这篇文章从整体框架出发，介绍了数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

数据分析目前在国内互联网圈的受重视程度在逐步提升，但是问题也很突出：

大家对于数据分析的认知和理解支离破碎，缺乏一个整体的、系统的思维框架；

大家的视野更多局限在数据报表、BI 系统、广告监测等领域，对于数据以及数据分析其实是缺乏深层次洞察的。

这篇文章就从整体框架出发，介绍一下数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

一、数据分析价值观

如何让数据分析真正发挥价值？我认为必须在

价值认同、工作定位和商业模式

三点上取得突破。

（一）数据分析的价值认同

做好数据分析，首先要认同数据的意义和价值。一个不认同数据、对数据分析的意义缺乏理解的人是很难做好这个工作的。放到一个企业里面，企业的 CEO 及管理层必须高度重视和理解数据分析的价值。你想一下，如果老板都不认可数据分析的价值，那么数据相关的项目在企业里面还能推得动吗？然后，企业内部还需要有数据驱动的公司文化。

如果大家宁可拍脑袋做决定也不相信数据分析师的建议，那么数据分析往往是事倍功半、走一下形式而已，反之则是事半功倍。

（二）数据分析的工作定位

做好数据分析，要对数据分析的价值有清楚的定位。既不要神化数据分析，把它当做万能钥匙；也不要轻易否定数据分析的意义，弃之不用。数据分析应该对业务有实际的指导意义，而不应该流于形式，沦为单纯的 “取数”、“做表”、“写报告”。在 LinkedIn 那么多年的工作时间里面，我们对数据分析的工作早已有了清晰的定位：

利用（大）数据分析为所有职场人员作出迅捷、高质、高效的决策，提供具有指导意义的洞察和可规模化的解决方案

。

当时我们还采用了一套 EOI 的分析框架，对不同业务的数据分析价值有明确的定位。针对核心任务、战略任务和风险任务，我们认为数据分析应该分别起到

助力（Empower）、优化（Optimize）、创新（Innovate）

的三大作用。

（三）数据分析的商业模式

做好数据分析，要对企业的商业模式非常了解。数据分析的最终目的还是服务于企业的增长目标，所以务必要对行业背景、业务含义、产品和用户有着深刻的认知。

还是以 LinkedIn 为例，作为企业增长的重要环节，LinkedIn 在产品设计之初就优先考虑到了数据的价值模式。首先是用户的增长、使用和活跃，然后产生大量的数据，最后根据数据进行业务变现（企业广告、企业招聘、高级账号等）和用户增长，从而不断良性循环。

只有认可分析价值、明确工作定位、深谙商业模式，数据分析才能走在正确的轨道上。

二、数据分析方法论

（一）数据分析的框架

在整个数据分析框架中，用户是数据的来源，也是数据分析最终要服务的对象。整个分析框架可以分为四大层次，依次是：数据规划、数据采集、数据分析和数据决策。

从用户、业务系统，到数据采集平台、ETL、数据仓库， 再到分析、BI、DM、AI、洞察，再到决策、行为、价值，最终回到用户。

上面整个分析框架中，越底层的占用的时间和精力越多，而顶层的耗时较少。从产生的价值来看，越底层的产生的价值越低，越顶层的产生的价值越高。大家想一下就会理解，做数据分析的过程大多时间是耗费在数据采集、清理、转换等脏活累活上面，最有价值的分析和决策部分往往耗时很少。

因此，大家做数据分析应该把重心放在最有价值的分析和决策两个层面上，并且尽可能使用工具实现底层的自动化操作。

（二）数据分析的方法论

数据分析应该帮助我们不断优化营销、运营、产品、工程，驱动企业和用户的增长，而不是为了分析而分析。在这里我给大家介绍两个方法论，一个是业务上的 AARRR 模型，另一个是分析上的学习引擎。

AARRR 是著名的 Growth Hacker （增长黑客）海盗法则，依序分别是 Acquisition（获取用户）、Activation（激发活跃）、Retention（提高留存）、Revenue（增加收入）和 Referral（推荐传播）的首字母简称，覆盖用户整个生命周期。我们在进行数据分析的时候，应该考虑用户正处于 AARRR 模型的哪个部分、关键数据指标是什么、对应的分析方法又是什么？

“ 学习引擎 ” 是《精益创业》一书中提倡的精益化运营方式，在硅谷被大小企业广泛采纳。当我们有一个想法的时候，可以采用最简可行化产品（MVP）的方式将其构建（Build）出来。产品上线后，我们需要衡量（Measure）用户和市场的反应。通过分析收集到的数据，我们可以验证或者推翻我们之前的想法，从而不断学习（Learn）和优化。

（三）数据分析的具体方法

这篇文章的目的不是介绍具体的分析方法，而是为了让大家对整个数据分析能力体系有一个系统的认知，所以我就不对每一个方法进行具体的阐述。

懂得每一种方法的原理是一回事，在业务中灵活应用又是另外一回事。以产品经理为例，可以把“用户行为 – 数据分析 -产品设计 & 优化 ”三位归于一体，在不断的实践应用中掌握各种分析方法的精髓和要义。数据来源于用户，数据分析的最终目的也是服务于企业和用户。做数据分析之前，一定要清晰业务目的和数据指标，选择科学的分析方法，用数据来指导产品和用户增长。

三、数据分析工具篇

（一）为什么工具那么重要？

“ 工欲善其事，必先利其器 ” ！

整个数据框架下面的部分可能花费了 80% 的时间和精力，但是产生了不到 20% 的价值。大家都在搭建数据采集平台、都在写代码埋点、都在做 ETL、都在建 BI 系统，哪里还有更多的时间和人力来做 Analytics 和 Insight 。

以前市面上没有好的数据分析工具，大家都只能自己去部署很多的系统、建立很多的机制，甚至雇佣三四个团队去做一件事。

今天市面上有很多好的工具来帮助我们进行数据分析，为了节省时间、资源（特别是成长型企业），大家完全没有必要内部建造一套分析系统，应该擅用好的工具来帮助自己做数据分析。

（二）选择合适的分析工具

选择什么样的分析工具，跟你的工作岗位、分析场景息息相关。每种场景都有若干种工具可以选择，有些工具也可以用于多种分析场景，关键在于你对工具的熟悉和理解。

Excel 绝对是最基本、最常见的数据分析工具了，对于数据量较小的情况，无论是数据处理、数据可视化还是一些统计分析都能支持。一旦数据量大了，这个时候就需要大型的数据库来支持。

市场营销人员需要对广告投放进行数据分析，网站流量监测是他们关注的重点。产品和运营重点关注用户行为和产品使用，用户行为数据分析工具是他们的首选。

以前大家只关注业务数据，然而这些结果型的数据并不能告诉他们中间发生了什么、为什么发生；现在大家越来越关注精细化运营、对用户行为数据的需求也越来越高，这也是我回国创立 GrowingIO 的原因。

如果你能懂一些 R 和 Python，在数据建模、统计分析、数据科学的方向上有所发展，那么你的数据分析水平就更上一层楼了。

上面说的这三点构成了数据分析的能力体系。只有认同数据分析的价值、掌握数据分析的方法并且灵活应用数据分析工具，才能真正做好数据分析。

本文根据张溪梦演讲内容整理编辑。

作者：张溪梦，GrowingIO 创始人 & CEO

本文节选自 GrowingIO 2017 年第 3 期电子书《产品经理数据分析手册》

本文由 @GrowingIO 原创发布于人人都是产品经理。未经许可，禁止转载。

2017 年马云在某次年会演讲中提到一件让他惊讶的事情。

在西湖边上他曾看到乞丐在用支付宝收款码进行乞讨，从界面操作上看该乞丐还能熟练应用支付宝提供的「生意通」功能，研究本周的乞讨收入趋势以及单位小时的乞讨金额，从而为自己制定更加高效的的乞讨策略。

图片来源于网络

乞丐都在用数据分析来武装自己了，身为互联网从业者，你还敢落后？为了让你感知到数据分析对工作效率提升价值，我们来看一个真实的运营案例。

你为什么要学习数据分析

运营研究社在 2018 年以前，公众号图文的推送时间是不固定的，在早上、中午、下班时间、深夜都有过推送，所以相应的阅读量的波动也非常大。

在今年年初我提出了一个假设“如果把推送时间固定的话，会不会对图文打开率（阅读量）的提升有促进作用”。

为了检验这一设想，当时我需要解决的第一个问题是：

“运营研究社的公众号黄金推送时间在哪？”

我导出了运营研究社过去 1 年里的图文数据，并拿推送时间、打开率、标题 3 个数据字段来构建散点图。

运营研究社过去半年图文数据

从过去 1 年的推送时间和打开率的散点分布图来看，高打开率的图文主要集中在中午 12 点、13 点两个个时间段，于是我把将这两个时间点定义成运营研究社图文推送的黄金时间。

在实践中也证明了“在固定时间推送内容有利用提升打开率”假设是正确的，从阅读数据上的反馈就是我们的阅读量在 3 个月时间里提升了 200%。

无论是在生活还是工作，数据分析已是一项必备技能。

我在招聘网站上研究了近 100 个运营岗位的职责要求，用户运营、内容运营、产品运营、社群运营、渠道运营，它们几乎都会在靠前的位置写上这样一行文字：

“通过有效的数据分析（点击率，访问，转化率等），研究分析用户的需求制定运营策略”。

为了让你能够掌握最实用的数据分析技能，本篇文章将带你了解数据分析字段与产品指标、熟知数据驱动运营的底层方法。

“竟巧妇难为无米之炊”，为了让小伙伴们赢在起跑线，下面将开始系统讲解数据分析里的底层元素——数据字段。

你的基础数据字段足够全嘛？

2015 年我在百度贴吧在内容运营，当时的我们核心 KPI 是将次日留存率提升至 45%，于是我就想研究用户首次登入的内容消费量与次日留存的关系，以期通过优化内容推荐系统来提升次日留存。

想法很好，现实却很悲剧，我在给技术同学提数据分析需求时，他们很佛性的回了句：

“抱歉，我们没有统计用户的内容消费数据”。

由于缺乏用户的内容消费数据，我当时只能搁置这套数据分析方案了（在补充统计用户消费字段的 1 个月后才最终落地执行）。

跟大家分享这个案例，主要是希望大家能够理解，数据分析的底层关键支撑是基础数据字段，没有基础数据字段你的任何数据分析方案都执行不了，没有基础数据字段，你再老司机也无法用数据驱动运营。

所以，为了能够做好数据分析，你需要尽可能全面的提出你的数据字段需求，具体来说包括如下 2 类基础数据字段：

1）用户信息数据字段

它指的是用户的社会信息数据，比如姓名、性别、出生年月、籍贯、婚姻、学历，手机、邮箱等字段

对于电商和母婴类产品来说，还需要基于「用户行为数据」推导家庭类型、家庭人数、家庭小孩标签、工作岗位、所处行业等高级用户信息数据字段。

2）用户行为数据字段

用户行为数据字段在记录时的格式通常是User id（哪个用户）+Active（哪种操作）+Time（何时产生）。

比如今天上午，我在贴吧客户端首页看了一篇与 China Joy 有关的的贴子，并且还对妹子们的颜值留进行了评轮。那么贴吧官方会将我的看贴行为数据，以如下格式被统计下来。

用户行为数据字段是每一位用户在产品上操作行为的数据记录，不同产品类型需要的需要记录的用户行为是不一样的。

阅读内容、点赞、评论、分享是社区产品的关键用户行为字段，点击产品、添加购物车、下单、付费、评价是电商产品的关键用户行为字段……

相比于用户信息数据而言，用户行为数据是数据分析的重中之重，可以基于用户行为数据的处理加工，分析出每天产品的登入用户总量（DAU）、新用户留存以及评论用户总量等产品数据指标。

促进数据增长指标都有那些?

有两位内容运营的同学，有一天领导问他们最近的产品情况怎么样。

其中一位运营说产品表现很不错，每天都有很多人互动和称赞，另外一位运营回答说产品有问题，用户都不怎么会将内容分享出去。

如果你作为老板，你应该相信谁？

我想这两位同学你应该都不会相信，甚至还会很生气，因为你的员工没有一点点的数据分析意识。

现代管理学之父彼得·德鲁克说过一句很经典的话：

如果你不能衡量它，那么你就不能有效增长它。

为了能够让数据驱动业务增长，我们需要制定业务的衡量标准，用统一的衡量标准来定义和评价业务，这个统一的标准在数据分析中叫做指标。

案例中的两位内容运营如果能够以互动率和点赞率、分享率这 3 个产品数据指标来向领导汇报自己的运营工作的话，或许就能够在领导心中留个好印象了。

了解和使用指标是数据分析思维的第二步，我们需要基于具体的业务需求设定能够驱动产品增长的指标。（Ps：数据指标是由用户基础数据字段处理加工而成）

按照比较受大家认可的 AARRR 产品增长模型，我们可以将指标分为五大类：拉新指标、活跃指标、留存指标、转化指标、传播指标。

5个产品的拉新指标

运营通过渠道投放让“用户”接触到产品，当“用户”觉得产品不错就会去下载它，打开产品发现里边的内容蛮适合自己，“用户”就会注册产品，最终成为产品真正的用户。

以上是绝大部分运营都会经历的拉新过程，如果你想监控整个过程，并且评估拉新的执行效果，那么你就需要设置如下数据指标。

1）浏览量

俗称曝光量，指的是产品的推广信息在朋友圈、搜索引擎、应用商店等渠道渠道中被多少用户看到。与浏览量相对应的是点击量，它们俩的比例在业内有一个专业词汇 CTR（CTR=点击量/浏览量），很多广告平台会用 CTR 来评估广告质量。

