宏觀的看待一個市場的脈絡，然後自己的短板，查漏補缺。等於給自己轄區的市場，做一次例行「健康檢查」。然後，幫助銷售人員對銷售情況深度熟悉，幫助分析市場動態變化，提升銷售人員對經營的意識和掌控力，培養對市場的預測。 3、銷售數據分析是「收拾客戶」的方法之一，白紙黑字，有口難辯，凸顯你的專業性，贏得信服。 為什麼銷售人員，不重視銷售數據分析？ 1、公司沒有具體的銷售報表分析的要求和標準。 即使有要求，也是領導丟一句話：「你把市場數據給我分析下」，然後沒了。接著，銷售人員一頭霧水，開始抓耳撓腮，東拼西湊。最後領導一看，分析的「驢頭不對馬嘴」，丟句「你給我重新做去」！ 2、公司有銷售分析報表的標準，但是，這個標準太繁瑣太複雜。 巴不得做成「地表最全資料庫」，搞得一線耗時耗力，不花幾天功夫，根本做不完，銷售人員內心排斥，開始做出「假冒高仿」的數據，執行的結果可想而知。然後領導們拿出「假冒高仿」的數據，層層向上彙報，你們公司的戰略決策，不跑偏才怪呢！這樣的事情，身邊還少嗎？ 3、公司對銷售分析報表缺乏宣導。 銷售人員對銷售報表，缺乏關注意識，不曉得這個報表對他什麼好處，管理者要身教言傳。銷售分析報表的內容，要與時俱進，千萬不能99年政策不變。當然，我也不是讓你經常來回折騰，朝令夕改！企業要有一個「引導體系」，而不是丟一句話，一個通知、一個郵件，就萬事大吉，管理工作沒那麼簡單！ 對手機銷售行業來說，銷售數據分析的常用方法 一般來說，分為兩個維度展開分析： 1、產品：每個產品的重點關注，包含銷售、價格、庫存、促銷、佔有率等。找出問題點和問題客戶。 2、客戶：以客戶為主，或結合區域的分析，哪些客戶業績異常，找出真實原因，提升點在哪裡，才能做好目標管理。 1、銷量分析 一般，最簡單、最直接的數據，就是：銷售任務是否完成，完成率多少？當然，還不止如此。 業績達成情況 當天數據：當日銷售存在的問題，你要做個分析。當日數據僅供參考。 基礎數據：月累計銷售完成進度，與時間進度對比。 發貨數據：這個數據一般廠家很容易忽視。從發貨的數據，能分析出物流、庫存、周轉率的問題。所以，務必搞清楚，發貨客戶的數量和發貨次數，摸清客戶發貨量降低的原因，同時綜合優化物流成本，這個數據可以每月或每季度分析。 1)對比分析法 不得不說「同比和環比」。 同比，是指在相近時段中的某個相同時間點的數據，進行比較。比如，17年3月和16年3月是相近時段，都是3月，這兩個時段進行數據對比，就是同比。 環比，是指相近時間段的對比。比如，17年5月和17年4月是相近時間段，這兩個時間段的數據對比，就是環比。 同比的用法 比如手機銷售中，同比是最常用的，但是，同比的有時也會蒙蔽事實，為什麼呢？ 比如：16年3月份銷售1000部手機，17年3月銷售1200部手機，同比增加200部，提升率20%。 但是，行業市場整體同比提升30%，你覺得差距在哪裡？ 所以說，同比，務必和行業市場的數據項對比，不然就是孤芳自賞！ 環比的用法 實話說，環比不太常用，因為銷售和季節性有很大關係，都會存在波峰波谷，說銷售不分淡季旺季的人，純屬忽悠洗腦！ 還是以手機銷售行業為例，一般來說，8月份的銷量比9月份高，為什麼？ 因為8月份屬於暑期學生購機潮，再加上9月份想買手機的人，都持幣等著十月的節日促銷呢？對吧！ 你拿9月和8月環比，有多大意義呢？所以，只有同比，才有參考意義。 講到這裡，並不是說環比沒用處，月環比的季節因素太大，那乾脆，你做周環比，不就行了嘛。 周與周的環比，有一定的參考性，前提是周與周之間，不能存在節假日。比如，十月第一週有中秋節，和十月第二周做環比，也是不合適的。 和競爭對手的對比分析 這個比較，我不說，大家也比我懂。 但是，很多人，搞不清楚，誰是你的競爭對手！ 原則上來說，只要與你同行的品牌，都是你的競爭對手！ 但，這是書上寫的，現實可不能這樣玩，不然大家都是你的敵人，你再搞「世界大戰」嗎？ 不能聚焦的目標，是夢想，不是目標！永遠記住這句話，銷售鐵律。 你的競爭對手是誰？ […]

