今天科多大数据小课堂来教大家用Excel怎么做数据分析。

现如今，各行各业的求职都需要简历包装。尤其是文职类简历，想要赢得offer，你不得在精通Excel等办公软件上下点功夫么？那么，你真的了解Excel嘛？或者，你知道用它怎么做数据分析嘛？

所谓数据分析在手，走遍天下都不怕。而 Excel 作为最简单的办公软件，功能却不容小觑，同样可以实现分类、聚类、关联和预测来进行数据分析。这些概念听起来比较抽象，其实一点都不难，今日文章直接来一波干货，从具体操作开始讲起。

01 掌握基本 Excel 快捷键

工欲善其事，必先利其器，自从笔者发现了excel快捷键，就打开了新世界的大门。 虽然都是很基础的操作，一旦运用熟练将会大幅提升效率。

最好用的复制命令： Ctrl + R 向右复制 Ctrl + D 向下复制

选择格式粘贴：Ctrl + Alt + V

求和功能：Alt + = 然后按回车键

格式调整：Ctrl + Shift + 7 加上外边框 Ctrl + Shift + - 去掉边框 Ctrl + Shift + 5 改成%数值格式

视图调整及编辑： Ctrl + Shift + = 插入行 Ctrl + - 删除

终极：开始工具栏所有的命令都可以通过 Alt - H - 调用

Alt： 激活选项，配合选项英文字母使用

Shift：连续选择，配合方向键，翻页键等使用； 上位键

Ctrl：配合其他键可以执行一项命令 如Ctrl + C 复制；快速移动光标，配合方向键使用，如向右快速移动光标 （Ctrl + →）

02 数据收集

在数据分析之前，首先需要找到可靠的数据源。国内的公司数据可以在 wind 上下载，宏观数据可以在国家统计局上找到，而国外比较常用的网站有 SEC，WRDS （Wharton Research Data Services）。

需要注意的是，原始数据一般保留不做处理，通过 Excel 或其他编程软件做后续处理。

03 数据清洗与筛选等基础操作

杂乱无章的原始数据是难以分辨的，因此需要对海量数据进行清洗和筛选才能找出其中的规律。

常见的方法有如下几种：

运用描述性统计命令观察数据的离散程度等基本情况：通过添加“分析工具库”加载项找到数据-数据分析-描述统计，可以得到这组数据的中位数、众数、峰度、偏度等基本指标，观察这组数据的特征。此外，数据分析中还有方差分析等其他命令。

运用 VLOOKUP 将数据合理分组，收放自如：VLOOKUP 函数是 Excel 中的一个纵向查找函数，可以用来核对数据，多个表格之间快速导入数据等函数功能。功能是按列查找，最终返回该列所需查询列序所对应的值。比如，我们导出公司的原始报表后，可以通过 VLOOKUP 函数将报表中的数字一一导入到新的管理用的财务报表，这样既不会破坏原始数据，又可以建立良好的模板，方便后续使用。VLOOKUP 的四个参数用通俗的话来说，就是（要找谁，要在哪里找，要找哪一列内容，是精确的还是模糊的）

运用数据透视表分组求平均数、标准差、计数等多个指标：数据透视表是一个非常容易上手的分组工具，对于简单的数据处理甚至在便捷程度上打败了很多编程工具呢。比如要对每个省份的所有专业分数线求一个平均数，将年份和省份轻松地拖动到对应的列和行，就可以得到结果啦。试想，如果在原始表格中手动一个一个求平均数该有多麻烦。

运用条件函数计算融资缺口，检查配平：比如在预测财务报表时，我们常常要判断资产是否等于负债+所有者权益。此时可以用 IF 函数 （资产=负债+所有者权益，TRUE，FALSE）如果是配平的，直接返回 TRUE。此外，还有一些函数如 IRR 可以计算项目的投资回报率。

04 挖掘数据背后的规律

在完成了数据清洗和筛选之后，我们还是要落实到数据分析的重点，也就是数据背后的逻辑。

首先我们可以采用画图的方式。画图可以非常直观地佐证结论，不同情况下要用不同类型的图，比如饼图显示比重，折线图发现趋势，还可以采用叠加多种形式的图。

下面这张图就是一个数据分析应用的经典例子，显示的是一个教育公司在扩张过程中，学习中心同比增速与营业毛利率的关系。试想，如果只是一堆数据放在你的面前，可能根本无法发现其中的规律，但是通过下图，我们可以发现，学习中心的同比增速一般与营业毛利率呈反向关系，这也就意味着，扩张的过程必然要伴随利润下降的阵痛，这样的数据分析就是有效的，可以为公司的扩张战略提供参考依据。

另一种比较常见的数据分析应用就是从历史预测未来。比如如果公司过去几年的存货周转率都比较稳定，可以以此来预测未来几年的存货周转率。又或者通过线性回归发现某两个指标之间过去的线性关系，并以此来预测未来走势，这个操作方法可以用散点图——添加趋势线——选择回归类型（线性）来得出简单的结论。

说了这么多，列举 Excel 数据分析的一个常见运用。

大家知道，金融领域的工作往往要考察搭建财务模型的技巧，而这个模型就是完完全全从 0 开始通过 Excel 制作的。

1. 计算各项指标了解公司的历史经营状态。这一步不仅可以看出公司在盈利能力、成长性、营运能力等多个维度的历史发展状况，还可以与同行业的可比公司进行比较，看出这个公司所处的地位（比如公司的应收账款周转率可以直观看出公司是强势地位还是弱势地位，应收账款周转率如果显著低于同业，那就说明应收账款很容易收到，议价能力强）。

2. 预测公司未来的盈利状况，并通过财务报表的勾稽关系完善财务模型。这一步一定要打开 Excel 的自动迭代功能（选项——公式——启用迭代计算），具体的财务方面知识在此就不再详述。

3. 现金流 DCF 模型及敏感性分析。以之前制作的财务报表为基础，就可以测算出公司未来的自由现金流，在计算出公司资本成本的前提下对现金流进行贴现得到公司绝对估值。其中，基于不同的资本成本和公司永续增长率还可以做成敏感性分析的表格，得出在不同情形下公司的估值。这就需要使用Excel的数据——模拟运算——模拟运算表功能了。如下图所示，将输入引用行的单元格和引用列的单元格分别设为 Equity Valuation 中的永续增长率和Wacc对应的数值，就可以实现啦。

以上这些介绍都只是冰山一角，Excel的功能博大精深，加上VBA等高端操作将会释放更大的威力。配合现当代大数据盛行时期。想要深入，就还得不断学习！

中国电信集团公司（以下称中国电信）是全球最大规模的基础电信网络运营商。通过各省市人力资源管理系统的建立，中国电信实现了全集团机构设置与人员总量的全面盘点，规范了各省人力资源业务处理流程，完善了内部控制与管理体系。当今电信业面临的竞争越来越激烈，大数据、云计算、移动应用等新趋势方兴未艾，中国电信在提高自身运营效率的同时，还要加快新的业务模式和服务转型。

2014年中国电信再次携手用友，电信通过集中MSS人力系统的建设，为 人力资源的战略、运作、支撑与服务四大体系提供有效的系统支撑和保障。中 国电信提出了“控规模、调结构、提能力、转机制、促和谐”的人力资源管理 方针，希望建设一支精干高效、结构合理、素质优良、充满活力、和谐稳定的 综合信息服务人员队伍，实现持续提升人力资源管理价值，有效推动企业战略 转型的目标。

中国电信人力资源管理新挑战

中国电信业务不断拓展，组织变革日益深化的同时，新环境和新挑战也层出不穷。基于内外部因素的综合考虑，中国电信明确提出要建设新的信息系统来帮助人力资源管理的转型升级。

新的人力资源管理系统需要建设一个以业务信息管理为基础、业务过程控制管理为核心的统一架构平台。该平台要求能够支持工作流管理、支持业务流程重组、支持异构系统集成、支持多数据库系统、提供可视化建模工具；减少信息系统开发的风险、降低开发成本，可快速构建应用软件；支持企业在发展过程中各类需求变化，提高应用价值。既满足集团公司对全集团人力资源管理的要求，也符合各级单位的人力资源管理的业务功能需求，以提升中国电信人力资源各相关部门的管理水平，最大限度地发挥中国电信人力资源信息系统的作用。

分布+集中的人力资源管控平台

中国电信人力资源管理系统是采用各省公司独立部署一套HR业务系统 + 总部部署数据仓库及BI系统的模式。该应用模式并不抑制省级公司及其下级单 位分级管理特点，同时总部通过数据仓库及BI构建全集团人力资源数据中心， 及时掌握全集团人力资源动态。

系统规范了全集团人力资源基础规范，理顺了中国电信的业务流程，将整个人力资源业务操作进行规范化，流程化，达到集团范围内流程规范统一，提升整个人力资源管理业务的标准化。在此基础上构建了中国电信人力资源管理的基础应用平台、业务处理平台及数据交互平台。

基础应用平台是系统的应用基础，包括自定义查询、预警管理、权限管理、模版管理和二次开发平台。自定义查询主要是通过用户定制动态实现用户各种统计分析报表；预警管理主要是对人力资源管理中的一些事项进行定制预警，如对合同到期、员工生日、调配离职到期、员工试用到期等进行事先的提醒，并支持多种提示方式（如系统登录、手机短信、及时消息、电子邮件等）；权限管理主要解决总公司和下属单位的授权、数据权限、字段权限的限制，系统通过权限管理构建了系统自身的安全机制；模版管理中，总公司和下属单位可以根据自身的管理需求，定义自身所需的人事卡片、员工花名册、报表打印格式以及查询内容等；为保障系统的开放性和扩张性，系统提供二次开发平台，允许总公司和下属单位进行二次开发工作。

业务处理平台由业务处理、流程处理、和网上自助部分构成。业务处理主要是人力资源管理的事务性处理，即基础档案信息的管理，如组织机构管理、员工基础信息管理和薪资福利管理；流程处理主要是在规范的业务流程的基础上进行人力资源管理的日常事务处理，如员工变动管理、休假管理、出差管理、考勤管理和加班管理；网上自助主要满足不同管理层次的人员进行网上的查询管理、网上事务处理，如总经理自助、直线经理自助和员工自助；综合报表主要是为了定制人事统计报表，同时可以实现下属单位的在线填报、总公司实施汇总和统计分析。

数据交换平台主要是满足省公司人力资源系统（含异构系统）向总部数据仓库进行数据归集，同时对外部业务系统提供人力资源基础数据，如组织信息、人员信息等。

“大数据”分析助力科学决策

通过人力资源管理系统，中国电信最终实现了全集团机构设置与人员总量的全面盘点。项目建设过程中盘点梳理了全国各省级公司60余万名员工的信 息，形成了超大型组织机构与部门岗位基础应用框架及人员信息管理平台，并 利用数据分析降低了集团人工成本，监控用工总量，提高了经济效益，并为进 一步实现全国组织机构重组、部门岗位分拆与合并，形成标准岗位体系奠定了 坚实的基础。

实时监控全国人力资源部署状况。项目建设完成后，各省的人力资源数据动态实时传递到总部的数据仓库中，通过交叉、切片、钻取等数据挖掘手段重新抽取具有战略价值的管理信息，并重新进行诠释和展现，实现了针对全国各级单位的人力资源数量、各维度的人力资源质量和相应变化状况与趋势规律的实时监控，实现了全国人力资源透明化管理，为总部及各省人力资源管理过程中的各项决策提供依据与支持。

转变工作模式，形成高效便捷的决策流程。传统的人力资源决策过程往往需要经过统计、调研、民主测评、党委讨论等漫长的周期才可以形成决议。各省的人力资源管理平台与中央数据仓库中心建设完成后，日常业务处理直接在平台系统上进行操作，所产生的数据直接进入各级数据库中并被定时或实时抽取到中央数据仓库中。

依靠系统提供给的人力资源系统分析数据，各级领导再进行决策时，不需要像以往那样依据于庞大繁琐的统计报表，而是根据个人工作习惯所设计的动态报表，进行层层穿透查询从而了解到基层的详细信息与宏观的统计汇总信息。这改变了原有的工作模式，节省了原来进行统计调研等需要花费的大量时间，从而有更充裕的时间去从事更加具有战略意义的工作。

如今,中国电信希望通过集中MSS系统的建设，在全国范围内建立一个集 中、规范、统一的管理支撑系统的平台。从而有效促进中国电信的纵向管理一 体化和横向业务集成化进而达到集约高效，为中国电信进一步提高管理水平、 保持可持续发展和实现精确管理搭建强大的技术和管理平台。

