首席信息官正在利用数据分析来提高效率和促进增长，但并不是每一次努力都会产生结果。以下讲述了优秀的首席信息官是如何成功地利用数据分析和机器学习技术来增加收益或降低成本的。

如果把数据比作新的石油，那么掌握如何将其提炼为可使用的情报就是发挥其潜力的关键。为此，首席信息官正在使用预测分析工具，设计机器学习算法和对其他解决方案进行测试，以追求企业的效率和以新的方式为客户服务。

胡椒博士集团(Dr.PepperSnappleGroup)将机器学习技术用于语境相关性工作中

多年来，胡椒博士集团的销售路线员工一直是抓着一本厚厚的活页夹，里面装满了客户数据、销售和促销说明，然后去吸引一些零售客户，如沃尔玛和塔吉特百货公司(Target)等。今天，销售人员不再使用这种活页夹，而是配备了能告诉他们需要拜访哪家商店的iPad，而且还会告诉销售人员该为这些零售商提供何种优惠，以及其他关键指标。胡椒博士集团的首席信息官汤姆·法拉(TomFarrah)表示：“他们都是接订单的销售人员，为此他们感到很骄傲。现在他们配备了信息资料来帮助其实现目标，使他们成为智能的销售人员。”

该MyDPS平台配有机器学习和其他分析工具，可在工作人员加载应用程序时向其提供建议和日常操作记分卡。这些算法向员工显示他们是如何按照预期计划进行工作的，包括他们是否按照自己的计划工作，或是落后于计划，以及给他们提供见解，让他们清楚如何纠正他们的工作。法拉说：“如果我要让某人获得成功，我必须确保他们拥有哪些信息是与工作内容相关的。”

经验教训：为了测试验证MyDPS平台的概念，法拉将该软件分给了一个分公司的四个人，并让业务总裁去拜访他们。他们透露，自从上个月使用MyDPS之后，执行销售额已经提高了50%，这一表现让他批准了该项目。法拉说：“他获得了结果，这就是销售所需要的，这不仅仅是为了项目的商业赞助，而且这也是他们希望得到的结果，这一点非常重要。”

凭借机器学习技术，RRD公司走上新业务之路

营销传播公司R.H.Donnelley公司为RRD公司的前身，几年前，RRD公司设立了物流部门，向消费者和企业配送它的印刷材料。为了支持这项业务，公司自己管理运营，并代表其合作伙伴配送各种物品，包括洗衣机、狗粮等等，最终成长为价值10亿美元的一个企业。这是一个挑战吗?在联邦快递和UPS成为无可争议的霸主的天下，找到一个最优的运费。

诸如天气、地域、司机和政治局面等因素都是业务上的成本。RRD公司的首席信息官肯奥布莱恩(KenO'Brien)表示，随着迫切需要对费率变量进行预测，RRD公司转向了机器学习和数据分析。公司聘请员工和与大学合作来帮助编写算法，在700条路线上测试数千个场景，直到能够以99%的准确率提前7天实时预计运费。奥布莱恩说：“该项目在不到一年的时间就完成了，我们现在仍然看到业务的增长与运费有关。”该公司预计，在2017年，其卡车货运代理业务将从400万美元增长到1600万美元，营收将增长1200万美元，业务规模达6亿美元。

经验教训：新企业需要高水平的全心投入，尽管奥布莱恩承认，他的一些业务同行已准备好在业务的不同环节上认输。该业务并不相信那些通常以感觉和猜测来完成一个流程的技术。RRD公司建立了一个协作环境，业务和IT共同合作来推进结果。“你会遇到困难，你会遇到挑战，但要耐心，”奥布莱恩说。

孟山都公司(Monsanto)利用机器学习技术，实现最佳种植计划

农民永远为要种植何种作物，种植面积，在哪里种植及何时种植而苦恼。种子行业巨人孟山都公司正在研究这项工作，利用数据科学为农业种植提供规范性建议。数学和统计学模型会绘制出雄性作物和雌性作物的最佳种植时间，以及在何处种植，在理想状态下，这就最大限度地提高产量并减少土地使用。孟山都公司全球IT分析主管艾德里安·卡地亚(AdrianCartier)表示，其机器学习算法在数天内完成了超过900亿的数据点，而不是几周或几个月。这是商业利益吗?在2016年，孟山都公司节省了600万美元，其供应链足迹减少了4%。卡地亚说：“北美地区的土地利用率下降了4%，相当于不去使用大面积的土地，这节省了大量资金。”

经验教训：孟山都公司成功的关键是在信息技术与供应链业务之间建立了一个“自始至终”的合作。卡地亚说：“他们具有农业和供应链角度的专业知识，而我们具有数学和统计领域的专业知识，两者结合起来，就创造了我们能够提供的价值。”卡地亚说道，他还寻求在供应链业务中“改变领导者和倡导者”，以形成对反对者一种健康的平衡。

柏克德公司(Bechtel)以卓越的大数据中心来颠覆自己

一个鲜为人知的事实：柏克德公司首席信息官CarolZierhoffer说，与建筑有关的支出占GDP的13%，但整个行业在过去二十年中只有1%的生产率增长。专家表示，通过重新制定合同、提高工人技能以及改进现场执行工作等方式，该行业可以提高50%至60%的生产率。柏克德公司建造了胡佛水坝、英吉利海峡隧道和其他大型设施，已经开始在业务各个环节的数据中挖掘洞察力。

Zierhoffer在沃尔玛、波音和洛克希德马丁公司会见了业内同行，以获得有关如何向前发展的见解。柏克德公司建立了一个先进的大型数据中心，其中包含5千万亿字节数据的数据湖，并开始了概念验证。该数据中心使用照片识别技术，并代表客户来检查和标记各个地点的照片，这节省了200万美元。自然语言处理(NLP)工具可解析索赔、提案请求(RFP)和合同。过去需要几天和几周的评估和计划工作现在只需要数小时。柏克德公司还扩大了分析工作范围，以了解员工的流失率情况，包括试图预测员工将何时离职。Zierhoffer说：“我们相信我们正在敲开解决生产率难题的大门。”

经验教训：数据仓库和质量是支柱。尽管柏克德公司可以分析大量的数据，但在整个业务各环节的数据质量必须提高。“我们不得不颠覆自己，了解我们是如何工作的，并且将数据仓库进行连接。”

数据分析帮助辛辛那提动物园提高客户满意度

辛辛那提动植物园成立于1873年，是世界上著名的动植物园之一，以其物种保护和保存以及高成活率繁殖饲养计划享有极高声誉。它占地面积71英亩，园内有500种动物和3000多种植物，是国内游客人数最多的动植物园之一，曾荣获Zagat十佳动物园，并被《父母》（Parent）杂志评为最受儿童喜欢的动物园，每年接待游客130多万人。

辛辛那提动植物园是一个非营利性组织，是俄亥州同时也是美国国内享受公共补贴最低的动植物园，除去政府补贴，2600万美元年度预算中，自筹资金部分达到三分之二以上。为此，需要不断地寻求增加收入。而要做到这一点，最好办法是为工作人员和游客提供更好的服务，提高游览率。从而实现动植物园与客户和纳税人的双赢。

借助于该方案强大的收集和处理能力、互联能力、分析能力以及随之带来的洞察力，在部署后，企业实现了以下各方面的受益：

-帮助动植物园了解每个客户浏览、使用和消费模式，根据时间和地理分布情况采取相应的措施改善游客体验，同时实现营业收入最大化。

谨以此文献给所有数据从业苦逼之人，如有中伤之处，请自行戴好盔甲，以防中伤过深。同时也以此文献给后期对数据热情，想长期从事此行业的年轻人，希望对你们有所启发，并快速的调整思路和方向，以对自己的职业生涯有更好的发展。

最近听到一些段子，很有意思，分享给大家！

这些段子是很多数据分析人员的真实写照：

新招进公司做大数据分析师，好开心好兴奋好激动！！！然而...

