企業(yè)在正常運營中會產(chǎn)生數(shù)據(jù)，而對這些數(shù)據(jù)的深層次挖掘所產(chǎn)生的數(shù)據(jù)分析報告，對企業(yè)的運營及策略調(diào)整至關(guān)重要。對企業(yè)數(shù)據(jù)做好分析，對于促進(jìn)企業(yè)的發(fā)展、為企業(yè)領(lǐng)導(dǎo)者提供決策依據(jù)有著重大作用。那么怎么做企業(yè)數(shù)據(jù)分析呢?小編帶大家一起學(xué)習(xí)企業(yè)數(shù)據(jù)分析的架構(gòu)和方法，希望能給大家一些啟發(fā)。
一、 數(shù)據(jù)分析很普及
以往的數(shù)據(jù)分析在今天的各類型企業(yè)中，數(shù)據(jù)分析 非常的普及，并且得到認(rèn)可 ， 數(shù)據(jù)分析 的核心任務(wù)往往是支撐運營和營銷，將企業(yè)內(nèi)部的數(shù)據(jù)，客戶的數(shù)據(jù)進(jìn)行分析和總結(jié)，形成以往工作情況的量化表現(xiàn)，以及客戶的行為趨勢或特征等。
如果從更宏觀的角度來認(rèn)識數(shù)據(jù) 要 達(dá)到的目標(biāo)就是希望通過數(shù)據(jù)來發(fā)現(xiàn)潛在的規(guī)律，進(jìn)而幫助預(yù)測未來，這一點同數(shù)據(jù)挖掘的目標(biāo)一致。今天 我們 還是在反復(fù)提到數(shù)據(jù)挖掘這個概念，我們就需要來看看數(shù)據(jù)分析都有哪些是沒有做到的內(nèi)容。
1) 數(shù)據(jù)分散
多數(shù)數(shù)據(jù)分析崗位在公司中的崗位設(shè)置是隸屬在單一業(yè)務(wù)部門中作為一個支撐崗，只有少數(shù)的公司是將數(shù)據(jù)分析作為一個獨立的部門。其差異性在于，前者的數(shù)據(jù)分析所能分析的內(nèi)容僅限于自身部門所輸出的指標(biāo)，比如投訴部門只看投訴處理過程中的數(shù)據(jù)，銷售部門只看銷售過程中的數(shù)據(jù)，一旦涉及到需要將各類指標(biāo)匯總分析的情況，這種組織架構(gòu)就會帶來極大的負(fù)面影響，由于不同部門具備自己部門指標(biāo)導(dǎo)出的權(quán)限，且與其他部門的配合并不影響績效任務(wù)，所以這種跨部門采集數(shù)據(jù)的過程往往效率奇低。而數(shù)據(jù)分析最關(guān)鍵的就在于匯集更多的數(shù)據(jù)和更多的維度來發(fā)現(xiàn)規(guī)律，所以以往的數(shù)據(jù)分析多是做最基礎(chǔ)的對比分析以及帕累托分析，少有使用算法來對數(shù)據(jù)進(jìn)行挖掘的動作，因為越少的指標(biāo)以及越少的維度將會使得算法發(fā)揮的效果越差。
2) 指標(biāo)維度少
在以往的企業(yè)中，數(shù)字化管理更多的體現(xiàn)在日常運維工作中，對于客戶端的數(shù)據(jù)采集雖然從很早以前就已經(jīng)開展， CRM 系統(tǒng) 的誕生已經(jīng)有很久的時間了，但是一直以來客戶端的數(shù)據(jù)維度卻十分缺失，其原因在于上述這些途徑所獲得的數(shù)據(jù)多為客戶與企業(yè)產(chǎn)生交互之后到交互結(jié)束之間的數(shù)據(jù)，但是這段時間只是這個客戶日常生活中很少的一部分內(nèi)容，客戶在微博，微信上的行為特點，關(guān)注的領(lǐng)域或是品牌，自身的性格特點等，可以說一個客戶真正的特點 、 習(xí)慣，僅通過與企業(yè)的交互是無從知曉的，因此難以挖掘出有效的結(jié)論。
3) 少使用算法
在上述制約條件下，可想而知數(shù)據(jù)分析人員對于算法的使用必然是較少的，因為數(shù)據(jù)分析依賴于大量的指標(biāo)、維度以及數(shù)據(jù)量，沒有這三個條件是難以發(fā)揮算法的價值的，而在排除掉算法后，數(shù)據(jù)分析人員更多的只能是針對有限的數(shù)據(jù)做最為簡單的分析方法，得出淺顯易懂的分析結(jié)論，為企業(yè)帶來的價值則可以想象。
