中企动力 > 商学院 > 数据分析报告ppt
  • ?

    「零一」《从0开始,教你做数据分析》—01篇

    Letitia

    展开

    大家好,我是零一,今天开始给大家带来基础系列教程

    本系列文章适合以下情况的读者:

    1丶淘宝店铺运营或者店长,目前还不会做数据分析,渴望提升自己

    2丶打算在淘宝开店的朋友,目前尚在混派代学习中

    3丶其他对数据分析感兴趣的朋友,尚在入门阶段

    本文是第一篇会比较基础,涉及的概念也少,旨在让读者动手了解工具。

    我们直奔主题

    数据分析的概念必须搞清楚。简单点说,数据分析是将数据进行清洗后,把隐藏在数据背后的信息提炼出来。

    另外,值得一说的是,数据分析是获取新知识的新途径。

    下面看一下菜鸟跟数据分析师的区别,引自《谁说菜鸟不会数据分析》一书

    可以看出来,专业一点的数据玩家的思路会非常清晰,而且会以目的为导向,建议大家参考分析师的思路。

    数据分析的过程已经有非常多的前人做出了总结,我还是引用书中的结果

    分别是,明确分析目的和内容——数据收集——数据处理——数据分析——数据展现——报告撰写

    做任何事情都要有目的,做数据分析也不例外,而且明确目的在数据分析里面上升到了一个非常重要的高度,甚至决定了你后面所做的一切有没有价值。

    做数据分析必须运用工具,没有工具几乎无从开展,大家看下一般数据分析有哪些工具

    可以看到,底层是数据库,在数据量大的情况下,需要动用到数据库。

    报告层是Crystal Reports(动态和可操作的报表,没用过)

    分析层是分析的工具,从左到右分别是Excel(Office套装里面的一员,据说可以和SAS媲美的数据工具之一),UCINET(社会网络关系分析,没用过),SAS(最古老最专业的数据分析工具),SPSS(IBM的工具,以简单易用闻名),clementine(已经被IBM收购属于SPSS系列)

    最后是表现层,也就是做报告的一系列工具,我只接触过PPT和水晶易表,一般会用PPT就可以了。

    接下来讲的数据分析,选择的是大家比较熟悉的Excel,Excel做深入分析的时候比较麻烦也有局限性,但就上手指数来说,Excel是排第一的。数据量在一百万条以内是足够的了。

    我选用的版本是Excel 2010

    第一步,我们要明确分析的目的和内容。因为是实例,我假设

    目的:了解淘宝美容行业的市场情况

    内容:1丶行业分析,2丶属性分析(采用折线图和饼图直观反映行业趋势和容量)

    第二步,数据收集,一般手动收集,也可以用工具收集。

    这里提供工具给大家做练习。提供的是仅支持美容大类的版本,运行环境,excel2010/2013,32位xp/WIN 7,假如没有生e经,那没关系,下面用到的数据源一样会共享给大家,拿着数据源就可以一步一步跟着操作。

    数据来源:生e经(必须有开通生e经,并能查看相应行业数据)

    数据宽度:21(月)

    因为生e经按月展示数据,因此这里的数据宽度,就是月份数。

    打开表格,然后,按下列图片次序操作

    自己登陆生e经复制生e经的地址进来。登陆好,就把窗口关闭即可。其中c2代表服务器编号是2。

    选择正确的服务器编号才能正常抓取。

    选择好后,点开始抓取数据

    耐心等待(等待时间和抓取的月份丶网速有关系),会在excel中出现结果,那么可以把这些数据复制到我们的另一个工作簿上,也可以导出为csv格式。

    导出的文件可以保持在本地,方便下次提取。

    第三步:数据处理,简单举例,可以跟着做。

    做下简单的处理,这里提取年份使用这个公式:=LEFT(E2,4),提取月份使用这个公式:=RIGHT(E2,2),然后填充。如下图所示,鼠标移到单元格的右下角位置,会出现个黑色小方形,鼠标也会变成黑色的十字架,双击即可填充。

    接着,我们插入数据透视表,鼠标点一下我们的数据,任意一个单元格都可以,只要在数据范围内,如图,我点在F10单元格。

    点数据透视表,会自动匹配整个数据框。我们点确定即可。

    点确定后,效果如下图所示

    用鼠标,将字段拉到下面的相应位置即可

    第四步:数据分析

    我们现在就已经完成了数据透视表,通过这个透视表,就可以比较直观的对比各行业间的差异,但是都是数字,不免有些晕,或许用图表来展示会更加直观

    点一下数据透视表,然后点插入——折线图,这里选择第一个样式即可(其他样式可以自己尝试)

    结果如图所示

    发现面膜/面膜粉的走势好像不错。

    接着,我想看一下各行业的容量占比,重点看下面膜/面膜粉这个行业占比多少,就以2013年的数据来统计占比。还是插入数据透视表,先设置好字段,然后再选择2013.

    接着,插入饼图

    结果如图所示

    这里看不到占比,而且也不知道哪个行业,这就需要我们设置一下图表。右击图表——添加数据标签

    出现标签后,我们再右击一下标签,设置数据系列格式

    按下图红框设置即可

    然后改下标题,稍微把图表的尺寸拖大一点

    这样,就比较直观了,面膜/面膜粉在2013年1-9月份中,销量占了整个美容护肤行业的16%。那么我想再仔细看看面膜/面膜粉行业的销量走势。依然先插入并设计数据透视表。

    然后,插入折线图

    结果如下图所示

    两年的销量走势对比,可以看出2013年比2012年增长了不少。增长需要涉及到环比增长和同比增长两个概念,今天先不讲。我们通过目测就已经看出来,今年比去年火,但是这个结论还不是最终结论,只是简单建立在数据层面的初步结论,还要通过淘宝去验证,搞清楚销量的增长是来自哪里。假设是某几家品牌促销的结果,那么这个数据对于我们而言,意义就不一样了。或许我们自己是这个行业的一个品牌商,则需要把后面的分析重点转移到研究这几家品牌的营销研究上面来,弄清楚对手究竟如何改变了这个市场。

    属性分析里面包含了SKU,操作方法跟上面类似,这里就不演示了。

    第四步:数据展现

    把我们以上得到的结果,进一步优化,更加直观丶有序地展现出来。

    第五步:撰写报告(非商业严谨报告,以实用为主)

    把所看到的,所想到的,通过文字的方式记录下来,方便自己或者他人阅读,了解我们的分析思路。

  • ?

    年终将至,教你做一份让领导眼前一亮的可视化报告!

    外星人

    展开

    又到了写年终报告的时候,相信大多数人最近都在找模板,梳理工作指标,做PPT吧。

    过去一年成绩无论好坏都已定性,但年终报告作为年底展示成绩和价值的机会,关乎到能否给明年的自己“卖上一个好价钱”。关键年终报告是一拍板子的事,直接关乎到年终奖和升职加薪。

    如何给年终报告贴金?

