精华内容
下载资源
问答
  • 商业数据分析
    千次阅读
    2020-12-11 21:03:24

    一、概念

    什么是商业 B2B/B2C/B2B2C/C2B/B2VC

    什么是商业运作供应链-产品/服务-销售渠道-(营销/风控)-用户-售后客服->财务表现+数据表现

    商业运作组织有哪些? 前线(销售/渠道/业务)-中台管理(市场/运营/公关)-后台支持(客服/供应链/开发)-战略决策(总办)

    它们关心什么?前线(卖货收钱)-中台(品牌客户产品线助力营销)-后台(供应质量服务)-战略决策(往哪走走多远走多快)

    解决商业问题的能力? 权力-魅力-创造力-协调力-执行力-数据分析能力

    什么是商业分析? 用数据分析方法,解决产品、销售、运营、营销等数据问题。

    解读商业数据的步骤? 找标准-做判断-业务含义-初步假设-预测走势-追踪标准-迭代假设-结论

    开展商业分析的步骤?清晰主体-明确概念-确定时间-了解原因-明确标准-审核现状-深入分析-输出结论

    怎么深入分析? 梳理问题-明确标准-整体趋势-初步假设-关联业务-深入细节-迭代假设-总结结论

    理解商业模式的关键? 业务模式-四大角色(产品/渠道/用户/运营)-部门-KPI

    什么是商业决策? 战略类->战术类->创意类->执行类->支撑类

    策略类决策流程? 方向->目标->内外部条件->关键行动->执行人->作战计划(数据要求高,关键是决定轻重缓急、先后顺序)

    创意类决策流程? 目标->需求洞察->市场评估->原型设计->上线测试->效果评估->优化调整(数据要求中,关键是创造力)

    **执行类决策流程?**目标->任务分解->人力物力配置->技巧培训->干->结果评估(数据要求低,关键是执行力)

    支撑类决策流程? 服务需求->任务计算->人力物力配置->技巧培训->干->记过评估(数据要求低,关键是执行力)

    判断流程? 定方向->定目标->定责任人->定方案->定计划->执行,出问题后,从后往前研究

    统计学方法只是工具,不是目的: 是多少->描述性统计;是什么->描述性统计、分组对比、方差分析;为什么->分组对比、相关分析、回归分析、决策树;会怎样->时间序列、回归分析、神经网络、回归树;又如何->层级分析、因子分析、神经网络、聚类、决策树

    数据分析的作用 是多少->用数据描述现状(量化);是什么->用数据标准判断好坏(标准);为什么->用数据找出问题原因(定位问题容易,找出真实原因难);会怎样->用数据预测未来趋势(信息越多越容易);又如何->用数据做综合评价(决策层最需要,现状、标准、预测都做好才能评估好)

    数据分析不能解决什么? 想不想(主观意愿问题是个人的事情)、能不能(客观限制问题需要研究政策而不是分析数据)、会不会(业务能力问题缺什么补什么,怎么销售怎么运营问销售问运营)

    怎么办? 可以将问题进行转化:想不想->用数据支持/否定支撑想法的理由;能不能->用数据预测可能性;会不会->用数据量化过往行为,找标杆

    商业分析输出成果有哪些? 取数-报表-专题分析-数据产品-数据模型

    二、思维-分析商业问题的思路

    数据指标是
    用数据表示的指数、规格、标准

    怎么制定指标?
    确定数据产生环节、确定数据产生系统还是人工记录、确定计算方式(指标包括:数据来源、时间范围、计算公式)交据采集的方式?人工来集(容户满意度、客户体验)、半人工采集(销售保单、库存出单表)、系统采集(系统订单)人工采集主观污染概率大

    看不懂指标怎么办?
    看指标是什么业务动作产生的,指标背后是具体业务动作与含义

    指标类别?
    过程指标和结果指标(越接近终极结果,含义越清晰),正向(与结果指标正相关,如商品毛利)、负向(负相关,如成本)、无偏向(无必然联系,如活跃率,不一定是越高收入越高)

    如何进一步读懂数据?
    计算增长率(发展趋势),计算分解指标后的组成指标的结构(确定重点),计算两相关指标的比值(看是否有相关关系)

    什么是指标体系?
    解释一个问题需要的多个指标(杜邦分析法),指标间有关系(并行-如加减关系,串行-如购买漏斗)

    怎么判断数据好坏?
    找标准,数据+标准=判断

    标准要符合什么条件?
    容易识别、界限清晰、区分度高

    如何找标准?
    趋势法、对标对比确定、自带标准(增长率、结构分析法(毛利率、成本率)、投产比)

    如何找结论?
    梳理指标->构建指标体系->找标准->单维度判断->综合判断->结论

    看趋势怎么下结论?
    找数据背后的驱动因素(周期性因素、周中周末因素、业务因素等)

    分析维度和指标变多怎么办?
    先梳理商业模式,确认业务流程,然后运用分析方法进行分析

    分析方法有哪些?
    漏斗分析法,但会产生更多指标,如多个渠道如何评价好坏,可以引入整体水平做参考;结构分析法,如投入结构与产出结构进行对比,可以判断ROI、效率,结构是否可以改变、流程是否可以优化、流量是否可以增加

    分析完怎么提建议?
    先了解现状、清晰问题目标、探索可行空间、推算ROI、提供渠道评级和流程数据、提出具体业务动作建议

    什么叫单维度分类?
    在某个维度上进行范围切割,如年龄段

    什么是两维度分类?
    就是矩阵法或分组对比法,即列联表

    什么是商业含义标签?
    虽然只有时间,但是可以根据场景分为工作日休息日、上下班高峰期等,赋予数据商业标签,因此要利用社会生活常识进行分析,才能给出更多建议

    分析时要按什么顺序? 先看宏观再看细节

    多维度、多时间下怎么提建议?
    从大到小、从尾(结果)到头(供给需求)->观测整体形态、再联系具体时间;多个信息结合才能更深入理解问题

    高级分析方法是什么?
    构建分析思路的基本方法:先解析题目,确定需要我们解决什么问题(常见问题:是多少、是什么、为什么、会怎样、又如何、想不想、能不能、会不会),然后找到常规方法(家人、要钱、优化流程),然后拆分成单维度进行分析(涉及部门越少越容易落地)

    销售分析基本原理是什么?
    一是加人加客(因为销售不能定价),但是新员工能力不足,新客源质量参差,因此要监控转化率;
    二是提高转化率,提高客源质量,提高销售能力

    用户分析基本原理是什么?
    找优质用户(需求强烈,价格不敏感,买了还买),不同渠道挖掘,但是要考虑渠道增长瓶颈

    促销分析基本原理是什么?
    以利润换数量(薄利多销),但是要预防薄利不多销情况,促销可以提高用户购买积极性(转化率)、提高用户数量、但是减低了客单价;分为全员促销和精准营销;精准营销需要条件(封闭的信息渠道、即时响应、个人参与,更适合互联网应用内开展,APP、会员券);促销敏感型人群

    综合性策略建议的基本原理是什么?
    如果预测了四种方案,按投产比挑选;基于此还可以提综合性方案(可同步执行的融合性方案)