2）下载量

指的是 App 的安装次数，是衡量拉新效果的结果指标。不过，App 下载其实是一个中间态，为了让产品从曝光到下载有一个高转化，你需要注意应用大小、介绍文案的打磨。

比如游戏类 App，为了避免怕漫长的下载时间造成玩家流失，会选择让用户下载后以补丁形式完成全部素材的加载。

3）新增用户

下载并不是意味着就是用户，如果某个“用户”只下载了并没有注册，那它就是一个无效的用户。对于用户的界定，每个产品是不一样的，大部分的产品是用户注册了 App，就被定义为用户了，比如知乎、微博、小红书、百度贴吧。

4）获取成本

用户获取必然涉及成本，而这是运营新手最容易忽略的。目前常见的成本的计算方式有 CPM（千次曝光成本）、CPC（单次点击成本）、CPA（单次获客成本）。

5个产品的活跃指标

相比于下载量和用户量而言，在人口红利消失后，大家开始更关注实实在在的东西了——你到底有多少活跃用户。

用户活跃作为运营的核心工作，不论移动端、网页端或者微信端，都有相关指标可以衡量。

1）活跃用户数

DAU 指的是日活跃用户数量，指的是在 24 小时内活跃用户的总量。把时间周期拉长的还有周活跃 WAU 和月活跃 MAU。（MAU 指的是一个月时间周期里去重后的活跃用户总和）

Ps：与活跃用户相对应的还有流失用户、忠实用户、回流用户，其中流失用户是长期不活跃，忠诚用户是长期活跃，回流用户是曾经不活跃或流失，后来又再次打开产品的活跃用户。

2）活跃率

活跃用户数衡量的是产品的市场体量，活跃率看的则是产品的健康。

比如说某款产品的 DAU 是 100 万，可能你觉得还不错，但是我跟你说它的总注册用户是 1 亿，活跃率仅为 1%，你的感受可能就是这款产品很不错了。

3）在线时长

现在数据分析也越来越注重用户行为了，为了深入研究一款 App 的活跃健康度就需要去研究在线时长（它是视频类网站的核心数据指标）。

不同产品类型的访问时长不同，社交肯定长于工具类产品，内容平台肯定长于金融理财，如果你是做内容的产品的，发现大部分用户访问时长只有几十秒，那么最好分析一下原因。

4）启动次数

它体现的是用户的使用频率，用户的日均启动次数越多，说明用户对产品的依赖性越高，活跃度也就越好。

社交产品的人均启动次数会在 3-5 次之间，是通互联网中在启动次数指标中数值最高的。

5）页面浏览量

PV（PageView）是页面浏览量，UV（Unique Visitor）是一定时间内访问网页的人数，用户在网页的一次访问请求可以看作一个 PV，用户看了十个网页，则 PV 为 10。

PV 是互联网早期 Web 站点时代的活跃指标，也可以理解为网页版活跃。

5个产品的留存指标

如果说活跃数和活跃率是产品的市场大小和健康程度的话，那么用户留存衡量产品是否产品能够可持续发展，如果你是早期产品就更应该关注是留存指标了。

1）用户留存率

留存率 = 留存用户 / 当初的总用户量

用户在某段时间使用产品，过了一段时间后，仍旧继续使用的用户，被称为留存用户。

假设产品某天在某渠道新增了用户 1000 个，第二天仍旧登入产品的用户有 350 个，第 7 天仍旧登入产品的有 100 人，那么这个渠道获取来的用户次日留存率有 35%，那么称七日留存率为 10%。

Facebook 有一个著名的 40-20-10 法则，即新用户次日留存率为 40%，七日留存率为 20%，三十日留存率为 10%，有此表现的产品属于数据比较好的。

2）用户流失率

用户流失率和留存率恰好相反，如果某产品新用户的次日留存为 30%，那么反过来说明有 70% 的用户流失了。

流失率在一定程度能预测产品的发展，如果产品某阶段有用户 10 万，月流失率为 20%，简单推测，5 个月后产品将失去所有的用户。

Ps：这里可以引出一个公式，生命周期 = （1 / 流失率）*流失率的时间维度。比如产品的周流失率为 50%，那么平均用户生命周期为 14 天。

15个产品的转化指标

运营而言，拉新和活跃、留存都只是手段，最终衡量你工作业绩的是你手上掌握了多少有价值的用户。

运营就像用户成长路上的指引者，指引者产品里的用户成为能够产生价值的超级用户，即回归商业的本质。

交易类产品转化指标

1）GMV

它是一个虚荣指标，只要用户下单，生成订单号，便可以算在 GMV 里，不管用户是否真的购买了，京东在双十一对外发布的战报是 GMV。

2）成交额

成交金额指的是用户付款的实际流水，是用户购买后的消费金额，天猫在双十一对外发布的战报是成交额。

3）销售收入

它指的是成交金额减去退款后剩余的金额，属于内部机密数据了。

如果把上述的三个指标看作用户支付的动态环节，则能再产生两个新指标。

成交金额与 GMV 的比率，实际能换算成订单支付率，它体现的支付的流畅度；销售收入和成交金额，也涉及到了退款率，它体现的是产品质量。

4）付费用户量

在产品里边产生过交易行为的用户总量，同活跃用户一样，交易用户也可以区分为首单用户（第一次消费），忠诚消费用户（持续购买的用户），流失消费用户（流失后又回来的用户）等。

同时，为了研究用户的付费潜力，你还可以研究下产品的付费用户比例：

付费用户比例 = 付费用户 ÷ 总注册用户

5）ARPU

在单个促销活动中，它指的是每一笔用户订单的收入，总收入/订单数。而在整个产品生命周期中，我们更关注用户平均付费，总收入/用户数。

ARPU 可以再一步细分，当普通用户占比太多，往往还会采用每付费用户平均收入：ARPPU = 总收入÷ 收费用户数

6）复购率

和新增用户一样，获得一个新付费用户的成本已经高于维护熟客的成本。复购率更多用在整体的重复购买次数统计：单位时间内，消费两次以上的用户数占购买总用户数。

比如运营研究社的技能训练营在第一季度有 1789 个付费用户，购买次数在两次以上的有 657 人，那么我们季度复购率是 36%。

社区型产品转化指标

社区型产品的首要目的是将用户聚集在一起，并且引入用户生成内容，它的核心关键在于培养一个能够生成内容的活跃用户社区。

1）内容生成者

参与内容生存的用户�...

