陈松松，2011年至今（7年）专注视频营销、原创视频精准引流

“这是我写的第172篇关于视频营销原创文章”

我希望大家不是技术大拿，而是思维大拿。

用思维控制技术，而不是用技术控制自己。

昨天分享《抖音5天涨粉40.1万实战运营方案复盘（10）粉丝运营》，今天继续分享第11讲：数据分析

运营2：数据分析

我们的视频火不火，能不能上热门，上热门的概率是多少，这些是怎么判断出来的，说白了全靠数据粉丝+我们的第六感（感觉）+调整测试。

当我们把第一个视频发出去之后，

我们要做的第二件事情就是数据分析，只有通过数据分析才能判断出来我们的抖音15秒视频做的怎么样，是否收到用户喜欢，我们也知道大概怎么去调整我们的视频内容。

我们5天涨粉40.1万精准粉丝，非搞笑、娱乐粉丝。

说白了，重点的参考就是数据分析，这个我们做的非常到位，要不可能给我们1年时间也做不到40.1万的粉丝，再加上我们比较重视细节，也是一点点优化出来的。

我们分析数据的时候，主要从以下角度出发：

⑴自己视频数据分析

⑵同行视频数据分析

⑶热门视频数据分析

⑷搜索视频数据分析

每一块前期我们花了半个月的时间分析，之后我们每天都要花费半小时到1小时的时间来分析，每天如此。

分析具体细节的时候，我们每个细节都分析的很清晰，不说别的，光分析同行，就要分析几百条，从分析抖音同行，我简单列几个，供大家参考：

①抖音账号名字

抖音的名字就是我们的定位，更是我们个人品牌、公司品牌的一个展示，也方便用户判断我们到底是干什么的，这个名字到底怎么起名是有方法、有技巧，这里给大家一个公式：品牌词（个人姓名）+行业词。

当然也可以是其他的方式，可以专门看同行视频、看热门视频，他们的名字是怎么起的，看个几十个就知道你的抖音号的名字怎么命名了。

这就是分析同行视频、分析热门视频，通过分析同行视频、分析热门视频就知道自己该怎么做，该做什么，一目了然，就不会盲目，也不会心慌意乱。

名字是不建议大家打广告、加微信的，因为本身就是方便用户识别、方便客户记忆的，但其实你会发现有很多同行已经添加成功，这个大家自行判断，刚开始的时候不建议！

②抖音账号头像

名字起好了，接着就是账号头像，账号头像也是我们的个人品牌、公司品牌，个人的话建议使用真人头像，当然也可以使用卡通头像都行，公司品牌，也就是你用公司申请的，建议使用公司的LOGO，或者申请商品的LOGO都可以。

接着就是参考同行、参考热门视频，看看其他人的个人账号、企业账号他们是用什么样的头像，分析个几十个，其实也出来了，也就知道自己的抖音账号头像如何选择了，都非常简单。

很多东西一点就破，关键要行动起来。

④抖音个性签名

个性签名其实是最好的广告位置，但刚开始不建议直接添加，尤其是没发布作品的时候，建议粉丝在1万左右的时候添加。

个性签名一般就是一句话的定位，告诉你的粉丝你的这个抖音号主要分享什么领域的内容就行了。

这里我提一点：如果你的作品上热门，此时不要去更改任何资料，任何的信息，我们很多朋友就想在作品热门的时候更改个性签名，但很多直接没热门了，不管是这个视频就这么大的热门，还是因为你改资料的问题，这点大家注意！

多看看同行个性签名怎么写的，你就知道自己个性签名怎么写的了。

③抖音认证方式

现在抖音有抖音官方的个人认证和企业认证，个人认证为黄V，个人认证粉丝数必须至少在1万以上，如果你一心想打广告，粉丝涨到1万真的是很难。

企业认证是蓝V，企业认证必须有公司，是代表你整个公司的一个形象，如果你上来就打广告，相当于打你自己公司的脸，别人都不敢和你合作。

在抖音，作品为王，作品就是企业的形象，就是个人的形象。

粉丝因为你的作品而选择关注你

粉丝因为你的作品而选择信任你

你不能让粉丝失望，让粉丝绝望

不能认证的就好好做作品，涨粉丝，粉丝有了，其实啥都有了。

⑤抖音作品类型

这个我认为要重点分析，当然不一定适合你，但你也要去分析，只有分析了，才清楚自己到底是和哪一种，你分析的越多，你就知道你这个行业的内容要怎么做，你就知道哪一种才真正的适合你，会让你少走很多弯路。

抖音作品类型：有图文形式、卡通形式、真人形式、动画形式，这个要根据自身的优势来选择，以及根据自己的兴趣爱好来选择，只有这样才能做好事情。

⑥作品讲解方式

这个对于很多粉丝来说就难了，15秒能讲什么，两句话没讲完，15秒的时间到了，其实，正是因为这15秒的时间，抖音才会这么火。

大家记住一点，不管时间有多短，有多长，

1分钟有1分钟的玩法；

5分钟有5分钟的玩法；

10分钟有10分钟的玩法；

那么15秒有15秒的玩法，还是方法问题。

其实15秒也能展示大量的信息，关键要看我们怎么展示，怎么讲解，这个多看热门视频，多看同行视频，你就知道该怎么讲解了，该怎么通过15秒的视频把你的内容讲解出来。

这就是分析同行的好处，

很多朋友这些都知道，但就是不知道怎么干，这些其实都非常简单，

记住：当你做事的时候，感觉是那么回事，也感觉自己什么都知道，但就是做不好，其实还是方法出了问题，那就需要学习，这个我们要承认。

⑦抖音作品数量

这个一般我们会看作者当前发布了几个视频，抖音粉丝数量是多少，抖音的点赞数是多少。

先查看作品数量，通过视频看所有作品点赞量总和是否与抖音主页点赞量相同。

如果相差很多说明作者删除了视频，如果相同，说明没删除作品，你就能判断出来这个作者的作品做的怎么样。

比如，只有1个作品，点赞数都相同，粉丝数4万左右，说明只发了一个作品，粉丝就是3-4万，这个作品质量杠杠的，是受用户喜欢的，得到了平台的推荐，这样的作品我们要重点参考。

比如，发布了几百个视频，点赞数与主页点赞数相同，粉丝只有几万，说明作品质量一般，你也能从抖音主页的作品看到，哪几个视频点赞量最多，你就清楚，这些粉丝是通过哪几个作品涨上来的，一看便知，你就把这几个作品重点参考，看看他们是怎么讲解的，怎么做的。

⑧抖音粉丝数量

通过关注同行抖音粉丝数量，就大概能判断出来你这个行业的抖音竞争程度，如果粉丝数量非常少，同行非常多，说明一个问题：

同行都没做起来，那你的机会就多了去了，好好操作抖音，把作品做好，粉丝很容易涨上来，因为抖音的流量太大了，至于有多大，大家都心知肚明，不需要我多说。

如果同行很多，大家的粉丝基本少的都是几万，多说的就是几十万，上百万，又说明另外一个问题，这个行业特别容易涨粉，赶紧下手。

在抖音没做起来的，一般要么是方法问题，要么是行业领域的问题，可能大家都这么干，你也跟风，就很难做起来，其实任何领域在抖音平台操作，都能做起来。

为什么，因为有人!

