道篇
- 数据分析的商业思维模式
- 数据分析的核心逻辑思维
- 数据分析的核心技术思维
- 数据分析的职业规划设计
术篇
- 如何理解表作为数据分析的核心载体
- 如何分析一个表
- 如何分析多个表
- 如何理解数据模型
- 如何理解基于数据模型的计算
- 如何理解可视化的本质
- 如何让数据模型与可视化紧密结合
- 解密维度分析的抽象模型
器篇
- Power BI 的黑历史
- DAX 的黑历史
- 到底怎么看待 Power Pivot
- 99.999% 的人不知道的 Excel 中最厉害的函数
- 理解 CALCULATE 的本质
- 理解 DAX 核心原理
- 详解三十六个核心 DAX 函数
例篇
- 搞定总裁：如何让总裁大呼过瘾看报告
- 搞定客户：NPS 动态分析
- 搞定产品：帕累托动态分析
- 搞定财务：制作 PBI 高级财务报表

以上，先占位，9种数据分析思维方法

1. 分类

分类是一种基本的数据分析方式，数据根据其特点，可将数据对象划分为不同的部分和类型，再进一步分析，能够进一步挖掘事物的本质。

2. 回归

回归是一种运用广泛的统计分析方法，可以通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各参数，然后评价回归模型是否能够很好的拟合实测数据，如果能够很好的拟合，则可以根据自变量作进一步预测。

3. 聚类

聚类是根据数据的内在性质将数据分成一些聚合类，每一聚合类中的元素尽可能具有相同的特性，不同聚合类之间的特性差别尽可能大的一种分类方式，其与分类分析不同，所划分的类是未知的，因此，聚类分析也称为无指导或无监督的学习。

数据聚类是对于静态数据分析的一门技术，在许多领域受到广泛应用，包括机器学习，数据挖掘，模式识别，图像分析以及生物信息。

4. 相似匹配

相似匹配是通过一定的方法，来计算两个数据的相似程度，相似程度通常会用一个是百分比来衡量。相似匹配算法被用在很多不同的计算场景，如数据清洗、用户输入纠错、推荐统计、剽窃检测系统、自动评分系统、网页搜索和DNA序列匹配等领域。

5. 频繁项集

频繁项集是指事例中频繁出现的项的集合，如啤酒和尿不湿，Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集，目前已被广泛的应用在商业、网络安全等领域。

6. 统计描述

统计描述是根据数据的特点，用一定的统计指标和指标体系，表明数据所反馈的信息，是对数据分析的基础处理工作，主要方法包括：平均指标和变异指标的计算、资料分布形态的图形表现等。

7. 链接预测

链接预测是一种预测数据之间本应存有的关系的一种方法，链接预测可分为基于节点属性的预测和基于网络结构的预测，基于节点之间属性的链接预测包括分析节点资审的属性和节点之间属性的关系等信息，利用节点信息知识集和节点相似度等方法得到节点之间隐藏的关系。与基于节点属性的链接预测相比，网络结构数据更容易获得。复杂网络领域一个主要的观点表明，网络中的个体的特质没有个体间的关系重要。因此基于网络结构的链接预测受到越来越多的关注。

8. 数据压缩

数据压缩是指在不丢失有用信息的前提下，缩减数据量以减少存储空间，提高其传输、存储和处理效率，或按照一定的算法对数据进行重新组织，减少数据的冗余和存储的空间的一种技术方法。数据压缩分为有损压缩和无损压缩。

9. 因果分析

因果分析法是利用事物发展变化的因果关系来进行预测的方法，运用因果分析法进行市场预测，主要是采用回归分析方法，除此之外，计算经济模型和投人产出分析等方法也较为常用。

以上是数据分析员应熟练掌握的9种数据分析思维方法，数据分析员应根据实际情况合理运用不同的方法，才能够快速精确的挖掘出有价值的信息！

商业数据分析--思路总结

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

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（进：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；销：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；存：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）。

PowerBI = (Excel + PPT) ²

PowerBI学习中心PowerBI战友联盟由微软PowerBI MVP BI佐罗打造。为您从Excel转型PowerBI构建了科学的课程体系,帮助您成为PowerBI专家。http://www.excel120.com/#/blog/2021/11/211122

数据分析和 PowerBI 和 DAX 的核心相关推荐

powerbi使用说明_商业数据分析神器powerBI功能介绍及使用导引，数据分析必备工具...
Power BI分为四大组件,分别是power query.powerPivot.power View.power Map,同时微软正对power BI提供了不同的使用场景,你可以选择power BI ...
R数据分析：数据清洗的思路和核心函数介绍
好多同学把统计和数据清洗搞混,直接把原始数据发给我,做个统计吧,这个时候其实很大的工作量是在数据清洗和处理上,如果数据很杂乱,清洗起来是很费工夫的,反而清洗好的数据做统计分析常常就是一行代码的事情. ...
大数据分析工具Power BI（六）：DAX表达式简单运用
DAX表达式简单运用数据分析表达式 (DAX) 语言是一种公式语言,Data Analysis Expressions 数据分析表达式,简称DAX表达式,其允许用户定义自定义计算.DAX 包含一些在 ...
「数据分析」Sqlserver中的窗口函数的精彩应用之数据差距与数据岛（含答案）...
上一篇介绍过数据差距与数据岛的背景,这里不再赘述,请翻阅上一文.此篇在Sqlserver上给大家演示1000万条记录的计算性能. 测试电脑软硬件说明一般般的笔记本电脑,2017年7月,价格:4500 ...
Extreme DAX中文第1章商业智能中的DAX
公众号:PowerBI生命管理大师学谦,同步更新,敬请关注第1章商业智能中的DAX 毫无疑问,信息是当今世界上任何一个组织最宝贵的资产之一.作为消费者,我们随时随地都可以感受到各种企业和平台正费尽 ...
PowerBI入门指南
PowerBI作为目前世面上最强的BI软件,也是最厉害的BI生态,按微软的说法,全球97%的世界500强都在用,所以如果无论你是数据可视化爱好者,还是想多条入职大企的技能,都建议你学下PowerBI( ...
1万条数据大概占多大空间_「数据分析」Sqlserver的窗口函数的精彩应用之数据差距与数据岛...
上一篇介绍过数据差距与数据岛的背景,这里不再赘述,请翻阅上一文.此篇在Sqlserver上给大家演示1000万条记录的计算性能. 测试电脑软硬件说明一般般的笔记本电脑,2017年7月,价格:4500 ...
BI分析工具选型：从PowerBI到FineBI的9个理由！
现如今,在谈到商业智能(BI)分析工具时,目前国外主要的两个行业领导者分别是微软的PowerBI和Tableau.根据著名国际咨询公司Gartner公布的2017年度北美BI魔力象限报告中内容指出,微 ...
python中数据分析的流程为-python数据分析011_数据分析流程
一.确定分析目标 1.数据分析的大忌是不知道分析方向和目的,拿着一堆数据不知所措.一切数据分析都是以业务为核心目的,而不是以数据为目的.所以,我们应该先定分析的目标,然后在处理数据. 二.处理数据 1 ...

数据分析和 PowerBI 和 DAX 的核心

商业数据分析--思路总结