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。

科学方法必须包括：问题陈述、产生假设、收集数据、分析数据，然后获取结果并采取行动.......当你使用科学方法做事情时，你会更快取得成功。—— Bob Hayes 博士，百老汇商业总裁

前面我们已经介绍了评估和定位问题、确定潜在原因和分析数据的必要性和方法，详情请戳极简数据分析实操指南（上）

下面将为你重点介绍：

数据分析实操指南实例解读如何避免数据分析中的坑？解决问题，做出明智的决定

数据分析实操指南实例解读

下面我们将按照极简数据分析实操指南（上）中提到的方法，对文章中提到的几个场景进行详细解读。

SaaS 公司的营销实例

SaaS 公司的营销经理 Jody ，需要向产品副总裁汇报注册量下降的原因。

◆核心问题：最近我们产品的注册量下降，是什么原因导致？

◆假设：由于......注册量下降

o 最近对营销网站的更改

o 某些地区的公众假期

o 广告投放转化率下降减少了注册量

o 有机搜索排名（针对我们的产品页面）下降到搜索结果的第二页

◆数据分析：

Jody 第一步思考数据有多少变化？是否是真的异常？

她开始分别按照天和小时查看数据的变化，发现更改网站（网站注册会出现中断）时注册量确实有下降，但网站更改完成后注册量仍然在下跌，且进一步分析发现对注册表单样式的更改，使转化率略有上升，因此不是对营销网站的更改导致。

Jody 通过进一步查看数据，发现在总体注册量下降期间，到达注册页面的人数减少了大约 10％，因此，可能是上游问题导致的。

接下来，Jody 考虑假期假设（下跌开始时间是某些地区的公众假期）。但随着时间的推移，各国的注册量都有所下跌，所以该假设排除。

此时，她整理了一下思绪，决定分析点击付费广告投放更改后的数据。发现其中一个广告系列转化率下降了 50％，但这个只占注册量的 1％，所以不是主要原因。

Jody 又通过渠道查看注册率，发现有机搜索（占注册量的 70％）下降了 20％，推测是几周前页面更改引起的页面排名的变化。于是，她开始检查 SEO 数据，发现主要关键字已降低排名，现在位于第二页，这样一来，除了注册量其他方面也会受影响。

最终，Jody 除了解释注册量下降之外，还创建了一个策略来恢复注册，并将分析报告呈现给了产品副总裁和首席执行官。

电子商务示例

电商运营主管 Tyler 想弄清楚为什么购物车到下单的转化率正在降低？

◆核心问题：许多潜在客户在购物车结算这一步流失，我们该如何降低其流失率？

◆假设：由于......转化率下降

o 放入购物车的人绝对数量增加

o 最近对付费流程的更改

o 季节性（即假期，学校休息等）

o 促销结束导致更多人放弃下单

o 某些商品出现问题，影响下单

Tyler 第一步思考加入购物车的人绝对数量是否增加？如果有大量人开始向购物车添加商品但完成购买的人数保持不变，那么可以判断有一批购物者的转化率降低，他注意到加入购物车的人数略有增加。

然后他开始询问相关团队的人，如有没有促销活动？有没有推出新产品？会不会有季节性影响？付费过程有什么变化吗？价格是否经过调整？（注意：根据业务和产品范围的不同，这可能会有很大差异。）

Tyler 最终得知付费流程发生了一些小变化。现在，他们不仅仅列出购物车中的商品，而是展示每件商品的图片。

为了进一步分析这种变化的影响，他将付费流程分成了不同的步骤，发现用户的浏览数据正常，事实上，更多的人正在进行下一步，所以这似乎不太可能是罪魁祸首。

接下来，Tyler 通过将本周的购物车转化率与前几年的同一周进行比较来寻找任何季节性影响，他还通过快速浏览日历，了解任何可能的线索，但由于会话和电子邮件开放率等相关指标未受影响，季节性因素假设也排除。

Tyler 之前咨询到最近的促销结束了，按照常识，当人们意识到促销已经结束时，他们更有可能放弃下单。Tyler 在购物车转化率下降之前使用促销代码查看付费比例，发现只占 5％，但放弃率的变化是三倍，所以这只能算一个促成因素。

Tyler 又开始思考这是商品库存的原因吗？但所有商品的性能相当一致，这个假设也不成立。

在考虑其他可能的原因时，Tyler 再次审查付费流程。发现商品价格页面中对运费的描述部分大大减少，他回忆起之前对产品页面进行一些外观修改的时间与流失率增加时间完美吻合。

回顾这些变化后，他的新假设是潜在客户放弃下单，是因为他们期望下单时购买的价格是产品页面设定的较低价格，一旦他们看到全价（包括运费），就会放弃下单。

发现这一点后，Tyler 非常有自信的准备使用 A / B 测试来检验假设，如将产品更改恢复到以前的设计，或者尝试使用包含运费的版本。最终，他验证了假设，并调整了页面。