源自：http://szyonyounc/h-nd-818.html#_np=2_6149

//////////

今天课程里的数据分析，我好多年轻的同学听完都炸炸炸了！

来吧，本拖给乃们串一串呀！

公众号用户分析

看不下去就想想我这课很贵

你就能看下去了

1

公众号的用户来源

粉丝数的每一个“1”，都代表一个大活人，他们作为陌生人风尘仆仆来你关注，一定有原因，但是又不能一个儿个儿问，那样不高冷，认知粉丝，全靠炫技。

打开微信公众号后台的“用户分析”，来源介绍该有的都有了：

搜一搜

▼

扫描二维码

▼

线下活动的易拉宝、朋友圈（有二维码的）海报、自己文章末尾的二维码、被其它账号转载时放的二维码等。

图文页右上角菜单

▼

图文页公众号名称

▼

名片分享

▼

其它，省略……

2

找trouble

我本来写了一个敲好玩的解释角度，然后被我常diss的同学diss了……………还是老老实实说吧……………………

主要分为两个维度但是你不用记住是什么方向，只要记住这个对比方式就成，这个很重要。

| 横向维度 |

▼

就是横着看这张图，考究一下这几天当中，粉丝的来源是啥。

总共涨了13个粉丝。

6月15日到7月5日的新增粉丝总共有6个，都是名片分享来的，占6/13的新粉丝比例；

7月8日新增粉丝5个，都是搜一搜来的，占5/13的比例；

7月12日1个是图文页来的，占1/13的比例。

这几个数据一对比，很明显，占比最高的是他们搜一搜关注了我。

我如何留住他们？自然是尽可能地把我自动回复回得漂亮，把菜单栏优化，尽可能地完成第一次接触的完美匹配。

| 纵向维度 |

▼

主要是通过找极值，来进行的。

同样是在本页面，所有数据相比，发现7月8日的数据特别让人兴奋，因为最大！

据特别找到这个最大的数据后，发现，呀！这个是通过图文页内公众号名称增加的！

那就说明我的内容很高质量啊！骄傲一会儿就得冷静点了，那要留着这波粉丝，接下来要做的，就是出同样质量的内容，不让大家失望，懂得伐？

你看懂了不？没看懂很正常的啊！

不然今天同学们怎么会炸哦！

不过接下来一阵子我会继续给你解释的

因为难才值得学习

经过前面几篇对于数据分析的讲解，相信大家对于数据分析有了一定认知了，也了解如何挖掘获取数据了，那么从今天开始我们将具体的了解如何进行数据分析，因为本节方法过多，所以静静打算把它分为三篇文章讲完，平均每篇文章讲解三个方法，这也有助于大家的学习和了解。好啦，废话不多说了，进入我们今天的主题。

数据分析九类方法一：直接评判法

什么是直接评判法，从字面意思就是根据多年运营经验，直接对具有分析性的数据下定义，判断它的好与坏，通常是从评估近期阅读数、销量以及当日文章推送量是否正常等下手。不过要想用直接评判法来进行数据分析，则需要有两个硬性要求，一个是运营人必须有丰富的新媒体运营经验，可以对阅读量等信息有正确的评估能力，另一个是经过加工处理的数据要够直观，可以直接代表某个数值的优劣。如果两个硬性要求有一个没有达到，想要用直接评判法也都是不可能的。所以直接评判法需要运营人与数据都很优质的情况下才能使用的数据分析方法哦。

数据分析九类方法二：对比分析法

对比分析顾名思义至少有两组及以上数据才能使用的方法，不然拿什么进行对比？分析两组数据的差异进而深度了解这些数据所代表的规律。对比分析法分为纵向分析法和横向分析法，横向是指同一时间段不同指标的对比，而纵向是指不同时间段同一指标的对比，通过对比分析法可以直接了解运营质量，已经目前运营的水平，通过了解目前的运营水平可以总结分析出优点缺点，优点当然要继续保持甚至更进一步，缺点自然是要调整改变重点突破了，所以对比分析法更适用于对运营质量的一个考核。

数据法分析九类方法三：分组分析法

分组分析法就是通过一定的统一指标，将需分析对象进行分组并计算和分析，用于更深入的了解要分析对象的不同特征、性质以及相互关系的方法。分组分析法需要遵循相互独立且完全不同的枚举分析法，意思就是分组之间不能有交叉、组别之间必须具有明显差异化，每个数据只能归为一类，且分组中不能遗漏任何数据，确保数据最终完整性，每个组别都可以容纳下所有的数据。（这么官方的释义恐怕大家是不太懂，下面看个表估计就明白了。其实这种方法还蛮常见的，大家看过后一定就明白了。）

喏，通过上图大家明白什么是分组分析法了不？简单明了！可以直接忽略上面一堆废话……以上就是本次给大家分析的九类数据分析法中的前三种，下一期我们再继续分享哈，好啦，本期分享就到这里了，就酱！

第一部分：数据分析框架

为了分析问题的聚焦，我们具体拿互联网电商来举例子说明，至于其他的比如互联网金融、教育、社交等等，可以依此借鉴。

（1）从互联网实体角度分析。我们可以从以下7个角度构建互联网数据分析体系。

买家：基本特征分析、交易行为分析、流量行为分析、售后满意分析等

卖家：基本特征分析、经营效果分析、流量曝光分析、售后满意分析、产品分析等

产品：基本特征分析、交易行为分析、流量曝光分析、售后满意分析等

行业：基本特征分析、经营分析、曝光分析、售后分析、产品分析、买卖家分析等

设备：移动端分析、PC端分析、访问对象分析、cookie分析、session分析等

日志：访问对象URL分析、cookie分析、session分析等

事件：登录、流量、点击、曝光、下单、交易、支付、物流、评价、纠纷、仲裁等分析

这个实体分析方法，可以称得上是万能的数据分析框架，适用于所有的互联网企业。我曾工作过的阿里巴巴、腾讯、随手记等企业，我个人都是按照这个套路去构建互联网的分析体系。

（2）从用户的关键路径进行分析。

关键路径分析方法是一个行之有效的常用分析方法，也是做数据化运营的常用工具。关键路径分析让我们聚焦于核心环节，排除杂音，定位出业务的核心问题，快速的加以解决。在应用关键路径分析时候，我们往往先把可能的结果、以及最关心的结果梳理出来，以结果为导向追溯行为的根本，当然，也可以从行为的初始出发，梳理出所有可能的行为路径，找出关键行为，导向我们最终设计好的结果中去。下面我们举例子说明下：

在电商网站中，我们假设我们运营目标是让用户购买网站上的商品（在这里，我要插说几句，我们的目标有时候不只是购买，在精细化运营中，往往会根据用户的生命周期，确定关键路径的目标，比如对于一个进入期的新买家，我们通常会发一些购物攻略加以指导，针对流失期的买家，关键路径的结果我们可能导向申领我们的优惠劵之类，等等。关于这一部分数据化精细化运营方面，在大数据应用系列的数据化运营小讲，我们会详细加以分享，敬请关注）。刚才谈到，我们假设我们运营目标是让用户购买网站上的商品，那么我们可以把关键路径，也即，用户的购买路径梳理出来：

a.用户登录/注册》搜索关键词》查看商品详情》加入购物车》点击下单》确认付款》确认收货

b.用户搜索关键词》类目和店铺》卖家交流》点击下单》确认付款》确认收货

通过这种关键路径，我们还常常进行漏斗分析，从而进行流量的转化分析，找出影响到达最终结果的关键环节。

（3）从KPI拆解角度分析。

KPI拆解分析方法也是比较常见的互联网分析方法。核心思想是先定一个总体目标，比如今年营收12亿，那么可以把这个指标拆解到各个业务线去，业务线再进行拆分，比如分解为12个月，每个月需要达成营收额，接着，就是达成该营收额，根据流量的转化情况，估算出需要多少的流量，目前平台已有多少流量，需要外拓引流多少流量才能达成目标，这就可以层层的拆解指标，最终或落地到产品团队或部分到运营团队去承担KPI任务。

