读懂这一套,业务小白也能用分析思维

挖数网精选
挖数网精选
挖数网精选
352
文章
0
评论
2020-04-1803:05:00 评论 129 3045字
摘要

发现并解决问题是数据分析最基础、最根本的作用,但是很多新手在数据分析过程中,往往拿着一大堆数据却无从下手,根本解决不了问题。

一个合格的数据分析师不仅要懂业务、懂管理、懂工具,还要懂得利用数据发现、定位并解决问题,这样才能真正为企业创造价值。

举一个零售集团的真实案例:

2018年,时值某大型零售集团进入中国第三年,生意随着开店持续增加,但毛利额怎增速却明显下降,集团总经理在会上提问:如何提升生意?

如果你是一个产品经理,你大概会说,上新品,增加吸引力。

如果你是一个通路行销人员,你大概会说,加促销,卖组合套装。

如果你是一个一线销售,你大概会说,给员工奖励,激励他们多卖。

但是,如果你是个数据分析师,你会说什么呢?

下面我们就按照"思路+工具+方法=解决问题"的公式,结合上面说到的案例,教你怎么用数据分析解决这些问题的。

一.数据分析思路

第一步:明确你遇到的场景类型

企业数据分析场景可分为以下几种:

经营数据分析:指收入、销量等企业经营活动相关的数据分析;销售数据分析:指销售收入、销售额、销售单产等与销售活动直接相关的数据分析,与经营分析的区别是销售分析粒度更细,频次更密,要求速度更快;客户数据分析:CRM分析,指客户购买额、购买频次、购买偏好等客户相关数据分析;营销/市场数据分析:指企业营销/市场活动的投放、反馈、效果相关数据的分析;产品数据分析:单个产品的数据分析,包括实物产品和服务产品;财务数据分析等等第二步:明确分析目标对于不同的场景,分析目标是不一致的

经营数据分析:监控企业的运行情况,目标是发现企业经营活动中的问题,主要关注点是销量/销售额总体时序变化、地区分布、总体及单个点变化原因;销售数据分析:目标是保证完成销售任务,监测销售效率低的原因,提出解决办法,主要关注时序进度、落后原因、销售单产情况等;客户数据分析:目标是深入理解客户,典型方法是RFM模型;营销/市场数据分析:目标是了解投放效果,优化投放计划,提升投放效率,关注点主要集中在ROI相关的指标;产品数据分析:综合了前边几类分析的内容,分析目标则集中在某个产品上;最后一步:搭建分析体系

每一个场景里的内容看似复杂,但记住两个核心,即可推导出所有的分析点:

核心一:绝大多数分析都是针对人(内部人员和客户)、财(收入,支出)、物(产品,服务)三个对象进行的,所有的基础分析指标可由单个对象或对象间的组合推导出来。举例:零售集团的分析指标中,最重要的指标是:门店销售额(财)、重点产品销售额(物+财)、重点产品销售单数(物)、任务完成率(财-实际发生/财-预计)等。

核心二:做分析时处理指标记住八个字:变化、分布、对比、预测

变化:指标随时间的变动,表现为增幅(同比、环比等);分布:指标在不同层次上的表现,包括地域分布、用户群分布、产品分布等;对比:包括内部对比和外部对比,内部对比包括团队对比(门店A与门店B的单产对比、销量对比等)、产品线对比(巧克力与薯片的销量对比、收入对比);外部对比主要是与市场环境和竞争者对比;预测:根据现有情况,估计下个分析时段的指标值。将两个核心的内容叠加到一起,分析体系基本就建立了。工具的选择

了解了数据分析的思路,接下来就是进行工具的选择了。Python与R语言目前很受欢迎,但是对于新手来说,这两个工具都太复杂了,光是学习代码编写就能耗费大半的时间,因此建议新手在选择工具的时候,要尽量选择简单易用的,学习成本低的,同时还要确保工具的功能要强大。关于数据分析工具的选型,这里就不赘述了,具体可以参考《BI工具选哪家?聊一聊国内外BI工具的选型对比》,这里选择FineBI作为我们的工具,进行下一步的数据分析。

二.解决方法

1.数据准备与数据处理

数据导入FineBI支持超过30种以上的大数据平台和SQL数据源,本案例中,集团的IT部门每个季度会提供一张商品销售表,因此我们新建一个数据连接,将FineBI连接至企业的数据中

