今天分享干货——数据驱动运营，该从几个维度分析？

如果你是互联网创业者，想必你会有运营互联网产品的经历。做互联网产品（除技术以外），其中一个很重要的环节非运营莫属了，不知道大家有没有运营的经历，那些年我们运营过的产品。从创业以来我做得最多的莫过于梳理商业模式以及运营产品，今天我就分享一下运营产品的心得（顺便吐槽一下那些让CEO喷血的用户嘿嘿~）。

在我创业的时候，我曾做过用户运营以及产品运营，这让我想起某个投资人的一个段子：作为CEO，一定要亲自接触用户，亲自做客服运营，因为会让你“怀疑人生”。

想起第一次接触运营的时候还是我大一的时候，那时候我做一个高校O2O产品，解决高校配送的痛点，做的正是用户运营，给我的感觉简直就是“毁三观”，这让我相信CEO还是得多磨练，做客服至少可以磨练你的脾气。那时候我每天与用户聊天聊到凌晨一俩点（挖掘需求，接近用户，市场调研啊有木有）。这还好，问题是社会上总有些傻逼呀，我还真见识过一些傻逼用户~心想：“我怎么会服务这些傻逼的用户呀~”“这世界上怎么会有那么傻逼的用户啊~”

运营不只是客服，“数据思维”更为重要|数据驱动运营·强运营的硬道理

对于“运营”特别是用户运营，有很多人误以为就是做客服，其实不然，其实客服只是其中一个环节。但是在运营产品中，有一个环节是尤为重要的却总被人忽略的，就是数据；运营好一个产品，数据不可忽视。我就举个最简单的例子吧，微信公众号，微信公众号门槛极低，相信就算不是互联网人都运营过，你可以把微信公众号视为一个互联网产品，说到微信自媒体，如今微信红利已过，营销起来也不比以前那般简单了，随随便便就引来十来几十万粉丝。说到微信公众号引流，大家想到的可能是靠优质内容，只关注内容。其实这是个误区，靠内容只是营销的环节，却忽略了运营。无论是自媒体还是互联网产品，都有一条服务链条，营销——运营——交互——转化服务。这个链条缺一不可，少了一个因素链条就断了，营销不过是其中一个环节。那么说到运营，我还是以微信公众号为例子吧，很多做微信运营的应该会想到用户运营、内容运营。你是不是就认为所谓运营就是与用户聊天引导用户服务以及内容运营？不尽然~仅仅依靠这样的用户运营是不够的，因为这样你不知道用户需要什么，你的粉丝是否真的是你的目标用户？你提供的服务是否是刚需？这些问题都需要运营者去考虑

如果你运营过公众号，想必会有此困惑，为什么我每天很用心地运营我的公众号，每天都生产优质内容，还是会掉粉，却找不出原因，每天都有一定的流失率；这个时候就需要用到数据思维了，这个时候数据变成为很重要的角色，你要做的便是——数据驱动运营

数据思维|如何做到数据驱动运营

我在2年前第一次尝试运营公众号，那时候也是未曾注意到数据这一维度，然而就是好不容易引来的流量第二天就流失了~那么如何做好数据驱动运营呢？

误区：不要仅盯用户量

说到数据驱动，有很多运营狗可能就说了，诶我明明有关注数据啊，我每天都观察用户量的，怎么还是不行？

做互联网产品，对于数据而言，用户量固然重要，但却不是判断产品好坏最重要的数据指标。用户量是基础，但是影响用户量的数据维度却有很多，不仅如此，影响产品的因素也有很多例如：DAU、MAU、增长率、留存率等（之前有过跑投资的经历，这些指标也是投资人及其关注的指标）

增长才是王道

其实关注用户量，这个方向&出发点是没有错的，但是影响用户量的最直接的指标便是用户增长，这才是您应该关注的，做好增长提高用户量不是什么难题。

增长是王道，如果不能增长就会衰退

数据分析，该关注哪几个维度？|如何做好数据驱动运营

首先获取数据源

运营互联网产品，其本质无非就是洞察用户行为以及驱动用户行为，然而数据的产生就离不开用户反馈，所以数据驱动运营，首先要获取的便是用户反馈了。

数据驱动运营，数据分析到底从哪几个维度出发呢？儒商经试错得出：“用户量、用户增长率、流失率、留存率、渠道转化率、MAU（月活跃率）、DAU（日活跃率）、变现转化率、回购率、人群画像分布”这10个维度的数据尤其重要。

好像上文说到的，用户增长，影响用户量其中一个维度就是用户增长；当然了，不仅仅这一个数据维度，每一项维度都有其影响的数据维度，比如说影响用户增长的有可能是你的留存率以及推广渠道的渠道转化率。然而影响留存率的便是流失率

当然分析数据以及利用数据驱动运营除了数据之外，洞察用户特征也很是重要

除了以上说到的几个数据维度之外，还有一项也是尤为重要的便是用户特征分析维度：地区分布、兴趣爱好、用户行为、性格等，按照如此分析，你能分析出他是不是目标用户群体

就是我在文章开头说到，优秀的运营应该尽可能地接近用户了解用户，才知道用户需要什么。举个简单的例子，假如是做女装电商的，那么你的用户群体便是女生，在用户分析你便要从性别来分析，那么你就可以很简单地剔除男性用户了，再进一步分析兴趣爱好、地区、年龄等维度，从而分析出用户行为以及引导用户，这便影响着你的产品的变现率（毕竟在商言商嘛~商业本质在于变现，转化消费才是王道）

用户量是基础，关注精准流量，投放渠道求ROI——渠道转化率

所有数据分析的来源，都是要有数据，数据便从流量从人而来，所以用户量便是基础了，没有用户量没有流量便是0，那么数据分析也无从谈起。

这便说到了营销，营销最直接的方式便是投放媒体或投放推广渠道，从别的渠道挖流量过来。有很多老板总说我投了那么多钱ROI（投资回报率）总是很低呀~那么这个时候你需要关注渠道转化率了，渠道转化影响着用户增长以及用户量。

如何投放，投放广告也是非常有讲究的，随便投放当然是徒劳无功，首先不用说都知道，尽量投与你产品相类似的媒体或平台（精准流量）

其次关注渠道转化率，剔除转化率较低的渠道。例如说，我投放广告，投放了百度、微信以及微博的，那么你需要去分析不同渠道各自的转化率是多少了，例如百度的转化率是最高的，那么你就选择投放百度，剔除微信以及微博的投放，以确保你的推广渠道的转化率

多维事件分析&漏斗分析法|如何做好数据驱动运营？

在运营产品当中，要时刻关注每一个数据指标以及影响其指标的数据维度：

基于用户量、人群画像时间分布、性别分布、用户行为、日均交易额等维度分析流失率、增长率下降等问题

漏斗分析法

在分析数据的时候，如何做好数据驱动运营，我提供一个分析数据的方法——漏斗分析法

我举个例子，还是做电商的例子，电商人都知道，电商的数据尤为重要的数据便是留存率、流失率以及消费转化率。

然而影响流失率的有可能就是用户体验的问题以及交互环节，例如电商的用户行为，最重要的便是支付环节，购买环节。然而有很多电商的平台便是在支付和购买环节上流失率较高，这与用户体验有关系，有可能你的购买的环节太多了；比如，用户看到一样产品他想购买，但是你需要进入选择产品接入支付接口，支付才能购买，这中间经过了四个环节，交互环节较多，用户的时间成本高了，用户就不想买了，用户有可能在中间的某个环节就已经流失了。

这个时候作为运营你就需要去分析其中的情况，获取用户行为按照每个阶段分析留存情况，然后再分析流失情况以及原因，再进行优化。

3、留存分析：

分析不同批用户的用户行为特征，分析其留存情况。

4、回访分析：

A、分析用户在一定时间内重复消费的分布。

B、调查用户反馈。

把这些数据都做好，就能做到数据驱动运营，只要做到这点你的产品运营会更加贴近用户，也能调查出你的产品问题出在哪里。

作者：儒商诗人，90后，创业小白，出身互联网。热爱商业 ，专注于TMT领域，倾力于商业知识服务，分享更多创业干货，欢迎关注

近几年电商行业的各大网站纷纷通过降价、促销等方式来吸引用户，KPCB 的调查报告显示，2009 年到 2015 年全球移动端新用户的增长率持续下滑，可以预计在 2016 年这一增速将继续放缓。这意味人口增长带来的流量红利正在逐渐消退，用户增长将更加乏力，那么，通过单纯的价格战来吸引新用户的方式还可行吗？

严峻的市场市场形势让我们思考：

1）通过降价促销来带订单数的增长，但是这样的活动吸引来的真是你的目标用户吗？

2）现在很多电商运营团队缺少精细化运营和数据驱动的经验和意识，依靠价格战这种野蛮生长的方式，一旦团队面临增长困境，又该如何应对？

Part 1 电商行业需要关注的五大关键指标

在众多的互联网细分行业中，电商行业起步早，发展时间长，行业特征显著：

1）商品品类及 SKU 多，用户覆盖面广，运营难度大；

2）总体上客单价低（除旅游、奢侈品等外），强调留存与复购；

3）电商产品设计相对成熟，优化运营是重中之重；

4）电商行业竞争白热化，精细化运营是冲出重围的必备技能。 要想实现精细化运营，数据是必不可少的一个环节。

要想实现精细化运营，数据是必不可少的一个环节，电商网站要提高运营效率，至少需要五大关键指标：活跃用户量、转化率、留存、复购和 GMV 。

1）活跃用户量是一个基本的指标，有 DAU（日活跃用户）、WAU（周活跃用户）和 MAU（月活跃用户）三个层次；

2）转化是一个非常重要的指标，电商运营需要关注主路径、次路径甚至精细到每一个品类 SKU 的转化率；

3）留存要从不同的时间周期上研究，包括次日留存率、3 日、7 日、30 日留存；

4）复购则要从 3 个角度去看，复购用户量、复购率和复购金额比；

5）GMV 是最重要的指标，我们的运营最终是围绕这个来进行的。GMV = UV 转化率客单价

Part2商品运营：流量优化和品类优化

前面提到电商行业的一大特点是商品品类或者 SKU 非常多，那么如此多的商品该如何运营呢？

这是三个电商 APP 的首页界面（各家 Web 端布局也比较相似）：前两个是京东和国美，属于平台型的电商；第三个是生鲜水果平台，属于垂直型电商。不难发现电商的产品在设计上非常类似，首页上面呈现的是轮播的 Banner ，下面是活动专区。

