在互联网时代，数据是重要的资源，随着数据的持续增长和大数据技术的成熟，数据分析变得越来越重要，要看清楚瞬息万变的网络世界，要知道表象背后的真相，非靠数据分析不可，不管是大数据分析还是传统数据分析，其本质是一样的。数据分析是为了通过对数据现象的查看来完成对产品，营销策略，运营策略的优化。达到最低成本，最优效果。因此，数据分析师对应的要求也越来越高。那么，作为一名优秀的数据分析师，需要有哪些基本能力，才能完成数据分析目标，保证结果的正确性？

商业数据分析的根本目的就是要洞察数据背后的规律，基于此，企业可以制订决策、并采取相应措施和行动，进而达成想要的结果。这是商业数据分析的最大价值所在。

数据分析的四个能力

1. 对业务的理解能力

数据分析之前，首先要进行的是业务梳理。只有在实践领域从事过数据分析工作，就会明白所有分析的重中之重都是业务知识本身。而业务知识的学习和掌握，需要的积累之深，培养一个业务专家，需要的周期之长，都远远超过后面所说的那些基本技能，成为业务专家实属不易，数据分析师其实是之于业务专家之上的更深层次的思考和总结，否则，谁指导谁都是个问题。业务学习的方式很多，比如将以前的分析报告和取数案例都拿过来研究一下，不懂就问，总是一个渐进的过程，但需要时间和行业的沉淀。数据分析师最需要不断提升的能力就是行业和业务知识，没有之一。

提升业务理解能力有几个方法

多使用产品本身，只有不断的尝试产品，体验和了解各种产品，才能在分析时有直观的思考和总结；与 产品相关的业务和技术同学沟通，尤其在进行数据理解和运营理解的时候，需要知道数据元素的含义以及当前运营的方式和形成这种运营方式的原因;多思考产品的内在逻辑，多问几个为什么，这样才不至于做分析方案的时候，遗漏其它的业务流程，或者进行错误的数据模型设计。2.有耐心，善于沟通

数据处理和逻辑梳理需要足够的耐心，尤其是在各种数据格式不统一，数据表存放混乱，以及业务流程／逻辑异常复杂的情况下，作为数据分析师，一定要有足够的耐心，沉下来进行全面的数据流程确认，画出对应的流程图，理清分析重点。

同时，数据分析贯穿BIT、数据、技术、业务整个链条，数据分析师将BIT最终转化成决策者理解的语言，跨越的流程很长，你需要面对不同的岗位，碰到不同的角色，采用不同的语言，表达你的要求和获得你需要的东西，成为数据和业务的桥梁，没有足够的沟通能力很难。所以，需要具备一定的沟通能力。在沟通之前，需要清楚的知道本次沟通的目的是什么，以及如何通过对方来达成自己有效数据分析的目标。与技术沟通，是理解参数含义，与运营沟通，是理解分析目标，与产品沟通，则是强调产品逻辑以及背后的思考。同时，如果你容易听取他人的意见，特别是智者的意见，则可以帮你找到另一条出路，你犯错的概率就会降低，相应的，你的分析就更有力量和说服力。

3. 数据分析的技术

数据分析有很多技术可以支持，包括SQL，Excle，SPSS，Matlab、Python等等，这些都是通过编程完成基本的数据分析语言编写，然后进行执行得出结果。

因此，数据分析师必须掌握并精通一两种数据分析编程技巧。包括从数据仓库中获取数据，对数据进行清洗，简化，或者补全，处理数据，计算数据，最后进行可视化的表达。这样才能完成数据分析的目标。这种技术对产品和运营人员也非常重要，只有学会处理数据，分析数据，才能在每个决策上面有据可依。

但在公司的数据分析中，你在看案例时，往往接触到的数据或使用的数据是局部的，因此，你的视野会受局限，在大多数公司里，很多数据分析师其实缺乏全局的数据视野，因为他不知道到底有多少数据，因此，永远只能在已知的数据里转圈圈，

当然，大多数数据分析师可能不需要进行系统数据学习，在实践中慢慢熟悉就好了，但自顶向下的数据学习方式可以让你有一个更好的基础和更全局的数据视野。

4.独立思考的能力

数据分析并不仅仅是为了完成一些业务上面的数据需求和论证。数据分析者应该在理解业务的基础上，扩大自己的思考范围，提升洞察力。

成为一个优秀的数据分析师，需要在不同的业务中进行磨练，同时需要足够的耐心和深入业务的思考进行决策支撑。一种客观，理性，同时又科学的数据分析心态是非常重要的，对于公司和产品的发展也是必需。

数据总是在那里，它不会说话，你不仅要基于业务能力理解它，还要学会推演和分析，从中发现规律，迅速定位某个商业问题的关键属性和决定因素，形成自己独创性的见解，所谓心思缜密，滴水不漏，没有思考逻辑没有数据分析。而要形成独特的见解，则来自于个人不断的学习和思考，这里的学习更多的强调是跨领域和专业，思考则是更多的强调养成思考的习惯。思考本身就是一种实践，它可以将你的知识更加系统化和深入化，数据分析在一定程度上是用来验证思路和启发灵感的，“数据分析”从来不是“数据分析”本身，而是以“数据分析”为手段和表象，对业务的深刻理解、思考和判断。

数据分析的四个层次

描述性分析（Descriptive Analysis）诊断性分析（Diagnostic Analysis）预测性分析（Predictive Analysis）处方性分析（Prescriptive Analysis）描述性分析——发生了什么？

如题目名字一样，该层次主要是对已经发生的事实用数据做出准确的描述。比如某企业本月订单签约额比上月增加2000万，至5500万，但是订单履约率从上月的98%下降到了95%，库存周转率从上月的0.8下降到了0.7。那么，这就是发生了什么？就需要去描述性分析。

诊断性分析——为什么会发生？

知道发生了什么，对我们的帮助不大，更重要的是，我们要明白为什么发生。比如经过分析，发现在描述性分析中提到的订单履约率下降的原因是成品生产不出来，无法完成交付。而成品生产不出来的原因则是部分原材料的供应商未能按时送货，导致原材料不齐套，无法开始生产。那么，这就是诊断性分析。

预测性分析——可能会发生什么？

基于上述两个层次的分析，我们发现了其中的规律，即原材料供应商的未能及时送货会影响成品订单的履约率。假如上月某原材料供应商A送货及时率只有70%，通过建模，我们可以预测本月该供应商会使我们的订单履约率下降2%。那么，这就是预测性分析。