与此同时,FineBI还支持使用FineBI独创的业务包系统对数据进行分门别类的管理

这里我们新建一个商品销售业务包,并把IT数据库中的数据表导入至业务包中

这样就成功将集团IT数据库中的数据导入至FineBI中,下一步开始进行数据处理

数据关联在许多系统中,为了保证数据的安全性以及性能,往往会将一张非常大的数据表拆分成事实表和维度表进行存储,事实表和维度表中一般通过字段ID来进行关联。在关联时也存在多种关联关系,例如1:N,N:1,1:1等等

在这里,我们使用FineBI自带的关联视图,系统可以自动将同名的字段关联对应起来。并且由于一个门店可以卖出非常多的商品,也就是对应N条订单,因此需要按照门店-商品销售=1:N的关系,将数据关联起来。

数据加工在这个部分,需要明确分析的指标。零售生意拆分的方式有很多种,各大咨询公司也有自己的工具,我就不赘述了。本次往简单了说,主要指标就是销量、销售额、成本额。在此基础上还有毛利额=销售额-成本额,我们在数据准备阶段就可以使用FineBI的自主数据集功能,直接在数据层面将毛利额计算出来,方便接下来前端的分析工作

2.前端探索式分析

集团总体数据分析数据已经准备就绪,现在我们着手探究毛利额下降的问题,从哪里开始呢?手头有前两个季度的数据,因此先查看一下总体销售数据,看看毛利额的下降是否是由于总体销售额下降导致的。

使用自主数据集处理好的数据创建可视化组件。通过简单的拖拽,将时间字段拖动至横轴,将销售额拖动至纵轴,就可以生成按日期维度聚集的销售额数据了

在此基础上,使用FineBI快速计算自动计算出销售额环比,并设置颜色依据销售额环比区分,环比为负的显示红色以示警告,环比为正的显示为绿色。还可以添加销售额平均值预警线作为参考指标

按照这个思路继续分析,我们可以发现8月销售额环比提升了12.31%,总毛利额却下降了11.9%,总毛利率更是下降了21.55%,因此问题应该出在成本控制上

各区域/门店毛利率分析定位到了成本的问题,我们需要确认5H1W中的问题发生的地点(Where),因此使用地图组件。在FineBI中,通过地理角色的转化,可以自动将城市名和经纬度对应起来,从而将城市名称与地理信息关联展示。同样的操作,将转换后的经纬度拖入横轴和纵轴,将毛利额字段拖入颜色字段,就可以按地域显示毛利额数据了。可以看见湖南省的毛利数据是存在异常的。

异常品类商品分析进一步分析,使用FineBI的联动功能,制作一个门店毛利率柱状图组件,可以通过点击地图组件中的湖南省,联动至门店组件,从而至只展示问题省份的门店数据

通过地图下钻,我们发现了湖南省长沙市销售存在问题,而进一步通过联动我们发现了具体的门店-长沙梅溪湖店是问题之源,而通过波士顿矩阵图,我们定位到了销售异常的商品为零食类-德芙巧克力

异常订单明细在发现了异常商品后,最后的一步就是订单的排查。通过日期-毛利率折线图和订单明细表,异常订单一览无余。在8月17日七夕节当天,德芙巧克力出现了大量异常订单。可能是员工使用优惠券进行套现行为,需要交由审计部进一步跟踪追查

3.分析成果分享

数据分析师的使命并不仅仅是定位问题,在问题得到定位后,也应当推动问题的解决。因此需要将我们的发现传达给集团的其他团队。我们可以将分析结果以公开链接的形式进行展示,也可以导出成PDF分享给他人。

结语

通过一次简单的问题定位,相信大家已经体会到了数据的力量。数据分析师的创收,不像销售打单那样成果显著,但是会融入到公司产品和服务的各个角落,用户提供更为隐形的优质体验,对公司的发展有着巨大的价值。

End.

作者:帆软

来源:简书

  • 我的微信公众号
  • 微信扫一扫
  • weinxin
  • 我的微信公众号
  • 微信扫一扫
  • weinxin
匿名

发表评论

匿名网友 填写信息

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: