谷歌联合创始人 Avinash Kaushik：什么是数据分析闭环以及百亿市值公司是如何应用数据 ... - 推酷
谷歌联合创始人 Avinash Kaushik：什么是数据分析闭环以及百亿市值公司是如何应用数据 ...
原文作者：谷歌联合创始人
Avinash Kaushik
编译作者：吆喝科技创始人及 CEO 王晔
Avinash Kaushik 写的《 The Lean Analytics Cycle: Metrics & Hypothesis & Experiment & Act 》一文，个人认为其中的方法论对我们应用数据分析来指导商业实践是非常有价值的。
Avinash Kaushik 这篇文章做了大部分编译的基础上，也提出了我的一些个人看法和思考。限于篇幅原因，原文里的四个案例，这里只摘了 Airbnb 的例子，感兴趣的朋友可以在文末查看原文。
我的一些思考：
Data Driven ）的概念在国内有了很长时间了，但真正实现数据驱动的公司却少之又少。要做好精细化运营，需要用好数据，用数据来驱动运营和产品增长，而其中的关键则在于实现数据分析闭（循）环。
创造和使用数据的人，需要具备用数据来分析和决策的能力，特别是能够把具体数据对应的业务意义理解清楚，这些人硅谷互联网圈称之为 “ 增长黑客 ” 。
Airbnb 的一个 A/B 测试的试验结果是房屋详情浏览下降而订房率上升，那么说明什么问题？应该采取什么行动？是不是因为在试验里房屋展示列表改进了，让用户可以更加快速的发现自己想要的房屋（从而减少浏览房屋的次数而提高下单的可能）？另一个相反的可能，试验里房屋列表展示有问题，让用户能点的房屋变少了，下单的增加仅仅是因为试验里增加了促销奖励？增长黑客需要对数据进行合理的判断，然后做出相应的决策（显然，不同的判断往往带来不同的决策）。如果试验结果的分析不明朗，我们可能还需要重新设计试验，比如减少试验的变量，或者增加更多的试验版本。
KPI 作为核心优化指标（订单量），试验数据会更加容易分析。
产生数据的工具，需要保证数据的准确和可信，特别是 A/B 测试的统计结果必须足够收敛。
B 版本比 A 版本提高了 10% 的下单，但是 “ 误差 ” 达到了 50% ，那么这个试验数据的可参考价值就几乎不存在了，对于我们的产品优化也没有用。
对原文的编译：（可能未必准确，建议在读了中文之后有兴趣再读一下原文） &
那么，什么是数据分析闭环？
---& 假设 ---& 试验 ---& 行动。无论你做的在线，离线，或是非线上的业务，都需要这个闭环来指导业务增长。
A/B 测试）验证假设并最终驱动业务增长。
Airbnb 的案例让大家更好的理解精益分析循环如何指导业务实践。
精益数据分析模型
4 个步骤清晰的解释了你该如何来用它指导业务。首先，要找出你想提升什么；然后创建并运行试验；最后衡量试验结果并决定采取什么行动。
创业（精益创业是指基于数据分析进行持续的迭代提升）的概念，它能帮你放大已经验证有效的想法，抛弃无效的想法，并根据数据反馈来调整目标方向。
指标 ---& 假设 ---& 试验 ---& 行动
1 ：找出优化指标
是提升转化率？
是提升访客注册数？
& &&&&&&&&
& &&&&&&&&
& &&&&&&&&
商业模式。我们举柠檬水摊的例子，那么你的商业模式就是一张表格，这里记录了柠檬和糖的价格，经过摊点的人数，多少人停下来买水喝，以及你收费多少。这里有四件事对你的生意很关键，其中一件有待改善。这就是现在你的业务非常重要的一个指标。只选一个指标出来，因为你要优化它。
KPI 相关，如果是购买人数，那么指标是转化率。如果是发送的邀请数，指标就是病毒性。如果是离开的付费用户数量，就是流失率。
5 美元才能达到收支平衡，那么这就是你的目标， KPI 的目标。
2 ：提出假设
& &&&&&&&&