移动应用示例

产品经理 Sofia 想找出所负责的 App 激活率降低的原因。

◆核心问题：初始下载后，打开和使用 App 的人数减少了，怎样才能提高激活率？

◆假设：由于......激活率下降

o App 的更改使人们不太愿意激活。

o 一群新的（或不同的）人开始尝试这种产品

她注意到在过去 3 个月中激活（打开并开始使用 App）的比例一直在稳步下降（与下载总数相比）。

Sofia 先查看一些数据来获得更多背景资料。最终她发现下载的绝对数量明显增加，而激活人数仅略有增加。不过两个指标的绝对数字都在增加，让她松了一口气。（注意：根据不同的企业，这可能是也可能不是问题。最终，这取决于是否浪费了额外的注册资金。）

Sofia 后续很快确定应用程序中与激活下降相关的初始体验没有任何变化。

现在，她更密切地关注哪些人正在下载应用程序以及人口统计数据是否发生了变化。因此，她按地区对下载人群进行了分层，发现来自较低激活区域的下载量略有增加，但这远远不足以解释激活率的下降。

接下来，Sofia 分析不同渠道（例如，应用商店搜索，社交广告，推荐等）的下载情况，发现推荐下载渠道的下载量大幅增加，且似乎与她之前提到的增加的下载次数大致相同。深入分析后，她发现通过推荐下载的激活率明显低于其他渠道。

Sofia 通过咨询营销团队，了解到基本是一个高流量文章引起的推荐渠道的下载量增加，而且它没有任何成本，具有很大的潜力待开发。Sofia 和营销经理下一步准备采取行动增加该渠道的激活量。

Sofia 最终通过一些快速的数据分析，使最初的问题变成了一个机会。

看完上面的例子，下一步该你分析了，在分析数据时，请记住要考虑差异的真实性（统计显著性）以及差异的实际意义。

随着业务中的运用数据分析的地方比以往任何时候都多，领导者需要培养一种数据驱动的文化，而不是相信他们的直觉。

—— Ronald van Loon，数据科学家，演讲人，作家和创始人

如何避免数据分析中的坑？

在数据分析的过程中，即使是最有经验的数据分析人员也必须提防数据谬误（Data Fallacies）。以下提示，将帮助你避免一些最常见的数据谬误。

避免数据偏见

在分析数据时受个人偏见和动机的影响，即仅选择支持你声明的数据，同时丢弃不支持声明的部分。“数据偏见”将让数据的客观性荡然无存。

避免这种谬误的方法是在分析数据时，尽可能收集相关数据，并询问他人意见。

一个人应该保持中立并且不要爱上你的假设是绝对必要的。

——David Douglass，美国物理学家

避免数据疏浚

数据疏浚（Data Dredging）是指未能确认相关性，实际上是偶然的结果。

在寻找问题的原因时，很容易被数据蒙蔽。乍一看，这些数据可能具有统计学意义，但进一步测试（例如，检查趋势是否持续，查看相关指标等）可能会发现只是偶然结果。

避免这种谬误的方法是在分析数据时，从假设开始检查相关指标和观察数据变化趋势。

一个常见的谬误是假设数据集是值得信赖的——直到后来在分析中发现数据是错误的。所以，在开始分析之前，请确保您的数据值得信赖。

—— Tamara Dull ，SAS 研究所新兴技术总监

区分因果关系和相关性

在数据分析时很容易将两个事件同时发生（相关），判断为因果关系。

避免这种谬误的方法是，收集更多数据并查看可能的第三方原因，有时会发现他们的相关关系可能与第三个独立因子相关，而不是彼此相关。

例如，我们发现放弃其在线购物车的潜在客户往往具有较低的总购物车价值（放弃时购物车中物品的总成本）。此时，我们没有足够的数据来确定这是一致的相关性，是偶然结果，还是由其他因素引起的。深入挖掘我们可能会发现运输成本导致购物车到下单的流失率上升，因为免费送货仅适用于超过特定最低购物车价值的订单。

如果你对数据进行足够长时间的折磨，它就会承认任何事情。

—— Ronald Coase 诺贝尔经济学奖

解决问题，做出明智的决定

这个极简数据分析实操指南可以帮助你快速解决问题并做出明智的决策。无论你是领导团队还是向执行官报告，你都可以对有数据支持的观点充满信心。

在任何竞争中，获胜者都将是那些有效利用数据做出明智商业决策的人。

—— Kirk D. Borne，博士，天体物理学家，博思艾伦首席数据科学家

在找到数据支持的结论后，你需要记下一个简短的摘要（包括问题，数据显示的内容以及由此产生的决策 / 行动），这样做有两个目的：

1.将你所分析的数据和结论告知可能涉及或受影响的任何其他团队，为其他人提供有价值的背景信息。

2.这个记录也将使你在将来出现类似情况时更容易参考和以防其他人想要查看数据本身。

最终，问题解决了，也总结了有价值的经验。

下面我们回顾一下整个《极简数据分析实操指南》，当你遇到问题时，你可以随时查看：

评估和定位问题确定潜在原因如何分析数据？数据分析实操指南实例解读如何避免数据分析中的坑？解决问题，做出明智的决定

本文由策小编编译

来源：Geckoboard 网站

更多精彩

神策数据2018数据驱动大会10月16日举行，报名正式开启！

数据之“星”冉冉升起，“星斗奖”申报正式启动！

三大方面优势解析 小米与神策数据展开合作

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。

国产〇〇柒

前几天朋友给了一组行业同行表现数据，让帮忙分析一下自己的店铺问题所在和表现如何。今天我通过这个小示例来跟大家简单分享一下一些基础的分析方法。

（开始之前先跟小伙伴们说明一下，本案例是一个简单的基于一组数据而进行的分析，并通过这个给大家一个相对比较概括的方法介绍，实际分析操作中会遇到更复杂的情况，而且实际分析中的挖掘深度要比本案例要深）