处方性分析——我们该做些什么？

有了预测性分析的结果后，我们无需再做事后诸葛亮，而可以运筹帷幄，在事前就采取措施。上述中，供应商A会导致本月我们的订单履约率下降，我们可能采取的措施就是把A换掉，但是现在有B和C两个供应商供我们选择，该选择哪个呢？通过分析和计算得出：选用供应商B会比选C的订单履约率高1%，因此建议选择供应商B。这就是处方性分析。

四个层次层层递进，经过这四个层次的分析以后，可以对企业的决策和行动提供有力支撑。

分享 IT 技术和行业经验，请关注-技术学派。

作者：CDA数据分析师

大数据分析与数据分析这几年一直都是个高频词，很多人都开始纷纷转行到这个领域，也有不少人开始跃跃欲试，想找准时机进到大数据或数据分析领域。如今大数据分析和数据分析火爆，要说时机，可谓处处都是时机，关键要明了的一点是，大数据分析和数据分析两者的根本区别在哪里，只有真正了解了，才会知晓更加适合自己的领域是大数据分析师还是数据分析师。毕竟职场如战场，时间就是生活，不容儿戏，更不容怠慢。下面我来好好告诉大家两者的本质区别到底是什么！

大数据分析：指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》 中大数据分析指不用随机分析法（抽样调查）这样的捷径，而采用所有数据进行分析处理，因此不用考虑数据的分布状态（抽样数据是需要考虑样本分布是否有偏，是否与总体一致）也不用考虑假设检验，这点也是大数据分析与一般数据分析的一个区别。

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

大数据分析与数据分析最核心的区别是处理的数据规模不同，由此导致两个方向从业者的技能也是不同的。在CDA人才能力标准中从理论基础、软件工具、分析方法、业务分析、可视化五个方面对数据分析师与大数据分析师进行了定义。

【数据分析师的要求】

数据分析师的理论要求：统计学、概率论和数理统计、多元统计分析、时间序列、数据挖掘。

工具要求：必要：Excel、SQL可选：SPSS MODELER、R、Python、SAS等

分析方法要求：除掌握基本数据处理及分析方法以外，还应掌握高级数据分析及数据挖掘方法（多元线性回归法，贝叶斯，神经网络，决策树，聚类分析法，关联规则，时间序列，支持向量机，集成学习等）和可视化技术。

业务分析能力：可以将业务目标转化为数据分析目标；熟悉常用算法和数据结构，熟悉企业数据库构架建设；针对不同分析主体，可以熟练的进行维度分析，能够从海量数据中搜集并提取信息；通过相关数据分析方法，结合一个或多个数据分析软件完成对海量数据的处理和分析。

结果展现能力：报告体现数据挖掘的整体流程，层层阐述信息的收集、模型的构建、结果的验证和解读，对行业进行评估，优化和决策。

【大数据分析师的要求】

理论要求：统计学、概率论和数据库、数据挖掘、JAVA基础、Linux基础。

工具要求：必要： SQL、Hadoop、HDFS、Mapreduce、Mahout、Hive、Spark可选：RHadoop、Hbase、ZooKeeper等

分析方法要求：熟练掌握hadoop集群搭建；熟悉nosql数据库的原理及特征，并会运用在相关的场景；熟练运用mahout、spark提供的进行大数据分析的数据挖掘算法，包括聚类（kmeans算法、canopy算法）、分类（贝叶斯算法、随机森林算法）、主题推荐（基于物品的推荐、基于用户的推荐）等算法的原理和使用范围。

业务分析能力：熟悉hadoop+hive+spark进行大数据分析的架构设计，并能针对不同的业务提出大数据架构的解决思路。掌握hadoop+hive+ Spark+tableau平台上Spark MLlib、SparkSQL的功能与应用场景，根据不同的数据业务需求选择合适的组件进行分析与处理。并对基于Spark框架提出的模型进行对比分析与完善。

结果展现能力：报告能体现大数据分析的优势，能清楚地阐述数据采集、大数据处理过程及最终结果的解读，同时提出模型的优化和改进之处，以利于提升大数据分析的商业价值。

综上大数据分析与数据分析的根本区别就是分析的思维与分析所用的工具不同。大家在求职或转行过程认清自己对两者的偏好和自己的兴趣所在，以及自己的能力更适合在哪个领域发挥，还有自己所在城市对两者的职业需求，综合天时地利人和三个条件，我们才能做出更理智更客观更科学的抉择。

作者：接地气的陈老师链接：https://zhihu/question/264164580/answer/357527397来源：知乎

被业务呼来喝去的跑数据，是做数据分析的同学一个极大的痛点。出力不讨好不说，自己还没啥成长。如果扒皮抽筋看真相，你会发现这压根就不是个技术问题，而是政治地位的问题。是数据分析到底在公司里算老几的问题。

我就见过相当多大企业，做了BI系统，还有拖拉拽的数据集市，还有日、周、月报，到头来数据分析部还是天天在接一堆零时取数需求。我们还尝试过收集各个公司的报表打开率数据，非常有意思，大概10%左右。有兴趣的同学可以尝试下，最简单的方法，就是你群发日、周、月报的时候，加一个邮件阅读回执。看看有几个人真的每天会看。你会发现不但看的人很少，而且一般等级都很低O(╯□╰)o所以自动化的报表救不了数据分析师。你会发现业务部门照样会把你当哆啦A梦的口袋，需要数据的时候直接丢一纸需求单了事。你要是不肯做，他们就搬出：“这是XX总监面授的需求，要抓紧完成，老板需要精细数据”来镇压你。是滴，这帮哥们常常宁可把时间浪费在打嘴仗上，也不肯抽10分钟研究下现有的报表，这都是常有的事。

虽然做数据分析的同学喜欢讲“数据驱动决策，分析提升效率”，然而这句话是有主语的，应该叫：“老板用数据驱动决策，业务部门用分析提升效率”。因为本质上看，想驱动决策需要的不是数据而是权威；想提升效率，需要的是把数据优化的结果融入业务过程。如果老板数据化管理意识淡薄，喜欢讲经验、拍脑袋，那驱动决策就无从做起。如果业务部门只喜欢按自己的路子来，对分析结果不管不顾，或是喜欢在分析里夹自己的私货，那提升效率也无从谈起了。所以真的想改变这个情况，需要的不是更复杂的方法或者自动化报表，而是：想办法争取老板的认可、业务部门的参与。不要让我们的分析结果躺在PPT里。