    如何梳理问题现状?
    5w2h分析方法,标准的核心是共识
    在这里插入图片描述

    如何找原因?
    构建分析逻辑(逻辑树法),将假设归类,形成判断逻辑(如内部问题or外部问题),排除顺序(从宏观到微观、从外到内、从大到小),找到支撑/否定假设的数据

    如何分析宏观因素?
    趋势分析法,宏观因素影响巨大(pest,特别是p和t),数据表现有断崖式下跌和温没式下跌(缓慢);时间发生顺序非常重要,如果是在数据下跌滞后,可能还有其它因素;从局部看应该大家都下跌,如果不是,则宏观因素不是唯一或最重要的因素,找到不下跌的对象进行学习研究

    多因素下如何解析内部原因?
    外部因素的挑战在于难以量化其对内部的影响,因此主要从粗粒度的方向来判断,也拒绝用宏观因素作为借口;内部的挑战主要是因素相互叠加。通过单维度观测,看群体间的差异(用户、促销、渠道);要看整体发展趋势。

    什么是假设检验与趋势预测?
    分组做测试,但是测试效果是哪一方带来的效果?解决办法:不纠结一个点的效果,而是看整体目标是什么。假设越简单,越容易验证清楚。进一步解决方法:从大到小,确认测试输出(排除法)。第三步:设定目标。第四部:观察结果,推动决策。

    综合性汇报的方法是什么?
    首先回答是多少、是什么;然后回答为什么;第三回答又如何(打算什么方向);第四回答会怎样(怎么做)

    最高级的分析是什么?
    是体系化作战。最好的商业分析是简单的(目标确定、方法清晰、结果明确);要掌握每次行动后的变化;要找到合适的标准来源(推翻难度高:KPI考核法、老板期望法、整体目标分解法,推翻难度低:环比趋势法(季节因素)、走势分析法(会反弹)、同比趋势法(今年都差)、同类相比法(城市结构不同),推翻难度中:投入反推法(城市成本不同)、投入产出比法(整体成本提高))

    整体总结:看什么指标:什么维度细分;什么时间周期观测:树立什么标准;做出判断后怎么行动:记录哪些关键结果;常见的问题原因积累。

    三、工具篇-分析商业问题的六种工具

    内部数据如何分析?
    内部数据是非常有限的,目前问题的原因可能有周期性波动(看趋势线)、行业问题(行业研究)、竞品问题(竞品研究)、用户问题(用户调研)、产品问题(看产品用户的饱和度)

    怎么寻找问题原因?
    一般可以从内部、外部、态度、行为等方向进行研究;内部行为(数据报表、专题分析、数据模型),外部行为(行业研究、定性定量研究),内部态度(定性访谈定量调研)一六大工具

    什么是数据报表?
    报表的基本要素是指标、维度(时间等),常见趋势(生命周期、自然周期、突发事件):用途是监控情况、发现问题、简单分析,看是计划内(正常变化、检查过程)还是计划外(持续观察、解决问题)

    什么是专题分析?
    专题分析往往是一问一答的形式(问题是什么以及针对问题回答),题目往往是“行业+业务名+分析内容”,常见的三种形式:无假设(定位问题找假设),有假设但不确定(论证先验假设),有确定的假设(直接验证真伪)

    什么是定性访谈?
    就是有目的有规矩地问问题,是快速找到原因、快速形成思路的最好办法。分为内部访谈(掌握内部动向、数据背后的真实情况、驱动业绩的真正原因)和外部访谈(掌握竞品动向、找到参考样本、掌握用户需求、找到痛点场景、找到解决灵感);访谈步骤:了解数据->明确对象->设计问题->回收反馈->建立假设->验证假设

    怎么做好用户访谈?
    访谈前先做好用户分群(控制分群数量,8类是极限)、贴好标签,按照标签建立假设,保证每个群体有代表性人物(经验数据表明每群人数3-9人即可);设计问题时候开始以一个具体事件入手,不提概念(如你玩过xx游戏没有),然后深入问题(先讲事实再讲感受最后讲评价);回收反馈时尽量多打标签(如果没有年龄标签,可以考虑通过渠道识别);建立假设(通过人群标签建立假设,按照标签进行验证,比如年龄大的用户比年轻用户更可能在xx关卡失败,渠道来源一般为xx);数据验证,用数据情况验证假设是否正确,访谈的用户是个案还是大多数情况。

    用户访谈注意事项:
    不把自己当用户、不把想象当用户、不随便捞个人当用户:不做数据分析就去问,没有做分类,把所有人当成一类用户;提问不具体,不统一名词,不具象化形容词;提问预设立场,诱导回答;听到什么信什么,不做验证;验证不拆标签,数据一锅炖。

    如何通过访谈收集竞品信息?
    如店铺分布、产品、活动等素材,最终分析竞品对我们的影响;研究目的:竟品是不是最大影响?
    步骤:建立假设->收集信息->业务判断->验证假设(证伪更容易)。本质上不是关注产品,而是要关注用户需求。更广泛的宏观影响因素,用排除法证伪,找到短期内逆势的标杆。

    什么是定量分析?
    定量问卷《市场研究方法实务》,目前埋点数据可以取代很多定量问卷的用途;问卷本身的问题:样本数不够、代表性不够、抽样维度不够。所以要做问卷,先与想看结果的人一起谈好方案。用户有可能乱填。执行问题,填的人样本有偏,不能代表真实总体情况。

    什么时候用问卷?
    问卷更适合在采集不到数据的场景:用户(潜在用户、竞品用户、流失用户、潜水用户)、产品(概念收集、新产品测试、改版测试)、渠道(线下商品铺货、线下门店陈列、线下销售执行、服务流程监督)。问卷不适合用于探索性分析(用内部数据做较好)。能用系统数据不用调研数据、能用产品测试不做调研。一般只有没数据的传统零售企业大量依赖问卷。调研问卷更多是拿来背书用的。

    什么是行业研究?
    行业研究难度大,主要考虑的是如何利用行业研究报告数据。行业研究一般是政府机关、第三方机构、券商等发布的,有关整体行业发展情况信息。行业研究最核心问题:数据来源(一是自上而下,把行业里企业数据加总:二是自下而上抽样调研、反推整体情况);弊端(自上而下可能造假,未上市难以统计;自下而上可能抽样数据量小,反推可能过于夸张、幸存者偏差)。

    常见行业数据发布者的数据来源是什么?
    国家统计局:汇总大规模企业,中小企业抽样统计;券商:上市企业用财报,未上市凭经验估算;BAT:汇总自己产品的数据,补充调研数据:第三方机构:大企业财报汇总,从自己的样本库里抽样。

    行业数据的价值是什么?
    对整体趋势的判断。做行业基础情况的了解(用户、政策、环境);做整体发展趋势的判断(发展空间,速度);做竞争关系的了解。参考意义大于实战价值。一般只有大型垄断企业、大型金融机构有精力自己做行研(一方面有能力搞到内部数据,另一方面本身对政策敏感)。如果内部数据分析不出来,也不用指望行业研究能解决问题。

    什么是数据模型?
    逻辑模型(PEST,SWOT),经营分析模型(杜邦分析法拆解指标),查询模型(RFM,AARRR,按固定逻辑从数据库查询指标),算法模型(时间序列-基于统计原理计算,机器学习-真正的算法模型)

