身处传统行业，数据分析的工作可能会无所适从。我们既没有互联网行业强大的数据驱动基因，甚至都没有大企业完善的信息基础和数据环境。个人不论是数据分析师和DBA，成长都有所局限。

数据分析很火，懂行的都深知数据对于业务，对于企业生产经营的重要性。但是没有数据、数据不完整、业务不重视、数据分析沦为取数和报表制作......这些问题都阻挠着数据行业的发展，也影响个人自身。

关于企业的数据分析，如何从0——1着手分析工作？这里想分享一个来自我们客户“小唐”的真实故事，没有鸡汤，只有浓浓的方法论值得借鉴。

小唐就职于一家股份制银行A，近两年由于银行改制，A银行开始逐渐重视银行信息化的提升，以及数据分析的应用，小唐在对公业务一线做过2年，被委派到的数据部门做业务分析。

委派到新部门的小唐负责对公业务，需要对下属一级支行南京支行的业务做针对性分析：风险预估、坏账分析、创新业务跟踪。

从存款金额和贷款金额入手，分析该支行总体的经营状况；想了解存款和贷款主体业务的状况，尤其是坏账的风险；想了解下属各二级机构的经营状况；下属二级支行瑞金支行是新增的二级试点支行，投放了许多创新业务，想在分析过程中对该二级支行加强关注；

小唐是怎么做的呢？

分析过程

业务分析需要借助良好的分析工具，且考虑到上层战略的需要，此项业务分析不仅仅是单一问题的解决，而是需要长期监控的，给部门业务经理监控的。基于这样的场景，小唐需要一个自住性较强、易操作、能实时同步数据、且具有协同功能的数据工具，自然而然的想到了商业智能BI工具FineBI，开展了分析工作，从0-1进行数据分析搭建业务分析模型的工作。

1、提出问题/需求

即最原始的问题/需求。

领导提出“小唐啊，我想看一看部门最近的业绩怎么样？”或者自己发现“最近XX产品的推出好像在市场受到了阻碍，想看看原因在哪”，这都是最原始的问题/需求。这部分问题/需求不直接涉及业务数据，但是和目标“解决问题，提高效益”直接相关，最表象也是大家最关心的事情。

2、明确问题/需求

上面提出的问题/需求，不管是领导提出还是自己的诉求，都比较宽泛，如果想要通过数据分析解决问题/需求，自然而然地，需要把问题/需求往数据上靠，用我们的业务去明确问题/需求。可以分成两个步骤：

①用我们熟悉的业务名词精简描述

②化零为整。

（1）从存款金额和贷款金额入手，分析该支行总体的经营状况——存款金额、贷款金额→日期即研究不同日期下支行的存款金额和贷款金额。（2）想了解存款和贷款主体业务的状况，尤其是坏账的风险——存款类型、贷款类型，不良贷款额即研究不同业务类型的存款金额和贷款金额的情况，尤其是五级不良贷款。（3）想了解下属各二级机构的经营状况——机构即研究不同机构的存款金额和贷款金额的情况。（4）下属二级支行瑞金支行是新增的二级试点支行，投放了许多创新业务，想在分析过程中对该二级支行加强关注；即研究单一机构的存款金额和贷款金额的情况。

这样，通过用熟悉的业务名词去明确我们的需求，就变得十分具体，数据分析的切入点就有了突破口。但是这样的描述还是比较零散而且互有重叠，通过化零为整，整合一下我们的需求，即“研究不同时间不同机构不同存款类型/贷款类型下的存款金额/贷款金额”。

3、梳理指标

对于“不同时间不同机构不同存款类型/贷款类型下的存款金额/贷款金额”这一明确需求，将相关涉及的所有指标进行进一步梳理，可以先用我们最熟悉的明细表做一个展示，对数据能够有一个非常直观的感知。

4、搭建业务包（指标分类）

根据分析思路框架，利用FineBI数据分类的功能来针对性地搭建业务包。

由于存款类型、贷款类型和贷款质量是三个接近平行的维度，互相之间不干扰，所以我们可以设计三条平行线，分别来看各日期机构下的存款类型、贷款类型、贷款质量的情况，并搭建以下业务包：

三张事实表（存款数据事实表、贷款数据事实表、不良贷款数据实施表）三张维度表（机构维度表、贷款类型维度表和存款类型维度表），并建立和业务关联。

5-6、 自助创建仪表板-分析决策

创建仪表板的过程，实际上是将我们的分析思路以各种指标和图表具象化的过程，是数据分析思维的具体体现，所以做仪表板和分析决策是不能够分开的。这也就决定了创建仪表板的时候，我们需要掌握两个步骤，一是用常用的分析形式和分析指标结合需求落地，二是用分析决策检验和完善我们的仪表板。

以各日期机构下的存款类型情况进行分析为例，即存款分析为例，先用我们常用的分析形式和分析指标结合需求落地。在这里只需要控制单一变量：

a. 固定机构，分析它的日期维度。常见对日期进行分析方法有

趋势分析对比分析（比昨日、比上月、比年初、同比）

当然还有一些其它的业务分析形式，我们都可以进行尝试。在进行数据分析的时候，我们应该养成看到时间维度就能立马复现出这些分析方法的习惯，不管不是所有对日期进行分析的方法都应该囫囵吞枣，但是把每个分析方法都过一遍是十分有利于我们的思考过程，从而甄别出适合出当前分析的分析形式和指标。

先对日期进行趋势分析。研究存款总额、对公存款和对私存款的时间变化趋势。而历史数据对于当前的业务影响小，我们更关心近期的数据走势，因此可以过滤出最近10天的数据。

可以看出南京支行的主体存款业务是由对公存款组成，因此存款总额的变化趋势几乎只受到对公存款业务的影响；对公存款是处于起伏不定的状态，处于停滞不增长的状态，而对私业务乍看也是处于一条水平线，没有什么起伏，然而，当我们取消关注对公存款和存款总额的时候，可以发现对私业务的存款总额竟然是下降的。

综上，我们发现，最近该支行的总体存款业务是下降的，对公业务没有什么增长，对私业务虽然体量相对较小，但是呈下降趋势，发展出现问题。因此我们可能需要对该机构的存款业务进行重要调整，想办法推进对公业务的继续增长，考虑改变对私业务的推广策略或者放弃相对该支行来说比较鸡肋的对私存款业务。

同样地，对日期继续进行对比分析，研究比昨日、比上月、比年初、同比的对比情况。

将当日的营业额度和历史同期比较是非常有说服力的，也可能更能反映时间的周期性问题。可以发现，对公业务和对私业务尽管在近期的发展态势一般，但是较历史同期而言，都几乎有着成倍的增长。

这说明，过去的经营策略确实取得了巨大的成效，但是可能由于市场饱和或者过去的经营策略所能取得的成效已经饱和，导致了近期的业务增长一般。说明，对于现在支行的发展，可能到达了一个瓶颈，需要对经营的策略进行重大调整，以适应现在的业务情况。

b. 固定时间，分析它的机构维度。常见对机构进行分析方法有：

排名分析比例分析机构分析穿透分析指标（平均值）

同样地，我们只需要将这些分析方法逐一套用，最后结合我们实际的业务需求，选择出合适的分析形式和指标。

这里对最常用的排名分析和机构分析进行一个介绍。这里由于存款总额是每天累计汇总的，因此关注当天具体的额度变化情况更加有意义。

可以看到各机构存款总额较上日增幅的排名；对于增幅靠前的机构，可以研究具体这些机构的业务策略进行推广，而对于存款净增额落后的机构单位，一般我们都比较关注在平均值以下的机构，可以进行标红处理做警示作用，同时对于尤其关注的某些特别支行，如瑞金二级支行，可以进行特别关注处理。同样的分析还能用于产品类别、产品、供应商等品类。