    报告的内容,不同岗位各有不同。财务、销售、生产、供应链等业务岗尤其是管理岗,少不了数据、指标的呈现。 相较于传统密密麻麻的表格汇报形式,可视化的图表能更加直观的呈现业务状况。如果能结合数据分析对业务指标数据做一个全面的分析,并提出可行性决策,相信领导一定眼前一亮。

    其实,这也是大部分专业咨询人士惯用的一套。

    如何确保信息准确的同时,让人一目了然,甚至眼前一亮?

    “好图胜眼前,擅用可视化”本文将分享如何用可视化来做工作数据汇报。

    全文干货很多,建议收藏后慢慢品读,对日常工作分析和汇报大有裨益!

    目录大纲:

    技能:学做一份可视化报告分析:对关键业务指标分析汇报:报告的展现与美化技能:学做一份可视化报告

    能制作可视化报告的方式有千千万。如果Excel驾轻就熟的话,结合VBA能玩出很多花来。如果会Python,手握matplotlib可视化包能打天下。但有人说我这些技能都不熟,那不妨用简单易用的BI工具来做可视化报告,而且BI本身就是一个简单强大的数据分析工具,专业做可视化分析报告的。

    这里以FineBI工具制作可视化为例:

    1、数据分析的操作流程

    一个完整的数据分析都需要经历数据获取、数据预处理、数据分析与建模、可视化分析及报告撰写的过程。FineBI的操作也是这样来分的:数据连接——数据准备——可视化分析——仪表板驾驶舱——分享仪表板等。

    官网安装好合适的版本,成功激活,设置初始账号密码后,会跳转到这个web页面。

    左侧是导航栏,类似于菜单栏。目录类似首页,展现已完成的分析报告,这里默认展现官方的内置demo。数据准备是连接数据、准备数据,以及对数据进行再加工处理的地方,可进行业务包、数据表、关联、多路径、数据更新、自助数据集等管理。仪表板即创建可视化分析。管理系统即对整个数据决策系统进行管理的地方,包括目录的设置、外观设置、数据、报表、分享权限等管理配置。创建是提供给用户快捷新建数据连接、添加数据库表、添加SQL数据集、添加EXCEL数据集、添加自助数据集、新建仪表板的地方。

    2、连接/导入数据

    制作数据报告,第一步是导入数据。FineBI能从很多种数据源导入数据:如Excel,CSV,XML,以及各类数据库SQL Server,Oracle,My SQL等。最常用的方式是连接数据库和导入excel数据。以导入Excel为例:

    第一步:数据准备—添加业务包,点击添加表,新建excel数据集,将Excel数据导入。

    就得到如下的数据明细,至此,数据导入成功。

    3、处理数据

    拿到的数据要做一些处理,比如空缺值、重复数据,新建字段,比如环比同比平均值汇总值等等。就是丢原数据进行再加工处理的过程,处理好的数据才能用来分析,否则分析无意义。

    4、可视化分析

    到这里数据准备好了,接下来开始正式分析。

    随便拿了一份数据做示例,这份数据是我从网上当下来的,也是刚刚导入的一份数据。展示了1945年——2015年登陆我国的台风信息,包括时间、登陆省市以及台风强度。

    那么我们可以汇总统计下历年来台风最常光顾的省份和城市有哪些,一年中哪个时间段是台风频发日,以及台风强度分布。

    ① 新建仪表板,即我们说的可视化报告、dashboard,叫法很多。

    ② 新建可视化组件,添加刚刚导入的数据集。(图表、查询筛选框等都叫组件,是finebi仪表板的组成元素。)

    分析各年度登陆我国的台风数量

    添加完数据集会进入到这个分析界面。拖拽要分析的字段(记录数—统计台风数量的指标,登陆时间——这里只展示年份这个维度)

    这里要注意,源数据表中一个台风有多行记录,那是因为台风可能同时登陆两个区域,记录了两条信息,所以记录数要依赖CMA编号统计(记录数右侧小三角下拉),以免重复。

    其次,这里又添加了一个统计每年台风平均数的指标。

    最后再对次图表稍加美化,通常在图形属性和组件样式中:

    ① 修改线条颜色:图形属性—颜色

    ② 修改连线为平滑曲线,并且可调整有无标记点

    ③ 修改该组件标题:组件样式—标题,可调整字体样式

    最终得到如下成图:

    能明显感觉到登陆我国的台风呈现一个2~4年的波动变化,且2000年以来,直击我国的台风整体数量有略微下降。

    具体分析成什么样,大家根据自己的分析目标来,这里只是做一个操作演示。

    5、可视化报告

    图表分析组件完成之后,就是构建可视化报告(dashboard)了。

    仪表盘样式中有预设的模板可以直接套用,以下是我随便套用的一个模板,根据模板的风格,后面调整了每个图表的样式和配色。好不好看全看个人审美了。

    以上就是用FineBI做一个可视化分析的流程,关于报告的美化下文还会再讲。

    分析:对关键业务指标分析

    一般年度汇报业务会分析哪些核心指标呢?大体可以分为下面6类:

    数据合计分析发展趋势分析数据对比分析组成结构分析达成进度分析影响因素分析以财务版块为例:

    1、数据合计分析

    数据总计分析通常用于统计业务板块下领导最为关心的关键核心指标,例如财务就是年度营业收入、年度消耗成本、年度净利润。

    如下图所示,我们通过仪表盘组件统计出企业的年度营收总额、年度消耗成本、以及净利润这三个核心指标,同时将仪表盘的区间最大值设置为营收总额2.78亿,开启FineBI中显示百分比功能,如此,消耗成本占比以及利润率这两个指标也迎面而至了。通过仪表盘的数据合计分析功能,将领导和决策者最为关心的企业核心指标直接呈现出来,年度营收状况一目了然。

    2、发展趋势分析

    发展趋势分析通常用于直观比较某一连续区间内的数据走向,用于明年计划的预判。比如销售额预测,财务比率走势。如财务,一方面可以分析数据增减变化是否存在异常,发现企业可能存在的问题;另一方面还可以帮助企业预测未来财务状况,判断企业的发展前景。

    此类直接呈现企业发展趋势的图表,一般可使用折线图进行分析统计,用横轴表示时间(年、月、日),纵轴表示如营业收入、成本支出、利润率等指标再合适不过了。如下图所示,左值轴统计出每年营业收入和成本支出的走势,右值轴统计出每年的利润率走势情况。

    3、数据对比分析

    数据有对比才有价值,单个孤零零的数据无法判断好坏。一般来说,对比分析的参照标准有如下四个方面:

