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。

小编又搞来一批新鲜出炉的可视化，与上一次不同，这次多数是更贴合实际应用的高级图表，都是由我们的开发者开发应用于FineReport的。

本文也是承接上一篇《配上这些可视化，领导再也不会吐槽报表丑了！》“第二弹”。

桑基图——能源、材料成分、金融等数据的可视化分析利器

桑基图是一种能量分流图，常用用于能源、材料成分、金融等数据的可视化分析。在桑基图爱好者社区网站上写着这样一句话：“A Sankey diagram says more than 1000 pie charts”，意思是一张桑基图比一千张饼图描述的东西更丰富。

桑基图的应用很小众，并不广泛。但看似复杂的桑基图其实使用起来非常简单高效，譬如上面的能量流动图，图中延伸的分支的宽度对应数据流量的大小。

桑基图的特点如下：

1.起始流量和结束流量相同，所有主支宽度的总和与所有分出去的分支宽度总和相等，保持能量的平衡；

2.在内部，不同的线条代表了不同的流量分流情况，它的宽度成比例地显示此分支占有的流量；

3.节点不同的宽度代表了特定状态下的流量大小。

桑基图由流量、节点、边构成，适合节点数据集（可选），边数据集。数据权重映射到节点和边的宽度。桑基图需要保持能量守恒，不能在中间过程创造出流量，流失（损耗）的流量应流向表示损耗的节点。

桑基图插件在FineReport大屏中的效果展示：

平行坐标图——对大数据“降维攻击”

平行坐标图是一种用来呈现多变量，或者高纬度数据的可视化技术，用它可以很好的呈现多个变量之间的关系。虽然其中大量的线段最初看起来令人费解，但它们是理解多维数值数据集的一个非常强大的工具。

通常描述平行坐标的方法是讨论高维空间，以及这种技术如何平行地布置坐标轴而不是相互正交。下面是具体的数据表。表中详细描述了从1970到1982年间发布的汽车型号，包括它们的里程数（加仑）、气缸数、马力、重量以及它们被生产的年份等等。

现在想象一下，每一列都映射到上面图像中的垂直轴上。每一个数据值都会沿着直线的某个地方结束，缩放到位于底部的最小值和顶部的最大值之间。然而，纯集合的点不会非常有用，因此属于同一记录（行）的点与行连接，这就产生了平行线的特征混杂。

通过查看这个可视化，我们可以了解很多信息。气缸之所以突出，是因为它只有几个不同的值。气缸的数目只能是一个整数，这里不超过八个，所以所有的行都必须经过一个小的点。这样的数据和分类数据通常不适合平行坐标。但如果是一个或两个，这不是问题。

在每加仑汽油能行驶的英里数MPG和气缸之间，你可以看出，八缸汽车相对于六和四缸的一般有较低的里程。如果跟着线看它们是如何交叉的，可以发现很多交叉线是反向关系的标志，图形显示出这样的规律：越多的气缸，越低的里程。

汽缸和马力之间的相关性更为直接：汽缸越多就意味着更多的马力。当然，这里也有一些交叉线，所以更多的气缸并不总是意味着更多的能量，但总的趋势显然是存在的。在马力和重量之间，情况是相似的：马力越大一般意味着车越重，但当然也有一些价值的分散。还有一个例外，一个高马力八缸汽车是非常轻的。仔细找一找可以发现那个离群值。

最后，重量和年份之间的线交叉很多，这表明多年来汽车变得更轻了。你也可以很容易地看出，年轴只记录了少量不同的数值，类似于气缸。虽然这是一个非常简单的示例，但它显示了大多数数据集中的典型结构。

平行坐标可以做筛选互动。平行坐标系中的主坐标称为“刷”，看下面的图像应该很明显。为了做到这一点，我们来看看所有的轴。在这里，我们在年轴上刷了1980年到1982年的区间。结果是线条的一部分被刷成了黑色，其余部分仍然以灰色为背景。

在FineReport中，我们的开发者大江东通过封装某著名开源图表库，开发了支持基本平行坐标图与地图或散布矩阵的组合图。

平行坐标图插件在FineReport中的效果展示：

马赛克方块图表，“千万不要乱用”！

标准的、非均匀的马赛克图在现实生活中使用较少，多用于统计学领域，常用于SAS的某些模块。均匀的马赛克图在生活中常有应用，比较经典的例子是地铁站与站之间的票价图。

标准的马赛克图关注的数据维度非常多，一般的用户很难直观的理解。一般情况下，推荐使用均匀的马赛克图，对于非均匀的马赛克图，多数情况下可以拆解成多个不同的图表。

坐标轴均匀的马赛克图也是统计学领域标准的马赛克图，一个均匀的马赛克图包含以下构成元素：均匀的分类坐标轴、颜色均有含义的矩形块和图例。

从数据上看，均匀的马赛克图和热力图在连续数据上的含义非常相似，可以近似的理解相应的使用场景。但热力图表示第三维度的颜色是线性变化的，马赛克图表示第三维度的颜色是分类的。标准热力图要经过平滑算法，没有明显的边界，而马赛克图拥有清晰的边界。