    算法模型类别有哪些?
    有监督(预测(回归,神经网络)、分类(决策树,相似度)、二元响应(逻辑回归)),无监督(分类(K均值聚类),关联关系(关联分析));
    模型的最大用处不是分析,而是替代人工劳动,替代大量重复劳动(图像识别:安防、医疗影像、自动驾驶;语义识别:智能客服、自动翻译;推荐系统、搜索系统、风险等级评估等等)。

    特点:特征多、评估标准客观、人工判断未必比机器准。

    如何应用算法模型到商业分析上?
    局限非常大,商业分析的特点是数据少、评估标准不确定、结果受人影响大。本质上商业发展是人做出来的,不是算出来的。

    算法模型有哪些应用场景?
    有监督:预测/分类-业绩预测,逻辑回归-外呼/短信/推送响应/风险评分卡;
    无监督:分类/关联关系-找分类的感觉;统计方法:相关(相关系数/回归分析)-需进一步验证因果关系,时间序列-需假设业务保持不变

    如何正确使用模型?
    事前:探索性分析,比如用户聚类,商品聚类,找业务规律
    事中:人力无能为力/已经尽力的条件下,再做优化(人力管控足够的情况下)
    事后:总结经验,形成固定套路。如时间序列预测业绩,客服外呼响应模型。

    六种工具的适用场景是什么?
    1、报表更适合发现问题;2、专题分析“专”在一问一答;3、模型适合特殊场景,固化经验;4、访谈适合深度分析,但要结合数据验证得到支持,否则是个案;5、定量分析不好用,除非特别缺数据,人力资源耗费不必建模低;6、行业研究基本少用,一般是已有结论后用来背书。

    常见的工作开展方法是什么?
    一是由表及里:报表发现问题,进行定性分析,然后开展专题分析,利用行业报告和定量分析辅助,输出结论,通过模型固化经验。
    二是由内而外:定性发现问题,分别通过报表和专题分析进行验证,可能还要行业报告和定量分析,伪命题则持续监控,真命题则深入分析,用模型固化经验。

    商业分析的要点是什么?
    掌握真实情况,将所有内外部信息用数据表现出来。

    影响分析的铁三角
    时间、成本、质量

    如何利用工具分析?
    利用报表监控过程,不要干等专题分析,在具体场景下谈模型,把数据融入定性访谈中,收集定量问卷和行业研究但不依赖于此。透过数据看本质。

    四、套路篇-常用商业分析指标与分析套路

    什么是商业分析体系?

    就是企业的导航:锁定目标->提供多种方案->提供合理预测->及时跟踪行程->用上就忘不了。

    目标:用数据量化目标,验证目标可行性;现状:数据量化现状,发现问题/机会点;

    战术:数据指导战术设计,促成目标;预测:预测走势,选择合适战术;

    监控:监控执行进度,发现问题;

    复盘:数据总结、沉淀经验,指导后续工作。

    传统企业如何设计?

    杜邦分析法拆解,基于眼前和长远,风险和收益来设计整体战略。基于行为分析、基于特征(固定属性)分析、基于模型分析。

    互联网企业如何设计

    AARRR。重要的是增长率和发展态势(我明天能挣钱)。中介模式就是供需匹配成功率。明确核心指标(北极星指标),明确方向(增长or收益)。活跃指标、付费指标等。

    经营分析的含义?

    对经营状况宏观指标进行的分析。关注的是:目标、趋势、策略、责任、结果。核心是轻急缓重、大小多少。关键点:部门KPI。

    销售分析的含义?

    对销售状况进行的分析,辅助销售。销售的分类主要靠“谁来卖”(销售主体)区分。销售目标层层分解。监控最重要。明确流程,分解流程定位问题。从产品、用户、对手、运营等角度进行深入对比分析。确定是否宏观问题、是否市场营销运营配合活动支持、是否价格问题、是否门店问题、推哪个产品线哪个组合更容易达标(先大到小,先外再内,先看战术再看细节)。应对方法是从一线队伍里找标杆,复制战术。

    用户运营分析的含义?

    用户(拉新、促活、留存、转化)问题进行分析。

    输出成果:目前现状如何、哪里有问题、能做什么去改善。对于转化,互联网企业与产品有关,传统企业与销售有关。

    用户分析两层意义:用户运营本身的需求,了解用户活跃留存转化状况,为制定用户运营计划,会员规则等提供支持;作为基础分析,支持其它工作,如活动设计、文案创作、销售策略等。掌握业务基础运营数据(RFM)、定义核心用户/核心场景(特征、行为、消费,确定后引导用户向核心迁移)、识别业务发展阶段&主要问题(不同阶段关注的指标不同:孵化期(产品体验、种子用户)、扩张期(新增用户、用户活跃)、补贴退出期(用户转化、用户活跃)、常规运营期(用户留存、核心用户))、关注核心指标组合、控制非关键指标、先判断轻重缓急再考虑对策、掌握业务动向形成预判、重点问题深入分析(优先把控自己可以控制的,防范其它白犀牛问题;事件型波动大、系统型可把控、持续型要持续积累和关注)、活跃留存流失联合观测。

    活动分析的含义?

    针对短期活动(促销、推广、拉新等)进行分析,

    输出成果:活动效果、用户有什么问题、能改善什么怎么办?快速理解营销活动的三个核心问题:是否考核销售(是则品牌类)、是否全公司参与(是则大促类)、是否封闭信息(是则精准营销类)、服务对象(商品、用户)。

    活动要素:规则(目标群体、参与条件、达标要求、奖励力度)、组织(礼品选择、物料准备、系统上线、活动运作、物流售后)、宣传(宣传渠道、宣传主体、发布节奏、内容制作、落地页面、转化路径)、费用(预算范围、成本使用、效益估算、投产比)。

    活动分析类重点:为了特定目标开展的、短期、大力度的行动,整个分析围绕目标展开(是否达成目标、未达成原因、达成的话是否效率可以优化、达成目标后对整体经营有何影响)。活动分析,定好目标是成功的一半、做好监控是另一半。

    活动分析步骤?

    步骤:目标达成率(达成总结经验、未达成找原因)

    ​ ->先复盘活动执行过程(设定目标、洞察用户需求->选择产品->包装卖点->设计传播内容->选择投放渠道->投放用户响应->响应后服务跟进,分析时从后往前看,先看执行问题(上线时间问题、系统问题等等)、再看投放策略问题(渠道优化等))

    ​ ->后复盘活动策略问题(事前Abtest或者事后同类活动对比)

    ​ ->多活动叠加分析(分散计算剥离每个活动的效益是不切实际的,将活动按目的分类,观测对宏观指标的影响)

    ​ ->关注整体效果(除了单次活动分析,要关注整体营销费用投入产出比,业绩是否过度依赖营销,隐藏的其它经营问题是更深入分析的起点)。

    内容分析的含义?

    针对公司发布内容(公众号、短信)回收(客服、评论)的内容。

    输出成果:主动推送-是否达成目标、被动接收-说明了什么问题。

    推送信息:推哪些内容关注点高、哪些内容吸引人注册、哪些内容带货效果好。接收信息:反映了客户、产品、品牌出现了什么问题。

    分析关键:打标签、分类别。

    内容如何打标签?