    1.时间比较:与上期、去年同期实际数据进行比较

    2.实体比较:与同行业先进企业或痛行业其他企业数据进行比较

    3.口径比较:与计划或预算数据线相比较

    4.结构比较:在构成分析的基础上比较两个数据的构成,分析财务指标的变化

    我们再做对比分析时,比较数据的大小,通常推荐使用柱状图、条形图,当进行数据结构比较时通常推荐使用累积柱形图、累积条形图进行数据对比分析。除此之外,还可以根据分析的具体情况使用其他图表,比如通过折线图的高低连线来表现几个公司的库存最高最低和库存的对比。

    4、组成结构分析

    组成结构分析方法通常可用于对象中各项目组成元素进行数据分析,例如各产品的销售组成分析、流动资产组成分析、各部门管理费用组成分析。表示数据结构组成,图表方面通常可使用饼图、圆环图和百分比堆积条形图、百分比堆积柱状图进行元素组成分析;元素组成表示数值大小,通常可以使用堆积条形图、堆积柱状图等。

    5、达成进度分析

    需要展现某项指标或者某项任务的达成进度,比如部门业绩完成情况、申报费用进度等。为了更加直观地展示各项指标和任务的进度,我们一般可以通过堆积柱形图、堆积条形图、甘特图来展示数据进展情况。

    6、影响因素分析

    对于分析财务数据时,数据的影响因素主要有两种不同的指代含义:

    1.因素分析法,比如影响销售收入的价差、量差;

    2.某一指标到另一指标的各种累积影响;

    类似分析此类多渠道影响因素数据时,瀑布图无疑是最佳的选择,能够快速将数据进行差异化统计,同时对数据进行累积统计。

    以上是做简单的数据汇报时,一些数据展现的常用方法。教大家拿到数据用什么角度分析,用什么图表来呈现。

    汇报:报告的展现与美化

    知道拿到数据怎么分析,用什么工具分析,最后要考虑如何把可视化报告做得漂亮。

    这个在FineBI做可视化的技能里提到,这里主要讲一下美化和排版。

    1、指标展现

    假设要做如上图所示的一个可视化dashboard,首要考虑的是,那么多指标,我应该考虑放那些?

    一般而言,你的汇报一定会有明确的主题,比如“地产公司销售报告”。针对这种主题明确的可视化,推荐给大家一个非常好用的套路——多维度拆解北极星指标法。

    第一步:确定一个北极星指标。如销售汇报,你的销售总额一定是最重要的吧,这就是主题。

    第二步:多维度拆解北极星指标。把你的销售额情况分解。

    从时间的维度。每个季度每个月的销售额情况是如何,销售额特别高的时间段,原因是什么,做了哪些措施?

    从地理维度。各大区域销售额情况如何?可以做个排名情况。

    从计划维度。和年初定的计划相比,差了多少?

    从占比维度。各个产品占的销售额多少,哪些是带来贡献最多的明星产品。

    2、布局

    布局的目的是为了让业务指标和数据合理地展现。由于往往展现的是一个全局的业务,一般分为主要指标和次要指标两个层次,主要指标反映核心业务,次要指标用于进一步阐述分析。所以在制作时给予不一样的侧重。

    这里推荐几种常见的版式。

    上面几个版式不是金科定律,只是通常推荐的主次分布版式,能让信息一目了然。实际情况中,不一定使用主次分布,也可以使用平均分布,或者可以二者结合进行适当调整。比如下图所示,指标很多很多,存在多个层级的,就根据上面所说的基本原则进行一些微调,效果会很好。

    3、配色

    合理的布局能让内容更富有层次,合理的配色能让观看者更舒适。配色的学问很复杂,主要看个人审美。色系选择尽量不要超过三个,避免太过亮眼的颜色,比如紫红色,亮绿色,柠檬黄等。无论是哪一个,都遵从两点基本原则:色调统一和一致性。

    实在不会配色,FineBI内置了配好的颜色,一键调用。

    最后,离月底还剩10天,还不赶紧用BI来做个分析?

  • ?

    数据分析在企业管理中的应用

    书南

    展开

    过去的2018年,苏炳添无疑是中国体育最耀眼的明星之一。第18届亚运会,中国短跑名将苏炳添(以下称为苏)以个人第二好成绩9秒92强势夺冠,苏是中国乃至亚洲最优秀的短跑运动员,但相比退役的牙买加“闪电侠”博尔特的最好成绩9秒58仍相距明显。苏百米平均步伐约2.1米,博尔特的平均步伐约2.4米,虽苏起跑反应速度和爆发力均是世界一流甚至略胜博尔特,但身高的限定(苏的身高1.72米,而博尔特身高1米96),要想增加单步的长度几乎是不可能,最终苏100米需要比博尔特要多跑6至7步。换言之,苏要想2020年东京奥运夺牌,须更精细化地分配体能和调整手臂的摆幅等,为极限地提升频率寻求技术瓶颈突破口。

    珠宝店被盗,警察问4名嫌疑人,甲说“不是我”,乙说“是丁偷的”,丙说“丁没偷”,丁说“肯定是乙,”4个人里面只有一人说了实话,试问,珠宝是谁偷的?答案是“甲偷的”。为什么?因为四个人里只有一人说了真话,乙与丙两人说了相反的一句话,那么其中有一人肯定是真,另一人肯定是假。暂且不管这两人谁真谁假,可断定另外两人说的肯定全是假的,所以结论是甲。这就是逻辑数字分析的魅力。

    什么是数据分析?数据分析有什么应用与效益?笔者结合多年的管理咨询经验谈谈自己的见解,并以文字形式呈现,除了完成学习任务之外,也为促进数据管理尽一份力。

    一、数据分析的目的与效益

    数据分析,是指用恰当的统计方法对收集的资料进行分析,以达到最大化地开发数据资料的功能,发挥数据的作用。为了提取有用信息和形成相应的结论而对数据加以详细研究、解读和概括总结的系列过程。

    数据是管理的媒介。纯粹的数据并没有太大的意义,我们先得清楚数据受众的对象。比如说一个人的身体素质好,是因为素质各项指标均符合标准。判断一个人是高血压,是指这人在正常情况下的收缩压大于140 mmHg,舒张压大于90 mmHg甚至更高。受众的对象独立于数据毫无说服力,数据脱离具体对象没有实际意义。对象与数据的结合才能相得益彰。对于制造型等实体企业而言,数据分析的效益主要体现在以下四个方面。

    1.管理工作简单化。复杂的运营管理过程用科学思维分析,聚焦数据的主要矛盾点,配以简洁的数据呈现,且尽可能地简化概念来解决,不仅加速了决策效率,也往往还会收到柳暗花明的效果。一个简要的汇总不亚于面面俱到陈列,一组KPI呈现也比数十页的PPT效果要强很多。苏炳添的成就除了其本人的天赋与努力,教练组的科学数据分析与技术突破功不可没。珠宝店被盗案,如果一味纠结于乙与丙两者孰对孰错,则会陷入无解的僵局。