作者：数据观 来自：数据观 https://shujuguan/?from=

［摘要］：看似复杂的库存体系，可以通过简明的数据可视化还原全貌！

［主文］：一直以来，库存管理都是影响企业盈利能力的重要因素之一。对库存管理不当可导致货品大量积压，占用现金流，延误生产计划与销售订单。使用数据观对库存进行可视化分析，可以实现：1、分析现有的库存体系，还原库存体系原貌，为决策提供数据支持；2、通过对问题的挖掘分析，对现有的库存体系进行优化；3、衡量、传递合理库存信息，保障采购、生产、销售的正常运行。

所需数据：

以上数据是基本的仓储数据，一般的连锁门店都有；为避免储存数据的方式不同，我们还为您列出了所需全部字段：

除了两个标红的指标需要我们处理一下之外，其它字段都是现有的。为什么要额外计算这两个指标呢？因为，累计出仓金额占比（累计出仓金额／总金额）可以帮助我们审视商品SKU是否符合“二八贡献结构“，即80%的销售额是由20%的商品带来的。

数据处理：

如何计算“累计出仓金额”？听起来像要对每种SKU的销售额做求和，然后要按照降序排列，最后还要加上上一个项目的金额，不算小的工作量！不过，使用数据观的在线ETL工具，可以很迅速地对繁琐的数据进行排列计算。首先，将两个“输入”按钮拖入中央画布，并分别选择为“商品报表”与“销售列表”，将其关联起来，并通过“选择列”剔除无关信息，就得到每件商品的销售状况了。选择“分组聚合”，统计出每件商品的销售额。接下来，使用“排序和累计”，让商品销售额按照降序排列，且累加销售额。此时，我们已经有了“累计出仓金额”（且按照降序排列），再添加一个“常量列”，将值设置为总销售额，就可以计算“累计出仓金额占比”了！

ETL流程示意图

可视化分析：

现在，我们已经有了充足的字段和干净的数据，允许我们从以下四个角度来分析库存状况：

商品概况库存情况库存周转及安全库存库存盘点

（一）、商品概况：

指标说明：SKU数为商品编号，不重复计数，可计算出本店一共有多少个SKU；类别数为类别，不重复计数。从以上两个KPI可以看出，库存中的商品一共8类，总共28个SKU。而下面的“柱＋面积”组合图，就是我们说的“二八贡献图”了。每条柱子代表每个SKU的出仓金额，柱子越高表示出仓金额越高；而面积图则使用的“累计出仓金额占比”（即累计出仓金额／总金额），面积图上的80%点位应当出现在柱图的前20%最佳。通过分析我们看到，库存商品的累计出货金额贡献比例和“二八贡献结构”有一定差距，TOP1商品突出，但TOP2至最差出货额商品差别不大。

（二）、库存情况：

指标说明：以上各指标的金额计算都为“数量*成本价”得出的成本金额；平均库金额为（期初库存金额+期末库存金额）/2。两个分组柱图，主要看的是各类商品的期初、期末库存金额，与进仓、出仓金额分布。而分组条图，除了可以看到库存排名之外，还可以看平均库存占比（蓝条）与出仓金额占比（褐条）是否相当。从库存结构对比出货结构上看，各类商品的比例相当，表面库存比例结构合理。

（三）、库存周转及安全库存：

指标说明：本期周期为一个月，周转天数为周转次数*30天（请根据店铺实际情况进行调整）；根据设置的最佳周转天数（60~90天）可看出耳机类和充电宝类不在最佳周转天数内，图中已标红；根据设置的安全库存，图中显示电脑耗材类中有2个SKU，充电宝类1个SKU处于安全库存值以下，需进行进货。具体低于安全库存值多少、是什么型号的商品需要进货，可以通过下钻来查询。

（四）、库存盘点：

指标说明：盘点金额计算方式为误差数量*零售价。期初的盘点盈亏金额总计为盘盈202.5元，通过条图我们可以看到，各类商品的盈亏金额都在正负500元内，差异主要出自U盘、电脑耗材和耳机类。通过气泡图，我们可以看到，28个SKU中无差异的有4个（蓝色表示），盘亏的有15个（红色表示），剩余9个盘盈（黄色表示），鼠标移动其上还可显示商品的具体编号与盈亏数量。就这样，本来各自分散的库存数据，变成了一份领导能读懂、合作伙伴也能读懂的看板。赏心悦目之余，各种问题水落石出，大大提升了日常管理效率，为企业的高效运转添薪加火。

为什么有的报表好用，有的报表不好用，有的企业会做一堆乱七八糟的报表，最近经常会思考这些问题。

有人说数据分析，为了开源节流，这个没有错，今天我从另外一个角度解读。数据分析，是为了应对风险(说明：风险与机会是一起的。PMI中将其共同列为风险管理，本文所有风险与机会同义)，开源节流的每一次操作每一个节点，也是风险。

企业经营，风里来雨里去，免不了碰到大大小小的机会和风险，抓住机会躲避风险是每个企业以及个人的毕生追求。

PMI中将风险归为以下几类：

已知的已知风险

未知的已知风险

未知的未知风险。

本文将数据分析，也归纳为三层需求

第一层需求：应对已知的已知风险

可以将这一层需求看作为被动使用的数据，拿零售行业的场景举例：

采购员要进行采购，没有数据作为参考，只能进行盲目采购，那商店的缺断货、商品积压的风险一定出现。所以采购员需要通过数据查看各类商品的销售情况、库存情况、可售天数情况进行判断，以此决定采购需求，避免错误的商品采购所导致的商品缺断货、高库存等风险。此为通过数据来应对已知的已知风险。

对于企业之中，这类的应用特别多，多到部分企业会忽略这是一种数据分析的应用。企业中常用的业务系统比如erp等软件系统，也会自带一些简单的数据查看类报表，其作用也是很大程度上来应对这一类风险。

但是，从另一个角度去看，这类风险的应对也有很大的优化空间：

风险应对的效率：提升风险应对的效率，是提升应用标准化的一个体现，当一个应用难以使用时，容易造成人员惰性，取巧而放弃使用，从而提高了风险发生的概率。

复杂的已知的已知风险的应对：绝大部分企业并没有将数据覆盖所有的已知风险，举例：新品的引进，新品的引进为商店带来新的盈利点，但是错误的引进甚至会带来负面效应。大部分企业的新品引进并没有一个很好的方案来应对：通过数据进行品类关联并对比，可以看出本店铺对于市场上销量靠前的商品的缺货情况，本店已有商品的市场占有情况，从而可以优化新品引进的策略。这一类的应用还有很大的空间，这也就是为什么很多企业乐于同行之间的交流，希望彼此可以互通有无，发现类似数据场景的应用。