    硬推:主体、产品/行动、奖励、转化链接;

    软推:主题、内容、奖励;接收:咨询(产品信息、活动信息、门店地址)、建议、投诉(产品质量、售后服务、业务流程)。

    主动推送如何分析?

    • 第一步:清晰目标:硬推:信息到达多少用户、多大比例响应、转化率;软推:信息到达多少用户、引发二次传播、口碑。量化目标是分析的关键。

    • 第二步:检讨目标:是否达成目标?利用漏斗分析法判定是否达成目标,哪一个环节出问题。

    • 第三步:贴标签,分类深度分析问题(拆解标签:时间、卖点、内容、产品)。

    被动接受如何分析?

    • 第一步:将信息数量与业务行为关联(本质上被动接受的信息是由各种业务行为产生的客户意见,单看信息难以区分是个案还是普遍问题,一定要联系业务);
    • 第二步:整体解读信息,形成假设(先看整体、再归纳假设);
    • 第三步:分类验证,输出结论(孤证不立)。重点:从大到小的多级分类

    商品分析的含义?

    商品的进销存。输出成果:有没有货卖、有多少库存还要卖。

    • 服装:SKU多,换季速度快,库存压力大(生命周期6-8周);手机/电子产品:单价高、资金占用多、降价速度快;
    • 生鲜:SKU多、库存成本高、腐败速度快;
    • 医药:同生鲜。商品生命周期:导入期(铺货)、成长期(走量赚利润)、成熟期(控制库存、逐步退出)、尾货期(甩货、清库存、减少库存损失)。
    • 产品类别:未来爆款(培育)、防守型产品(人有我有)、交叉类(和爆款交叉销售)、引流类(入门级销量大、利润薄)。不同分级决定了生命周期不同。

    管理基本原则是什么?

    畅销品不断货、不畅销少积压、资金动起来——基本做不到。往往是争取眼前毛利最大化+全生命周期价值最大化。常规监测、积累经验(对关键指标进行监控:商品生命周期、热销成都排行、补货周期、库龄、售罄率、库销比、周转率)。根据经验为每一类产品的指标设置预警值。问题预警,提示风险(:针对新品产品评级如何、如何配货,针对老品生命周期如何、进货节奏是否要控制;:热销还能持续多久,对其它品类是否有帮助,滞销商品是否有细分市场机会、进货/库存得控制在什么水平;:哪些已经库存警报,需要立即清货/控制进货)。

    找出路:配合业务需求,提供分析思路(前期:Abtest,测试用户需求;后期:哪些客群还没买、哪些地区还有需求、哪些产品可以搭配着带一点货、全生命周期赚了多少还能让多少利润来打折)。

    流量分析的含义?

    针对网站、网店、APP流量进行分析。输出成果:花了多少钱获了多少流量,流量质量如何。流量来源(开店位置)、流量入口展示(门店装修)、CTA(call to action,门店促销)。

    流量分析是:在哪里以什么形式展示(站外渠道、创意展示),用户进来后要做什么动作(注册、购买、转发……)(落地页,CTA),做完动作后获得什么(产品页、购买转化)。

    流量分析基本思路是什么?

    流量计价:CPM(mile)/CPS(sale)/CPA(action)/CPT(time)/CPC(click),因此要了解花钱是否起作用,常用漏斗分析法。

    流量分析难点:渠道创意产品三者交织,难以区分;流量造假严重。

    思路:关注整体目标,不断迭代降低成本,总结成功案例。

    第一步:整体需求测算(用户增长:要多少系用户、每用户成本、投入多少钱;电商运营:要多少流量,除了自然流量还要买多少,总投入),先设定宏观标准(总流量、单位或可成本、总成本),面对众多渠道时就有了分解目标的标准,考核最终成果时先关注整体目标是否达成。

    第二步:渠道分类&流量分配(根据历史数据找到渠道特点,细分渠道目标,配置资源投入)。

    第三步:创意&活动优化(步骤多的能否优化,能否提升环节转化率,对页面、流程、活动改进可结合abtest进行)。

    第四步:执行&调优(根据数据表现动态优化,减少劣质渠道投入,调整创意,观察效果)。

    第五步:总结&积累经验(优先关注整体目标&整体效率,再谈执行细节)。关注细节但不要陷入细节,数据分析的价值是:通过不断迭代,积累经验,长期降低成本,达成整体目标。

    如何从0搭建分析体系?

    五个要点:业务目标(为什么做)、相关责任(谁负责谁配合)、业务流程(步骤)、数据流程(哪里产生哪里记录)、管理流程(我可以做什么改变业务效果)。

    数据监控指标(从大到小的顺序):总销售任务是多少、分解任务(杜邦分析法)、过程指标(转化漏斗)、分类标签(竞争策略标签,方案/demo质量标签,跟进频次标签)。

    分析思路:是多少(做到了多少)、是什么(是否达标、趋势是否向好)、为什么(线索问题还是跟进问题)、会怎样(按目前转化率,是否能达标,做什么能达标)、又如何(核心问题在产品、营销、销售)。

    更多相关内容
  • 商业数据分析从入门到入职(1)商业数据分析综述

    千次阅读 多人点赞 2020-09-10 17:33:07
    商业数据分析的从业要求包括基础知识、工具、业务能力和软技能;在数据获取、数据处理等5个阶段有各自所需要的技能;评价一个事务需要从多个角度衡量,基本的分析流程包括理解商业问题、准备阶段、数据分析和解释...

    一、商业数据分析概念

    1.商业数据分析引入

    先列举几个案例:
    (1)请估计一下2020年八月份在北京卖出有多少双鞋子?
    显然,这是一个很开放的问题,并不像在学校里的题目都有标准答案,是需要经过自己的思考、定义和分析的。

    (2)Corley主营在网上卖手机壳,根据销售数据,发现8月份比7月份购买手机壳的顾客数量下降了10%,怎么回事?
    这也是一个开放的问题,可以从内部和外部两方面来思考问题:

    • 外部
      是手机销售量下降了还是同行业竞争对手出现了,或者经济不景气?物流延迟?
    • 内部
      销售环节出了问题?哪一类用户下降?

    重点需要分析背后的原因,因此需要分析问题的能力。
    很多时候我们觉得学校学到的东西都没用,那只是因为我们没有将学校的知识与实际应用结合起来。

    2.什么是商业数据分析?

    商业数据分析从业要求:

    • 基础知识
    • 工具
    • 业务能力
    • 软技能

    举一个例子,拿学武功来说,武功秘籍就是基础知识,宝剑就是工具,在实际练武过程中就得到了面对不同武功和不同对手所需要的方法和技巧,慢慢培养出了业务能力,出神入化之后形成了自己的软技能。

    基于数据通过分析手段挖掘出商业价值,解决商业问题,并通过分析商业问题建立相应的分析模型。
    上面的几个案例都可以通过数据分析的手段得出结论。

    3.所需技能

    数据分析大致分为5个阶段:数据获取、数据处理、数据分析与建模、数据解释与呈现、验证及优化。
    这五个阶段在上述的基础知识、工具和业务能力方面又有不同的要求,具体如下:
    所需技能

    4.基本分析流程和供应链各个环节

    再举一个案例:
    (3)Corley卖鞋,2020年9月前10天就完成了本月计划的80%,业绩是好还是不好?