第二部分：数据分析常用分析方法

常用的数据分析方法有：PEST分析方法、5W2H分析法、4P营销分析法、逻辑树分析法、指标拆分法、对比分析法、漏斗分析法、用户行为分析法、用户生命周期分析法、金字塔分析法等等，下面我们逐个的简单说明下

（1）PEST分析方法

这个方法主要应用于行业研究中。从政治（Political）、经济（Economic）、社会（Social）、技术（Technical），简称PEST角度对一个行业进行比较分析。下面我们举一个例子：我们小讲开始就谈到数据分析行业前景，那么我们在此利用PEST分析下大数据行业前景如何？

（2）5W2H分析法

这个方法主要应用于用户行为研究和专项问题分析，从时间、地点、人物、事情、原因、方式、价格等7个方面对一个问题进行刻画研究。请看如下案例二：

（3）4P营销理论

这个方法主要应用于公司整体经营状况分析，是比较经典的营销分析方法。该方法从产品、价格、渠道、促销等四方面对企业经营状况进行全面分析。请看如下案例三：

（4）逻辑树分析法

这个方法也称作问题树分析方法，主要应用于针对业务存在的问题进行专题分析，是数据分析方法中非常常见的一种分析方法。请看案例四：

（5）指标拆分法

这个方法也是经常适用的方法，特别是为了达成业务目标，我们往往都会先定一个总的目标，然后再初步的拆解指标。下面我们讲讲案例五：

（6）对比分析法

对比分析法是非常常用的基础分析方法，虽然方法特别简单，但几乎所有的分析报告中，都会采取对比分析方法。比如去年同期相比、上个月环比、目标和实际达成相比、各个部门和业务线相比、行业内竞品比较、营销效果对比，等等。这里需要注意的是我们不管是横向比较还是纵向比较，比较的双方一定要有可比性，并且在同一个维度、粒度上去比较，要不是毫无意义的。

（7）漏斗分析法

漏斗分析方法经常应用于产品的转化分析。举个电商的例子：用户登录网站1千万，浏览商品详情页200万，加入购物车80万，下单支付50万，支付成功40万。每一步都是转化率的问题。针对关键路径进行漏斗分析能够帮助我们快速的定位到问题所在。从而能够及时做出决策。

（8）用户行为理论

也称用户的活动周期理论。该分析方法，往往用于对用户的基础研究中。用户行为过程分为认知、熟悉、试用、使用和忠诚5个步骤。

（9）用户生命周期理论

该分析方法，也往往用于用户基础研究中，在互联网领域应用广泛。用户的生命周期分为进入期、成长期、成熟期、衰退期、流失期。每一个阶段用户的行为特征是不一样的，其价值是不一样的，需要精细化的运营。不可急功近利。

（10）金字塔理论

金字塔这个分析方法正好和漏斗分析方法相反，它是基数大，上层小。最初是英国历史学家、政治学家诺斯科特·帕金森(C.Northcote Parkinson)在《帕金森定律》(Parkinson's Law)一书中，论述在行政管理中，行政机构会像金字塔一样不断增多，行政人员不断膨胀，每个人都很忙，但组织效率越来越低下。这条定律又被称为“金字塔上升”现象。后来，人们将这一理论延伸应用，不再只限于本意。大凡是基数大，上层小，符合金字塔特征的研究分析都可以套用到该理论中。所以，金字塔这幅图也常常见于各分析报告中。比如，分析用户群体特征（马斯洛需求层次模型、用户价值模型等等）

综上所述种种数据分析方法，如果在一份分析报告中，能够把这些分析方法都灵活反复体现和应用，那么，这个分析报告一定会比较丰满的。

第三部分：数据分析的流程

数据分析的流程主要分为六步骤，遵循这种方法，一个完整的数据分析项目就出来了。

（1）明确分析目的：我们接到一个分析任务，首先要弄清楚我们分析的对象是什么，要达成怎样的目的，不能陷于为了分析而分析。然后，要熟悉行业和业务，透彻的理解分析的目的，构建起分析的角度和体系。

（2）进行数据准备：我们有哪些数据，通过什么途径可以获取到需要的数据，往往涉及到内部数据和外部数据，内部数据常常是我们的业务库或者基础数据团队建立起来的数据仓库系统，外部数据方面，现在各行各业都有大数据交易源，还有大量的公开市场数据。

（3）进行数据加工处理：主要通过数据清洗工作，对重复值进行去重处理、对异常值错误值进行修正或剔除、对缺失值进行填充修正或删除。如果软件环境为支持大数据量情况下，还需要对数据进行抽样处理。经过这些预处理后，最重要的就是进行数据的计算统计、合并转换，让数据符合目标分析过程。

（4）进行数据分析挖掘：绝大部分的分析目标达成都可以刚才介绍的分析方法外加常见统计分析等达到。主要的分析：整体和组成分析、走势趋势分析、均值方差分析、排序TOP分析、同比环比纵横比较分析、频度频率分析、相关关系分析、数量和比例的双坐标分析、逻辑结构分析、金字塔分析、漏斗图分析、矩阵图分析、指标拆解分析、PEST分析、5W2H分析法、4P营销分析等等。还有一部分分析需要到更高级的数据分析方法才能得到结论。

（5）进行数据结果图表展现：数据分析的目的就是要解决问题的，往往数据分析师不是需求的发起人，那么这就需要数据分析师把分析的数据和结论展现给需求方。最佳的方式就是通过图表，有理有据形象的重点突出且专业的表达出来。根据第（4）步骤的分析，我们可以选取恰当的图标。比如常用的有：折线图、柱形图、条形图、饼图、冒泡图、散点图、矩阵图、雷达图、双坐标图、瀑布图、帕累托图、金字塔图、漏斗图等等。

正如我之前的一篇文章 《图说可视化，报表也能做得如此酷炫！》，讲到帆软报表制作数据可视化的几个关键点。

（6）写出分析报告：数据分析最终的结论全部体现在分析报告中，一个分析师水平如何，只要看他写过的一份分析报告就可以完全清楚了。综合灵活应用这么多的分析方法和各种各样的展示图表，分析报告一定会显得非常丰满。下面一个问题我们再详细和大家讨论数据分析报告的相关事情。

如何快速入门数据挖掘？本文将以工程界公认的实施步骤为基础，并结合小编的多年实际工作经验，来给你打开数据挖掘的冰山一角。

其实工程界经过多年的实战经验，已经对数据挖掘形成了自己一套标准流程，该流程英文名叫CRISP-DM（Cross-industry Standard Process for Data Mining），中文名是“跨行业数据挖掘标准流程”，该流程是对数据挖掘生命周期的全面描述，共包含了6个步骤，其中特别注意的是该步骤并不是按照直线顺序进行，而是环状结构，需要根据实际项目情况，经常会回到上一个步骤中。