具体的做法写本书都够了。这些年做项目，和不少甲方企业的数据部门一起为了提高地位而努力过，可以分享一些心得给大家。

第一，目标清晰。数据驱动决策不是数据替代决策哈。很多会争取地位的数据部门领导们，把目标设定在：让业务方认可数据的用途上。正如医生不能包治百病，但有病了还是得去看医生一样。只要能证明看数据比拍脑袋、土办法、憋思路多那么一点点的用就行了。与此对应的是，凡是大吹大擂大数据人工智能怎么怎么就把业绩拉动基本都死无葬身之地。因为拉业绩是业务部门的活。跨过业务部门想直接促成业绩，不但很难做到，而且抢了业务部门的生意。人家随便做做手脚，数据都得吃瘪。

第二，选好对象。做数据的同学切记：我们人微言轻，我们做报告给老板看和我们就是老板是两个概念。因此所有人都有兴趣听我们说话，也不是所有人都适合服务的。我总结了经常碰到的业务部门类型，归纳为下图。大家体验一下。如果想挤出更多时间来做真正的分析，肯定要拒绝掉一些需求的，搞清部门的风格，可以帮你减少摩擦。

第三，切中痛点。既然业务部门会有零散的需求，至少说明他们还有需求。业务部门的工作，可以粗略的分为平常思考-事前策划-事中执行-事后评估四个阶段，其实每个阶段都有很多很多和数据有关的抱怨（详见下图），因为分析原因，测算效果，监控进度，总结经验始终是业务所需要的。只要我们能和业务部门说上话，一定能从他们的痛点切入，找到体现数据分析价值的地方。围绕痛点，把零散的需求转化为有具体目标的数据分析项目。

与其空谈”人工智能时代““大数据价值”不如结结实实的帮业务部门解决一些痛点。有痛点的才是真实需求。

第四，循序渐进。当我们能争取到一个项目，就比单纯写取数需求表大大前进了一步。下边就看如何把这个项目变成常规性的数据产品。其实数据产品的形态也不限于一个APP或软件。定期月例会汇报，定期的信息公报，数据资源库都是产品。关键，只要让业务部门能用起来，能在老板面前刷足存在感。这样以后的路才能越走越宽，而不是自己憋在格子间里跑数了。

至于如何具体操作，涉及的内容太多，有机会慢慢和大家分享。这里只提一点：只要是打包成一个整体能满足特定需求的都是产品（没打包要一步步做的叫服务）。很多同学觉得报表不算产品，其实是因为只知道跑报表，没见过报表如何应用。如果能结合具体场景，就会发现，其实好用的报表自有好用的理由，为什么选这些字段，为什么定这个周期更新，都是很有讲究的。

当然，并不是所有企业都有努力的空间，如果企业的老板、高层、业务部门真的很冥顽不化，还是趁早离开的好。但庆幸的是，现在“大数据”“数据挖掘”“人工智能”的春风吹遍大江南北，为我们营造了很好的外部环境。下一步，就是看怎么把朋友圈里《时代淘汰你的时候连问都不问一声》《震惊！又一个行业即将被颠覆！马云刚刚宣布》带来的对人工智能的恐慌，转化为切切实实的数据分析部门的地位提升。与大家共勉。

作者介绍：陈老师，在咨询行业打拼了9年，在如何诊断经营问题、建立分析体系、解决专项问题上有超过30个大型项目积累与实战，天善智能特邀专家。数据分析职场路上有困扰吗？不妨到《数据分析师八大能力培养课程》https://edu.hellobi/course/272 里聊聊！视频课程特色：从真实数据分析工作场景出发，训练实战能力启发式教学+大量实际操练，培养属于自己的能力不依赖于某个具体技术，也适合对数据分析感兴趣的学生、业务部门人士学习=

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。

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。

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�...

数据洞察之我见

在数据分析这个行业里，大家经常会谈论未来是大数据的时代，未来的竞争就是数据的竞争。

而麦肯锡的一项对700+家企业的调查显示，许多公司、尤其是传统公司还没有从大数据项目获得预期的结果，或者还没有获得相当高的投资回报率。大数据项目投入后收入平均仅增加了6%。我想一个很大的原因是传统企业大多是业务流程驱动，数据更多是作为一个报表使用。他们很少挖掘数据价值对企业流程的驱动，而是依靠个人经验进行决策。即使在使用数据分析的公司也多是停留在验证假设、监控效果的层面，通过数据分析获得洞察的很少，用分析直接指导行动的案例更是少之又少。Forrester的一项调研报告显示，有74%的公司希望通过数据驱动，但是只有29%把分析结论和运营动作建立了联系。

要从数据中得到价值，首先得弄清楚数据分析和洞察的区别。有很多作者讨论过这个话题，包括刚才上面贴的那篇forbes上面的文章，简言之，数据是没有经过过多的处理的原始信息，数据分析是从这些信息中发现的规律、趋势等，而数据洞察则是通过数据分析得出的价值，包括决策运营、预测机会等。

ConnectedInsight项目由来

作为客户服务及权益保障事业部智能运营中心的数据运营团队，我们的职责是支撑各服务线、智能调度中心及互联网渠道的数据分析。

虽然每条线都有几名数据分析同学做支持，但是由于数据分析需求往往都是由一个或小部分场景出发而提出，并未全局考虑数据和分析结果在整个业务线运营链路中的作用以及能为运营决策带来的影响，导致需求往往零散、冗杂且重复。同学们在不成体系的需求下熬夜跑代码、做报表、写分析报告也很艰难。

车品觉的《决战大数据》一书中写到：“大数据的力量来自触类旁通的关联。我们以前总是用数据来证明或企图说服工作上的盲点，而如今的数据不再是一加一的依据，而是具备了预测和开创新机的能力”。

书中还提到，“把分析的理念和框架变成数据产品，本质上是一个数据泛化的过程。这个过程非常重要，因为数据报告的需求会越来越多，如果没有泛化数据给使用数据的人，分析团队将永远被冗杂和重复的工作所困”。

由此智能运营中心的数据运营团队和平台系统团队一起提出了ConnectedInsight项目，目的是为了从业务描述，业务诊断，业务预测，决策支持等方面，一步步完成从散点数据走到数据洞察。

基于此，我们和CTO 线人工智能部的AI运营团队以及CTO 线数据平台部DeepInsight产品团队做了共建，我们提供业务指标框架和分析思路，产品由AI运营团队主导开发，由DeepInsight提供后台能力，最终呈现在新客服数智产品上。