    可能有人会觉得好,毕竟三分之一的时间就卖出了大部分,但是实际上并不一定好:
    要看整个月的销售情况,如果前10天销量处于上升趋势,剩下的时间处于快速下降并保持很低的水平,有可能是完成不了计划的;
    还好看以前的销售情况,比如说同比销售额,是不是可能比现在还好;
    和其他竞争对手相比,是否比他们好。

    销量好或者不好需要从多个维度进行衡量,而不是单纯地给出一个答案;
    每个行业不同,相应的分析方法和思路也千差万别。

    一个基本的分析流程如下:

    • 理解商业问题
      根据具体的商业场景理解商业问题。
    • 准备阶段
      根据相应的商业场景进行计划和准备,需要哪些数据、怎么进行分析。
    • 数据分析
    • 解释结果

    供应链的各个环节如下:

    原材料供应商
    生产商
    经销商
    销售商
    终端客户

    分析时,不仅要从销售价格来分析,也要从源头即成本进行分析,处于供应链的哪个位置;
    找整个商业供应链出现问题的主要环节,找出问题。

    5.商业理解

    对于一个事件,会有很多因素,可能都会影响到结果。

    在商业数据分析中,需要进行多维度思考,包括产品、位置、时间等角度,比如零售业中有人、货、场的概念,如下:
    多维度思考

    从点、线、面的角度评价销售业绩:
    分析自己9月份业绩即为点;
    分析与去年同期相比即为线;
    与其他人相比即为面。

    获取知识的金字塔DIKW如下:
    DIKW

    从原始数据中提取出信息,并通过总结得到知识,逐渐积累成为智慧。

    6.需要用到的工具

    (1)Excel是最普及的数据处理和分析工具,作为Office三件套之一,受到各行业广泛的使用,也很容易上手。

    (2)思维导图工具,如XMind、Mind Master等,可以整理知识体系、梳理思维。

    (3)专业的Python数据分析工具Anaconda,可以进行Python基础编程、数据分析、建模计算等,自带了很多包,可以直接点击加QQ群 Python极客部落963624318 在群文件夹Python相关安装包中下载安装。

    (4)关系型数据库软件MySQL,是最常见的的数据库之一,个人一般直接使用社区版即可,可以到MySQL官网https://dev.mysql.com/downloads/mysql/中下载,由于官网下载较慢也点击加QQ群 Python极客部落963624318 在群文件夹数据库软件中下载,然后解压并执行安装配置即可,具体可参考https://www.cnblogs.com/zhangkanghui/p/9613844.html

    除此之外,还可以充分利用Github开源平台https://github.com/,可以查询一些开源项目、查看源码,是一个学习的平台。

    二、数据特性

    1.数据粒度

    数据存在特定的特点,其中之一为粒度
    较标准的定义为:
    数据粒度是指数据仓库中数据的细化和综合程度
    根据数据粒度细化标准:细化程度越高,粒度越小;细化程度越低,粒度越大。

    很多时候得到的数据为汇总的数据,比如对于电商来说,得到了每个月的销售情况,要预测每天的销售情况是不现实的;
    汇总数据可以获取整体趋势。

    而对于原始数据,可以为每一种商业模式确定相应的指标KPI,比如电商行业的常见指标如下:
    电商指标

    并且可以使用杜邦分析法评价指标组合进而确定经营业绩,示意如下:
    杜邦分析法

    对于Leader来说,很重要的一个要求是用户体验好,好的用户体验好主要包括以下方面:
    好的用户体验

    分析流程可以进一步细分如下:

    • 目标
      比如设定PV、DAU(日活)等指标。
    • 收集数据
      根据需求、按照指定的方法获取数据,并过滤掉无用的信息。
    • 数据探索
      发现收集到的数据的特点、分布特征,并探索数据间的关系。
    • 特征工程
      数据中哪些重要。
    • 开发计算
      进行建模计算、并产生结果,如线性回归、逻辑回归。
    • 评估

    假如有一个JSON格式的电影评分数据如下:
    计算相似性

    现在需要计算谁和谁更相似,对两部电影建立坐标系如下:
    电影坐标系

    每个人的评分都以坐标的形式体现出来,可以通过两者之间的距离计算出来,距离越近则相似度越高,最简单的方式是通过勾股定理计算;
    有多部电影则计算多维距离。

    2.数据质量与形式

    数据有一个很重要的特性是数据质量。
    根据定义,数据质量是指在业务环境下,数据符合数据消费者的使用目的,能满足业务场景具体需求的程度。

    比如说,调查问卷因为设计不好而导致收集到的结果有失客观性,这就是数据质量有问题。

    衡量数据质量有一定的衡量指标:

    • 重复
      数据重复是否有意义。
    • 完整
      数据探索时判断数据是否完整。
    • 一致
      数据之间是否一致,比如问卷数据前后部分是否符合。
    • 时效
      数据一般在某个时间区间内有效。

    数据还有一个特性是数据形式,主要包括:

    • 结构数据
      具有一定结构的数据,如MySQL数据库中的数据,对数据类型有一定的限制。
    • 半结构数据
      具有特定的格式,如之前的json数据就是半结构数据,一般来自网站。
    • 非结构数据
      文本、图片等文件,没有特定的结构,不能使用常规方法分析。
      对于图片文件,图都是有由像素组成的点阵,每一个像素点由RGB值确定,组成一个矩阵进行处理。

    不同格式的数据也有不同的来源。

    3.数据隐性

    可以从数据中挖掘出信息和价值。

    再举一个案例:
    (4)对于电商行业,怎么分析客户的男女比例:
    假如有一个客户叫孙悦,昵称是小悦悦,最近老是频繁登录公司的APP,并且总是浏览美妆产品,而且最近三个月购买了大量女鞋和美妆。
    那么孙悦是男还是女呢?

    要判断一个客户是男性还是女性,可以从以下指标出发:
    性别判断指标

    最简单的方法:

    男性概率=姓名倒数第一个字男性概率×权重1+姓名倒数第二个男性概率×权重2
    女性=1–男性概率

    这个模型只是依据姓名来判断的,较为单一。

    更进一步的分析:
    在姓名判断性别概率的基础上,再依据消费行为(如购买剃须刀)的特征判断性别概率,并确定权重计算加权概率。
    这是一个分类问题。

    进行数据分析的好处:

    • 搞清事实
      分析事情的好坏。
    • 接近真相
      可以发现真相的可能情况。
    • 预测未知
      比如预测消费曲线。
    • 帮助决策
      如智能投顾。

    三、数据分析类型、可视化与数据驱动开发团队

    1.不同类型的分析

    不同类型分析的复杂度和价值如下:
    不同类型的分析

    其中,描述性分析用于描述当前情况,比如分布、曲线等;
    诊断分析主要分析问题原因,可能需要进行可视化;
    预测分析主要预测未知,包括自动化推荐系统、销量预测;
    指导分析用于指导行动。

    随着难度的加大,所需要的数据也越来越多工具越来越复杂

    常见的分析框架如下:
    数据分析框架

    具体包括SVM、决策树、逻辑回归、神经网络、线性回归、K-means、分层聚类等理论模型。

    2.数据可视化

    有了分析的结果,需要进行报告,其中可视化不可缺少,需要将结果呈现出来。
    同时在数据探索时,数据可视化可以让我们更加直观地了解数据所呈现出的特点。

    一个图表示意如下:
    数据可视化反面示例

    显然,左右两部分都是有问题的:
    标题不规范;
    刻度不一致,不协调;
    坐标轴起点;
    两个表的差距感觉不同,但实际上差别是一样的。

    3.数据驱动开发团队

    一个典型的数据驱动开发团队的成员如下:
    典型数据驱动开发团队
    左侧负责数据分析,右侧负责项目开发,需要相互协调和配合。

    展开全文
  • 【学习笔记】商业数据分析

    千次阅读 2021-11-19 19:51:13
    商业数据分析 商业数据分析是指以数据和商业理论为基础,通过寻找数据规律,结合业务背景,依靠统计软件和可视化工具,以优化企业经营决策为目的,洞察经营数据背后的规律等,从而为企业提供生产力和业务效益,...

    商业数据分析

    商业数据分析是指以数据和商业理论为基础,通过寻找数据规律,结合业务背景,依靠统计软件和可视化工具,以优化企业经营决策为目的,洞察经营数据背后的规律等,从而为企业提供生产力和业务效益,其中数据本身仅仅是事实和数字,不产生任何价值。

    数据分析的困境

    结构化思维

    类似金字塔思维,把需要分析的问题按不同的方向分类,然后不断拆分细化,从而全方位地思考问题。一般先把所有能想到的想法都写下来,然后整理归纳成金字塔模型,可以借助思维导图工具来辅助分析(XMind)。

    比如销售部门某月的销售额出现大幅下降

    公式化思维

    在结构化的基础上,分析的变量往往会存在一些数量关系,使其能够进行统计计算,将分析过程量化,从而验证我们的观点是否正确。

    业务化思维

    深入了解业务,结合项目的具体业务进行分析,并且能让分析结果落地。用结构化和公式思维得出的最终分析结果大多时候表现的是一种现象,不能体现原因。

    • 贴近业务:多与一线销售人员进行沟通;
    • 换位思考:站在业务人员角度进行思考;
    • 积累经验:从成功和失败经历中总结业务特点;

    商业数据分析基本流程

    • 挖掘业务含义:理解数据分析的业务场景是什么;
    • 制定分析计划:制定对业务场景进行分析的计划;
    • 拆分查询数据:从分析计划中拆分出需要的数据;
    • 提炼业务洞察:从数据结果判断提炼出商务洞察;
    • 产出商业决策:根据数据结果洞察制定商业决策;

    通常以商业回报来定位数据分析的不同阶段。

    商业数据分析注意事项

    • 数据分析与数据可视化的差异:数据分析是一个探索的过程,数据可视化是对数据进行可视化展示(图表/仪表盘),在实际处理时,数据分析应该先于数据可视化;
    • 正确理解数据分析和数据可视化:数据可视化是一个化繁为简的过程,清晰地展示数据,而数据分析是根据数据点进行讨论与下一步地决策;
    • 不要仅仅停留在可视化视图上:数据可视化地工具有很多,构建可视化非常容易,但数据分析地目的是确保它们提供的数据是可以访问的、易于理解和清晰的。

    商业数据可视化分析工具

    可分为编程类和非编程类,这里用的比较广泛的是非编程类。

    Microsoft Power BI

    由微软发布,整合了Power Query、Power Pivot、Power View和Power Map等一系列工具,可以连接数百个数据源,简化数据准备并提供即席查询(Ad Hoc)。

    Tableau Desktop

    桌面系统中简单的商业智能软件,可以完全自定义配置,简单、易用、快速。

    Smartbi Insight

    企业级的商业智能和大数据分析平台,具有分布式云计算、直观的流式建模、拖拽式操作、实用的统计分析、可视化数据探索等特点。

    Wyn Enterprise

    西安葡萄城自主研发的嵌入式商业智能和报表软件,通过灵活的数据分析和探索能力,全面满足数据分析需求。

    Qlik View

    完整的商业分析软件,是一个具有完全集成ETL工具的应用开发环境,让开发者能从多种数据库里提取和清晰数据,建立各种强大高效的应用。

    此外,阿里DataV、腾讯TCV、百度Sugar、Fine BI等。

     

    展开全文
  • 什么是商业数据分析师?

    千次阅读 2019-07-27 16:33:13
    现在显然已经是数据智能时代了,传统商业和智能商业的本质区别可以用一个字来概括:“活的闭环”。 数据是“活”的,用户的每一次行为都转化为新的数据汇入数据的大海,而每一个新数据的汇入都实时 引发各个数据集的...

    前言背景

    现在显然已经是数据智能时代了,传统商业和智能商业的本质区别可以用一个字来概括:“活的闭环”。数据是“活”的,用户的每一次行为
    都转化为新的数据汇入数据的大海,而每一个新数据的汇入都实时引发各个数据集的连锁反应;算法是“活”的,用户对产品、服务的每一
    次体验,都成为算法迭代成长的养分,使算法越来越聪明地反映商业本质;反馈闭环是“活”的,在其中, 产品在迭代,数据在流动,算法
    在成长;最终,我们所熟悉的工业时代的机械逻辑——预先设定一切——将被彻底颠覆,取而代之的将会是一个全新的商业生态系统和商
    业形态。
    图片来源网络

    1.点线面体的思维模式

    在这里插入图片描述

    用一个例子开篇

    举个例子:
    有一对双胞胎,在2011年一起大学毕业,一个加入腾讯,一个进入报社。7年之后,去腾讯的那位已经是年薪百万,而且满街都是挖他的猎头。投资人也在挖他,只要出来创业就给钱。去报社的那位,因为报社沉沦了,他曾经寄托理想的整个产业都没有了,一切都需要重来。
    这里不是说双胞胎的素质或者能力有多大差异,也不是说他们分别跟随的领导的能力或者个人操守有问题。
    敲黑板!!!核心问题是——这两个单位所附着的经济体,一个在快速崛起,一个在快速崩溃。
    这就是我们要谈的点线面体。其实我们都有体会,努力工作的工资收益,远远不如2013年以前买了腾讯的股票,或者2010年以前买了北上广的房子。
    为什么?
    因为你再努力工作,你还是一个点。一个月或一年的工资,只是一个点的努力成果。但是腾讯股票与北上广房子的收益,是因为这个点附着于一个快速崛起的经济体,这是一个线性周期的结果。对于做投资来说,你需要首先选择某个正在崛起的大型经济体,接着去找一个领域,投它的成长周期。所以你会发现很多投资人,会投资一个赛道上所有的产业。为什么呢?因为他不赌单点,而是整个周期的收益。
    有一个经典的悲催人生警示:
    悲催的人生,就是在一个常态的面上,做一个勤奋的点。
    更悲催的人生,就是在一个看上去常态的面上,做一个勤奋的点,你每天都在想着未来,但其实这个面正在下沉。
    最悲催的人生,就是在一个看上去常态的面上,做一个勤奋的点,其实这个面附着的经济体正在下沉。