「你的名字」上映了那麼久，到現在我還難以忘記那些美不勝收的場景，每一幀都很美，每一個畫面都可以做桌面背景！再來看自己做的慘不忍睹的簡報報表，常常被老闆罵醜到哭~ 簡報，尤其是企業數據簡報做的醜是有原因的。它最主要的功能是呈現有價值的數據，但企業數據種類多、分析維度多、展示區域有限、製作者水平不一，這些特徵都造成了企業數據分析報表的美觀度的不足的情況。但說企業簡報報表沒辦法做好看，那就是見識太淺了！這裡匯總了一批可讀性和美觀性完美融於一體的報表簡報，只要幾個tips就可以快速提升美觀度！ TIPS1 主次分明 資料視覺化展示的內容很多，首先要進行主次分類。主要內容要放在主要位置、通過效果重點突出，再佈局次要內容作為補充資訊。如下圖這張實時促銷活動的數據分析報表，每個時間段的流量狀況清晰明確，關鍵資訊如參與活動人數、新客人數、購買數、購買金額等都實時顯示；右下角的中獎訊息是次要因素，採用滾動播放的形式。整張報表主次分明、動靜結合，美觀易讀。 TIPS2 地理資料畫龍點睛 基於地理位置的資料，能用地圖的就不要用表格。下面這張資料視覺化報表，通過左上角的時間查詢查看不同時間段、不同地區的會員狀況，點擊中間的地圖報表不同區域，會顯示這一地區的相關數據，既能直觀的掌握整體狀況，又可以進一步操作了解詳細數據。 TIPS3 突出行業或企業特色 每個行業或企業都有自己的特色，在簡報報表製作中加入特色元素，給人眼前一亮之感。比如下面這種航空企業數據分析報表，在報表製作中使用的飛機圖示非常生動。 TIPS4 動靜結合更具魅力 動靜結合可以突出重點而不雜亂，活躍報表而不過分。這是一張IT運維實時統計報表，中間地圖上模擬的呼吸動畫，底部資訊是滾動播放效果，其他部分是統計匯總類數據，採用靜態展示的方法。 這張報表左上角的動態3D地圖，基於真實地圖和基本建築數據構造都市圈級別的宏大場景，政府部門、連鎖企業、LBS提供商等對真實經緯度和展現區域範圍敏感的企業用的比較多。 TIPS5 大膽採用新圖表，更好更美觀 新圖表樣式層出不停，美觀度遠勝於傳統圖表，在保證展示清晰的基礎上，多採用這些現代感強的新圖表。比如下面這個炫酷的水球圖代替傳統的儀錶盤等展示百分比數據的圖表，還能更為形象的展示百分比數據以及百分比之間的連續變化關係。讓數據浪起來，顏值相當高！ 如果有一種新的圖表可以清晰的表達更多的訊息，不要猶豫馬上使用它，放棄之前幾張圖表和文字才能表達清晰的方法。在桑基圖愛好者的社區網站上寫著這樣一句話：「A Sankey diagram says more than 1000 pie charts」，意思是一張桑基圖比一千張餅圖描述的東西更豐富。這張圖的下方就應用了桑基圖來描述投資基金的時間、領域流向，在有限的位置上清晰表達多種訊息。 新型的象形柱圖、三維條形圖、碰撞圖、韋恩圖等等 TIPS6 數據之外，多些溫度 這是旅遊行業的一張數據分析報表，增加的天氣部分是個亮點。在一些天氣多變的地區，報表製作中添加一下天氣資訊、出行建議也非常的有人情味哦！諸如此類的還有生日祝福、節日祝福、假期提醒、世界時間（跨國性業務報表）等等，根據不同的業務、不同的關注點來進行。 