那么，每步骤具体要做什么？需要注意哪些点？不急！咱们往下看。

步骤1：业务理解

业务理解是指能够界定业务问题范围和理解业务目标，并能够根据具体业务需求，制定灵活的措施。该步骤作为第一步当然是至关重要，因为它指明了数据挖掘的分析方向和范围。有句俗话说的好“方向比努力更重要”。

为了更好的理解该步骤，就以小编的工作经历给大家说一下。有一天，领导在办公室突然大叫一声：“这个月收入下滑低太刺激，客户流失太严重了，吓死宝宝了”，并走到你的面前，“小王，你不是在玩数据建模吗，建一个客户流失模型吧，看看如何挽留客户提升收入。”小编接到这个艰巨的任务，头脑中灵光一闪，明白了领导的意图应该包含了三个问题。

问题1：预测哪些客户可能会流失？

问题2：可能流失客户有哪些特征？

问题3：如果开展营销活动，那么产生的预期收益是多少？

而要完成以上三个问题，这需要提前解答一下疑问：

（1）如何定义流失：是销户用户？还是3个月内无通话用户？还是欠费3个月以上用户？还是话费消费低于前六个月70%用户？因为不同的业务场景其定义不同，将导致模型输出不同。

（2）选择那些变量：比如用户基础信息，如年龄、性别、入网时长等；用户行为信息，如通话、上网、消费，订购等；用户交往信息，如社交圈等。这需要根据自身系统储存数据情况而定。

（3）如何确定时间窗口：考虑具体的业务场景，数据采集时间，营销需求等因素来确定时间窗口。

（4）如何获得效益：根据流失客户的特征描述，采集不同的营销举措，其中预期效益= 流失客户预期收入 - 流失客户挽留成本。

该步骤是将商业业务问题转化为数据问题，因此需要具备较强的业务背景知识储备以及对自有数据的熟悉程度。

步骤2：数据理解

数据理解是通过对收集的数据进行探索性分析，能够了解数据质量状况，同时考察数据的大致分布情况。其中数据探索是通过检验数据集的数据质量、绘制图标、计算某些特征量等手段，对样本数据集的机构和规律机型分析的过程。主要包括数据质量分析和数据特征分析。

（1）数据质量分析

数据质量分析包括缺失值分析、异常值分析和一致性分析。主要分析数据是否能够达到使用的标准。如数据缺失严重，分布异常等情况，将会导致数据质量低下，在进行后期建模的时候要慎重选择。

1）缺失值分析

缺失值分析分析包括原因分析、影响分析和统计分析。

缺失值产生的原因有：暂时无法获取或获取成本大；如用户地址；被遗漏；如基站故障，无法获取用户位置；属性值不存在；如校园客户的工作单位，儿童的配偶。

缺失值带来的影响有：可能导致丢失大量的有用信息；数据挖掘过程中模型蕴含的规律难把握，导致不确定性。

缺失值的统计分析： 通过简单的统计分析，统计含有缺失值属性的个数、以及每个属性的为缺失值和缺失率等相关指标；整体来讲可对缺失值进行不处理、删除、对可能值进行插补。

2）异常分析

异常分析包括简单统计、3σ原则、箱形图分析。

简单统计：可以做描述性统计，如统计最大值和最小值，判定数据是否在合理区间；如年龄超过200，则该值为异常值；

3σ原则：如果数据符合正态分布，异常值则定义为测量值超过平均值3倍标准差的值。P（|x-μ| ≥3σ ）≤ 0.003

箱形图分析：异常值可表示为： QL - 1.5IQR或QU+1.5IQR ；其中QU为上分位，QL为下分位，IQR= QU - QL其中

3）一致性分析

一致性分析包括不一致影响和不一致产生原因

不一致影响：数据不一致主要是指数据的矛盾性、不相容性等原因造成的；如果不处理会导致相反的结果；

不一致产生原因：名称不一致，如终端品牌或机型的中英文；重复存放的数据未进行一致性更新；不同数据来源的数据，统计口径不同，导致数据不一致；

（2）数据特征分析

数据特征分布包括分布分析、对比分析、统计量分析、周期性分析、贡献度分析、相关性分析。主要了解数据自身的分布情况以及数据间的关联情况。

1）分布分析

分布分析可以揭示数据的分布特征和分布类型。

针对定性数据，可以做饼形图或条形图反应分布类型；

针对定量数据，可以做频率图或直方图进行直观地分析；

2）对比分析

对比分析是指把两个相关联系的指标进行横纵向或时间序列的对比分析

绝对数比较；利用绝对数进行比较；

相对数比较；用两个有联系的指标对比计算，包括结构相对数；比例相对数；强度相对数；动态相对数；完成度相对数；

3）统计量分析

统计量分析是用统计指标对数据进行统计描述，主要包括集中趋势和离中趋势两方面度量

集中趋势：反应平均水平的指标，即集中程度，主要包括平均数、中位数、众数等指标。

离中趋势：反应变异程度的指标，即偏离平均水平的程度，主要包括极差、标准差、变异系数，四分位数间距

4）周期性分析

周期性分析是探索某变量的变化是否随时间呈现周期性变化，主要有年、季度、月度、周、天、时等周期变化.