    2.优化运营管理流程。通过对经营数据分析,我们了解企业运营资源如何合理分配,流程哪里需要优化。比如,通过对销售额波动分析,我们确认是销售单价的影响还是成交数量的变化;是访问流量的变化还是转换率的变化。通过对库存周转率分析,我们可以推断是采购流程有待完善还是备货策略需要变更。

    3.创造更大的价值效益。商业价值的创新来源于数据价值的有效转换,价值可以通过数据呈现。生产中, 当NPI导入量产后,每多久需对ERP系统损耗系数进行调整?哪些制程、哪些料号需要调整?需要通过对生产过程数据进行分析来决定。通过月度或季度生产损耗或不良品的分析,找到降低物料的损耗系数的关键才能提升直通率,降低物料成本的同时才能创造更大的收益。通过SKU营收与利润贡献分析,确定哪些是畅销品,哪些SKU是营收与利润的贡献的主体,哪些成品又是淘汰或迭代的范畴。

    4.拓展新业务新商机。数据分析可以避免思维的盲点。有人把数据分析过程是比喻成医生把脉看病的过程。除了不仅要提供体检数据,更得要提供疾病医治与预防的方案。一份新备货方案,一条新的流水线的布局,一个新的客户导入或一个新业务模式的开发,均离不开数据预测、分析与推演。制造企业因为新客户或新业务的导入,如何通过制定年度备货计划提升公司经营业绩?无论是基于目标存货周转率加权法还是二元次线性回归分析法备货,均离不开数据的处理与分析,两者均需从库存的结构(包括原材料、半成品、成品、在制或在途等)的比重构成和CT2R(Circle time to requirement)的构成不同维度进行剖析。

    二、数据分析的重点

    数据分析含两个关键重点:有用的信息资料与概括总结。对于数据而言什么是有用信息?有用的信息主要包括三个方面:数值、比率、图形(图表)。

    1.数值

    我们平时接触的数值很多,包括最大数、最小数、算术平均数、众数、中位数,方差等。

    最大数、最小数、算术平均数:我们用得太多,不必再做过多的解释。

    众数:是一个数组里出现得最多次数的那个数。

    中位数:是它的位置处于那一组数据的中间位置的数字。

    方差:是各个数据与平均数之差的平方的平均数。

    用另一数组对上面六个数假以说明。假设姚明(身高2.26米)与4个中学生(四人身高分别为1.70米、1.75米、1.77米、1.78米)组成一个篮球队,那么这个团队的身高数据分析如下:最大值2.26米;最小值1.70米;中位数1.77米;算术平均数1.85米;方差0.042;如果纯粹看这支球队的平均身高超1.85米,则基本可以达到篮球国家队二队的要求了。而实际上,除姚明外其它四人没有一人超1.80米,也就是说这四人因姚明而“被平均”拉高了,如果断定他们组成的团队能进国家队则完全是误导。

    六个数里只有最大数、最小数、众数是真数(合乎实际的数据),真数不会改变数的本身的任何特性。中位数是半真数,因为当数组出现偶数的时候,它是需要通过计算才能完成的。但凡需要第二次计算,就会出现人为操作或标准不一的失误,所以中位数叫半真数。而算术平均数与方差实际上是假数,因为它们均需要二次计算,而且在计算过程中会出现不可意料的陷阱。

    每当某官方公布平均工资,均会引起网民大量吐槽,吐槽我们百分之八十(20/80原则)的人都被马云给平均抬高了,我们均陷入了 “被平均”陷阱。

    所以,当出现了这样的数据时,则需要往回追溯,来填补这些异常数据造成的陷阱。怎么样来填补这些陷阱呢?首先要看整个数组里有没有异常值,而必须把异常值剔除掉。也就是说姚明的身高,马云马化腾的收入不能与其他常人一起做算术平均计算。

    统计学里数组应该看方差,但实际工作中不到万不得已不建议引入方差或标准方差(Sigma “σ”)。只要能出结论,并非工具越复杂、越高端就越好,而是越快速、越精准地定位找到症结点,并得出有效的结论越好。相比与平均值或方差等假数,我们更尽量多用最大、最小值以及中位数等做数据分析。越是简单、常用的东西,越是管理追寻的高的境界。

    2.比率

    我们常用百分比多于绝对值。我们常用百分比多于绝对值,先对同比和环比作一个概念上的区分。同比是指相同时间点进行比较,比如说2017年9月和2018年9月。环比就是时间点的比较,比如说2017年9月和2017年10月是一个前后时间段的关系。这是2017年9月第一周(WK35),以及2018年10第一周(WK40,国庆周,特殊日期节点)的销售金额分布。特殊日期节点是不能单纯进行比对,最好是以特殊日期本身作为对比基准。在这个时候要区分国庆假期与非国庆假期,特殊与非特殊时间两者没有同比性,否则就把自己陷进去了。

    3.图形(图表)

    数字不如图表,在日常的管理活动中,我们常用到柱形、饼图、折线和条形图、柏拉图等组合图。用好图形的坐标以及归类非常关键。

    三、数据分析之结论

    数据分析后的结论有哪些有效的方法?主要的方法有两种,即:对比法与拆分法。

    对比法:管理活动中经常使用,强调四点:

    1.对比对象一致。就是两个值基本对象是一致的。

    2.时间属性一致。不能一个按月另一个按年度。

    3.定义和计算方式一致。库龄定义呆滞,超180天为呆滞还是超360天定义为呆滞,如果不统一,呆滞或滞销数据必定是乱的。

    4.数据源要一致。企业如有两套ERP系统账,你从A系统中读数,我从B系统中读数,两套帐又不同步。常出现你的数是对,我的数也是对的,我们俩的数就是对不上。这就是数据源不同步问题。

    拆分法:是用来快速定位有问题的字段,找到真因的一种有效方法。电商企业营销活动中,成交额出现了异常波动,需要把成交额字段拆分,成交额=成交用户数×单价,成交用户数=访问数×转化率。拆分是为了最快地找到出现异常问题的那个数。如何拆分,要求所以在折分前建立一个完整的Database。整理一份优秀的数据分析应聚焦三个重点:

    数据分析聚焦点

    制造企业的KPI并非品牌型企业的关键绩效,线下互联网营销型企业的主要矛盾也并不是线上型的企业想要的。哪些企业要关注营收,哪些企业关注利润;哪些企业关注人均产值,哪些企业更关注人均附加产值;不同的企业不同的时机不尽相同。了解与读懂企业的特性,找出主要矛盾是首要。