下边是朋友提供的一组数据：

图片：基础数据表01.png

为了保护隐私避免侵权，公司名称这里就以字母替代

通过上图我们可以看到这是几组非常简单的数据，这些数据我们都可以在自己的店铺采集到，但是我们也可以看到这组数据有一个问题，多数数据缺乏一个时间参数，从表格中我们只能看到最后两项有一个准确的时间界定，其他项数据均没有这个界定。不过这里我们采用对比模糊分析的方法，不用考虑数据是否精确，只需要进行对比即可，所以缺乏时间参数问题也不太大。接下来我们通过以下几个步骤进行分析。

一，做筛选

首先我们要对这些数据进行筛选，只留可对比的数据组，剔除无用的数据。方法很简单，这里我们通过公司名称进行检测，进行主营产品类目检查（这里我是以朋友公司产品类目对基础的），通过分析发现C、G、M三个公司的产品与其他不符，这里我们就直接剔除这三家的数据不做参考。

整理后的数据如图：

图片：整理后的数据02.png

（再更复杂的分析中，剔除噪音数据并非这么简单，这里是用这个简单的方式说明一下这个操作步骤，大家在操作中要根据自己实际情况进行数据甄别，甄别的过程是非常复杂和繁琐的，如果这一步出错，做出的分析结果的准确性就很难得到保障）

二，做归类

无用的数据剔除之后，接下来我们就是要对现有的数据进行归类处理。

通过图表数据的阅读，我们可以把里面的数据简单的归为三类：交易数据、回复率、行为数据。交易数据这里主要就是包含前三项，一达通和信保；回复率就是询盘回复率的表现数据；行为数据这里主要是指人的行为，访客和季度、月询盘数。归类后如图：

图片：归类后的数据03.png

这三类数据是有区别的，交易数据和回复率我们可以统一称之为“操作数据”或“加权数据”，因为这些数据的控制权基本掌握在我们手里，我们在这部分数据的积累上有较大的主动权。行为数据可以称之为“结果数据”，这部分数据的直接控制权来自于客户行为，我们无法直接去干预，我们只能通过提升“操作数据”的方法去影响这个“结果数据”。我们之前的操作都是为了这个“结果数据”有较好的表现。

数据归类之后，我们开始分析

三，做分析

由于上面拿到的三类数据有两类属于“操作数据”，这两类对“结果数据”只能产生部分影响，这里我们就不关注这两项数据了（在全局分析中，这些局部数据都可以作为一个参数加入到分析的行列）。这里我们只关注结果数据。这里的结果数据中虽然有三组数据，由于其中一项数据缺少时间参数，所以我们可以把三项数据当作两项去分析，季度和月询盘量可以当作一个有效参数，这个时候我们就把数据优化成两类：访客和询盘。当看到这两个数据的时候我们很简单的就会联想到由他们而衍生出来的一个数据：“转化率”，这个数据能够比较真实的反馈平台效果。接下来我们计算出每一组的“转化率”数据如图（按照月度参数计算）：

图片：转化率04.png

从上图可以看出“转化率”排名如下：

H > K > P > A = F > B > D = E > I = O > J > L >N

当然，转化率高并不代表代表一个店铺的表现就是第一名，这个数据只能判断该店铺引流的精准程度（当然如果需要更深入的分析精准度是需要深入到询盘质量和成交转化中去的，这里不做过多介绍）。我们可以观察一下N店铺的转化率，0.43%的数据与其他店铺相比较差距较大，该店铺的访客流量占据第一位，但是反馈数据在该表中与其他几家并列最后一名，该店铺就需要认真的分析访客来源和未转化的原因（这里就牵扯到了其他数据的数据分析，这里不多介绍）。

当然，从数据组中我们一共可以看到这些数据条件，也可以计算出一个数据进行比较。但是这并不太说明什么太多的问题。接下来我们用加入条件的方法来进一步深入分析。这里我加入的数据是店铺的产品”上架产品数量“这个参数。加入数据到图标（实际操作中我们可以加入更多的可参考数据进行数据分析），如图：

图片：加入产品数量条件05.png

从表格中可以看出产品数量过万的有A B J N ，产品数量5000以上的有D I K L O P，产品数量低于5000的有E F H。从阿里规则上来说，店铺产品数量过多，店铺过于臃肿并不太好，但是这并不代表不用去发布产品了，其实我们真正要做到的是产品数量适中，做到全覆盖即可。从以上店铺的产品数量数据表现可以看出来，该行业的产品数量需要大于5000以上，如果低于5000，应该做不到全覆盖，可能会浪费很多流量（这里是从数据表大致得出结论，如要深入分析具体多少产品数量合适，还需要从其他方面进行综合分析）。我们也可以看到低于5000的几个店铺的访客量分别为：4000，7000，9000（里面有P4P引流数据，所以该数据仅作参考，不可作为实际数据参考），这个数据量并不算高，特别是H，访客是最少，产品数量也是最少，但是我们可以发现H的转化率是最高的，我们这里假设，H拥有A的产品数量（覆盖面），保持转化率不变，其他条件随覆盖面递增，这个时候我们可以看到H的数据应该是这样的，如图：