穿透分析、比例分析的落地过程我们略去。这样将我们熟悉和常见的分析形式和指标，结合分析决策的过程去套用，创建我们所需要的仪表板，很快就可以做出以下存款分析报表。

贷款分析和不良贷款分析，我们也同样地按着存款分析的分析思路过程进行落地。FineBI有一个比较方便的功能，可以直接将模板复用，然后简单地替换成贷款分析和不良贷款分析的各个指标，就快速生成了对应的分析模型。

分析总结

在从无到有搭建完业务模型之后，一定要对我们形成的分析模型进行总结，沉淀成为企业内部的指标库，这部分是我们数据分析最终沉淀的内核。

同时，在进行数据分析时，小唐给了大家两个非常受用的小贴士：

1、自主分析是个反复尝试的过程，实际上也是思维不断突破的过程。需要养成良好的设计习惯，用常见维分析形式和分析指标去落地，不要希望每次都能一步到位精准反映业务问题，需要踏实做好数据分析，用实际问题来改进分析模型。

2、不要企图用一张报表解决所有问题 。往往需要制作多张报表来分析发现问题，需要建立系统性，同时也鼓励多部门对于同一类需求/问题进行分析，可以对结论形成互补。

今天科多大数据小课堂来教大家用Excel怎么做数据分析。

现如今，各行各业的求职都需要简历包装。尤其是文职类简历，想要赢得offer，你不得在精通Excel等办公软件上下点功夫么？那么，你真的了解Excel嘛？或者，你知道用它怎么做数据分析嘛？

所谓数据分析在手，走遍天下都不怕。而 Excel 作为最简单的办公软件，功能却不容小觑，同样可以实现分类、聚类、关联和预测来进行数据分析。这些概念听起来比较抽象，其实一点都不难，今日文章直接来一波干货，从具体操作开始讲起。

01 掌握基本 Excel 快捷键

工欲善其事，必先利其器，自从笔者发现了excel快捷键，就打开了新世界的大门。 虽然都是很基础的操作，一旦运用熟练将会大幅提升效率。

最好用的复制命令： Ctrl + R 向右复制 Ctrl + D 向下复制

选择格式粘贴：Ctrl + Alt + V

求和功能：Alt + = 然后按回车键

格式调整：Ctrl + Shift + 7 加上外边框 Ctrl + Shift + - 去掉边框 Ctrl + Shift + 5 改成%数值格式

视图调整及编辑： Ctrl + Shift + = 插入行 Ctrl + - 删除

终极：开始工具栏所有的命令都可以通过 Alt - H - 调用

Alt： 激活选项，配合选项英文字母使用

Shift：连续选择，配合方向键，翻页键等使用； 上位键

Ctrl：配合其他键可以执行一项命令 如Ctrl + C 复制；快速移动光标，配合方向键使用，如向右快速移动光标 （Ctrl + →）

02 数据收集

在数据分析之前，首先需要找到可靠的数据源。国内的公司数据可以在 wind 上下载，宏观数据可以在国家统计局上找到，而国外比较常用的网站有 SEC，WRDS （Wharton Research Data Services）。

需要注意的是，原始数据一般保留不做处理，通过 Excel 或其他编程软件做后续处理。

03 数据清洗与筛选等基础操作

杂乱无章的原始数据是难以分辨的，因此需要对海量数据进行清洗和筛选才能找出其中的规律。

常见的方法有如下几种：

运用描述性统计命令观察数据的离散程度等基本情况：通过添加“分析工具库”加载项找到数据-数据分析-描述统计，可以得到这组数据的中位数、众数、峰度、偏度等基本指标，观察这组数据的特征。此外，数据分析中还有方差分析等其他命令。

运用 VLOOKUP 将数据合理分组，收放自如：VLOOKUP 函数是 Excel 中的一个纵向查找函数，可以用来核对数据，多个表格之间快速导入数据等函数功能。功能是按列查找，最终返回该列所需查询列序所对应的值。比如，我们导出公司的原始报表后，可以通过 VLOOKUP 函数将报表中的数字一一导入到新的管理用的财务报表，这样既不会破坏原始数据，又可以建立良好的模板，方便后续使用。VLOOKUP 的四个参数用通俗的话来说，就是（要找谁，要在哪里找，要找哪一列内容，是精确的还是模糊的）

运用数据透视表分组求平均数、标准差、计数等多个指标：数据透视表是一个非常容易上手的分组工具，对于简单的数据处理甚至在便捷程度上打败了很多编程工具呢。比如要对每个省份的所有专业分数线求一个平均数，将年份和省份轻松地拖动到对应的列和行，就可以得到结果啦。试想，如果在原始表格中手动一个一个求平均数该有多麻烦。

运用条件函数计算融资缺口，检查配平：比如在预测财务报表时，我们常常要判断资产是否等于负债+所有者权益。此时可以用 IF 函数 （资产=负债+所有者权益，TRUE，FALSE）如果是配平的，直接返回 TRUE。此外，还有一些函数如 IRR 可以计算项目的投资回报率。

04 挖掘数据背后的规律

在完成了数据清洗和筛选之后，我们还是要落实到数据分析的重点，也就是数据背后的逻辑。

首先我们可以采用画图的方式。画图可以非常直观地佐证结论，不同情况下要用不同类型的图，比如饼图显示比重，折线图发现趋势，还可以采用叠加多种形式的图。

下面这张图就是一个数据分析应用的经典例子，显示的是一个教育公司在扩张过程中，学习中心同比增速与营业毛利率的关系。试想，如果只是一堆数据放在你的面前，可能根本无法发现其中的规律，但是通过下图，我们可以发现，学习中心的同比增速一般与营业毛利率呈反向关系，这也就意味着，扩张的过程必然要伴随利润下降的阵痛，这样的数据分析就是有效的，可以为公司的扩张战略提供参考依据。

另一种比较常见的数据分析应用就是从历史预测未来。比如如果公司过去几年的存货周转率都比较稳定，可以以此来预测未来几年的存货周转率。又或者通过线性回归发现某两个指标之间过去的线性关系，并以此来预测未来走势，这个操作方法可以用散点图——添加趋势线——选择回归类型（线性）来得出简单的结论。

说了这么多，列举 Excel 数据分析的一个常见运用。

大家知道，金融领域的工作往往要考察搭建财务模型的技巧，而这个模型就是完完全全从 0 开始通过 Excel 制作的。

1. 计算各项指标了解公司的历史经营状态。这一步不仅可以看出公司在盈利能力、成长性、营运能力等多个维度的历史发展状况，还可以与同行业的可比公司进行比较，看出这个公司所处的地位（比如公司的应收账款周转率可以直观看出公司是强势地位还是弱势地位，应收账款周转率如果显著低于同业，那就说明应收账款很容易收到，议价能力强）。