    复杂的过程简单化,避免偷换概念

    未达标的点、明显变化拐点、超出期许的变化等节点的分析比全盘分析要简易的多。

    抓住节点数据,则会让复杂的数据分析变得简单化。生产达成或营收达成,我们应重点对未达成目标的节点(工序、品类、平台站点等)进行简述。

    降低被误差的概率

    为避免特殊,取样科学。一份品质检测数据,为避免失真,科学取样科学读数是前提。加权法或二元次线性回归预测分析法做销售预测时,需读取过去一个月还是六个月或一年的数据,时间段的选取变得非常关键。

    数据处理应用,常用的办公软件工具有EXCEL函数、SQL、MINITAB等,熟练地运用其中一至两项,会对我们管理或咨询服务工作起到相得益彰的作用。呈现一份漂亮的数据分析报告,常用到的办公工具有:PPT、WORD、EXCEL表格、XMID、VISIO等,各有各的特点,单就效果,一般是EXCEL、XMIND、VISIO等相互结合使用,并以WORD或PPT呈现。

    好的应用是建立在对企业管理流程掌控的前提下,唯有如此,数据分析才能发挥应有的成效,也才能真正回归数据管理的最初本质。

  • ?

    新媒体运营数据分析之专项研究报告的写法

    张大民

    展开
    新媒体运营数据分析之专项研究报告的写

    上一期我们已经了解了日常运营报告的写法,本期我们再了解一下专项研究报告的写法。首先我们要搞明白什么是专项研究报告,专项研究报告就是指针对某个事件或问题进行深入研究和分析,找到问题的源头并在报告中提出解决的办法。

    一份完整的研究报告,每个环节是递进关系,层层相扣的。专项研究报告一般分为以下几个部分,分别是问题表述(发现的问题),研究思路(打算如何应对)、研究过程(发现问题所在)以及数据解读(数据分析)和分析建议(提出解决问题的方法)等。

    其中静静需要提示的是,因为每个公司不同,所以要求也不相同,专项研究报告的形式自然也是不同,一般专项研究报告呈现形式是根据当时环境而定,如果需要开会讨论,则形式是采用PPT来制作,如果只是发给领导或其他部门负责人则只需要采用word格式即可。

    肿么样,屏幕前的大家明白了吗?好了,本期分享就到这里了,我们下期继续~

  • ?

    从Python到FineBI——我的数据可视化升级之旅

    最初

    展开

    第二季度结束了,半年也过去了,又要给一向雷厉风行的领导出销售数据签单和回款的数据分析报告,眼看着还有三天,需求紧急,小编也不敢懈怠。

    找信息部导了上两个季度以及去年一年的excel数据,脑子第一个想到的是怎们构建表格,同比、环比、回款率,用excel做几张表,打印完事。转身倒了一杯水,一想不对,第一季度给领导汇报的时候,给了领导一份10页的纸质报告,领导甩了一句“当我批卷子呐,不合格”怼了回来,虽然没让重做,但总归是惹得不开心。

    后来跟着信息部门的哥们学了两周的Python,小编大学里学了一点编程,再加上很多代码的逻辑类似于Excel的函数,好说歹说算是入了门,同时也学习了数据分析的一点思路。

    按照粗浅的数据分析思路:

    1、首先明确领导关注哪些数据和指标

    之前想的同比、环比、回款率,其实每次月末汇报的时候都讲过了,按照这样的逻辑,季度汇报无非是把过去三个月汇总在一起,再算一下累积的数据,确实枯燥不直观。

    于是我前一天有意无意地试探了下领导,除了常规的总比环比汇总数据,还想关注哪些信息。领导透露口风,“每个区域的销售和回款数据如何,回款率高低可以给个排名不,哪一季度份额最大,我们公司历年整体的销售情况是怎样等等,好让我知道汇款低了怎么回事,哪个区域表现最佳?”

    2、用可视化的方式替代传统表格

    这一点小编我尝到过甜头,上季度那10页报告被怼之后,我又用PPT做了一份汇报,引用各种图表,才幸免于难。

    所以这一次可以升级一下,是不是用Python或者其他数据分析工具露一手,也算一次项目实践。

    于是,我找信息部门的同事导来几份数据,但是由于有多年历史数据需要分析,csv文件导出大概有100多兆,试着用excel看看,一打开直接挂了。。。正无限在响应中。

    算了,这么大的数据量,正好用回Python。

    关于Python,同在数据分析领域的同学可能都不陌生,我们经常会使用Python提供的numpy、pandas、matplotlib等第三方库来对数据进行计算处理,同时最终生成所需要的可视化报告。

    Python语言简明便捷的特性对小编还是非常有吸引力的,空想不如行动,为了快速出成果,直接开干。

    一、Python数据分析可视化过程

    1.DataFrame数据类型转换

    首先是导入本次分析所需要使用的matplib、pandas、datetime、pylab这几个数据处理以及可视化相关的库,指定mpl的默认字体(否则图表可能会出现中文乱码问题)。接着导入销售合同明细数据表以及销售回款数据表,然后根据合同ID进行左拼接,得到结果转成DataFrame类型格式方便后续的数据计算以及可视化分析处理。

    # 导入所需要的库import matplotlib.pyplot as pltimport pandas as pdimport datetimefrom pylab import mplmpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体:解决plot不能显示中文问题mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题pdcsv1=pd.read_csv('D:/DEMO/demo_contract.csv',encoding='gb2312') #导入销售合同明细表数据pdcsv2=pd.read_csv('D:/DEMO/demo_capital_return.csv',encoding='gb2312') #导入销售回款明细表数据pdcsv=pd.merge(pdcsv1,pdcsv2,how='left',on=['合同ID','合同ID']) #将销售合同明细表和销售回款明细表数据进行拼接df = pd.DataFrame(pdcsv) #转为DataFrame格式方便进行数据处理

    2.时间类型转换

    接着通过datatime类提供的转换方法,对合同签约时间进行格式化,分别取出签约年份、签约季度、签约月份字段,方便从不同的统计口径来观察和分析销售的签单数据和回款数据。

    i=0 #遍历计数器for a in df['合同签约时间']:df.set_value(i, '签约年份',int(datetime.datetime.strptime(a,'%Y-%m-%d %H:%M:%S.0').strftime('%Y'))) #格式化合同签约字段,取出合同签约年份i=i+1i=0for a in df['合同签约时间']:df.set_value(i, '签约季度',(str((int(datetime.datetime.strptime(a,'%Y-%m-%d %H:%M:%S.0').strftime('%m'))-1)//3+1))+'季度') #格式化合同签约字段,取出合同签约季度i=i+1i=0for a in df['合同签约时间']:df.set_value(i, '签约月份',int(datetime.datetime.strptime(a,'%Y-%m-%d %H:%M:%S.0').strftime('%m'))) #格式化合同签约字段,取出合同签约月份i=i+1

