公司运营中数据分析的思路

  在企业的日常运营当中，少不了对企业经营各种各种的分析，如：财务分析、运营分析、数据分许等。今天我们就主要说说数据分析的思路。

  先总后分的数据分析思路，让我们在分析细节问题时能够有全局的观念。如果一上来就陷入到细节的分析中，则往往对数据的差异性解读不知所终——为何会这样呢？发生了什么？为何会发生这种情况？要回答这样一些问题，往往需要将问题本身放到一个更大的环境中去看。

  例如公司的利润下降了，这是一个汇总的数据，要分析公司利润下降的原因要通过数据来查找。因为利润的公式为：利润=收入-支出

  利用这个公式我们大家可以把一个总的问题——利润问题，转化为两个比较小的子问题。利润下降的根源存在5种可能：（1）支出不变，收入减少；（2）收入不变，支出增加；（3）收入和支出都减少，而支出减少更少一些；（4）都收入和支出都增加了，但支出增加更多一些；（5）收入减少而支出增加。接着能够继续对这两个子问题进行进一步的拆解。其中：

  如果是收入下降，那么有4种可能；（1）销售数量不变，销售单价下降；（2）销售单价不变，销售数量下降；（3）销售单价和销售数量都下降；（4）销售单价和销售数量一个增长而另一个下降，下降的那个要素下降的幅度更大一些。

  如此一级级不断拆分下去就是先总后分的分析思路。先总后分的分析思路的好处是先有整体后有部分，即先有整体的概念，再在整体的组成要素中寻找造成整体变动的原因，找到原因之后再继续拆分，直到无法拆分为止。当要素不能拆分时，往往这一些要素要么是不可控的外部因素，要么是能够内部控制的单因素，这样就能够找出处理问题的方案了。

  在从总到分的分析过程中可能会出现不同的要素拆分思路，总销售额可以是销售数量×销售单价，或者是销售人员平均业绩×销售人员人数，或者是单店平均销售额×专卖店数量，或者是客户数量×单客户平均成交金额，还可以是复杂的求和公式。拆分方法不一样，我们追根溯源的思路就会不同。当用销售单价作为因子去分析的时候，我们在考察客户销售额和客户数量，即我们在客户开源或者客户关系管理体系中是不是真的存在的问题；当我们用销售数量和销售单价作为因子的时候，我们是在考察产品中存在的问题；当我们用业务人员作为因子的时候，我们是在考察业务人员的努力程度的问题。要素拆分的视角不同，考察的内容就不同。要考察什么，就从什么视角进行要素拆分，这样才可以真正找到问题的根源。

  先总后分的分析思路很容易理解，但是当我们拿到数据开始思考和规划该从什么角度做多元化的分析的时候，往往忘记了基本的出发点。拿到数据集后我们的第一反应应该是：这是一个什么数据集，这个数据集中有哪几个方面的数据，每个方面都有哪些信息点，每个信息点都能轻松的获得什么信息，不同信息点之间是不是有关联影响，能否通过信息点的组合产生新的信息点，这一系列的思考本身也是“先总后分”的结构，然后再开始着手从总的视角进行拆分。

  例如，下面需要分析公司中几千名员工的基础信息表。除非上级经理已经指定相关的分析思路和方法，以及提出了对分析结果的要求，否则我们应该自己在数据集中探索出有价值的数据分析结论，从而为公司的管理者提供决策依据。可以先看看员工的基础信息表中包含了哪些信息，一般有以下几种：

  （1）人口统计学特征数据字段（性别、年龄、身高、体重、血型、种族、出生日期、籍贯、住址、婚姻状况、子女生育状况等）。（2）员工教育培训和学历等信息（教育经历、专业学科、特殊技能、参训课程等，主要反映员工的技能状况）。（3）任职经历（公司、岗位、取得的成果、入职日期、岗位调动历史等）。（4）身心健康有关信息资料（体检记录、身体疾病记录等）。（5）宗教信仰等，也包括因为种族或者宗教信仰所影响的饮食禁忌、生活禁忌等。

  先把信息表分解成为几大类数据，然后将每一类数据细分到具体的字段，这样有助于我们不难发现整个公司的人才结构、能力水平分布、员工来源地分布。通过从不同方面做统计汇总分析，我们大家可以了解目前公司的人员管理状况，以及有几率存在的问题。