图片：修改数据后转化询盘06.png

当然这是一个理想的假设状态，覆盖，访客，转化这些数据都是的动态的，越是大的数据体量对转化率的控制难度越大，但是不可否认的是，如果产品覆盖能够达到一定程度的话，对访客和询盘转化肯定是有益处的，示例中虽然达不到492条的完美状态，但是询盘数量增加2倍应该还是有保障的。从这些数据的表现我们也可以看到覆盖的重要性（其实覆盖是一个很复杂的事情，并不是咱们想象的那种把产品和关键词上传上去就完事儿的事情，有时间可以跟大家深入交流关于覆盖的问题）。其实这些数据中还有很多可以对比解读的地方，我们今天先这里，以覆盖落幕。

对于具体的业务场景问题，我们该怎么办呢?我们以一个电子商务网站为例，用数据分析产品 GrowingIO 对该网站进行快速地数据采集、清晰和可视化展示，然后给大家分享这 8 种常见的数据分析方法。

1 数字和趋势

看数字、看趋势是最基础展示数据信息的方式。

在数据分析中，我们可以通过直观的数字或趋势图表，迅速了解例如市场的走势、订单的数量、业绩完成的情况等等，从而直观的吸收数据信息，有助于决策的准确性和实时性。

对于电子商务网站，流量是非常重要的指标。

上图中，我们将网站的访问用户量(UV)和页面浏览量(PV)等指标汇汇聚到统一的数据看板(Dashboard)，并且实时更新。

这样的一个数据看板，核心数字和趋势一目了然，对于首席增长官来说一目了然。

2 维度分解

当单一的数字或趋势过于宏观时，我们需要通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。

在选择维度时，需要仔细思考其对于分析结果的影响。

举个例子，当监测到网站流量异常时，可以通过拆分地区、访问来源、设备、浏览器等等维度，发现问题所在。

3 用户分群

针对符合某种特定行为或背景信息的用户，进行归类处理，是我们常常讲到的用户分群(segmentation )的手段。

我们也可以通过提炼某一群用户的特定信息，创建该群体用户的画像。 例如访问购物网站、寄送地址在北京的用户，可以被归类为“北京”用户群体。

而针对“北京”用户群体，我们可以进一步观察他们购买产品的频度、类别、时间，这样我们就创建出该用户群体的画像。

在数据分析中，我们往往针对特定行为、特定背景的用户进行有针对性的用户运营和产品优化，效果会更加明显。

上图中，我们通过 GrowingIO 的用户分群功能将一次促销活动中支付失败的用户挑选出来，然后推送相应的优惠券。

这样精准的营销推广，可以大幅度提高用户支付的意愿和销售金额。

4 转化漏斗

绝大部分商业变现的流程，都可以归纳为漏斗。

漏斗分析是我们最常见的数据分析手段之一，无论是注册转化漏斗，还是电商下单的漏斗。

通过漏斗分析可以从先到后还原用户转化的路径，分析每一个转化节点的效率。　　其中，我们往往关注三个要点：　第一，从开始到结尾，整体的转化效率是多少?　　第二，每一步的转化率是多少?　　第三，哪一步流失最多，原因在什么地方?流失的用户符合哪些特征?

上图中注册流程分为 3 个步骤，总体转化率为45.5%;

也就是说有 1000 个用户来到注册页面，其中 455 个成功完成了注册。

但是我们不难发现第二步的转化率是 56.8% ，显着低于第一步 89.3% 和第三步转化率 89.7%，可以推测第二步注册流程存在问题。

显而易见第二步的提升空间是最大的，投入回报比肯定不低;如果要提高注册转化率，我们应该优先解决第二步。

5 行为轨迹

关注行为轨迹，是为了真实了解用户行为。

数据指标本身往往只是真实情况的抽象，例如，网站分析如果只看访问用户量(UV)和页面访问量(PV)这类指标，断然是无法全面理解用户如何使用你的产品。通过大数据手段，还原用户的行为轨迹，有助于增长团队关注用户的实际体验、发现具体问题，根据用户使用习惯设计产品、投放内容。

上图中展示了一位用户在某电商网站上的详细行为轨迹，从官网到落地页，再到商品详情页，最后又回到官网首页。

网站购买转化率低，以往的业务数据无法告诉你具体的原因;通过分析上面的用户行为轨迹，可以发现一些产品和运营的问题(比如是不是商品不匹配等等)，从而为决策提供依据。

6 留存分析

在人口红利逐渐消褪的时代，留住一个老用户的成本要远远低于获取一个新用户。

每一款产品，每一项服务，都应该核心关注用户的留存，确保做实每一个客户。

我们可以通过数据分析理解留存情况，也可以通过分析用户行为或行为组与回访之间的关联，找到提升留存的方法。

在 LinkedIn，增长团队通过数据发现，如果新用户进来后添加 5 个以上的联系人(上图红色线条)，那么他/她在 LinkedIn 上留存要远远高于那些没有添加联系人(上图绿色和紫色的线条)的留存。