    上面就是我以这个案例给大家开篇的目的所在,在社会大环境下要找准自己的定位,顺势而为,及时做出改变。

    2.DT时代

    许多互联网大拿都说过,我们现在所处的时代是:ABC=DT时代
    在这里插入图片描述
    从移动互联网时代迈入数据技术时代,数据技术造就了优秀的互联网公司,如阿里、头条。人工智能尝试应用多个领域,如无人驾驶、无人机、医疗诊断等。区块链和虚拟货币的大火背后也是数据技术的驱动。可以说数据技术给很多公司带来以往达不到的增长收益。

    3.商业数据分析师:从BI到AI

    在这里插入图片描述
    BI(Business Intelligence)即商务智能,它是一套完整的解决方案,用来将企业中现有的数据进行有效的整合,快速准确地提供报表并提出决策依据,帮助企业做出明智的业务经营决策。而随着深度学习技术的突破,是的人工智能又能跟进一步。在海量数据的今天,传统方法已经难以支撑企业的正常需求,现在很多数据达到了PB级。这么海量的数据需要更强大的计算资源,需要强大的挖掘算法等才能给我们挖掘出更多的价值。

    自动化打开效率之门
    借助BI,用户可以访问大量数据,但必须提出适当的问题才能获得正确的洞察。对于没有BI经验的用户来说,这证明是有问题的,他们可能不知道什么样的请求会得到最有价值的信息。AI是打破这一门槛的关键,它可以有效消除预先确定问题的需要。AI中的自动化功能让计算机能够通过确定数据点之间的关系,处理BI数据分析,以生成相关洞察,甚至是用户不知道的必要洞察。发现这些关键业务关系后,解决方案会自动生成仪表板,形象地呈现发现的问题。
    以制造业为例,AI和BI可以帮助追踪之前的机器故障,并收集导致这些故障的详细信息,例如繁重的工作流程或机器老化。然后这些信息可以应用到现有机器上,机器根据类似的情况,当需要维护时自动发出警报。最终,制造商将能够防患于未然,降低维修时间和成本,最终提高效率。

    AI和BI结合使用,实现更高准确性
    结合使用AI和BI不仅可以让更多人能够使用这些解决方案,还可以增加可被分析的数据量。机器学习技术分析大数据集的速度比人类更快,这让每次决策能够考虑更多信息,同时减少检查这些信息的时间,最终提高使用BI的效率和准确性。
    这在零售业尤其有效,特别是传统企业,由于当今电商巨头的出现,它们正在经历巨大的变化。传统零售商必须采用智能技术才能保持领先,通过结合AI和BI,零售商可以根据过去六年(而不是过去六个月)的销售量数据做出库存决策。这会让零售商更准确地了解消费者偏好,保证在正确的时间提供正确的产品,从而在每次决策时都能将消费者摆在重要位置。

    下面用思维导图的方式展现给大家-从BI到AI过度的过程中会经历哪几个阶段,分别有哪些特点。
    在这里插入图片描述
    上面这张图从BI到AI发展的过程会遇到的四个阶段,以及各个阶段的业务要求,阶段特点。希望通过他,大家对BI到AI发展的原因和会遇到的一些瓶颈有所理解了。

    4.我该如何成为商业数据分析师呢?

    商业数据分析师要做什么?
    商业分析师负责利用数据分析将IT技术和商业联系起来,通过数据分析帮助企业优化生产流程,产品,服务和软件,评估生产流程,确定产品需求并向管理层和投资者提供数据驱动的建议和报告。
    敏锐的分析师们填补了技术与商业之间的鸿沟,提高生产效率并实现技术的商业价值。
    国际商业分析协会(IIBA),定义商业分析师是“变革的推动者”,他们认为商业分析“是一种为组织引入和管理变革的规范方法,无论他们是营利性企业,政府或非营利组织。“
    商业分析师需要兼具硬软技能。商业分析师需要知道如何获取,分析和报告数据趋势,并能够与其他人分享这些信息并将其运用于商业之中。并非所有的商业分析师都需要IT方面的背景知识,只要他们对信息系统,产品和工具的工作方式有一个基础的了解即可。另外,还有一些商业分析师是具有强大的IT背景但较少的商业经验,他们也有兴趣从IT技术岗位转型到这种混合角色

    作为一个合格的商业分析师,我们需要什么能力?

    1.统计相关的数学知识

    在这里插入图片描述
    我们在之后的专栏当中会给大家逐个讲解在解决业务分析的过程中会用到的一些统计学知识。
    例如:我们专栏安排中有以下内容
    2.5.1:统计学入门
    (1)描述统计学基础
    (2)概率
    (3)正态分布
    (4)中心极限定理
    (5)Python应用
    2.5.2:统计学进阶
    (1)推论统计学基础
    (2)置信区间
    (3)假设检验
    (4)线性回归
    (5)多元线性回归
    (6)逻辑回归
    我相信通过这些学习,我们会掌握一些统计学在数据分析中的应用。

    2.趁手的工具和分析思维

    ExcelSQL
    Python业务理解能力
    社交和咨询技能分析思维和解决问题的能力口头和书面沟通技巧
    成本收益分析利益相关者分析

    那么,到现在为止。我想大家应该对商业数据分析师有了一个大致的概念了。但是在这里要强调的是,这不是单纯的商业分析师,也不是单纯的数据分析师,而是综合的复合型人才,既要有商业的一些分析方法和对业务的理解,又要会数理统计的一些分析方法,只有这样才能更好的适应从BI到AI的过度升级。
    商业分析师的分析方法和模型其实有很多很多,关键是要熟练掌握一部分方法,再结合业务、结合公司情况去分析。之后我们也会加大家如何利用所学技能去分析业务的各个环节并实现用户增长的方案。
    下面举例几种方法:
    1、KANO分析模型
    2、5W2H分析模型
    3、逻辑树分析模型
    4、战略钟分析模型
    5、RFM客户价值模型

    而作为数据分析的硬核技能,我们有需要掌握一些处理数据的工具,包括一些统计学的方法,并会建模分析,能够做预测分析,再结合商业分析的方法和业务的一些情况,我们才能做的更好。
    作为一名数据分析师,如果你能够站在业务领导的高度,主动的思考问题并提出解决方案,有很好的表达技巧说服业务人员接受你的观点,并能够全程推动和监控方案的落地实施,那么你一定能够通过数据来推动业务的持续发展。这几点看似很难,但只要你能够明确方向,一点一点的推进,你一定会惊喜的发现,原来通过数据影响业务并没有那么困难,随着业务对于数据依赖的不断加强,你的价值也会不断凸显,升职加薪自然水到渠成。

    接下来很长一段时间,我将会和另外一名数据挖掘工程师和大家一起探讨怎么能把商业数据分析师应知应会的方法理解透彻,并且能够很好的和业务衔接起来,期待您的阅读。

    展开全文
  • 商业数据分析》读书笔记(一)