入职第一天，老板给了我一张 50M 的 Excel 表说：

“你看我们有 100多万条用户信息，这么大的数据，来个大数据分析下！”

还没从震惊中恢复过来，业务部又神补一刀：

“我们准备跟星巴克合作，来预测下明年多少人喝咖啡，几千万的大项目，预测不准公司要亏很多钱的，你加油哈！”

面对这样的业务部，我只想说：“我要是未卜先知为啥不去炒股来给你打工”

IT大哥贼兮兮的说：“哥们你可来了，那失散到天涯的数据有娘啦！”

没法，最终还是把数据拼起来开始分析...

发现好有规律啊~好工整啊~这...是不是有坑？！

去业务部一问才知道，这些都是被经销商篡改操纵的数据...

后来拿到了全真实的数据！全部没有规律了！喜极而泣！！

擦干泪仔细一看，80%的记录缺失，10%记录不全，5%记录出错……

整完数据开始统计，然而领导觉得只做加减乘除太简单了，有没有更深度的方法（解读：需要纠正的是，有用为先，花哨次之，这种说法不太合理）

简单了就做个模型吧，然而检验值还没讲完领导表示太复杂搞不懂，能简单点不（解读：这个是解读能力的问题，跟领导没关系...没关系..没关系...）

改来改去已很多遍了！我已不太记得领导唠叨了什么，总之又听到一句：“再改一下，看看其他维度深入分析分析”，然后默默新建一个文件：《分析报告V16-8版》

输出结果和业务部的认知差不多，被评价为：

“我们都知道了啊，这大数据做了跟没做一样啊”

输出结果和业务部的认知差很多，被评价为：

“这个与业务经验完全不同，肯定是数据的问题，我们都十多年经验了，快回去检查数据，上次我去见XXX客户人家就不是这样的！一定是你错了！一定！”

此段子一出，群里都炸开了锅，大家都开始不断的煽风点火，各种数据背锅，各种吐槽，说尽了数据分析师的辛酸苦辣。

我做数据分析师的时候也经常遇到上面这些遭遇，乃至后来找到了一些规避这些问题的方法，希望对大家有所帮助。

同时，我也希望借此号召所有的数据从业者，在数据应用实践上能够深入思考并有所突破，在正确的轨道上更好的发挥出数据的价值，从而让数据从业者有更大的 ，不再拘泥于每天的抱怨和自怨自艾中。

数据之苦

进入正文，数据人之苦最苦的是：有好处想不到你，出了问题都是你的错

这句话的意思就是你做好是应该的，做得不好就得承担责任。这种痛苦完全命中了马云蜀黍对离职的两点看法：

心累（得不到价值肯定）、钱少（没业绩肯定哪来的升职加薪）

区分数据流程的不同阶段，数据人之苦又有所区分侧重不同，说一下我的个人浅见。

根据数据应用的不同阶段，我的划分方法如下，从数据底层到最后应用：

大数据平台

目前很火，数据源头，各种炫酷新技术，搭建 Hadoop、Hive、Spark、Kylin、Druid、Beam~，前提是你要懂 Java，很多平台都是用 Java 开发的。

现在很多企业都把数据采集下来了。对于传统的业务，用传统的数据是完全够用的；可是对于用户行为和点击行为这些数据或者很多非结构化的数据，文本、图像和文本类的，由于数据量太大，很多公司都不知道怎么进行存储。

这里面要解决的是实时、近实时和离线的大数据框架如何搭建，各数据流之间如何耦合和解耦，如何进行容灾、平台稳定、可用是需要重点考虑的。

我的感觉是：最近两三年中，这块人才还是很稀缺的，因为大数据概念炒作的这么厉害，很多企业都被忽悠说，我们也来开始进入大数据行业吧。但是，进入的前提之一就是需要把数据存储下来，特别是很多用户行为方面的数据，对于业务的提升了比较明显的，如果你能很好的刻画用户，那么对你的产品设计、市场营销、开发市场都是有帮助的。

现阶段，很多公司都要做第一步：存储更多的数据。这也就是我们这块人员流动性比较高，因为都被高薪挖走了。

和传统的 SQL 不同的是，针对大数据量的非结构式数据，我们所想的就是：用最廉价的成本存储数据同时能够达到容灾、扩展性高、高性能、跨域，从目前来看有两个方向

分布式已经被证明是个很好的一个方式。云端会是个很好的方向。不是每个公司都养得起这么多这么贵的大数据平台开发人员和运维人员 OPS，从事这个行业的我们要有很好的危机意识，及时贡献出自己的价值，积极主动的学习新技术、否则你就要被淘汰了。

此外，花点钱把数据托管给云服务提供商对于创业公司或者一些传统的企业来说是个很好的思路，这样能够最快速地确定数据对你的价值是什么，而不用采购这么多的服务器、雇佣这么多的运维和网站开发人员。

说了以上这些，主要是想给未来会从事这块的人或者想存储数据的公司一点方向。我自己不做这块，体会不深，大家看看就行。

这块工作最被吐槽的一点就是：Hive 速度好慢，SQL 查询好慢，集群怎么又挂掉了，Hadoop 版本升级后，怎么数据跑出来不对了等等。

因此，在这个领域内工作，需要有强大的

攻坚能力。快速定位和解决 bug 的能力。因为有很多工具都是开源的。Java 开发能力。因为是开源的，所以会出现各种坑爹，甚至出现无法向下兼容的情况。

如果想在这块做的很好，还需要有整个系统架构的设计能力、比较的强的抗压能力和解决问题的能力、资源收集的能力，可以打入开源社区，这样就可以随时 follow 最新的潮流和技术。

数据仓库-ETL

确实做仓库的人很辛苦，单单 Oncall 就会让人望而却步。有很多数据库工程师，晚上睡觉的时候经常被 Oncall 电话吵醒，因为数据流程出问题，需要第一时间去排查，是哪个数据源出问题，并且要立即解决，否则整个数据流程都会受到影响。

如果数据流程受到了影响，你就可能会被大领导一言不合叫到办公室说：我要的数据怎么还没有准备好，我的业务报表今天怎么没有发出来。

通过上面这个情景，我们可以知道：这是个很重要的岗位，因为数据流程很重要，决定了数据从源头杂乱无章的状况，通过 ETL 之后变成了整齐的数据，这些整齐一致性的数据可以让你很方便地把各业务的统计结果计算出来，并且能够统一口径。要不然就会变成有几个部门，就有几种统计结果，到时候 A 部门说业务增长了 5%，B 部门说业务涨了 10%，OMG，到底信谁?

至少在以下几点上，我觉得数据仓库人员是应该要做好：

数据字典的完整性，用的人都希望能够清晰的知道这个字段的逻辑是什么。字段要保持很好的一致性，不要同样一个字段在不同表里有不同的定义。核心流程的稳定性，不要让每天订单主表能够使用的时间很不稳定，有的时候很早，有的时候要中午才出来，如果不稳定就会导致使用数据的人对你很没有信心。仓库版本迭代不要过于频繁，要保持不同版本之间的兼容性。不要做好了仓库 1.0，很快就把原来的推倒重来，变成了 2.0。在数据仓库中需要考虑到延续性，主表的变动不要太频繁，否则使用的人会非常痛苦，好不容易才用习惯了 1.0 的表结构，没办法这么快进行切换。简单地说，要能向下兼容。在这点上，我是深有体会，之前出现过每来一个大领导都来换一次数据仓库的。保持各业务逻辑的统一性，不要出现同样的业务逻辑，同一个组别的人统计出来的结果不同。原因在于共同的逻辑没有落地成通用的东西，所以导致每个人写法不同。这点其实需要特别注意。

针对以上，这个岗位的技能要求是：不要成为仅仅会写 SQL 的人，现在工具都很发达，如果你的技能很单一的话，那么可替代指数是非常高的，并且你自身也没有什么成就感。这里并不是说会写 SQL 的人很 low，只是说应该多学一些技能，否则你很危险。

技能上，除了 SQL 熟练之外，还需要知道如何写 Transform，MapReduce，因为有很多业务逻辑用 SQL 实现起来非常复杂，但是如果你会其他脚本语言，那么就能给你提供便利，让你的效率提升很多。

另外好的仓库人员需要写 Java 或者 Scala，通过写 UDTF 或者 UDAF 来提升你的效率是很有必要的。

仓库人员应该要常常思考，如何进行架构设计是最合理的，你要考虑是否需要字段冗余、行存储还是列存储、字段如何扩展最有效，热数据和冷数据如何拆分等，所以需要有架构思维。