第二层需求：应对未知的已知风险

这一类数据一般为主动使用的数据，更多的是周期性使用的数据，常见的比如领导们常看的日报表、周报表等。

企业的风险发生的概率是分布在每一天的，但是它每一天都可能发生也可能不发生，例如部分员工的消极怠工、部分商品的质量异常、个别门店突然面临的对手竞争等。这一类风险当然是希望在发生的最短时间内就可以发现并且应对。所以企业中产生了大量的这一类型的报表需求。

这类报表也很常见，但是他们价值的体现不如第一层需求类来的直接，这一类报表经常被浏览，但大部分情况是没有发现风险的，所以有时会产生一种这类报表没什么用的感觉。

在我们所遇到的项目中，这类需求报表占比是很多的，也是争议最大的。领导层所需要看的日/周/月报类报表相对还好，毕竟是每天都会有人看，并且作为企业数据监督和追踪的一种形式。

此外，还会有很多分析类的报表也属于这一层级，比如商品的价格带分析：找到某类商品的价格点，对比销售高点或销量高点，从而发现可能的商品价格分布的不合理或者货架摆放位置的不合理(价格点商品附近陈列丰富的商品可以给顾客带来商品丰富的感觉)。进一步调整商品价格分布以应对商品陈列或者价格分布的风险(机会)。

这类报表的应用难度比较大，因为经验或者知识储备的不同，对风险的认知和识别能力不同。同样以上面的价格带分析报表为例，其目的为应对陈列、商品价格分布、商品引进/采购、目标活动人群选择的风险。但是使用报表的业务人员没有形成对这些风险(机会)的认知，就造成了缺乏对该报表的数据解读能力，该报表便成为了一个花瓶报表，价值无法得到体现。

针对这一类报表，我的建议是场景化，让每一张报表背后都有它的风险机会描述，当自我不能解读的报表，也就不要指望业务可以解读并使用，并不是将一堆的指标都进行展示就能产生价值，它于落地的应用还相隔甚远。

第三层需求：应对未知的未知风险

这类需求近些年来大量出现，大数据概念被大多数人所重视也很大程度上是因为这一类需求。

风险的不可预测性使得大量人群希望通过技术的手段来帮助识别和发现风险。比如很多人希望通过聚类这类算法的应用，来形成用户画像，发现自己之前无法发现的特性，或者通过对商品关联的挖掘，发现未知的商品关联关系，从而调整商品布局以发现巨大的商机，比如“啤酒与尿布”(不知真伪)。

但是这类需求实现难度巨大，目前还属于少数互联网公司的专利，对于大多数企业尤其是传统企业而言，其实现成本是难以接受的，个别数据乙方可能会以此为诱饵进行宣讲，但就我所了解到的还难以形成很好的应用。

但是第三层需要要怎样处理？无论是机器还是算法很多都是对人对模拟，只是拥有更快的速度而已，所以相信通过人的作用可以弥补这一类需求。

同样以商品模块举例：除了我已知的商品价格、布局风险外，通过对商品价格分布那张报表的分析，发现在非价格点的价位(比如是10元)销量比正常值都高，正常情况10元价格商品的销量是价格点商品销量的1/5，但是报表显示这一期间的比例高达了1/3，通过进一步分析，发现是由于某一天活动对该商品进行打折促销，从而该商品销量上升，再进一步分析该商品的销量上升并没有给企业带来业绩的上升，该商品的周边商品销量基本没有变化，也就是该商品的连带率是很低的，同时该商品库存并非临保商品。通过调查发现是店长和供应商的私下协议而采取的促销行为。

以上只是举例，通过人的思考可以发现很多的未知的未知风险。这也就是近些年来bi产品的出现的原因，bi产品希望能够给业务人员一个灵活的数据应用环境，让他们的思考得到延伸和数据上的支持，从而应对未知的未知风险。

当然，理想情况如此，很多企业并没有将bi产品应用成为以上的价值。原因很多，主要的是包括业务人员没有分析意识、没有一个很好的分析入口(不做进一步解读)。

综上：

我将对数据分析的需求分为三层，每一层的使用难度也都有不同，越向后越容易产生“这个报表没什么用”的感觉。现实中，也有很大程度上确实是这个报表没法用，因为很多it人员也并没有理解我做好的报表是为了解决什么样的问题，只知道这个指标有用，我就展示给你看。所以这样的报表可能真的很难用。

我觉得，让数据发挥它的价值，可以尝试将数据与风险相关联，对风险进行数据化的解读，从而来让报表更加落地，更加可用。

ps：一切的文章都是我当时的想法，不能作为知识来解读，大家尽做参考，欢迎交流。

End.

施老师：

在平常的办公中，经常有学员问我，怎样做一份让领导眼前一亮的数据分析报表，而且是自动的。下面就由宁双学好网施老师来教你。

一、首先打出一份员工产量统计表

二、然后把员工姓名复制一行到下面的位置，右边打好筛选月份，

三、然后在下方输入公式：=VLOOKUP($J$2,$B$2:$G$8,COLUMN()-1,0)，鼠标往右拉，得出员工一月份的产量，然扣右边用【数据】- 【数据有效性】算出筛选月份的序列。

四、然后点击插入菜单【图表】-【柱型图】，选择下方的一月，就自动生成柱型图表

五、将图表的底纹填充好看一些

最后我们可以点击筛选月份，点击什么月份就会出现该月份的柱型数据。是不是很方便啊。

在我们日常工作中经常需要用到数据分析，但一些如回归，聚类、概率分析方法比较复杂，学习成本高，也不一定能用得上。实际分析的时候，有四种很简单的分析方法非常实用，这四种就是：对比、细分、转化和分类。只要掌握了这四种思想，基本上已经可以应付日常的分析工作了。

一、对比

对比又可以分为纵向对比和横向对比，指标间的横向对比帮助我们认识数据的合理性和分析是否有问题，而指标纵向的对比，如在时间维度上的对比，既可以做趋势分析也可以判断是否达到预期值。

如店铺的订单量，可以把最近30天的订单显示在坐标轴上，这样就可以很明显的看到最近的订单数量是否达到了预期，当然我们也可以以周或者月（或者季度，年等等）为单位。做对比一定要考虑实际的场景，因为今天和昨天的性质可能未必一样，例如今天可能是周六，或者恰好是节假日等等。所以我们在做纵向对比的时候，两个对比的数据是否合理，是否是同一性质。比如看最近30天的趋势数据，我们还可以考虑环比和同比，今天和上个月的今天，今年的双11和去年的双11进行对比。横向的对比，比如一个地区这周的成交额上涨了10%，那当地的子公司是不是应该高兴呢？但是例如其它子公司的店铺这周的成交额都上涨了20%！那这个子公司可能已经被其它子司拉大了距离。也就是说，我们对一个数据结果判断好不好，这是需要一个参照物的。