& &&&&&&&&
& &&&&&&&&
& &&&&&&&&
& &&&&&&&&
& &&&&&&&&
& &&&&&&&&
& &&&&&&&&
测试一个新功能
& &&&&&&&&
& &&&&&&&&
& &&&&&&&&
& &&&&&&&&
“ 有根据的猜测 ” ，因为它提供的解决方案是由一些证据得出的。
KPI 所做出的有根据的猜测是基于步骤 1 得到的。
3 ：创建试验
3 个问题再进入试验步骤。
& &&&&&&&&
& &&&&&&&&
& &&&&&&&&
who 、 what 和 why 这三个问题不难回答，但事实并非如此。因为这需要你对客户有很深入的了解。在精益创业里，这叫做客户开发。创建试验的步骤看起来就像是这样：
& &&&&&&&&
KPI ，接下来就是运行试验。
4. 衡量和决定要做什么
& &&&&&&&&
who ， what ， why 周期。毕竟，生命不息，优化不止嘛。
& &&&&&&&&
who ， what ， why 。即使是失败的试验，如果能从中得到教训，就不算是浪费机会。
& &&&&&&&&
we’re being smart, fast, and iterative ！制定慎重的计划，衡量其结果，并围绕更接近我们的目标。识别，假设，测试，反应，以及重复。
已发表评论数()
请填写推刊名
描述不能大于100个字符!
权限设置： 公开
仅自己可见
正文不准确
标题不准确
排版有问题
主题不准确
没有分页内容
图片无法显示
视频无法显示
与原文不一致大数据实践案例_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
大数据实践案例
上传于||文档简介
&&学​习​过​程​中​搜​集​的​大​数​据​H​a​d​o​o​p​的​案​例​,​包​括​农​业​银​行​,​中​信​银​行​等
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩11页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢||||||||||
您现在的位置：&&
数据分析指导商业实践潜力巨大 究竟如何应用？
　　 下面是一个具体的案例，来加深对精益数据分析循环的理解。　　　　 案例：Airbnb　　　　 Airbnb 是美国一家非常受欢迎的共享经济公司提供闲时房屋租赁，他们发现了很多创造性的方式来实现增长，明智和数据驱动是它的代名词。　　　　 步骤1：找出优化指标　　　　 Airbnb 想优化的指标是房屋租赁天数，这对它们来说比单纯衡量收入更重要：如果房东出租房子的时间越久，那么 Airbnb 的业务也会变得更好。为了成就房东， Airbnb 通过列出热门租住房源，来保证留存。　　　　 Airbnb 知道，要取得成功，需要大幅提高每家物业的租住率。　　　　?& 一个关键指标：&房屋租赁天数&　　　　? KPI ：房屋预定　　　　? 目标：不明　　　　? 当前水平：不明　　　　 步骤2：提出假设　　　　 我们不知道 Airbnb 是怎么提出这个假设的，但我们知道它能得到热门租住的房屋列表。　　　　 可能他们注意到这些热门租住房屋的照片看起来更专业。　　　　 可能他们意识到房客的常见投诉是房子的照片和实际上不一样。　　　　 可能他们发现人们在看了照片之后就放弃了列表。　　　　 可能他们他们分析了图片的元数据，发现房屋租赁跟昂贵的相机型号之间有很强的相关性。　　　　 反正他们就是得出了这样的假设：图片越好看，房子租的越好。　　　　 步骤3：创建试验　　　　 有了这个假设，接下来就是创建试验了。通常来说，有一个清晰的假设能让创建试验更容易。 Airbnb 的 who ，what ，why 如下：　　　　 谁是试验的目标受众？