数据仓库人员也应该常常考虑自动化和工具化方面的事情，需要很好的工具或者模块的抽象能力，动手实现自动化的工具来提高整个组织效能。针对经常碰到的数据倾斜问题，需要很快定位问题并进行优化。

说完了数据存储这块，接下来是数据应用的几个关键职位，在此之前，我想说数据应用的一个最关键的前提是：数据质量、数据质量、数据质量！！在每次阐述你的观点、分析结论或者用算法的时候，都需要先检查，源头数据正确性，否则任何结论都是伪命题。

数据可视化

这是个很炫的工作，最好是能懂点前端，比如 js。

数据可视化人员需要有很好的分析思维，不能为了炫技而忽视对业务的帮助程度。因为我对这个岗位客串的不多，所以没有特别深入的感悟，不过我觉得这个岗位需要有分析的能力，才能把可视化做好。

另外一方面来说，做数据应用的人都应该懂点数据可视化，要知道观点表达的素材顺序是：图片>表格>文字，一个能够用图片来阐述的机会千万别用文字来描述，因为这样更易于让别人理解。要知道，给大领导讲解事情的时候，需要把大领导设想成是个“数据白痴”，这样才能把一件事情说的比较生动。

4

数据分析师

现在对数据分析的需求是很大的，因为大家都想着说：数据有了，但是能做些什么呢？这就需要有数据分析师， 。

对数据分析师吐槽最多的是：你分析出来的不就是正常的业务逻辑吗，还需要你分析什么？或者是你分析的结论不对，跟我们的业务逻辑不符合。

特别是 ABTest 的结果和当初设定的预期不相符合的时候，分析师会常常被拉过去说：分析一下，为什么我的 AB 实验结果不显著，里面肯定有原因的。

很多时候，宝宝的心里苦啊，你说这个转化率下降了，从数据上可以看出哪个细分渠道下降了，至于为什么客户不下单，我们得问用户去，很多时候，数据上也体现不出来为什么，只能告诉你现状是什么。

如果你一直在写分析报告，给结论中，持续周而复始，没有直接在业务中体现成绩的时候，数据分析师们该醒醒了，你该想想这个是你要的岗位吗？

对于数据分析师的定位：个人认为，成为优秀的数据分析师是非常难的，现在市面上也没有多少优秀的分析师。

我个人对数据分析师的技能要求除了会数据分析、提炼结论、洞察数据背后的原因之外，还需要了解业务，懂算法。只有这样，当面对一个业务问题时，数据分析师们才可以针对问题抽丝剥茧，层层递进去解决问题，再根据定位的问题进行策略的应对，比如是先做上策略进行测试还是应用算法进行优化，用算法用在哪个场景上，能不能用算法来解决问题。

一个优秀的数据分析师，是个精通业务和算法的全能数据科学家，不是那个只会听从业务的需求而进行拉数据、做报表、只做分析的闲杂人等。

我们都说分析要给出结论，优秀分析师的结论就是一个能解决问题的一揽子策略和应对措施，同时很多需求是分析师去主动发现并通过数据来挖掘出来的。

从上述描述中，可以看到对数据分析师的要求是：

会写sql拉数据精通业务会数据洞察精通算法主动性强

如果你一直只是忙于应付日常分析需求，热衷于写华丽的报告，那么你要记得，你很危险，因为会有一堆人在那里质疑你存在的价值，特别是小公司。因为数据人员的薪资是个不小的支出。

大部分不落地的分析都是伪分析，有一些探索性的可行性研究可以不考虑落地，但是其他的特定业务需求的分析都需要考虑落地，然后通过实践来反推你的作用，如此反复，才能慢慢的给你价值的肯定，同时提升你的分析技能，也只有这样才能证明你作为分析师、数据落地者的价值。

数据挖掘/算法

这块的话，经过这三年的摸爬滚打，感触蛮多的。体会比较深的吐槽主要有以下几点：

一个规则搞定了，还用什么算法。你的准确率怎么这么低？！你的准确率可以到 99% 吗？你的推荐有价值吗？你不推荐客人也会下那个产品的订单的。帮我做个大数据预测他想要什么？

很多时候，不同的场景对准确率的要求是不同的，所以在一定合理的场景下和业务进行据理力争是必要，不要害怕让业务吐槽，更多的时候管理�...

生产是制造业企业的核心，因此，生产管理也是重要企业的重要内容。而同时，生产管理关系到企业的制造成本，进而关系到企业的成本优势、竞争力与盈利性，也关系到企业产品的质量和企业的品牌声誉。进行生产管理能够让员工负能量少，积极性提高，流失率低，快速建设号项目。实现公司项目多元化。

因此我们提供了一个生产管理数据分析的解决方案便于参考，让您通过鼠标点击和拖拽就能够轻松地掌握生产管理的基础数据查询和生产综合分析，如生产车间分析、生产成本分析、生产产品分析、生产驾驶舱等，进一步体会到生产管理数据分析的妙用。你也可以再利用我们提供的数据自己再尝试性做一些生产管理数据分析的模板。

一、方案内容

本方案将给大家着重分享以下企业生产管理数据分析方面的内容干货：

1.如何快速搭建生产管理数据分析平台？

2.如何让业务部门人员直接基于生产数据快速完成基础数据查询？

3.如何让业务部门人员直接基于生产数据快速完成生产综合分析？

4.如何让业务领导直接基于生产数据快速完成即席数据分析？

5.如何让企业生产管理数据分析成果实现团队协作共享？

二、方案效果及实现说明

1.如何快速搭建生产管理数据分析平台？

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。然后添加生产管理业务包，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生产管理数据进行即席的多维探索分析。

以本方案为例，如上图所示，我们在生产管理业务包中添加好生产事实表、生产车间维度表、生产品类维度表和生产仓库维度表，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生产管理业务包的权限分配给业务部门相关人员，并且在管理系统-用户管理中将对应授权人员加入到BI编辑用户的已授权列表中。

2.如何让业务部门人员直接基于生产数据快速完成基础数据查询？

数据底层搭建完，就可以使用分配好数据权限的账号登录平台，快速新建仪表板做基础数据分析了。

以生产订单查询为例，我们通过拖拽出一张明细表组件，将所需的生产订单信息字段拖拽即可生成生产订单明细。然后添加生产车间、生产产品、流水订单号等常用的过滤控件，即可快速完成一张对生产基础数据查询表。

3.如何让业务部门人员直接基于生产数据快速完成生产综合分析？

在这里，以其中两个模板为例，来展开生产综合分析的篇目。

a.生产车间对比分析

对于制造企业，最常见的生产分析之一就是对于生产车间的对比分析。通过不同车间的生产效率对比，让每个车间能都看到自己的KPI（此模板中指生产数量、同期数量及增长率）的对比情况，有助于建立一套自上而下的管理系统,明确各部门各人员的责任，从而有利于统一部署,分工协作、团结一致的完成生产工作，改变了过去单一行动、责任不明的状态,有助于整体联动的管理体系。

下方的明细表是我们通常在做基础信息分析时最传统和熟悉的报表展现。我们在做分析时往往可以通过一张明细表先把货物生产的基础属性拖拉出来，然后对其中所需要的字段进行进一步需要的加工处理。如对增长率在-10%~0的指标进行绿色预警，在0%~10%的指标进行红色预警，研究不同车间的占比组成，以及不同品类的车间贡献因子等。

b.生产驾驶舱

这里以化工企业的生产驾驶舱为例。生产驾驶舱（看板）是管理可视化的一种表现形式，即对数据、情报等的状况一目了然地表现，主要是对于管理项目、特别是情报进行的透明化管理活动。通过各种形式如标语/现况板/图表/电子屏等把文件上、脑子里或现场等隐藏的情报揭示出来，以便任何人都可以及时掌握管理现状和必要的情报，从而能够快速制定并实施应对措施。

4.如何让业务领导直接基于生产数据快速完成即席数据分析？

除了以上给大家介绍的制作一些企业常用的生产管理数据分析之外，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。