  综上所述，先总后分的分析思路是所有数据分析工作的基础，使用此思路能够初步解决拿到一个数据集不知该怎么样做分析的问题。

  根据先总后分的结构分析思路，我们在每个层级中都可以找到存在问题或者有差异的因素，然后针对这些因素进行再次拆分，顺藤摸瓜，直到找到问题的根源。这种分析思路需要强大的精细化的原始数据作为支撑，如果一个公司中的数据不完善和不全面，在层层追踪的时候就会继续不下去，也就无法找到问题的原因。

  某公司做数据分析的过程中发现一个规律：当公司的生产额偏低时，产品的返修率和退货率就会上升，当公司在旺季产能几乎饱和的状态下加班加点生产时，产品的返修率和退货率都极低。我们本来以为生产越忙，产品的品质肯定会被忽略，容易导致次品的产生，但事实数据表明我们错了。继续追究原因时，我们发现缺少足够的数据支撑，无法追究下去，所以只能从产生次品的原因（“人机料法环”的维度）逐步确定对比的方法，然后通过设定数据采集点，进一步跟踪这个问题。当历史问题因为缺少数据而无法得到解答时，只能等新的数据产生之后再研究原因。

  后来我们发现主要的原因来自人的因素，因为生产不饱和时，计件工资的工人工作积极性不高，容易懈怠，导致次品的产生率较高，而在生产饱和甚至加班加点生产时，计件工资的工人收入很高，工作积极性高，他们生怕犯错后被公司开除，所以做事也非常小心，次品的产生率较低。可见一线工作人员的工作积极性与产品的品质是有关系的。后期该公司加强管理，做好生产计划预测，调整人员数量，让上班的员工都能有较好的收入，并结合员工教育培训，让员工认识到产品品质的重要性，从而降低了淡季时产品的返修率和次品率。

  任何一个小的现象背后都可能蕴藏着巨大的机会。在进行数据分析的过程中，对于特殊现象要明察秋毫，抓住一个点，然后用数据去追踪，直到找到问题的根源。要有抽丝剥茧的精神，把各种各样的经营活动现象理清理顺，不出纰漏，这一方面需要对业务充分熟悉，另外一方面需要一种精神，一种严谨的态度，这也可以说是数据分析人员的“工匠精神”。虽然现在是大数据时代，但是大多数人认为现象背后的因果逻辑关系并不重要，但笔者认为，这个因果逻辑关系仍然很重要，但是如果希望快速得到价值回报，则可以先根据关联关系等现象采取一些手段将分析结果用于调整企业的经营和管理，但是如果能够找到背后的原因，那么对于丰富我们对数据的理解非常有好处，甚至会成为一种知识，一种对群体现象的Know-how（诀窍）。

  关注细节是数据分析师首先要具备的能力。细节能力在于能否在微小的差异下感知差异驱动因素的能力。一般人最多能够感知两位小数的差异，而敏锐的数据分析师能够从微小的差异中找到驱动差异的因素。一般我们会说9.5%和9.4%没有太大的差异，但是数据分析师会追踪这个差异是由什么因素导致的，会不会有一些新鲜事物发生，这些新鲜事物在未来是否具有成长性的力量。例如在客户中忽然多了一类新客户，这类新客户是不是一类新的趋势，是否需要关注，经过几个月或者几次的接触之后，数据分析师会将自己敏锐的视角转向这个维度，通过长期对数据跟踪，给出一个前瞻性的预判。

  关注奇异点。在统计学占领导地位的数据分析时代，我们在对一个数据集做多元化的分析时，往往会对数据进行描述性分析，即将显著的outlier（奇异点）都去除之后再进行分析。因为我们认为这些奇异点数据往往是受随机因素影响而产生的，我们更加关注核心的问题，所以会消除奇异点再做分析。现在的大数据不再是抽样数据，而是完整的数据集。存在就有其合理性，这种存在的背后一定有其存在的原因，而任何一种存在都有追踪的价值。

  作为一名数据分析师，不是简单地处理数据这么简单的，更重要的是要理解数据背后的逻辑关系。很多人说大数据不需要关注因果逻辑关系，只需要知道数据之间的关联关系就可以了。而作者觉得这是错误的认识，是急功近利的表现，虽然这样可以取得短时间的经济效益，但理解数据背后的逻辑关系，可以让我们更好地做出预测。