在抖音，只看作品，不看人，不看行业、不看领域！

⑨抖音每日涨粉

我们要清楚你的同行，每天大概涨多少粉丝，这个你要关注的，我们每天都查看，知道每天的涨粉量就可以判断出来他的作品如何，对我们是否有参考价值。

当然还有很多后起之秀，刚开始看他的账号粉丝数没几个，但后面一看，粉丝数直接几万个，所以，只要是你的同行都要关注，说不定什么时候就起来了。

不要小瞧任何一个同行，都有我们学习的点。

⑩同行广告方式

大家来操作抖音，基本上都是来打广告，做品牌宣传、引流卖货，但很多时候我们都做不了，这时候就要靠数据分析，分析同行是怎么打广告的，很多抖音作者很会打广告，然后他的作品还容易上热门，我觉得这是最厉害的地方。

我们关注同行的方式很简单，每个视频都去听，不管爱心量多少，都听，只要听了，我们都会有收获的。

⑾抖音引流方式

打广告是我们第一个要关注的，引流是我们第二个要关注的，引流有广告，在抖音，引流的入口无处不在，有时候不经意的几个字就是一个引流入口，这也是为什么把抖音作品、评论、签名、账号名等分析，就是找同行引流方式。

这里有个注意事项，前期先把粉丝涨上来，再考虑引流，而且引流不能太频繁，尤其是视频内容，很容易判断营销号，直接给我们限流，我们很多粉丝就是因为平时打的广告太多，流量就会被限制，明明是个大热门，最后只是一个小热门，大家一定要注意。

⑿行业赚钱套路

接着就要分析同行的赚钱套路，很多粉丝只有一种赚钱方式，但现在对我们来说是不利的，而真正厉害的高手可能有几十种赚钱方式。

换句话说，粉丝需要什么，我们就卖什么，我们就要提供什么，这样大部分精准的粉丝我们都能够满足他们的需求，我们赚的钱也多。

动力十足。

……

暂时先列这些，当然还有视频评论、还有同行定位、同行作品等其他数据分析，如果都列举出来，可能又要拿出几篇文章来写，打算看看后续以视频的形式分享出来，一目了然。

这些我们一开始必须分析到位的，不仅看自己的视频、同时还要看同行的视频、看热门的视频，帮助我们操作抖音15秒视频做好铺垫。

只有这些分析到位之后，我们操作的时候才会更轻松，因为不管是同行、还是热门上的视频，人家做的好都是有点实力、有点亮点的，这些都需要我们重点分析。

数据分析就是为了调整标题、调整封面、调整内容、调整细节、调整关键词、调整发布技巧、调整作品类型、调节讲解方式等。

我们只做15秒视频的时候，都会优先看看同行，看看他们爱心比较多的作品是怎么做的，然后再定自己的要怎么讲，怎么做，包括热门视频我们都会去分析，我们能知道热门视频怎么热门的，怎么涨粉的。

有些话术我们都可以使用的，直接拿过来就可以用，效果是非常的好的，这些细节大家操作抖音的时候都要注意。

光靠自己的感觉不行，必须要实战，然后通过数据反馈，才清楚你的想法是否到位，细节是否到位，这些只有通过数据才能真实反馈

粉丝运营、数据运营都简单

这就是关于数据分析，我们就讲解到这里，我希望大家一定要重视抖音的数据分析，因为抖音的数据分析直接决定了我们接下来到底要怎么做才容易火，涨粉才更加容易，就这么简单！

一切靠数据说话，就这么简单。

明天给大家分享《抖音5天涨粉40.1万实战运营方案复盘（12）账号违规》

本文原创作者：陈松松，视频营销7年实战运营经验

欢迎大家关注我的熊掌号：陈松松，有关于抖音运营方面有相关的问题欢迎在下方留言

导读

7月21日，荣之联实战课堂第2期的《车联网与智能交通应用实践探讨》主题沙龙上，荣之联子公司车网互联的数据分析师何秋果跟大家分享了车联网领域里面机器学习会用到的一些案例。

车联网领域机器学习案例分享

一、用户拥堵里程及时长估计

举个简单的例子，车网互联2016年的用户报告里面，有一项是告诉每一位用户在一年里面拥堵里程时长有多少。如果用全部数据计算拥堵里程，计算量会非常大，几十万的用户，数据查询量和计算时间复杂度都非常大。那要怎么做呢？

首先，对数据进行预处理。这里用了两个变量，一个是速度的均值，一个是速度的方差。学过统计学的都知道，速度的均值和方差是一个人一年里面所有行程的点，我们要去计算一个人全年速度的均值和方差的话，拿每段行程均值和方差就可以计算了，实际上是一个递归的过程。

然后，对所有数据进行归一化。不同用户每年驾驶的时长和里程不同，所以全都归结到0到100这样一个比例，计算完之后，会有一些噪声数据，对应的是，里程比例的分布，拥堵里程的分布，需要经过数据清洗。

数据清洗的规则有两个：一、因为计算的是处于拥堵状态的里程和时间，所以平均速度要低于20km/h。二、拥堵状态下，这段时间的拥堵时长比例要大于拥堵里程比例。根据这两个规则，可以把噪声数据全部去掉。

最后可以得到一个比较规则的数据，但还存在一个问题，因为这个模型实际上比较简单，时长比例分布和正态分布是有差距的，所以我们就用了Box-Cox变换。在进行BC变换的同时，选择最优模型。因为只涉及到两个变量，以及各自平方项，一共涉及到十六个模型，因此训练时间是可控的。通过10折交叉验证和BC变换之后估计模型，不仅要估计系数和常数项，还要估计BC变换里面的l，这个l所对应的就是前面这个图里面，把数据分布变成正态分布所需要的l值。里程比较符合正态分布，所以l值很接近于1。而时长的分布差距会比较大，大概0.6左右。

训练出的模型在测试集上的效果，里程比例的测试均方误差是1.1个百分点左右，时长比例的测试均方误差在4.56个百分点左右，MSE是误差平方和，所以绝对误差应该是2个百分点左右。这是去年11月份做年度报告的时候用到的案例。