    3.分组统计&&图表绘制

    最后分别按照签约年份、签约季度、签约月份来对销售的签单金额以及回款金额进行分组统计,设置好相关图形统计标题、坐标轴标题、图例等属性,规划好绘图排版区域,并且以折线图、饼图、对比柱状图的形式进行数据可视化呈现。

    df.to_csv('D:/DEMO/join.csv',encoding='gb2312') #合并明细数据导出为csv文件数据存储dfgp1=(df['总金额']/10000.0).groupby(df['签约年份']).sum() #年度总签单金额分组统计,并且单位转为万dfgp2=(df['付款金额']/10000.0).groupby(df['签约年份']).sum() #年度付款总额分组统计,并且单位转为万plt.subplot(2,2,1) #限定绘图区域为左上方plt.ylabel('总金额(万)')#显示y轴名称plt.title('各年度签单总金额走势')#显示统计标题dfgp1.plot.line(label='签单金额') #年度总签单金额绘图dfgp2.plot.line(label='回款金额') #年度付款总额绘折线图plt.legend()#显示图例dfgp=df.groupby(df['签约季度'])['付款金额'].sum().reset_index() #各季度付款金额分组统计plt.subplot(2,2,2)#限定绘图区域为左上方plt.title('各季度回款金额分布')#显示统计标题plt.pie(dfgp['付款金额'],labels=dfgp['签约季度'],autopct='%1.1f%%')#各季度付款金额绘制饼图dfgp=df.groupby(['签约月份'])['总金额','付款金额'].sum().reset_index()#各月度签单&&回款分组统计dfgp['总金额']=dfgp['总金额']/10000 #并且单位转为万dfgp['付款金额']=dfgp['付款金额']/10000 #并且单位转为万plt.subplot(3,1,3)#限定绘图区域为最下方plt.title('各月度签单合同金额&&回款金额对比')#显示统计标题plt.bar(dfgp['签约月份'],dfgp['总金额'],width=0.4,label='签单金额')#各月度签单&&回款分组统计绘制对比柱状图plt.bar(dfgp['签约月份']+0.4,dfgp['付款金额'],width=0.4,label='回款金额')#各月度签单&&回款分组统计绘制对比柱状图,0.4为宽度偏移量plt.ylabel('总金额(万)')#显示y轴名称plt.legend()#显示图例plt.show() # 出图

    4.Python可视化成果展示

    程序编译运行,各年度的签单总金额&&回款金额走势、各季度回款金额分布、各月度合同签单金额&&回款金额对比数据就都以可视化的形式直接呈现出来了,还是非常舒服的,给自己默默点个赞~哼哧哼哧地准备明天过去给领导汇报我的可视化“战果”!

    三、从Python到FineBI——数据可视化升级

    跟领导汇报完毕之后,出来的可视化成果还是得到领导的一些认可的,将海量的数据以可视化图表的形式给领导直观地呈现了出来。

    但是和我那信息化的哥们交流一番后,他觉得我的Python可视化“杰作”还存在一些问题,我也总结一下:

    1.可视化图形界面是静态页面,没有动态的界面数据交互,如悬浮提示、图形联动、数据钻取、超链接跳转等等;

    2.界面没有筛选器,无法切片呈现过滤部分数据;

    3.领导看了已有数据之后,针对一些增长或者异常数据无法做进一步深入分析。

    4.开发调试还是有一定周期的,说出来不怕大家笑话哈,我为了调这个Python页面耗费了我大半天时间。。。。

    哥们建议我不妨用BI工具来实现,正好信息化采购了BI软件FineBI,之后也会和全公司像我一样的业务数据员推广学习,正好我来练练手。而且公司的数据报表需求非常多,一些部门也逐渐有了深度的数据分析的需求,确实非常迫切地需要一款能够真正多维深入地企业级数据分析工具来解决这些问题。

    1.FineBI自助拖拽分析初版

    到FineBI官网下载安装完毕之后发现这是一款提供给企业的B/S架构在线数据即席分析平台,除了能够方便企业信息部门制作传统企业的固定报表之外,还可以让不懂SQL/代码技术的小白快速上手拖拽式自助数据可视化分析。以下图为例,托拖拽拽,轻松帮我统计出了我们公司历年的销售金额以及回款金额数据......跟以前一行行代码调试Python程序比,简直不要太爽!

    按照FineBI帮助文档,初步做出了以下的这个企业的销售&&回款分析页面,轻松地解决了领导之前反馈的Python数据可视化界面的一系列问题!

    2.美化升级版

    经过一番研究,发现FineBI还能够进一步提供给用户设置组件背景、仪表板背景等功能,于是乎我调出了以下的这一个美化升级版本~美滋滋!

    3.领导汇报最终敲定版

    另外参考了FineBI的一些内置demo,于是乎做出下图这个精美的销售管理中心驾驶舱,惊艳吧~嘿嘿,其实也不过是半个小时的鼠标操作功夫了,数据完全可视化呈现在领导面前。给领导汇报完毕之后,FineBI灵活的多维联动、钻取等OLAP分析的特性,备受领导的夸奖与喜爱!

    以上就是我这次从Python到FineBI的数据分析可视化升级心得总结了,特地写出来给大家分享分享,能看到这里的同学都是真爱啦。

    四、后记

    当然,其实我所用到的也只是FineBI这款软件的冰山一角了,像以上的很多丰富的可视化图表也非常值得大家去使用和分析探索的,感兴趣的可以到FineBI官网参考帮助文档去了解试用啦,篇幅有限,由于时间关系暂时跟大家聊到这里了,欢迎大家共同多多交流。

  • ?

    未明学院数据分析报告:数据分析告诉你整个金融实习市场全貌!

    柏紫萱

    展开

    本文作者未明学院数据分析方向老师

    数据究竟可以如何帮助到我们的生活?大数据对企业商业决策才有价值,而距离我们个人就很遥远吗?