可以看到轻松拖拽就可以马上完成可视化，实现快速分析。

5.如何让企业生产管理数据分析成果实现团队协作共享？

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是如何帮助企业将生产管理数据分析成果实现团队协作共享的呢？

以上文所述的生产车间对比分析为例，那么通过FineBI可以非常便捷地将它分享给相关部门或者指定人员的。

例如这边想把它分享给领导，那么可以在FineBI的仪表板中将做好的生产车间对比分析模板点击分享给对应的Tom，然后点击确定即可。这样一来，对应的Tom登录之后就完全能够使用该模板。

最后，具体的实操，大家可以下载FineBI尝试下。

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。

文| 傅一平原文自：与数据同行

在数据管理领域，我们通常将数据分为：主数据、交易数据、参考数据、元数据和统计分析数据（指标）， 指标是BI里面核心的概念，是一个企业数据运营关注的核心数据，一般以KPI和报表的形式体现。

从实践来看，一个企业要进行数据治理，涉及了架构、安全等诸多层面，但最迫切的是提升数据质量，其中指标质量则是重中之重，一般业务上90%以上关于数据的疑问都从指标的质疑开始，只要你从事数据相关工作，就应深有体会。

“这个指标好像跟业务发展实际不符，快去查查”，估计这是报表取数人员听到的最多的一句话了。

笔者就来谈谈如何从根本上去提升指标的数据质量，即实现指标的标准化，作为一个数据管理人员，不管你有多少能力，曾经解决了多少问题，当过多少回救火英雄，都应该从更为长远的角度来思考这个问题。

指标标准化的核心价值在于实现“书同文，车同轨”，即通过针对指标的一系列管理过程，去提升指标准确性、一致性、敏捷性及开放性，在以前的文章《如何才能做好一张报表》中对此有详细的阐述。

DAMA将数据治理放到核心地位，指标的标准化就是个典型的数据治理问题，治标是容易的，治本的代价则太高，但如果要实现进阶，还是要站的高一点，多思考一下，想想是否有更好的方法，就从笔者多年前做过的指标标准化项目开始吧，分为组织保障、报表梳理、指标整合、实现方式、功能架构、可视化引擎及管理流程等七个方面。

1、组织保障

指标库这类数据管理项目，或称BI项目，一般业务部门参与的力度是不大的，这是大多BI项目实施效果不佳的一个深层次原因。

DAMA提到要实施数据治理活动，跨部门的数据治理委员会等是关键的组织，的确是这样，指标跟全公司每个单位都相关，对于其进行规范化改造当然应该获得大家的一致同意。

可惜的是，大多企业没有这个理想条件，也不会有数据治理委员会，在数据还未成为真正的实质性资产前，比如纳入财务部的资产目录，很少有企业会设立这个数据组织，因为效益不明显，因此，哪个企业都不大可能为指标出一个规范并且通令全公司贯彻执行，对于数据管理人员，指标库这个事情也许意义不小，但对于全公司意义则小了，这是现状。

在没有公司层面的组织保障前，数据管理人员或BI部门大多得靠自己，通过自己来推动事情往前走， 这是应有的态度，你不提，公司也没有任何人会提，毕竟你是最大受益者，实施指标库这个事情非常复杂，谁都没有成功的把握，秉持小步快跑，试点探索的原则是不错的。

笔者的这个指标库项目获得了分管领导的强力支持，这是项目能进行的现实组织保障，其实这类管理项目设立之初，很难让业务部门和一线人员马上认识到其价值并充分参与进来，这个沟通管理成本太高了，但无论如何，一个数据治理项目能否成功，公司的支持是第一要务，不仅仅是IT部门的事情，DAMA的很早就在《DAMA数据管理知识体系指南》明确了数据治理的组织要点，以下是DAMA的数据治理组织架构图，非常超前：

当然笔者觉得现实的组织演进也许如下图更合适，但道理是一样的，相关利益方需要对这个事情达成共识：

2、报表梳理

指标的主要表现形式是报表，因此第一要务就是报表梳理，公司的报表浩如烟海，因此这个项目设立之初就限制了范围，主要针对一线市场部经理、终端管理、流量管理三类核心角色，共梳理了相关的39个彩信、48份邮件通报及数据集市上的733张报表。（下图是用excel，下载企业大多用帆软、水晶一类的报表工具）

3、指标整合

各类报表及相关指标表达各不相同，梳理前应该给出一个描述指标的标准框架，包括指标大类、子类、维度、周期、归属、命名规范等等，曾经由于框架漏了一些要素导致返工现象，这个顶层设计一定要做好，以下是示例：

命名规范：业务限定词+业务名称+量值限定词+量值描述（量、收、用）

举例1：两网有效用户到达数

举例2：自建有线宽带出账用户数

下图列出了大致的梳理步骤，主要以省公司报表和彩信KPI为基础确定基准指标，各地市指标剔除个性指标后，合并到省公司的基准指标中，形成本次的最终指标范围。

全省指标共计6841个（未剔重），经过归并整合，得到基础共性指标2306个，如下图所示：

此项工作耗时巨大，以下是成果的示意：

4、实现方式

根据指标性质不同可以分为3类，即基础指标1046个、计算指标652个和通用营销类指标303个。

5、功能架构

为了支撑指标快速，标准化实现，通过增强数据管理平台来实现指标的快速开发、部署和管理，主要包括指标信息维护、指标开发、运维管理、指标质量管理等功能。

比如指标库每月需要新增超过9. 5亿行的数据，存储周期按12+1，即123亿行，以传统关系型数据库的查询能力无法支撑，这里就采用Hbase架构支撑海量指标的快速查询。

6、可视化引擎

为了支撑指标组装报表与配置报表的快速开发，使用数据可视化引擎产品，主要包括指标组装、报表开发、报表展现功能，现在的这类产品很多了，但定制化给予一个创新性项目更大的自由度。

指标组装报表工具是区别传统基于SQL配置报表的灵活度更高的报表配置方式，主要提供基于指标选择组装生成报表。

7、管理流程

指标的建设只是走完了数据治理的第一步，为了确保指标库长期可用，必须要有一套针对的指标管理机制和流程，否则建设的结束就是混乱的开始，理想的做法当然是发布一套公司级别的指标管理规范，但这个时候时机往往并不成熟，比如系统可用性到底如何，因此，我们当时就确立了一个简单原则，一条开发铁律：不重复开发，能用指标实现的不允许单独开发报表，当然这非常考验数据管理的艺术，极大依赖于团队的业务和数据能力，但有主见的数据管理团队一定要懂得如何与业务人员进行博弈，记得你才是全公司数据的管理者，而不仅仅是个开发者。

笔者在关于指标库的实现简要谈完了，但我对于大多企业搞指标库却是持悲观态度的，传统BI部门面对浩海的数据需求时，往往是没有管理原则的，因为公司对你的数据管理授权是不明确的，我们不得不以牺牲长远来满足当前，其实BI每接收一个不规范（比如胡乱的指标命名和定义）的报表需求就要承担由此带来的管理成本，而不仅仅是开发成本，这为后续数据管理的混乱埋下了祸根。

但存在的又是合理的，因为搞个指标库在开始的时候，无论是管理及运维成本都不低，关键是短期来看效益还不明显，这也许是成功案例不多的一个原因。

因此，当我们在抱怨业务指标口径一塌糊涂的时候，要记得是企业没有数据管理的原则导致了这个现象，也是你的不作为导致了这个现象，这跟公司的文化、机制及流程是息息相关的，顶层设计没解决，也许只能将就了，或者，你就要付出百倍的努力去改变或优化这个设计吧，这需要巨大的决心和毅力。

DAMA谈数据治理首当其冲谈组织设置，显然是非常睿智的，奇怪的是在知乎上关于DAMA数据治理的讨论几乎没有，这倒是值得思考的问题。

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊。

一、初创期

初创期的重点在于验证产品的核心价值，或者说验证产品的假设：通过某种产品或服务可以为特定的人群解决某个问题。这个阶段应当遵循MVP(Minimum Variable Product) 的思想，以最小的成本来验证创业的想法，并根据用户的反馈快速迭代以调整解决方案，最终在数据上得到验证。