二、道路行驶速度预测

有些近期的案例，会用到一些卷积神经网络。

首先是对于数据初步的处理。我们的数据都是位置数据，都是和地图相关的数据，因此要先把数据分割，就是通过数据分割，把整个地图分成一个个小的网格，并且对每个网格进行编码，把编码之后的数据映射到网格里面去。最后对每个网格进行一些整合，从而达到分析的目的。

然后要把特定区域里面的数据，也就是车的数据，以及车在道路上行驶的数据，转化成一个时空的矩阵。

相当于用区域速度均值测算某个特定路段速度的均值，然后放到一个特定的网格里，形成特殊矩阵。这是上一步的延伸，上面的图是用刚才分割后的网格，把每个网格里面的平均速度放到里面去画出来的图，没有任何地理的信息，全部都是速度画出来的图，可以看到整个北京的二环、长安街、积水潭比较堵。然后从图里把二环直接抽出来，就得到一个特定道路的速度分布。如果把二环的整条道路按照每一个网格算一个平均速度，这个速度是带有时间的，比如说每十分钟算一个平均速度，得到一个矩阵。

把这个矩阵作为CNN，卷积神经网络的输入去预测特定时间段的平均速度。CNN卷积神经网络大家很熟悉，有局部关联、池化压缩参数等特点，但是用速度预测的卷积神经网络和标准的卷积神经网络是有区别的。区别一是单通道，卷积神经网络主要用于对图像的区别，而图像数据是RGB格式，数据三通道数据。区别二是连续的输出，一般对图像的识别都是分类识别，是不连续的，而我们要预测的是平均速度，是一个连续值。由此可以看出，二者的目标函数肯定不一样，这个目标函数类似于均方误差，而标准的卷积神经网络，目标函数更多的是交叉熵。

还有就是特征意义。在图像识别里面，隐藏层被激活的时候表示的特征意义更多是图像的某一个部分，而在这里它的隐藏层神经元被激活的时候更多表现的是速度的分布会有什么特征，是比较深层次的特征。

模型的架构实际上比较简单，中间只有四层的卷积层和四层池化层，加一个全联接。这个是用前面四十分钟的平均速度去追诉后面十分钟的速度。用40分钟预测10分钟，平均预测的误差大概是不到5公里每小时。

三、行程驾驶用户的识别

行程驾驶用户的识别主要目的就是区分不同的两个人的驾驶行为究竟有没有区别。

先随机选一千个人，每个人有180条行程，选取有效行程，然后提各种特征，速度、里程、时长、时段、切向加速度。特征提完之后在一千个人里再随机选50人，作为我们的参照用户，在这个50个里面，两两建立一个分类模型。对于某两个人，特定两个人之间的行程做一个二分类模型，看这两个人的行程是不是同一人驾驶的分裂模型，AOC是0.985。在这个过程当中，能够看到区别两个人驾驶行为最大的特征，究竟是什么？加速度。主要涉及到向心加速度。

模型预测的时候用刚才50位用户当作参照用户，把另外一条未知的行程，和已知的50个用户做对比，把这些模型跟之前的50个模型分别跑一遍，再拿出这条行程所对应的结果，看是不是里面某一位车主。

这是用DNN做的，如果用DNN的方式呢？为什么用DNN？DNN是一个深度的神经网络，会涉及到两种神经网络。DNN的出发点不一样，因为传统机器学习需要人工提很多特征，对于人的消耗就是需要人工辨别哪些特征有效，特别消耗时间。

首先把我们的数据看做一个时间序列的数据，因为每个点都是GPS位置数据，带有时间和速度，甚至车的数据。然后把数据进行分割，按照LS的长度把GPS序列切一段一段，并且每隔二分之LS的长度， LS值取256，也就是每256个点算做一个区间。在每个序列里面再去切，按照小的LF切，切完之后进行统计。LS里面到Basic Features，实际上计算了基础的特征，主要是速度、速度差、加速度、加速度差和角度变化。从Basic Features统计的时候，主要是按照LF每个小的区间计算每一项的统计特征。由于基础特征有五项，每一项会有七个统计特征，所以得出的矩阵每一遍有35个数，即35行一个矩阵。如果LS取256，LF取4，得出 128×35这样一个矩阵，这个矩阵是一个行程的数据。

四、驾驶行为评价

为什么要做驾驶评价？因为车联网本身属于物联网的范畴，很多保险行业会比较关注车险定价的问题，车险定价以什么为基础？就是车在行驶过程中所面临的风险。而我们要做的就是基于车在行驶过程当中所产生的数据来对车的风险所进行量化。基于车联网的车险，有一个比较专业的术语叫UBI。UBI有好几种含义，而且分成初级、中级和高级的UBI。

驾驶行为评价从六个方面进行分析，主要是速度、平稳性、空间、专注度、画像，还有时间方面。

时间特征是指在一天的不同时间段开车所面临到的风险是不一样的，这个是基于2013年的数据计算出来的每天不同时段开车的出险率，这是实际的数据。

时长主要是因为开车会产生驾驶疲劳，影响驾驶的风险。而且大多数的交通事故，多数情况都是出自于疲劳驾驶。

速度分为两项，一个是车自己的绝对速度，一是车在行驶过程中的相对速度。相对速度可以有很多种，比如相对同一路段其他车辆的速度，别人是在100公里每小时的速度在高速上行驶，而你只开60，尽管比别人低，但你还是很危险。还有相对于道路限速的速度。还有就是相对于同一段路历史上的平均速度。实际上相对速度是用将地图进行网络分割去计算的成果，相对速度其实比绝对速度更能刻画发生事故的风险。

平稳性，分析两个人驾驶风格差异的时候已经提到，最能区别两个人驾驶行为的是加速度，在评价的时候也考虑到了这些因素。

基于地图的空间特征进行评价，把能够分析到的空间特征映射到地图上，某一个人的特定行程肯定是经过一个网格序列，通过这个序列确定它这段行程的风险。比如说北京城区二环范围事故风险的地图。

基于风险地图的风险累积，主要是看特定区域内的信号交叉口抢灯行为、急转行为、掉头行为等等，在特定区域里面发生的比例，对空间、地图网络本身有一个风险量化。

在前面写了《聊聊我的R语言学习路径和感受》一文，很多朋友在公众号后台给我留言，问如何学习数据分析、如何转行数据分析、如何快速的掌握数据分析技能等等类似的问题。为了回答这些问题，就在这里跟大家聊聊我个人从事数据分析行业后的一些感受和建议。也欢迎各位看官提出你自己的想法和经验，帮助到其他同行的朋友。

感受1：SQL很重要

SQL很重要！SQL很重要！SQL很重要！重要的事说三遍，数据库查询对于一个数据分析师来说真的是必备技能。没有它，你的工作真的非常难找，往往在面试的时候，对方都会出一些数据库相关的问题。数据库之所以重要，那是因为你工作中所需要分析的数据基本都是来自于数据库，如果你不会从数据库查询，就等同于“巧妇难为无米之炊”。

