从传统型行业的角度来看数据分析

所谓数据分析的潜力、方法和技术是指数据分析的方向、方法和工具，也是提出、分析和解决问题的思维逻辑。供应链上的数据是从制造企业到物流企业，再到零售业的过程。这三个都是传统企业，现在更多的商业流量数据是通过互联网进行的，而实际的企业运营和运营数据仍然掌握在供应链中的所有企业手中。本文从物流、零售、制造业等传统产业的角度进行数据分析，而不是互联网或金融业。潜在的“潜力”——数据分析的方向不是指数据分析行业的发展方向，而是指数据分析的方向，或者如何从物流公司的角度进行数据分析。对于传统行业的公司，数据分析应从三个方面进行。首先，市场端的数据分析。这类数据分析主要针对零售、电子商务等2C类企业。市场数据分析主要有两个方面，一个是外部：客户数据；一个是内部：产品数据。所谓客户数据，如果是2B企业，就是客户数量、客户数量分布、基本信息等。若为2C企业(如快递、零售等)，可研究人口分布情况，网购人群情况。阿里巴巴有阿里巴巴指数，百度有百度指数。目前，其数据开放越来越少，但我们仍然可以看到主要群体和相关行业的区域分布。以物流企业为例，通过探索商品类型和现场研究，可以获得一般商品类型，并提供有针对性的物流服务；如果2B企业（如零负荷、三方、专线等），可以通过分析目标企业的市场分布，在工业园区推广和宣传。如今，工商企业对企业信用数据的披露包括查询工商企业信息的网站，如天眼检查和企业检查，通过地址信息确定坐标，然后分析企业的集中区域，找出推送区域，然后进行有针对性的2B业务发展。如图所示，是四川省成都市食品制造企业的热图。 通过地图，我们可以清楚地看到成都食品制造企业的集中区域。虽然企业名单可能不够完整，但整体分布结构是一定的，因此最终的市场分析结果是可用的。在大数据的概念中，这也更注重数据结构，在一定程度上忽略了数据质量。二是业务数据，这部分数据多为财务数据，是直接反映企业经营情况的数据，适用于供应链上各类企业。业务数据主要是财务报表中的收入、成本、毛利润等，一般小企业多看利润表，大企业多看资产负债表和现金流量表。所谓的利润表可以直接反映企业的经营状况，即企业是盈利还是亏损。本部分主要是财务数据分析，业务数据分析部门一般为公司财务部。业务数据主要是收入、成本(直接成本、间接成本)、费用。成本与成本有一定的关系，因为间接成本中劳动力成本的增加会在一定程度上导致成本的增加。当然，分析业务数据的方法有很多，管理会计方面也有很多书可供参考。在财务数据分析中，最基本的是看财务报表。常见的财务报表有三种:资产负债表、现金流量表和利润表。这三份报告非常重要，逻辑也很复杂。这部分数据分析对财务人员来说更为专业。然而，虽然财务计算化已经实施多年，但其具体使用效果也需要提高，更多的新数据分析技术也需要应用于财务数据分析。当然，还有一些其他的财务分析方法，如图所示，著名的杜邦分析方法：最后是运营数据。目前，不同行业的运营数据分析能力参差不齐，不同行业对运营一词的定义也不同。这些数据主要集中在成本控制、客户运营、会员运营等方面。例如，对于物流行业来说，大多数企业仍然停留在KPI的收集和整理上，未能通过数据提前预测。除非京东、苏宁等销售部分是自己的物流，否则可以通过销售情况进行预测。第三方物流的货物数量过多地依赖于其客户的计划，而客户往往只给予相对的淡季旺季，而缺乏明确的货物数量预测。大多数企业相对缺乏运营分析，需要建立可视化仪表盘来实时监控和钻取数据。对于仪表板的质量，最需要注意的是其内部逻辑和数据对业务的帮助，而实现技术是第二位的。目前，仪表板的实现技术包括PowerBI、D3.JS、highcharts甚至Excel等等。所谓企业数据分析，就是企业数据分析的方法。对于企业来说，数据分析需要与业务紧密结合，所有脱离业务的数据分析都是流氓。为了使数据接近业务，数据分析人员需要了解整个业务流程，了解所有数据的来源和流向。这个概念类似于企业信息资源规划（IRP）在数据流图的过程中。虽然这个概念已经存在了一段时间，但国内中小企业仍然难以实施，其标准化过程仍然困难。说到数据分析的方法，很多人也会提到数据分析的基本过程。整个过程分为两部分，一方面是业务流程的梳理，另一方面是数据模型的建立。这两个过程实际上贯穿于整个数据分析过程，整个数据分析过程是PDCA的闭环过程。对于企业数据分析，尤其是传统行业企业，第一个层次是业务流程的梳理。