任重而道远，为了避免闭门造车，写下这篇分享，想吸引更多有相同想法的同学或者团队一起来探讨更好的解决方案。

ConnectedInsight项目“洞察”了什么

下面分别讲讲ConnectedInsight这个数据分析产品的四部分分别实现了或者将要实现的价值：

业务描述：描述业务上发生了什么。

服务线要了解自己的服务做得好不好，首先是需要看描述性的数据，过去我们是靠一张张报表实现这种描述功能的。但是单个的KPI报表是散的，比如我们分别看了一条服务线服务流程各个点上的数据报表，并不能直观的拼成一条链路图来了解整个业务流程的运营情况。基于此，我们开发了可定制化的业务数据流程图和异常高亮及预警功能，让用户能对业务现状一目了然，实现了从“点”延伸到“线面体”。

业务诊断：诊断为什么发生。

服务线看到数据流程图描述出来的某些环节做得不太好，就需要了解原因或者能改善的点。在此需求背景下，我们的产品开发了单指标多维度拆解和多指标相关贡献度拆解，实现了诊断指标异常定位原因，让运营同学能更高效的找到运营点。

业务预测：预测将要发生什么。

服务线要部署人工服务方案，必须提前知道服务量，我们通过预测产品化的方式让运营同学能高效的使用预测功能，合理的分配服务人力资源，同时也大大提升了分析同学预测产出时效。

决策支持：决策要做什么。

目前服务线运营同学在决定下个周期的派单部署方案时仍需靠人工重复、机械的统计历史数据和预测数据进行局部优化的方案选择，而我们的产品将实现用相关因子自动计算出全局最优的派单部署方案，大幅提高运营效率和准确率。

1、业务描述

业务背景

业务描述就像汽车仪表盘，实时告诉你发生了什么，并适时警报提示等。分析师要做的事情就是搭建指标体系，进行各种维度的统计分析。我们过往的大量工作就是做这个，目前市面上很多BI产品也都能够满足这个层次的数据运营需求。

拿客户服务及权益保障事业部的国际线来举例，以往业务线运营同学看到的是拿老版Alisis搭建的各KPI的图表，如下图（图表数据非真实数据，仅用于展示），给出的是业务监控体系里散的“点”，并没有从业务全链路的角度给出用户能一眼看出业务整体有什么异常的大图。

痛点

这么搭建业务监控的结果是什么呢？有没有发现业务看完数据后，经常会基于此提出额外的数据需求？

一般来讲，想看数据的人潜意识里是要成“体”的数据的，只是沟通过程中变成了“点”的需求，因为“点”简单容易讲明白，但是，这次给不了“体”的数据，下次还会围绕“体”的数据提各种“点”的需求，这个时候我们需要延伸一下，提前想需求方之所想，就不用来回往复了。

解决方案

AI运营团队开发了流程图、树图、星环图等个性化分析组件，分析师使用这些组件完成产品内容搭建，并在我们的产品平台上配置各服务线的分析页面。

拿国际服务线举例，服务流程上用户可以拨打95188或者淘海外电话等进入热线人工服务，需要升级的提交工单，用户也可以进入支付宝钱包，英文钱包或PC端自助服务，未解决问题可以接入在线人工服务，需要升级的提交工单。

以往运营同学看的是各个环节的数据点报表，在我们构建的分析产品中，业务同学看到的是随业务流程变化的全链路图，整个链路图可定制、指标节点可设置预警高亮，从用户使用自助服务，到拨打热线电话，进入智能派单环节，再到人工客服接起，转入转出，升级提交工单，整个链路上哪一个节点出现异常一目了然。

一个节点可以配置多个指标，主指标和相关指标。鼠标悬浮于节点可展示主指标及相关指标的趋势图，如果想进一步分析，可点击详情分析进入指标的下钻分析页面。

节点也可以配置堆积柱状图，这种配置在想展示业务占比等场景的时候非常好用。

2、业务诊断

数据之间是存在因果联系的，这些联系有些容易通过业务来解释，而有些恰恰是业务无法直接看到，需要通过数据发现联系。在这个层面，需要数据分析师从整个业务链路和数据之间的联系出发，通过关联分析，波动分析，平衡计分卡等方法，找到数据变动的原因。

痛点

过去我们提供给业务同学报表，用于日常指标的监控和原因分析。但通过报表找原因会存在两方面的问题：

沟通成本高、原因获取效率低：业务同学使用报表在众多指标中寻找原因，过程不熟练，分析师需要花时间和业务同学一起解读数据和寻找原因。

数据的落地性差：业务同学在面对需要立即解决问题的压力与大部分数据具有滞后性矛盾的背景下，往往是选择在没有数据分析结果时，先根据过往的运营经验采取措施，导致数据对实际指导的价值不高。

解决方案

在ConnectedInsight的业务诊断里，我们进行了分析思路产品化。把分析师常用的分析思路和过程沉淀下来，用产品化的形式呈现，避免重复劳动，改善原因定位的时效性；业务同学不需要了解背后复杂的计算逻辑，直接看到分析结果，并且可以指派给专人负责。

在初版产品中包含两种类型的业务诊断分析：单指标多维度型和多指标相关型。

单指标多维度型的业务诊断，我们要找出的是在一个指标能拆分成的多层树状结构中，具体是哪一层的哪一个节点的波动对这个指标的波动贡献度最大。

以服务线FCR（First Call Resolution，首次呼叫解决率，衡量客户服务及权益保障事业部解决客户问题能力的重要指标，一般为24小时内未重复来访的服务量占比）这个指标为例，通过下图所示的树状结构梳理安全服务线的服务量和FCR，拆解成一级业务，二级业务，三级业务的服务量和FCR的波动对整体FCR波动的贡献度，找出导致FCR波动的最主要的业务。如本例中限权咨询业务对当日FCR下降的贡献度为96.3%，运营同学应该着重关注该业务。

（*以下截图为demo，数据也非真实，最终版正在开发。)

多指标相关型的业务诊断，我们要找出的是在一个指标有多个影响它的指标时，具体是哪一个指标的波动对这个指标的波动贡献度最大。这里多指标之间的不是简单的加减关系，而是转换为复杂的影响因子，通过影响因子量化指标之间的贡献度。

比如对热线接通率进行业务诊断，接通率分母是热线流入量，流入量是客户需求通过自助、转人工等，直到流转到热线处理环节的咨询量，因此流入量相关的影响因素有：产品、自助、智能派单、转接等；接通率的分子为热线应答量，应答量和通话时长、排班人数（人员）、现场运营效率（产能）等有关。通过下图把指标之间的关系环状表达出来，当选中某一指标后，该指标相关的影响指标也会高亮。而后台计算出的分析结果会给出指标波动的影响因子和各因子的贡献度。