在 Airbnb 上查看列表的游客。　　　　 想让他们做什么？租房子更频繁。　　　　 游客为什么会这样做？因为照片看起来更专业，并且让房子看起来更美观。　　　　 那么，这个试验就变成了：　　　　 确定游客们是否会因为更专业的照片列表更频繁地预定房子，并把房屋预定提升 X%。　　　　 这种情况下， Airbnb 真的不需要任何当前数据，这就像对午餐的一次随机评论引出的假设。但即使假设不是建立在硬性数据中，试验设计也必须建立在硬性数据上。　　　　 为了运行试验， Airbnb 创建了精益创业里的最小可行化产品（MVP）。就像魔法师：大多数辛苦的工作都是在幕后做的，但观众认为他们看到的就是真相。　　　　 Airbnb 不确定试验是否有效，所以团队不打算雇佣全职的摄像师或给应用添加一个新功能。但同时，他们必须对实际功能进行真实测试。　　　　 这给我们一个很好的经验，你不需要建造一个宏伟的闪亮城堡，你不需要万事俱备才开始测试。你可以开始小的，精益的，低成本的测试，只对客户测试你想测试的部分，来验证（或反驳）你的假设。　　　　 Airbnb 的试验包含一些看起来像是一个真实功能的东西，但其实只需要摄影师就能解决。在试验过程中，摄影师为房屋拍照，然后测量 KPI ，再把有摄影师拍照和没摄影师拍照的房屋进行对比。　　　　 步骤4.衡量表现　　　　 在这个案例里， Airbnb 衡量了有专业摄影师拍摄的房屋以及屋主自己拍照的房屋的预定量。那么结果如何？有专业摄影师拍照的房屋平均预订率翻了2-3倍。　　　　 记住原始数据不是唯一重要的部分，我们需要衡量统计显著。 Airbnb 的试验数据足够证明结果的可行度。　　　　 && Avinash　　　　 到2011年，公司已经有了20名全职摄影师。　　　　 Airbnb 的业务和商业模式做了很多对的事情，但精益过程和A/B测试是提高预订率的关键因素，显然，试验是成功的。　　　　 从 Airbnb 的案例中我们学到什么？　　　　 精益数据分析循环是快速推动变革非常核心的因素。精益数据分析循环和精益模式是一个整体，他们可以用于处理不确定事件，但他们不是随机的。第一步里很大的考量是如何确定 KPI （包含&一个关键指标&），这将成为我们试验的指引。第二步里有很多考虑，以确保能做出最佳假设，然后通过深入清晰地定义 who ， what ， why 来弄清楚如何进行试验。最后，衡量我们是否成功。然后不断内化吸收，最终成功。　　　　 关于数分析闭环的一些思考　　　　 要让数据闭环的价值充分体现出来，企业必须具备两个核心条件：　　　　 1.创造和使用数据的人，需要具备用数据来分析和决策的能力，特别是能够把具体数据对应的业务意义理解清楚，这些人硅谷互联网圈称之为&增长黑客&。　　　　 举例来说，如果 Airbnb 的一个A/B测试的试验结果是房屋详情浏览下降而订房率上升，那么说明什么问题？应该采取什么行动？是不是因为在试验里房屋展示列表改进了，让用户可以更加快速的发现自己想要的房屋（从而减少浏览房屋的次数而提高下单的可能）？另一个相反的可能，试验里房屋列表展示有问题，让用户能点的房屋变少了，下单的增加仅仅是因为试验里增加了促销奖励？增长黑客需要对数据进行合理的判断，然后做出相应的决策（显然，不同的判断往往带来不同的决策）。如果试验结果的分析不明朗，我们可能还需要重新设计试验，比如减少试验的变量，或者增加更多的试验版本。　　　　 注意，选择合适的关键KPI作为核心优化指标（订单量），试验数据会更加容易分析。　　　　 2.产生数据的工具，需要保证数据的准确和可信，特别是A/B测试的统计结果必须足够收敛。　　　　 假如数据统计的结果是 B 版本比 A 版本提高了10%的下单，但是&误差&达到了50%，那么这个试验数据的可参考价值就几乎不存在了，对于我们的产品优化也没有用。　　　　 在关键性的企业决策工作中，人的作用依然大于机器，就是因为人可以通过经验和思考帮助判断数据的可信性，从而避免让错误的数据带来错误的决策。　　　　（原标题：如何应用数据分析来指导商业实践？）