案例：

拿之前做的某款国外移动端论坛社交应用为例，产品在idea时期(12,13年左右)发现了论坛用户经常在吐槽从移动端Wap页访问论坛速度慢、广告多、完全没有移动端适配，于是我们提出假设：做一个App，连接论坛系统与用户，让论坛用户在移动端也能享受流畅的论坛访问体验，并且用户愿意为了这种体验付费。

于是在初期，整个产品完全围绕看帖、发帖两个核心场景进行挖掘，在论坛里进行宣传，售价$18，发现有许多用户为之付费，且这些用户的留存率达到60%+(当然与用户付费了有关)，有一半的用户使用时长都超过了70分钟。当时没过多久陆续出来了一些竞品 (Vbulletin团队，当时最大的论坛系统，开发了一个移动端的App，意图解决同样的问题)，但是没过多久都远远落在了我们后面，就是因为整个团队遵循MVP的思想，按用户反馈专心反复打磨看帖、发帖的流畅体验，获得了非常好的用户口碑并领先市场，也获得了某著名硅谷投资机构的投资。

关键数据——目标人群画像

除此之外，初创期可以通过接入一些第三方的应用监测SDK来了解初期用户群体的画像，从侧面验证用户群体与假设的目标用户群体特征是否一致，常见的是人口学属性(性别、年龄、学历、地域)。

案例：

今年4月初在和国内某健身类的APP的产品经理聊到， 该APP最初是一款健身、运动记步的工具App，在产品前期新用户的次日留存处于业内平均水平，在其观察到目标用户群体的画像时，发现女性用户明显比男性用户要多，且女性用户留存明显比男性用户要高。于是决定在产品策略上向女性用户倾斜，主攻女性健身、减脂、美容方向的功能以及内容推荐，产品整体次日留存率相比之前增长近100%。

同样，最近服务了一个鹅厂内部客户，他们开发了一款新产品，意在面向年轻人群体，结果却发现其用户年龄分布以青少年和老年人居多：

这正好与他们的用户渠道相关，原来他们有一款面向青少年和老年人的产品，为了给产品带来第一批用户，他们直接从老的产品将用户引流过来，结果发现他们并非产品的目标用户。

关键数据——留存率

在当前用户符合目标受众特征时，核心关注这些用户的留存率、使用时长/频率、用户的黏性等指标，这里就留存率展开来讲。

留存率的维度分很多种(7日，双周，30日等)，依据产品特征来选择，若产品本身满足的是小众低频需求，留存率则宜选择双周甚至是30日;留存率高，代表用户对产品价值认可并产生依赖，一般来说，假设便能得到验证，通常低于20%的留存会是一个比较危险的信号。

介绍一个以数据为驱动的先行指标模型，可以通过找到先行性指标指导产品设计，从而提升留存率。先看下先行性指标的定义，先行性指标是指新用户在使用产品早期的一种产品行为，这个指标与用户的留存率指标之间存在着非常高的线性相关关系，可以预测用户是否会在产品中留存下来。

用自己总结的公式来描述，大致如下：

积极预测可能性(%)：表示用户执行了该行为，即可预测该用户留存活跃的可能性

消极预测可能性(%) ：表示用户如果不执行该行为，即可预测该用户不留存活跃的可能性

最终，先行性指标的可信度=积极预测可能性 X 消极预测可能性 ，我们直接看案例。

案例

拿之前的论坛社交App为假设，假设“用户在注册前10天内添加好友超过7个”为先行性指标，那么我们计算一组数据：

其中，用户前10天内添加好友超过7个，则其30日留存下来可能性为99%;若添加好友小于7个，则其30日不留存下来(流失)可能性为95%，综合指标可信度为0.9405。

同理，计算以下两个先行性指标可信度：

最终，我们得到对比：

以上只是假设的数据，实际上，我们需要对比十几个甚至是二十几个行为指标才能找出先行性可信度最高的行为。

这个模型中第一条“新用户在注册后的10天内添加好友超过7个”，也就是Facebook一个经典的“aha moments”，所谓”aha moments”即当用户意识到产品的核心价值的时刻，也就是我们的“先行指标”。

(Facebook，Instagram推荐好友截图)

除此之外，先行性指标应当满足以下条件：

二、快速成长期

经过了产品打磨的初始阶段，产品有了较好的留存率了，这个时候产品开始进入自发增长期。自发增长期的产品阶段，仍需要关注用户留存、用户时长、用户画像的变化等数据，但可以将侧重点关注在用户的整个生命周期的管理，其中以新用户的增长、激活、触发“aha moments”到产品稳定活跃用户的整个漏斗分析为主。

新用户的增长和激活

其中新用户的增长和激活一般有两种方式，第一种是构建产品的病毒性传播系数, 让产品自发增长，《精益运营数据分析》书中有提到的几个用户病毒式传播分类很有趣：

原生病毒性，即通过App本身的邀请好友功能而传播吸引的新用户的方式;

口碑病毒性，即通过口碑传播，用户主动通过搜索引擎成为的新用户;

人工病毒性，即通过人工干预，如有奖邀请等激励措施来鼓励用户进行邀请行为。

这里关注的一个指标称之为“病毒式传播系数”，感兴趣的同学可以自行深入了解。

新用户下载->激活->‘Aha Moments’->产品稳定活跃

产品开始进入自发增长期后，需要关注用户从新用户到活跃用户(留存后)、到核心用户的生命周期，并将每个过程的关键指标提炼并精细化。

案例

以之前的论坛社交APP为例，新用户进入产品会看到一个欢迎页(如左下图)，经过注册、登录后会看到产品的首页(如右下图的Feed流页面)，多数App都有类似的流程：

一个新用户从进入App欢迎页到最终成为核心用户大概是以下流程：新用户(探索发现产品价值中)-> 旁观者(逐渐认知产品价值并有一定的参与感)->生产者(认同产品价值并积极参与)：

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊：

此时，对各个阶段的用户行为进行指标分解：

新用户&探索发现者：

欢迎页跳出率新用户注册率新用户引导流程转化率初始看到Feed页跳出率搜索结果转化率推送权限开通率

旁观者(路过者)：

平均每个用户关注板块数平均每个用户关注其他用户数平均每个活跃用户赞/分享数Feed卡片展示数Feed卡片点击数订阅内容推送点击率

内容生产者：

· 平均每个活跃用户发帖数

· 平均每个活跃用户发照片、视频数

· 平均每个用户在论坛内使用时长

· 活跃用户在论坛内行为分布

精细化的拆分用户生命周期前中期的行为指标，在产品快速增长期帮助了产品不断打磨细节，将用户从新进到成为核心用户体验不断完善。与此同时，在各节点数据提升并稳定后，产品运营的同学则开始进行各种推广、投放的宣传以扩大盘子、占领市场。

三、成熟期

随着用户快速增长，产品不断完善，产品在进入成熟期前后，数据运营关注的重心开始从用户生命周期的前半段(吸引、激活、留存)往后半段(流失、回流)开始偏移。

这里分享一个在增长期和成熟期关注的数据模板 Daily Net Change (应用自John Egan@Pinterest)，区别于只关注DAU、MAU数据，只关注活跃用户数的增减很多时候都是取悦自己，而这个模型能帮助直观地观察到用户增长的因子是什么，或者用户盘子变化的情况，通过一张图展示了产品的新增、回流和留存情况。

其中Net Change = 新增用户 + 回流用户 – 流失用户。

新增用户即当天有多少新用户加入

回流用户即多少老用户连续28天没有使用，今天又开始使用

流失用户即有多少已有用户刚好最后一次使用应用是在28天前

流失与回流

在关注流失回流的过程中，数据会揭示当前用户盘子的一个变化情况，具体分析流失原因则可以参考下方流程：

核心思路即，通过回访定性+数据验证为主要手段，确定流失原因，改变产品运营策略以预防用户流失或拉回用户，促进回流。

除此之外，对于一些稳定的投放渠道，普通的改善方法可能提升转化有限，此时可以进行更精细化的渠道分析来优化提升ROI：

案例：

提升ROI

四、衰退期

最终，产品进入衰退期，一般在进入衰退期前可以采取两种方式：

1、规模化

常出现在零售业中，如开一家按摩养生店，在一定范围内收获好评，那产品成熟的时候则可以开启连锁加盟模式，通过迅速而广泛的扩大市场形成品牌效应，以形成壁垒，此时衰退的风险则被抵御。