（*以下截图为demo展示。)

3、业务预测

业务背景

服务线的小二对接了蚂蚁所有业务线的服务量，随着业务不断拓展和复杂度的叠加，需要的咨询和审核小二人数不断增加，此时服务量如果可预测，就能基于现有资源做好排兵布阵，为业务线人员排班、人员招聘、和预算提供决策参考，在保证接通率、工单处理时效、进而提升用户体验的前提下，最大化人力资源利用，降低人力成本。

服务量包括：

咨询服务量，比如话务量，支付宝使用中电话咨询客服小二。

审核服务量，比如工单审核量，账户被冻结要上传身份证、人工审核。

痛点

我们业务线分析师在过去对服务量的人工预测流程如下，需要3个分析师每周20+小时的工作，才能按时的完成预测工作。

以上流程存在一些问题：

效率低：每条业务线的预测都要重复以上流程，这些因素涉及到多团队多部门协同，效率低下。随着公司业务的拓展及业务复杂性的增加，预测的工作量越来越大，铺人的方式解决不了根本问题。

预测标准不统一：预测分析师人肉做出预测，诸多零散个人经验贯穿其中，不同分析师预测结果会有偏差，不利于形成统一的方法和标准。

人工干预信息无法统一沉淀、不利于总结经验：各环节的线下沟通信息无统一沉淀，不利于事后评估产品事件影响、渠道调控，无法为后续预测调优提供指导。

解决方案

我们的ConnectedInsight中的预测功能，把预测融合模型（简单理解，既多个预测模型自动寻优）产品化，通过傻瓜式的点击按钮，让运营的同学可以自己做预测，把分析师的时间解放出来进一步优化模型。这个产品不仅大大的提升了预测产出时效（从1周到5分钟），更提高了预测的稳定性和准确率。

预测模型特征分解和产品框架如下图：

最终的预测产品如下，运营可以选择自己所在的小组（技能组）、和预测时间窗口（常规锁定预测、排班修正预测）。

即可出现如下所示的话务量趋势图，并且可以根据自己掌握的信息对模型结果进行修正，修正后备注原因，便于模型的学习和调优，让后续预测结果更加精准。

4、决策支持

无论是上面讲的业务诊断还是业务预测，都是通过数据，对业务运营做决策支持。在这个环节，我们关注的从洞察到行动的过程，将数据洞察的结论提炼出来，告诉运营同学如何去行动是when、where、who and whom，指导业务的行动方向。例如，在我们通过多指标相关性分析发现影响接通率变化的因素有1. 业务量变化；2. 预测准确率；3.排班准确率。这三个因素都是insights，但是只有第2个和第3个因素是Actionable insights，而第一个因素，业务量的变化，这个更多是受业务发展的影响，并不是我们客户服务及权益保障事业部能够采取行动而改变的。在运营方根据我们的分析结果，做出实际运营动作之后，我们的产品会通过数据回流，进行action前后效果对比，从而形成数据化运营的闭环。

更进一步的决策支持和决策自动化我们已经在规划，细节期待有共同发展方向的团队一起协作探讨。

心得和鸣谢

最后，说一点这些年做数据分析的感悟。数据分析师每天都会被大量的业务需求压得喘不过起来，如果不能做到真正的数据驱动运营，分析师们慢慢的会对手头的工作疲惫而倦怠。而做好数据运营的关�...

数据分析是一项实践性很强的工作，涉及到很多交叉学科，需要不同的岗位和角色，来实现不同的性质的工作。

一 、数据分析师中的角色和职责

数据分析团队师应该在科技部门内部还在业务部门内部一直存在争议。在业务部门内部，对数据场景比较了解，容易找到数据变现的场景，数据分析师对业务提升帮助较大，容易出成绩。但是弊端是仅仅对自己部门的业务数据了解，分析只是局限独立的业务单元之内，在数据获取的效率上，数据维度和数据视角方面缺乏全局观，数据的商业视野不大，对公司整体业务的推动发展有限。业务部门的数据分析团队缺少数据技术能力，无法利用最新的大数据计算和分析技术，来实现数据分析和建模。数据分析和计算依赖于科技部门，效率较低，无法打通各个环节和实现效率和收益最优。

1. 数据库(仓库)管理员DBA

DBA最了解企业内部的数据和可用的数据资源，包括数据的存储细节和数据字典，另外其对数据的采集、清洗和转化起到关键作用。

DBA为数据科学家和数据分析师提供加工好的原始数据，这些数据是数据分析和建模的基础，DBA做了数据分析工作中最重要的基础工作，完成了大量的脏活和累活。

2 .业务专家

业务专家的优势是数据的商业敏感度，了解业务需求，可以将业务需求转化为数据需求，进一步找到数据应用场景。另外业务专家也可以通过对数据的分析，找到新的商业机会，同业务部门一起制定商业计划，利用数据分析推动业务增长。

业务专家的经验对于数据分析和建模是非常关键的，他们可能是风险管理人员、欺诈监测专家、投资专家等。数据建模来源于业务经验和业务知识，正是业务专家的专业分析找到了业务规律，从而找到了建模方向，并对建模工作给出建议和解释。

3. 数据科学家

过去统计分析依赖于统计分析工具，大数据时代之后，数据量级的提升和数据类型的复杂程度，让很多传统的统计分析工具无法完成分析计算。这个时候，数据科学家出现了，他们可以利用自己的专业技能帮助业务专家和数据分析人员进行建模和计算。

过去数据统计分析建模常用SPSS，SAS，MATLAB等工具，现在基于大数据平台的分析建模可以使用Spark+Scala/Python/R/Java。数据科学家了解模型和算法，可以直接承担建模和调优工作，懂得选择合适的算法来进行计算，提高效率。

4. 数据分析师

数据分析师站在数据和商业的角度来解读数据，利用图标和曲线等方式向管理层和业务人员展现分析结果，揭示数据分析产生的商业机会和挑战。

数据分析师将杂乱的数据进行整理后，将数据以不同的形式展现给产品经理、运营人员、营销人员、财务人员、业务人员等。提出基于数据的结果和分析建议，完成数据从原始到商业化应用到关键一步，数据分析师的数据敏感度、商业敏感度、分析角度、表达方式对于商业决策很重要。

5 .运营专家

数据分析结果和商业决策出来之后，运营专家负责实现商业决策。通过有计划的运营活动，将数据分析的结果应用到实际的商业活动之中，运营专家是实现数据变现最后一公里的关键人物。