学习建议

数据库目前在市面是有很多种，如Oracal、SQL Server、MySQL、Hive等，并不是都要一一学个遍，因为它是结构化的查询语言，各种数据库的语法都非常相似，可以说是一通百通。如果你想从事数据分析岗，但又没有接触过数据库（学生或准备换行的朋友），建议你下载一个MySQL的社区版本（https://dev.mysql/downloads/mysql/），然后买一本相对实战且基础的书籍（《SQL必知必会》）进行学习。这本书一共介绍了30个章节的内容，你只需重点吸收数据库的查询、修改、删除、插入、存储过程等知识点，我认为通过这些知识点的吸收和应用，基本上可以满足数据分析岗的面试要求了。当然对于老手来说，这本书里面也有很多其他值得学习和实战的例子（如存储过程、游标、事件、性能等）。

感受2：可视化显水平

数据可视化的技能，也是数据分析师的必备要求，因为枯燥的数据表肯定不如一张张图更吸引眼球，更何况这些报表更多的是给那些业务繁忙的Boss看。那报表的展现方式总不能每次发一个PPT给对方吧，如何让对方随时随地的查看到你的报表呢？Tableau！

它有两个强大的版本，一个是DeskTop版，即分析人员的可视化设计版本；另一个是Server版，即通过DeskTop将设计好的可视化报表上传至服务器，实现随时查阅报表的功能，而这两个版本的结合就能恰到好处的满足随时随地查报表。最大的好处是你无需编程即可完成高质量的可视化任务，只需通过简单的托拉拽，就让数据可视化想怎么玩就怎么玩。目前越来越多的企业，在招聘时，都会要求或注明有Tableau的使用经验。

学习建议

这里推荐《Tableau数据可视化从入门到精通》一书，这也是我看的众多Tableau书籍中比较好的一本，而且该书籍在售书平台上的评价也非常棒。该书一共16个章节，从基础的工具简介、数据读取、字段操作、函数使用到可视化实操，讲到了很多细节方面的内容，最后还以两个案例作为压轴戏，分别是“网上超市运营分析”和“网站流量统计分析”。这两个主题抓的非常贴切，一个从电商运营角度来思考常见的可视化问题；另一个则从网站运营角度来分析有哪些核心指标可供选择和及对应的展现方式。这两个角度都顺应了互联网时代下的需求，我相信当你读完并操作完数里面的案例，会对你的可视化能力有一个质的提升，也是进入数据分析行业的加分项。

感受3：Excel很普及

作为一个数据分析师或BI，其实很多工作内容都可以通过SQL提数和Excel的加工就可以任务完成，困难的是如何梳理好SQL的提数逻辑和灵活的应用Excel减轻你的工作量。之所以说它应用很普及，是因为它不仅仅是个装数据的容器，更多的是会借助于强大函数、可视化等帮你完成工作。

各式各样的字符串函数（LEFT、RIGHT、MID、LEN、REPLACE、TRIM、FIND、SEARCH、CONCATENATE、REPT等）、数值函数（ABS、EXP、LOG、POWER、SQRT、CEILING、FLOOR、MOD、ROUND、SIGN等）、日期函数（DATE、YEAR、MONTH、DAY、WEEKDAY、WORKDAY、TODAY等）、统计函数（MIN、MAX、AVERAGE、MEDIAN、VAR.S、SUM、SUMIFS、COUNT、SKEW、NORM.DIST等）、匹配函数（ROWS、COLUMNS、MATCH INDEX、VLOOKUP）等可以让你在数据处理过程中变的非常简单而轻松；强大的可视化功能（如饼图、条形图、柱状图、折线图、面积图、散点图、气泡图、雷达图等）也会为你的数据分析助一臂之力，但面对大数据量时就显得非常捉急，这也是无法跟Tableau媲美的；灵活的宏功能，可以避免我们不断的做重复性工作，从而节约时间，提高我们的工作效率，宏语句是由一系列的命令和函数组织起来的，尽管它在工作中用的并不是那么的频繁，但一有机会，你去用它来开发报表或表计算的话，会大大提高你的成就感，当然，我希望你能够会一些宏语句，这样你身边的朋友或同事都会觉得你很了不起呢！

学习建议

这里向大家推荐《Excel函数与公式速查手册》和《Excel2016宝典》两本书。第一本书涵盖了近600个函数的讲解，而且这些函数都是借助于一个个实例来完成的，有助于读者的操作和理解，可以说，读完这本关于函数的书就可以在工作中使用函数时显得游刃有余；第二本光从书名就知道是一本知识点比较全面的书籍，该书涉及Excel的公式和函数、图表可视化以及Excel的各种设置。个人建议可以把这两本书当作工具来使用，没必要系统的过一遍，当你需要某个知识点时，从目录去查找相关关键词，然后操作几遍就记得如何使用了。

数据挖掘秀肌肉

我相信，当你找数据分析相关的工作岗位时，基本上都会看见对方要求你会数据挖掘或数据建模方面的能力，同时也会附上一条熟练使用Python、R等工具。此时你会掂量掂量自己，这方面的技能我会吗？工具使用的熟悉程度能够达到对方的预期吗？我有哪些相关的建模经验？

在面试或工作中比较常见的数据挖掘算法有四类，分别是预测、分类、聚类和关联，个人觉得前两类的使用频率会更高一些。这里提几个重要的挖掘算法：线性回归、Logistic回归、决策树、贝叶斯、SVM、随机森林、K均值和关联规则。希望不熟或不会数据挖掘的朋友可以先从这几个着手学习，而且学习的时候先通过代码完成落地，然后再去慢慢研究其理论知识。

学习建议

如果你是统计学或经济学等类似专业的朋友，建议你去学习R语言，而如果你是计算机专业或理工科的朋友，则建议你去学习Python。因为这两个工具的思维有一点点差异，毕竟R语言是由统计学家创建的（偏向于函数概念），而Python是由计算机学家创建的（偏向于类概念）。而且又有一些相似性，同时学习的话会比较容易混淆。如果你选择R语言的话，这里推荐《R语言实战》和《机器学习与R语言》这两本书，前一本书偏向于语法编程，同时也会含有案例来说明统计学方面的知识点，后一本则通过实战的方式来介绍常用的数据挖掘技术，能够助你快速的进入R语言的挖掘状态；如果你选择Pythond的话，同样介绍两本书，即《利用Python进行数据分析》和《Python数据分析与挖掘实战》，第一本更多的是介绍数据分析方面的Python库，如numpy、pandas和matplotlib，这也是一本基础书，第二本则是教你如何按部就班地完成每一个实战案例，具有代入感，让读者学习起来很顺畅；如果你还想补一补数据挖掘的理论知识，则推荐《数据挖掘概念与技术》，个人看了好几遍，不是很难，有比较好的操作性。

OK，如上就是我从事数据分析岗位的一些学习经验和感悟，希望对各位读者有一点点的帮助。学习是一种投资，需要耐得下性子，坐得住板凳，敲得住键盘，同时，还要不断的坚持。只有这样，我相信一定会成为数据分析或挖掘的强者。

End.