  互联网改变了信息的传播方式，改变了人们的沟通方式、交易方式和生活方式。互联网让消费者发出了声音，所以消费者的话语权变重。企业必须要按照消费者的需求组织生产，以满足消费者的需要，这也改变了很多公司的经营方式和商业模式，重置了消费者和生产者之间的关系结构，有了C2F（C2B或者C2M）等各种新的经营模式创新。

  大数据改变了信息加工的方式，也必将改变我们的思考方式、认知事物的方式、认知社会和大自然的方式、应对大自然和社会各种活动的方式。在企业管理中，大数据会改变我们的管理方式、决策机制。大数据必将产生更多的智慧，让我们更聪明地做事，更加有效地做事，减少浪费，提高工作效率。大数据让资源的利用更有效，让资源配置达到最优化，逐步提升人类的创造能力。

  现在我们还不太清楚大数据将改变什么，就如1999年到2000年时[1]，我们还不清楚互联网能够改变什么一样。

  必须要追求因果关系，必须要追求现象背后的逻辑关系，这样我们才可以从大数据中产生智慧，而不是仅仅产生现象之间的关联关系。

  数据分析最终都要形成结论，而结论是对数据所揭示的洞察的定性化总结。这是一个从定量分析到定性总结的过程，是形成洞察和“智慧”的路径。例如，“啤酒与尿布”这个词慢慢的变成为一种关联关系的代名词，或者是一种购物篮分析方法的代名词，这就形成了一个概念。这个概念有内涵：购物车中的尿布和啤酒的共存关系；这个词也有外延：关联关系、购物篮分析算法模型，以及其他数据挖掘分析的应用等。

  我们在做数据分析时要格外的注意概念的清晰化，易产生多种理解的概念要详细解释，不可以让概念产生歧义，衍生出错误的认知。

  大数据的概念同样有内涵和外延，甚至不同的人有不同的认知。随着大数据技术的发展，我们对大数据概念的理解肯定会发生变迁，甚至会发生颠覆性的变迁，我们要随时准备好。

  所以在数据分析的过程中，概念要清晰，要有明确的内涵和外延，必要的时候要做好精准的解释。例如我们从销售数据中看到去年年底11—12月销售额技术性下跌，到了今年的1—2月销售额又开始了大幅度的上涨，那么就非常有可能存在“囤货”的现象。囤货是一个概念，是指销售人员在一段时间内“惜售”。当产品价格处于快速上涨的时间段内，有存货的经销商就可能会存在惜售行为，因为晚卖一天，产品的价格就非常有可能提高1%，这对经销商来说有强大的吸引力。当然，如果销售团队完成年度目标后，超额完成的销售额会影响来年的销售计划和目标，而对激励影响不大甚至有负面影响时，销售团队也会“惜售”，产生技术性断货，因此导致公司丧失一定的销售机会。因此，对“囤货”的概念的解释要做到清楚和明白。

  与“囤货”相对应的是“压货”。所谓的压货是指通过调整销售政策，将更多的产品销往渠道或者最终用户，从而在短时间内提高销量的方法，这中间还包括一些促销活动。本质上的压货是指为了快速完成销售业绩而采取的各种措施，并非产品被快速消费掉了，而是形成了渠道、中间商或者最终用户的库存。例如，销售团队在年底为了冲刺销售业绩，给渠道商非常优惠的条件，例如只要渠道商的订货量达到某个标准，就能够轻松的享受一定的折扣，大幅度的让利让渠道商一下子进了很多货，而这些货是一下子卖不出去的，需要更长的周期才能消化，但销售团队的业绩完成了。这种现象会让公司提前消费了市场需求，不但不会扩大市场，反而会损害公司的利润。

  2020年我们关注：物流、教育、新消费领域为主，以上三领域均已与资方达成共识（19年度《咸蛋说》平台已经为多家企业成功融资，行业涉及：物流、AI、无人驾驶等行业，欢迎资方和项目方私聊。）

  审计业务：出具非上市公司/上市公司年度审计报告、专项审计报告、管理建议书、合规报告等

  公司管理业务：财务整理（含多账合并）、内控管理、全面预算管理、内审制度建立等

  FA业务：财务顾问、法务顾问、新三板挂牌辅导、IPO实施、投融顾问、私募基金、场内外长期资金市场、并购重组。