运营专家属于业务人员，实际上参与业务运营活动，利用数据分析结果，实现业务场景和数据场景的结合，实现数据商业化应用。

二、 数据分析之前的各项准备工作

数据分析团队各成员确定之后，将进行下一项工作，就是找到有价值的数据进行分析了。数据是分析的基础，因此数据的质量、数据的相关度、数据的维度等会影响数据分析的结果影，其中GIGO(垃圾进垃圾出)对于数据分析结果影响最大。

1 .数据源选择

数据分析团队面对大量的数据源，各个数据源之间交叉联系，各个数据域之间具有逻辑关系，各个产品统计口径不同，不同的时间段数值不同等。这一系列问题多会影响数据分析结果，因此确定数据源选择和数据整理至关重要。

DBA可以基于数据分析需要，找到相关数据，建立一张数据宽表，将数据仓库的数据引入到这张宽表当中，基于一定的逻辑关系进行汇总计算。这张宽表作为数据分析的基础，然后再依据数据分析需要衍生出一些不同的表单，为数据分析提供干净全面的数据源。宽表一方面是用于集中相关分析数据，一方面是提高效率，不需要每次分析时都查询其他的数据表，影响数据仓库效率。

2. 数据抽样选择

简单的数据分析可以调用全体数据进行分析，数据抽样主要用于建模分析，抽样需考虑样本具有代表性，覆盖各种客户类型，抽样的时间也很重要，越近的时间窗口越有利于分析和预测。在进行分层抽样时，需要保证分成出来的样本比例同原始数据基本一致。

3 .数据类型选择

数据类型分为连续型和离散型，建模分析时需要确定数据类型。进行业务收入趋势分析、销售额预测分析、RFM分析时，一般采用连续型变量。信用评级、分类预测时一般采用离散变量。

4 .缺失值处理

数据分析过程中会面对很多缺失值，其产生原因不同，有的是由于隐私的原因，故意隐去。有的是变量本身就没有数值，有的是数据合并时不当操作产生的数据缺失。

缺失值处理可以采用替代法(估值法)，利用已知经验值代替缺失值，维持缺失值不变和删除缺失值等方法。具体方法将参考变量和自变量的关系以及样本量的多少来决定。

5. 异常值检测和处理

异常值对于某些数据分析结果影响很大，例如聚类分析、线性回归(逻辑回归)。但是对决策树、神经网络、SVM支持向量机影响较小。

一般异常值是指明显偏离观测值的平均值，例如年龄为200岁，平均收入为10万元时，有个异常值为300万元。第一个异常值为无效异常值，需要删掉，但是第二个异常值可能属于有效异常值，可以根据经验来决定是否保留或删掉。

6 .数据标准化

数据标准化的目的是将不同性质、不同量级的数据进行指数化处理，调整到可以类比的范围。例如在建立逻辑回归模型时，性别的取值是0或以，但是收入取值可能就是0-100万，跨度较大，需要进行标准化。

一般可以采用最佳/最大标准化(Min-Max标准化法)将数值定在0和1之间，便于计算。Z分数法和小数定标标准化法也可以采用。

7 .数据粗分类(Categorization)处理

归类和分类的目的是减少样本的变量，常有的方法由等间距分类，等频数分类。可以依据经验将自变量分成几类，分类的方法可以不同，建议采用卡方检验来决定采用哪种分类方法。连续型变量可以用WOE变化方法来简化模型，但降低了模型的可解释性。

8 .变量选择

数据分析过程中会面对成百上千的变量，一般情况下只有少数变量同目标变量有关，有助于提高预测精度。通常建模分析时，有意义的变量不会超过10-15个，称他们为强相关变量(聪明变量)。可以利用变量过滤器的方法来选择变量。常见的变量过滤器应用场景如下。

一般IV值大于0.3代表变量的预测力较强，可以采用。

三 、数据分析过程

1. 向业务部门进行调研，了解业务需要解决的问题，将业务问题映射成数据分析工作和任务。

2.调研企业内外部数据，找到分析需要的数据，将数据汇聚到一个特定的区域，数据集市或数据仓库，探索性分析

3.数据清洗，包括检查数据的一致性，处理异常值和缺失值，删除重复数据等

4.数据转换，例如数据分箱(Binning)，将字符型变量转化为数字型变量，按照数据所需维度进行汇总

5.建立模型，按照业务需求建立不同模型(例如客户流失预警、欺诈检测、购物篮分析、营销响应等)

6.模型结果解释和评估，业务专家进行业务解释和结果评价

四 、大数据分析场景和模型应用

数据分析建模需要先明确业务需求，然后选择是描述型分析还是预测型分析。如果分析的目的是描述客户行为模式，就采用描述型数据分析，描述型分析就考虑关联规则、序列规则、聚类等模型。

预测型数据分析就是量化未来一段时间内，某个事件的发生概率。有两大预测分析模型，分类预测和回归预测。常见的分类预测模型中，目标变量通常都是二元分类变量例如欺诈与否，流失与否，信用好坏等。回归预测模型中，目标变量通常都是连续型变量，常见的有股票价格预测、违约损失率预测(LGD)等。

生存分析聚焦于将事件的结果和出现这一结果所经历的时间进行分析，源于医疗领域，研究患者治疗后的存活时间。生存分析可也可以用于预测客户流失时间，客户下次购买时间，客户违约时间，客户提前偿还贷款时间，客户下次访问网站时间等。

常见的数据分析应用场景如下：

1 .市场营销

营销响应分析建模(逻辑回归，决策树)

净提升度分析建模(关联规则)

客户保有分析建模(卡普兰梅尔分析，神经网络)

购物蓝分析(关联分析Apriori)

自动推荐系统(协同过滤推荐，基于内容推荐，基于人口统计推荐，基于知识推荐，组合推荐，关联规则)

客户细分(聚类)

流失预测(逻辑回归)

2 .风险管理

客户信用风险评分(SVM，决策树，神经网络)

市场风险评分建模(逻辑回归和决策树)

运营风险评分建模(SVM)

欺诈检测(决策树，聚类，社交网络)

五、数据模型评价的方法

1AUC值判别法

AUC小于0.7识别能力很弱

AUC在0.7-0.8之间识别能力可接受

AUC在0.8-0.9之间识别能力卓越

AUC大于0.9模型出现意外

2KS判别法

KS值大于0.2就表示具有较好的可预测性

PS：网舟科技长期专注于金融保险、通信、航空、互联网、旅游酒店等行业的电子渠道大数据运营，为客户提供全球领先的电子渠道转型咨询、大数据挖掘和应用定制服务，助力客户互联网转型，提升数字化运营和数据营销能力。