(来源：吆喝科技)
@中国智能制造网
扫一扫，官方微博互动多
微信号：gkzhan
扫一扫，智造信息随手掌控
全年征稿 / 资讯合作联系邮箱：
凡本网注明"来源：中国智能制造网"的所有作品，版权均属于中国智能制造网，转载请必须注明中国智能制造网，。违反者本网将追究相关法律责任。
本网转载并注明自其它来源的作品，目的在于传递更多信息，并不代表本网赞同其观点或证实其内容的真实性，不承担此类作品侵权行为的直接责任及连带责任。其他媒体、网站或个人从本网转载时，必须保留本网注明的作品来源，并自负版权等法律责任。
如涉及作品内容、版权等问题，请在作品发表之日起一周内与本网联系，否则视为放弃相关权利。
周排行月排行
当前，除了航拍以外，无人机还有更多行业性应用未被挖掘。在
此次工博会，中国智能制造网拟邀请近30家优质参展企业做客节
本站现长期向广大网友作者征集文章稿件，欢迎大家将自己的作
为鼓励中国智能制造网会员发布更多优质佳作，并获得更高关注
为鼓励我们的会员能发布更多优质原创佳作，中国智能制造
纵观这一年，智能家居领域动作不断，无论是在政策、技术还是
蚂蚱腿机器人、厕纸机器人、酷似馒头的机器人、娃娃鱼机器人
市场的风向早已转变。现在，人们对智能设备开始趋之若鹜，一
随着无人驾驶技术的发展，越来越多的企业加入到这一领域中来
随着各种新型技术在工业领域各行业的广泛应用，我国智能制造
随着物联网、云计算以及大数据技术的迅猛发展，加之全球化、
随着经济的发展和技术的进步，汽车日益成为人们日常出行必备
12月10日，大疆在上海新天地开出全球第四家旗舰店，营业面积
从历史来看，每一次科技进步最终创造的就业，都超过所消灭的
12月9日，正值2016年年末之际，第二届3D打印产业大会(上海)
当前东莞正处于在更高起点上实现更高水平发展的重要战略机遇
十年来，云计算从一个名词概念，到质疑可行性，商业模式到一
2016中国（珠海）绿色创新电力大会暨首届中国电力创新成果展
汽车电子从半导体行业诞生以来就开始发展了，车联网从互联网
滴滴出行资深副总裁章文嵩在会上与大家分享了滴滴平台上的众
为推动物联网的健康发展，2016年以来，世界各地陆续开展物联
作为智能制造的重要一环，机器人在“十三五”期间被提升到国
2016年，互联网巨头都在秀人工智能“肌肉”，百度也不例外。
推进智能制造，标准化要先行。为指导智能制造标准化工作，在
当前，智能工厂建设已成为智能制造产业发展的重中之重。2016
　　10年稳步发展厚积薄发，中国智能制造网积累了业内最全面大数据在商业地产运用案例_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
大数据在商业地产运用案例
上传于||暂无简介
阅读已结束，如果下载本文需要使用0下载券
想免费下载更多文档？
定制HR最喜欢的简历
你可能喜欢四大业务场景解析数据化运营的最佳实践
来源：中国网
　　导读：“要想做好数据化运营，最佳实践就是业务和技术并重，这也是永洪不断努力践行和优化的方面，我们不只是给客户提供产品，还包括完善的后期的服务――实施、培训，甚至数据咨询等，我们都有相关的配套服务，这样可以让客户真正地把数据价值落地，在业务场景中将数据价值变现。”――永洪科技高级副总裁王桐
　　以下内容整理自王桐先生在7月23号永洪上海大数据峰会上的演讲原文。
　　作为一家以产品见长，不管在技术还是在易用性等方方面面，都希望把产品打磨到极致，并以它为生存之根本的一家公司，为了体现对产品的信心，我这个环节演示的时间会大于PPT的时间。我们结合实际分析的业务场景来看一下数据化运营的最佳实践是什么样的。