Martin Theus在他的数据分析文章《理解基于区域的图表：马赛克图》中开宗明义的写道：马赛克图是分类数据显示的瑞士军刀。而条形图则停留在单变量的极限中，马赛克图及其变体充分展示了对多元分类数据的强大可视化能力。

关系图——支持力引导布局、笛卡尔坐标系、日历图

关系类的图表通常用可视化的方法显示数据之间相互关系，使用图形的嵌套和位置表示数据之间的关系，通常用于表示数据之间的前后顺序、父子关系以及相关性。

常见的桑基图、韦恩图都算作是关系图的一种表现形式。

我们的开发者smile通过整合国内著名的商用开源图表库，使得在“环形布局“之外，关系图插件支持了多种关系类的布局，例如关系数据与笛卡尔坐标系相结合，关系数据的力引导布局，以及与日历图相结合的关系数据，并且支持不同的交互动画和特效。

地图圈选——用鼠标画个圈圈就能看到对应的数据图表

地图圈选是一个特效，形象解释，就是用鼠标画个圈圈就能看到对应的数据图表。插件开发者行舟通过封装国内著名的商用图表库，为FineReport开发了普通的散点标记地图和条形图的结合图。

首先我们只需要按照传统的标记地图，为特殊选择地图配置点的名称、数值和位置数据。插件已经内置有中国主要城市的坐标，所以添加城市标记的时候，不需要单独定义坐标经纬度位置。

样式面板中支持引用fr内置的json地图数据，分为世界地图、中国地图和各省地图，方便各种场景下的使用。

重点来了哈，预览的时候，可以点击右上角的十字选择、自由选择、保持选择、清除等按钮，在地图区域标记显示。

最后

以上的可视化插件都是由帆软开发者团队成员开发，都源自自行开发或者一部分开源库，作为插件应用于FineReport的可视化图表和动效中。而FineReport是商用的数据报表工具，相关介绍：

你用过Excel，却不知还有一款神器“FineReport”这款效率远超Excel的表格工具，没用过就可惜了！

如果你是我们客户，有需求，想要定制FineReport插件；或者是感兴趣的个人开发者，想业余接项目，都可以参与到帆软的开发生态中来。

了解后台数据，首先需要搞清楚这些词组分别代表的含义及功能。

Campaign/Ad Group/Keywords 数据表格，提供每个项目/广告组/关键词的投放状态及数据。

Search Term 数据表格，可查看每个搜索量的来源（用户具体是搜索哪个关键词，展示了该广告）。

Reports 数据分析，可依据日期、关键词（组）、设备、年龄、性别、地区对投放的广告进行交叉分析，更好的优化广告。

一、Campaign/Ad Group/Keywords 数据表格

将这三个数据表格放在一起是因为这三个的菜单栏差异不是很大，所以就统一列出来解释。这三处出现的菜单栏如下：

Status

指某一广告项目、关键词组与关键词的投放状态，分为 3 种状态 - 正常（Running）、暂停（Paused）与异常停止（On Hold）。

Search match

搜索匹配。打开搜索匹配之后，竞价广告系统会根据产品自动匹配一些相关的关键词。

Default CPT Bid

默认 CPT 竞价，该广告项目下的所有关键词，都按照此出价投放，投放人员之后也可以对单独某个词进行调整。

Spend/Avg CPA/Avg CPT/Impressions/Taps/Conversion/TTR/CR

指某一广告项目、关键词组与关键词，在一段时间内的预算消耗/平均获客成本/平均点击价格/展示次数/点击数/从展示到点击的转化率/从点击到下载的转化率。

另外，TTR会受到标题、icon、描述、截图、视频、App 与词的相关性影响。CR主要受上述素材与评论的影响。

CPT Bid

点击竞价。竞价广告是按照点击收费的，CPT 即 Cost Per Tap，Bid 则是对每一次的广告点击出价，与其他广告竞争展示机会。竞价体系中，影响广告展示与价格的两个主要因素是出价与相关性（App 与竞价关键词的相关性）。

二、Search Term 数据表格

相较于上部分数据表格，这部分的菜单栏稍有变化：

Search Term

搜索项目，是指广告搜索量的详细来源，会统计到下载量来自哪个关键词——这里的关键词不是指投放设置的关键词，而是指用户看到并点击广告之前，搜索的关键词——因为有自动匹配（Search Match）与（Broad Match），所以投放人员设置的关键词与用户搜索的关键词并不完全一样。

Match Source

广告搜索量来源的分类，主要有两类：

Keyword - 用户搜索的是投放人员设置的关键词，以及竞价系统根据这些设置的词模糊匹配（Broad Match）出的关键词；Search Match - 投放人员打开自动匹配（Search Match）后，用户搜的是竞价系统根据产品本身自动匹配出的关键词。

Keywords

这里的 Keyword 指的是该搜索项目是通过哪个关键词匹配到的。

举个例子：我们在 Search Term 里有另一项是“low volume term”，其展示量是 11，这同样是指有 11 个用户在一段时间内看到了我们的广告。

但第二列 Search Source 对应的是 Search Match，这是我们在 Ad Group 中打开了 Search Match 后，竞价系统根据我们的元数据自动匹配的广告。

三、Reports 数据分析

ASM 后台能对广告投放的数据做一些分析，帮助开发者更好的对投放做调整。

Campaign-Reports

Ad Group-Reports

进入到 Campaign/Ad Group 这两个级别后都可以看到 Reports，点击进入即可。

在 Reports 里可以依据日期、关键词（组）、设备、年龄、性别、地区来分析投放状况。

1、日期

我们拿日期界面来说明一下有哪些数据可供我们查看分析：

图中的 ① 处能选择要查看的数据，比如 CPA、CPT 等。

② 处能选择对比的数据，但这个是只有日期栏才有的。

③ 处能选择看每天的走势图还是每小时的走势图。

④ 处可以选择时间段，也能自定义时间段。

⑤ 在图中被时间的下拉菜单遮住了，实际应该是 ⑥ 的样子，你可以选择看折线图、柱状图、面积图。

在这一块里我们可以看到哪个时间段的投放获得的效果最好，有助于我们设置投放时间。

2、关键词（组）

如果是在Campaign 里进入到的 Reports ，那看到的会是一个关键词组的数据图，如果是在 ad group 里查看的 reports，对应的会是每个关键词的数据图。

通过这个图你能知道在这个时间段里，这个关键词（组）各项数据如何，CPA 是否过高，转化率怎么样，可以依据这些对后期的广告投放做相应调整。

3、设备

设备这里有 iPad 和 iPhone 数值，如果都进行了投放，会在这里显示两者的投放数据。

4、年龄

这里可以看到投放的各个年龄段的数据，由此可以看出这款 App 对哪个年龄群体更具有吸引力，当然，也可以根据数据更细化投放的人群的年龄。

5、性别

由于这款 App 只投放了女性，所以折线图上只有一个数据。这个图上可以看到这款 App 对女性/男性更有吸引力，以及男性用户行为和女性用户行为之间是否存有差异。

6、地区

这里可以看到投放的所有地区的数据走势，进而优化我们的投放计划。

综上，对ASM后台的数据报表进行了一番分析，希望对你会有帮助！

故事前言

前些日子和一位企业信息部门负责人交流，他们用报表工具有5、6个年头了，先后做了财务报表，营收分析、月营收报表，细分到200多家门店以及2000多名员工的财务数据汇总，为财务开发了多维度的查询创建窗口，可以生成周期性的结算报表。

之后又用到业务层，做了OA流程分析、BOSS驾驶舱和经营可视化大屏，可以说把FineReport的功能和场景用得很全了。而且带来的效益也很明显：

1、利用填报规范化各业务线的数据收集流程，利用帆软主数据管理帮忙打通了业务系统，就主数据整理这块，就节约了7个人力。

2、IT不再只是支撑，用人上一方面往专精技术发展，一方面主动为提升业务价值做创新。4个IT报表开发，之后分别去做了ETL和搭建数据仓库模型。3个原本不断和业务沟通需求为业务取数的，专做类似数据分析层面上的经营分析，以及给业务部门的分析培训。

3、建立了商业分析经营模型，提升门店的运营能力，如根据客流及租赁系统进行数据清洗和整合，实现客流动态监测，更好的管理销售业务；

4、对分公司（金融）进行了客户画像分析，将客户交易数额、交易频次等分级，建立VIP客户阵队，为公司拉来34个每月百万级交易的客户，直接带来超1亿的营收。

......

当初上FineReport，通过报表的中国式复杂报表、灵活参数查询、丰富的图表展示、自由的数据填报上报采集、企业级门户管理等特性解决了企业信息化的不少难题，业务的数据报表可视化展示成果也是受到了领导的不断好评。

可以说“IT+数据”，价值越发凸显，盘子也越做越大。

但是任何事过一阵就会遇到上升的瓶颈，随之而来的是销售、门店、市场、人事的业务分析需求接踵而来，企业的各数据采集模块越来越丰富，即便是有报表系统，但报表需求也如井喷。最重要的是，业务的需求越发专业和个性化，需要IT对业务场景越发了解，这种需求很费时间，沟通稍有不慎之后就是不断打回，要么改需求要么继续优化，教业务取数做报表又不现实。

问题分析

基于以上种种企业数据应用的痛点，我们需要进一步的思考。

首先，要肯定报表工具的功劳，它实实在在解决了很多数据填报上报录入、日报月报、中国式复杂报表、以及企业数据报表管理的问题，同时极大地提高了传统企业下IT部门使用SQL+代码到SQL+报表工具直接出报表模式下的报表开发效率，功不可没。

但报表只覆盖了企业部分数据应用场景，且他的上手难度对多数人，尤其是业务人员有一定门槛。

对于一些数据工作走在前列的企业来讲，有些数据问题还得靠BI来解决，比如：

业务有很多分析需求，而且很多是一次性的、甚至个人的需求，沟通和配合效率很低取数分析涉及的数据量很庞大，百万及千万级以上；技术问题，需要对接hadoop之类的大数据平台，甚至需要前端报表的数据实时响应；业务部门培养分析人员需要更容易上手的工具；

......

FineBI的存在就是解决这类问题的！

1、FineReport+FineBI，两者是互补的存在！

如果你所在企业也存在着如上所述问题，那么核心问题就需要通过一款商业智能工具以满足业务人员或者企业领导的即席/自助数据分析需求。

首先FineReport作为一款报表工具，主要用于解决提升IT部门的常规/复杂报表开发效率问题；而FineBI作为一款商业智能工具，在IT信息部门分类准备好数据业务包的前提下，以满足业务人员或者企业领导的即席/自助数据分析需求。通过FineReport+FineBI的完美结合互补，轻松搞定企业IT的复杂报表&业务即席分析需求！

2、报表FineReport和BI工具FineBI的区别

1、数据引擎方面，FineReport产品是直连数据库，性能方面需要数据库的支撑；FineBI产品包含FineIndex和FineDirect两种数据引擎可供用户使用，其中FineDirect也是直连数据库，而FineIndex数据引擎是做大数据建模的，可以生成列式存储的多维数据集对传统的关系型数据库进行加速；

2、FineReport属于C/S架构，支持灵活定制各种中国式复杂报表；FineBI属于B/S架构，主要提供自助式的OLAP多维数据分析模式；

3、FineReport可以用来出固定格式的周报、月报、适合作为正式汇报材料；FineBI的使用主要面向业务人员可以自己设计报表进行分析，向自主分析得出结果，辅助企业业务决策；

4、如果把FineReport和FineBI的最终数据分析结果都比喻为一场盛宴的话，FineReport可以比喻为一桌经过精心调理和准备的满汉全席，而FineBI则可以比喻为一场可供用户进行丰富自由选择的自助餐；

5、报表系统和BI的使用对象和目的都不相同，报表系统更着重于短期的运作支持，而BI则关注长期的战略决策，甚至更着重于商业趋势和业务单元的联系而非具体的数据和精确度本身，BI并不是用来代替着眼于日常运做的报表系统的。

3、两者如何配合？

1.FineBI中FineIndex列式存储的多维数据库可以在FineReport中进行读取和使用，FineReport的拓展数据源也可以通过服务器数据集和FineBI进行共享；

2.FineReport制作的所有报表页面都可以挂载在FineBI中进行查看和使用；

3.FineBI和FineReport产品支持融合部署，所有功能都可以整合在同一个工程中进行使用（推荐FineReport整合到FineBI），同时移动端共用一个数据分析app。

典型案例

以某银行为例，下辖13家省内分行、4家省外分行，营业网点541家，员工1.4万人。全行的生产实际ODS总共的数据量20几T，单表数据量最大1亿3千万。

在上FineBI产品之前，信息科技部承担着全行内日常的数据管理以及响应各部门的报表制作需求，譬如，营运客服中心需要定期对客户进行跟踪、电话回访，信息科技部通过sql将数据库中的数据取出来，再展示成报表提供给营运客服中心的客户人员进行查询。

行内的其他业务部门，有计划财务部，公司业务部，消费金融与信用卡中心，风险管理部，营运部，对自己的业务数据有自助分析的需求，譬如计划财务部要做经营分析、资金清算，消费金融与信用卡中心要做信用卡发放的覆盖率、信用卡消费的分析，公司业务部要做增长的趋势、增长速度的分析，风险管理部有对对标上市银行的相关分析。

这些业务部门的数据指标的特性是变化快，不但要不断增加新的指标，而且已有指标的计算方式也在变化，所以需要经常调整。信息科技部并不知道哪些指标对这些于业务部门而言是重要的指标，信息科技部按照业务部门提过来的需求来做好指标，也不能完全实现业务部门需求。

上了FineBI平台之后，信息科技部给计划财务部，公司业务部，消费金融与信用卡中心，风险管理部，营运部分别开设了分析编辑用户。信息科技部将这些部门相关的数据库表加载到FineIndex数据引擎中，按照业务给每个部门的账号分配数据权限，每个业务部门可以自由地对自己的数据进行数据分析。新的模式为信息科技部只需要维护底层数据表，业务部门的科技项目经理负责向信息科技部申请需要的数据，普通的业务员可以对自己模块的数据进行自助分析，彻底改变了原有的模式。

目前全行各部门有效的分析模板300多张，各部门对自己的数据和分析模板有着绝对的自主性，同时也方便了汇报工作，譬如计财部总监给董事会汇报，以前都采用先查询报表，然后将结果粘贴到ppt汇报，现在直接使用FineBI平台，边汇报边切换指标讲解。

总行顺利推进，近期各分行也正在积极推广使用中。

写在最后

数据本身的价值其实是潜在的，而工具的作用是帮助用户更加便捷地进行数据的统计和分析，但是在这之中数据的业务闭环才是最为重要的。

除了常规FineReport的中国式复杂报表之外，还需要通过FineBI不断完善企业即席分析和数据多维可视化建设，让业务人员也能够通过BI工具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。

毕竟在当今这个大数据信息化爆炸时代，只有坚持数据成为生产力的企业指导经营方针，让全员都利用好企业的数据以分析引导业务决策，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。

编者按：这是一篇介绍如何制作图表的文章，作者是Amazon战略规划部的第一位分析师Eugene Wei（后来还担任过Flipboard、Hulu的产品负责人，Oculus的视频负责人），原文标题叫做《Remove the legend to become one》，意思是删掉图例成为传奇，因为在英语里面legend有图例和传奇的意思。简单来说，这篇文章介绍了一段经历，一套经验和一本宝书。是一篇告诉我们如何制作出好看的图表，更重要的是如何通过知识追求真相的非常实用的文章。

第一部分：经历

我的第一份工作是在Amazon开始的，在战略规划部当第一名分析师，接手做Analytics Package的工作。特意大写是因为这既是一项严肃的工具能让我们的业务明晰，也是因为其月复一月的制作工作统治了我整整1年多的生活。

1997年那时候，分析甚至还不是一个真正的词。我知道是因为试过找术语，希望澄清我要做的东西，但却找不到，字典里没有，互联网上也没有。回想起你刚开始成规模地使用互联网之时一般搜索引擎返回的结果数之少你就会意识到自己已经老了。那时候智慧还隐藏在新闻组，Yahoo还要靠手工去组织web目录，而很多的Google搜索返回结果寥寥无几。那时候如果俄罗斯人想要干涉选举的话，他们可能会植入一些故事到rec.artsics里面然后挑拨几个极客，但也就只能这样了。

尽管他找不到那词的定义，但是猜它是什么并不难。分析的某种名词形式。不仅如此，Analytics Package本身已经不言自明。真的。它会附带一页纸的附言，总是有一段简短的序言阐明目的，然后再跳到一段内附信息的文字摘要，形式跟论文摘要差不多，或者一封致股东信。我想贝索斯多年后创立的著名的公司政策，也就是支持写文章禁止PPT的做法，也许在那时候的Analytics Package附言那里找到一些起源。它们的启发是一样的：如果你没法用书面语言解释清楚某个东西的话，你自己是不是已经真正理解了呢？

我的面试流程最后一环用了1个小时，面试官是当时招聘的负责人Ryan Sawyer。经历了几乎包括所有资深高管以及贝索斯和Joy Covey等我这辈子预见的最出色的人的重重挑战之后，我以为最后这一道免不了的HR面试关不过是走走形式罢了。但那时候Ryan让我用他能够理解的方式解释一个我能理解的最复杂的东西。权当是给我的工作热热身。

Analytics Package都包含有什么，以至于需要书面解释？图表，一页页的图表，有关Amazon业务方方面面的图表。收入、时评、营销、运营、客服、人员编制、G&A、客户感知、市场渗透率、客户生命周期价值、存货周转率。通常一页纸4张图，横向布局。

Package这个词似乎有点累赘如果Analytics本身是名词的话。但如果你见过其中一个的话，你就会知道它为什么叫做Package。1997年我到Amazon时，Analytics Package大概是30到50页纸的图表。1年后，我转做产品管理时，它已经膨胀到100页了，此外我还在做一份有关客户订单趋势的不行报告。Analytics也许是指可交付的分析或者分析的实践，但Analytics Package在分量上就像电话簿，或者Restoration Hardware五金公司的目录。

那时候公司还没有把精力集中到开发内部仪表盘和分析工具上面，所以Analytics Package是用我们今天标准看来根本不入流的东西做的。我手工把数据录入Excel表，生成图表，调整布局，然后再打印成册。

这整件事最糟糕的部分之一是搞正确页码。Analytics Package背后是整整一个目录的链接电子表格。由于不同的图表来自不同的工作簿，我必须把整个Analytics Package都打印出来，排好序，然后再通过某个晦涩的打印设置菜单手工插入页码。总之，确保分页按照预期就像是拆除炸弹一样。

时至今日，公司都是平板电视挂在墙上，24/7不间断地展示着各种图表。其中大多数都不为人所关注。随时保持透明度的主旨没有错，但对人性的理解不是。我们无视那些随时可见的东西。然而，如果一个月一次把一大摞图表扔到你桌面，再加上概括结果的一封附言，并且如果CEO和你的同事都会在同一天收到同一份报告，同事报告里面该包含有你那部分业务的运营情况的话，你一定会留意的，就像任何人都会注意看一本有关自己公司的书的索引有没有提到自己一样。仪式很重要。

报告会发给全公司的资深经理。一开始资深的定义是根据职级，但就像职场大部分事情的走势一样，谁又被增加到分发表里面变成了一个月度竞争的来源。有人可能怀疑这是我的想法，因为分发表是我来制订的，但其实我关心这个是因为每个月我都得打印和复印纸质版。

现在我已经很少使用复印机了，但那一年我使用的次数比我之前和之后所有日子加起来的使用次数都要多，所以我可以相当自信地说这些机器是人类有史以来制造的最不牢靠的机器之一。

这是一场游戏，其唯一的目标是减少痛苦。一百份一百页的文档。机器复印到一定时候就会坏掉。过了一段时间就会卡纸。墨盒会没墨了。你一次愿意冒险复印多少份？太少你得再次重复设置过程。太多可能会有中间出错的风险，而这又会演变成一系列更为复杂的任务，比如只复印剩下还没复印的然后跟之前已经完成的合并。（如果你在想我为什么要手工插入页码的话，这不仅是为了方便引用特定图表，也是为了在复印机坏掉时找出哪一份资料的哪一页缺失了）

当然你也可以在清理卡纸之后恢复打印，但实际上这从来都没有见效过。以后我知道了，像这种量级的卡纸实际上是复印机永远也无法恢复的。

我变成了精通总部所有复印机情况的大师。我知道哪些复印机能够承担这一繁重的任务，了解每一台的可靠程度。对每一台机器可靠性的波动情况，使用情况以及上一次维修时间都了如指掌。由于我通常每天都加班到很晚，我会把大规模的复印任务留到最后，因为那时候整栋大楼的复印机都可以供我差遣。

有时候我光听复印机内部的复印鼓和引擎声就能觉察要卡纸了。有问题的机器会呼哧呼哧作响，就像烟鬼一样，有时候我会在复印机为我服务时把手放在机器上，就像医者把手放在病人身上一样。我会自称为复印机私语者，不过当我处理它们时总是会连声咒骂，从来没有窃窃过。后来在分析师任期末时，我得到一笔预算去招个临时工帮我完成每个月的打印工作，因为都忍受过那种永远也做不完的劳力之苦，我们至今仍有联系。

我的另一个痛苦来源是另一个工具的极度脆弱性：Excel 97的链接表格。直到今天我仍然是Excel的拥趸，Excel是微软Office套件最棒的工具了，而且如果你从事的是严肃的工作的话，仍然是地球上最顶级的电子表格工具。然而，我永远也无法忘记Excel 97的链接工作簿噩梦，一个理论上似乎很有前景的想法但实际工作起来却完全不是一回事。

为什么不干脆做到一个巨大的工作簿里面去呢？不同的部门必须针对不同的图表提交数据，那时候让多个人同时处理同一份Excel表格简直就是一团糟。找出谁的变更卡住了，整个比较的过程，这些都是难以为继的。所以我给不同的部门都建立了Excel工作簿。其中一些数据我会自己收集手工输入，而有的部门有年轻一点的员工，也有时间和资金去输入和维护自己组织的数据。

哪怕是这个过程很多地方也会出错。当我试图竖起护栏保留链接所有工作簿的公式时，从单元格保护到字体加粗到条件格式标明可编辑单元格等等，到了一般用户手里之后就没有一个电子表格可以幸存的。有人会在这里插入一行，那里插入一列或者误删了一个公式。某月，一个用户可能会改了一个工作表的名字，或者按季度增加此前从未出现过的摘要列。突然之间一堆的#ERROR出现在各个地方的单元格上，或者如果你不走运的话，数字还在，但却是错误的而你并没有意识到。

因此每个月有一部分时间都是用来检查每一张电子表格以及修补出问题的链接和指针，重新建立图表已经丢失的表格链接，或者更阴险的隐患，那些表格链接对了但表格区域链接错误的情况。