4) 數(shù)據(jù)分析系統(tǒng)較弱
目前的數(shù)據(jù)分析多采用 excel ，部分?jǐn)?shù)據(jù)分析人員能夠使用到 R 或 SPSS 等軟件，但當(dāng)數(shù)據(jù)量達(dá)到 TB 或 PB 單位級別時，這些軟件在運算時將會消耗大量時間，同時原始的數(shù)據(jù)庫系統(tǒng)在導(dǎo)出數(shù)據(jù)時所花費的時間也是相當(dāng)長的，因此對大數(shù)據(jù)量的分析工作，常規(guī)的系統(tǒng)支撐難以到達(dá)要求。 (目前市面上較好的有紐帶線 CRM 系統(tǒng)的數(shù)據(jù)分析工具 )
二、技術(shù)革命與數(shù)據(jù)挖掘
得益于互聯(lián)網(wǎng)對于人們生活的影響逐漸增大，我們發(fā)現(xiàn)數(shù)據(jù)正在瘋狂的增長。今天一個人一天的時間中有將近一半是在互聯(lián)網(wǎng)中度過的，一方面這些使用互聯(lián)網(wǎng)的交互都是能夠被捕捉記錄的，一方面由于碎片化時間的使用，客戶與企業(yè)交互的機會也變的越來越頻繁，進(jìn)一步保障了客戶數(shù)據(jù)的豐富。同時在大數(shù)據(jù)技術(shù)的支撐下，今天的系統(tǒng)能夠允許對這些大規(guī)模的數(shù)據(jù)量進(jìn)行高效的分析。
因此數(shù)據(jù)分析人員也能夠開始使用一些較為抽象的算法來對數(shù)據(jù)做更為豐富的分析。所以數(shù)據(jù)分析正式進(jìn)入到了數(shù)據(jù)分析 2.0 的時代，也就是數(shù)據(jù)挖掘的時代了。
三、數(shù)據(jù)處理流程
數(shù)據(jù)分析也即是數(shù)據(jù)處理的過程，這個過程是由三個關(guān)鍵環(huán)節(jié)所組成：數(shù)據(jù)采集，數(shù)據(jù)分析方法選取，數(shù)據(jù)分析主題選擇。這三個關(guān)鍵環(huán)節(jié)呈現(xiàn)金字塔形，其中數(shù)據(jù)采集是最底層，而數(shù)據(jù)分析主題選擇是最上層。
四、數(shù)據(jù)采集
數(shù)據(jù)采集即是如何將數(shù)據(jù)記錄下來的環(huán)節(jié)。在這個環(huán)節(jié)中需要著重說明的是兩個原則，即全量而非抽樣，以及多維而非單維。今天的技術(shù)革命和數(shù)據(jù)分析 2.0 主要就是體現(xiàn)在這個兩個層面上。
1. 全量而非抽樣
由于系統(tǒng)分析速度以及數(shù)據(jù)導(dǎo)出速度的制約，在非大數(shù)據(jù)系統(tǒng)支撐的公司中，做數(shù)據(jù)分析的人員也是很少能夠做到完全全量的對數(shù)據(jù)進(jìn)行收集和分析。在未來這將不再成為問題。
2. 多維而非單維
另一方面則在于數(shù)據(jù)的維度上，這在前邊同樣提及。總之針對客戶行為實現(xiàn) 5W1H的全面細(xì)化，將交互過程的什么時間、什么地點、什么人、因為什么原因、做了什么事情全面記錄下來，并將每一個板塊進(jìn)行細(xì)化，時間可以從起始時間、結(jié)束時間、中斷時間、周期間隔時間等細(xì)分;地點可以從地市、小區(qū)、氣候等地理特征、渠道等細(xì)分;人可以從多渠道注冊賬號、家庭成員、薪資、個人成長階段等細(xì)分;原因可以從愛好、人生大事、需求層級等細(xì)分;事情可以從主題、步驟、質(zhì)量、效率等細(xì)分。通過這些細(xì)分維度，增加分析的多樣性，從而挖掘規(guī)律。
五、數(shù)據(jù)分析方法選取