　　今天涉及到的场景包括四个方面：1.用户画像的场景，它的数据化分析是怎么做的;2.销售型的企业，它的销售分析可以怎样做;3.对于一些有流通环节的物流企业，物流分析怎么做;4.还有任何一家企业的老板和财务都会非常关心的，企业财务指标的分析可以用怎样的方式去做。从这四个角度看怎样做数据化运营这件事情。
　　场景一，用户画像的场景
　　这也是现在在数据分析领域里面非常热门、非常经典的数据分析的用处。上午黄总也讲了(000333,)怎样在全球做自己的用户画像，然后指导业务。首先我们要回答一个问题，做用户画像的目的到底是什么?其实做用户画像有两个大的目的是最典型的。
　　1.服务于产品研发设计人员，对于一个电商平台，可能有选品人员、买手和研发设计人员，用户画像可以作为他们的业务指导依据。
　　以前传统企业上新品的时候往往是闭门造车，根据自己的想象觉得消费者和用户喜欢什么，然后就做一个什么样的产品。这样就会导致市面上新品存活率很低，即使是宝洁这样的巨头公司，其实它的新品存活率也不超过百分之十几。所以大量的研发、资源和资金都浪费在这里面。
　　那么通过用户画像可以改变什么?当选品和研发设计人员想设计或者挑选一个新的产品提供给用户的时候，可以先针对目标用户群体做数据分析和需求调研，看看这部分用户的喜好和特点是什么，然后再有的放矢地设计新品，这样可以提高新品的存活率。
　　举一个传统家电业的例子。假设现在想要针对年轻女性设计一款新的电视，那么研发设计人员就可以勾选“电视、女性，年龄段”等等多维的条件，这样缩小了范围，就会发现用户诉求、功能诉求、购买渠道排名，然后就能够实时聚焦到这部分用户群体和电视产品相应的分析结果。
　　我们来看功能诉求这一块，功能诉求通过一个“词云”来展示，用户在功能诉求上面最突出的几个词，我们可以看到3D电视、智能电视，这是年轻女士非常青睐的电视功能。然而有客户曾经遇到过一个非常反直觉的真实案例，4K电视是这两年比较火的新的概念，但对于年轻女性来讲，她们对4K电视并不感兴趣。所以如果不做用户需求的调研，就贸然地赶新技术的潮流，针对年轻女性设计一款4K电视，那么新品的存活率一定不容乐观。
　　其实在实际的业务应用场景中，除了功能诉求以外，还可以在仪表盘上面放N个不同功能诉求维度的词云图。另外，像颜色诉求、价位诉求、尺寸诉求和类型诉求，这些都可以做一个聚焦的细分。
　　对于企划人员来说，其实只通过几个简单的操作就可以在一分钟内，快速得到一个既具体、又精准的结论。如果想针对一部分用户设计一款3D、智能、白色、52寸以下、4500元以下、壁挂的一个电视，可以想象一下，如果拿到这样具体的指导，其实后面要做的事情就是把工业设计、美观的部分做好就可以了。首先新品的调研和研发的周期就会得到一定程度的缩短，可以提高效率。再者，消费者在做购买决策的时候，会发现他心里所有的硬性条件这个产品都能满足，他只需要看一下品牌和样式，就能做出消费决策。比起传统的方式，这样非常简单的方式更容易被人接受。企业通过非常简单的方式，就可以几倍地提高新品存活率，这样在市场中想要通过新品扩大市场占有率，就是非常可行的事情了。
　　2.针对业务需求。通过我们的产品做出这样一个仪表盘，其实是几分钟就可以做到。但是选哪些分析指标和维度把它们组合到一起，放到同一个页面上面，便是业务需要考虑的事情了。因为每一个图表都是数据不同的角度，既然业务人员把这些图表放到一个页面上面，说明他们之间肯定存在关联关系和业务逻辑，那怎样的一个业务逻辑，包括筛选器怎样摆放、布局、整合思考逻辑，这就是需要业务功底的地方。
　　所以业务的功底和IT技术相结合，就能做出一个简单易用又实用，并且效果非常好的数据分析的仪表盘。我们动辄言称大数据，其实真正做好的结果，并不一定是多难懂、多复杂的东西，因为实用的东西一定是简单的，这样才容易被理解、被掌握，然后才容易在企业内部做大范围的推广，才能做到人人都是数据分析师，但凡它有点复杂、有些门槛，都会让事情变得不那么可控。