这样，添加联系人称为 LinkedIn 留存新用户的最核心手段之一。除了需要关注整体用户的留存情况之外，市场团队可以关注各个渠道获取用户的留存度，或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等等，这些都是常见的留存分析场景。

7 A/B 测试

A/B 测试用来对比不同产品设计/算法对结果的影响。

产品在上线过程中经常会使用 A/B 测试来测试不同产品或者功能设计的效果，市场和运营可以通过 A/B 测试来完成不同渠道、内容、广告创意的效果评估。

举个例子，我们设计了两种不同的产品交互形式，通过比较实验组(A 组)和对照组(B 组)的访问时长和页面浏览量两个衡量指标，来评估哪一种交互形式更佳。要进行 A/B 测试有两个必备因素：

第一，有足够的时间进行测试;

第二，数据量和数据密度较高。

因为当产品流量不够大的时候，做 A/B 测试得到统计结果是很难的。而像 LinkedIn 这样大体量的公司，每天可以同时进行上千个 A/B 测试。所以 A/B 测试往往在公司数据规模较大时使用会更加精准，更快得到统计的结果。

8 数学建模

当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数学建模、数据挖掘的手段进行建模，预测该商业结果的产生。

作为一家 SaaS 企业，当我们需要预测判断客户的流失时，可以通过用户的行为数据、公司信息、用户画像等数据建立流失模型。

利用统计学的方式进行一些组合和权重计算，从而得知用户满足哪些行为之后流失的可能性会更高。

我们常常说，不能度量，就无法增长，数据分析对于企业商业价值的提升有着至关重要的作用。

当然，仅仅掌握单纯的理论还远远不够，实践出真知。数据分析的方法大家不妨在自己日常工作中，有分析相关项目里尝试使用，相信可以事半功倍，创造更多商业价值。

我是企业文化从心开始，20余年职场历练，高级企业文化师，中国首届企业自媒体大会优秀总编，中国内刊协会优秀内刊主编。欢迎关注、点赞、评论、转发、收藏、交流！

时代在发展，信息在进步，目前，许多企业对数据分析的作用已经有了更深刻的认识，那么做好数据分析工作，从企业文化的角度来看，应该把握哪四个要点呢？

1、随着信息技术的高速发展，数据分析为企业决策提供了有力的支撑。

众所周知，随着信息技术的高速发展，数据分析的技术条件不断成熟，各类软件的开发和使用已经不再是价格高昂、可望而不可及了。特别是通过数据库、数据软件的使用，已经可以极大的方便各类情况的统计、汇总、分析、运用，节约了领导分析情况的时间，提升了领导做出科学决策的全面性、实时性、针对性和有效性，已经成为信息时代的一个重要工具。从企业文化的角度来说，应该通过各种宣传、培训等方式，在企业内部大力营造学习信息技术、运用信息技术的良好氛围。

2、数据分析掌握在人的手中，首先要搞定人这个关键。

做好数据分析，首先要做好人的工作。因为数据分析相较于传统的分析方式虽然有许多的优点，但对于一些年龄较大或者运用传统方法熟练的领导来说，需要他们放下已经得心应手的方法，重新学习新的信息技术知识，对他们的思想和学习能力是一个考验。同时，各类数据的统计、汇总、分析均依赖于最基础的数据来源，对于每个终端数据的提供和录入人员来说，既可能大幅增加了他们的工作量，也可能会影响他们与上级沟通、交流的话语权，是否能够获得他们的支持是数据分析可否真正发挥作用的关键点。从企业文化的角度来说，应通过典型树立、问题剖析、成果分享等方式，不断地提升大家对信息数据的认识程度，强化大家积极学习、主动运用、沟通协作的意识。

3、数据分析只有更好地服务业务发展，才会有生命力。

做数据分析工作，最容易出现的一个问题是为分析而分析，为统计而统计，最终成为形而上学的数据，无法为生产经营和业务发展服务。从数据分析工作开始的第一天起，就必须强化全体人员数据分析应为生产经营和业务发展服务的意识。比如说成本控制，以往，许多企业的采购、物流、储存、生产、销售都依靠人工来处理，不仅速度慢，而且错误多。而通过大数据库建设，可以全过程的录入、比对、控制相关数据，实现信息数字化、数据实时化，通过将成本控制所涉及的从原料采购到产品生产、运输、储存、销售（部分可能包括回收、报废）等各环节有机结合起来，形成一个闭合的环，为成本控制提供可靠的数字化的依据。并以此为基础，通过数据分析不断优化，从而达到一个相对合理的平衡状态，最终实现有效控制成本的目的。

4、数据分析运用应小步快跑，持续为公司创造价值。

对数据分析运用来说，企业的日常生产经营都可以实施数据分析，但人的精力是有限的，数据分析这个团队的精力也是有限的。必须根据企业生产经营的总体规划，首先进行全面的摸排、梳理，确定企业目前最需要改善、通过数据分析可以实现改善的项目。在项目确定后，数据分析团队应进行充分的现场沟通了解与现状分析，再形成具体的方案，包括目前现状、准备采取的措施、需要公司支持的资源、预期的时间及效果等内容，报公司领导批准后，再正式实施。在这个项目的数据分析运用取得成功之后，再进行第二个项目的实施。在取得一批项目的成功实施后，再组织专题讨论研究会，梳理成功的经验与存在的问题，以及公司目前可以实施数据分析、以改善工作的具体项目，提出可行性的建议，请与会成员集中研究，最终报公司领导批准后实施。