但哪怕这些都做完了，有时候表格计算也会出问题。这是注定的。电子表格的原理就是这样，唯一的错误只能是用户错误。我的主工作簿的一个单元格会指向另一个工作簿的单元格。它们的值应该是一致的。但是，当我打开两个工作簿时，一个现实1345另一个却显示1298。强制所有单元格重算的按键是F9。我已经反复按了。有时候重算能行。有时候不行。有时候我会试一下Ctrl - Alt - Shift - F9。有时候我只能祈祷。

我工作中唯一哭过一次，那是在一天很晚的时候，我妈刚刚因癌症去世了，我左腿又因为刚做了ACL/MCL疝气手术打了石膏，当我无法理解为什么我的工作簿核不平，有那么一刻我的意志力崩溃了，决定投降了。这不是循环引用，这个我知道只要我穷究下去是可以解决的，或者至少如果是工作簿内的循环引用的话是最终还是可以解决的。不，Excel 97链接工作簿这个固有的脆弱是一个不信神的程序里面的一个随机缺陷，我的感觉仿佛自己就是整个宇宙当中最遭天谴的那个倒霉蛋。

我想要离开办公室，但是我太累了拄着拐杖走不了太远。那个时候周围已经没有一个人。我把计算机和灯都关了，一头趴在在桌子上，直到那一刻缓了过去。然后我重启计算机，打开两个工作簿，然后看着有问题的两个单元格。它们还是不一致。我按了一下F9。这次匹配了。

大多数时候，在深夜我完成了所有Analytics Package的复印，然后用小，然后是中，最后是大的装订夹把材料夹到一起时，我会把大部分的复印册捧在手上，一册册放到每一位接收人的办公桌上。从我的办公桌出发到一个个办公室串门是一次受欢迎的休息，也许可以停下来跟某位还在熬夜的同事聊上几句。我感觉就像是个按照固定路线送报的，而且往往都在同一个时间起床。

尽管Analytics Package留给了我那么多痛苦回忆，但我仍视之为我职业生涯当中对我影响极大的经历之一。在做报告的过程中，我感觉我们企业的整个组织都摆在了我的面前，它的复杂性和内在工作变得一目了然。同样地，我想象程序员把数据表变成3D图表的数据可视化流程，我能够跟踪从客户想买书到一美元是如何在我们企业内部流动的整个过程。我清楚每一位员工的薪水，从分销商到我们仓库，从货架到传送带，然后打包，搬上运输车，我清楚每一笔订单的时间成本。我能够像职业赌徒算牌一样预测出每100订单会有百分之多少的客户向我们投诉，并且其中有百分之多少属于哪一类型的问题。

我知道，如果我们每月能获得一位客户的话，下个月有多少他的家人朋友会通过口口相传成为新客户。我知道如果1998年1月100客户完成了第一笔订单的话，其中会有多少比例的人2月、3月、等等还会再次下单，以及每一笔订单的平均金额是多少。随着我们的发展，以及随着我们影响力的提升，我可以看出跟出版商和分销商谈判更长的应付周转天数对我们现金流的影响，也能看到每次我谈成了更好的列表价折扣之后我们的毛利都会逐步攀升。

生活在高频交易和正态分布的领域，一个大数定律占主导的领域是多么舒服啊！每个月观察人们购书（以及后来的CD和DVD）的一致性和可预测性就像是在显微镜底下识别自然界的一些晶体结构一样。我不羡慕Snapchat或者Twitter或者Pinterest这样的公司，上市或有朝一日可能上市的社交网络，或者那些从事社交网络业务的公司，当他们的网络那么大但仍然那么的不稳定（收入流就更加了）时他们得设法管理好投资者的期望。社交网络的指数性增长当然很有趣，但如果你是Twitter每个季度都要努力向投资者解释为什么你又没有达到目标时就很无趣了，当你要假装知道一个季度后收入情况会怎样，且不说2、3个季度后的情况时，事情就没那么有趣了。

在Amazon，我能够卡出我们下个月甚至更远的未来的收入是多少，误差只有几个百分点的精度。唯一需要做出的决定是我们打算告诉华尔街我们的预测数字是多少。那时候，我们总是低估我们的收入（underpromise），因为我们知道结果会超出预期（overdeliver），唯一的问题是我们应该预测多少收入并且仍然在下一次财报会上给大家带来惊喜，并且这种惊喜是可靠的。

我们对自身业务的了解深度继续超过了我服务过的任何公司。这很大程度上要归功于贝索斯对详细程度的要求。没人能像最高领导人那样对责任设定标准。大部分功劳要算到Joy和我的经理Keith头上，是他们让Analytics Package成为了战略规划部门最核心的任务之一。Keith把我推给了Tufte改变了一切。还有更大的功劳属于所有那些帮助收集业务各方面晦涩难懂的数据的人，那些负责本部门相关职责的同事，其中很多人都针对自身领域建立了自己的模型，并定期对其进行维护和更新，因为他们知道每个月我都会过来敲门给他们出难题。

我相信这一点，因为Joy跟几乎每一条块的运营者一样了解我们业务的每一部分或者甚至更加了解，她是少有的几个既能防守又能主动出击的CFO之一。我见过的几乎每一位CFO做法都是老一套；总是严厉控制开支，采取财务保守主义，对任何大胆的财务事项投以怀疑的眼光。这些Joy做得可以比下一任更好，但在位时她会敦促我们多花点钱，其热...