TIPS7 文本、圖片也需要視覺化 詞云是這幾年比較火的一種資料視覺化圖表，稱文字雲，是文本資料視覺化的表示，由辭彙組成類似雲的彩色圖形，用於展示大量文本數據，許多新聞資訊中能看到它的身影。這張報表右下方應用的是動態詞云，支援自定義圖表樣式，包括背景顏色、詞雲顏色、圖例、3D動態旋轉方向、3D動態屬性等功能。對於文本資料的展示，能快速感知最突出的文字、快速定位按字母順序排列的文字中相對突出的部分，在電子商務的客戶評價、品牌調查的企業印象等處都有應用。 TIPS8 自動還是手動交互，請想清楚 PC端手機端查看的報表簡報，我們一般採用手動交互的方式，通過滑鼠或手指下拉、點擊。但有些場合使用的簡報報表更適合自動播放效果。比如公司展示實時銷售業績的TV熒幕，展會中展示數據的大熒幕上，自動播放的應用非常多！比如下方這個銷售數據分析報表，放在公司入口處的大熒幕上，中間的地圖數據點和左下方的環形圖都採用了自動播放，輪流展示不同地區的銷售狀況和訂單狀況。 TIPS9 特殊狀況需要客製化 這是某製造企業的生產設備監控大屏報表。雖然將敏感數據都馬賽克了，不夠完整，但仍然能看得出來這是一個神作！傳感器+報表，自動監控每一台設備每一個環節的運營狀況 還與錄像監控連接起來，重點區域的監控直接顯示在報表上面。 這種商場櫃檯品牌分佈和銷售圖也需要根據商場的地圖客製化，並且支援點擊下鑽查看詳細數據。

當今時代數位產業飛速發展，各類底層大數據應用平台百花齊放，億級數據、秒級響應已經不再是當年的遙不可及的神話。然而對於企業來說，數據計算快僅僅是滿足企業進行業務數據分析的硬體基礎，如何發掘這些海量的數據產生應用價值，走好數據分析這最後一公里，引導企業進行戰略決策卻是至關重要的一步。 對於網路行業的企業運營來說，第一步自然是新用戶線索的引流，做好引流工作之後就需要開始考慮如何將這些線索進行平台的用戶轉化。前面也跟大家分享過關於網路行業的引流和轉化的相關文章，那是不是做好平台用戶的引流和轉化就夠了呢？答案顯然不是，如何活躍和留存好已有的用戶，使之對企業產生持續價值才是長期可持續發展的根本。筆者以網路行業用戶留存為業務數據分析背景，希望能跟大家交流一些行業數據分析方面的心得和體驗。 網路運營數據分析：流量分析 ——本文大數據分析工具為帆軟商業智慧BI系統軟體 前面說到，做好平台的用戶留存是網路企業可持續發展的根本保障，特別是對於toC模型下的網路企業而言。如果我們費盡人力物力方才完成拉新和成功轉化的用戶，在一段時間內就快速地流失掉了（可能其流失之前付費階段對企業帶來的收入還不及前期推廣投入的成本之多），那麼這絕對是一個非常失敗的運營條鏈。 首先我們可以從宏觀上來定義平台的留存用戶：在網路行業中，用戶在某段時間內開始使用應用，經過一段時間後，仍然繼續使用該應用的用戶，被認作是留存用戶。我們往往希望我們的留存用戶越多越好，而新增留存用戶數=平台新增用戶數*新增用戶留存率。關於如何提高平台新增用戶數這個指標的常用技巧和方法論，我們在前期的從網路看數據分析之道的引流篇和轉化篇已經跟大家詳細討論過了，這裡就不再贅述。本文主要以如何提升新增用戶留存率方法論為核心，希望能夠和和大家進行深入交流討論。 一、提升產品價值 對於用戶而言，使用你們企業的產品只有一種可能，那麼就是你們的產品能夠對其工作或者生活產生一定價值。對於企業而言，扎紮實實做好自家產品絕對是其長期生根立命最核心、最根本的驅動力。那麼我們就必須做好產品的版本更新迭代工作，不斷豐富產品的應用功能，不斷深化產品的可應用空間，不斷簡化產品的交互操作，讓用戶能夠通過更少的時間成本快速上手我們的平台應用，同時通過平台為用戶創造其所需要的價值。 