如此，数据分析通过一次次为企业解决问题、创造价值，不断强化大家对数据分析的正面评价与正向认知，在不断积累经验的基础上，培养人才，营造氛围，从而更好地融入业务工作、服务业务工作，推进生产经营。

（图片来源自网络，版权属于原作者，如有侵权，请联系本人，以便及时删除处理）

我是企业文化从心开始，坚持原创，支持原创，如果您有关于企业文化的相关问题，欢迎关注、评论、留言、交流！

本文主要讲述数据挖掘分析领域中，最常用的四种数据分析方法：描述型分析、诊断型分析、预测型分析和指令型分析。

当刚涉足数据挖掘分析领域的分析师被问及，数据挖掘分析人员最重要的能力是什么时，他们给出了五花八门的答案。

其实我想告诉他们的是，数据挖掘分析领域最重要的能力是：能够将数据转化为非专业人士也能够清楚理解的有意义的见解。

使用一些工具来帮助大家更好的理解数据分析在挖掘数据价值方面的重要性，是十分有必要的。其中的一个工具，叫做四维分析法。

简单地来说，分析可被划分为4种关键方法。

下面会详细介绍这四种方法。

1. 描述型分析：发生了什么？

这是最常见的分析方法。在业务中，这种方法向数据分析师提供了重要指标和业务的衡量方法。

例如，每月的营收和损失账单。数据分析师可以通过这些账单，获取大量的客户数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。

2. 诊断型分析：为什么会发生？

描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。

良好设计的BI dashboard能够整合：按照时间序列进行数据读入、特征过滤和钻取数据等功能，以便更好的分析数据。

3. 预测型分析：可能发生什么？

预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。

预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。

在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。

4. 指令型分析：需要做什么？

数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。

例如，交通规划分析考量了每条路线的距离、每条线路的行驶速度、以及目前的交通管制等方面因素，来帮助选择最好的回家路线。

结论

最后需要说明，每一种分析方法都对业务分析具有很大的帮助，同时也应用在数据分析的各个方面。

原文链接：http://kdnuggets/2017/07/4-types-data-analytics.html

转载请注明出自：葡萄城控件

关于葡萄城

葡萄城是全球控件行业领导者，世界领先的企业应用定制工具、企业报表和商业智能解决方案提供商，为超过75%的全球财富500强企业提供服务。

1.什么是数据分析？

数据分析的目的是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律。在实际工作中，数据分析能够帮助管理者进行判断和决策，以便采取适当策略与行动。比如：企业的高管希望通过市场分析和研究，把握当前产品的市场动向，从而制定合理的产品研发和销售计划，这就必须依赖数据分析才能够完成。

简单的说，就是对数据进行分析，比较专业的说法是，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，未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。以求最大化地开发数据的功能，发挥数据的作用。

数据分析包含“数据”和“分析”两个方面一方面包括加工和整理数据，另一方面也包括分析数据，从中提取有价值的信息并形成对业务有帮助的结论。

数据分析的成果通常以分析报告的形式呈现。对于数据分析报告，分析就是论点，数据就是论据，两者缺一不可。

2.数据分析类别

其中，探索性数据分析侧重于在数据中发现新的特征，而验证性数据分析则侧重于验证已有假设的真伪证明。

数据分析的划分：描述性数据分析、探索性数据分析、验证性数据分析。

1）描述性数据分析：属于初级数据分析，常见的分析方法有对比分析法、平均分析法、交叉分析法。

2）探索性数据分析：侧重于再数据之中发现新的特征

3）验证性数据分析：侧重于验证已有假设的真伪证明

其中探索性数据分析和验证性数据分析属于高级数据分析，常见的分析方法有相关分析、因子分析、回归分析等等。

3.数据分析的作用

数据分析在日常企业运营中主要有三大作用：

1.现状分析

简单的说就是告诉你过去发生了什么。

具体表现在：

第一，告诉你企业现阶段的整体运营情况，通过各个经营指标的完成情况来衡量企业的运营状态，以说明企业整体运营是更好了还是坏了，好的程度是如何，坏的程度又到哪里。

第二，告诉你企业各项业务的构成，让你了解企业各项业务的发展及变动情况，对企业经营状况有更深入的了解。

现状分析一般通过日常通报来完成，如日报、周报、月报等形式。

2.原因分析

简单的说就是告诉你某一现状为什么发生。经过第一阶段的现状分析，我们对企业的运营情况有了一个基本的了解，但是不知道运营情况具体好在哪里，差在哪里，是什么原因引起的。这时候我们就需要开展原因分析，以进一步确定业务变动的具体原因。