    其实,如果你留意我们公众号往期推送的数据分析报告(见文末),可以发现,无论是学习、工作还是生活,无论是娱乐八卦新闻、体育赛事预测还是商业分析决策,有信息的地方就有数据,有数据就能为我们所用,为我们解决问题提供思路。

    今天为大家带来的数据分析报告,就能很好地证明:学会数据分析,我们都能享受数据为我们生活、学习、工作带来的价值,甚至会发现,原来还可以这样解决问题啊~~

    数据及工具说明

    本文的数据主要来自实习僧及六家券商官网。我们爬取了实习僧上北京、上海、深圳三地的金融实习岗位相关数据,数据项包括职位、公司名称、学历要求、实习时长、公司规模、岗位要求等。此外,我们还爬取了六家大型知名券商公司所发布的实习信息。采用的分析工具主要是Python,可视化工具是Tableau、Pyecharts、百度地图和百度脑图。

    金融实习生所需任职要求

    (学历、专业、技术、能力)

    学历要求

    最不看重学历的城市 - 深圳,最重视学历的城市 - 北京

    金融业可以说是所有行业中平均学历最高的行业之一,据统计核心岗位中硕士占比将近9成。高学历的人才往往本身比较优秀,具有较好的学习能力、自我驱动能力和人脉资源,同时对于客户来说也容易带来无形的信任感。

    从上面金融实习的数据中也可以看出,北上深三地的金融实习学历要求中79%的实习岗位要求本科及本科以上。其中一些技术性要求较高的岗位,例如金融工程研究员、量化研究员和算法工程师,都更加青睐硕士及以上学历的实习生。

    对这3个城市进行对比,我们发现北京的金融实习最重视学历,其中83%的实习要求本科及以上学历;而深圳的金融实习最不重视学历,只有68%的实习要求本科及以上。但是北京金融实习的数量是深圳的5.5倍(所以要找金融实习的孩子还是乖乖到北京、上海去吧)。

    专业要求

    金融、计算机都吃香

    金融行业根据岗位性质可以划分为前台岗和后台岗,前台岗包括客户经理、投资顾问、分析师、营销管理等,后台岗则包括IT、财务、风控、法务、人力资源等。不同的岗位对于专业、技能都有不同的要求。

    一般来说金融实习专业性还是较强的,大部分会要求金融财会、工商管理类专业;对于计算机技术要求较高的机器视觉算法工程师、数据仓库实习生等岗位,会要求计算机相关专业;很多数据分析、量化研究相关的岗位更偏向统计学、数学、计量经济学等专业。而对于一些不太核心的实习岗位,也需要人力资源、外语、法务等专业的人才。

    技术要求

    数据、编程、Excel都很重要

    金融行业的核心岗位,普遍对技术能力有比较高的要求,金融终端最好可以熟练应用;各种数据分析软件、数据挖掘技术最好能够掌握;文本分析、建模最好有所经历。掌握了这些技能和工具,自然是你寻找实习简历上的加分项。

    当然,最基础的office软件也是必须熟练掌握的。在这些实习要求中,有130个职位明确要求了Excel技能,103个要求了PPT制作技能。如果你能够熟练运用 VLOOKUP、IF、COUNTIF 等函数解决数据计算问题,能熟练制作折线图、散点图、漏斗分析图、数据报告,在金融行业也能够增分不少。

    能力要求

    软实力才是立足之本

    除了学历、专业、技术等硬实力的要求,软实力也不容忽视。“学习能力”、“沟通能力”、“理解能力”和“团队合作”等能力是在几乎任何领域的实习中都有要求,“投资分析能力”、“数据分析能力”、“报告写作能力”、“商业文案能力”等则是金融实习所着重强调的,至于“英语能力”、“项目开发经验”等则是附属的能力要求。

    金融实习哪家强

    北京

    还是京东强

    北京提供金融实习的公司中,京东金融提供的实习岗位要远多于其他公司。京东金融提供了从资产证券化量实习、算法工程师到产品经理、营销策划等各种实习岗位。

    北京金融科技企业综合实力强劲,从地图上可以看到这些金融企业主要集中分布在海淀区东部、朝阳区西部和西城区。其中海淀区东部汇聚了清华大学、北京大学等顶尖高校以及中关村国家重点自主创新示范区,京东金融等企业就位于此。

    上海

    后浪更比前浪强

    上海的金融公司有不少新兴的公司,其中平安旗下的金融壹帐通和平安租赁提供了最多的实习岗位。金融壹账通注册于2015年,是平安集团旗下金融科技服务公司,拥有智能银行云、智能保险云、智能投资云和开放平台四大产品系列101个产品。而平安租赁则成立于2013年,是中国平安下属专门从事融资租赁业务的全资子公司。

    上海凭借着其优越的金融创新环境和国际金融中心地位吸引了众多金融科技企业的迁入和驻扎,从地图上可以看到金融科技企业主要分布在浦东新区、黄浦区、虹口区、徐汇区等,其中位于浦东新区的陆家嘴金融贸易区汇集了众多跨国银行。

    深圳

    列强林立

    深圳的金融公司数量较少,提供的实习岗位也比较零散。除了平安租赁、金融壹帐通外,还有康宏金融集团、用友金融等公司。康宏金融集团1993年成立于香港,在深圳设立了附属公司及合营企业,主要提供保险、风险咨询等服务。用友金融则成立于2004年,向金融企业提供咨询、软件、行业解决方案。

    从地图上可以看出,深圳的金融公司主要位于南山区和福田区,南山区是深圳大学城和高新技术产业园集中地,福田区则是深圳的金融中心。

    薪资&时长要求

    平均薪资

    高薪行业的白菜价

    虽然金融行业属于著名的高薪行业,但是实习生却也是出了名的白菜价。根据图表金融实习的大部分薪酬(日)集中在125-150之间,属于实习生薪资中等水平。据统计,金融公司中中金、中信的平均实习薪资较高,分别比同行业高出116%和45%;而东方证券和广发证券则低于同行业平均薪资23%和17%。

    实习时长

    3、4个月是常态

    大部分实习的时长都要求在3-4个月左右,要求5-13个月的也不少。较长时间的实习不仅能够让实习生对部门情况、业务内容更加熟悉,重要的是一个熟练的实习生也能够为公司提供更多的价值。

    大券商

    你得更优秀

    鉴于不少银行、券商都是利用官网或者其他渠道发布实习信息,在实习僧上这部分数据是缺失的。因此,我们专门从官网等渠道爬取了六家券商——华泰证券、国信证券、海通证券、中国银河证券、中信证券、国泰君安证券的实习信息。

    通过对这些实习信息进行统计,我们发现比起一般的金融实习,这些大型券商对于学历、专业的要求更加严格,83%要求硕士及以上学历,40%优先录取有券商、投行实习经验的实习生,在技能要求上既重视基础Office技能也关注CPA、CFA等专业知识,在能力上更加强调沟通能力和抗压能力,他们也更偏好有过相关实习经验的同学。

    总结

    从以上分析可以看出,要想在寻找金融实习时提高自己的竞争力,不仅需要较高的学历、相关的专业知识、十八般武艺,硬技能要过关,还要有软实力的加持。如果想要进入大型券商,还要在这些基础上更进一步,除了有良好的学历,提高专业水平、专业技能,简历上也需要其他相关实习与项目经历来增色。

    本次数据分析报告,也很好地说明:无论对企业还是个人,数据可以传递极具价值的信息。哪怕是找实习,你也可以通过数据分析做市场调研,为自己找实习找工作找到一个努力的方向,明白自己的优劣势在哪里,以便更好地提升自己。

    掌握了数据分析技能,就像学会了一种无所不能的魔法,你思考问题的角度、处理问题的方式都会焕然一新。当你用数据去了解事情背后的大局,你收获的不仅仅是解决问题的思路,还会由衷地感慨:原来,找实习找工作的信息除了问问身边的学长学姐,还可以用这种方式啊~~

  • ?