2. 预测公司未来的盈利状况，并通过财务报表的勾稽关系完善财务模型。这一步一定要打开 Excel 的自动迭代功能（选项——公式——启用迭代计算），具体的财务方面知识在此就不再详述。

3. 现金流 DCF 模型及敏感性分析。以之前制作的财务报表为基础，就可以测算出公司未来的自由现金流，在计算出公司资本成本的前提下对现金流进行贴现得到公司绝对估值。其中，基于不同的资本成本和公司永续增长率还可以做成敏感性分析的表格，得出在不同情形下公司的估值。这就需要使用Excel的数据——模拟运算——模拟运算表功能了。如下图所示，将输入引用行的单元格和引用列的单元格分别设为 Equity Valuation 中的永续增长率和Wacc对应的数值，就可以实现啦。

以上这些介绍都只是冰山一角，Excel的功能博大精深，加上VBA等高端操作将会释放更大的威力。配合现当代大数据盛行时期。想要深入，就还得不断学习！

作者：冯大福

来源：说说数据分析那些事儿

大数据，这个被炒烂了的概念，现如今已被人工智能替代。我们先不讨论人工智能，就大数据而言，我们都是在强调它的技术，例如网络热词：hadoop+spark，data mining。而我们在用大数据时候，经常神话它的影响。例如，广告投放精准化，社会安全管理有序，医药行业智能化等。

当然这些是我们的畅想，同时确实也离不开数据分析影响，但是我们有没有停下脚步去想一想，到底大数据怎么去落地呢，怎么去分析？怎么利用数据来去使企业做出决策，例如：广告投放精准化？

1

我们了解什么叫大数据分析吗？

麦肯锡给大数据定义：

“一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。”

基于我对以上定义的理解，我总结的大数据分析就是，将获取的数据打通、整合、找寻规律，立即得出决策信息。

数据获取

我总结的数据源可分类三类：

（1）一方数据：用户事实数据

例如用户在某金融机构购买的理财产品，时间、哪个出单口、姓名、电话等，或者运营数据，例如某互联金融app，用户操作行为数据。

（2）二方数据：其实这部分叫做广告投放数据

例如，广告展示量，活动页点击量，广告来源等。也有公司将这部分数据作为第三方数据，因为有些广告监测公司会利用此数据和人群数据整合构建自己dmp这样的公司一般宣称为第三方公司，三方数据。

（3）三方数据：行业数据，也叫公开数据

例如行协的数据，或者互联网行为数据，例如某互联网公司用户在此网站的行为数据，或者嵌入sdk的app后我们能采集到的安装活跃列表，以及可采集到线下数据。

打通：其实就是利用关键点的采集整合一二三方数据。例如我们可以通过手机号将一方和三方数据整合，或者利用cookie，或者imei号等将二方、三方数据整合。但是由于现在监管制度对手机号敏感数据的控制，以及互联网和移动端数据的跨平台打通技术难点，我们现实的匹配率很低，例如一方和三方的数据匹配达到20%其实就算比较不错的情况，当然运营商数据除外。

找寻规律：目标就是数据清理，从非结构化数据变成结构化数据，以便统计，数据探索，找寻规律，形成数据分析报告观点。本文将会在第三部分阐述。

立即决策：将数据分析报告中的观点系统化或产品化，目前而言，大部分公司还是会依靠人工决策。

为什么需要大数据分析？看上去大数据分析似乎按照这些步骤来，但是从第一步的数据源来说，其实已经反应了大数据的特点，就是杂乱无章，那么怎么从这些数据找寻规律，分析的内容和目标是否对应上，似乎就是我们需要大数据分析的理由。

现在，大数据的分析通常采用的数据报表来反映企业运营状况，同时，对于热点，人群分析，我们看到的统计值，目标核心都是用数据分析报告提炼的观点来指导运营，那么问题来了，怎么用数据分析来指导数据决策呢？

2

数据分析的报告思路

（从移动端的角度进行切入）

基于我对数据分析的理解，我将数据报告会分成三大类：市场分析、运营分析、用户行为分析。

市场分析

由于市场分析一般而言是定性、定量分析，最近热播剧《我的前半生》贺函和唐晶的职业就是来去咨询公司的一般会以访谈、问卷调查来一份市场分析报告去告诉客户他们的市场占有量，消费者观点等。

这里，我们以移动互联网数据的市场分析为例，通常来说，数据源是公开数据，或者在第三方数据。正如我们所讲，将sdk嵌入开发者应用，就可以收集到安装以及使用列表，那么开发者使用的sdk越多，我们能收集的数据源也越多，这样就可以形成安装app排名，使用app排名，这里面所说的覆盖率、活跃率也是这个意思，例如：即此款应用安装量、使用量在整体金融类的安装量、使用量占比。

那么，这些市场分析的作用呢，一般而言，是对公司市场营销的总结，比如某金融公司kpi是为了获客，他们做了一系列营销，下个月排名我们可以查询到此款应用的安装量，是否较上个月上升呢？ 那么我们的竞品表现呢，他们是不是也做了一些列的营销活动排名上升下降？我们都可以通过市场分析、竞品分析来观测，但是这部分的观点由于是市场数据，我们只能通过大量的搜寻官网活动，或者互联网广告推测营销来推测是否竞争对手排名上升和这些营销活动有关。

同时，根据市场的走势图，我们能发现潜在的竞争对手，例如：我们能看出下图中的工商银行由于手机属于高覆盖高活跃组，即安装xxapp活跃人群也是最高的，因此，无疑xx银行是所有银行组潜在竞争对手。需要更加注意他们的市场策略。

运营分析

移动互联网提出的方法论：3A3R，笔者之前在做咨询的时候，此方法论也可以将网站分析套用，总结来说3A3R就是：

感知 → 获取 → 活跃 → 获取 → 营收 → 传播 → 感知

这里需要注明下，运营分析只是一个公司的baseline，让产品经理、运营人员、市场人员根据自己本公司的数据参考做出合理的决定，同时，运营的数据只是参考或者叫警示，若要具体，需要特定细节的分析，例如是否app改版，怎么改？需要增加哪家渠道合作？

（1）Awareness 感知

根据广告投放数据进行分析，目的判断渠道广告页对app 或者网站引流情况，同时可以帮助广告主设计监测表格，以数字角度衡量广告投放效果。

但是，广告数据一般而言在广告监测公司手中，或者公开的使用工具上例如GA，我们需要依靠广告公司设计营销环节，例如活动页，加监测代码，或者在媒体、app应用商店加入代码便于监测广告表现，而往往这样的数据很难加载，一般是由应用商店，或者媒体提供，同时，以上数据，监测公司数据一般而言也不会提供给广告主，只是会提供统计值。

言归正传，我们看感知数据其实目的就是想衡量我们的大量的营销投放钱花的对不对，广告的展示量、点击量等是最好衡量一个公司的广告市场部门绩效，没有广告投放，就无法带来获客，因此钱花的值不值，能带来多少客人，才会有下一步 acquisition。

（2）Acquisition 获客

获客是第一步广告投放拓展，用户点击广告后到达应用商店或者着陆页后去下载app，访问网页后，登陆app后的数据是广告公司或者应用商店提供不了的数据，因此获客其实有两重目的。