在商品运营中，尤其是首页商品更新速度快，我们要格外重视转化，甚至要精确到不同时间区间、不同位置、不同商品的转化率。然后根据转化率，结合业务经验，不断调整运营策略。然而目前，即使是大型的电商网站，也没有很好地做到这一点，对于每个商品品类 SKU 的转化率的分析仍存在一定的空缺。

商品运营有一个非常大的优势：投入低，见效快，效果明显，商品运营的本质是通过不同坑位、不同活动、不同商品的分析来提高我们的转化率和 GMV 。

下图展示了一个电商购买流程的主路径：首页——活动页——商品详情页——支付完成。从精细化分析的角度出发，我们关注转化路径每一步的转化率；通过分析不难发现最后一步“支付完成”的转化率偏低。

我们更需要基于三个关键转化“UV-点击”、“点击-加入购物车”、“购物车-支付成功”，对不同的商品进行比较分析，从而及时调整运营策略，下图就是各个步骤的转化率：

电商网站的运营节奏非常快，尤其是活动专区的“秒杀”、“抢购”等活动，需要实时监测 SKU 的更新变化。上图中，某电商平台进行了一次微信上的促销活动，通过实时监测到对应的平台访问情况，便于运营人员及时调整运营策略。

GrowingIO实时分析功能电商网站上的商品品类非常多，每一个品类都应该有明确的定位，不同定位的品类应该有不同的运营策略。根据商品品类的利润率、转化率等表现，我们将商品品类分成 4 种：导流型品类、高利润品类、高转化品类、未来明星型品类。

1）导流型品类：利润非常低，但是购买量大、市场需求大，目的在于导流。

2）高利润型品类：利润率高，希望用户更多购买此类商品。

3）高转化品类：带量。

4）未来明星型品类：这是电商平台的潜力股，虽然曝光量很低，但是转化率极高。

明确了商品的品类后，我们就可以针对性地展开运营。

这是新型的波士顿矩阵，横坐标代表商品的曝光量，纵坐标是商品的转化率，图中的每一个圆圈代表一个品类的商品。右上角的商品品类曝光量大、转化率高，是现金流的重要业务；而左上角的商品虽然曝光率非常低，但是转化率极高，属于我们上面提到的未来明星型品类，对于这一类商品，我们在后期的运营中可以增加其曝光量。

Part 3 怎样进行用户运营？

正如开头提到的，随着互联网用户增长速度的放缓，用户体验愈发重要，之前无目的的短信推送、APP 通知有可能使用户厌烦，破坏用户的体验；甚至可能导致用户退订、卸载。

精细化运营的情况下，做好用户运营主要从两个角度出发：一是找到用户留存的关键点；二是采取差异化的运营策略，区分不同的用户群体，对不同群体采取差异化的运营方式。

1. 找到用户增长的“魔法数字”留住一个客户的成本远远小于重新获取一个客户的成本，所以留存至关重要，它关系着一个平台能否持续健康发展。

留存曲线分成三个周期，开始是震荡期和选择期，经过这两个周期，如果用户能够留下来，就会进入一个相对平稳期。

在硅谷流向的 growth hacking 中，经常提到 magic number（魔法数字）。

那么作为一个电商平台，你的平台的魔法数字是什么？

以某电商平台为例，在该网站上 7 天内完成 3 次购买的用户的留存度（红色）是一般用户（绿色）的 4 倍左右，因此在一周内让用户完成 3 次购买就是他的魔法数字。

2. 差异化的运营策略

不同用户的活跃度、商品偏好、购买决策阶段都各异，我们需要采取差异化的运营策略。差异化的运营策略主要从3个角度出发：基于用户的活跃度、基于用户对不同商品的偏好、基于用户所处的决策阶段。

基于用户的活跃程度，我们可以将用户大致分成“流失用户”、“低频活跃用户”和“高频活跃用户”。一般情况下，一个用户 30 天甚至更久没有登录你的平台，我们基本可以认为该用户流失了。对于流失客户，是否要考虑采取召回策略。30 天内活跃 10 天以上的高度活跃用户，我们是否可以向其推荐更多精准的商品。

其次基于用户对不同商品的偏好，我们采用用户分群，将用户区分成“美妆类”、“鞋帽类”、“数码类”、“书籍类”等不同群体，然后精准推送新品。

最后，基于用户购买决策的不同阶段。一个标准的购买流程，先后经历“首页浏览搜索——浏览商品详情页——商品对比——加入购物车——支付成功”等几个环节，用户在每一个节点都处于不同的决策阶段。我们从维度（属性数据）和指标（行为数据）出发，对用户分群，如“领取了优惠券，但是未使用”的用户，采取精准的推送。我们从 GrowingIO 提供的 API 导出这些用户的 ID 和属性，然后对接企业内容的 CRM 或者 EDM 进行精准的推送和提醒，刺激用户的转化。

Part 4 优化产品的转化效率

目前电商产品的设计总体成熟、界面布局类似，我们主要结合用户的使用情况去优化产品。我们的思路主要是：优化产品不同路径的转化率，注重用户点评的管理。

1.优化产品

从转化做起一个购买行为可能有多种转化路径：

1）首页——商品——订单转化

2）首页——商品列表——详情页——订单转化

3）首页——搜索——商品列表——详情页——订单转化

4）首页——单坑位Banner——活动页——详情页——订单转化

除了不同路径的转化率，我们还关注转化的每一步：

上图利用 GrowingIO漏斗功能展示了一个用户的购买流程及每一步的转化率，我们发现“加入购物车”到“支付成功”的转化率不到 13，偏低，需要排查具体的问题出在哪里。

一旦觉察到问题可能存在，我们就需要层层下钻，直接抵达问题的核心。我们通过用户分群，将“提交订单，但是未支付完成”的用户全部筛选出来。然后抽出 3-5 个符合条件的用户，借助“用户细查”仔细观看每个用户的操作流程，一般就能发现问题了。

2. 用户评价的重要性

越注重用户体验的商品，用户评价的管理就越重要，例如旅游类商品、生鲜类商品、鞋服类商品等。

借助转化漏斗，我们发现观看过“商品评价图片”的用户的购买转化率是一般用户的 4 倍，但是其数量只占总体的 110。如果我们能引导用户参与点评，将优质点评展示给更多的新用户，那么我们的总体购买转化率将会有更大的提升。

更多电商数据分析内容进入：otpub

感谢关注天善智能，走好数据之路↑↑↑

欢迎关注天善智能，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区，学习，问答、求职一站式搞定！

每周2-3场免费数据领域公开课，每月线下活动，欢迎关注！

这是陈老师《做一个人见人爱的数据分析师》长篇连载第一篇

FBI Warning

——本文会引起某些数据分析师的不适——

——2年以下经验的新兵请在家长陪同下观看——

坐

好

扶

稳

飙

车

开

始

数据分析师1：日报显示昨天业绩没达标

销售部门：早知道了*1

数据分析师2：周报显示昨天业绩没达标

销售部门：早知道了*2

数据分析师3：月报显示昨天业绩没达标

销售部门：早知道了*3

数据分析师4：月度分析表明不达标是因为客户到店少

销售部门：早知道了*4

数据分析师5：所以我们要加强客户到店

销售部门：早知道了*5

销售部门：你丫废话不废话啊！老子天天守在门店啊！到店人多不多我看不到啊！你当我是瞎子吗！加强到店，说的轻巧，你给老子加强个试试看啊！

数据分析师6：可以推出爆款产品吸引客户，你看XXX就卖的很好

销售部门：早知道了*6

销售部门：卖的好我当然知道啊，调货都调不到啊，库存不够你倒是帮老子想想办法啊！

数据分析师7：那客户数少，客单价提起来也行，你们可以推XX+XX组合

销售部门：早知道了*7

销售部门：但是对谁推啊！我们能促成一单已经很不容易了好吧！还TM推大单，用你的直筒子脑袋想想，单价上去了，成交率肯定会往下跌啊，还作分析的呢！

数据分析师8：从数据上看，性别女（58%），年龄25-30（42%）推成功率最高（58%）

销售部门：扯淡！

销售部门：你到门店看看，有几个性别女且年龄25-30的会买这个。况且我们怎么知道人家年龄25-30，我还查户口啊！

数据分析师9：你们没有数据思维！怎么能做到精准销售！都给我收集数据去！客户基本资料必须补完！做不到扣钱！

销售部门：哦，知道了

销售部门：那好办，今天谁的业绩最低，谁受处罚，就罚填这些顾客信息表，随便填填满为止，哈哈哈

数据分析师10：o(╯□╰)o，填回来的顾客全叫丁一，王二，算了算了，认真填有奖励！每份给20块！

销售部门：哦，知道了，大家填起来！

销售部门：呦呦，切克闹，管他成交不成交，资料先得来一套！七大姑啊八大姨，各个都得往上交，20块钱不会少，轻轻松松捞到饱啊，捞！到！饱！

——正经讨论的分割线——

上边这些事情估计做过销售日报月报季度报的同学都经历过。我们常说数据驱动业绩，分析提升效益。可以在最能直接驱动业绩，提升效益的销售领域，数据反而显得最无能为力。大部分时候我们给出的结论不是被说成：“早知道了”就是被视为：“站着说话不腰疼”。至于日报月报没人看，专题分析被人喷，对经验不足的分析师则是家常便饭的事。特别在线下销售企业和B2B类销售企业，这种现象更常见。