电商平台的数据分析可以按业务逻辑，以前、中、后台进行区分，在电商平台的数据分析中，线上、线下店铺管理为前台、全服务管理为中台，培训招聘等为后台支持。

这三类主要面向的服务对象如下。

前台：面向客户

中台：对面向客户的部门进行支持

后台：财务、法务、招聘、培训

按这样的框架分配之后，就能知道单个部门进行的动作对于整体的影响是什么。

其实整体会分为线上店铺分析、线下门店分析、全服务分析、后台支持分析四个部分，因为本篇文章以讲电商内容为主，所以我们此处只说上线上店铺分析这一块。

线上店铺分析会分为流量分析、销售分析、商品分析、活动分析，下面我们展开来看。

1.流量分析

流量分析就会演变为以下几个问题：

什么样的流量能够带来转化？什么影响了流量的转化？什么样的流量转化金额比较大，选择什么样的渠道？

比如我有1000万，我要知道如何进行投入产出是最高的。针对这样的问题，可以进行以下三类分析：

推广分析：分析不同流量来源、渠道及获客成本 。

内容分析：分析各内容的流量来源及相关运营效果（主要针对手淘中的内容、达人直播等）。

页面分析：特别是单独活动的落地页，需要分析当前页面的流量来源及去向分布，关注页面热力重点，为店铺装修指导提供依据。

2.销售分析

当用户进店之后，把用户进行的每个详细的步骤拆分出来，去看哪些过程影响了销售订单的转化。

对于该公司来讲，他们的核心指标是发货，只有到发货环节的订单，才能算作业绩。所以在发货前的所有环节都需要进行分析，比如商品详情页、客户咨询环节、支付环节等。

3.商品分析

其实对于淘宝店家来说，需要知道有哪些商品？怎样搭配契合对应的活动？

之前是零零散散的状态，新品研发进度、上架商品的表现、滞销产品的去库存，这些其实都是需要有一个完整的掌握的，这样才能更好地去配合活动。

很多淘宝店铺的销售是需要围绕活动进行的，所有的业绩其实是拆分在很多个活动里的。只要活动选得好，一个活动产生的效果可能会大于其他营销方式的总和。

所以活动的选品就成了重点需要去关注的。在选品的时候，除了要考虑商品的历史表现，还要考虑如何备货、备货周期是多久，能不能保证活动期间的发货。

所以，通过数据分析我们可以知道三个部分：

一、 目前的产品结构及产品情况

二、 针对本次活动需要达成的目标，选品的逻辑是什么，应该看哪些数据。

三、 爆款的备货，如果要把一个商品作为活动的爆款，我需要这件商品在7天内就能发货。

备货如何验证商品销售、活动预测精准度？

4.活动分析

活动分析其实是非常重要的一部分。比如这家淘宝店去年的销售额是50个亿，仅双十一单个活动销售额就达到了8亿。所以他们对于活动有严格的计划表，于是我们会把活动单独列一个主题进行分析。

他们在活动前期策划的时候，历史数据能够指导他做出比较好的决策。

而在活动进行中，可以通过数据监控整体的流量变化、销售情况变化。比如这次活动的某几个页面跳出率高，我通过数据发现之后，就要作出相应的调整优化，提高从流量到销量的转化率。

或者说，活动过程中发现爆款商品的库存已经无法满足现状了，我需要考虑是否要把原来7天的发货期改为15天，还是说我可以推其他的产品。这些都可以凭借数据来提供决策的依据。

活动复盘环节，从整体上我可以知道活动投入和产出的金额，衡量这次活动的价值，从细节上，可以看到不同商品的销售情况，还可以分析这次活动中哪些环节是可以做的更好的。比如这次活动中，因为一些优惠券的规则设置不合理，导致大量退货，那在下次活动就要避免这样的失误。

以上就是电商平台数据分析的应该关注的4个模块，如果拥有的客户数据比较全，其实还可以做客户分析，来了解你客户的消费行为，从而进行一些动作，来提升整个用户的终身价值（LTV）。

此为电商行业的经验分享，希望能给大家带来借鉴意义。

身处传统行业，数据分析的工作可能会无所适从。我们既没有互联网行业强大的数据驱动基因，甚至都没有大企业完善的信息基础和数据环境。个人不论是数据分析师和DBA，成长都有所局限。

数据分析很火，懂行的都深知数据对于业务，对于企业生产经营的重要性。但是没有数据、数据不完整、业务不重视、数据分析沦为取数和报表制作......这些问题都阻挠着数据行业的发展，也影响个人自身。

关于企业的数据分析，如何从0——1着手分析工作？这里想分享一个来自我们客户“小唐”的真实故事，没有鸡汤，只有浓浓的方法论值得借鉴。

小唐就职于一家股份制银行A，近两年由于银行改制，A银行开始逐渐重视银行信息化的提升，以及数据分析的应用，小唐在对公业务一线做过2年，被委派到的数据部门做业务分析。

委派到新部门的小唐负责对公业务，需要对下属一级支行南京支行的业务做针对性分析：风险预估、坏账分析、创新业务跟踪。

从存款金额和贷款金额入手，分析该支行总体的经营状况；想了解存款和贷款主体业务的状况，尤其是坏账的风险；想了解下属各二级机构的经营状况；下属二级支行瑞金支行是新增的二级试点支行，投放了许多创新业务，想在分析过程中对该二级支行加强关注；

小唐是怎么做的呢？

分析过程

业务分析需要借助良好的分析工具，且考虑到上层战略的需要，此项业务分析不仅仅是单一问题的解决，而是需要长期监控的，给部门业务经理监控的。基于这样的场景，小唐需要一个自住性较强、易操作、能实时同步数据、且具有协同功能的数据工具，自然而然的想到了商业智能BI工具FineBI，开展了分析工作，从0-1进行数据分析搭建业务分析模型的工作。

1、提出问题/需求

即最原始的问题/需求。

领导提出“小唐啊，我想看一看部门最近的业绩怎么样？”或者自己发现“最近XX产品的推出好像在市场受到了阻碍，想看看原因在哪”，这都是最原始的问题/需求。这部分问题/需求不直接涉及业务数据，但是和目标“解决问题，提高效益”直接相关，最表象也是大家最关心的事情。

2、明确问题/需求

上面提出的问题/需求，不管是领导提出还是自己的诉求，都比较宽泛，如果想要通过数据分析解决问题/需求，自然而然地，需要把问题/需求往数据上靠，用我们的业务去明确问题/需求。可以分成两个步骤：