2、生态化

在产品增长或接近完善时，单一的产品很容易存在需求过于垂直、用户无法形成依赖的问题，可以开发具有协同能力的新产品以搭建完整的产品生态，使得在当前产品上无法被得到满足或失去兴趣的用户被引流到新产品，作为新产品的新用户;同时新产品的用户也能在新产品上被引流回老产品，产品之间形成互相依赖的链条，最终用户有效流转，形成生态。

中国游戏厂商跑步进入买量时代，买量市场的激烈竞争导致买量成本水涨船高。据统计，传奇类与仙侠类产品的买量价格先后超过100元，在ios平台买量价格破两百的情况也屡见不鲜。获客难，利润薄已是大部分游戏厂商不得不面对的行业现状。

通过买量和粗旷运营的方式已经难以为继，大部分的游戏厂商已经开始聚焦精品战略，通过精细化运营的方式，提升留存、ARPPU和LTV，以实现企业的长期增长目标。而精品战略和精细化运营的基础是游戏数据的精益分析。以下是两个数据分析的案例：晨之科是一家专注于二次元游戏研发和发行的游戏公司，今年上半年刚发的一款产品中，发现新增玩家的留存情况不太理想。于是晨之科对流失用户进行分析，发现大量用户在流失之前驻留于游戏中前期的某关卡。

接着，晨之科运营团队对于卡在此关卡而流失的用户进行了深度下钻分析，发现这部分用户在此关卡的强化道具的消耗与获取比例严重的不平衡。对此晨之科进行了及时的补救措施，增加了前期强化道具的获取，同时降低了此关卡道具消耗。 版本更新后，关卡玩家驻留情况减少，新用户留存明显提升。

闪电玩是杭州电魂旗下的H5游戏开发运营平台，免费提供上百款好玩的多人小游戏和单机游戏。系统上线初期，电魂运营团队只能看到不同游戏里商城道具的大致购买情况，对不同游戏里不同等级的玩家，高付费与免费玩家分群，高付费玩家属性无法进行细致分析。平台一直有较高的用户数，但是营收增速缓慢。

后续运营过程中，电魂网络对平台玩家按照不同属性进行了细致的分析，按照玩家等级分组，分析道具购买情况，同时分析不同玩家VIP等级的物品消耗情况，调整道具的使用权限和道具的价格，最终使得平台的整体营收逐步提升。虽然很多厂商也都意识到了数据分析的重要性，但是受限于传统的数据分析系统的瓶颈，比如数据采集不合理，数据需求处理慢、系统分析指标固化，缺乏灵活性等等，使得数据在项目中的运用很难落地，这是行业内的一个普遍难题。那么，有没有一款数据分析系统，能够改变行业的现状？近期，专注于数据分析系统研发的大数据公司数数科技，联合阿里云共同推出了一款具有革命性的数据分析产品 -- TGA（ThinkingGameAnalytics）游戏数据分析系统，致力于改变行业的数据分析现状，提高数据的使用价值。该系统结合了数数科技在游戏行业积累多年的深度数据分析模型与阿里云的百亿级数据运算能力，实现了全端数据采集、多种分析模型、百亿级数据秒级查询，让数据驱动游戏精细化运营变得切实可行。多元指标多种模型，精准定位问题指标越精细，分析模型越灵活，就越容易定位具体运营和产品问题。不少免费的分析工具，或者厂商自建的数据后台，能够分析的数据较为单一，主要集中在日活、付费、留存等基础数据，运营人员无法进行自定义分析，大部分都停留在较为宏观的数据层面。为了实现游戏的精细运营，运营或者市场人员还要关注玩家对于不同玩法的接受度、不同分群玩家的行为特征、以及玩家的流失环节到底在哪里。这就对数据分析系统数据和指标的精细程度提出了较高要求。

针对这些行业痛点，TGA系统提供了一套完备的解决方案。通过TGA系统，运营、市场以及数据分析人员可以使用预设的70多个经典数据模型，也可以根据自身需求进行多维度自助分析，能够涵盖日常游戏数据分析的绝大部分需求和分析思路。分析过程中，用户能在漏斗分析、留存分析、用户分群等分析模型的基础上，自行创建多维分析报表，结合业务需求，深度下钻，从数据中充分挖掘游戏数据的价值。分析结果的呈现方面，用户可以根据需求自主选择柱状图、堆积图与线图等多种图表形式，也可以灵活的设置数值区间与呈现名称，让企业能把数据真正用活，用好。百亿级数据秒级响应，支持私有化部署游戏产品的业务场景比较复杂，数据量也非常巨大。目前大部分企业的数据分析还依赖于人工跑表，写SQL拉数据，在面对百亿级数据的处理需求时，分析师和DBA都显得非常无助。

据数数科技介绍，TGA系统通过底层框架和存储技术的创新，突破了传统大数据分析系统的不足，系统目前的数据处理效率达到了每天100亿的事件量，并支持全端数据采集、兼容历史数据。能帮助用户实现实时的数据分析与问题诊断。据火溶信息科技的技术负责人称，TGA系统的数据处理效率相较于传统BI系统有数量级上的提升。实际使用过程中发现，在进行同样规模的数据查询时，TGA系统能做到秒级响应，而内部的BI系统需要消时40分钟以上才能获取结果。TGA系统利用强大的底层架构极大地提高了系统对数据的处理能力，使得分析人员不再需要花费大量的时间等待分析结果，做到实时分析。

相较于传统数据系统，TGA系统不仅在技术和分析模型方面有着不少突破。对于各大厂家都会关心的数据安全问题，数数科技也专门推出了私有化部署的解决方案，彻底打消客户对于数据安全性的疑虑。与此同时，数数科技还提供完善的售后服务，包括系统的运维支持，产品使用培训，和系统版本的免费升级。数数科技的使命是“赋予客户数据驱动的能力”，仅仅是有数据意识还不够，还需要能把数据用好的能力，所以在数数科技的售后服务中，还包含了数据采集方案培训和数据分析能力的培训，从全方位提升企业对数据的使用能力。目前数数科技的TGA系统已经获得众多游戏公司的认可和青睐，现已服务了上百家客户，其中不乏有众多大厂，如游族网络、天神娱乐、巨人网络，电魂网络等知名上市公司。结语游戏行业巨头效应日益明显，市场竞争日趋激烈，买量成本不仅日趋增高，质量也日益下降，早日聚焦精品战略，做精品游戏，做长线运营已成为众多企业长期的生存之道。而随着TGA新一代游戏数据分析系统的出现，极大地降低了大家对数据的使用门槛，科学决策和数据驱动不在只是停留在理念阶段，相信在不久的将来，TGA会成为企业的必备工具，也会成为企业提高自身竞争力的一项有力武器。

说到数据分析，其实很简单，就是找到问题、来解决问题。在做SEM数据分析之前，首先要了解数据，为什么要分析数据？通过数据分析可以获得什么？

因此，正常的数据分析过程应该是：确定分析的目的→收集所需的数据→组织数据→分析数据→获得优化意见。

数据是我们调整账户的基础。对于刚入门的竞价员来说，数据分析很难理解。由于关键字报告、创意报告、搜索词报告、对话词报告、转化词报告中的出价数据太多，新手常常不知道怎么开始，此时你需要冷静下来，整理每个报告，过滤并查找有效数据以进行比较。

管理过这么多账户，凭借我们团队的经验，今天以快速掌握SEM数据分析进行讲解。

首先，您需要了解SEM数据名词的含义。点击率是多少？转化率是多少？跳出率是多少？等一系列技术术语，例如帐户点击率下降，您需要清楚地知道哪些因素会导致点击率下降，接下来应该做什么;调整帐户后，您必须清楚地知道哪些数据会发生变化，否则一切都是浪费时间。以下是两个月教育行业的数据案例。