导致这个问题的有三大原因：

一：因果倒置

我们看到的数据大部分是结果。客户已经成单以后，我们可以看到交易记录，顾客信息，但是这是已经成交的情况。成交的过程是什么样子？为了促成交易销售做了哪些动作？不深入一线，只是就数论数的话，根本猜不到原因。而销售们往往对真实情况了如指掌，当然看不起只靠用户数*活跃率*付费率*付费金额这种简单公式推测出的分析结果。

二：指向不明

我们习惯性给概率，平均值，而销售最讨厌的就是这些。因为没有一个客户叫比例，也没有客户叫平均。他们需要的是很明确的：到底要做谁！要理解这些销售的心情，他们可不是坐在办公室吹着空调喝着咖啡打着ppt的市场部策划。他们要做大量基础销售动作，还要承担丢单的挫折感，哪有闲工夫听理论。

三：行动不清

我们习惯性给建议，而销售们需要的是动作。一个具体的销售动作，由迎客+询问+引导+FAB+促销推荐+促单至少5步完成。B2B类销售还需要至少6次持续跟进。在这个复杂的链条里，单纯的说“提高客单价”“增加交叉销售”这种空话是没有意义的，销售们需要的是具体的我可以说什么，我可以做什么。

归根到底，是因为业绩是做出来的，不是算出来的。如果仅仅是给一个数字，就无法体现数据分析师的意义，上一套自动BI就可以炒了你们全组人。如果不想只给数字，就得深入到业务中，理解销售的工作特点，输出可以帮助到他们的结论。

这就需要分析师们不能沉迷于自己的数字游戏，沉迷于加减乘除算法模型之间，而是要设身处地的思考：

1. 如何发现机会，提示方向；

2. 如何找到标杆，提炼经验；

3. 如何量化行为，清晰考核；

把那些Ace级销售的行为标准化，武装给销售团队的每一个人；

把那些习以为常中忽视的问题暴漏出来，及时纠正方向，提升效率。

真正让数据分析起到分析应用的作用，而不是简单跑个数了事

陈老师会在后续文章中逐步展示具体做法，敬请期待哦！

当然，这里也有成体系的攻略，戳：https://edu.hellobi/course/179 看销售，市场，产品，营运四大部门如何利用数据，看领导们如何基于数据分析做决策

然而，你觉得这些和身处基层的自己隔得太远，戳：https://edu.hellobi/course/216 看基层专员如何突破障碍，快速积累经验

本文作者：天善智能社区专家陈文。8年经验数据分析师，资深业务顾问。观客CRM数据运营总监，在金融，零售，家居，美容等行业有丰富经验。负责超过25个数据运营，CRM，精准营销项目落地，参与5个以上数据产品设计与运营。在业务部门最懂数据，在数据部门最懂业务，在数据业务两个交叉领域吐槽最凶猛。

原文链接：https://ask.hellobi/blog/chenwen/9498

天善学院svip正限时特惠火爆报名中！包含业务知识一站通、Excel BI商业智能、七周成为数据分析师、对话大数据系列技术、R语言15案例、Python3网络爬虫实战案例、Python机器学习、Python数据科学家精华实战课程、深度学习模型和实战课程、数据分析报告共10套课程，其他课程只需五折即可，欢迎大家关注报名。https://hellobi/svip

最近一直在为写什么内容的文章而头疼，不想写自然搜索和直通车的内容，虽然我知道这是大家最喜欢看的内容，但是我从13年开始写文章，到现在差不多五年的时间 写自然搜索和直通车的内容实在太多，继续写也无异于新瓶装旧酒，所以想写一写那些自己从来没写过的东西。

上一篇我写了关于如何去做淘宝头条，有好货，必买清单的文章，在文章最后的时候我还说了需要做好内容营销的数据分析，但是因为这个时候文章写的有点长了，我就没有写具体内容了，结果很多商家反馈让我写写如何去做这方面的数据分析的思路。既然大家都有这方面的需求，那今天我们就一起来聊聊这个话题。

生意参谋是一个非常强大的工具，我们做数据分析的时候想要的数据基本都可以在生意参谋找到，内容营销这一块的也一样，在生意参谋有一个“业务专区”的版块，这里面的数据就是专门针对内容营销数据的。

在内容分析里面一共有八个子版块，今天我们重点分析前面六个版块。

1.整体概况

这里可以看到你最近30天内每一天内容营销的情况，主要是相关内容数的情况和引导进店的情况。

这里主要要掌握这么几个概念，本店相关内容数和内容引导本店商品数。

本店相关内容数是指当天发布的内容中，包含本店商品的内容数量（仅包含新增的内容）简单的来说，就是你能通过这个指标知道当天发布的内容中有多少达人是在推荐你家的宝贝的。

内容引导本店商品数是指有多少个宝贝让达人在推荐。

从这两个指标你可以判定的是你店铺是否受到达人的喜欢，以及他们喜欢你店铺的程度，例如，如果你的相关内容数数据很大，但是内容引导商品数只有那么两三个，那说明的是，你只不过是少数一两个款式受到了达人的喜欢，可能是因为你在V任务花钱找的达人在推荐这些款，也可能是其他达人之推荐你这个销量高的爆款，只有你这个爆款受到了达人的认可和符合达人的条件。

如果碰到这种情况，第一个我们要了解的是哪一个宝贝受到了达人在内容中推荐，推荐的渠道是哪一些，推荐的达人主要是哪一些。这些数据你可以在商品top排行榜，渠道top排行榜，达人top排行榜里面都可以看到数据。

如果你发现有一个款长期受到了达人的某一个渠道的推荐的话，那么你就可以去总结这个款为什么能受到达人的推荐，而其它款人家为什么不给你推荐。首先可以肯定是你这个款是符合推荐要求的，你就要去总结这些要求，例如，你发现某一个款长期受到达人的推荐，正好这个款有了白底图，而其他款没有受到推荐的都没有白底图，那么你就要考虑去把其他的图也把第五张图片设置为白底图。

在引导情况里面数据对我们帮助很大，通过这个数据我们能知道帮我们推荐的达人是否与我们的店铺定位一致，他们的粉丝群体是否符合我们的店铺要求。

例如，在前面我们已经知道了本店相关内容数，也就是说，知道了受多少人在帮我们推荐，但是如果这里引导进店次数很少的话，说明是要么没有厉害的达人在我们推荐，要么就是推荐的达人和我们的店铺人群不一致，有没有厉害的达人在推，这个很简单，你直接进入到达人top排行榜里面去找到这个达人的主页，然后看他的人气，看他文章的浏览量，如果发现流量低低，那说明是达人人气不行，但是如果浏览量非常高，但是引导进店次数很低的话，那说明的是达人人群和你的不搭配。

2.单条分析

单条分析非常给力，可以看到你每条数据的详细分析，特别是当你相关内容数比较多的时候，这一个功能非常强大，他可知道你是哪一个内容引导的流量最高，互动次数最好，加购，收藏最好

你可以扫码那个二维码进去看到你对应内容，你能清楚的知道达人是在帮你如何推荐的。从这个数据你完全是可以知道达人的质量的，特别是那些你花钱找的达人的话，就一定要去这里分析数据，否则你根本都不知道别人有没有给你带来你想要的价值，很多人从来都没有去这里看，所以他根本都不知道他花的这个钱到底值不值得。有了这些数据的话，你也就知道下次要不要继续和这个达人合作了，那些表现好的达人我们就要想办法去和他经常保持联系，经常合作，不好的达人就可以淘汰了。

3.商品分析

商品分析也很重要，他可以告诉你那个商品在内容营销上做到好，如何是花钱和达人合作的话，一般来说我们肯定是要拿最好的商品去合作，因为这样我们的效益最大，当然，不同目的的时候方法不一样，学会灵活变动。

要重点分析阅读人数和进店人数，加购人数之间的关系，如果阅读人数高但是进店人数收藏加购人数低的你要去分析是你产品的问题还是达人人群的问题，例如，某个达人本身是很给力的，他给你推荐了一个文章，阅读次数非常高，但是就是进店人数很低，而且他的人群也和你的宝贝是一致的，那么可能就是你的产品不行了，可能款式没选好，图片没拍好，价格不合适等等，这种情况效果不好的话你就不能去怪达人了，只能怪你自己

同时最重要的一点是要学会总结，就是为什么这个商品在内容营销方面表现好，那一个商品为什么在内容营销方面表现的差，他们的原因是什么，然后总结这个经验，下次的时候扬长避短，这就是复盘的重要性了。

4.渠道分析

渠道分析是按照内容的渠道进行数据分析。从这里你可以清楚的知道哪些渠道你表现的好，哪些渠道你表现的差，表现好的渠道，表现好的渠道是哪位达人在给你推荐，他推荐的方式什么样的，这些你都可以清楚的在这里面了解到具体清楚。