二、拆解

通过拆解方法我们对分析对象进行逐步拆分，最终定位到问题点。拆解的角度可以有很多，越细分越能准确描述问题。比如零售中的人货场分析，就是将零售中的问题，逐步定位某一个或几个细节上的问题，最终找出成本最低的解决方式。举个栗子，通过报表知道了这个月成交额下降了这个问题后，现在我们用拆解来找出问题的所在：

成交额 = 客单价 X 客户数。对比客单价和客户数的趋势，就可以判断出影响成交额变化的主要因素是什么，如果是客户数问题，我们则对客户数进行细分，如果是客单价问题，则对客单价进行细分。

客户数 = 新客户 + 老客户。老客户 = 二次成交客户 + 多次成交客户

一段时间内的新客户反映的是电商的引流效果，而老客户反馈的是电商的产品质量，服务质量和客户维护营销等。

客单价 = 成交价 X 人均成交数。 均成交数这是电商中一个非常值得关注的指标，它能最直接地反馈出电商的服务质量和客户维护营销等方面的效果，如果该值过小表明电商的客户流失率很大，应该重点关注。

成交价 = 件单价 X 连带率。 成交价反馈的通常是导购的能力，促销活动的效果等，成交价的上升或者下跌，反映的问题可能很多，对其进行分解后就很明确了。件单价的变化通常是有促销的力度，商品结构和消费结构（例如季节因素等）变化引起的。带率这个反馈的是店铺内导购的能力，或者促销手段（例如买一送一等）的效果，也是店铺管理人员重点要关注的指标。

拆解的方法其实就是不断用更小的量化指标去细分一个大的指标，从而达到定位问题的目的。

三、转化

拆解的方法可以从纵向定位问题，但是单单细分是不够的。这些指标是从哪里来的，每一个步骤的转化率怎么样，哪一个步骤的转化不好，可以改善？这些通过转化都可以分析出来。

例如我们要分析本周的活跃客户数（有成交的客户数），那么我们就要分析这些活跃的客户数是从哪里来的，梳理一下可以简单分为以下4个步骤：进入平台的客户数 ==》浏览过商品的客户数 ==》下单的客户数 ==》支付成功的客户数。这里4个步骤就会有3个转化率，哪些步骤转化率比较高，哪些步骤转化率比较低，历史趋势怎么样，是否合理，是否有改进的空间等等。通过应用转化的思想，能够有效的指导和优化实际的运营工作。转化的思想就是一种漏斗，每一步其实都会有转化率，通过改善我们的转化率来提高我们的运营业绩。

四、分类

分类就是把一些对象，按照某种规则，划分为若干个类别，然后分析各个类别的特征，并以此来指导我们的行动。分类思想的应用很多，例如对客户的分类，我们可以用RFM分析模型，也可以用简单的利用某个指标的值（例如渠道标识，这样我们就可以分析到各个渠道客户的质量等）。基于这些客户的分类，我们就可以进行精准的客户营销了。在电商或者零售业上，我们经常做的分类还有商品分类，经典的有按照品类分类，或者ABC分类，这些对于我们做商品运营都是非常重要的。

总结：

以上四种其实都是很简单的数据分析思想，而且在日常的运营中也非常实用，但需要注意的是一定要了解自己的业务，只有深入了解业务，才能很好的运用数据分析，并不是自己知道几种统计学的算法，就能做好业务数据分析了。

如果你作为一名SEMer，每天80%的工作时间是打开后台，监控核心关键词的排名，每天去调整价格，调整移动比例，否定一些垃圾流量的话，那么我会觉得，你与一名优秀的SEMer人员之间，还有很大的提升空间。

因为一名优秀的SEMer，每天应该有80%的工作时间在做数据分析，20%的工作时间是最后将数据分析出的结果进行后台操作。有人问过我，你认为SEM推广的核心是什么？我以多年的经验总结出两个因素：“行业市场分析”与“数据分析”。

数据分析基于推广数据的筛选与总结。数据报表也分为两种：一种是 后台数据报表（账户报告、关键词报告、地域数据报告、搜索词数据报告等等），这些报表可以后台直接下载筛选使用；

还有一种是 基于第三方统计平台与代码标记的数据报表（关键词跟踪报表、url转化报表、各平台流量占比数据报表等等）。接下来我就给大家分享一下如何筛选适合自己推广数据报表以及如何筛选数据有价值信息。

一、账户报告

数据分析重要程度：★★★★

阐述：账户报告是推广数据分析最基本数据报告，账户报告可以清楚显示出账户推广的展现量、点击量、消费量、点击率、平均点击价格。做日报表或周报表可以做出环比数据值，可以清楚分析整体账户推广情况。

要根据自己账户推广设定限值，当环比数据达到限值得时候，就要重点关注分析。即使环比数据是正向发展，也可以分析出来原因，这样也可以明确效果提升的原因。

例如：推广账户数据环比展现量限值5%，既展现量环比增长5%还是降低5%都要明确分析，如发现今天账户推广数据环比昨天降低7%，既触发限值，结合实际调整操作可分析得知，昨天核心词有调整匹配方式，有4%的长尾关键词昨日没有置左展现，所以根据数据可以清楚知道账户环比降低原因。

根据原因作出相应正向调整即可。而且账户报告，每天的PC与移动的消费占比也一定重视，账户的效果波动可能也多数与PC与移动消费占比有关。

二、搜索词报告

数据分析重要程度：★★★★★

阐述：搜索词报告是作为数据分析与sem优化最为重要的数据报告之一。推广流量精准度与否都可以利用这个搜索词报告一目了然。

但是搜索词报告大部分人都是基于后台搜索词报告直接进行否词操作，而且有很多人都是看见一个不相关的搜索词马上否定掉。最后会发现我们计划否词数或者单元否词数不够用了。

其实 对于搜索词报告我们一般都是将每天搜索词报告做一份excel透视报表，可以透视清楚哪些搜索词垃圾流量触发点击数最多的，超过2次以上点击垃圾流量进行否定处理。触发一次搜索垃圾流量一周集中累计再集中做出透视数据分析，最后看出那些单次点击一周内累计垃圾流量多次触发的搜索词再进行否定关键词。

搜索词报告另外一个数据作用，将有检索搜索词有效添加到投放关键词中。这个也是拓展有效关键词最有效的数据支持。

三、关键词报告

数据分析重要程度：★★★★★

阐述：关键词是sem推广投放核心，关键词数据报告也是所有关键词报告数据分析的最重要的参考数据。但是关键词报告一定是要结合其他数据报告一起分析，才能筛选出我们有效的数据，下面就给大家分析几种比较实用的数据报告结合分析组合。

1）关键词报告与搜索词报告：根据搜索词报告可以 拓展有检索关键词；其次搜索词报告匹配出垃圾流量，不一定要做否定关键词，有部分单次点击垃圾搜索词可以结合关键词报告数据，对于关键词进行匹配方式调整。