目的1： 衡量第一步提供的数据是否准确，即是否渠道作弊

目的2： 判断渠道是否好坏

目的3： 判断营销活动是否有效

例如下图中，我们发现4成用户是搜索流量较上个月增加了6%，是不是我们需要增加和sem的合作呢？而在媒体引荐渠道中，我们通过渠道衡量客户转化率，点击-用户激活的，激活的注册转化，可否重点对某应用商店增加合作。

下图是目的3的应用，来衡量三个月内的新增用户，活跃用户是否受活动营销、广告投放、版本更迭等影响。例如：7月28日的版本更迭，增加新用户的利器，那么产品经理需要分析下这个版本到底哪里的改变，让用户增长这么快，而8月份的营销活动会唤醒沉睡用户，反应考核运营人员的绩效，那么，是否我们在做促活时候可以借鉴8月的成功经验呢？而这个成功经验需要进一步做专题分析。

（3）Activities 活跃

获客后，我们想看看我们的新增、活跃用户的表现情况，那么就到了第三步 活跃，其实就是为产品经理改版app或者页面提供数据支持。

活跃分析可参考以下三个步骤：

第一：从页面浏览次数，独立访问人数，来圈定主要页面分析。

例如某款app首页是pv，uv最高，我们会重点分析首页。

第二：根据圈定页面，制作点击热力图，便于产品经理对后续页面改造提供数据支持，例如我们可以将点击量小的按钮在下次改版删除，对点击量大的重新排序。

第三：根据圈定页面，制作点击热力图，便于产品经理对后续页面改造提供数据支持，例如我们可以将点击量小的按钮在下次改版删除，对点击量大的重新排序。

（4）Retention留存分析& Revenue & Refer

这几个实际上在企业运用的并不多，这里简要说明下。

① Retention

用户积累到一定数量后，我们想看下用户粘性，那么我们就来到retention，一般是衡量活动效果时候运用的比较多，来看此次活动过后，是否用户依旧会使用我们的app，但是由于金融app属性不会像游戏应用每天进行访问，因此Retention 在实际应用中不会太多，下面的例子是个展示，不做赘述。

② Revenue

这些留下来的客户给公司贡献多少现金呢？会看收入步骤， 一般公司不会将现金流数据放入在统计平台中，但是我们需要提出用户贡献的流水金额数据供我们使用，便于人群划分，例如下面简要分析：

Refer 传播：

最后，我们想让这些客户进行传播；核心是口碑营销，即用户自发的转发给其他用户链接，让他们下载app或者参与活动，因此传播的下一个环节又会转换营销，但是传播会受到很多限制，例如没有奖励机制的口碑传播，几乎转发量为0，同时，传播若要衡量比较困难，尤其在大量互联网用户基础上，这样会造成资源代码叠加，系统负担，因此一般企业也不会设计这样活动让营销人员参考。

用户分析

若说大数据分析的核心，其实就是在于用户分析，正如我们前面所讲，用户分析的步骤流程如下：

即在力所能及的搜集数据范围内，打通数据，客户用户，精准营销。

第一，我们可以筛选的条件列表，我们可以通过应用条件，位置，标签条件将数据整合，整合的目的就是刻画客户，定出营销策略。

例如：我们想筛选金融客户（应用条件筛选），出现在五星级酒店（位置条件），且为母婴人群（标签）。

但是需要注意的是，条件越多，用户轮廓越清晰，人群会越少。

第二，根据筛选的人群，我们将线上/线上统计化，或者建模多维度分析。

例如，我们根据筛选的人群，发现男性多于女性，苹果手机属性最高，常手机工具使用，那么我们可以将这部分目标人群用增加手机工具合作，或者和苹果合作获客或者促活。

第三，整合以上数据分析，形成人群画像。

由于需求和应用的不同，财务分析分为内部经营管理分析和外部财务报表分析。这两种分析的角度和出发点是完全不一样的，大家不要把它们混淆起来。不要做内部经营分析的时候，也拿外部财务报表分析的指标来做，那就是外行了。

对于日常在企业工作的财务人员来说，做对外财务报表分析的机会并不多，我们在网上经常看到的对上市公司财务报表的分析，是基于投资人的角度来对这家公司披露的财务及经营信息所做的分析。实际工作当中，大家应用到更多的其实是内部经营管理分析。

所以今天我主要谈一谈内部经营分析该怎么做，这个对大家工作的实际帮助效应更大。

做内部经营分析，以当前的实际状况来看，我按效果分成了四个层次，大家可以对照看看自己目前的分析是处在一个什么层次？

第一个层次，也是最低的层次，只做简单地对数据进行数学计算，数据分析不深入、不细分，更不查找原因。比如只通过计算，说明本期的销售收入，成本、费用等等的变化，增加或减少了多少，最多再来个百分比幅度，然后，就没有然后了。这种我之所以把它归结为最低的层次，是因为这种所谓的分析不能说明任何的问题，只是账面数据的加减而已。

据我所知，很多公司的内部经营分析还是局限在这个层次。

第二个层次，能够做数据细分，分析的也相对比较深入。比如可以通过同比、环比、预算比等，分析出各项目增减变化的趋势，同时对成本、收入等的变化能够继续深入分析，比如成本具体到单个产品，收入具体到区域或客户等等。这种分析明显比第一种要细化深入地多，也能够发现到一些问题，而且这些问题可以要求相关功能部门继续做出分析或解释。这种分析方式，目前在比较大一些和正规一些公司已经能够做到了，相对来说也算是做的比较好一点的了。

第三个层次，是在第二种的基础上进一步深化，增加出与主要竞争对手之间的对比分析。这种分析的好处就是除了内部纵向对比，还可以与行业横向对比。这种分析对高层来说，帮助作用就会更大。因为企业毕竟是生活在竞争环境之中，知己知彼，学习别人的长处、克服自己的短处，才能使企业发展得更好。同时这种分析还能够克服自己企业内部的盲目自满情绪，不会老觉得自己做得还不错。但如果你只是进步了5%，别人进步了10%，那相比之下你还是退步了，这种退步早晚会让你被淘汰。

第四个层次，也是价值最高的经营分析。前面三种，我们综合看下来，会发现有一个特点，就是所有的分析都是基于对已经发生的事实的数据分析，不管是内部还是外部，数据都是已经发生了的，只是如何想办法解决数据来源的问题。只要解决了数据来源的问题，相对来说，分析起来就会比较简单。但是这种分析，我们通常是叫历史数据分析，书本上也把它叫作“死后验尸”。但财务管理更强调前瞻性，也就是预测分析。对未知的状况进行分析、判断、预测是最难的，但也才是最有价值的。我们在财务管理教材上经常会学到，财务要为决策层提供数据决策支持，这种支持是什么？很多很多的财务人都把这种决策支持理解为历史数据的汇总，这种认识是有很大的局限性的，甚至可以说是一种误区。所以这也就造成了，很多公司财务只是负责提供数据，与决策根本不沾边，这是大家都能看到的不可否认的现实。如果想要改变这种现状，就必须要达到第四个经营分析层次，经营预测分析!