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。

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

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。

企业报表分析不是简单汇总与上报

现代企业信息化程度越来越高，ERP、BI、进销存等管理系统，各类数据报表、分析报告随处可见。暂不说企业信息化是企业办公、电脑、网络一体化，或者是企业管理模式信息化，总之，所有这些做法的初衷都是好的。走进办公室总是一派繁荣景象，办工作桌总是有一大叠A4纸码得整整齐齐，有多少管理人员关注过，在这祥和热烈的气氛中又有多少混乱与浪费？

这是一张所有人都能够看懂的企业金字塔组织结构图，我们现在把企业报表和这张结构图对应起来，再结合当前你所认识的、了解的企业报表工作，你将不难发现，总是有一些企业，在报表分析当中，不分管理层级需求，将所有能够看到的数字以报表形式上报，没有体系，只有混乱。用一句话来概括：企业数据报表的的分析，就是汇总和上报！（这些企业大概是小规模的吧，一般中型、大型企业都有一套企业报表规范）

抓住企业报表需求分析是关键

有以上混乱状况出现，也可以相对看出，公司发展遇到了些许瓶颈。员工每天忙忙碌碌，兢兢业业，可是生意却总是不见有所回报。解决这个问题，抓住企业报表需求分析是关键。

此图所示是未经调查的纯主观想法，只做参考。有一部分人或许不认同高层报表的需求，不同的管理人员有不同的想法，可以理解。我想高层人员更应该注重战略决策、行业趋势的观察等工作，而报表分析工作的重点应由中层及基层人员主抓。报表设计的思路必须进行根本上的转变，在设计、制作一份报表前首先搞清楚谁将会看到这份报表，能不能从报表中发现一些问题，甚至该问题的解决方案。从上而下，或者从下而上去观察，我们的报表是否应当遵循一定的报表体系要求，是否具备规范的制作、分析、解决流程。

区别对待过程性指标和成果性指标

从报表的构成来看，体现生意上的一些指标是必不可少的。因此，针对不同的指标，设计不同的报表，是第二个关键。原因很简单，某些指标是成果性的，而某些指标是过程性的，不能一视同仁。比如计划完成率，做这个报表时，工作已经结束了，而各品类占比这个指标，却时刻体现着工作正在进行的状态。那如果我们把这种过程性、结果性的指标区分开来，或许会有意想不到的收获，而不是所有指标统统拿给领导去看。最后，推荐一本与此相关的精品图书：《用数据决策:构建企业经营分析体系》

百度竞价员在日常工作中，会用到很多数据，尤其是在向领导汇报、总结账户情况的时候，需要用到许多不同的数据报表，很多竞价新手可能对此还不够清楚，本文罗列出常用汇报用数据报表及其来源工具。

数据报告

1.每日竞价日常数据报表

2.每日竞价搜索词及对话词登记-------<商务通.CSV>

3.每日IIS日志和CSV竞价记录--------

4.每日本地访客比例统计--------

5.每日商务通有效对话的备注（搜索词.竞价后缀.客人类别）--------<商务通.SDT.IIS>

6.竞价每日时段消费数据--------<百度统计>

7.竞价星期消费数据--------<百度后台数据报告>

8.每周各计划关键词咨询成本消费数据--------<百度竞价后台.商务通>

9.每周每月账户计划咨询成本消费数据--------<百度竞价后台.商务通>

10.每周每月单元计划咨询成本消费数据--------<百度竞价后台.商务通>

11.每月正常.异常竞价数据总结报告--------<百度竞价后台>

12.每月消费前100.前200.前500关键词报告--------<百度推广助手>

13.统计每周每月商务通访客来源及有效对话来源渠道数量--------<商务通>

14.每周每月移动设备竞价咨询成本--------<百度竞价后台>

15.每周每月高展现.高点击.高消费.点击均价报告--------<百度竞价后台>

16.每月每周关键词访问URL数据报告--------<商务通>

17.每周每月商务通对话时间段数据--------<商务通>

18.每周每月本地对话时间段数据--------<商务通>

19.每周每月各病种咨询对话数量--------<商务通>

20.每周每月各关键词咨询未转化比例数据--------<商务通>

上文是百度竞价员在日常工作中可能会用到的数据报表，并不是说这就是最全的，或者说是每个都会用到。大家可以在工作中选择自己的需要选择提交不同的报表。

文章转载自：http://fingerwom/post/991.html