5.合作达人

很多人总是和我说，哎，我没达人资源，我找不到好的达人，有时候听到这些话我真想骂人，这里的达人不是旺旺联系方式都告诉你了吗？上一篇文章我就告诉你们如何去找到这个人了，最关键的是，因为他之前给你做过推广，你有数据了解到了这个人是不是符合你的要求，他的能力怎么样，这些都是有数据可查了，这样你也不会让坑，对于那些比较好的达人，你完全可以主动的去联系他，给他一个高佣金，因为他已经给你推广了，你完全可以说，我是某某店的负责人，看到您正在帮我们推广产品，为了答谢达人们的支持，我们特意为长期的达人开通了高佣金计划，然后把高佣金链接给他，告诉他让他联系微信或者旺旺通过验证。长期积累下去你还怕没这个资源吗？很多人就是太懒，总是想着别人一下把他所有的资源都给自己，其实，不是自己积累的，就算给你了又有什么用呢，例如很多人总是找我要达人资源，其实我真的就算给你对你有用吗？人家会给你推荐吗？

6.读者画像

读者画像我就不详细讲了，从这里你可以知道你内容营销的读者是什么群体，是否和你店铺的人群一致，然后针对性的运营就可以了。这个和其他人群画像分析是一致的。

7.v任务分析

如果你经常做v任务分析的话，这个功能对你的帮助就很大了，你可以看到你的v任务的具体数据，不过个人认为，生意参谋在这方面做的还不过详细，很多重要信息么有在这里面展示出来。

数据挖掘与分析可以说是信息领域发展最快的技术，很多不同领域的专家都从中获得了发展的空间，使得数据挖掘成为企业界讨论的热门话题。

随着信息技术的发展，人们采集数据的手段越来越丰富，由此积累的数据日益膨胀，数据量达到GB甚至TB级，而且高位数据也成为了主流，于是数据挖掘这一融合多种分析手段，从大量数据中发现有用知识的方法就应运而生了，它的出现为商业决策提供了有价值的知识，让企业获得了利润，在客户内在需求管理中，数据挖掘正在起着导向的作用。

一、以客户为中心的数据分析框架思想

信息时代到今天已经发生了三个变迁，从80年代的硬件时代，到90年代的软件时代，到2000年开始的客户为中心的信息时代。

我们也在这个阶段看到了服务业的竞争也发生了翻天覆地的变化——从以服务内容取胜，到服务渠道取胜，到现阶段的客户体验取胜。

1、从客户视角构建业务框架

从宏观视角看，业务战略方向逐渐深入以客户为中心的思想，从微观视角看，在客户为中心的思想驱动下，企业需要进行一整套的机制流程改变，包括客户为中心的数据挖掘与分析，客户为中心的业务规划，客户为中心的营销规划，客户为中心的设计，客户为中心的绩效体系构建等。

传统业务规划我们通常只考虑业务之间的逻辑关系，较小的考虑客户操作视角中形成的一连串的心理反映、行为特征、价值取向等等，而在客户为中心的业务规划中，客户的每个操作都需要详细分析，记录在案，通过行为轨迹综合分析客户心理特征，所以能够更有效的促进客户完成业务，以下为传统业务规划和客户为中心的业务规划的两个对比：

（1）传统业务规划

①大脑风暴构建业务流程，从业务规划者角度而非客户角度出发。

②我们不知道客户需要什么，更糟糕的是客户可能也不知道。

③每个环节都存在客户流失，而我们不知道发生了什么。

④客户每次点击都是营销机会，但是我们错过了每一次机会。

⑤客户在每一个环节都错过了本来他可能会购买的商品。

⑥当客户离开时我们永久的失去了该客户，没有留下有价值的信息。

（2）从客户视角构建业务框架

①以客户为中心的思维方式构建业务框架。

②系统需要满足不同类型的客户的个性化需求，其核心为数据挖掘和应用。

③系统需要协助客户达成实现客户期望，并帮助客户发现并实现潜在需求。

④系统需要智能寻找最佳的帮助时机，智能的进行客户协助。

⑤系统建设需要考虑未来系统的发展方向，其核心为客户需求挖掘。

2、业务及营销为中心的数据体系建设

今天的营销正在发生巨大的转变，客户需要更大的参与度，与企业更多的互动，特别在电子渠道中互动营销正在成为主角。

客户对企业的要求越来越高，对应的行为也在发生变化，而传统以推送方式为主体的营销方式不仅仅效率低下，而且使客户越来越厌恶，这充分体现在了营销转化率低下，客户拒绝率提升，满意度下降等数据上。

如果我们细心观察今天的广告价格，您可以发现今天的营销行为已经不再是把广告投放到“新媒体”那么简单，今天的营销人员必须找到出路，努力在多种高度互动的营销渠道中展开高级个性化和相关沟通，创造良好的客户体验，努力提升营销效率。

以购买为例，我们经过客户研究发现几个行为特征，消费者首先对产品开始感兴趣，此时销售人员虽然可以帮助客户，但是不宜直接对话，最佳方式通过系统智能的与消费者进行互动，帮助消费者决策，而当消费者产生了真正购买的冲动之后，消费者更愿意主动通过IM方式与客服沟通形成购买行为。

所以，营销人员必须对整个每个营销时机有提前预估，这就要求我们在数据体系构建时，必须能够帮助营销人员统计客户变化情况，并且需要满足营销人员针对客户每时每刻不断变化的需求进行个性化营销定制的需求，协助营销人员展开精准营销活动。

①数据框架建设必须以业务及营销为中心

②数据框架建设需要满足现有的业务需求，并且需要尽可能满足未来业务发展的需求

③数据框架建设重点在于实现智能交互

④数据需要能够用于分析，判断，决策，使用

⑤数据框架建设需要能够反应出数据的变化趋势，协助业务的分析判断

二、数据分析框架的主要事件

主要事件事件描述分类根据业务的需要进行必要的分类，比如对客户评级的分类，AA等级或AAA等级估计根据业务数据判断的需要定义需要估计的数据和数据区间值，对业务进行补充和协助。

例如根据客户储蓄和投资行为估计客户投资风格预测根据数据的变化趋势预测数据的发展方向；例如根据历史投资数据帮助客户预测投资行情等数据分组根据业务需要对数据进行分组；例如购买A类的客户通常也会购买B类，购买A的客户后有一个B周期会产生C行为聚类数据集合的逻辑关系，比如同时拥有A特征和B特征的数据，可以推断出其也拥有C特征描述描述性数据有助于提取关键要素进行数据归纳；例如从数据关键词中进行近似业务营销，备忘录等复杂数据挖掘例如Video，Audio，图形图像等等。

1、分类（Classification）

在业务构建中，最重要的分类一般是对客户数据的分类，主要用于精准营销。

通常分类数据最大的问题在于分类区间的规划，例如分类区间的颗粒度以及分类区间的区间界限等，分类区间的规划需要根据业务流来设定，而业务流的设计必须以客户需要为核心，因此，分类的核心思想在于能够完成满足客户需要的业务。

由于市场需求是变化的，分类通常也是变化的，例如银行业务中VIP客户的储蓄区间。

2、估计（Estimation）

通常数据估计是互动营销的基础，基于客户行为进行数据估计为基础进行互动营销已经被证实具有较高的业务转化率，银行业中通常通过客户数据估计客户对金融产品的偏好，电信业务和互联网业务则通常通过客户数据估计客户需要的相关服务或者估计客户的生命周期。

数据估计必须基于数据的细分和数据逻辑关联性，数据估计需要有较高的数据挖掘和数据分析水平。

3、预测（Prediction）

根据数据变化趋势进行未来预测通常是非常有力的产品推广方式，例如证券业通常会推荐走势良好的股票，银行会根据客户的资本情况协助客户投资理财以达到某个未来预期，电信行业通常以服务使用的增长来判断业务扩张和收缩以及营销等。

数据预测通常是多个变量的共同结果，每组变量之间一般会存在某个相互联系的数值，我们根据每个变量的关系通常可以计算出数据预测值，并以此作为业务决策的依据展开后续行动。

4、数据分组（Affinity Grouping）

数据分组是精准营销的基础，当数据分组以客户特征为主要维度时，通常可以用于估计下一次行为的基础，例如通过客户使用的服务特征的需要来营销配套服务和工具，购买了A类产品的客户一般会有B行为等等。

数据分组的难点在于分组维度的合理性，通常其精确性取决于分组逻辑是否与客户行为特征一致。

5、聚类（Clustering）

数据聚类是数据分析的重点项目之一，例如在健康管理系统中通过症状组合可以大致估计病人的疾病，在电信行业产品创新中客户使用的业务组合通常是构成服务套餐的重要依据，在银行业产品创新中客户投资行为聚合也是其金融产品创新的重要依据。

数据聚类的要点在于聚类维度选取的正确性，需要不断的实践来验证其可行性。

6、描述（Description）

描述性数据的最大效用在于可以对事件进行详细归纳，通常很多细微的机会发现和灵感启迪来自于一些描述性的客户建议，同时客户更愿意通过描述性的方法来查询搜索等，这时就需要技术上通过较好的数据关联方法来协助客户。

描述性数据的使用难点在于大数据量下数据要素提取和归类，其核心在于要素提取规则以及归类方法，要素提取和归类是其能够被使用的基础。

7、复杂数据挖掘

复杂数据挖掘比如Video，Audio等，其要素目前依然难以通过技术手段提取，但也可以从上下文与语境中提取一些要素帮助聚类，例如重要客户标记了高度重要性的Video一般优先权重也应该较高。

复杂数据的挖掘目前处理的方式一般通过数据录入的标准化来解决，核心在于数据录入标准体系的规划，马海祥建议为了整理的方便，初期规划是尽可能考虑完善，不仅仅适用现在，而且可以适用于未来。