數(shù)據(jù)分析方法是通過什么方法去組合數(shù)據(jù)從而展現(xiàn)規(guī)律的環(huán)節(jié)。從根本目的上來說，數(shù)據(jù)分析的任務(wù)在于抽象數(shù)據(jù)形成有業(yè)務(wù)意義的結(jié)論。因為單純的數(shù)據(jù)是毫無意義的，直接看數(shù)據(jù)是沒有辦法發(fā)現(xiàn)其中的規(guī)律的，只有通過使用分析方法將數(shù)據(jù)抽象處理后，人們才能看出隱藏在數(shù)據(jù)背后的規(guī)律。
數(shù)據(jù)分析方法選取是整個數(shù)據(jù)處理過程的核心，一般從分析的方法復(fù)雜度上來講，我將其分為三個層級，即常規(guī)分析方法，統(tǒng)計學(xué)分析方法跟自建模型。我之所以這樣區(qū)分有兩個層面上的考慮，分別是抽象程度以及定制程度。
其中抽象程度是說，有些數(shù)據(jù)不需要加工，直接轉(zhuǎn)成圖形的方式呈現(xiàn)出來，就能夠表現(xiàn)出業(yè)務(wù)人員所需要的業(yè)務(wù)意義，但有些業(yè)務(wù)需求，直接把數(shù)據(jù)轉(zhuǎn)化成圖形是難以看出來的，需要建立數(shù)據(jù)模型，將多個指標(biāo)或一個指標(biāo)的多個維度進(jìn)行重組，最終產(chǎn)生出新的數(shù)據(jù)來，那么形成的這個抽象的結(jié)果就是業(yè)務(wù)人員所需要的業(yè)務(wù)結(jié)論了。基于這個原則，可以劃分出常規(guī)分析方法和非常規(guī)分析方法。
那么另一個層面是定制程度，到今天數(shù)學(xué)的發(fā)展已經(jīng)有很長的時間了，其中一些經(jīng)典的分析方法已經(jīng)沉淀，他們可以通用在多用分析目的中，適用于多種業(yè)務(wù)結(jié)論中，這些分析方法就屬于通用分析方法，但有些業(yè)務(wù)需求確實少見，它所需要的分析方法就不可能完全基于通用方法，因此就會形成獨立的分析方法，也就是專門的數(shù)學(xué)建模，這種情況下所形成的數(shù)學(xué)模型都是專門為這個業(yè)務(wù)主題定制的，因此無法適用于多個主題，這類分析方法就屬于高度定制的，因此基于這一原則，將非常規(guī)分析方法細(xì)分為統(tǒng)計學(xué)分析方法和自建模型類。
1) 常規(guī)分析方法
常規(guī)分析方法不對數(shù)據(jù)做抽象的處理，主要是直接呈現(xiàn)原始數(shù)據(jù)，多用于針對固定的指標(biāo)、且周期性的分析主題。直接通過原始數(shù)據(jù)來呈現(xiàn)業(yè)務(wù)意義，主要是通過趨勢分析和占比分析來呈現(xiàn)，其分析方法對應(yīng)同環(huán)比及帕累托分析這兩類。同環(huán)比分析，其核心目的在于呈現(xiàn)本期與往期之間的差異，如銷售量增長趨勢;而帕累托分析則是呈現(xiàn)單一維度中的各個要素占比的排名，比如各個地市中本期的銷售量增長趨勢的排名，以及前百分之八十的增長量都由哪幾個地市貢獻(xiàn)這樣的結(jié)論。常規(guī)分析方法已經(jīng)成為最為基礎(chǔ)的分析方法，在此也不詳細(xì)介紹了。
2) 統(tǒng)計學(xué)分析方法
統(tǒng)計學(xué)分析方法能夠基于以往數(shù)據(jù)的規(guī)律來推導(dǎo)未來的趨勢，其中可以分為多種規(guī)律總結(jié)的方式。根據(jù)原理多分為以下幾大類，包括有目標(biāo)結(jié)論的有指導(dǎo)學(xué)習(xí)算法，和沒有目標(biāo)結(jié)論的無指導(dǎo)學(xué)習(xí)算法，以及回歸分析。