作者：刘顺祥（中国统计网特邀认证作者）

点击下面链接 查看历史文章

一文综述数据科学家必备的10大统计技术：线性回归、分类、无监督学习...

【漫画版】12星座程序员写代码

怎样成为知乎大V？爬取张佳玮138w+知乎关注者：数据可视化

一步一步教你分析消费者大数据

合肥合和信息科技有限公司研发的大数据研判实战分析系统，是交通大数据应用的深度挖掘，系统将数据与业务充分结合，以实战为目的，利用道路卡口、电警抓拍的过车数据，结合车辆行驶轨迹，实时与后台嫌疑车辆信息库进行比对，对图片进行研判分析，交通管理部门可通过比对结果，预警布控，实现精准打击。

系统创新点：

大数据研判分析系统不仅可以对嫌疑车辆通过监控点时，进行实时报警，还可通过车辆历史轨迹进行分析研判，确定车辆行驶方向和路线，交警可根据比对结果进行提前布控，有效精准拦截。

系统应用范围：

布控违法嫌疑车辆、逾期未年检车辆、套牌车辆、无证失格人员驾驶车辆、禁区内行车等交通违法行为。

系统功能：

1、缉查布控系统自动从嫌疑车辆数据库名单中实时增量同步嫌疑车辆名单。

2、系统每天自动统计嫌疑车辆中违法后仍在使用的车辆信息，并生成预警名单，未使用的嫌疑车辆不纳入预警范围。

3、通过卡口抓拍到预警名单中的车辆驾驶人照片和违法驾驶人证件照比对以及通过违法前后两周预警车辆行驶轨迹比对，照片比对一致，轨迹相似则生成布控车辆名单。

4、对布控名单内车辆近两周使用信息进行统计，生成一个高频率行驶的布控车辆名单。

5、对高频率行驶的布控车辆名单中的车辆经过卡口按频次高低排名统计。

6、对高频率行驶的布控车辆名单中的车辆，近两周行驶轨迹以及高频次路口进行分析对比。

7、对驾驶轨迹规律的布控车辆进行精准打击，对驾驶轨迹不规律的布控车辆使用实时布控辅助精准打击。

8、对布控车辆进行布控，当布控车辆被抓拍到轨迹信息后，后台服务会向指挥中心告警客户端推送告警信息，告警客户端向指挥中心提供车辆实时告警以及预测车辆行驶方向轨迹信息。为指挥中心调度执法站交警进行有效精准拦截。

9、布控车辆抓捕结束后，指挥中心相关人员将结果反馈给后台系统。

本文源自陈老师遇到的真实案例。

老板说：“我们今年准备参加展会，做一年。以前我没参加过，没关系，这里有一份展会数据，你回去分析下哪些有价值，后边组织的时候有个指导”。现在你收到任务了，咋办？

一

屏

幕

思

考

时

间

第一步：拿到问题，先干什么？

5K表哥：“好嘞，我回去研究一下数据”

15K分析师：老板，我们做展会的目标是什么啊？是准备促业绩，还是做推广？促业绩我们考核意向成单还是实际成单？做推广，我们如何考核推广效果？是微信关注人数、还是获得销售线索数，还是……？如果两个都有，哪个更重要？如果一定要丢一个会丢哪个？

第二步：看到数据，思考什么

5K表哥：“恩，我是用层次分析法评价呢，还是建一个模型呢？要用什么模型呢？有没有模板可以参考呢？哪里有模板呢？”

15K分析师：“这个数据是从哪里来的？谁统计的？预计参与人数怎么预计？”

第三步：数据不够，要怎么办？

5K表哥：“回到眼前，这数据也太少了吧，手头的表格只有展会名称，举办方，参展预计人数，展会级别，展会主题等几个字段，好像也分析不出什么来”

15K分析师：“经查，数据是可信的，还可以用。看起来这里还有些字段可以做处理，比如展会参展人数，找一些参加过展会的人了解，1万人以上就算大型了，5千左右算中型，那可以先分个大中小。组织者级别可以分成高级，中级，初级。恩恩，还有其他一些字段，处理完再说。”

第四步：抓着数据，怎么分析？

5K表哥：“额，不知道咋分析，拍脑袋好了”

15K分析师：“依据现有的信息，可以列举三个假设：”

假设1：展会人数多的，成单量会高

假设2：展会级别高的，成单量会高

假设3：展会组织者专业度高的，成单量会高

依据这三个假设，可以先建议ABC三场会议参加，预计A的成单量最好，未来以A为成单参照。现场参与人员，需协助收集XXX信息，以辅助事后分析。

第五步：事后总结怎么做

虽然目前还没有真实开展，但是可以预计到，未来的总结会这么做

5K表哥：“额，谁有展会活动的总结模板啊，求一个模板”

5K表哥：“老板又说我考虑的不周全，可是数据就这么多啊！怎么周全”

5K表哥：“老板又让我修改，我快崩溃了，改了16版了”

15K分析师：“针对预期成单目标，本次达成率为x%，达成目标”

15K分析师：“对比两次活动，可见XX假设是不成立了，展会专业度比人数更有利于成单”

15K分析师：“未来可集中向专业度高的行业性展会，预计节省参展成本X万元，增加成单XXX万元”

——全文当然还没有完——

所以差别在哪里？差别就是等靠要和主动性的区别

差别是优秀的数据分析师不但有良好的职业知识，更有优异的职业素养

这种职业素养体现在九个方面：

收到任务时

目标明确：凡事必有一个目标，不能含糊，不能一锅炖，不能高大全。目标不清是万恶之源。

目标清晰：可量化，可追踪，可对比。可量化才能分析，不可量化是扯皮之源。

目标聚焦：有先后，有重点。如果有两个目标，那么两个之间要排先和顺序，如果有三个，三个必须要有重点。越多的目标，意味着事情本身越难达成，也意味着分析时候会越混乱。

数据处理时

清晰含义：清晰名称-来源-计算方式。避免歧义，防止错误是一切分析的基础。

重视收集：尽可能收集数据，提高质量。没有数据确实很难分析，优质的数据能极大的帮助分析，不加管理的垃圾数据只会把分析带沟里去。

解读含义：分类解读，找到数据后业务含义。很多分析师被业务部门嫌弃，就是因为只知道出数字，不懂得解读数据背后的含义。月消费10000和高消费群体，对业务部门是完全不同的两个概念，只有多多找含义，才能更好地找到数据的价值。

