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。

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。

解决方法

一、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

二、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

三、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。