三、从客户需求到业务

针对不同客户群体的特点和需求，我们也应有针对性的数据挖掘和分析，用个性化的服务赢得了广大客户。

1、客户为中心的业务规划思想

客户为中心的业务规划大致有三个环节：从客户研究到需求挖掘，从需求信息到数据化的需求管理，从需求文档到业务规划与设计。

客户为中心的业务规划不仅仅需要考虑业务需求是否能够满足需求的问题，还需要考虑到业务的变化趋势，业务的营销重点。

2、数据挖掘技术

对于客户数据的挖掘，我们可以通过以下几种方法来获取：

（1）Clickstream Data点击流数据

①直接访问数量

③访客地理位置

④点击流跟踪

（2）Outcomes Data结果型数据

①访客（初次访问数，访问总数，平均回访数，关注点）

②页面浏览（平均浏览数，总PV ，访问超过一页的访客比）

③时间（全局，人均）

④关键行为（如：注册，购买）

⑤转化率

（3）Research Data研究性数据

①客户研究

②启发式评估，客户体验测试

③客户属性（数据库分析）

④客户期望分析（从数据到服务）

（4）Competitive Data 竞争性数据

①“面”数据测量（大众分析）

②网络服务数据测量（行业分析）

③搜索引擎测量（舆情分析）

3、数据分析技术

对于数据分析技术，我们有可以分为初级数据分析和高级数据分析2种：

（1）初级数据分析

①Click Density Analysis 点击密度分析

②Visitor Primary Purpose 访客首要目的

③Task Completion Rates 任务完成率

③数据估计值组合

④数据预期值组合

⑤聚类组合分析

⑥客户深层次研究

4、跨渠道的数据交互思想

①跨渠道数据交互一般服务或者营销为目的。

②跨渠道数据交互必须客户为中心。

③跨渠道数据交互能够给客户立体式体验，有效提升品牌体验。

5、基于数据的互动式业务规划

①基于数据交互的业务规划对象一般是一个系列产品或服务链条，通常广泛应用于通信业，银行业，保险业，零售业等。

②基于数据交互的业务规划必须以客户为中心，分析客户出现需求的各种时机，并智能匹配以产品或服务，其实现以数据挖掘为核心。

6、基于数据的互动式营销规划

基于数据的交互式营销主要指互动营销，核心思想为分析客户的特定时机需求，并根据该需求推荐相关产品或服务满足客户需要，广泛应用于各种行业。

基于数据交互的业务规划同样必须以客户为中心，分析客户出现需求的各种时机，并智能匹配以产品或服务，其实现同样以数据挖掘为核心。

7、数据预测

数据分析：对照A服务和B服务的使用记录，使用A服务的客户在1个月收益小于B服务，而3个月会产生收益大于B服务。

互动营销：建议需要1个月服务的客户使用B服务，建议需要3个月的客户使用A服务。

业务创新：面向需要两个月服务的客户开发非A非B的C类型服务。

Udesk 精品文章

Udesk功能专题

工单处理时间

每日5000+工单的解决之策

Udesk系统之用户互动

通过Udesk获取客户需求点

呼叫中心

如何用呼叫中心提升用户体验

下一代客服型呼叫中心发展方向

呼叫中心客服交流三大法宝

在呼叫中心成长：认知比行为更重要

突破呼叫中心，小企业客服的化蝶之路

如何正确利用呼叫中心来实现客服管理

客服系统

如何选择一款优秀的客服系统？

好的客服系统让客服成为企业行销利器

客服系统发展带来新的营销套路

从Udesk看未来客服系统发展

移动互联网时代客服系统的变革之路

客服系统比企业更懂客户需求

客户服务

教你如何绕开他们踩过的“坑”

客户服务对企业影响有多大

洞察客户，创造更好的客户服务

未来的战役——“客户服务“之争

别再浪费时间和资源，客户服务这么做

什么是好的客户服务？

提升企业服务的5个技巧

客户管理

如何客户定位及管理？

是什么抢走了你客户的忠诚度？

搞定客户15招，忠诚才是你的拥护者

如何将你的客户转化为企业效益

将潜在客户转换成真实客户的4个秘诀

干货技能

如何晋升到呼叫中心管理层？

呼叫中心客服主管初入秘籍

客服中心服务质量提升——不妨这样做！

做客服3年，我学到了什么？

客户案例

海底捞为什么选择Udesk客服系统？

星巴克高效内部沟通背�...

为什么要做销售数据分析？

企业的业务数据涉及销售数据、财务数据、人力数据、产品数据等多种类型，而销售数据在所有数据中的重要性毋庸置疑。通过分析销售数据，将有助于发现经营问题，降低销售成本，最终提高企业销售利润。

关键指标提取

不同行业对销售指标的侧重各有不同，本文将以建材行业为例进行说明。

其中涉及的销售数据指标包括：销售数量、销售单价、销售收入、单位成本、销售成本、销售毛利等，原始数据中还会涉及月份、城市、分类、计量单位、对应客户等信息。

图表与看板制作

提取完重要数据指标后，您就可以根据需求制作相关看板与图表。在此之前，用户必须对需要监控的指标做到心中有数。

一般来说，制作看板时，根据目的不同可以分为三类：

1. 基础数据看板：总览全局

这类看板大家都比较熟悉，主要是由包括地图、条形图、饼图等一系列的基础图表组成，用于查看不同地区、时间、类别的销售收入、销售成本等基础数据。下图是根据建材行业的示例数据生成的一个看板：

从这个看板中我们可以读出这个公司的基础销售信息：吉林省是销售大省，上半年总收入3千多万，3月份销售效果最好，多层复合类的常规系列销量最好。

需要说明的是，此看板均以销售收入为度量，企业业务人员可以根据自己的需求或者汇报对象进行调整。

2. 问题分析看板：寻找原因

基础看板满足的是用户查看数据的需求，如果想要利用数据解决问题，则需要具体问题具体分析，建立针对性看板，并根据数据分析工具（DataHunter）提供的功能进行探索式分析。

假如您想查看不同类别商品的销售收入、成本与毛利之间的关系，就可以新建一个看板，生成双轴图：

可以看出，多层复合类销售收入明显大于成本，对应的毛利也特别高。

如果想进一步了解多层复合里面哪个省市、在什么时间毛利最高，则可以在原有看板的基础上，以毛利作为度量新建一个图表，如下图：

接下来对毛利一览表，分别从城市和时间维度进行钻取：

最后知道：瑞安市4月份的销售毛利最大。

以上就是一个简单的探索式分析的过程。

3. 预警监控看板：迅速反应

销售类数据的监控预警有多种应用场景：比如对表现好的商品做重点监控，如果发现异常，立即查看原因，防止造成重大损失；又比如对商品的库存做重点监控，如果某地区库存不足，及时调整。

举个简单例子：根据不同类别产品的成本和利润生成散点图，并分别用利润平均值和成本平均值设立两条参考线，这样就将整个图形分成了四个象限，可以对高成本低利润或者高利润低成本的产品进行重点监控，针对变动及时查找原因，并作出反应。

更进一步，如何通过数据分析指导实际的销售工作？

如何定价才可以获得最大的销售收入和利润？

这其中就涉及到了AI的部分：在已有的数据工具中内置出价-销售收入-销售利润等多种计算模型。用户可以导入历史数据，然后随意拖拽一个出价，便可查看系统给出的预测销售收入及利润。

有时候，自我满足是不行的

我是一名工程师，在一家跨国公司工作。对人们来说，这是一种非常幸福的生活，但我有一些其他的梦想。我想在印度以外的地方攻读MBA。

不幸的是，这个计划没有成功——在财务和个人方面有一些问题，甚至我觉得，我这样的想法有些不切实际。

生活不就是一场又一场冒险

虽然我的MBA计划失败了，但我意识到我需要为自己制定一条新的人生路线。我研究了互联网，发现一个叫“数据分析”的新领域。我当时对商业分析没什么概念，也不太了解有哪些正式的培训计划可以学习。

经过更深层次的研究，我发现，数据分析是一个有趣的领域，但也很复杂。在我看来，为了使分析成为我的职业，我必须花大量时间来学习它。

因此，我找到了一个全日制的课堂教学项目，并发现了Praxis(在Analytics Vidhya上提供的一个横幅广告)——一个相对新兴的商学院，而且是Business Analytics的正式全职教学的先驱。Praxis有相当全面的课程，令人印象深刻的教授和越来越多的校友。

我确信这是我想要的职业，我申请了Praxis，幸运地被选中了。

改变，总是有苦也有甜

一直以来，我已经习惯了在职业选择中走相对稳妥的路。这是我第一次尝试做一些不同的事情。显然，这并不容易。

第一个挑战是适应一种不同的学术环境——鼓励辩论、讨论和批判性思维。

第二个挑战是如何应对各种各样对我来说都是全新的课题。虽然我拥有的是工程学学位，但我从来不是一个数字或技术高手。

当我选择这个课程时，课程的范畴，包括各种各样的学科，包括先进的统计数据、数据挖掘、机器学习、计量经济学、可视化等，以及像SAS和R这样的工具，起初都是相当令人生畏的。

然而，教授和同学们的出现确保了学习的效果，虽然严格，但有效，并充满欢乐。

不管学多少，都是为了这一次

Praxis的实践至关重要。

项目设计将课堂授课与案例研究、实验室和项目相结合;还有以测验、作业、考试和项目陈述的形式进行的持续评估。一些课程完全由行业专家讲授。

我们都在午夜最后期限内度过了多次不眠之夜，做项目并准备项目测试和奖励创新的测试。 通过解决各种问题，完成新课题，我有了新的自信心。知道这一切都是为我选择和喜欢的职业生涯做准备，我觉得我的努力更值得了。

