傳統行業與供應鏈資料分析的“勢”、“道”、“術”
所謂 ofollow,noindex">資料分析 的勢、道、術，就是指資料分析的方向、方法和工具，也是提出問題、分析問題、解決問題的思維邏輯。供應鏈上的資料是從製造型企業，到物流企業，再到零售業的過程。而這三者均是傳統型企業，而如今更多的商流資料是通過網際網路，而實際的企業經營、運營資料仍舊是在供應鏈上的各個企業手中。本文從一個傳統型行業如物流、零售、製造業等的角度來看資料分析，而並非如今資料分析做的很火的網際網路或金融行業的角度。
勢
“勢”——資料分析的方向，此處不是指資料分析行業的發展方向，而說的是資料分析的分析方向，抑或說一個物流公司的角度如何做資料分分析。對於一個傳統行業的公司，資料分析應當從三個方面進行。
首先，市場端的資料分析。這類的資料分析主要是針對零售業、電商等2C類企業。市場端的資料分析主要是兩個方面，一個是外部的：客戶資料；一個是內部的：產品資料。
所謂客戶資料，若是2B的企業便是客戶的體量、客戶的數量分佈、基礎資訊等等。若是2C的企業（如快遞、零售等），可以研究人口的分佈，網購人群的情況。阿里有阿里指數、百度有百度指數，目前其資料開放的越來越少了，但是還是可以看出主要的人群，以及相關產業的區域分佈。以物流企業為例，通過探知貨物型別，加之以現場調研，便可以得出大致的貨品型別，而進行有針對性的物流服務；若是2B的企業（如大零擔、三方、專線等），可以通過分析目標企業的市場分佈，有針對性的在工業園區進行地推、宣傳。如今工商企業對企業信用資料的公開，就有像天眼查、企查查等這類查詢工商企業資訊的網站，通過地址資訊確定座標，進而分析企業的集中地區，找出地推區域，進而有針對性的進行2B的業務拓展工作。如圖則是四川成都市的食品製造業企業熱力圖。
通過地圖，我們可以清晰的看到成都市食品製造型企業的集中區域，雖然企業名錄可能不夠全，但是整體的分佈結構是一定的，因而最終的市場分析結果是可用的。而這也是 大資料 的概念中的更注重資料結構，而一定程度的忽略資料質量。
其次，是經營資料，此部分資料多是財務資料，是直接反映企業經營情況的資料，適用於供應鏈上各種型別企業。
經營資料主要是財務報表中的收入、成本、毛利等等，一般小企業多看的是利潤表，大企業會看資產負債表和現金流量表。所謂利潤表可以直接反映企業的經營情況，也就是企業是賺了、還是賠了。此部分主要是財務資料的分析，做經營資料分析的部門一般是公司的財務部。經營資料主要是收入、成本（直接成本、間接成本）、費用。其中成本和費用有著一定的關係，因為間接成本中的人力成本增加便會在一定程度上造成費用的增加。
當然，經營資料的分析有著很多方法，也有很多的管理會計方面的書籍可以參考。在財務資料分析中，最最基本的就是看財務報表，常見的財務報表便是三張：資產負債表、現金流量表和利潤表。這三張報表至關重要，而其中邏輯也是紛繁複雜，這部分的資料分析對於財務人員來說比較專業，但財務電算化雖然已經推行多年，但是其具體的使用效果也有待提高，更多新的資料分析技術也有待運用到財務資料分析中。當然也有一些其他的財務分析方法，如圖便是著名的杜邦分析法：
注：圖片來自百度百科
最後，便是運營資料，目前對於運營資料，不同行業的運營資料分析能力參差不齊，而不同行業對運營一詞的定義也有所不同，這類資料主要是集中在成本控制，客戶運營、會員運營等。
例如，對於物流行業來說，大部分企業其實還停留在KPI的蒐集和整理上，沒能做到通過資料進行事前預測。除非像京東、蘇寧等其銷售段就是自身的物流，可以通過銷售情況進行預測。第三方物流的貨量過多依賴於其客戶的計劃，而客戶往往只會給相對的淡季旺季，而缺少明確的貨量預測。大部分企業運營分析相對匱乏，需要建立一個視覺化儀表盤對資料進行實時監控和鑽取。
而儀表盤的好壞，最需要注意的便是其內在的邏輯和資料對業務的幫助，而其實現技術則在其二。目前，儀表盤的實現技術包括Power BI、D3.JS、highcharts甚至Excel等等。
道
所謂企業資料分析的道，即為企業資料分析的方法。對於企業而言，資料分析需要與業務緊密結合，一切脫離業務的資料分析，都是耍流氓。而要資料緊貼業務，則資料分析人員需要對整個業務流程瞭解，明白所有資料的出處、流向。此概念類似於在做企業資訊資源規劃（IRP）的過程中的資料流圖。雖然這個概念已經有一段時間，但是目前國內的中小企業而言，仍舊難以落地實施，其標準化過程仍舊艱難重重。
提到資料分析的方法，很多人還會提到資料分析的基本流程。此處將整個流程分成了兩個部分，一方面是對業務流程的梳理、一方面是對資料模型的建立，這兩個過程中其實是貫穿在整個資料分析流程中的，而整個資料分析流程又是一個PDCA的閉環過程。
