1.管理工作简单化。复杂的运营管理过程用科学思维分析，聚焦数据的主要矛盾点，配以简洁的数据呈现，且尽可能地简化概念来解决，不仅加速了决策效率，也往往还会收到柳暗花明的效果。一个简要的汇总不亚于面面俱到陈列，一组KPI呈现也比数十页的PPT效果要强很多。苏炳添的成就除了其本人的天赋与努力，教练组的科学数据分析与技术突破功不可没。珠宝店被盗案，如果一味纠结于乙与丙两者孰对孰错，则会陷入无解的僵局。
2.优化运营管理流程。通过对经营数据分析，我们了解企业运营资源如何合理分配，流程哪里需要优化。比如，通过对销售额波动分析，我们确认是销售单价的影响还是成交数量的变化；是访问流量的变化还是转换率的变化。通过对库存周转率分析，我们可以推断是采购流程有待完善还是备货策略需要变更。
3.创造更大的价值效益。商业价值的创新来源于数据价值的有效转换，价值可以通过数据呈现。生产中， 当NPI导入量产后，每多久需对ERP系统损耗系数进行调整？哪些制程、哪些料号需要调整？需要通过对生产过程数据进行分析来决定。通过月度或季度生产损耗或不良品的分析，找到降低物料的损耗系数的关键才能提升直通率，降低物料成本的同时才能创造更大的收益。通过SKU营收与利润贡献分析，确定哪些是畅销品，哪些SKU是营收与利润的贡献的主体，哪些成品又是淘汰或迭代的范畴。
4.拓展新业务新商机。数据分析可以避免思维的盲点。有人把数据分析过程是比喻成医生把脉看病的过程。除了不仅要提供体检数据，更得要提供疾病医治与预防的方案。一份新备货方案，一条新的流水线的布局，一个新的客户导入或一个新业务模式的开发，均离不开数据预测、分析与推演。制造企业因为新客户或新业务的导入，如何通过制定年度备货计划提升公司经营业绩？无论是基于目标存货周转率加权法还是二元次线性回归分析法备货，均离不开数据的处理与分析，两者均需从库存的结构（包括原材料、半成品、成品、在制或在途等）的比重构成和CT2R(Circle time to requirement)的构成不同维度进行剖析。
二、数据分析的重点
数据分析含两个关键重点：有用的信息资料与概括总结。对于数据而言什么是有用信息？有用的信息主要包括三个方面：数值、比率、图形（图表）。
1.数值
我们平时接触的数值很多，包括最大数、最小数、算术平均数、众数、中位数，方差等。
最大数、最小数、算术平均数：我们用得太多，不必再做过多的解释。
众数：是一个数组里出现得最多次数的那个数。
中位数：是它的位置处于那一组数据的中间位置的数字。
方差：是各个数据与平均数之差的平方的平均数。
用另一数组对上面六个数假以说明。假设姚明（身高2.26米）与4个中学生（四人身高分别为1.70米、1.75米、1.77米、1.78米）组成一个篮球队，那么这个团队的身高数据分析如下：最大值2.26米；最小值1.70米；中位数1.77米；算术平均数1.85米；方差0.042；如果纯粹看这支球队的平均身高超1.85米，则基本可以达到篮球国家队二队的要求了。而实际上，除姚明外其它四人没有一人超1.80米，也就是说这四人因姚明而“被平均”拉高了，如果断定他们组成的团队能进国家队则完全是误导。
六个数里只有最大数、最小数、众数是真数(合乎实际的数据)，真数不会改变数的本身的任何特性。中位数是半真数，因为当数组出现偶数的时候，它是需要通过计算才能完成的。但凡需要第二次计算，就会出现人为操作或标准不一的失误，所以中位数叫半真数。而算术平均数与方差实际上是假数，因为它们均需要二次计算，而且在计算过程中会出现不可意料的陷阱。
每当某官方公布平均工资，均会引起网民大量吐槽，吐槽我们百分之八十（20/80原则）的人都被马云给平均抬高了，我们均陷入了 “被平均”陷阱。
所以，当出现了这样的数据时，则需要往回追溯，来填补这些异常数据造成的陷阱。怎么样来填补这些陷阱呢？首先要看整个数组里有没有异常值，而必须把异常值剔除掉。也就是说姚明的身高，马云马化腾的收入不能与其他常人一起做算术平均计算。