　　我们知道，只要涉及到做BI或者做数据分析，一定是IT和业务并重的事情。IT数据处理的部分，比如说某个词云的词的数据源是怎么来的，它的算法可能是比较综合的，可能这部分的数据有0.8的权重来自于过去ERP里面已成交的购买记录，另外0.2的权重可以分配给从网络上面抓回来的舆情数据，把分词提取出来。这样既看了过去的实时分析结果，又看了未来的热点和可能的趋势，综合起来得出这么一个功能诉求的标签。
　　3.另外一个典型的目的是精准营销。对什么人、卖什么产品、什么渠道卖、用什么样的方式卖?这需要结合用户的喜好和特点，因地制宜地制定营销策略和内容。
　　比如说还是同样的新品，这个新品已经做出来了，那在什么渠道首发呢?首发的促销应该在哪一个线下活动的渠道上面做?哪个效果是最好的、能够一炮走红?
　　假设现在整体的电视渠道是、精品、国美、社区店这样的排名，假设通过数据分析，最终做的是一款3D的电视，它的渠道排名和整个电视销量的渠道排名可能会不一样。我们放大一下图表，就会发现其他所有的图表都是一起联动的。这个数据就能告诉我们答案，如果做智能电视首发渠道应该是苏宁，而不应该是精品店或者社区店，因为在智能电视里面，苏宁的排名是第一的，首发促销的活动在这个渠道上面做，可能得到的效果是最好的。
　　场景二，销售收入分析的场景
　　如果对用户基本的属性做一个调研，我们可以基于过去用户购买的客单价，还有通过调研手段得到他的年收入，也综合地得到一些标签，包括区域分布、性别、职业、年龄、教育水平等等，这样就能快速地掌握某个用户群体整体的特征。
　　上午我们CEO讲了很重要的一点，过去数据分析的瓶颈是静态报告，刚才我们有一个动态的例子，这个动态其实可以应用在每一个图表当中，因为每一个图表都是我们看数据的一个角度，应该从任意一个角度进去，从其他任意一个角度出来，这样完成一个无穷无尽组合的交叉对比分析的过程。
　　比如想看一下三十几岁的这部分中年人或者中青年人的教育水平、区域分布、性别比例、职业比例到底是什么样，应该怎么做呢?很简单，选中这部分人群年龄的柱子，跟刚才一样，再放大一下，这时候就看到教育水平、性别比例，这样局部用户的特点马上就知道了，然后就可以针对这部分用户的特点去制定营销的策略和内容。如果下一次企业想针对二十多岁年轻人设计产品的时候，也是同样的道理，同一个页面可以反复应用，不断支撑未来无穷无尽的业务上的需求。
　　分析的页面之间是有层次的，这是偏宏观的分析。假设要了解“时尚新贵”这个标签的用户群体购买力是怎样的，把报表都放在同一个页面上会显得特别的拥挤，而且会干扰决策者看数据和思考。那么做成不同的页面，用符合业务逻辑的方式把它们串接起来，点一下“时尚新贵”这个气泡，我们就可以到家庭购买力的分析页面上，“时尚新贵”这部分人群的家庭收入水平、住房情况。我们可以看到“时尚新贵”过去总消费是三千多万，60%的人都是属于中购买力，29%是属于高购买力，只有4%的人是属于低购买力，这样就对这部分的用户有一个更深刻的了解。
　　如果换一部分人群，“保守谨慎”。可以点击一下“保守谨慎”的气泡，然后我们就会看到“保守谨慎”这部分人的购买力的情况。可以看到总消费五百多万，75%的人属于低购买力，年收入的情况也会相对比较少。所以把页面做出不同的层次，每个页面尽量的简洁、简约，这是非常重要的。
　　再看一个我们销售的例子。经常有客户在前期接触的时候会问我们：你们能做什么样的数据分析?到底是做销售的?还是市场的?还是财务的?我们会告诉客户，不管你有什么样的数据，只要你有数据，我们就可以帮助你做分析。也就是说只要你有了数据，你想对它做任何的价值变现和落地实现，中间整个通道上面需要的所有环节，都可以用我们的一站式的大数据分析平台进行打造和实现。