整理后，复杂的数据将变得清晰。经验丰富的SEMer将知道对上图所示账户进行了哪些调整：这组数据是典型的流量不精准分析图，根据公司政策调整减少消费，平移展现下降、点击下降、对话下降、这些都是正常的数据范围，但是我们消费的下降，应该降低我们的转化成本，这组数据中我们的转化成本并没有降低，反而高出了1块钱，这就说明我们在降低消费时，没有控制我们的精准流量进来，还是以泛流量的方式进行优化账户，（当然这组数据的转化成本是指精准客户转化不是所有的转化成本）这就造成我们降低消费的同时没有一个合理的优化方案去优化账户。

做数据分析首先得要有一个完整的思路。《谁说菜鸟不会数据分析》书中举了一个很生动的例子。做数据分析就好比做一件衣服，首先的先有设计图，然后在根据设计图分步骤的去制作成成品。今天我们说的数据分析的完整思路就相当于衣服的设计图，有了完整的思路，才不至于漫无目的的，没有一个清晰的目标去做分析。

那么我们如何才能建立一个完整的数据分析的思路呢呢？《谁说菜鸟不会数据分析》给大家提供了几种数据分析方法论来助力大家形成完整的数据分析思路。主要有PEST分析法，5W2H分析法，逻辑树分析法，4P营销理论（现在用的比较多是4C），用户行为理论。下面呢，我就以5W2h分析方法，给大家详细的说明一下怎么建立完整的数据分析思路。

首先，先介绍一下什么是5W2H。

（1）WHAT——是什么？目的是什么？做什么工作？

（2）WHY——为什么要做？可不可以不做？有没有替代方案？

（3）WHO——谁？由谁来做？

（4）WHEN——何时？什么时间做？什么时机最适宜？

（5）WHERE——何处？在哪里做？

（6）HOW ——怎么做？如何提高效率？如何实施？方法是什么？

（7）HOW MUCH——多少？做到什么程度？数量如何？质量水平如何？费用产出如何？

例如要不要增加一个推广渠道，我们来形成一个完整的分析思路。

WHAT：一个引流的渠道，对这个渠道要有一定认识。

WHY ：目前其他的渠道的流量不能满足，做了渠道之后可能会增加多少流量。

WHO：是直接让其他渠道的人来负责，还是重新招一个操作过这个渠道的人。

WHEN：如果要做这个渠道，有没有时间来做，什么时候开始实施。

WHERE：如果是大公司，要考虑是总公司来做，还是分公司来做。

HOW：怎么做，是否有详细的解决方案，是否先参考同行竞争对手。

HOW MUCH：新增加的这个渠道，需要投入多少成本，人力成本，广告成本等等。

对每个环节进行分析，评估，然后综合每个环节，看看这个渠道是否值得开发。

导读：过去三十年，美国经济处于较好的阶段，大致分歧的世界观影响着制造企业的投资和采购决策。拉丁美洲、东欧和亚洲大部分地区都被看作低成本地区，而美国、西欧和日本则被看作高成本地区。但这种世界观现在似乎已经过时了。

工资、生产率、能源成本、货币价值和其他因素年复一年地的细微变化悄悄地但也极大地影响了“全球制造业成本竞争力”图谱。新图谱包含了低成本经济体、高成本经济体和大量处于两者之间的经济体形成的错综复杂的局面。相对成本的变化令人吃惊。十年前谁会想到巴西现在成为制造业成本最高的经济体之一或者墨西哥的制造业成本会低于中国？虽然伦敦仍然是全球生活和旅游价格水平最高的地方，但英国已经成为西欧制造业成本最低的经济体。俄罗斯和东欧的制造业成本则上升到与美国几乎等同的水平（见下图）。

为了了解全球制造业的经济转移，波士顿咨询公司对全球前25位领先出口经济体作了四个重要方面的分析：制造业工资、劳动力生产率、能源成本和汇率。这前25位出口经济体占全球工业制成品出口接近90%。新的波士顿咨询公司全球制造业成本竞争力指数显示这些经济体的制造业相对成本发生了变化，这促使很多企业重新思考过去几十年对采购战略的假设以及未来发展生产能力的地点选择。为了辨别和比较相对成本的变化，我们分析了2004年和2014年的数据。这项评估是我们持续研究全球制造经济转移的系列成果之一。在制定指数的过程中，我们观察到成本竞争力在多个经济体有所提高，而另一些经济体则相对下降。通过这个指数，我们发现了制造业成本竞争力变化的四种显著模式（见下图）。

它们包括：面临压力：过去一直被认为是低成本制造业基地的几个经济体由于多项因素结合，自2004年来面临着成本优势大幅减弱的压力。例如：据估计，中国相对美国的工厂制造业成本优势已经减弱到5%以下；巴西的制造业成本高于西欧；波兰、捷克共和国和俄罗斯的成本竞争力也相对减弱，目前它们的制造业成本水平与美国相当，仅仅比英国和西班牙低几个百分点。

继续削弱：几个过去十年制造业成本就相对高的经济体竞争力继续削弱，它们的制造业成本高于美国16%-30%。主要原因是生产率的低增长和能源成本提高。竞争力继续削弱的经济体包括：澳大利亚、比利时、法国、意大利、瑞典和瑞士。保持稳定：从2004年到2014年，很多经济体相对美国的制造业成本竞争力保持稳定。在印度和印度尼西亚等经济体，虽然工资大幅增长，但生产率快速提高和货币贬值对成本起到抑制作用。相比印度和印度尼西亚的动态平衡，所有我们分析的成本驱动因素在荷兰和英国都保持相对没有太大变化。这四个经济体的成本竞争力使它们未来可能成为所在地区的制造业领先者。全球新星：相比其他全球前25位出口经济体，墨西哥和美国的制造业成本结构有更多的提升。由于工资增长率低、生产率持续提高、汇率稳定和拥有巨大的能源成本优势，这两个经济体现在成为全球制造业的新星。我们估计，目前墨西哥按单位成本计算的平均制造成本低于中国。全球前10位商品出口国中，除了中国和韩国，其他经济体的制造业成本都高于美国。

制造业相对成本的这些动态变化将促使企业重新评估它们的制造业选址，从而导致全球经济发生巨大转移（见下图）。这意味着全球制造业可能更加分散在各个地区。因为全球各个地区都有相对低成本的制造业中心，亚洲、欧洲和美洲的更多消费商品将在更接近本地的地方制造。鉴于上述这些趋势，政府领导者越来越意识到稳定发展的制造业对经济的重要性。我们希望这份报告能够鼓励发达经济体和发展中经济体的政策制定者明确自身优势和劣势，并且采取行动提高制造业竞争力。

“成本竞争力的驱动力”图谱

从2004年到2014年，四个主要因素促使制造业竞争力发生巨大改变。这些因素使过去低成本和高成本地区之间的区分变得模糊。这四个要素包括：

工资：各个经济体中制造业工人的时薪仍然存在巨大差异。但快速上涨的工资已经极大地削弱了很多主要出口经济体的竞争优势。虽然从2004年到2014年，所有全球前25位的出口国的制造业工资都出现上涨，但中国和俄罗斯的年均工资增长率达到10%-20%的情况已经持续超过10年，而其他经济体的年均工资增长率仅为2%-3%。汇率：货币价值的变化对一个经济体出口商品在国际市场价格的影响是两方面的：要么更贵，要么更便宜。从2004年到2014年，货币价值的变化使印度卢比兑美元贬值26%，卢比兑人民币升值35%。劳动生产率：单个制造业工人产出的增加即生产率的提高。从2004年到2014年，全球各个经济体生产率提高的情况呈现巨大差异，这解释了各个经济体总制造业成本的最显著变化。从2004年到2014年，墨西哥、印度和韩国等经济体的制造业生产率上升超过50%，而意大利和日本的制造业生产率则出现下滑。一些工资增长率低的经济体在更具生产率对工资作出调整后，单位劳动成本就没有明显优势了。能源成本：自2004年来，由于页岩天然气资源的大规模开采，北美天然气的价格已经下降了25%-35%。相比之下，波兰、俄罗斯、韩国和泰国等经济体的天然气价格上升了100%-200%。这对使用天然气作为生产进料的化工产业产生巨大影响。类似地，澳大利亚、巴西和西班牙等制造业经济体的工业用电价格也大幅上升。因此，北美以外很多经济体的整体能源成本都比2004年上升了50%-200%。这明显地改变了各国依赖能源的产业的竞争力。