原因分析一般通过专题分析来完成，根据企业运营情况选择针对某一现状进行原因分析。

3.预测分析

简单来说就是告诉你将来会发生什么。

在了解企业运营现状后，有时候还需要对企业未来发展趋势做出预测，为企业制定经营目标以及提供有效的策略参考与决策依据，以确保企业的可持续健康发展。

预测分析一般通过专题分析来完成，通常在制定企业季度、年度等计划时进行，其开展的频率没有现状分析及原因分析高。

什么时候开展什么样的数据分析，需要根据自身的需求及目的来确定。

分享 IT 技术和行业经验，请关注-技术学派。

道家强调四个字，叫“道、法、术、器”。

层次区别：

“器”是指物品或工具，在数据分析领域指的就是数据分析的产品或工具，“工欲善其事，必先利其器”；

“术”是指操作技术，是技能的高低、效率的高下，如对分析工具使用的技术（比如用Excel进行数据分析的水平）；

“法”是指选择的方法，有句话说“选择比努力重要”；

“道”是指方向，是指导思想，是战略。

在数据分析和产品、运营优化方面，数据分析方法是其核心，属于“法”和“术”的层次。

那么如何做好数据分析呢，今天我们来讲讲互联网运营中的十大数据分析方法。

01 细分分析

细分分析是分析的基础，单一维度下的指标数据的信息价值很低。

细分方法可以分为两类， 一类逐步分析， 比如：来北京市的访客可分为朝阳，海淀等区； 另一类是维度交叉， 如：来自付费SEM的新访客。

细分用于解决所有问题。

比如漏斗转化，实际上就是把转化过程按照步骤进行细分，流量渠道的分析和评估也需要大量用到细分的方法。

02 对比分析

对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值， 通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。

常见的对比方法包括： 时间对比，空间对比，标准对比。

时间对比有三种： 同比，环比，定基比。

例如： 本周和上周进行对比就是环比；本月第一周和上月第一周对比就是同比；所有数据同今年的第一周对比则为定基比。通过三种方式，可以分析业务增长水平，速度等信息。

03 漏斗分析

转化漏斗分析是业务分析的基本模型， 最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。

漏斗帮助我们解决两方面的问题：

在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。

在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。

04 同期群分析

同期群（cohort）分析在数据运营领域十分重要，互联网运营特别需要仔细洞察留存情况。 通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。

同期群分析深受欢迎的重要原因是十分简单，但却十分直观。 同期群只用简单的一个图表，直接描述了用户在一段时间周期（甚至是整个LTV）的留存或流失变化情况。

以前留存分析只要用户有回访即定义为留存，这会导致留存指标虚高。

05 聚类分析

聚类分析具有简单，直观的特征， 网站分析中的聚类主要分为：用户，页面或内容，来源。

用户聚类主要体现为用户分群，用户标签法；页面聚类则主要是相似，相关页面分组法；来源聚类主要包括渠道，关键词等。

例如： 在页面分析中，经常存在带？参数的页面。 比如： 资讯详情页面，商品页面等，都属于同一类页面。简单的分析容易造成跳出率，退出率等指标不准确的问题，通过聚类分析可以获取同类页面的准确数据用于分析场景。

06 AB测试

增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。 快速验证，那如何验证呢？主要方法就是AB测试。

比如： 你发现漏斗转化中中间有漏洞，假设一定是商品价格问题导致了流失，你看到了问题-漏斗，也想出了主意-改变定价。但主意是否正确，要看真实的用户反应，于是采用AB测试，一部分用户还是看到老价格，一部分用户看到新价格，若你的主意真的管用，新价格就应该有更好的转化，若真如此，新价格就应该确定下来，如此反复优化。

07 埋点分析

只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。

通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，即可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为。

如： 重度交互（注册，邀请好友等）和交易事件（加购物车，下订单等）则通过SDK批量埋点的方式来实施。

08 来源分析

流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。

传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。

09 用户分析

用户分析是互联网运营的核心， 常用的分析方法包括：活跃分析，留存分析，用户分群，用户画像，用户细查等。

可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标；通过用户行为事件序列，用户属性进行分群，观察分群用户的访问，浏览，注册，互动，交易等行为，从而真正把握不同用户类型的特点，提供有针对性的产品和服务。

用户画像基于自动标签系统将用户完整的画像描绘清晰，更有力的支撑运营决策。

10 表单分析

填写表单是每个平台与用户交互的必备环节，优秀的表单设计，对转化率的提升起到重要作用。

用户从进入表单页面之时起，就产生了微漏斗，从进入总人数到最终完成并成功提交表单人数，这个过程之中，有多少人开始填写表单，填写表单时，遇到了什么困难导致无法完成表单，都影响最终的转化效果。

以上是常见的数据分析方法，更多应用方法需要根据业务场景灵活应用。

一、方案背景

客户至上，我们都希望服务好我们的客户群，同时能够最大程度地发挥客户价值。

所以当你上线了新的产品，当你希望二次推广，当你准备结合政策或热点做营销驱动业务增长，你都希望能让你的客户能够进行消费。

所以你准备了完美的产品或营销发布计划，内容、设计、主题、号召性用语、各方面渠道运营都很完美，消息覆盖面多达3W个客户。你美滋滋地期待能够有”10%“的转化，一天内至少3000个客户产生感兴趣或者直接购买的行为。