如果是在產品設計研發前期，那麼我們就需要充分調研和考慮用戶的需求，合理分配研發開發資源，以用戶為核心，做出真正對用戶有價值的產品。對於正處於穩定發展的產品或者平台而言，我們也需要多多收集平台的用戶改進建議，多聽聽用戶是怎麼想的，設計出超出用戶預期的優秀產品。另外我們還需要時刻關注競品動態，觀察同類平台或者產品的最近更新狀況，對競品做的好的方面虛心加以學習，做到取之精華，避之糟粕，打造一款比市場同類產品更加有特色和區分性的產品。 二、讓用戶感受產品價值 做好第一步之後是不是就夠了呢，顯然不是。有了一款好的產品之後，那麼我們還有很多基礎工作需要去做，比如我們需要不斷豐富和完善平台或者產品的教學文檔和教程影片，豐富產品或者平台的成功應用案例，優化產品的使用流程嚮導。對於用戶而言，即使你的產品或者平台本身功能再強大，但是用戶下載之後感覺無從下手或者無法深入應用的話，那麼其產品本身所提供的應用價值也就無從發揮，所以為用戶做好產品流程使用方面的幫助事宜對於用戶留存來說是非常重要的。 三、活躍用戶/提高用戶黏性 通常來說到這一步，我們經過前期的引流和轉化工作之後已經擁有了一批用戶了。對於平台已經擁有的這批用戶，我們就需要開始數據分析支撐下的精細化運營管理了。很多情況下往往前期運營引流和轉化投入帶來的高速用戶增長，如果不做好用戶留存方面的工作，那麼最後結局必然是前期的重金得不到對應的利潤回報，最終卻是竹籃打水一場空。這邊在給大家開始分析平台用戶的留存率之前先簡單介紹一下幾個常用的用戶生命周期指標。 新增用戶數： 新增用戶數=在某個時間段新登錄應用的用戶數 登入用戶數： 登入用戶數=登入應用後至當前時間，至少登入過一次的用戶數 留存率： 留存率=新增用戶中登錄用戶數/新增用戶數*100% 次日留存率： 次日留存率=（當天新增的用戶中，在註冊的第2天還登錄的用戶數）/第一天新增總用戶數 第3日留存率： 第3日留存率=（第一天新增用戶中，在註冊的第3天還有登錄的用戶數）/第一天新增總用戶數 第7日留存率： 第7日留存率=（第一天新增的用戶中，在註冊的第7天還有登錄的用戶數）/第一天新增總用戶數 第30日留存率： 第30日留存率=（第一天新增的用戶中，在註冊的第30天還有登錄的用戶數）/第一天新增總用戶數 我們先來看到如上圖所示的一組平台用戶總量走勢數據統計情況，從2017年1月開始，平台的IOS用戶數量增長較快，到2017年8月份達到了將近4500的IOS總用戶數量。表面上看起來平台的IOS用戶數量增長情況是要大於安卓用戶增長的，到2017年8月時的總用戶數量也要大於安卓用戶數量。但是我們仔細觀察這兩組數據增長情況會發現，IOS用戶雖然增長快，但是在2017年5月之後總用戶數量趨於平緩，而安卓用戶數量雖然增長慢，但是確是一直保持著穩健增長的趨勢。 如果你能夠發現這個問題，那麼恭喜你，你已經初具數據分析師的洞察力。這個時候我們就需要關注除用戶增長之外的平台用戶留存率指標計算統計情況了，下面我們再來繼續看看IOS用戶和安卓用戶的留存率變化對比如何。我們觀察下圖的月度用戶留存率數據統計情況可以看到，一開始IOS和安卓的用戶留存率都是100%，到了第七日IOS的用戶留存率下降至44%，安卓用戶七日留存率是58%，最後到第30日IOS的用戶留存率僅剩15%，而安卓的用戶留存率卻還有35%。這也就不難解釋為什麼平台高增長下的IOS用戶為何最後留存下來的用戶最後卻不多了，其背後嚴重的用戶流失率是一個不容忽視的問題。 關於如何提高平台的用戶留存率方法方面，我們有許多事情可以做。