我们知道，在实际经营决策中，很多东西是矛盾的，是需要管理层进行决策的。比如，对于规模制造企业来说，生产效率最大化可以降低成本，但是生产效率的最大化必然导致生产量的增加，生产量的增加就会导致供应量的增加，供应量的增加可能会使销售价格被拉低，降低了销售收入，那在生产效率和销售价格之间如何取平衡? 再比如，同样是规模企业，按客户订单式生产，可以使单位产品的售价提升，获得比较好的利润，但是却会损害生产效率，使整体生产成本增加，那又如何在订单生产还是在成本优先之间如何平衡？再比如，我们知道快速消费品行业往往需要投入市场费用，比如广告费、促销费等等，这种促销对销售收入的增长可能会有帮助作用，但如何在市场费用的投放和收入增长之间取平衡？

还有，现在市场环境不好，信用政策放松，可以提高销售收入，但毫无疑问也会带来风险，如何在收入增加和风险增加之间取平衡？

再有就是，我们通常认为销量大的客户就是好客户，这是一个传统的认识。但这种衡量只是用了一个销量的指标，这种简单的衡量是不是真的对？如果我们考虑了公司投入的资金、价格的优惠、返利的幅度等，再结合考虑销量指标，这家客户是不是还是贡献度最大的好客户?或者说，在不同市场状况下，我们在保量和保利润两种决策上，是不是可以有不一样的政策选择?

财务如果能够在这样一些经营决策上，为公司为高层提供决策支持，很明显，这种经营分析的价值才是最大的。

那如何才能做好这第四个层次的分析呢？

六个步骤：

1、 找出影响决策目标的关键因素；

2、 对这些关键因素进行量化，而且要有相对准确的数据来源作支撑；

3、 构建形成决策目标的数据模型；

4、 与高层或专业职能部门分析、预测，确定数据模型中的相关权重或敏感系数；

5、 根据数据模型，加入企业自身的运营数据，测算出不同情景下的决策目标结果，供高层做决策选择；

6、 财务部门定期跟进，以实际运营结果与预测结果对比，不断修正数据模型的相关系数，使预测结果与实际结果差距最小化，通俗地称为可控。

这种做法与经营预算有相类似之处，但比经营预算更加细化、更加严谨。对于高层来说，他希望知道的是他的决策可能带来的可量化结果是什么，财务帮助他做到了这一点，就是最好的决策支持！

USCPA考试中，不少考生认为FAR比较难，其实现实生活中想要彻底看懂财务报表，也没有你想象的那么简单。财务报表分析是一门“艺术”，背后隐藏着企业的玄机。认真解读与分析财务报表，能帮助我们剔除财务报表的“粉饰”，公允地评估企业的决策绩效编汇总了一些吃透财务报表的经验，供大家学习参考： 浏览报表，探测企业是否有重大的财务方面的问题拿到企业的报表，首先不是做一些复杂的比率计算或统计分析，而是通读三张报表，即利润表、资产负债表和现金流量表，看看是否有异常科目或异常金额的科目，或从表中不同科目金额的分布来看是否异常。比如，在国内会计实务中，“应收、应付是个筐，什么东西都可以往里装”。其他应收款过大往往意味着本企业的资金被其他企业或人占用、甚至长期占用，这种占用要么可能不计利息，要么可能变为坏账。在分析和评价中应剔除应收款可能变为坏账的部分并将其反映为当期的坏账费用以调低利润。研究企业财务指标的历史长期趋势，以辨别有无问题一家连续赢利的公司业绩一般来讲要比一家前3年亏损，本期却赢利丰厚的企业业绩来得可靠。我们对国内上市公司的研究表明：一家上市公司的业绩必须看满5年以上才基本上能看清楚，如果以股东权益报酬率作为绩效指标来考核上市公司，那么会出现一个规律，即上市公司上市当年的该项指标相对于其上市前3年的平均水平下跌50％以上，以后的年份再也不可能恢复到上市前的水平。解释只有一个：企业上市前的报表“包装”得太厉害。比较企业的利润水平是否与其现金流量水平一致有些企业在利润表上反映了很高的经营利润水平，而在其经营活动产生的现金流量方面却表现贫乏，那么我们就应提出这样的问题：“利润为什么没有转化为现金？利润的质量是否有问题？”银广夏在其被暴光前一年的赢利能力远远超过同业的平均水平，但是其经营活动产生的现金流量净额却相对于经营利润水平贫乏，事后证明该公司系以其在天津的全资进出口子公司虚做海关报关单，然后在会计上虚增应收账款和销售收入的方式吹起利润的“气球”。而这些子虚乌有的所谓应收账款是永远不可能转化为经营的现金的，这也就难怪其经营活动产生的现金流量如此贫乏。将企业与同业比较将企业的业绩与同行业指标的标准进行比较也许会给我们带来更深阔的企业画面：一家企业与自己比较也许进步已经相当快了，比如销售增长了20％，但是放在整个行业的水平上来看，可能就会得出不同的结论：如果行业平均的销售增长水平是50％，那么低于此速度的、跑得慢的企业最终将败给自己的竞争对手。小心报表中的“粉饰”财务报表中粉饰报表、制造泡沫的一些手法，对企业决策绩效的评估容易产生偏差甚至完全出错现象。以非经常性业务利润来掩饰主营业务利润的不足或亏损状况非经常性业务利润是指企业不经常发生或偶然发生的业务活动产生的利润，通常出现于投资收益、补贴收入和营业外收入等科目中。如果我们分析中发现企业扣除非经常性业务损益后的净利润远低于企业净利润的总额，比如不到50％，那么我们可以肯定企业的利润主要不是来源于其主营的产品或服务，而是来源于不经常发生或偶然发生的业务，这样的利润水平是无法持续的，也并不反映企业经理人在经营和管理方面提高的结果。将收益性支出或期间费用资本化以高估利润这是中外企业“粉饰”利润的惯用手法，比如将本应列支为本期费用的利润表项目反映为待摊费用或长期待摊费用的资产负债表项目。在国内房地产开发行业中，我们可以经常地看到企业将房地产项目开发期间发生的销售费用、管理费用和利息支出任意地和长时间地“挂账”于长期待摊费用科目，这样这些企业的利润便被严重地高估。以关联交易方式“改善”经营业绩采用这一手法的经典例子是目前已经不存在的“琼民源”公司。为了掩盖亏损的局面不惜采用向其子公司出售土地以实现当期利润，而下一年再从该子公司买回土地的伎俩，后来“东窗事发”，遭到财政部和证监会的严厉惩处。所以，我们在分析中应关注企业关联方交易的情况，研究其占企业总的销售、采购、借款以及利润的比例，并应审查这些交易的价格是否有失公允。通过企业兼并“增加”利润某些企业在产品或服务已经尚失赢利能力的情况下，采用兼并其他赢利企业的手段来“增加”其合并报表的利润。这些企业的会计高手利用国内尚未有合并会计报表的会计准则和目前合并报表暂行规定中的“漏洞”，将被兼并企业全年的利润不合适地并入合并报表中。在分析中应特别注意企业的收购日期，收购前被兼并企业的利润水平，在合并利润表的利润总额和净利润之间有无除所得税和少数股东收益以外的异常科目出现。通过内部往来资金粉饰现金流量有的企业在供、产、销经营活动产生的现金流量不足，便采用向关联企业内部融通资金，并把这些资金的流入列为“收到的其他与经营活动有关的现金”的手法使现金流量表中经营活动产生的现金流量看起来更好。