要规范业务流程数据，不仅要规范数据格式，还要规范数据来源和数据字段名称概念。只有这样，才能达到“数出一门”。另一个维度是梳理财务数据关系，梳理公司业务中收入、成本、毛利、利润、间接成本、成本等细节之间的关系。梳理这一主要原因是不同公司的成本和成本所有权不同。寻求合理的成本所有权将给公司的业务分析带来极大的便利；相反，成本不明确，数据难以支持实际业务分析。通过梳理业务数据和财务数据，将这些数据标准化，然后进行分析。此时，需要使用各种常用的分析方法。对于数据分析的方法，可以从两个层次来谈，有前辈认为可以称之为数据分析和数据挖掘。我不太喜欢做太多概念性的事情，但还是有点好。先说数据分析的方法，只是有一些新的人工智能方法应用。首先说几种常用的方法:1、交叉表分析交叉表分析法是一种数据分析技术，将两个或两个以上相关的变量及其变量值按一定顺序交叉排列在统计表中，使每个变量值成为不同变量的结点，分析变量之间的关系，然后得出科学结论。简单来说就是交叉分析一个数据的两列。例如，一列数字是性别，一列数字是消费金额，交叉表是男女分别消费的总额。所谓交叉表的高度，通常也可以称为透视表分析。事实上，excel的透视表基本上是可以满足的，一些稍微大一点的数据也可以用SQL语句来查询。2、聚类分析聚类分析是指将物理或抽象对象的集合分组成由类似对象组成的多个类的分析过程。聚类分析最经典的案例是啤酒和尿布的购物篮算法。至于故事，网上有很多，这里就不赘述了。Apriori算法是购物篮分析中最常用的算法。现在使用R语言或Python可以很容易地调用其相关算法包来计算支持和信誉。2、回归分析常用于预测模型。回归分析主要是分析两件事之间的相关情况，然后寻求线性回归、标志回归等规律。3、杜邦分析杜邦分析通常是一种常用的财务分析方法。它详细分割利润或毛利润，并通过比较各指标的变化来分析其整体影响。一般情况下，杜邦分析多采用多个企业或项目进行比较，对单个企业或项目的杜邦分析意义不大。4、RFM分析RFM分析是客户运营和会员运营中最常用的方法。通过观察客户的购买次数、最近的购买时间和金额，对客户进行分类，标记客户，然后进行有针对性的精确营销。当然，数据分析的方法模型不仅限于这些模型。对于涉及不同供应链环节的数据分析企业，分析方法和分析指标也不同，数据分析的重点也不同。提到数据分析中使用的工具，其实做数据开发的朋友用的最多，技术也更熟练。对于业务数据分析师来说，Excel和SQL大部分时间都是接触到的，通常是在数据库中用SQL取数，然后用Excel做报告，最终的呈现形式可能是Excel或PPT。在数据分析过程中，有一些BI工具非常容易使用，如微软的PowerBI、Tableau等BI工具。这种BI工具是数据分析可视化的利器，可以快速启动，以简单拖拽的形式进行取数。就我个人而言，数据可视化工具最重要的作用是更直观地观察数据，而不是炫耀技术。当许多朋友最初接触可视化工具时，他们会产生这样的误解。他们过于追求图表的美丽和颜色，而不注意数据的意义。相反，他们主宰了客人。如果为了显示，专业的艺术工会比数据分析师制作的图纸更漂亮，数据分析师应优先考虑直观的数据显示，以下是实际图纸中的图表选择方法：在选择企业数据分析工具时，也需要尽可能简单，如图表的选择，如果图表用powerBI绘制，大多数是保存图片粘贴在PPT或Excel，因为在实际工作中，并非所有领导的电脑都会安装这个软件。当然，如果购买其Server服务，tableau也是如此。当然，如果购买其Server服务，tableau也是如此。对于大多数中小企业来说，Excel图表仍然是最实用的，Office在企业计算机中的安装普及率远高于其他任何数据分析软件。对Excel而言，使用数据透视表和数据透视图也可以产生数据联动效果。使用超链接，可以产生数据下钻的效果。尽管它的制作过程非常繁琐，而且在数据量大的情况下，会造成表格巨大，难以打开。此时，VBA可以用来解决这个问题。用VBA代替一些公式链接可以大大缩小excel的体积，并在显示时取得良好的效果。对于大数据，许多企业采用数据库和自建BI（或寻找供应商）的形式，其底层数据库可能是常用的MySQL或服务器集群。对于业务数据分析师来说，主要是用SQL和NoSQL语言取数，然后交叉分析变换。具体分析可以使用Excel或Python的pandas、numpy等。分散，数据分析的潜力、方式、技术，总结自己的部分工作，也为了与同行沟通，如有遗漏，欢迎纠正。