输出报告时

树立标杆：树立明确的评价标准。凡是涉及到“好”“坏”“高”“低”的，一定要有参照物，一定要有标杆，因为本身这些词语都是相对比较的词，而且很大几率和领导的个人看法有关系。如果不设标杆，在事后总结评估的时候就会陷入无休无止的口水战和扯皮里边去。

明确假设：设计待数据验证的假设。有了假设，分析的时候才容易总结，才容易看出来哪些路子是容易走通的，哪些是可能有坑的，才能在多次实验中沉淀下经验。

逐步迭代：每次分析，不断验证假设，沉淀经验。经验是越积累越多，越积累越丰富的。好的分析师知道把每一次经验总结起来，让自己的判断越来越准。

数据分析师的本质就是：用数据和逻辑代替拍脑袋，用系统和科学取代神秘主义，因此9条要点中有7条都和清晰明确有关。

数据分析师的价值在于：以数据指导工作，从数据找到方法。因此不能仅仅就数论数，而是要看清楚数据背后的含义，找到业务部门思考的脉络，这样才能让分析更接近业务部门的需求，让建议更贴合实际情况。

数据分析师的要求是专业，专业不仅体现在懂计算，懂代码，懂操作，更体现在深入全面的考虑问题，循循善诱的解答问题，因此面对业务部门的咨询的时候，保持头脑冷静，保持耐心，抽丝剥茧的问话，本身就是专业性的体现。

与大家共勉。

来源：数据猿 作者：abby

从游戏产业诞生开始，数据分析就一直伴随游戏的研发和运营的全过程。 2001 年，盛大网络通过《热血传奇》开启了中国网络游戏产业。网络游戏的 24 小时在线和高度的用户互动，为游戏数据分析提供了前提条件；通过数据分析输出的结果，及时有效地反馈到游戏的研发设定和线上社区，形成了良性和有效的循环。

早在2003年，盛大网络向行业输出了 PRAPA 分析模型，针对游戏的用户推广（Promotion）、注册用户（Register）、活跃（Active）、付费（Pay）、平均用户收益（ARPU）进行有效的分析指导，为游戏行业的成熟提供了标杆。在当时的盛大内部，我们针对游戏的用户体验瓶颈环节，设立“卡外掉充安”（卡机、外挂、掉线、充值、安全）专项，通过数据分析不断进行验证和调整，使得用户体验满意度持续行业领先。

同时，游戏数据分析还指导着产业变革。在2005年，盛大率先变革游戏商业模式，从之前的时长计费变为道具收费，这意味着之前的逾10亿元年收入归零后重新开始。在此之前，公司内部已进行了超过半年的数据分析和业务试点，最终全面施行，深刻影响了游戏产业。伴随数据分析技术的发展、游戏形态从端游到手游的进化、渠道与社交网络的演进，基于大数据的用户画像和数据多维交叉分析，为游戏的精细化运营提供了新的契机和动力。

而《游戏数据分析实战》的作者黎湘艳就是盛大游戏数据分析专家，从事游戏行业16年，历经多种岗位，亲历了中国游戏行业从萌芽到蓬勃发展的历程。她在本书中集结了她完整的数据分析思想及50多个游戏项目数据支持的积累提炼。

《游戏数据分析实战》贯穿整个游戏生命周期，提供了丰富的数据分析案例，从预热到封测，再到公测， 均为作者在实际工作中经历的真实案例。案例分析包含数据来源、分析方法、分析过程、分析结论及小结。通过学习本书不但能较深入地学习数据分析方法，还能了解到运营和市场的相关知识。

该书主要分为三部分：

第一部分：主要介绍游戏数据分析相关指标体系，通过这套体系，可以初步监控游戏整体运营情况；

第二部分：主要介绍游戏正式发行前期的市场调研、渠道用户质量分析、竞品分析及投资收益预测，对游戏品质进行定位，评估正式上线后的效果；

第三部分：主要对游戏正式发行后的用户流失、活跃用户分类、付费习惯、版本迭代效果、区服合并等主要问题进行深入探讨，实现游戏的精益化运营。

该书的特色是以详细案例为主，通过SPSS、Excel 等工具逐步展示实施步骤，用手把手的方式让读者快速掌握游戏数据分析方法。

适读人群：

黎湘艳，盛大游戏数据分析专家，从2008年开始在盛大游戏从事数据分析工作，先后主持或参与50多款游戏的数据分析工作，主要产品有：《热血传奇》《传奇世界》《龙之谷》《永恒之塔》《最终幻想14》《血族》《超级地城之光》《Love Live》《城与龙》等。

叶洋，游卡桌游资深数据分析师，具有7年游戏行业数据分析、数据挖掘工作经验。

购买链接：https://item.jd/12248029.html

来源：中国财经时报网

“Kyligence Enterprise避免了开源框架需要投入的大量维护和调优成本，使我们能将大数据技术快速落地，我们最终的结果展现都是通过Kyligence Enterprise，得到了业务部门的正面反馈。”

-财通大数据项目负责人

自上世纪90年代至今，中国证券行业经过二十多年的发展，从初步萌芽到发展壮大、从监管缺位到逐步完善，市场规模已经达到发达国家几十年甚至上百年的发展水平，成为金融业务中最为重要的组成部分之一。

而在过去几年间，随着信息技术革命的不断发展，越来越多的券商开始尝试采用数据驱动的方法来促进自身业务的升级转型，大数据分析与证券行业的结合日益紧迫。爱分析《中国金融大数据行业报告》显示 ，大数据已被以银行为代表的金融机构广泛认可，招商银行在2017年出资7.9亿元成立金融科技创新项目基金，中国银行也宣布将于2018年投入近50亿元用于科技创新建设，保险、证券等非银机构将成为银行之后的又一波将投入巨额资金用作大数据IT建设的企业。

大数据分析技术在证券行业中的应用与推广虽然势不可挡，但想要驾驭大数据分析技术仍须克服重重困难。我们看到的典型问题和困难如下：

资金挑战：证券行业的许多IT预算并不是为创新提供资金，而是用于金融合规和欺诈检测的“防御性”应用程序；

系统老化：证券行业老化的数据系统很大程度上无法存储、汇总和分析来自不同数据源的客户和服务的海量大数据；

应用缺位：面对迅猛发展的大数据变革环境，证券行业对于大数据改革缺乏具体落地的数据应用；

决策谨慎：由于证券行业在数据安全、风险管理及合规性等方面的高要求，在大数据平台建设时需要寻找更加谨慎的方案——即在充分利用大数据技术、持续优化技术和业务架构，与满足各方面的安全和稳定性之间取得平衡。

这些因素一定程度上限制了券商的大数据分析平台建设推进，也使得券商的大数据分析完全无法满足业务部门越来越高的业务需求。Kyligence 的大数据分析解决方案 Kyligence Enterprise，为证券公司解决了大数据IT建设与业务的需求。