产品运营三大核心指标：拉新、活跃、留存。相信每一个小伙伴都不陌生。

不同的产品阶段可能运营策略重心会有所不同，但肯定对于各种拉新活动并不陌生，例如H5活动、广告投放、软文扩散、渠道换量等。

每一轮的投放活动都需要衡量投入产出比ROI，每一次活动结束都需要进行复盘讨论，每一轮迭代投放都可能在验证一些猜想。

我们的目标是：用合理的投入成本，通过各类途径优化，最大化效果产出。

但实际的运营投放中，往往会遇到各式各样的投放方式：

这个渠道说，我们不能实现不了直接跳转下载；

那个渠道又说，我们是做品牌的，高曝光才是我们的优势，转化不关我事；

还有的时候，一个渠道上，就有3个不同的位置x3种素材x3种跳转方式，跳转应用市场之后到底下载了木有，打开APP了木有，效果怎么衡量，头有点晕……

但其实，我们关心的是以下几个方向：合理投入、优化路径、最大化产出。简而言之，我们关心的是：投入产出比。

（在不同的渠道进行拉新）

如何找到最大化的投入产出比，这是每一个负责拉新业务的小伙伴都曾经或者正在头疼的事情。

从上图的流程上看，我们可以优化的就是几个环节：产品是否吸引人、渠道是否优质、投放的方式是否高效、效果是否符合预期。

这里暂时不讨论产品定位，我们只讨论丰富多彩的渠道投放的效果优化。

我有100种投放姿势，就问你敢不敢试~

这里，我们虽然是以APP拉新为例，讨论的是一种多渠道效果数据分析体系，但其实适用于每一个就算不是APP产品，或者你的拉新不是以增加APP用户为核心，都可以复用这套数据分析框架。

设定预期目标

首先，对于任何一次投放活动，我们都必须界定它的目标产出。只有在清晰的效果衡量体系下，渠道数据的对比才有意义，多渠道的ROI才有可比性。

对于APP拉新的投放活动来说，常见的预期效果可能是：

提高对APP的认知（以传播广泛为目的）

成为APP用户（APP下载并激活）

在APP内完成特定行为（如购买、身份验证或者领取礼包）

我们以常见的拉新——“APP下载并激活”为例，先搭建一个数据漏斗，看看我们效果环节上需要观察哪些数据。

如果我们希望监控的是上述内容中③的效果数据，我们就在激活之后继续添加下一层级的漏斗，统计例如加入购物车、确认下单、付款这样的流程。

在这样的漏斗流程之上，我们可以搭建监控指标，有时候监控的数据可能无法实现理想的统计指标，我们可能会需要补充其他监控指标，有时候也无需如此精确的数据粒度。

我们最后监控的数据指标如下（表1）：

而效果数据部分，则可以通过MTA的新增报表——安装来源分析实现。

为什么这里增加了“下载所用网络占比”？

原因是在下载完成到安装，这两个事件属于APP应用市场的原生事件，开发者无法主动采集，但我们依然关心这其中的转化步骤，主要是担心用户如果处于较差网络环境下，下载行为可能会被终止，因此这里用了“所用网络占比”这样的辅助字段数据。

这里的辅助字段数据主要是为了优化转化效果所做的准备。确定了目标，我们第二步就可以做投放过程的数据记录了。

投放过程记录

做这一部分的数据记录，主要的目的，一是为了复盘的时候方便做分析对比，二是为了优化迭代的时候更有方向。

根据埃里克·莱斯的《精益创业》中的观点：每一次的实验迭代，其实都是为了得到一个经证实的认知。

应用在推广投放体系下，每一次投放策略的设计，都是为了验证一个投放策略的有效性，是为了提升效果产出。

这个环节是一个多路分支，我们需要做一些版本记录，以便更好的定位问题。过程图大致如下：

记录过程表2为：

（表2 广告投放策略记录）

*根据投放方式的不同，可能记录的方式也会略有不同

**具体的策略信息可以在详表中展开记录

然后把表1的效果数据映射在表2之后，得到一条投放活动的完整记录。然后就可以通过数据来验证具体的投放策略的有效性了。

验证目标是怎样的投放策略，这一点需要在投放开始前就规划好，这样数据分析的时候才能得到有效的结论。

分析与优化效果

对于搜集到的众多详细数据，我们接下来就可以做一些数据上的结果分析了。

首先，我们可能想验证的是投放素材对渠道1的banner-1的影响，那么，我们把表2中渠道1单独拿出来，可以得到如下表格：

（表3.投放素材对渠道1的banner-1的影响）

如果我们想比较渠道1上Banner和Feeds流的差别，我们可以得到：

我们也可以针对人群定向投放效果、不同的投放时间，乃至渠道效果质量对比等多个维度进行数据分析，通过数据来验证我们的策略，优化投入产出比。

所以，虽然说投放的姿势有千千万，但效果路径总是相似的。

如果你有丰富多彩的投放策略，不用急，不要慌，把路径理出来，控制策略的版本，采用A/B TEST等加快验证迭代速度，最终得到有效的投放策略与最大化的ROI效果。

以上是关于投放效果上的数据指标体系分享，相似的分析思路可以复用在不同需求的投放方案中，包括一些线上、线下的运营活动，其实也可以复用这个框架。

来源：pm28

20世纪30年代，宝 洁诞生了第一位产品经理，全权负责一款肥皂的生产、销售以及全流程的成功。

80多年后，随着互联网的蓬勃发展，出现了越来越多的产品以及和产品相关的各种岗位。；围绕产品的思维与工作方式被越来越多的人所认可，产品成功的思维模型被搬上了课堂。

数据报表，作为一个链接IT部门和业务的中间件，承担着信息沟通的作用：数据展示业务信息，为业务决策提供依据；业务产生数据，最终以数据报表的方式呈现。

同样，我们也可以用产品工作的方式来复盘一下搭建报表系统的整个流程，并且和产品的上线流程做一个对比。

产品的上线流程

市场分析——>竞争分析用户分析——>需求（场景）分析——>功能设计——>开发——>发布——>运营——>迭代

互联网产品初期，在初次面向市场的时候，产品往往是一个MVP（最小可用单元），通过种子用户的反馈，分析使用数据，验证产品的可用性，快速迭代，逐渐修正与完善。

报表系统的上线流程

同行业报表项目参考（行业咨询）——>业务部门需求采集分析——>报表设计——>上线——>end

绝大多数的企业在报表上线之后，都忽视了一个关键动作——运营，以致于IT部门陷入了一个怪圈，疲于应付业务人员的需求，天天加班工作却得不到认可。实际上，系统上线不等于终点，被大量使用与认可才是成功的第一步！

产品如何做运营

1、冷启动

冷启动是什么？冷启动是一个产品刚诞生的一个阶段，此阶段的产品面临着以下问题：

缺少用户及相关资源。产品模式未成熟，能否满足用户，迎合市场趋势仍是未知数

因此，在此阶段的主要目标的作用有：

根据数据分析，验证产品是否满足用户需求验证是否能符合市场趋势验证商业模式是否成立

互联网产品怎么做？

种子用户，聚拢一批符合产品目标人群的用户，获取真实的使用数据MVP（最小可用单元）验证，判断产品是否满足了目标用户的最小可用需求存失分析，依据用户的真实使用数据，分析留存的原因（建立产品优势），放弃部分的流失用户，修正产品的定位。