5）贡献度分析

贡献度分析又称20/80定律。同样的投入对不同客户会产生不同的收益

6）相关性分析

相关性分析是指用适当的统计指标来反映连续性变量之间线性相关程度的强弱。主要分析方式包括散点图和相关性系数

相关系数：Pearson相关系数、Spearman秩相关系数和判定系数

数据理解是保证数据挖掘分析结论有效性和准确性的基础。该步骤能够将业务与数据有机结合起来，保证后期的模型的可解读性。

【明天继续讲步骤3-6】

作者：瑶子

今天想写的主题是：数据分析 ，我一直觉得这属于很多人不知道Ta有多重要、一部分人知道Ta重要但并不重视，只有极少数人真正在工作中重视Ta并且运用Ta。

说一个东西重要，肯定要讲为什么，不然绝对是要被拿着刀追几条街的。

那么，数据分析为什么重要呢？至少有以下好处：

相比“似乎”、“好像”，能够更加客观的呈现真实现状；

相比“我以为”、“我觉得”，数据的改变是对产品”改变”做出的最直观、最无声的投票，数据可以佐证“改变”是否正确、恰当以及效果如何；

相比所谓的“经验”、“年纪”、“职位”，数据能够排除掉这些太不可控的“主观”的影响/压力，作为另一个相对客观的决策依据；

说的更加大白话一些的，那就是：

你刚接手个新业务，搞不清现状，小伙伴也东一嘴西一嘴的讲的碎碎的，你可以看数据；

如果你想做某个需求，人家不给你做，你可以甩数据给他看，证明需求的必要性；

如果你不想做某个需求，但人家硬要你做，你还是可以甩数据，证明需求无意义或者效果不理想；

如果你做了需求不知道要不要继续迭代下去，你还是可以看数据，去看用户的无声投票如何；

数据是产品、运营、技术日常装备中必不可少的矛和盾。至于什么时候是矛，什么时候是盾，那就看不同场合不同情况了。

// 补充：数据分析辅助决策，但并不是决策的唯一要素。我并不鼓吹数据分析天下第一，请注意，合理使用才是王道。

数据的最大天坑

数据分析，字面意思，数据分析由两个部分组成：一是数据，二是分析，看起来跟废话一样，但却也是绝大多数人都忽略的。

大多数人在讲到数据分析的时候，更加注重的是分析，而并不是数据本身，这就造成了数据分析最大的误区：不关心数据怎么来，使劲儿做无用功。

举个简单的例子呗？

在App的新版本上，产品经理新加了个子频道。版本上了一段时间数据稳定后，产品经理从数据发现，哎哟，这个子频道很吊炸天啊，点击率、登录比等数据同比甩其他子频道N条街啊，恩，说明这个子频道用户很需要呀，以后要接着往这个方向上做。

看似，产品经理好像做了正确决策吧？

然而，oh，no，不幸的消息来了！

程序员在数据埋点的时候不小心埋错了，他把另一个热门子频道的数据和这个新频道埋在了一起，数据计算的是这两个频道的总和！（抱歉，程序员又一次实力背锅，之后会为你们正名）

因为错误的数据，得出了错误的分析结果，并且还做了后续错误方向的工作，这在日常中其实并不少见，虽然真的很蠢。

有效数据分析的前提，是对正确的数据做分析。

分析的最大天坑

数据怎么来的，是基础。得来的数据怎么分析，是进阶。光有数据不分析，假把式，还糟蹋了人家的SQL。

这就引来了一个重要问题：为什么要分析？

用基本的分析去了解现状以及趋势；

用针对的分析去验证或者踢翻自己的想法；

看似很简单，实际做起来却一点儿都不简单。又要举个常见例子呗：

新版本发布了一段时间，数据也稳定了，产品经理让实习生A、B、C分别做一份用户对新版本各项修改内容的数据分析反馈报告。

实习生A：这个简单啊，数据组的同学一定有数据，拿过来就是了。

最后他把各种原始数据表发给了产品经理；

产品经理内心独白：X，我要你有个啥用？

实习生B：这个工作，数据同学说不定已经做了，直接找他问就好了嘛。

最后他把数据挖掘童鞋的口述内容写成了报告发给了产品经理；

产品经理内心独白：虽然比之前的那个好，但依旧X，你自己的脑子呢？

实习生C：这个报告不是那么好写的，至少得：

看下新增、优化、影响了哪些地方做重点观察；

围绕着这些地方，分别列好目标和可能的猜想；

找数据挖掘童鞋聊并且记录根据他的角度数据处于什么样的情况，还得记得拿原始数据；

自己再做一次针对性的数据分析工作；

得出一些结论，保留一些疑惑等；

最后他把根据以上步骤得出的观点做成了报告发给了产品经理，同时附带了原始数据的各种变形计算；

产品经理内心独白：这个上道，可以的可以的。

实习生A、B其实都属于没有搞清楚为什么要分析，分析的目的到底是什么。没有想清楚这一环节，自然给到的分析结果也没什么用了。

分析目的是指南针，只有方向对了，后续的各种分析方法以及分析结果才有意义。

上文举的例子，其实一部分说明了数据分析过程中除了以上两大坑之外的一些其他小坑坑，下面也来简单列一列：

1. 小团队的数据正确性很难被保证

这个就是上文举例的时候我说会为开发同学正名的部分。大公司暂且不说，毕竟，光是数据支持团队就比人家小公司一整个团队的人还要多了。

小公司往往没有资源去组建自己的数据团队，这个时候就要使用各种第三方的统计软件来做数据埋点。然而，各个统计软件又有各自的问题：

GA：需要翻墙，数据会计漏；

百度：额，不说了；

友盟：统计大的数据ok，但是在细致的用户行为方面就比较菜了，代码埋点也是个坑，数据也不图表化！（好久前用的，可能现在已经慢慢有图表了吧？）；

fabric：和友盟其实差不多，但是强在程序报错上，另外数据图表化做的也是很炫酷，但，还是坑爹的代码埋点；

growing io/诸葛io：强于细致的用户行为数据分析，同时宣称可以无代码埋点。然而无代码埋点又是另一个不亚于代码埋点的大坑，必须符合他的框架写法才行，不然数据统计不上或者出错。然而，框架写法又没有明确的文本说明，开发也不一定能改掉自己的写法。另外，细致的用户行为数据分析，在实际分析操作上也是很蛋疼的；

完蛋，扯远了，这块如果感兴趣，可以专门搞篇文章写写。想说的是，代码埋点会产生很多问题，例如：

可能因为不同程序员的页面代码写法不同，计算结果不同；

可能因为埋点过程中没有沟通好，出现理解偏差，计算结果不同；

可能因为开发不小心埋错点，计算结果不同；

可能因为版本迭代修改了某个地方，导致计算结果不同；

非常多可能性，导致埋点错误，从而导致数据错误。每次看移动端数据，都要ios和android端一起对着看，谁能懂？特么的跟侦探一样样的。

2. 存在已久并不代表一定正确

这个存在已有，不仅是指数据，同样也指分析结果。

某个数据存在已有，所有人都对Ta没有质疑，这就能说明这个数据没错了么？

其实不一定哦，也许这个数据从未被人注意过，也有可能大家都把质疑数据的正确性这个前提给忽略掉了。

所以，如果在分析的过程中发现，数据的横向对比或者纵向对比，结果存在一定的违背，那么这个时候就要注意了。

至于分析结果的存在已久嘛，没啥好说的，产品功能、产品运营手法都有可能导致数据的大变动，分析时段自然要比较新鲜才有用。

3. 数据条件很重要

数据条件是什么意思？说白了就是放在数据这两字前的定语，即：什么样的数据。（这是定语还是形容词，傻傻搞不清）

举个例子：

极度活跃用户、一般活跃用户、不活跃用户、沉默用户、流失用户。在用户之前的字就是数据条件。

为啥说数据条件很重要呢？原因在于不同条件的数据在各项指标上可能都会差异非常大，而无法用简单的均值来做概括。例如极度活跃用户在活跃天数、活跃时长、日活跃次数、留存率等上都会甩掉其他用户好几个级别。