2）关键词报告与咨询转化报表：每天结合咨询平台中有效咨询所触发的关键词报表与搜索词报表进行 核算每个关键词转化成本，这样我们可以集中投放高转化关键词，控制高消费低转化关键词消费。

3）关键词报告与账户报告：关键词报告与账户报告关系是包含于关系。即账户数据异常要排查到关键词报表中关键词，所以 账户报告要与关键词报告对应查看与分析。

四、地域报告数据

数据分析重要程度：★★★

阐述：地域数据报表主要作用是明确各地域消费占比与各个地域推广数据。如果对于此数据调整，可以结合后端转化数据进行调整。

调整各个地域消费占比依据：

1、根据后端转化效果进行地域消费占比调整；

2、根据业务地域需求度，进行地域消费占比调整。

五、url跟踪转化代码数据

数据分析重要程度：★★★★★

阐述：url跟踪转化代码数据是定制型数据报表，适用于多平台推广及转化统计。

这类代码与url部署后数据优点：

1、各个平台转化有区分；

2、url部署有利于监控着落页表现；

3、关键词转化id可以直接统计转化词。

4、如果推广有项目区分，可以另行标记区分。

这样统计出来数据可以区分：

1、关键词转化监控

2、地域转化监控

3、项目转化监控

4、平台推广转化

最后，想说跟大家分享了这些比较常用数据报表与数据的分析方式，只是比较 有代表性与实用性的数据报表。SEM 数据分析还有很多需要大家深入研究与专研的。我个人也给予大家几点 SEM 数据分析注意事项：

1、所有数据报表要坚持多维度相结合进行分析处理；

2、数据分析一定要作为日常优化流程，不要账户出现问题才进行数据分析排查问题，日数据异常要积极分析与调整，才能让账户推广效果稳定；

3、数据筛选是数据分析的基础，大量的数据要筛选出有效的价值，依据有大量数据的分类、筛选、过滤等环节进行数据提炼，这个最好要有良好的Excel技能支撑才会高效的进行。

数据分析是我们SEM推广调整的支撑，如果你是一名好的数据分析师，那么还会玩转不了SEM推广吗？

|来源：艾奇学院

百家号-【袁帅数据分析运营】：袁帅，互联网数据分析运营实践者，会点网事业合伙人，运营负责人。CEAC国家信息化计算机教育认证：网络营销师，SEM搜索引擎营销师，SEO工程师。数据分析师，永洪数据科学研究院MVP。中国电子商务协会认证：中国电子商务职业经理人，畅销书《互联网销售宝典》联合出品人之一。中国国际贸易促进委员会:今日会展会员联盟VIP个人会员，全经联园区委秘书处成员，中国低碳智慧园区联盟理事，周五咖啡媒体人俱乐部发起合伙人。百度VIP认证站长，百度文库认证作者，百度经验签约作者，百家号/一点资讯/大鱼号/搜狐号/头条号/知乎专栏/艾瑞专栏等媒体平台入驻作者，互联网数据官（iCDO）原创作者，互联网营销官CMO原创作者。

在企业经营数据分析中，财务数据是不可或缺的组成部分。而财务数据中通常以资产负债表、利润表、现金流量表三张表为最基本也是最重要的数据表，今天主要跟大家分享自己在企业财务数据相关常用的数据分析经验和方法，欢迎大家共同交流学习进步。

——本文数据分析工具为FineBI V4.1

一、基础财务数据表

在这之前我们先来初步看看资产负债表、利润表、现金流量表这三张基本财务数据表的业务含义，以及之间存在的业务关联关系。

1.资产负债表

资产负债表主要包含企业经营在每个会计期初和期末期间总的资产现金（企业还有多少现金，至少还能换取多少现金）、总体负债情况（企业目前欠了多少债务）以及股东等企业所有者的权益（股东投资金额以及累计盈亏情况），通常用于反映企业资产结构、偿债能力、管理水平、利益归属等情况，类似于某个时间点用照相机给企业拍摄的一张企业经营总览照片。

2.利润表

利润表主要包含企业经营在一段时期内的效益能力，如企业营业收入、营业成本、净利润等信息，通常用于反映企业的盈利能力和产品竞争力，类似于某段时间内用摄影机给企业拍摄的一段盈利能力视频。

3.现金流量表

现金流量表主要包含企业经营在一段时间内生产经营、投资以及筹资活动中产生的现金流情况，通常用于反映企业的利润水平和企业健康情况，类似于某段时间内用摄影机给企业拍摄的一段现金流量周转视频。

业务关联关系

其中现金流量表中企业在进行经营、投资以及筹资活动中产生的企业资产现金流量周转，会影响到企业资产负债表中的总资产现金，同时也会在利润表中有所体现；利润表中的企业经营盈利情况，会影响到资产负债表中的企业股东的所有者权益。

我们在理解清楚了财务数据的基本逻辑关系之后就需要学习和掌握一些常用的财务数据分析方法了，否则即使对基本财务逻辑原理倒背如流，也很难通过财务数据的分析从而对企业的经营决策有所引导，下面给大家介绍同型分析、趋势分析、比较分析这三种常用的数据分析方法。

二、同型分析

首先来看看我们财务数据分析最常用的同型分析法，所谓同型分析其实本质上是一种结构分析方法。例如对于资产负债表，我们通常可以通过同型分析详细列明企业各项资金占据总资产的比重，分析企业的资产负债组成结构。另外对于财务数据中的利润表，我们同样也可以通过同型分析法观察各个项目在利润表中的结构占比，以及收入到利润的过程中每一个步骤所产生的损耗等。

这边我们来看一个对资产负债表做数据同型分析的实例：

我们通过FineBI的汇总表格，对资产负债表做数据同型分析，自动计算出每一项资产在总资产中的占比。从上图可以快速看出，企业的固定资产为59.67%，无形资产为1.57%，流动资产中存货、货币资金、应收账款、预付账款分别为5.19%、18.44%、13.56%、1.57%，也就是企业流动资产仅占据企业资产的38.76%，固定资产接近60%。这家企业固定资产如此之大，初步估计应该是一家传统制造型的企业。

另外我们来单独看这家企业流动资产中的应收账款，竟然占据了企业总资产的13.56%，这比例对于总资产来说已经是一个不小的数值了，说明这家企业的产品没那么好卖，也许正面临着较大的市场竞争，因为很多制造型企业往往和采购方签约有可能采取延后收款时间来获得更大的市场竞争能力。

最后看下这家企业的负债情况，企业总负债占据了62.01%，其中短期借款占比最大，占据了53.63%，其次是应付账款，为8.38%。股东权益方面总共占据了37.99%，其中最初企业股东共同投资的原始股本占据比例为33.52%，未分配利润占比为4.47%，盈余公积和资本公积都是0，总体来看企业经营效益并不是很好。