为了比较从2004年到2014年全球前25位工业制成品出口经济体在这四个方面的成本变化，我们把美国作为基准，然后把四个方面的得分加起来得出各个经济体相对美国的整体制造业成本竞争力得分，美国的分值定为100。如果一个经济体在我们的制造业成本竞争力指数中得分达到110，那么它的平均制造成本就比美国高10%。

当然，工资增长率、生产率、汇率和能源成本以外的因素也很大程度上影响企业供应链地点选择的决策。物流成本、经商容易程度和是否存在腐败等次要因素也会影响某个地点对制造业的吸引力。

我们在研究中已经发现，在很多直接生产成本很有吸引力的经济体中，上述次要因素存在的缺点阻碍了制造业的增长（见下图）。这些次要因素与本地情况密切相关，甚至在同一个经济体的不同地区也存在巨大差异。因此，我们的成本指数模型并没有计算这些因素。但明智的制造企业在决策时必须考虑这些因素。

四条不同的路径

汇率以及劳动力和能源成本在过去十年的波动变化使全球前25位出口经济体的相对制造业成本结构发生惊人的变化。曾经集中在少数几个地区的制造业竞争力现在真正变得全球化了。全球各国的成本竞争力排名也经历了大幅调整。

随着我们对这些宏观经济趋势的研究逐渐深入，我们发现：制造业成本竞争力指数中的大部分经济体发生的成本转移呈现四种常见模式：面临压力、继续削弱、保持稳定、全球新星。

面临压力

过去被认为是低制造业成本的经济体包括：巴西、中国、捷克共和国、波兰和俄罗斯，它们的竞争优势从2004年到2014年大幅减弱。现在，其中几个经济体的平均制造成本估计比美国还高。巴西的制造业成本急剧上升：2004年巴西的平均成本低于美国大约3%，到2014年估计高于美国23%；2004年波兰和俄罗斯的平均成本估计分别比美国低6%和13%，现在它们的平均成本都大致与美国持平；2004年捷克共和国的平均成本低于美国大约3%，现在估计高于美国7%；同期中国相比美国的制造业成本优势估计从14%下降到4%。

促使这些变化的关键因素各不相同。飞涨的劳动力和能源成本削弱了中国和俄罗斯的竞争力。例如：十年前，根据生产率调整后的制造业平均工资在中国大约是4.35美元每小时，在俄罗斯是6.76美元每小时，相比之下美国是17.54美元每小时。在十年间，中国和俄罗斯根据生产率调整后的制造业平均工资翻了三倍，中国达到12.47美元每小时，俄罗斯达到21.90美元每小时，而美国仅上升了27%达到22.32美元每小时。从2004年到2014年，中国和俄罗斯工业用电的成本估计分别上升66%和132%，而天然气成本则分别猛增138%和202%（见下图）。

表面上看，俄罗斯能源成本优势减弱令人费解。俄罗斯是天然气和石油的主要出口国，俄罗斯国内制造企业的天然气成本比美国低30%，但俄罗斯天然气价格相比美国急剧上升。究竟什么原因？原来是美国页岩天然气产量的大幅增加导致美国天然气价格急剧下降，而俄罗斯仍然依赖传统天然气，从而导致天然气成本上升。因此，即使俄罗斯制造企业仍然享受全球最低的天然气成本，但相对美国的成本优势已经大幅减弱。另外，俄罗斯的制造业竞争力被一些成本指数中不计算的次要因素进一步削弱。俄罗斯在各项国际指数的全球排名中较为落后，“经商容易程度”排名第92，物流效率排名第95，廉洁指数排名第127。

巴西各个方面的情况也不容乐观。值得注意的是，虽然巴西被看作主要新兴市场，但即使在十年前如果根据生产率进行调整后，巴西制造业成本相比美国的优势并不大。现在情况更糟糕，从2004年到2014年巴西相比美国制造业成本上升26%，其中四分之三的上升是由巴西的高工资和生产率低增长导致的。

巴西工厂工人的工资在过去十年增加不止一倍。收入提高是经济健康发展的典型标志。这十年的经济稳定增长使数百万巴西家庭从贫困人口迈入中产阶级。但巴西生产率的提高不足以抵消工资提高对制造业成本的影响。事实上，从2004年到2014年，巴西的总劳动生产率仅提高了1%，在我们的制造业成本竞争力指数的25个经济体中排名第19。

波士顿咨询公司之前的研究表明巴西工资的高增长和生产率的低增长是巴西人才短缺、投资不足、基础设施落后和体制复杂而低效的主要原因。工业用电成本翻倍和天然气成本接近60%的增长也削弱了巴西的成本竞争力。由于上述因素，在我们的制造业成本竞争力指数中，巴西与意大利和比利时并列“最不具制造业成本竞争力经济体”第四位，排名在澳大利亚、瑞士和法国前面。

十年前，波兰是欧洲最具成本竞争力的经济体，现在它相比周边经济体仍然有优势。例如：波兰的制造业成本相比德国低20%，不过比起2004年的比例23%优势有所减少。另外，由于高能源成本和工资上涨，波兰失去了相对全球某些最强大竞争对手的优势。波兰的生产率从2004年到2014年适度增长了大约38%，但由此产生的优势被货币增值抵消了。

继续削弱

十年前，大部分西欧经济体的制造业成本相对较高。如今，西欧某些经济体的成本竞争力更不如前。比利时相对美国的平均制造成本上升了7%，瑞典8%，法国、意大利和瑞士10%，澳大利亚21%（见下图）。

造成这种情况主要原因包括：能源成本上升、货币升值、生产率增长乏力。2004年以来，上述六个西欧经济体的电力成本平均上升了59%，天然气成本上升了94%。这些经济体的平均工资涨幅高于美国大约10%，而生产率增长低于美国大约10%。例如，澳大利亚的平均工资从2004年到2014年上涨了48%，而劳动生产率几乎没有增长。（见“澳大利亚：进一步失去竞争力”）

澳大利亚：进一步失去竞争力亚洲对煤、铁、矿石和天然气的需求在过去十年呈爆炸式增长，这极大地促进了自然资源丰富的澳大利亚的经济增长。数以千亿计的澳元涌向采矿、能源和基础设施项目并且创造了数以千计的高薪工作，使澳大利亚在2008年到2009年的全球经济衰退中仍然保持活跃的发展势头。伴随着澳大利亚资源产业繁荣的却是制造业的衰退。澳大利亚的汽车产业遭受的打击特别严重。2004年，澳大利亚汽车产量接近40万辆，总产值约为90亿美元。到2012年，澳大利亚汽车产量减少将近一半。最严峻的挑战还在后头，澳洲福特计划在2016年关闭其发动机和汽车工厂；日本丰田汽车和美国通用汽车也宣布了将在2017年关闭它们在澳大利亚霍顿汽车公司的子公司的工厂。结果将是这些工厂（从广义上看就是澳大利亚的汽车产业）将裁员数千人。虽然澳大利亚的汽车装配线规模相对较小，并且零件工厂很难与国外更大型、更高效的工厂相提并论，但通用汽车和丰田汽车都声称关闭工厂的主要原因是澳大利亚的高生产成本和强势的澳元。我们的研究证实了澳大利亚的全球制造业成本竞争力急剧恶化。澳大利亚在波士顿咨询公司全球制造业成本竞争力指数的25个经济体中表现最差，自2004年以来澳大利亚相对美国的制造业成本竞争力下降了21%，其平均直接生产成本超过了德国、荷兰、比利时和瑞士。事实上，澳大利亚在我们指数涵盖的每个方面（工资、生产率、能源和货币汇率）的竞争力都在进一步减弱。澳大利亚丰富的资源和基础设施的发展导致工资上涨和澳元增值以及资本外流，从而最终导致制造业成本竞争力下降。过去十年，澳大利亚制造业工资上涨了48%，商品出口使资金流入，这些都导致了澳元对美元增长21%。同时，绝对制造业劳动生产率下降1%。澳大利亚制造业生产率自2004年以来增长...