2、高增长

高增长是指在产品通过市场验证，处于快速发展的阶段，通过运营实现产品用户与价值的持续增长

互联网产品怎么做？

持续推广与曝光精细化运营，针对人群、场景、流程做差异化细分运营的运营策略，提升运营动作的效率最大化基于用户数据分析的产品不断迭代优化

报表系统如何运营

帆软的一家互联网行业客户告诉我们，为了让报表系统被业务部门认可，IT部门在上线报表系统的初期以及推广期主要做了4件事：

1、冷启动阶段

a.寻找种子用户

优先挑选了营运部门的管理层作为种子用户，依据需求为其定制了PC、移动端两张营运报表，报表上线后不断关注其访问量趋势，发现移动端模板的活跃度更高，并且用户对模板的评价非常好，随着口碑的传播，分公司的营运部门也提出了类似的需求，IT部门开始重新考量整个营运部门的需求，为其系统化的搭建报表应用

b.简单的用户数据分析

这个阶段的用户数量和模板数量都还处于一个比较小的数量级，只需要通过用户的访问数据，验证报表是否满足种子用户的需求

2、高增长阶段

a.从三个维度和两类应用场景分析用户的使用数据，关注性能与用户体验，促使报表系统不断优化

三个维度：

1、报表系统的整体访问趋势

——把控报表系统的整体运营状态，研究用户的访问习惯，合理分配资源

2、每一位业务人员的访问趋势

——充分掌握哪些业务人员的数据诉求更为强烈，那他们的数据需求被响应的优先级将会更高；那些一个劲提需求，却没有访问量的部门，我们需要重新核算成本，降低他们的需

求优先级

3、每一张报表的访问趋势与性能体验

——每一张报表都是一个产品，同样也有完整的生命周期，不被需求的报表要及时的淘汰，降低运维成本；访问量火热的报表要纳入优化迭代，提升用户访问感知，深挖需求，扩充业务场景

两类应用场景：

数据大屏/移动端报表

——什么样的数据分析场景更加在哪类终端上访问量更高？我们是否需要为其专门打造一张移动端的模板，更美观的样式，更人性化的交互效果？

b.主动推送与推广

——内容推广

伴随着报表系统的不断迭代，每一次为业务人员扩充的应用场景需要通过渠道来推广与宣传，促进用户的使用率，这个渠道可以是企业内部的宣发平台，也可以通过C端市场中的新媒体渠道（微信公众号等）

——报表推送

业务人员常用的报表可以通过帆软提供的推送功能直接触达最终用户，培养其对报表的使用粘性

帆软能提供哪些帮助

1、固化的用户行为数据分析

FS平台为用户提供了常用的运营数据统计功能

访问量数据：包含平台访问次数、模板访问次数、用户数等内容模板热度：不同模板在周期时间内的访问总数用户行为：不同用户在周期时间内的访问总数，并且区分统计出查询、导出、打印等不同的用户行为性能监控：不同模板的平均响应时间、平均内存等内容

注：模板热度、用户行为、性能监控数据统计需要安装“高级系统监控”插件

借助于常用的运营数据统计，我们可以对报表系统做一个整体的评估，对整体的访问量、模板热度、模板性能做到心中有数

2、深入的用户行为数据分析

作为数据分析的先锋，只要有数据源，没有IT做不了的运营数据分析。FR会将用户的访问数据存储至logdb数据库当中，可以直接通过设计器链接数据库定制运营所需分析模板

我们需要关注logdb数据库中的两张表与一个字段

表：PUBLIC.FR_EXERECORD

该数据表是报表正确执行日志表，即如果报表执行成功，将会在该表中添加一条记录，并在相应字段中填写其对应的信息记录

表：PUBLIC.FR_FSRECORD

该数据表是为了统计一段时间内，系统的使用情况，用于管理员查看在线用户数及用户系统使用情况，因此用户登录决策系统时，将登录信息保存入库，将会在该表中添加一条记录，并在相应字段中填写其对应的信息记录

字段：BROWZER

该字段记录了客户端访问报表所用的浏览器版本以及移动端信息terminal：包含终端类型、app还是h5等信息。例如：“terminal”：{"OS"："app"，"type"："mobile"}

借助于以上内容，我们就可以定制出自己所需的数据分析报表，重新把控报表系统的运营情况，为后续的迭代提供指引

3、主动推送与推广

帆软为每一种报表使用方式与场景都提供了消息推送的服务，包括了：平台消息推送、微信/钉钉消息推送、APP推送、邮件推送等

前面写了数据分析和分析对手店铺之后，很多人通过私信加了我的个人微信，跟我交流，说能不能写一写关于店内的流量分析，比如说搜索流量，直通车钻展，其它流量等等，说白了就是淘宝站内的一些店铺流量的分析的一个课题。 于是乎有了今天这篇文章，我们将从淘宝流量的具体分类说到如何实操分析淘宝站内流量。

从上图我们可以看出淘宝站内流量的具体来源，目前来说手淘流量占比已经达到95%以上，故只选择手淘流量来源分类；检索具体有哪些来源可以通过淘宝生意参谋—经营分析—流量地图—流量来源查看，总流量入口有100多个。以上入口，是你店铺的流量来源，同时也是分析店铺流量的数据来源，接下来我们来说如何分析的问题，先说道再说术。道做电商流量分析就要有比较，一方面是和自己比，另外一方面和同行比。做淘宝堪比宫斗剧，高高在上的是平台，犹如皇上老子；争相谄媚是卖家，卖弄风骚，博平台一乐，嗷嗷待博，求点流量；你得把对手比下去，把自己比上来。和自己比，比上一周期你的流量、转化、销售的增减和同行比，同一周期内你的流量、转化、销售与对手的差距，增长比值的差距术和自己比打开生意参谋—经营分析—流量地图—流量来源—选择“我的”下载要比较和被比较的月份数据

由此得到两张表格，比如【2016-10-01~2016-10-31、我的、所有指标】【2016-11-01~2016-11-30、我的、所有指标】两张表格进行清洗，剔除无用数据，并进行合并，得到【10、11月份流量来源对比表】并把11月份对比10月份下降的【标红】，上升的【标绿】，并找出原因；分析逻辑为：结果是（上升或下降）原因是（做了或没做哪些事情）怎么做（把没做的事情完善并指导下一月份运营工作）术和同行比打开生意参谋—经营分析—流量地图—流量来源—选择“我的”下载要比较和被比较的月份数据；打开生意参谋—经营分析—流量地图—流量来源—选择“同行”下载要比较和被比较的月份数据；由此得到两张表格，比如【2016-10-01~2016-10-31、我的、所有指标】【2016-10-01~2016-10-31、同行、所有指标】两张表格进行清洗，剔除无用数据，并进行合并，得到【10月份流量来源与同行对比表】并把“同行有自己无”的【标红】，“同行无自己有”的【标绿】，“同行比自己好”的【标黄】“同行比自己差”的【标紫】并找出原因；分析逻辑为：结果是（以上四种）原因是（同行做了什么，我们做了什么）怎么做（同行会做什么，我们要做什么）实操案例拿刚接手的一个四钻淘宝女鞋店铺入手，给你上上这道“流量分析大餐”