一小时、两小时、一天、两天、三天过去了，只有300多个客户好像感兴趣来联系了公司。

非常让人失望，不是吗？更何况我们不管是电商、零售、直销或B2B，我们不是都有专门的营销团队去做市场营销，去设计专业的文案。

为什么？因为不同的客户对消息会有不同的反应，有些客户对价格敏感，有些客户对新品感到兴奋，有些客户只有基本需求。

我们不需要向所有客户群体进行邀请，只需要对其中可能不到20%的目标优质客户下手就能事半功倍。

很明显，这就是我们要进行客户管理数据分析的原因，我们希望了解我们的客户，以便我们投放的资源是合理的。

因此我们提供了一个客户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客户管理的基础数据信息，同时识别最佳客户，学习客户管理里最通用的RFM客户价值管理模型，掌握客户流失、客户行为分析等综合分析，进一步体会到客户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客户管理数据分析的模板。

二、方案内容

本方案将给大家着重分享以下企业客户管理数据分析方面的内容干货：

1.如何快速搭建客户管理数据分析平台？

2.如何让业务部门人员直接基于客户数据快速完成客户基础数据分析？

3.如何让业务部门人员直接基于客户数据快速完成识别最佳客户？

4.如何让业务领导直接基于客户数据快速完成即席数据分析？

5.如何让企业客户管理数据分析成果实现团队协作共享？

三、方案效果及实现说明

1.如何快速搭建客户管理数据分析平台？

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。然后添加客户管理业务包，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客户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，我们在客户管理业务包中添加好客户基础信息表、消费记录表、消费产品信息表、客户登记表（会员等级），以及进步处理得到的交易RFM交易明细表，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客户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客户数据快速完成客户基础数据分析？

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。

以客户基础信息为例，这里的客户是to C的零售客户信息，其它行业的客户基础数据信息同理。右下角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，可以通过一张明细表先把客户的基础属性拖拉出来，然后再针对其中的年龄、性别、职业、籍贯等我们更关心的一些客户具体属性做进一步分布、组成和对比分析，可以得到客户群体的基础属性全貌。

我们还希望研究当前我们客户当前的客户关系，如重要/不重要客户的分布及组成占比。一般重要/不重要的客户定义可以通过我们对客户打标签，比如对于金融机构而言，认为贡献金额大于1000万的为重要客户，我们更为关心。

3.如何让业务部门人员直接基于客户数据快速完成识别最佳客户？

a.客户行为分析

我们从客户日常的购物行为数据中，可以去对客户偏好的店面风格、偏好时间、偏好品类、偏好品牌、偏好地点去做进一步探究，以便于我们在采购或者营销时可以采取最佳的资源配置。其它企业同理，对于频繁发生商务行为的顾客，可以对该顾客的偏好进行分析，以对该类顾客针对性采取营销或者运营措施。

b.客户价值分析（RFM客户价值模型）

FineBI支持接洽各种的业务分析模型。这里是客户管理中最经典的RFM客户价值模型，是客户留存分析、客户流失分析、重点价值分析、客户行为分析的综合应用。利用RFM模型对客户进行细分的结果，可以开发出许多可视化数据分析模板，来通过一张相当经典的DashBoard来简要分析下RFM模型的具体应用。

1.矩形树图-客户价值分类：是整个RFM模型的核心，直观显示了8个客户群的人数及占比，可以联动到其它组件来查看具体某客户群下的情况。

2.试管型仪表盘-客户类型人数：显示各客户类型的具体人数

3.饼图-交易金额组成：由于我们最关心的是各客户群的价值贡献，所以研究不同人群的交易金额占比，可以得到哪个人群的贡献值较大，对于我们的价值更大。

4.点图-MF-R分布：横坐标为F交易频率，纵坐标为M交易金额，点大小为R上次交易间隔。通过MF分布来直观看到客户的消费能力分布，进而通过R的大小来锁定哪些客户更为忠诚。

5.点图-RF-M分布：横坐标为F交易频率，纵坐标为R上次交易间隔，点大小为M交易金额。通过RF分布来直观看到客户的消费异动情况，进而通过M的大小来判断哪些客户更有必要挽回。

6.点图-MR-F分布：横坐标为M交易金额，纵坐标为R上次交易间隔，点大小为F交易频率。通过MR分布来直观看到客户的消费潜能情况，进而通过F的大小来挖掘更有价值的客户。

7.分组表-交易明细：显示各客户类型下的客户交易明细。

这个DashBoard可以快速锁定我们关心的客户群体，确定他们的具体特征及名单。最后只要根据这个分析的结果来采取针对性的业务决策。

具体关于RFM模型的详细介绍可以参见这篇文章：《手把手教你搭建，RFM客户价值分析模型》

4.如何让业务领导直接基于客户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客户管理数据分析之外，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.如何让企业客户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是如何帮助企业将客户管理数据分析成果实现团队协作共享的呢？

以上文所述的RFM模型分析为例，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销售的leader，那么可以在FineBI的仪表板中将做好的RFM模型分析模板点击分享给对应销售部的saleLeader，然后点击确定即可。这样一来，对应的Lisa登录之后就完全能够使用该模板。

关于客户管理的分析以上只是举了一个案例，告诉大家怎样去通过BI工具分析，具体的实操，大家可以尝试下。