其中有指導(dǎo)的學(xué)習(xí)算法簡單說就是有歷史數(shù)據(jù)里邊已經(jīng)給出一個目標(biāo)結(jié)論，然后分析當(dāng)各個變量達(dá)到什么情況時，就會產(chǎn)生目標(biāo)結(jié)論。比如我們想判斷各項指標(biāo)需要達(dá)到什么水平時我們才認(rèn)定這個人患有心臟病的話，就可以把大量的心臟病人的各項指標(biāo)數(shù)據(jù)和沒有心臟病的正常人的各項指標(biāo)數(shù)據(jù)都輸入到系統(tǒng)中，目標(biāo)結(jié)論就是是否有心臟病，變量就是各項指標(biāo)數(shù)據(jù)，系統(tǒng)根據(jù)這些數(shù)據(jù)算出一個函數(shù)，這個函數(shù)能夠恰當(dāng)?shù)拿枋龈鱾€指標(biāo)的數(shù)據(jù)與最終這個是否是心臟病人之間的關(guān)系，也就是當(dāng)各個指標(biāo)達(dá)到什么臨界值時，這個人就有心臟病的判斷，這樣以后再來病人，我們就可以根據(jù)各項指標(biāo)的臨界值。這個案例中的函數(shù)就是算法本身了， 這其中的算法邏輯有很多種，包括常見的貝葉斯分類、決策樹、隨機森林樹以及支持向量機等，有興趣的朋友可以在網(wǎng)上看看各種算法的邏輯是怎么樣的。
另外無指導(dǎo)的學(xué)習(xí)算法因為沒有一個給定的目標(biāo)結(jié)論，因此是將指標(biāo)之中所有有類似屬性的數(shù)據(jù)分別合并在一起，形成聚類的結(jié)果。比如最經(jīng)典的啤酒與尿布分析，業(yè)務(wù)人員希望了解啤酒跟什么搭配在一起賣會更容易讓大家接受，因此需要把所有的購買數(shù)據(jù)都放進(jìn)來，然后計算后，得出其他各個商品與啤酒的關(guān)聯(lián)程度或者是距離遠(yuǎn)近，也就是同時購買了啤酒的人群中，都有購買哪些其他的商品，然后會輸出多種結(jié)果，比如尿布或者牛肉或者酸奶或者花生米等等，這每個商品都可以成為一個聚類結(jié)果，由于沒有目標(biāo)結(jié)論，因此這些聚類結(jié)果都可以參考，之后就是貨品擺放人員嘗試各種聚類結(jié)果來看效果提升程度。在這個案例中各個商品與 啤酒的關(guān)聯(lián)程度或者是距離遠(yuǎn)近就是算法本身了，這其中的邏輯也有很多中，包括 Apriori 等關(guān)聯(lián)規(guī)則、聚類算法等。
另外還有一大類是回歸分析，簡單說就是幾個自變量加減乘除后就能得出因變量來，這樣就可以推算未來因變量會是多少了。比如我們想知道活動覆蓋率、產(chǎn)品價格、客戶薪資水平、客戶活躍度等指標(biāo)與購買量是否有關(guān)系，以及如果有關(guān)系，那么能不能給出一個等式來，把這幾個指標(biāo)的數(shù)據(jù)輸入進(jìn)去后，就能夠得到購買量，這個時候就需要回歸分析了，通過把這些指標(biāo)以及購買量輸入系統(tǒng)，運算后即可分別得出，這些指標(biāo)對購買量有沒有作用，以及如果有作用，那么各個指標(biāo)應(yīng)該如何計算才能得出購買量來。回歸分析包括線性及非線性回歸分析等算法。
統(tǒng)計學(xué)分析方法還有很多，不過在今天多用上述幾大類分析方法，另外在各個分析方法中，又有很多的不同算法，這部分也是需要分析人員去多多掌握的。
3) 自建模型
自建模型是在分析方法中最為高階也是最具有挖掘價值的，在今天多用于金融領(lǐng)域，甚至業(yè)界專門為這個人群起了一個名字叫做寬客，這群人就是靠數(shù)學(xué)模型來分析金融市場。由于統(tǒng)計學(xué)分析方法所使用的算法也是具有局限性的，雖然統(tǒng)計學(xué)分析方法能夠通用在各種場景中，但是它存在不精準(zhǔn)的問題，在有指導(dǎo)和沒有指導(dǎo)的學(xué)習(xí)算法中，得出的結(jié)論多為含有多體現(xiàn)在結(jié)論不精準(zhǔn)上，而在金融這種錙銖必較的領(lǐng)域中，這種算法顯然不能達(dá)到需求的精準(zhǔn)度，因此數(shù)學(xué)家在這個領(lǐng)域中專門自建模型，來輸入可以獲得數(shù)據(jù)，得出投資建議來。在統(tǒng)計學(xué)分析方法中，回歸分析最接近于數(shù)學(xué)模型的，但公式的復(fù)雜程度有限，而數(shù)學(xué)模型是 完全自由的，能夠?qū)⒅笜?biāo)進(jìn)行任意的組合，確保最終結(jié)論的有效性。