当然，更为日常的情况是，在和数据同学沟通的时候，一定要先确保大家的沟通前提处在同一条件下，不然很可能出现的情况是：拿到的数据是正确的，但是条件是偏差的。

4. 第一手分析很重要

很多小伙伴喜欢偷懒，觉得有数据挖掘同学分析数据就可以了，但其实并不是这样的。

其一：除了数据本身是客观的之外，对数据做的任何处理都是主观的，不管是用模型还是各种数据之间的变形计算，都是主观的，差别在于主观的程度多少而已，每个人都会站在自己的背景知识去处理数据，如何保证别人的和自己相同呢？

其二：在分析数据的过程中，一般来说，各种横纵向对比，是可以发现一些自己之前没有注意过的结论的。而这点，别人帮你分析的过程中，一般这些信息无形中就不见了。

5. 分析具有联动性

绝大多数情况下，单独看某一个数据，一般意义不那么大，或者说达不到更好的效率。

举些例子：

评价某模块做的好不好，只看绝对uv，而不同时看模块登录比，介是耍流氓；

评价内容做的好不好，只看生产的绝对量，而不同时看不同类型内容的分别用户uv占比/生产量，介也是耍流氓；

联动的看数据，才能更加综合的去判断。

感觉写的差不多了，那就先这样呗？虽然还有一些其他小坑，哎哟，以后再写吧。再熬夜，感觉一周都要缓不过去了。

End.

微信公众号发展至今，整体的产业已趋向成熟，市场对其运营框架也有了大致的共识，基本上可分为：内容运营、活动运营、用户运营，以及渠道运营和数据运营等几大模块。每个不同的运营模块，它们各自独立，同时又相互地影响。

本文侧重于对运营初学者来说，提供一套简易、有效的数据运营方法论。在开展数据运营工作之前，我们首先得了解数据在整个公众号运营工作中，究竟充当着什么样的角色？

我认为：“数据是运营的基础，就像一条绳索，贯穿整个运营工作。它既是运营KPI考核的直接呈现方式，同时也是运营方向的理论支撑点”

在新媒体的数据运营中，数据分析是至关重要的步骤，而数据分析有大概九类方法，你们知道吗？今天小天就来带大家了解一下这些干货吧！

数据分析的九类方法：直接评判法 — 对比分析法 — 结构分析法 — 分组分析法 — 平均分析法 — 矩阵分析法 — 漏斗图分析法 — 雷达图分析法 — 回归分析法

1.直接评判法

直接评判法即根据经验直接判断数据的好坏并给予评判，通常用于内部过往运营状况评估，如评估近期阅读量是否过低，评判近期销售量是否异常，评估当日文章推送量是否正常。

直接评判法有两个必要的条件：一是运营者有一定的新媒体运营经验，能够对跳出率，阅读量等有正确的评估；二是经过加工处理的数据足够直观，可以直接代表某项数据的优缺点。

2.对比分析法

对比分析法，是将两个或两个以上的数据进行对比，分析差异进而揭示这些数据所代表的规律。

对比分析法包括横向比较及纵向比较。横向比较即同一时间下不同总体指标的对比，如今日头条同领域作者文章阅读量对比，粉丝数对比等；纵向比较不同时间条件下同一总体指标的对比，如本月文章阅读量与上月阅读量进行对比，本月粉丝增长数与上月增长数进行对比等。

通过对比分析，可以直接观察到目前的运营水平，一方面找到当前已经处于优秀水平的方面，后续予以保持；另一方面及时发现当前的薄弱环节，重点突破。

3.分组分析法

分组分析法是指通过一定的指标，将对象统计分组并计算和分析，以便于深入了解所要分析对象的不同特征，性质及相互关系的方法。

分组分析法遵循相互独立，完全穷尽的枚举分析法原则。所谓相互独立，即分组之间不能有交叉，组别之间具有明显的差异性，每个数据只能归属于某一组；所谓完全穷尽，即分组中不要遗漏任何数据，保持完整性，各组的空间足以容纳总体的所有数据。

4.结构分析法

结构分析法是在统计分组的基础上，将组内数据与总体数据之间进行对比的分析方法。结构分析法分析各组部分占总体的比例，属于相对指标。

例如，新媒体运营团队可以统计粉丝所在的地域分布，统计出各个地方粉丝的占比情况，此情景便属于结构分析法。

5.平均分析法

例如，在分析今日头条的文章阅读量时，借助Excel导出的数据可以快速找到阅读量大于平均值的文章，接下来可以继续挖掘这些文章的标题，排版，配图等规律，便于后续内容质量的提升。

6.矩阵分析法

矩阵分析法是一种定量分析问题的方法，它是指以数据两个重要指标作为分析依据，并将这两个指标作为横，纵坐标轴，构成四个象限，从而找出解决问题的办法，为运营者提供数据参考。

例如，某餐饮企业的大众点评评价分析，可以借助四个象限“紧急且重要，重要但不紧急，紧急但不重要，不紧急也不重要”进行矩阵分析，并重点处理“紧急且重要”的事项。

7.漏斗图分析法

漏斗图分析法因展现形式如漏斗，故而得名。漏斗图可以对文章阅读量，产品购买量等情况进行逐层分析，展示整个关键路径中每步的转化情况。

重要强调的是，单一的漏斗图难以衡量各个环节的好坏，运营者可以结合本节介绍的“对比分析法”，对同一环节不同时间对比，评估运营效果。

8.雷达图分析法

雷达图常用于指数分析，即通过对新媒体账号的内容质量，领域专注等不同维度的计算而得出的客观评分结果。分数越高，代表账号的质量越好。可以利用雷达图进行分析的指数，包括今日头条指数，大鱼号星级指数，百家号指数等。

9.回归分析法

回归分析法是通过研究事物发展变化的因果关系来预测事物发展走向，它是研究变量间相互关系的一种定量预测方法，又称回归模型预测法或因果法。

例如，将今日头条粉丝数据导出到Excel表格，对累计粉丝数进行一元线性分析，就可以尝试预测某个时间的粉丝量。

一提到数据分析，很多人可能脑海中可能会浮现出各式各样的数据画面。

比如下图所示，这样的中国式复杂报表在企业中经常被使用，精密的复杂表格样式中蕴含着国人庞大的数据信息量。

再比如这样的数据Dashboard可视化，通常应用于展示KPI业务指标，例如销售额、毛利率、利润率等等，数据的可视化呈现形式清晰直观。

再就是目前火热的不行的可视化大屏，比如下图所示的双11全球天猫狂欢节当日的实时交易统计大屏，除了清晰直观地展示企业核心的KPI指标之外，狂拽炫酷是它至关重要的特征。

大道至简的数据分析方法

但无论是以上的哪一种，无论数据如何变换，所有看似神秘的数据分析过程都可以归纳总结为各种“维度+度量”的组合分析。

维度用于描述事物的属性信息，例如统计各个地区的交易数量时，地区就是维度。

度量（指标）是可以量化统计的数值，例如统计各个地区的交易数量时，交易数量就是度量。但是需要注意的是并不一定所有的数值都是度量，例如学生的学号虽然是数值类型，但是其实它是维度而非度量。