對於企業資料分析，尤其是傳統行業企業，第一個層次是業務流程的梳理。要對業務流程資料進行標準化，這其中不僅僅是資料格式的標準化，更是對資料出處的標準化，對資料欄位名稱概念的標準化。這樣，便才可以達到“數出一門”。而另一個維度來看，是財務資料關係的梳理，梳理公司業務中的收入、成本、毛利、利潤、間接成本、費用等細項之間的關係。梳理這個主要原因是不同公司的費用、成本歸屬不同，尋求合理的費用歸屬，會對公司的經營分析工作帶來極大的便利；反之，則會造成費用項不清，資料難以支援實際經營的分析。
通過對業務資料、財務資料的梳理，將這些資料標準化，然後進行分析，這時變需要用到各種常用的分析方法。
對於資料分析的方法，可以從兩個層次來談，有一部分前輩認為可以叫為資料分析和資料探勘。我不太喜歡搞太多概念性的東西，還是實在一點好，姑且就是資料分析的方法，只不過有一些新的 人工智慧 方法應用而已。
首先說常用的幾種方法：
1、交叉表分析
交叉列表分析法是指同時將兩個或兩個以上有一定聯絡的變數及其變數值按照一定的順序交叉排列在一張統計表內，使各變數值成為不同變數的結點，從中分析變數之間的相關關係，進而得出科學結論的一種資料分析技術。
簡單的說就是將一份資料的兩個列做交叉進行分析。比如一列數字是性別，一列數字是消費金額，做成交叉表就是男性和女性分別的消費總額是多少。所謂交叉表說的高大上，平時也可以叫透視表分析。其實excel的透視表基本可以滿足，稍微大型一些資料，用SQL語句也完全可以查詢出來。
2、聚類分析
聚類分析指將物理或抽象物件的集合分組為由類似的物件組成的多個類的分析過程。
聚類分析最經典的案例要算啤酒與尿布的購物籃演算法，至於其中的故事，網上有好多，此處不予贅述。購物籃分析最常用的便是Apriori演算法，現在使用R語言或者Python便可以輕鬆呼叫其相關演算法包，進行支援度和置信度的計算。
2、迴歸分析
迴歸分析常用在預測模型當中，迴歸分析主要是分析兩個事物之間的相關情況，然後尋求其中的規律，如線性迴歸、logistic迴歸等等。
3、杜邦分析
杜邦分析一般是財務上常用的分析方法，其將利潤或者毛利進行細緻拆分，通過各個指標的變化比較，來分析其多總體的影響。一般情況，杜邦分析多采用多個企業或專案進行比較，對於單個企業或專案的杜邦分析，意義較小。
4、RFM分析
RFM分析是在客戶運營和會員運營方面最最常用的方法，通過看客戶在一段時間內的購買次數、最近購買時間和購買金額，來對客戶進行分類，對客戶進行打標籤，進而對其進行有針對性的精準營銷。
當然，資料分析的方法模型，不僅僅限於這幾種，對於資料分析來說，涉及供應鏈不同環節的企業，分析方法和分析指標也有所區別，其資料分析的側重點也有所不同。
術
提到資料分析用到的工具，其實做資料開發的朋友們用的最多，且技術更加嫻熟。對於 業務資料分析 人員來說，多數時間接觸的，便是Excel和SQL，通常是在資料庫中以SQL進行取數，然後進行Excel做報表，最後呈現形式可能是Excel或者是PPT。
而在資料分析過程中，還有一些BI工具非常好用，如微軟的Power BI，還有Tableau等BI工具，這種BI工具是資料分析視覺化的利器，可以非常快的上手，以簡單拖拽的形式進行取數。
注：圖片來自百度
個人認為，資料視覺化工具最最重要的作用，是更加直觀的去觀察資料，而不是去炫科技，很多朋友在初步接觸視覺化工具時，會產生這樣的誤區，過於追捧圖表的美觀、顏色，而並沒有注意其中的資料的意義，反倒喧賓奪主。若為了展示，專業的美工會比資料分析師做的圖更加漂亮，資料分析師當以資料直觀展示為主，下面是在實際畫圖中，圖表選型的方法：
注：圖片來自百度
在企業資料分析工具的選擇中，還需要儘量簡單，比如說選擇的圖表，若用powerBI進行圖表繪製，多數是要儲存成圖片貼上在PPT或者Excel中，因為在實際工作中，並不是所有領導的電腦都會安裝這種軟體。當然若購買其Server服務另算，tableau也是同理。對於大部分中小企業而言，仍舊是Excel圖表最為實用，Office在企業電腦中的裝機普及率遠高於任何其他資料分析軟體。
對於Excel來說，使用資料透視表和資料透檢視，也可以做出資料聯動效果。運用超連結，可以製作出資料下鑽的效果。雖然其製作過程非常繁瑣，且在資料量大的時候，會造成表格巨大，難以開啟。此時可以使用VBA進行解決，使用VBA代替其中的部分公式連結，便可大大縮小excel體積，且在展示的時候得到良好的效果。
而對於大資料來說，很多企業採用資料庫的形式和自建BI（或找供應商）的方法，其底層的資料庫可能是常用的MySQL，也可能是伺服器叢集。對於業務資料分析師來說，主要是使用SQL和NoSQL語言進行取數，然後進行變換的交叉分析，具體分析則可能使用Excel或者Python的pandas，numpy等。
零零散散，將資料分析的勢、道、術說了一遍，藉以總結自己的部分工作，也為了和同行多多交流，如有疏漏，歡迎指正。
本文由 張文迪 投稿至 資料分析網 並經編輯發表，本文連結：https://www.afenxi.com/60795.html 。內容觀點不代表本站立場，如轉載請聯絡原作者。