比如給平台的用戶特別是剛註冊的新用戶推送相關優惠促銷活動，讓他們能夠快速地融入到平台中產生消費。對於平台積累下的老用戶，我們需要注重平台的社區生態運營，多做一些用戶互動以及用戶建議或者是需求調研，並且進行用戶建議積極反饋，以增強用戶和平台之間的黏性，提高用戶留存率。同時平台需要打造一批平台核心粉絲用戶，通過一定物質上的激勵形式鼓勵用戶以老帶新，實現平台&用戶共創。通常來說我們需要通過多種不同的方案嘗試，最終才能找到最適合平台和當前階段的最佳方法，所以即時的平台數據指標監控尤為重要。 四、流失用戶迴流 最後跟大家談一談流失用戶迴流方面的一些心得，如果你前期做了多很關於用戶留存方面的運營工作，最後用戶還是流失掉了，我們該怎麼辦，還有沒有能夠讓流失用戶迴流的方法？ 其實關於流失用戶迴流方面，總結主要有兩大方面我們需要進行針對性數據分析和思考的。 一方面是我們需要考慮是否是由於平台或者產品本身的原因導致用戶流失，所以通常來說如果是軟體類的產品我們一般可以在用戶需要卸載產品之前，做一個用戶卸載原因選項調研，有針對性地對應反饋意見較多的點進行產品體驗改進，如果是網頁平台端的產品，我們可以通過定期郵件內容（促銷活動、產品使用教程、產品價值文案等）進行用戶推送喚醒，值得注意的是我們在做用戶迴流操作嘗試的同時，需要即時關注用戶迴流指標的數據走勢，這樣方可找到平台或者產品當面最需要改進的方面。 另外一方面我們還需要考慮到用戶本身的質量，當然這是在做完第一方面前提下之後的進階工作。通常來說我們可以統計各個推廣渠道所帶來的用戶特徵分析，因為不同的推廣渠道最後引流所帶來的用戶質量可能跟推廣渠道本身具有一定相關性。關於如何分析不同渠道的用戶群體特徵方面，這裡我跟大家推薦非常實用的RMF用戶畫像模型。RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段，在眾多的客戶關係管理(CRM)的分析模式中，RFM模型被廣泛應用。 最近一次消費 (Recency) 消費頻率 (Frequency) 消費金額 (Monetary) 當然除了以上的數據分析指標之外，我們還可以根據自己產品或者平台的特點再添加新的分析指標。例如下圖所示，我們除了分析平台用戶最近一次消費時間、消費頻率、消費金額之外，我們還增加了特價商品消費佔比（價格容忍度）、最大單筆消費金額（購買力）、最高商品消費佔比（價格容忍度）這三個指標進行聯立數據分析，得到各個渠道更加精確的用戶畫像分析數據。 例如上圖中SEO推廣渠道所帶來的用戶，會員對產品和平台忠誠度比較高，但是購買力很低，這種客戶雖然消費金額不高，但是即使不做行銷策略，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網站流量稍小的時段做促銷行為，讓其產生持續的集中消費。通過分析各渠道用戶畫像特徵之後，我們可以進行有針對性的用戶留存運營，以達到最好的留存效果。

生活中，越來越多的產品、應用轉向「行動陣地」，收營員隨手舉起的掃碼機，快遞員手持終端（巴槍）等等。表面上看來是便於資訊傳遞，但更重要的是數據收集。 有收集就有展示。同樣的，日常的辦公，比如報表，比如數據分析簡報也可以做到行動化。尤其是老闆需要時常翻看的報表（日/月報），需要實時跟蹤的數據報表，需要就地上傳/查看的數據，這時候在收集或者ipad上看，尤其方便。我們稱之為「行動儀表板」。 行動儀表板可應用於銷售、生產、運營等業務範疇，是多維度、多層級、立體化資料視覺化呈現結果，兼顧簡單的交互、美觀的界面。