如此一来，我们对数据分析有了从整体上的解释。但是实际应用中，我们并非盲目地去进行各种维度和度量的拼凑组合，而是希望得出的数据分析结果能够指引业务进行决策，终而形成业务闭环效果的。

根据我自身的一些数据分析项目经验，90%以上的基本数据分析问题都可以套用我总结的这七步完成（深入的数据分析需涉及描述性统计分析、相关性分析等专业的统计分析技能）：

数据分析必然需要借助工具，Excel、BI或者R和Python语言都可以帮助实现。

这里为了帮大家更快速地理解数据清洗建模和数据差异分析环节的内容，借助比较简单的BI工具FineBI，为大家进行一个销售数据分析实例，加深大家对数据建模和数据分析过程的理解。感兴趣的可以到官网下载，个人完全免费。

一、确定分析目标

这是分析前的第一步，我们需要明确进行数据分析的对象，也就是需要确定分析目标。

通常来说我们会选取最关心的核心KPI指标，例如电商行业的销量、销售额、利润，制造行业的次品率，互联网行业的用户留存率等等。

一般来说，分析目标不要过多，如果实在是需要同时分析多个关键核心业务KPI指标，那么我们便可以将这些核心指标分解给对应业务负责人，例如销售总监负责提升公司销售业绩，运营总监负责降低成本花费。

二、核心目标拆解

确定好分析目标之后，通常来说我们需要再对核心目标进行子目标分解，这也符合企业各团队分工协作的特性。

核心目标拆解的过程中需要遵循MECE原则，也就是“完全穷举，相互独立”。例如下图所示的电子商务数据分析指标体系，就分别从网站运营指标、经营环境指标、销售指标、营销活动指标、客户价值指标几个方面进行了详尽的拆解，然后交由各个团队进行分工达成。

三、数据清洗和业务建模

确立和分解好数据分析目标之后，下一步就可以进入到数据清洗和业务建模环节了。

数据清洗方面，很多人可能会想到国外传统的一些ETL工具，但是这类工具过于庞大和复杂，国内真正成功落地的案例很少。FineBI商业智能工具其实就提供了轻量级的ETL功能可供用户对数据进行计算和处理，鼠标点击和拖拽操作即可完成轻量的ETL数据处理过程。

业务建模方面，FineBI也是提供了根据不同业务主题分类建立业务包的功能，一般来说按照维度表和事实表建立好关联关系即可，这样一来就为前端的数据差异分析准备好了数据模型。

四、数据差异分析

终于到了数据差异分析这一步，这也是离发现问题原因和业务决策最近的一步。

所谓数据差异分析，自然是需要有差异，才能有分析。

例如今年某某企业7月份的销售额是600万，那么大家会觉得对于这个企业来说是好还是坏？如果只有这一个数据，自然是无所谓数据差异分析的。

如果这家企业的6月份的历史销售额是400万，那么7月份600万的销售额自然是非常好的了，可是如果这家企业的6月份历史销售额是800万，7月份600万的销售额明显是有问题的。

a.纵向对比

按照这个基础的数据差异分析逻辑，我们借助FineBI来初步分析一下某家企业今年各月度的销售额统计走势图：

如上图所示，通过纵向对比不难看出该企业在7月份销售额下降严重，环比6月份的企业销售额下降了22.47%，不是个好现象。老板看到这个数据自然会前来问责，说为什么7月份公司销售业绩下滑这么厉害。那么会是什么原因导致企业7月的销售业绩相对6月下滑这么多呢？我们需要更新一步地进行数据分析，以排查出导致产生问题的”真凶“。

b.横向对比

一般来说销售型企业都会在全国划分各个销售区域，那么这样一来我们除了对时间进行纵向对比之外，还可以结合销售大区维度进行横向比较，分析探索看看能不能发现一些问题。

果不其然，如上图所示，通过时间维度结合销售大区进行横向对比发现，企业的东南大区7月份的销售额相对6月份反而是增长的，看来问题主要出在北方区和中西区，特别是北方区7月份的销售业绩下滑更为严重，最终导致企业7月份总的销售额比6月份严重下滑。

数据分析的丰富度一定程度上依赖于分析工具的功能，比如Excel可能需要写VBA，R和Python需要写代码。

由于FineBI是一款商业智能工具，故而这边可以轻松通过其提供的OLAP联动分析功能，以更进一步的观察各个区域7月份的表现情况，直接点击饼图区域即可联动到月度销售额统计，非常方便。这边我们可以看出，中西区7月份销售额环比轻微下降17.86%，北方区下降严重到50.07%，而东南区则提高了6.06%，综合三个大区的总体销售状况，导致最终表现为7月份销售额环比下降了22.47%。

c.综合对比

上面分析了时间、区域维度相关的销售额结果统计，为了避免结论片面，我们尽量采用多维度的综合对比方式来观察数据，甚至可以是友商的销售情况对比进行差异分析（此处不单独举例说明）。

如上图所示，我们通过时间维度结合产品类型来进行销售额分析，观察7月份各个产品线的数据发现各个产品线在7月份销售额环比都是有所下降的，这说明企业7月份销售额下降和产品种类本身是没有关系的。

五、发现问题原因

综合北方区域和中西区域导致7月份销售额环比下降的各种影响因素，最终发现是由于6、7月份北方区域降雨严重，导致物流周转严重滞后，库存商品无法及时供应，最终导致北方区域7月份销售业绩严重下滑了50.07%。而中西区域本身仓库比较小，按照之前各区域商品物流周转的设计，中西区域的本土供应的差额商品主要是由北方区域供应，但是北方区域由于严重的降雨导致物流周转严重滞后，进而导致中西区域7月份销售业绩也同比下滑了17.86%。

六、制定业务决策

通过结合FineBI工具的OLAP多维数据综合分析方法成功定位到问题原因之后，企业及时调整仓库商品物流周转策略，北方区域物流模式调整为水运，同时将东南区域的部分商品通过物流周转到中西区域。

七、评估决策效果

企业领导决策层8月份通过及时调整北方区域和中西区域的物流策略，北方区域物流模式调整为水运，东南区域的部分商品通过物流周转到中西区域，补充了北方区域和中西区域的库存商品周转。最终8月份企业的总体销售额达到了943万，环比7月销售额提高到了37.32%。

后记

随着信息化的飞速发展，大数据产业呈指数式增长。在我们不断地积累着企业的历史数据的同时，如何利用和分析好这些数据，真正利用大数据分析驱动企业的业务增长也成为了一个很重要的难题。希望本文给大家分享的数据分析方法，结合FineBI商业智能分析工具的OLAP多维分析能力，能够让大家下次在面对企业业务数据分析时不再迷惑，做到步步为营，让数据分析真正释放出潜能，驱动业务快速增长，形成数据和业务之间的闭环

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。