    为什么要做数据分析模版?

    冰王子

    展开

    “顾总,一般咱们做数据分析不都是从两个维度做吗?这个离职率是不是也这样处理呢?接下来是不是要从部门的角度来看离职率了呢?”

    “嗯,可以,这样对离职率分析的透彻。小琪,你跟我学了这么久,另一个维度的离职率分析你可以独立完成吗?”

    “没问题,瞧我的!”说完,小琪便忙了起来。

    添加控件,设置控件格式。(如图 3244所示)

    图3-244

    制作辅助数据区域。此辅助数据区域所有数据取自离职率原始汇总表。以总经办年度离职率所在单元格为例(如图 3245所示),取数公式为:=INDEX($Y$6:$AC$17,MATCH(AH$5,$X$6:$X$17,0),MATCH($AG6,$Y$5:$AC$5,0))(公式制作原理参考P164 ,使用MATCH函数对要取的数据进行行、列定位)

    图3-245

    此表格无法直接与控件相关联,需要再制作一份用于制图的辅助数据区域。以总经办年度离职率所在单元格为例(如图 3246所示),公式为:=IF(AH$12=TRUE,AH6,NA())

    图3-246

    最后根据图 3246的辅助表格制图并美化,终于形成了图 3247中的样子。

    图3-247

    “你知道为什么我要求你把每一组数据进行多个维度的动态图表可视化的分析吗?”

    “这样做比较高、大、上,嘿嘿!”小琪笑嘻嘻的说。

    城哥说:为何要做数据分析模板?

    “小琪,高大上,只是表面现象而已。其实制作数据分析模板在数据分析的角度来看是最一劳永逸的方法。”顾城接着说,“虽然制作数据分析模板的过程麻烦一些,但将来无论领导任何时间、要任何数据,都可以通过控件来实现数据的自动汇总,并且可以立刻进行数据可视化的呈现。好过每次领导需要数据的时候,手忙脚乱的开始统计分析和制图。一来提高了工作效率,二来降低了自已的劳动量,只要模板设计合理,可以用很多年。就算中间数据需要有所变化,也只需要在原模板的基础上略作调整而已。”

    顾城停了一下,接着说:“我在以前单位的时候,就常常会做一些这样的数据分析模板,每当老板需要做数据分析的时候,我都会在我的模板里找到对应的数据,然后截图放到PPT里,进行讲解展示。所以我做的PPT报告比起那些临时抱佛脚的同事来说,分析问题的角度更全面,而且制作的速度是最快的。正因为有了这些数据分析模板,所以我从来不加班,而且很快得到领导重视,有了更大的提升空间。”

    “顾总,EXCEL还可以让人升职加薪啊!我可得好好学学!”

    “那当然了,现在老板越来越重视数据分析了,而且我现在正需要一个做数据分析的助手,能不能抓住机会就看你了!”

    小琪一听,开心了,“顾城哥,我如果做了你的助手,我是不是就可以跟你一起办公啦?”

    顾城抬头看了小琪一眼,”别高兴太早,还要看你合不合格呢?“

    ”呵呵,顾城哥,放心,我一定努力!“

    “好了,小琪,现在离职率分析已经告一段落了,接下来我们再看一下人员流动性的分析吧!”顾城笑着说。

    相关搜索

    • 怎么制作表格
    • 表格的制作方法
    • excel数据分析
  • ?

    智慧农业大数据分析平台规划方案(ppt)

    克里斯蒂娜

    展开

    农业数据来源涵盖区域广、涉及领域和内容宽泛,数量庞大且错综复杂。农业领域影响因素信息的全收集,才可以使得全面、多维感知精准决策成为可能。建立数据交换系统,形成快速稳定的数据采集渠道,收集各类涉农信息。 建立科学规范的信息标准体系,通过数据治理整治异构系统传来的多规数据,形成真实可信的有效数据。通过各涉农部门与单位的不同数据整合,形成完整数据链条,描绘出产业全链信息。

    免责声明:物联价值公众号除非特别注明,本站所载内容来源于互联网、微信公众号等公开渠道,不代表本站观点,仅供参考、交流之目的。转载的稿件版权归原作者或机构所有,如有侵权,请联系删除。

  • ?

    竞品分析报告PPT怎么写?很难?做好这4步即可无痛搞定

    Eliza

    展开

    竞品分析报告PPT对于产品经理或者产品运营人员而言可以说是一门基础课了,不少刚刚入门的菜鸟级产品从业者往往苦恼于竞品分析报告要怎么写,这篇文章我们主要从一份合格的竞品分析报告所需要的4个模块入手解析。

    竞品分析报告的前期准备:

    在工作中凡事多问一个为什么对于我们明确工作目的有着至关重要要的作用,而在做竞品分析报告PPT时,我们也应该明确我们的分析报告是为什么而做?我们是做给谁看的?这份报告要输出哪些信息。

    竞品分析报告的结构:

    想清楚了第一步中说到的3个问题之后,我们接下来就要开始搭报告的框架了。一般分析报告的可以分为十个模块来写。当然,大家可以酌情删减,这并不是固定的,具体模块大家可以看下图所示的内容。

    常用的分析方法

    既然是竞品分析报告,那么也必然也就有分析的方法和技巧,当然,当然,如果细细来讲,短篇幅下肯定是介绍不完,所以我们会专门用一篇文章来说。其中比较常用的有用户体验5要素法。

    图片素材来自网络

    数据辅助

    一份分析报告最重要的依据往往是我们的数据部分,那么数据从何而来呢?站点的收录或者排名情况我们可以通过各大站长工具;而月活或者日活等数据则可以通过Appannie、Usage Intelligence来获取。

    此外像百度指数、淘宝指数、易观智库、CNNIC、艾瑞咨询、新浪微博、微信、上市公司财报都是很权威的数据来源。而为了增加可读性,我们也可以引入图表对比,同时引入案例的方法也有助于对我们的分析结果形成辅助作用,增加信服力。

  • ?

    销售数据分析方法-指导性PPT

    影蜡泪

    展开

    提供系统的销售数据分析的思维模式

    请关注,需要源文件私信“源文件”

数据分析报告ppt

所有视频需要登录后,才能观看

请先登录您的帐号,即可完整播放,如果您尚未注册帐号,请先点击注册。