统计学里数组应该看方差，但实际工作中不到万不得已不建议引入方差或标准方差（Sigma “σ”）。只要能出结论，并非工具越复杂、越高端就越好，而是越快速、越精准地定位找到症结点，并得出有效的结论越好。相比与平均值或方差等假数，我们更尽量多用最大、最小值以及中位数等做数据分析。越是简单、常用的东西，越是管理追寻的高的境界。
2.比率
我们常用百分比多于绝对值。我们常用百分比多于绝对值，先对同比和环比作一个概念上的区分。同比是指相同时间点进行比较，比如说2017年9月和2018年9月。环比就是时间点的比较，比如说2017年9月和2017年10月是一个前后时间段的关系。这是2017年9月第一周（WK35），以及2018年10第一周（WK40，国庆周，特殊日期节点）的销售金额分布。特殊日期节点是不能单纯进行比对，最好是以特殊日期本身作为对比基准。在这个时候要区分国庆假期与非国庆假期，特殊与非特殊时间两者没有同比性，否则就把自己陷进去了。
3.图形（图表）
数字不如图表，在日常的管理活动中，我们常用到柱形、饼图、折线和条形图、柏拉图等组合图。用好图形的坐标以及归类非常关键。
三、数据分析之结论
数据分析后的结论有哪些有效的方法？主要的方法有两种，即：对比法与拆分法。
对比法：管理活动中经常使用，强调四点：
1.对比对象一致。就是两个值基本对象是一致的。
2.时间属性一致。不能一个按月另一个按年度。
3.定义和计算方式一致。库龄定义呆滞，超180天为呆滞还是超360天定义为呆滞，如果不统一，呆滞或滞销数据必定是乱的。
4.数据源要一致。企业如有两套ERP系统账，你从A系统中读数，我从B系统中读数，两套帐又不同步。常出现你的数是对，我的数也是对的，我们俩的数就是对不上。这就是数据源不同步问题。
拆分法：是用来快速定位有问题的字段，找到真因的一种有效方法。电商企业营销活动中，成交额出现了异常波动，需要把成交额字段拆分，成交额=成交用户数×单价，成交用户数=访问数×转化率。拆分是为了最快地找到出现异常问题的那个数。如何拆分，要求所以在折分前建立一个完整的Database。整理一份优秀的数据分析应聚焦三个重点：
数据分析聚焦点
制造企业的KPI并非品牌型企业的关键绩效，线下互联网营销型企业的主要矛盾也并不是线上型的企业想要的。哪些企业要关注营收，哪些企业关注利润；哪些企业关注人均产值，哪些企业更关注人均附加产值；不同的企业不同的时机不尽相同。了解与读懂企业的特性，找出主要矛盾是首要。
复杂的过程简单化，避免偷换概念
未达标的点、明显变化拐点、超出期许的变化等节点的分析比全盘分析要简易的多。
抓住节点数据，则会让复杂的数据分析变得简单化。生产达成或营收达成，我们应重点对未达成目标的节点（工序、品类、平台站点等）进行简述。
降低被误差的概率
为避免特殊，取样科学。一份品质检测数据，为避免失真，科学取样科学读数是前提。加权法或二元次线性回归预测分析法做销售预测时，需读取过去一个月还是六个月或一年的数据，时间段的选取变得非常关键。
数据处理应用，常用的办公软件工具有EXCEL函数、SQL、MINITAB等，熟练地运用其中一至两项，会对我们管理或咨询服务工作起到相得益彰的作用。呈现一份漂亮的数据分析报告，常用到的办公工具有：PPT、WORD、EXCEL表格、XMID、VISIO等，各有各的特点，单就效果，一般是EXCEL、XMIND、VISIO等相互结合使用，并以WORD或PPT呈现。
好的应用是建立在对企业管理流程掌控的前提下，唯有如此，数据分析才能发挥应有的成效，也才能真正回归数据管理的最初本质。
、
推荐阅读：
NICK课堂19年3月课程安排(全链路商品运营管理与数据化大商品企划案)
need-to-insert-img
网友评论