第一份工作是那么有趣

学习数据分析的一年让我在这个领域找到了工作。我的第一份工作（通过校园安置计划获得）是3i信息技术（IT技术，IP通信，INFO信息）。当时他们正在建立一个数据分析团队，我们是最初的成员。

我们通常主要在Excel和R上工作，为客户创建项目演示。3i的旅程很有趣，但当数据分析公司的主管决定离开公司并开始他的创业时，这段旅程就戛然而止了。

你要更努力，成为更优秀的自己

我的下一段旅程是和纳布尔·班加罗尔(Nabler Bangalore)合作，他们迅速把我送到美国，为一家名为“Lowes”的财富30强公司建立产品推荐引擎。这是一个绝好的机会，多亏了一些优秀的同事，我努力工作，学到了很多东西。Lowes的工作文化和实践帮助我成长为一名专业人士，我也做好了领导一个团队的准备。

CarDekho正在建立他们的分析团队，我加入了他们，成为数据分析高级经理。这个角色是完全不同的，份内工作是你必须挖掘并概念化一个项目，把它交给首席执行官，使其获得批准和实施——这才是我应该研究的工作。此外，我还积极参与招聘和管理人员。

你果然适合站在更高的地方

最终，我作为数据分析负责人来到Yatra。风险很大，期望也很高。我花了一些时间安定下来，了解系统、产品、人以及数据。我们有一个专门的仪表盘团队，为C级管理人员和业务负责人构建执行仪表板。

我们有一个数据仓库小组，从不同的来源收集数据，例如预订数据、CRM数据和网络数据，并以可用的格式存储数据。然后我们有一个预测分析小组，它涉及长期项目，如客户流失分析，交叉销售和推荐引擎基于机器学习的概念。我的工作包括结束项目的交付，从概念化到实现。我的大部分时间也用于项目和人员管理。

回想生命中走过的这段旅程

从2013年我以分析学的资格毕业，到2016年在Yatra担任数据分析负责人，这是一段非凡的旅程。我将转型的成功归因于以下因素:意识到我需要做些别的事情，而不是只做我的IT工作，我已经把我的工程学完全掌握并积极地寻求一个更适合的职业。

相信我的直觉，并通过报名参加商业分析的全日制课程过渡到这个领域。

选择我的新领域—— Praxis在这个领域的持续职业生涯中扮演了一个关键的角色——确保我充分利用了这个机会，最大化了我在实践中应当掌握东西。

充满激情，在工作中永不停止学习，并在职业生涯中做出一些适时的改变。生活回到了一个正常的轨道，我正在自己开始的地方分享这段旅程!我分享的这个故事，希望可以帮助像我这样的人（想要做一些不同的事情，离开职业束缚），看到自己需要什么，以及如何规划自己的职业。

Ritesh是一名专业从事数据分析和产品管理领域(统计分析、社会媒体/数字营销)、战略、产品开发和营销等领域，工作经验超过8年的专业人士，并为BFSI、技术、教育、IT和FMCG等多个领域提供服务。

来源：analyticsvidhya

作者：Ritesh智能观 编译

文:土拨鼠跟我走

销售数据分析报告，是销售工作的必备动作。

不会做销售数据分析报告的销售人员，就是只会打仗，不会算账！最会都是糊涂账！

我们经常说，销售数据分析报告，是基于业务客观事实的数字游戏！

销售数据分析报告：是由统计的数据和销售人员对数据的分析共同组成。也就是说，没有科学分析的数据，仅是数字，不是销售数据分析报告！

做销售数据分析报告的时候，会有以下声音：

1. 不就是数据统计吗？然后整理汇总下，多简单的事呀。2. 再不济，把进销存数据，整理下，这种可以了。3. 你们说的都太麻烦，就告诉领导，任务是否完成了吗？给结果，多省事！...

销售数据分析报告，对你什么好处

1. 用数据说话，是销售人员发言权的前提，这是职业素养！

2. 分析数据报告，就是对自己工作的销售总结，让你更清晰、更宏观的看待一个市场的脉络，然后自己的短板，查漏补缺。等于给自己辖区的市场，做一次例行“体检”。

然后，帮助销售人员对销售情况的深度熟悉，帮助分析市场动态变化，提升销售人员对经营的意识和掌控力，培养对市场的预测。

3. 销售数据分析是“收拾客户”的的方法之一，白纸黑字，有口难辩，凸显你的专业性，赢得信服。

为什么销售人员，不重视销售数据分析

1. 公司没有具体的销售报告分析的要求和标准，即使有要求，也是领导丢一句话：“你把市场给我分析下”，然后没了。

接着，销售人员一头雾水，开始抓耳挠腮，东拼西凑。最后领导一看，分析的“驴头不对马嘴”，丢句“你给我重新做去”！你一脸的懵逼。

2. 公司有销售分析报告的标准，但是，这个标准太繁琐太复杂。

巴不得做成“地表最全数据库”，搞得一线耗时耗力，不花几天功夫，根本做不完，销售人员内心排斥，开始做出“假冒高仿”的数据，执行的结果可想而知。

然后领导们拿出“假冒高仿”的数据，层层向上汇报，你们公司的战略决策，不跑偏才怪呢！这样的事情，身边还少吗？

3. 公司对销售分析报告缺乏宣导。销售人员对销售分析报告，缺乏关注意识，不晓得这个报告对他什么好处，管理者要身教言传。

销售分析报告的内容，要与时俱进，千万不能99年政策不变。当然，我也不是让你经常来回折腾，朝令夕改！

企业要有一个“引导体系”，而不是丢一句话，一个通知、一个邮件，就万事大吉，管理工作没那么简单！

对手机销售行业来说，销售数据分析的常用方法

一般来说，分为两个维度展开分析：

1. 产品。每个产品的重点关注，包含销售、价格、库存、促销、占有率等。找出问题点和问题客户。

2. 客户。以客户为主，或结合区域的分析，哪些客户业绩异常，找出真实原因，提升点在哪里，才能做好目标管理。

01 销量分析

一般，最简单、最粗超的数据，就是：销售任务是否完成，完成率多少？当然，还不止如此。

业绩达成情况

当天数据：当日销售存在的问题，你要做个分析。当日数据仅供参考。基础数据：月累计销售完成进度，与时间进度对比。发货数据：这个数据一般厂家很容易忽视。从发货的数据，能分析出物流、库存、周转率的问题。所以，务必搞清楚，发货客户的数量和发货次数，摸清客户发货量降低的原因，同时综合优化物流成本，这个数据可以每月或每季度分析。

对比分析法

不得不说“同比和环比”。

同比，是指在相近时段中的某个相同时间点的数据，进行比较。比如，17年3月和16年3月是相近时段，都是3月，这两个时段进行数据对比，就是同比。

环比，是指相近时间段的对比。比如，17年5月和17年4月是相近时间段，这两个时间段的数据对比，就是环比；

一般在手机销售中，同比是最常用的，但是，同比的有时也会蒙蔽事实，为什么呢？

比如：16年3月份销售1000部手机，17年3月销售1200部手机，同比增加200部，提升率20%。

但是，行业市场整体同比提升30%，你觉得差距在哪里？

所以说，同比，务必和行业市场的数据项对比，不然就是孤芳自赏！

环比的用法

实话说，环比不太常用，因为销售和季节性有很大关系，都会存在波峰波谷，说销售不分淡季旺季的人，纯属忽悠洗脑！你就是卖钢筋煤炭，国家还有宏观调控呢！

以手机销售行业为例，一般来说，8月份的销量比9月份高，为什么？

因为8月份属于暑期学生购机潮，再加上9月份想买手机的人，都持币等着十月一促销呢？对吧！

你拿9月和8月环比，有多大意义呢？所以，只有同比，才有参考意义。

讲到这里，并不是说环比没用处，月环比的季节因素太大，那干脆，你做周环比，不就行了嘛。

周与周的环比，有一定的参考性，前提是周与周之间，不能存在节假日。比如，十月一黄金周，和十月第二周做环比，也是不合适的。

和竞争对手的对比分析

这个比较，我不说，大家也比我懂。

但是，很多人，搞不清楚，谁是你的竞争对手！

原则上来说，只要与你同行的品牌，都是你的竞争对手！

但，这是书上写的，现实可不能这样玩，不然大家都是你的敌人，你再搞“世界大战”吗？

不能聚焦的目标，是梦想，不是目标！永远记住这句话，销售铁律。

你的竞争对手是谁？

我给你说个简单的方法：找眼前的竞争品牌，能伸手抓得住的竞争品牌，且销售大于你30%的品牌，你就盯着这个品牌去爆破！

千万不要，找绝对大于你N倍的“大象”去挑战，你可以把“大象”当成梦想和愿景，但你先把“活在当下”的事情做好！不然，你就是好高骛远，眼高手低。

找到竞争对手了，对比什么呢？

原则上，你所有的销售数据，旁边都要有竞争对手的对比。只有这样，才能知己知彼百战百胜!

这就考验你数据统计的“情报能力”了。

说不用关注竞争对手，就能做好销售的人，都是有失偏颇。

我想说的是，前提是你负责多大规模的销售体量，如果是一亩三分地，那你可以完全“只读圣贤书、不闻场外事”。

产品销售的结构分析

比如：从价位分析、库存调整、来了解重点产品销售情况。

同时，对于公司重点产品进行分析，找出存在问题，提供建议。（最好不要提产品本身的问题，如：屏幕小、内存小等等。不然销售人员以后销售不佳，抱怨厂家和产品本身问题。）

务必给销售人员指明：

公司的拳头产品哪些（正面打击对手，大力水手吃菠菜）。公司的馒头产品是哪些（要靠这个吃饱肚子）。公司的窝窝头产品是哪些（垫吧垫吧就行了）。

02 费用分析

这个费用分析，一般不对基层销售人员开展，大部分需要区域经理多关注！我多说一句：区域经理要把“基础财务”当成重要的课程来学习。

投入与产出比，简称ROI（return on investment）。投入产出比 = 产出总收入/总成本× 100%。

投入与产出比的概念，务必烙印在区域经理大脑里，不然会乱成一锅粥，你的上司会成为你的”背锅侠“。

拿手机销售行业举例。厂家做主推的ROI、促销活动的ROI、市场推广的ROI、人均产出的ROI...都是可以计算得出的。

费用多少合适？这个是基于你们公司的实际情况，但是，费用永远是不够的。

我认同节约的销售，但讨厌小气的销售。节约就是，不该花的钱不花，小气就是，该花的钱不花。

作为管理者，抓费用要：

1. 抓大放小，不要挫败大家的工作积极性。

2. 权限分解、不能一人说了算，一言堂的费用肯定有问题，不信你去查查！

3. 秋后算账，任何费用都要有这个环节，不能变成“糊涂账”！

销售人员不能因为销售费用少，就原谅自己销售目标未完成。

03 渠道分析

每个渠道的供货价、毛利和利润分析，这个分析，务必和竞争对手对比

对每个渠道分层分级，然后匹配不同的销售资源（分销、库存、物流），渠道遇到的问题，需要数字支撑，都要写出来。

每个渠道的库存重点关注。尤其库存的周转天数。周转天数=当前库存数量/当前日平均销售数量

以手机行业为例，卖的都是科技电子产品，没有大致的保质期，不像卖吃卖喝的食品，但是，科技电子产品的更新迭代比食品快多了，摩尔定律大家都晓得吧。

依据库存周转天数，来判断产品是否畅销，是有时偏颇的。

比如，在销量不变的情况下，库存大，随之周转天数也会变大，同理，库存小了，周转天数也会短的。所以，不要光看周转天数，只有结合库存，才能判断正确。

举个栗子，某款手机平均每天销售5部，当前库存为20，周转的天数为20/5=4。但，你压货把库存加到40部，周转天数为40/5=8。所以，你部能说产品不畅销，只能说库存过大。

要对库存组成分析，同时，保持电脑数据和实际库存保持一致，不能指望电脑数据就做出判断，你需要定期盘点库存，及时发现问题，只要这样才能把握每个SKU的销售情况。

重点关注哪些区域与渠道的表现，分析发展走势和销售特点。

对于增长或下滑明显的区域给予重点关注和分析，以免存在潜在的威胁，警惕竞争对手趁虚而入，混水摸鱼，要做多维度的分析。

04 人员分析

新增员工的数量（累计本年度），离职员工的数量（累计本年度）、每个员工承担业绩的数量、人员薪资成本、日常工作的分析（分销、拜访等）

在销售分析报告中，避免存在以下问题：

1. 大多数人汇报工作，避实就虚，该说的问题兜圈子，报喜不报忧。最笨的员工就是，认为“你的上司和老板是笨蛋”。

2. 谎报军情，不重要说的严重，重要的避而不谈。这招，销售老油子用的驴火纯情！套取公司资源，谋取利益。我强烈建议，汇报具体没有分析，只讲事实给上级，领导千万不要拍板，因为这种情况，很容易做出错误决策。

3. 只注重前线打仗，忽视团队内部提升，造成内外资源匹配不到位，这样的销售，容易昙花一现。这样的人，是个做狙击手，不适合做管理者。

4. 没有经过分析就制定计划，总是拍脑袋，凭感觉去做事，这是很多管理容易走的弯路，销售分析报告是走过场。

好的销售分析报告，要具备：

1. 首先数据要真实性、完整性、详细的呈现出来。数据从哪里来？每个数据的背后含义是什么？

2. 数据的分析必须站在客观的角度，不能带有主观因素，避免报告有失偏颇

文 | 帆软数据应用研究院 李培鑫

谈到销售流向数据，必然离不开营销模式，纵观多数工业型药企，采用的药品经典销售模式大概总结为两种：自营和代理。

医药公司分销渠道中，准确的产品流向数据就成为了企业决策与管控的依据。基于产品流向数据的重要性，甚至有的销售公司专门分立出一个流向数据管理岗位。对这些数据进行归类、建档、统计、核算，就是我们说的数据管理。有人说，流向数据管理好比是医药企业营销体系的心脏，其它相关管理好比是营销体系的躯干，没有心脏来驱动，营销体系则行同僵尸，毫无生气。

基于流向数据分析，下面主要针对三方面来谈谈：销售流向数据分析的目的、如何推动流向数据分析项目及项目的难点、如何落地流向数据分析项目。

一、销售流向数据分析的原因

销售流向数据庞大而且复杂，企业为什么还要在流向数据的分析上下足功夫呢？

1、了解市场真实销量的需要，有助于正确、快速的做出市场决策。

企业营销管理者通过流向数据了解每月渠道中的库存以及市场终端的真正销量这样才能对企业产品的营销数字有个清醒的认识。在营销的过程中，只有及时掌握了销售及市场顾客需求情况及变化规律，才能根据消费者对营销方案的反应，迅速调整产品组合及库存能力，调整产品价格能改变促销策略，抓住商机，提高商品周转力、速度，减少商品积压。

举个简单例子：我们看数据分析平台的全国本年度纯销汇总统计分析表如下，通过流向数据汇总出全国各个地区的纯销金额、纯销数量以及相应的贡献率，横向分析全国各个省区的对比情况，列出市场较好的，销售金额较高的前几个省区，根据本年的纯销汇总情况、市场情况，快速的针对每个省区做出销售决策，提高企业高销售额省区的市场占有率，低销售额省区的销售能力。

2、制定销售计划的需要。

没有流向就没有计划，企业营销管理者必须要通过收集和了解详细的流向数据来制定企业未来的销售计划。销售计划的制定，必须有所依据，也就是要根据实际情况制定相关的销售计划。凭空想象、闭门造车、不切实际的销售计划，不但于销售无益，还会对销售活动带来负面影响。根据实际的销售流向数据，进行一系列销售工作的安排，包括确定销售目标、销售预测、分配销售配额和编制销售预算等。销售计划可以从市场区域来分，分为整体销售计划、区域销售计划，区域一般按大区或省区、地市、县市、乡镇等行政区域来划分，也可以根据公司的实际销售范围和统计区域来划分，这一系类的销售计划都离不开销售流向基础数据的支撑。

3、管理渠道的需要。

主流OTC产品倒货、窜货现象时有发生，严重捣乱了渠道次序，通过流向中的批号能协助监管人员查找窜货源头，从而达到优化渠道的目的。

4、销售人员提成的需要。

强大的激励作用，充分调动销售人员的主动性。能体现代表业绩的就是客户的进货量，而这些进货量均来自于流向数据，只有根据进货量准确的核算代表的绩效才能提高他们的积极性。首先是销售人员是区域或者终端经销权力使用者，实际上是为自己打工，多劳多得，积极性自不必说，同时各级销售人员都要对所属区域下达的销售指标负责，这样一来业绩岂能不好。

5、费用管理的需要。

企业庞大的营销体系需要巨额的营销费用来支撑，企业管理者需要根据流向中终端的销量数据来制定对应的费用投入计划

二、企业如何推动流向数据分析项目及项目的难点

项目难点：

1．销售流向数据采集困难

关于数据采集，企业往往都做出了框架，但是没有人往里面填数据，也没有往上上传数据，怎么办？如果希望用户自发上传，但是用户有什么动力来上传他的数据呢？最后企业尝试为用户提供更多的基于数据服务来驱动他上传数据，成本非常高。所以数据采集是目前一个非常大的难点。

2．销售流向数据质量差

流向数据上报种类多，所需的信息量大，工作强度大，很多基于流向数据分析的指标数据很难获取。销售人员，客户等用户录入的数据不规范，数据存储的形式不规范，导致终端数据，和部分二级、三级商业公司数据无法直接分析，需求花费极大的精力对这部分数据进行清洗、加工。

对策：数据来源整合，同一口径。

我们讲销售流向数据分析，销售流向数据从哪里来？可能来源于系统、来源于一些线下excel表格。那么这些数据的管理需要注意哪些方面呢？

1、数据源的广度

比如说，医药零售企业客户，分析成交单数、客单价，成交单数是进店人数乘以成交率。进店人数呢，又是路过人数乘以进店率，那么路过人数、进店人数就属于数据广度这一块儿，数据足够全面，未来支撑分析的维度就会更多。

2、数据源的深度

比如看某个订单的时候，需要知道该订单的批次信息，经销商信息，时间信息、物料信息等。数据源整体数据质量如果不够的话，未来是不足以支撑细化的数据分析的。我们做的第一件事情就是把所有数据全部收集起来，并实现“一键接入，随需更新”，提升数据源的广度和深度。

需要对数据源的质量进行一个管理，要保障数据需要足够广、足够深；数据需要整合到一个统一的管理平台上。例如企业在开会，当销售出现问题的时候，A部门拿出一个销售数据，B部门拿出一个销售数据，但是对不上号，来回推诿扯皮，无法解决问题，这样对于企业的发展是非常不利的。这个问题我们认为需要企业把数据管理起来，例如，我们在设立数据指标框架的时候，要定义的核心指标是什么？是成本、利润还是营收？以营收为例，又拆分成客户数和客单价等等，这些数据分别来源于哪些数据源、哪些系统？系统数据录入人员，录入是否规范？我们对数据指标的定义是否一致？所以需要我们整体从数据管理的角度，定义出一致的指标，将数据治理做好，然后在统一的平台上统一输出数据，这样确保了统一的数据口径。

三、企业如何落地流向数据分析项目

1.确定流向数据分析项目的总体目标

为了进一步改进医药企业的营销体系和经营管理水平，满足企业参与市场竞争的需要，搭建一个全面的销售流向分析决策系统，保证整个企业内的营销决策，并且能够随时了解和查询企业内的销售管理状况。通过对流向数据的分析和平台的搭建，优化业务流程和资源配置，降低运营成本，从而维系更密切的客户关系，全面提高内部协调力度，整体营销能力和获利能力。

2.数据的准备

面对销售流向数据的准备，一般可以用几个问题来概括，如何理解企业的基础管理档案；基础数据存在哪些问题，超时，不准确，没有具体负责人；企业的编码（产品编码，供应商编码，客户编码）有无主数据；什么情况下不能导入数据。基本上能够完整的解答以上问题，数据准备也基本完成了。

3.具体的销售流向数据（部分举例介绍）

①在招商代理模式下，区域代理与企业之间实质是利益纽带关系，代理商在“利益优先”的原则下，对产品供货价格敏感，极为关注自己可能的利润空间，对盈利空间小的或者所谓长线产品都不太重视。部分区域代理商仅仅对自身的发展感兴趣，不太重视市场品牌的积累，缺乏大市场运作意识。那么，生产型药企又该如何控制代理商质量，控制销售渠道，打造优势供应商资源。如下图，帆软数据分析平台中的分销层级渠道分析：

通过对销售渠道的各层级利润和规模精确的掌控，从经营资质、营销能力、网点数量、商业信誉等多方面遴选优质的医药批发企业作为经销商，签订特约经销合同，由经销商完成对终端单位的药品配送，从而筛选出优质经销商，打造成最优质、最可信赖的经销商渠道价值链。

②充分发挥省级管理单元的作用。也就是很多企业所说的“省总负责制”，省区是一个销售及市场指标落实单元、销售管理单元。 通过员工个人销售能力分析，可及时了解和掌握每个员工的工作能力和工作心态，以便对症下药，提高个人销售业绩。帆软数据分析模版示例如下：

以省区部门为管理单元，分析指标完成率最高的部门，并且通过部门，联动到部门的销售额走势，部门内部的业务员销售额统计以及该部门下各个业务员的指标完成率。

一、方案背景

对于大部分企业来说，销售部门是为企业直接带来利润的主要部门，说是企业命脉部门其实也不为过。

然而事实上是为数不少的销售部工作人员由于缺乏营销分析概念和方法，企业累积的大量数据得不到有效的利用，营销分析只停留在数据和信息的简单汇总和流水帐式的通报，缺乏对客户、业务、营销、竞争方面的深入分析，结果决策者只能凭着本能的反应来运作，决策存在很大的失误风险。

都说数据有价值，那么销售部门应该如何充分利用数据对市场预判，实时了解当下业绩情况，衡量三六九等客户价值，如何快速获取客户的信息做针对性销售呢？

答案是，不妨用BI搭建一个智能化的销售数据分析平台。

解决两个问题：

1、将数据信息化，汇总自动化，将销售管理者从传统的报表数据重复结算中解放，避免大量重复性的excel编辑工作

2、着重分析企业销售目标、销售活动、成本费用等销售重要指标的分析。

二、方案内容

接下来，本文将着重分享企业销售智能数据分析方面的内容干货，用的是FineBI搭建的销售数据分析平台：

1、IT技术模块——搭建销售智能数据分析平台

2、IT技术模块——直接对接销售数据库，自动化形成数据报表？

3、数据分析模块——如何让销售同时快速上手分析？

4、数据分析模块——如何让销售领导直接在线查看分析？

5、协同管理模块——如何在线分享数据分析报告？

三、方案效果及实现说明

1、搭建销售智能数据分析平台

这部分工作属于企业IT部门的前期数据准备工作，需要IT部门在FineBI的数据配置-数据连接管理中新建好数据连接，保证数据连接测试成功。然后添加销售管理业务包，将相关数据表加入并且建好立表间关联关系即可（如果是FineIndex类型的业务包需要更新好FineIndex数据）。分配好对应数据权限之后，用户即可直接在浏览器前端来对这些销售数据进行即席的多维探索分析。

以本方案为例，如上图所示，我们在销售管理业务包中添加好销售员信息表、产品名称表、分公司信息表以及销售目标表、客户信息表、合同信息表、销售活动表、合同回款信息表、活动费用表，并且建立好维度表和事实表之间的数据关联关系。

最后在数据配置-权限配置管理界面中将建立好的销售管理业务包的权限分配给销售部门相关人员，并且在管理系统-用户管理中将销售部门人员加入到BI编辑用户的已授权列表中。

2、直接对接销售数据库，自动化形成数据报表？

销售管理人员在使用分配好数据权限的账号登录平台之后，就可以新建仪表盘开始做基础的数据分析了。

我们以制作如上图所示的销售基础数据分析-销售人员分析页面例，首先使用仪表盘统计出企业的总销售人数，然后再用饼图统计出各大区的销售人员分布（这边可以看出我们上海区域销售人数是最多的，达到总销售人数的22.73%），最后用明细表组件展示企业的所有销售人员的销售姓名、所属大区、大区经理相关信息。这样一来，基础的销售人员配备信息也就快速可视化呈现在我们面前了。

销售人员分析的仪表板做好之后，销售人员可以申请给IT部门的超级管理员将该模板挂出到销售管理-销售基础数据分析目录下面，并且将仪表板开放给其他人员进行查看。另外利销售活动管理、合同信息查询的销售基础数据分析也是同理，用同样的方法做好之后申请给超级管理员挂出即可。

3.如何让销售同时快速上手分析？

a.销售目标进度分析

我们以上图所示的销售目标进度分析为例，对于企业销售管理来说，两个最核心指标莫过于销售额和回款额了。而企业通常每年都会设定销售目标额、回款目标额两个指标作为销售的年度考评KPI指标。

所以这样一来在每个时间阶段，作为销售管理者我们可以分析当前的销售额目标完成率、回款额目标完成率的总体情况。

I.销售额目标完成率=(销售额/销售目标额)*100%

II.回款目标完成率=(回款额/回款目标额)*100%

以销售额目标完成率为例，添加好总金额和销售目标额之后，在FineBI中直接添加销售目标完成率指标，输入“总金额/销售目标额”即可得到当前销售目标完成率的数据。

计算好销售额目标完成率以及回款额目标完成率之后，然后再按照区域逐级分解。这边我们按照区域对销售额和回款额分别使用条形图进行统计，然后降序排列即可。

接着对每个区域的销售额、销售目标额、销售额目标完成率、回款额、回款目标完成率进行分析计算，以便来分析当前影响目标达成进度的主要问题区域所在。最后添加好相关查询控件，调整好仪表板整体布局即可。

b.销售回款分析

销售回款分析方面，首先统计出当前时间段的应收账款、累计回款、累计回款率（累计回款率=累计回款/应收账款）这三个关键指标，用仪表盘进行展示。然后按照产品线进行分解，对比每个产品线的应收款款和回款金额数据情况。接着按照时间流逝维度进行分析，统计出当前时间区间的月度累计回款金额和月度累计应收金额，同时计算累计回款率。

最后分别按照大区和销售进行分解，统计对应大区和个人的应收账款、实际回款，计算出大区和个人的回款率。这样一来，企业整体到销售个人的销售业绩状况就一目了然了。

c.销售费用分析

销售费用分析方面，统计当年的费用开支总金额以及年度每个月份的费用金额。接着统计出各大类的销售费用模块分布占比、全国各个省份的费用金额分布、各个客户总费用的树图统计、销售费用开票统计、各销售费用排名统计相关信息，让企业的销售费用成本一目了然的以可视化形式呈现在我们面前。

4、如何让销售领导直接在线查看分析？

除了以上给大家介绍的制作一些企业常用的销售数据分析之外，FineBI最大的特性就是随时满足业务人员或者企业领导的数据即席分析需求了，通过轻松的托拖拽拽操作，就能生成丰富多样的数据分析统计结果。

我们以上图的年度签单&回款统计数据分析为例，只需要将签约年份字段拖拽到行表头，合同金额、回款金额字段拖拽到左值轴，即可得到每年的合同金额和回款金额走势了，真正做到想看数据“不求人”！

5、如何在线分享数据分析报告？

企业的各项工作，主要由各部门团队分工协作完成，彼此之间需要很好地进行沟通和配合，那么FineBI是如何帮助企业将销售智能数据分析成果实现团队协作共享的呢？

以上图所示的销售管理中心驾驶舱为例，展示了企业的签单金额、回款金额、单个合同金额分布、各地区/销售签单回款统计等等多个核心的销售管理分析指标。那么销售人员通过FineBI做好的一个销售管理里中心驾驶舱之后，其实在FineBI中可以非常便捷地将它分享给相关部门或者指定人员的。

例如我这边想把它分享给企业的领导人员，那么可以在FineBI的仪表板中将做好的销售管理中心驾驶舱模板点击分享给领导部门的Tom，然后点击确定即可。这样一来，领导部门的Tom登录之后就能收到销售人员给他分享的销售管理中心驾驶舱了。