　　这是销售汇总的报告，我们可以看一些宏观的指标，包括总销售额、总利润额、产品和区域的交叉对比。跟刚才一样，点一下总销售额，可以到销售明细的报告的情况。这时候动态报告和业务具体是怎样结合的?我再举一个例子，比如说在产品利润趋势的这个曲线，我们发现从7月份开始连续三四个月都是下滑的，发现问题肯定是不够的，怎么去找到问题的答案呢?永洪数据科学研究院在讲课时也会讲，对于发现问题、找到答案的过程，我们用到数据分析的思想就是细分的思想，要对它做不同维度、不断地细分，看到底是哪一个区域利润下降了，哪个产品在哪个时间段利润下降了。直到定位到具体的某一个责任人的时候，这个时候才停止。
　　怎样做这个细分呢?跟刚才的操作其实一样，把这四个月的数据圈选住，再联动一下，这个时候所有的图表都会淡化掉，只高亮显示选中的四个月的数据。哪些产品在这四个月的库存相对比较高，说明有可能是造成利润细化的原因;哪些产品的收入在这四个月相对比较少，这就有可能是造成下滑的原因。造成任何一个问题的原因往往不是单一的，这样可以在一个页面上把这些原因一目了然的看清楚，这样有一个全局的掌控。
　　有人可能会问，为什么不像刚才一样放大?放大以后，这个图表不会有淡化和高亮对比的效果，而且如果用放大的方式，我们看到的就是这些产品四个月来的收入和毛利的数据。为什么这一次用高亮的联动方式呢?因为如果只用那种放大的聚焦，最后筛选出来这些产品，可能我们看到一些产品收入高或者低，其实这不能说明问题。因为一些产品本来可能在公司收入占比就比较低，所以它一直是销售收入占比最低的产品，这说明收入低是很正常的，不是造成利润下滑的原因，所以必须把局部的数据跟整体的数据做对比才能知道哪些产品这四个月相对的表现不好，然后去发现造成利润下滑的原因。
　　假设高亮的对比，初步判断是1.5匹的空调造成利润下滑，我们应该怎样去验证?也很简单。双击一下1.5匹的空调的柱子，以它为中心，做一个全局联动，这时候产品利润趋势这张图就淡化掉了，然后新出来一根高亮的线，这根线是1.5匹的空调在这张图上面的利润走势，我们发现从7月份开始连续三四个月确实是下滑的，说明之前的判断是没有错的。假设我们换一个产品，2.0匹的空调，会发现它在这三四个月的表现比较平稳，说明它不是造成利润下滑的原因，这样通过相对比才能真正地找到原因。
　　场景三，跟流通环节相关的，物流的场景
　　很多企业生产的都是有形的产品，不管是自建物流还是跟第三方物流合作，我们总要对它有感知才能知道这部分到底做得好不好，这样才能改进和优化它。
　　这是我们做的一个物流整体分析的仪表板，对于物流这部分，我们最关心的是每个环节类似于漏斗的情况。比如说在流程图里我们看到总发货多少件，每一步的比例是怎样的，这样全球累积发货总的比例都可以在这边看。
　　对于物流来讲时长越短越好，颜色越深说明时间用得越长，说明有改进空间。在全球区域上面会看到，美国和加拿大颜色比较浅，说明用的总时长比较短、做得比较好。聚焦以后，我们会发现它们几乎所有的环节都是低于7天良好的目标线的，离14天的警戒线还很远。它的平均在途周期、平均在建周期是怎样的，我们都可以用这个方式做相应的处理。
　　中间发现每一步都有衰减，说明肯定有很多未完成的订单，这些订单可以直接穿透到未完成的货物列表，去看哪些属于未完成的，并做一些排名。发现超过12天未收的都会有红色显示，超过7天有黄色警告的显示，我们可以看哪些属于延时比较严重的，并且这部分的货在哪些国家，属于什么合同类型，然后就知道是不是合同类型或者这个区域有一些问题了，然后再深入的看一看。
　　场景四，我们看一下财务的场景
　　财务是不管我们做什么行业，最终都要归口的分析。财务分析是一个博大精深的领域，怎样用数据去做好指标体系和分析体系，来指导业务运营的优化?