三、趋势分析

第二种财务数据常用的分析方法为趋势分析法，通常指的是将实际达到的结果与不同时期的财务数据中同类历史指标数据进行比较，从而确定财务经营状况、经营成果和现金流量的变化趋势以及变换规律的一种分析方法。通常对于企业的资产负债表、利润表、现金流量表来说，现金流量表经常需要通过趋势分析的方法来观察某一段时间内企业现金流量变化的走势。

我们来看看上图通过FineBI工具自动统计出的某企业现金流回款趋势数据，可以看出第一季度的销售合同金额数据比较小，这可能跟春节年初假期有关，导致企业该季度的现金流较少。另外在一年中5月份、7月份以及9月份是销售旺季，企业的现金流回款以及销售额都相对较好，第四季度总体企业合同金额和回款金额数据趋于稳定，12月份在第四季度的现金流中总体来说是最好的。

四、比较分析

最后给大家介绍的一种常用的财务数据分析方法为比较分析法，通常指的是通过两个或者两个以上相关指标进行对比，确定指标之间的差异，并进行差异分析或者趋势分析的一种数据分析方法。比较分析方法通常可以划分为三大类：

第一类是企业内部指标数据进行对比分析，例如企业各个地区的销售额可以进行数据比较分析，找出销售业绩相对较好的地区总结相关经验给销售业绩相对较差的地区进行优化整改。例如上图中我们可以通过热力地图快速感受到企业在北京、上海地区销售体量的重要性，但是同类地区例如广东的广州和深圳却并不突出，这个是企业决策层所急切需要关注的问题。

第二类是对于企业同一指标可以根据不同的时间形成多个指标进行对比分析，例如企业的销售额可以进行同比环比分析，结合预警小图标，快速观察出和去年或者上个月的销售业绩是否提升或者下降，找出对应时间可能存在的企业经营问题。

第三类情况下，除了和企业自身的经营数据做对比之外，我们还可以将自身企业的数据和同行业的同等或者优秀企业的调研参考数据进行经营数据对比分析，以清楚目前自己企业在市场上所处于的级别层次，选择和借鉴更加适合自己的企业经营方略。

五、数据分析总结

不论企业真实业务场景如何复杂多变，不仅仅是财务数据而言， 其实数据分析一种非常好的思维模式是：从单个核心指标出发，然后进行指标拆解，进而深层次多维分析，切片切块，通过同型分析、趋势分析、对比分析等数据分析方法定位到数据中的异常点，最终通过调整决策解决业务问题。因为只有坚持数据成为生产力的企业指导经营方针，不断完善企业数据多维可视化建设，才能让企业真正焕发生机，成为真正超越和引领同行业的领导者。

从主营范围分析业绩好坏

一个上市公司的未来发展到底好不好我们看的不是他一时的盈利能力，而是看他的持续性，一个上市公司的股票能不能持续走牛或者说这只股票的涨幅空间还要多大，一般都是由公司市值空间决定的，而决定市值大小的判定就是公司的发展前景好不好以及能不能持续发展，一个公司要能持续发展靠的就是他的主营业务，这也就是我们今天要讲的核心内容，怎么从财务报表的主营构成来分析公司未来发展的前景。

一个好的上市公司或股票他要能持续发展下去靠的一定是公司的主营业务，也就是说这个公司是做什么行业的，那么你的主营构成和公司的主要来源一定是要从这个行业所赚取来的，如果你发现一个公司明显是做食品的，结果他的主营构成却是靠食品包装，卖地，租地，等等，，都是靠的一些与公司主营不相关的业务来赚钱维持公司，那么这种财务报表我们就可以把他判定为非常不好的报表数据，也就是我们常说的公司业绩能力不行的公司

以上截图是斯莱克的财务报表的主营构成，斯莱克是属于专业设备制造板块的股票，看财务报表的主营构成时大家要先看他的经营范围是什么，如这只股票的经营范围是，研发，生产，加工，以及易拉罐制造设备，从这里我们就知道 这个公司主要是干什么的了。

接来下我们在来看他的主营构成，由于图片的大小原因，我只截图了3个季度的数据，从这3个季度的数据可以看出，斯莱克这只股票的主要盈利是靠易拉罐生产设备，然后在看他的地区内类里，还有标明有外销，也就证明这公司所生产的易拉罐设备制造还要出口订单，营业收入也是一直保持盈利水平，这种财务报表数据就也就告诉我们，斯莱克这个公司的股票是非常健康和稳定的。

在来看一个财务报表不好的案例

分析方法同上

首先看他的主营范围是什么，在范围标识内我们看到这只股票是做机械设备，仪器仪表相关行业的。

在来看他的主营构成，从主营构成中我们能看到他的主营构成中根本没有出现和他经营范围有关的收入，而是靠一些其他（补充）项目来盈利维持公司发展。

相信说到这里大家都应该知道怎么分辨一个公司到底能不能持续发展下去，或者说一只股票的业务到底好不好，您只需要从这个角度入手就可以了。你其他项目经验的再好，如你公司的特长没发挥出来我相信你在未来也会被淘汰。

本文主要讲述数据挖掘分析领域中，最常用的四种数据分析方法：描述型分析、诊断型分析、预测型分析和指令型分析。

当刚涉足数据挖掘分析领域的分析师被问及，数据挖掘分析人员最重要的能力是什么时，他们给出了五花八门的答案。

其实我想告诉他们的是，数据挖掘分析领域最重要的能力是：能够将数据转化为非专业人士也能够清楚理解的有意义的见解。

使用一些工具来帮助大家更好的理解数据分析在挖掘数据价值方面的重要性，是十分有必要的。其中的一个工具，叫做四维分析法。

简单地来说，分析可被划分为4种关键方法。

下面会详细介绍这四种方法。

1. 描述型分析：发生了什么？

这是最常见的分析方法。在业务中，这种方法向数据分析师提供了重要指标和业务的衡量方法。

例如，每月的营收和损失账单。数据分析师可以通过这些账单，获取大量的客户数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。

2. 诊断型分析：为什么会发生？

描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。

良好设计的BI dashboard能够整合：按照时间序列进行数据读入、特征过滤和钻取数据等功能，以便更好的分析数据。

3. 预测型分析：可能发生什么？

预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。

预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。

在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。

4. 指令型分析：需要做什么？

数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。

例如，交通规划分析考量了每条路线的距离、每条线路的行驶速度、以及目前的交通管制等方面因素，来帮助选择最好的回家路线。

结论

最后需要说明，每一种分析方法都对业务分析具有很大的帮助，同时也应用在数据分析的各个方面。

原文链接：http://kdnuggets/2017/07/4-types-data-analytics.html

转载请注明出自：葡萄城控件

关于葡萄城

葡萄城是全球控件行业领导者，世界领先的企业应用定制工具、企业报表和商业智能解决方案提供商，为超过75%的全球财富500强企业提供服务。