接下来，本文将以财通证券使用Kyligence Enterprise建设大数据平台为例，分析国内券商的大数据分析平台搭建实践，及如何通过建设大数据分析平台为其业务发展保驾护航。

券商大数据分析平台建设

财通证券是一家总部位于杭州的上交所主板上市证券公司，随着公司业务的高速发展，公司积累了各类海量数据，这些数据具有来源广、规模大、价值大和增长快等特征，且亟待整合、管理与发挥价值。在财通证券中构建自上而下、协调一致的数据治理体系，迫切而适时。

财通证券的大数据平台建设分为三个阶段，第一阶段的建设目标是形成统一集中的大数据中心，这一目标旨在通过开源大数据技术，自主建设基于Hadoop和Kyligence Enterprise的大数据技术平台，并在此基础上自主研发各类大数据应用，包括经纪业务经营管理分析平台、两融大数据分析平台等，打破数据孤岛，并在数据治理体系下全面提高数据应用质量。目前，第一阶段的建设已经落地应用，其大数据中心的核心能力如下：

l 数据治理体系建设：在数据治理体系基础上，对现有指标体系进行梳理和完善，规范化数据模型层，更好的支撑业务能力；

l 数据仓库和技术平台：抽取集中交易系统UF2.0数据，在大数据平台下进行分布式存储和计算处理，Kyligence Enterprise 企业版则在超大数据集上提供亚秒级分析能力和计算服务；

l 数据共享服务平台：通过数据订阅和Kyligence Enterprise RestAPI的方式，对下游业务应用系统提供数据共享和交互查询服务，并具备严格的数据访问权限；

l 大数据分析平台：通过OLAP技术，多维可视化展现公司管理层、机构管理部、分支机构（分公司、营业部）所关心的指标体系，以及历史数据的查询统计分析，数据展示更直观，交互性更强。

下面分别为财通证券落地后的业务和技术架构图：

除此之外，在自动化运维方面，财通也做了很多个性化探索，通过实时监控，实现自动化数据采集、清洗、Cube构建等，与现有运维管理系统对接，实现自动化运维，以提升整体可用性。

总体而言，财通证券在其大数据分析平台采用Kyligence Enterprise后，在以下几方面得到了提升：

节省原有的繁琐报表开发中70％的人力成本，通过自主研发各类大数据应用，上线周期缩短50％；

在大数据平台上，快速准确地监测分支机构运营情况，在以下四方面为管理者提供“一站式”决策支持信息服务；

通过客户画像的数据挖掘分析，进行客户细分、流失客户预测等有效的客户关系管理，以提升客户满意度；

深入挖掘海量投资交易信息，从而对市场预期和风险加以预测，提升综合金融服务能力和市场竞争能力。

财通证券大数据团队负责人表示，未来，财通证券将致力于建设更加强大的大数据平台，实现数据应用价值的进一步挖掘，重构券商的“数据”与“业务”应用场景。在第二阶段，将致力于数据应用支持范围和深度的扩大与完善，同时丰富数据应用服务场景，第三阶段则将探索深入数据挖掘和人工智能等专业的数据分析应用，建立数据为核心的生态体系。

结论

结合财通证券的案例，我们归纳出大数据分析技术助力证券行业的转型与发展主要体现在技术与服务两个层面：

技术层面：大数据分析技术的使用将有助于实现券商投资产品的创新——如智能投顾、黑天鹅预警等业务，并通过端到端自助服务平台缩短分析周期、丰富数据探索、增加数据洞察力，从而快速调整业务以满足不断变化的需求。

服务层面：大数据分析技术的应用将有助于提高券商的服务水平，一方面，通过精准营销的方式提升获客质量，从用户、业务、留存、成本等多个维度进行评估，以实现ROI最大化；另一方面，通过精细化管理和运营，加强现有客户的业务转化和留存，在保证活跃用户体验的同时，不断提升用户生命周期的价值。

目前，证券行业仍然是风险最大，但最具活力的行业之一，证券公司从客户、交易、全球化和其他许多来源获得的数据量很大，往往是传统处理平台无法承载的。可以说Hadoop和Kyligence Enterprise的数据分析解决方案是专门为这种丰富的数据和依赖数据的业务而构建的，借助其横向扩展能力、数据包容性，以及不断迭代的OLAP分析解决能力，以Kyligence Enterprise为代表的大数据分析平台将会成为证券业务增长的重要力量。

随着大数据相关技术的发展，大数据在行业内的应用越来越广泛，大数据又分为数据采集、数据清洗、数据存储、数据建模、数据呈现等多个环节。

由于缺乏对应的大数据人才，以及国家对大数据的支持，目前很多人都开始关注大数据领域。考虑到很多人想了解大数据，我们特地准备了一个关于大数据可视化分析的项目实战课，里面包含多个大数据分析项目的讲解和演示，每周两到三次。具体的信息说明在最后。

往期大数据分析项目展示：

大数据项目实战案例一：二手房交易数据分析

大数据项目实战案例二：数据可视化职位分析

大数据项目实战三：智慧城市运营中心项目

大数据项目实战案例四：空气质量监测

大数据项目实战案例五：全国IT行业招聘信息分析

项目知识点：大数据分析，大数据可视化呈现。在哪里学习？大数据项目实战467095527

我们所处的这个时代，是一个知识大爆发的时代。仅就编程这项技能来说，现在几乎人人都能写上一两行，程序员这个群体也比十年前有了更多维度上的扩展。所以面对热门的大数据技术，有必要多做了解，多学习，才有利于长远的发展。

Nginx介绍

一款轻量级的Web是Nginx， 也是反向代理服务器和电子邮件代理服务器。其、优点在于占有内存少，并发能力高，实际上它的并发能力确实在同等条件下相同类型的服务器中效果明显。通常情况下，我们会把nginx服务器当做一个静态资源的访问容器。

Nginx安装步骤

1. 用户root登录。

2. 观察nginx信息，执行命令：yum info nginx.