如上文所说，导出我们的访客、支付买家数，行业平均以及行业优秀访客数、支付买家数清洗并整理（只保留有效数据和主流流量入口）得到上表：1. 先分析淘内付费流量我们没有付费流量的投入，产出为零，均低于行业水平，在手机淘宝流量越来越碎片化的情况下，保证整体营业不亏损，可以适当进行直通车投放；钻展投放比较考验店铺内功，对于四钻C店来说谨慎投放，淘宝客产出同样低于行业水平，在做好搜索等其它流量的条件下，可以适当进行淘宝客激励计划。2.再看淘内免费流量1.搜索流量低于行业水平，下月运营搜索方面应该注意全店关键词布局，对个别标题进行修改，同时注意产品架构，以提高整体获取搜索流量的能力；2.手淘首页高于行业水平，手淘首页流量基于个性化推荐，爆发潜力巨大，在接下来的运营中注意维持好搜索加购的个性化数据，继续保持；3.其他店铺、其它店铺流量是基于用户浏览习惯的个性化推荐流量，受限于店铺本身流量基数，暂不做调整；每日好店、手淘清单流量基本持平，这是一个可以超越对手的点，维持好每日基本数据，时刻注意每日好店，手淘清单，达人推荐等活动报名；4.手淘收藏夹、手淘购物车、消息中心的流量都是基于个性化推荐的流量，维持好店内商品收藏加购的比例增长，这块流量自然会增长；5.其它细小流量入口，在平日运营中注意挖掘，维持即可。6.至于聚划算、折800等一些活动入口，看似同行流量挺大，但是千万不要玩，以目前店铺整体实力来说会降低店铺整体权重。重剑无锋大巧不工，看似复杂的流量分析，这么写下来也很简单，如果你依然身处迷茫，按照上述方法进行一次全店流量分析，找到提升关键点，保你日营业额提升30%以上，关键点在于对店铺整体运营的把控，对数据的敏感以及清洗和洞察数据的能力，建议每个月甚至每周都调出数据，刻意对比练习，一定会有长足的进步。生活只有一个规律——自作自受

1.打开ppt以后先建立一个幻灯片，点击菜单栏上面的【新建幻灯片】---选择任意一个布局。

2.点击幻灯片中的图表的缩略图，这样就打开了插入图表的对话框。

3.选择一个图表的样式，然后点击确定。

4.打开了excel表格，在这个表格中输入数据，这些数据就是用于建立图表的，一开始给出了一些默认的数据，这些数据都是没用的，修改这些数据，改成需要的图标，如下图中第二幅图。

5.关闭excel，图表就自动创建了，看到这个图表就是刚才输入的那些数据建立的。

（本文内容由百度知道网友茗童贡献）

我们正处在互联网高速发展的阶段，快节奏的今天，越来越多企业需要的是能够为其带来直接价值的东西，往往会忽略数据和报告给企业带来的实际价值。事实上一份有效的大数据分析报告能够对企业产生很大的价值。

大数据分析报告的价值

1. 了解客户

大数据可以把我们的触角深入到某个社区、某类人群、某种具体的产品，来了解他们的真实情况；

2. 了解自身

大数据不仅是面向客户，同样也能面向企业自己。自身的产品生产流程、产品特点的定位、产品布局，这些都可以借助大数据进行更好地调整。也许只是将两个步骤调换顺序，可最后的效果却是天翻地覆。

3. 做好运营

大数据在广告运营方面有着十分强大的作用。通过大数据的相关性分析，根据不同品牌市场数据之间的交叉、重合，企业的运营方向将会变得直观而且容易识别，在品牌推广、区位选择、战略规划方面将做到更有把握地面对。

4. 开展服务

企业可以借助社交媒体中公开的海量数据，通过大数据信息交叉验证技术、分析数据内容之间的关联度等，进而面向社会化用户开展精细化服务，提供更多便利、产生更大价值。

也就是说，真正有价值的大数据分析报告能够在中宏观规划、微观/细分市场分析、方案执行和策略部署等方方面面为企业带来价值。

那么大数据报告怎么做？

1. 要有一个好的框架

跟盖房子一样，好的分析肯定是有基础有层次，有基础坚实，并且层次明了才能让阅读者一目了然，架构清晰、主次分明才能让别人容易读懂，这样才让人有读下去的欲望。

2. 数据获取

有了具体的问题，你就需要获取相关的数据了。这时，应该慎重考虑从哪个渠道获取数据更加快捷有效。好的分析一定要基于可靠的数据源。在正确的数据基础上做分析，才能找到正确的结论。

其次，就是对数据采集的对象、过程和处理方法进行评估，看数据是否具有时效性、代表性。

3. 数据预处理

现实世界中数据大体上都是不完整，不一致的脏数据，无法直接进行数据分析，或分析结果差强人意。数据预处理有多种方法：数据清理，数据集成，数据变换，数据归约等。把这些影响分析的数据处理好，才能获得更加精确地分析结果。

4. 数据分析

在数据分析前，要做到充分沟通、理解业务规则、关注业务痛点、了解用户需求、换位思考，明确为什么要做数据分析，要达到一个什么目标。

5. 分析报告

这时候展现出了数据分析师的表达能力，如何深入浅出的讲述自己的报表，是自己数据分析是否落地的核心。

在企业中，数据分析师的角色十分重要。没有数据指引的企业犹如没头苍蝇到处乱飞。

如何成为一名数据分析师？

上海数据分析网当前我国数据分析师由中国商业联合会数据分析专业委员会以及工信部教育考试中心共同考核认证。通过培训考核，工信部教育考试中心颁发《数据分析师职业技术证书》，数据分析行业协会颁发《数据分析师证书》，此证书是申请成立数据分析事务所的必备条件之一。

CPDA至今已走过14个年头，目前，全国已培养两万多名持证人员，分别在专业事务所以及数据分析相关行业工作，待遇丰厚，前景明朗。

数据分析师课程架构

课程特色

线上-线下相结合的教学方式

CPDA数据分析师培训采用面授课程加远程学习相结合的方式。面授课程主要侧重于实际应用，集中利用每周六、日上课，共计8天48课时，采用案例教学、互动教学、头脑风暴、深度讨论相结合和方式全面讲解数据分析知识。

远程学习为一年期的网络辅助教学，包括课前知识准备、课堂学习课件、模拟考题、在线答疑及案例实解等内容。

强大师资团队

作为由中国商业联合会数据分析专业委员会、工业和信息化部教育与考试中心在上海唯一的授权管理中心，秉承着对每一位学员负责的态度，我们聘请了专业的数据分析教师团队，带你挖掘数据深处的秘密，大数据大有可为！

最权威的认证

一年四次认证考试，通过后颁发双项认证：

1、中国商业联合会数据分析专业委员会颁发《数据分析师证书》，是将来进入数据分析师事务所工作的前提，唯一的行业从业证书。

2、工业和信息化部教育与考试中心颁发《数据分析师职业技术证书》，在工信部官网可直接查询。

课程体系

第七次课改后采用全新教材，课程内容涉及到数据分析基础、市场营销、战略管理及供应链管理等多方面知识。为此，我们推出了新型课程体系！