    千次阅读 2019-01-07 11:10:24
    这本书重点在于讲解商业数据分析背后的重点原则。帮助人形成一套科学的应用数据分析的流程。 对于有数据分析基础知识的人来说,可以作为一种融会贯通的思维练习。 前言 1.介绍:数据分析思考 数据机会的普遍...
  • 商业数据分析概述 越来越多的公司在收集数据,并不仅仅局限于金融业和零售业等。 什么是商业分析?使用应用数学,统计学和计算机科学分析数据,洞察商业表现并采取行动。 商业分析包括金融分析、人力资源分析、...
  • 一家房地产中介请你帮忙,在纽约挑选合适的办公地址。请利用已有的历史交易数据进行分析
  • 分析思维是商业数据分析的核心,这就要求商业数据分析师具备强大的逻辑分析能力,毕竟有完整的逻辑链条才能全面分析,最终提出决策。 沟通汇报能力 : 完成了一个完整的商业数据分析方案之后,就需要跟领导进行汇报...
  • 第一步,要先挖掘业务含义,理解数据分析的背景、前提以及想要关联的业务场景结果是什么。 第二步,需要制定分析计划,如何对场景拆分,如何推断。 第三步,从分析计划中拆分出需要的数据,真正落地分析本身。 第四...
  • 使用SPSS进行商业数据分析

    千次阅读 2019-06-12 16:40:28
    SPSS是一款非常强大的数据处理软件,那么该如何用SPSS进行数据分析呢? 1.什么是SPSS SPSS是社会统计科学软件包的简称, 其官方全称为IBM SPSS Statistics。SPSS软件包最初由SPSS Inc.于1968年推出,于2009年被...
  • 作为一名商业数据分析师,应该如何成长,学习哪些技能。我的回答是,除了数据分析技能的学习之外,你要比产品经理更懂产品,比业务更懂业务,甚至还需要对整个行业有一定的思考。如果你做到了,那么你可能成为一个...
  • 商业数据可视化分析基础知识

    千次阅读 2022-04-25 12:43:48
    商业数据可视化分析的目的与意义,分析流程与步骤,可视化分析的优点,分析常用的工具,数据分析原理以及现状与需求
  • 2019商业数据分析软件有哪些

    千次阅读 2019-03-26 09:32:38
    2019年商业数据分析软件有哪些呢?本文列出了市面上最主要的几款数据分析软件。 1.FineBI 目前国内数据分析的佼佼者。FineBI是新一代自助式BI工具,企业客户多、服务范围广, 多维OLAP分析是BI工具分析功能的集中...
  • 商业分析师负责利用数据分析将IT技术和商业联系起来,通过数据分析帮助企业优化生产流程,产品,服务和软件,评估生产流程,确定产品需求并向管理层和投资者提供数据驱动的建议和报告。敏锐的分析师们填补了技术与...
  • 各行业商业数据分析报告网站汇总

    万次阅读 2019-06-02 17:24:30
    当我们在讨论商业的时候,我们就是在讨论数据,我们讨论行业规模,发展速度,讨论盈利空间,讨论成本和收益。 如果脱离了数据,我们就将失去判断,就如没有指路的明灯一般,在商业的波浪中起伏不定,并很可能撞上...
  • 商业数据分析过程中,数据地图是很直观的可视化的表达形式,比如利用地图展示各区域销售额、利润等;比如展示全国仓库分布和运输和以优化运输网络;又比如统计商场人流量及分布,用热力地图展示,指导门店分布和...
  • 利用最近一次的营销活动的信息,分析什么对推销结果的影响最大,如何确定银行定期产品推销中最具价值的客户。
  • 
 
 
 
 
 
 
 关注「实验楼」,每天分享一个项目教程 数据分析师们填补了技术与商业之间的鸿沟,提高生产效率并实现...
  • 商业分析报告编写

    千次阅读 2019-09-05 09:15:39
    数据分析 数据分析方法 一、数据分析方法 1.业务数据分析:SQL,EXCEL 1.1描述性分析 1.2数据透视 1.3可视化图表 2.数据挖掘分析:Python,SPSS,SAS,R 2.1协同过滤 2.2分类分析 2.3关联分析 2.4聚类分析等 3.大...
  • 而CDA和BDA都有合理的等级,当然也有不认可的地方,比如CDA等级二有一种类型是大数据分析师,数据分析不管大不大数据的,这个类型主要是数据底层的搭建,而数据分析师其实懂到ODS层就够了。 而BDA的好处是正规协会...
  • 豆瓣电影数据分析案例

    千次阅读 多人点赞 2020-06-11 10:31:02
    现在我们有一组从2006年到2016年1000部最流行的电影数据,需要进行分析 数据来源:https://www.kaggle.com/damianpanek/sunday-eda/data 分析方向为: 问题1:我们想知道这些电影数据中评分的平均分,导演的人数等...
  • 我们常说,办事情要“名正言顺”,而数据领域的名字则是格外的多,商业分析、数据分析、数据挖掘、算法模型……经常把大家绕晕,今天系统科普一下。商业分析VS 数据分析广义上...
  • 作者:杨奉山 R语言中文社区专栏作者,R语言小学生,和我一起为成为优秀的商业数据分析师努力吧  知乎专栏:https://zhuanlan.zhihu.com/YFSbda 写文章是一个很好理清思路的方式,同时也有助于提高逻辑...
  • 掌握DAX语言与M语言的精髓,让你用20%的时间做80%的工作,摆脱数据搬运工,成为数据分析师编辑 | abby官网 | www.datayuan.cn微信公众号ID | datayuancnMicrosoft Power BI是微软发布的一套商业分析工具。...
  • 数据分析在金融行业中的应用

    千次阅读 2020-11-19 00:36:56
    数据分析在金融行业中的应用 大数据技术的普及和广泛应用,使得数据分析已成为行业的热门趋势,下面将介绍数据在银行、证券和保险行业的应用。在介绍金融行业应用之前先总结下大数据的特点。 大数据的特点可归纳为...
  • python数据分析五个最常用库

    千次阅读 2019-04-09 10:37:25
    1、Numpy 对于科学计算,它是Python创建的所有更高层工具的基础。以下是它提供的一些功能: a、N维数组,一种快速、高效使用内存的多维数组,它提供矢量化数学运算 ...NumPy不提供高级数据分析功能,但有了对NumPy数...
  • ☆文末粉丝福利课程,(限量)免费领取!“商业数据分析(Business Analytics)”是真正意义上的新兴学科,基于数据通过更复杂的编程工具和算法,挖掘出数据背后的...
  • python数据分析常用库

    万次阅读 2019-04-30 09:52:12
    Pandas:提供一套名为DataFrame的数据结构,适合统计分析中的表结构,以及做数据分析 基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型, 提供了高效地操作...
  • 浅谈数据分析和数据建模

    千次阅读 2019-11-26 15:43:02
    过去企业都是通过线下渠道接触客户,客户数据不全,只能利用财务数据进行业务运营分析,缺少围绕客户的个人数据,数据分析应用的领域集中在企业内部经营和财务分析。 数字时代到来之后,企业经营的各个阶段都可以被...
  • 本课程对帆软软件推出的商业智能工具FineBI进行讲解和学习并对其在各个行业的应用进行讲解,通过本课程的学习能够使用FineBI将企业中现有的数据进行有效的整合,准确的提供报表并提出决策依据,帮助企业做出明智的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 342,205
精华内容 136,882
关键字:

商业数据分析

友情链接: mie-scatter.rar