3. 如果nginx提示nginx找不见的信息，通过修改rpm源来处理后续操作，执行命令：rpm -ivh http://nginx.org/packages/centos/6/noarch/RPMS/nginx-release-centos-6-0.el6.ngx.noarch.rpm

4. 观察nginx信息。

5. 安装，执行命令: yum install nginx。在安装的过程可以输入y。

6. 启动nginx，执行命令：service nginx start

7. 访问http://192.168.0.120 查看nginx下的web页面。

Flume介绍:

它是的特点是，一个提供高可用的，高可靠，聚合和传输的系统，支持日志系统中定制各类数据发出和运用于收集数据信息；同时它也能够提供对数据进行简易的操作和处理，并把数据写到接受对方。

现在Flume只有两个版本，

Flume0.9x 之前名字叫：Flume-og

Flume1.X 之前的名字叫：Flume-ng

它们的主要区别如下：

Flume-og采用master结构体，能够保证数据的统一性，把zookeeper引入进行管理。Flume-ng就取消了master和zookeeper管理机制，变成了单一的传输工具。

Flume-ng采用不同线程对数据进行读写；在Flume-og中，读数据和写数据是由相同的一个数量的线程处理的，写的比较慢，说明阻塞flume的接收数据的当然只是肯能。

Flume结构体

Flume选择Agent为基本单位，单个agent包含source、channel、sink，三种组件。

source组件功能是接收外部数据，将数据传递到channel中；

sink组件功能是发送flume，接收到数据到目的地；

channel作用为数据传输和保存。

Flume结构分为三类：1：单agent结构:2：多agent链式，3：多路复用agent。

多agent链式结构

多路复用agent结构

source介绍

Source的作用就是接收客户端发来的数据，将数据发到channel中，source和channel是多对多关系，通常情况下一个 source会相对应多个channel。

Flume常用的source都有这些：Avro Source、Thrift Source、Exec Source、Kafka Source、Netcat Source等。

格式看下图

Channel介绍

Channel的就是提供一个数据传输隧道，供数据传输和存储。

source将数据放到channel中，sink从channel中获得数据。

Flume用的channel都有有：Memory Channel、JDBC Channel等。

格式看下图：

Sink介绍

Sink作用就是定义数据写出形式，通常情况sink从channel中拿来的数据，将数据写出到file、hdfs上。

channel和sink关系是一对多的关系。

Flume用sink都有有：Hdfs Sink、Hive Sink、File Sink、HBase Sink等。

格式如下：

安装Flume步骤

·下载flume：wget

· 修改conf/flume-env.sh文件

· 添加到flume的bin目录到环境变量中去。

· 验证是否安装成功,执行命令： flume-ng version

Flume案例

Nginx身为日志服务器，通过exec source监听日志文件，使用memory channel作为数据传输隧道，用hdfs sink将数据存储到hdfs上面。

感谢谢今日头条平台，大家喜欢交流技术的加群233025331，里面提供技术解答和行业交流！

欢迎关注百家号，不定期推送分享专业好文，与您一起成长。

作者简介：

肖玮，国家工商管理专业经济师。大学毕业后，进入快消品行业从事营销及管理工作，从一线业务人员成长为一名职业营销经理人。

可能大家都觉得，从事快消行业，作为一名销售人员，坚持每天的跑路线拜访客户，就可以啦。实际上不是这样的。现代的竞争社会，比你勤奋又坚持的人很多，咱们要出尖，更需要一些营销专业上的支持。

这里先简单分享一个小小的案例。虽然整个测试不那么严谨和规范，但是有启发作用。大家知道价格签吗，他对销售的提升有多大？

在山区县城负责某一线品牌的销售时，我做了个测试，随机选择30家乡镇的超市，通过价签来试验，试验进行如下：30家超市，都选择店内入口最佳的位置，投入1排的陈列排面。然后选择10家做销量参照，选择另外的10家投放价格签，选择剩下的10家投放价格签和宣传签。通过各家的前后销量对比，进行统计分析。结果是，有价格签的销量，提升约5%。而有价格签和宣传签的商店销量和仅投价格签的销量并没有明显区别。

你看，小小的价格签，就能提升这么多销量。而多投的宣传签，在销量上居然没有起到更加明显的作用。

从今天再去看当时这个试验，大家会说，那个宣传签虽然没有起到销量作用，也许起到品牌宣传作用呢。嗯，你可能是对的。

------

后来调离到其他主销区域任区域主管的时候，承担的压力更大了。

当时团队是5名业务人员编制。分别负责4个乡镇。在第一季度末的经分销商库存还有300万左右，并且还需要完成全年600万、上半年300万的任务量，而从同期市场净销量来看，每个月差不多在100万左右，总结之：3个月内需要将600万的产品进入渠道和市场，其中300万可以通过市场净销量完成，另外300万需要积压在通路上。

我们该怎么开展市场较为合适呢？

大家可以先思考下再继续往下看。

------

既然是数据分析落地转化，那肯定和数据分析有关。得益于主销区的数据较为齐整，我调阅出所有可查询的批发、终端客户信息和各网点的销量，安排业务团队对市场进行信息收集和实地排查，如批发下属的主要终端客户月均销量和陈列现状等等，一个星期内基本将信息摸排完整。

以上完成了基本面的信息收集，下面就是信息分析和构建数据模型了。

------

通过一系列的测算评估，优先选用这个方案：

1、将现有终端售点月进货5000元以上的全部列出列为A类，2000以上为B类，1000以上为C类客户，1000元以下为D类客户。其中， A类是30家，B类120家，C类200家。

2、将批发售点月进货10万元以上的终端全部列为批A类，5万元以上为批B类。5万以下为批C类。其中，批发售点A类是5家，B类客户20家。

---

在市场动作方面，也给予不同的策略方式：

可控终端售点AB类实行堆陈+进货奖励，按平均1.5-2倍的库存进行进货支持，并给予10%的现金回报率。Cd类通过补货上货架，扩大陈列面和维持合理库存来实现自助动销。

这样，在可控终端售点，基本上完成(5000*30+120*2000+1000*200)*1.5=88.5万元。

对批发售点AB类给予货品5%的回报率予以进货奖励。对库存上给予1倍库存量即可。C类维持正常进货促销。

在批发售点上，基本完成（10*5+5*20）*1=150万。

------

这样，基本上，货品处在通路上的存量达到240万左右。

每个经分销商的库存平均在10-15万元之间，保持轻库存。

------

应用这一套数据模型的目的，既可以保持通路和终端的库存，整个市场保持高压态势，又能让客户又有较为合理的收益点，便于业务团队工作开展。

同时也可以预防整体进度不顺畅时，还可以通过经销商的高库存来缓冲，推行第二方案。

通过推行这样的方案，总体费销比不超出10%，属于合理范围内，也容易说服上级批准。

最终，我们在第二季度顺利完成了600万元的任务量，客户、团队、领导、公司皆大欢喜。

------

例子说完了。说明下，列举的数据不是真实的，因为时间太久以及资料丢失等原因，只能列举个大约数字。

咱们总结下，数据分析，大概就是按目标深度解读、数据（信息）收集、（关键）分类定义、制定策略方案、预期与评估的步骤推进；但是，仅仅完成数据分析还是不够的，还要落地转化，而落地转化则涉及更多的人员安排及市场营销管理方案，比如业务团队的工作饱和度、人员分工安排以及方案落地后可遇见的问题处理等等，需要认真仔细的评估。

------

最后，从工作角度，总结一句话，当一个合格的主管，还是要劳心劳力的。

-----

转载请保留文章创作者署名，谢谢。