①用我们熟悉的业务名词精简描述

②化零为整。

（1）从存款金额和贷款金额入手，分析该支行总体的经营状况——存款金额、贷款金额→日期即研究不同日期下支行的存款金额和贷款金额。（2）想了解存款和贷款主体业务的状况，尤其是坏账的风险——存款类型、贷款类型，不良贷款额即研究不同业务类型的存款金额和贷款金额的情况，尤其是五级不良贷款。（3）想了解下属各二级机构的经营状况——机构即研究不同机构的存款金额和贷款金额的情况。（4）下属二级支行瑞金支行是新增的二级试点支行，投放了许多创新业务，想在分析过程中对该二级支行加强关注；即研究单一机构的存款金额和贷款金额的情况。

这样，通过用熟悉的业务名词去明确我们的需求，就变得十分具体，数据分析的切入点就有了突破口。但是这样的描述还是比较零散而且互有重叠，通过化零为整，整合一下我们的需求，即“研究不同时间不同机构不同存款类型/贷款类型下的存款金额/贷款金额”。

3、梳理指标

对于“不同时间不同机构不同存款类型/贷款类型下的存款金额/贷款金额”这一明确需求，将相关涉及的所有指标进行进一步梳理，可以先用我们最熟悉的明细表做一个展示，对数据能够有一个非常直观的感知。

4、搭建业务包（指标分类）

根据分析思路框架，利用FineBI数据分类的功能来针对性地搭建业务包。

由于存款类型、贷款类型和贷款质量是三个接近平行的维度，互相之间不干扰，所以我们可以设计三条平行线，分别来看各日期机构下的存款类型、贷款类型、贷款质量的情况，并搭建以下业务包：

三张事实表（存款数据事实表、贷款数据事实表、不良贷款数据实施表）三张维度表（机构维度表、贷款类型维度表和存款类型维度表），并建立和业务关联。

5-6、 自助创建仪表板-分析决策

创建仪表板的过程，实际上是将我们的分析思路以各种指标和图表具象化的过程，是数据分析思维的具体体现，所以做仪表板和分析决策是不能够分开的。这也就决定了创建仪表板的时候，我们需要掌握两个步骤，一是用常用的分析形式和分析指标结合需求落地，二是用分析决策检验和完善我们的仪表板。

以各日期机构下的存款类型情况进行分析为例，即存款分析为例，先用我们常用的分析形式和分析指标结合需求落地。在这里只需要控制单一变量：

a. 固定机构，分析它的日期维度。常见对日期进行分析方法有

趋势分析对比分析（比昨日、比上月、比年初、同比）

当然还有一些其它的业务分析形式，我们都可以进行尝试。在进行数据分析的时候，我们应该养成看到时间维度就能立马复现出这些分析方法的习惯，不管不是所有对日期进行分析的方法都应该囫囵吞枣，但是把每个分析方法都过一遍是十分有利于我们的思考过程，从而甄别出适合出当前分析的分析形式和指标。

先对日期进行趋势分析。研究存款总额、对公存款和对私存款的时间变化趋势。而历史数据对于当前的业务影响小，我们更关心近期的数据走势，因此可以过滤出最近10天的数据。

可以看出南京支行的主体存款业务是由对公存款组成，因此存款总额的变化趋势几乎只受到对公存款业务的影响；对公存款是处于起伏不定的状态，处于停滞不增长的状态，而对私业务乍看也是处于一条水平线，没有什么起伏，然而，当我们取消关注对公存款和存款总额的时候，可以发现对私业务的存款总额竟然是下降的。

综上，我们发现，最近该支行的总体存款业务是下降的，对公业务没有什么增长，对私业务虽然体量相对较小，但是呈下降趋势，发展出现问题。因此我们可能需要对该机构的存款业务进行重要调整，想办法推进对公业务的继续增长，考虑改变对私业务的推广策略或者放弃相对该支行来说比较鸡肋的对私存款业务。

同样地，对日期继续进行对比分析，研究比昨日、比上月、比年初、同比的对比情况。

将当日的营业额度和历史同期比较是非常有说服力的，也可能更能反映时间的周期性问题。可以发现，对公业务和对私业务尽管在近期的发展态势一般，但是较历史同期而言，都几乎有着成倍的增长。

这说明，过去的经营策略确实取得了巨大的成效，但是可能由于市场饱和或者过去的经营策略所能取得的成效已经饱和，导致了近期的业务增长一般。说明，对于现在支行的发展，可能到达了一个瓶颈，需要对经营的策略进行重大调整，以适应现在的业务情况。

b. 固定时间，分析它的机构维度。常见对机构进行分析方法有：

排名分析比例分析机构分析穿透分析指标（平均值）

同样地，我们只需要将这些分析方法逐一套用，最后结合我们实际的业务需求，选择出合适的分析形式和指标。

这里对最常用的排名分析和机构分析进行一个介绍。这里由于存款总额是每天累计汇总的，因此关注当天具体的额度变化情况更加有意义。

可以看到各机构存款总额较上日增幅的排名；对于增幅靠前的机构，可以研究具体这些机构的业务策略进行推广，而对于存款净增额落后的机构单位，一般我们都比较关注在平均值以下的机构，可以进行标红处理做警示作用，同时对于尤其关注的某些特别支行，如瑞金二级支行，可以进行特别关注处理。同样的分析还能用于产品类别、产品、供应商等品类。

穿透分析、比例分析的落地过程我们略去。这样将我们熟悉和常见的分析形式和指标，结合分析决策的过程去套用，创建我们所需要的仪表板，很快就可以做出以下存款分析报表。

贷款分析和不良贷款分析，我们也同样地按着存款分析的分析思路过程进行落地。FineBI有一个比较方便的功能，可以直接将模板复用，然后简单地替换成贷款分析和不良贷款分析的各个指标，就快速生成了对应的分析模型。

分析总结

在从无到有搭建完业务模型之后，一定要对我们形成的分析模型进行总结，沉淀成为企业内部的指标库，这部分是我们数据分析最终沉淀的内核。

同时，在进行数据分析时，小唐给了大家两个非常受用的小贴士：

1、自主分析是个反复尝试的过程，实际上也是思维不断突破的过程。需要养成良好的设计习惯，用常见维分析形式和分析指标去落地，不要希望每次都能一步到位精准反映业务问题，需要踏实做好数据分析，用实际问题来改进分析模型。

2、不要企图用一张报表解决所有问题 。往往需要制作多张报表来分析发现问题，需要建立系统性，同时也鼓励多部门对于同一类需求/问题进行分析，可以对结论形成互补。