結合訊息推送，把老闆想要的主動推送給他，久而久之，增加使用的粘性，凸顯價值。 用什麼工具來實現？ 工具本身需要能收集數據，又要能展示數據，同時能夠支援發布到手機端，最好有獨立的APP，或者能對接企業wechat等行動門戶。這一點，帆軟報表FineReport可以支援，自身支援在web端展示數據報表，也可自適應發布到行動端甚至大熒幕等各式各樣的終端。 那行動端的數據分析報表有哪些可落地的應用場景呢？ · 日/月報查看 · 資訊推送 · 掃QRCODE應用 · 日程管理方案 一、日/月報查看 1、生產日/月報方案 生產管理是很多製造類行業非常重要的一環。作為生產部的leader，設想需要掌握生產環節、生產速度、質量以及生產工人的工作績效，對生產數據進行分析。有些企業在基層車間已經部署了生產數據監控大熒幕（電視、PC屏幕等），那如果不在生產車間，或者需要向上級彙報，工廠是24小時作業，就可以使用行動端。 行動端報表可以提升老闆管理層對生產指標的掌控程度，減少未部署大熒幕企業的投入成本。提供了生產進度與質量監控的日/月/年報方案，旨在讓客戶用最簡單的方式，隨時隨地掌握生產數據。 譬如如下的報表模板： ① 生產日報主頁可進行日/周/月/季/年維度的切換，一張報表頂5張 ② 生產進度與時間進度相結合，能充分把握進度關 ③ 表圖聯動，生產進度趨勢圖支援切換不同部門；可以將所有部門橫向對比，哪個部門出問題一目了然！ ④ 若需要了解車間的詳細數據，點擊部門名稱向下鑽取即可跳出對應部門的生產日報。 2、銀行業的運營報表 在運營看板主頁中，通常會將自己的幾大核心業務數據同上日、上月、年初的數據進行對比分析；總行、分行、支行均可以配置這樣一個運營看板，只需依據職級控制數據許可權即可； 如果採用PC報表慣用的方式，可以使用第一種，如果需要適合手機端的展現方式，可以採用第二種標籤樣式。 二、資訊推送 類似於APP的通知，微信的消息推送，我們也可以根據業務情況推送數據報表，比如常規日報月報，流量預警，生產進度預警等。 以下舉例南通農商行的「微信小秘書」項目，搭建了支行小秘書、高管小秘書和機關小秘書。針對不同層級領導，微信定時推送數據分析結果。分析結果支持在線圖表預覽，數據的鑽取以及分組明細查詢，領導不開電腦只用手機一樣能及時查看到業務進展狀況。遇到業務突發事件，根據我們系統監控的指標，微信小秘書會自動微信推送預警消息給領導層。 微信集成效果 依據不同用戶許可權，設置三種不同的微信小秘書 · 高管小秘書：定時推送上日全行存貸款餘額、排名情況以及大額資金流動的數據 · 支行小秘書：定時推送上日用戶所在支行存貸款餘額以及排名情況 · 機關小秘書：定時推送上日用戶所在機關存貸款餘額以及排名情況 三、掃碼應用 如果你是商城、賣場的巡店員，或者是門店的管理者 ① 在賣場巡場時看到堆頭，卻不知道商品業績如何，堆頭商品設置的到底合不合理？ ② 貨架商品缺貨很苦惱，到底是有庫存沒有陳列，還是真的沒有庫存呢，沒有庫存找誰調撥？ ③ 商品打折時的價格標籤到底有沒有貼錯，怎麼查？ 有了掃碼查詢功能，我們的APP就相當於一部PDA，掃描任意商品、產品的條碼（二維碼），就能知道它的相關信息。 掃碼查詢 譬如上述動圖的demo，提供了零售行業中掃碼查詢的實際應用場景，點擊掃一掃即可查詢商品的價格、銷售情況、庫存信息。同時還能查詢到同一區域內其他兄弟門店的數據，實時調撥庫存。 發貨、配送、庫管 在零售、物流等公司的日常業務中，配貨、發貨、庫存管理、派送等業務場景是至關重要的模塊： 線上銷售類企業在發貨前期環節中往往需要確保發貨的準確性，減少人為誤差帶來的不必要損失； […]