　　一个比较大的集团性企业的集团领导和职能的领导一般看财务的时候都是怎样做的分析?对于集团的领导来讲，他关心肯定的是比较宏观的一些指标，比如说五大财务能力，包括营业收入、总利润等等。我们可以用这种红绿灯和红绿箭头，让大领导们快速地知道现在哪一点是好的，哪一点是比较凑合的，哪一点有点问题了，我们要快速地找到这些问题的原因。
　　同时，我们做数据分析的时候不能把思想设得特别局限和狭隘，有时候一些跟数据分析相关的图表，可能并不是一个数据分析的图表或者报表，但是会帮助用户和领导来更好地做分析，这些信息可能并不是结构化的数据，其实也有必要放在同样的页面上，帮助我们进行分析。比如说我想知道EVA(税后净营运利润减去投入资本的机会成本后的所得)下降对于股票的走势会是什么情况?我们可以把股票的走势直接放到这里面，这样两者一对比可以看出更多的结论，包括最近公司涉及到的一些重大事项是怎么样，哪些因素影响了EVA的下降，包括后面一些财务的排名等等。
　　我们可以进一步看营业收入的详细指标的分析。比如说看EVA详细的分析。我们可以做模拟数据，因为上午浙大的陈教授已经讲了，数据可视化不仅仅是结果的展现，还有模拟的仿真。对于EVA来讲，利益支出少一点、研发多投一点会怎么影响利润，都可以在这里面调整，这样可以快速地给领导做出一个模拟的数据分析，后面的决策怎样做，即便有十种想法都能够在五分钟之内快速地验证。
　　一个公司的大老板看财务的时候，就不是狭隘的三张报表了，比如说市场竞争的分析、经营业绩指标，还有重点任务的指标和达成，都可以在这里面，由公司的领导去看，当然也可以筛选时间去看。
　　对于一个职能的领导，比如说CFO或者财务总监，也可以看自己的指标，像总策划项目有多少风险项以及后续具体的任务执行情况都可以在里面看。
　　以上我从用户画像、销售收入，从物流还有从财务四个应用场景进行分析，并举了几个在座的朋友们会接触到的一些场景，然后给大家做一个直观的分享，重点强调一个点，要想做好数据化运营，最佳实践就是业务和技术并重，这也是永洪不断努力践行和优化的方面，我们不只是给客户提供产品，还包括完善的后期的服务――实施、培训，甚至数据咨询等，我们都有相关的配套服务，这样可以让客户真正地把数据价值落地，在业务场景中将数据价值变现。
　　王桐，永洪科技高级副总裁。北京航空航天大学工学硕士，拥有8年商业智能领域的产品销售、市场营销经验，此前效力于甲骨文和，均在咨询、销售岗位担任重要职位，曾成功推进多个大型项目的实施，在电商、政府、金融、互联网等行业积累了丰富经验。
　　【免责声明】本文仅代表作者本人观点，与无关。凡来源非金融界网的新闻(作品)只代表本网传播该消息，并不代表赞同其观点。金融界对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。
责任编辑：Robot&RF13015
中国证监会授牌&&&民生银行资金监管&&&
数据来源：盈利宝基金研究中心，巨灵数据支持
全场购买手续费4折起！
近一年涨幅
近一年涨幅
机会早知道
已有&0&条评论