六、數(shù)據(jù)分析主題選取
在數(shù)據(jù)分析方法的基礎(chǔ)上，進(jìn)一步是將分析方法應(yīng)用在業(yè)務(wù)需求中，基于業(yè)務(wù)主題的分析可以涉及太多的領(lǐng)域，從客戶的參與活動的轉(zhuǎn)化率，到客戶的留 存時長分析，再到內(nèi)部的各環(huán)節(jié)銜接的及時率和準(zhǔn)確度等等，每一種都有獨特的指標(biāo)和維度的要求，以及分析方法的要求，以我個人的經(jīng)驗來看，主要分析主題都是圍繞著營銷、運營、客戶這三大角度來開展的。
1. 營銷 / 運營分析
營銷運營分析多從過程及最終的成效上來進(jìn)行分析，包括營銷活動從發(fā)布到客戶產(chǎn)生購買的過程的分析，運營從客戶開始使用到停止使用為止的過程中的分析，前者更傾向于分析客戶行為的變動趨勢，以及不同類型的客戶之間的行為差異，后者更傾向于分析在過程中服務(wù)的及時率和有效率，以及不同類型的客戶之間對于服務(wù)需求的差異。
在針對這部分分析主題時，多采用常規(guī)分析方法，通過同環(huán)比以及帕累托來呈現(xiàn)簡單的變動規(guī)律以及主要類型的客戶，但通過統(tǒng)計學(xué)分析方法，營銷分析可以根據(jù)有指導(dǎo)的學(xué)習(xí)算法，得出營銷成功與營銷失敗之間的客戶特征的差異，而運營分析則可以根據(jù)無指導(dǎo)的學(xué)習(xí)算法，得出哪些特征的客戶對哪些服務(wù)是有突出的需求的，另外營銷和運營分析都可以通過回歸分析來判斷，各項績效指標(biāo)中，哪些指標(biāo)是對購買以及滿意度有直接影響的。通過這些深入的挖掘，可以幫助指導(dǎo)營 銷及運營人員更好的完成任務(wù)。
2. 客戶分析
客戶分析除了與營銷和運營數(shù)據(jù)關(guān)聯(lián)分析時候使用，另外單獨對于客戶特征的分析也是有很大價值的。這一部分分析更多需要通過統(tǒng)計學(xué)分析方法中的有指導(dǎo)和無指導(dǎo)的學(xué)習(xí)算法，一方面針對高價值客戶，通過有指導(dǎo)的學(xué)習(xí)算法，能夠看到哪些特征能夠影響到客戶的價值高低，從而為企業(yè)鎖定目標(biāo)客戶提供指導(dǎo);另一方面針對全體客戶，通過無指導(dǎo)的學(xué)習(xí)算法，能夠看到客戶可以大概分為哪幾種群落，針對每個群落的客戶展開焦點討論和情景觀察，從而挖掘不同群落客戶之間的需求差異，進(jìn)而為各個群落的客戶提供精準(zhǔn)營銷服務(wù)。通過以上這些的操作，一個企業(yè)的數(shù)據(jù)分析或者說數(shù)據(jù)挖掘工作的完整流程就呈現(xiàn)了出來。可以看到，無論是數(shù)據(jù)采集，還是分析方法，亦或是分析主題，在大數(shù)據(jù)和互聯(lián)網(wǎng)的支撐基礎(chǔ)上，在未來都將有大幅度的增加，數(shù)據(jù)分析人員將成為下一個階段的關(guān)鍵企業(yè)支撐人員，也即是在未來，在各個領(lǐng)域中，都將產(chǎn)生大量的寬客，或者增長黑客這樣的數(shù)據(jù)分析人員，來帶動企業(yè)的發(fā)展。
今天的企業(yè)數(shù)據(jù)分析的架構(gòu)和方法就到這里了，我們只有不斷的理論聯(lián)系實際，在實踐中掌握方法和技巧，在不斷的實踐中得到啟發(fā)，做好企業(yè)數(shù)據(jù)分析，推動企業(yè)高速發(fā)展，順應(yīng)市場和時代發(fā)展。
京公網(wǎng)安備 11010502049343號