【课题背景】
数据分析是可以给到日常业务人员和管理人员实现业务提效和科学决策以支撑。伴随数字化转型的深入，越来越多的业务环节有了可以更多数据可供工作使用，但如何对如此诸多的数据做好数据分析，能够支撑业务和管理，就要研究数据分析的思维和方法，从底层原理和工具的应用等方面掌握数据分析的方法。
【参与人员】
本课程适宜于：全体成员
【学员收获】
- 了解数据分析的价值
- 了解数据分析在全价值链的应用
- 掌握数据分析的方法
- 理解数据部门与业务部门的协同的重要性
【课程时长】1天
【课程大纲】
- 数据分析的价值与意义
- 优秀的企业都在在每一个关键节点做出了科学判断
- 科学判断的本质是对复杂事物（数据）的一种分析
- 做什么？——方向
- 怎么做？——策略
- 怎么做才能做得更好？——方法技巧
相比于传统经验决策，数据决策的特点
- 经验本质也是数据，但却是主观的、片面的、历史的数据
- 大数据，具有客观性、即时性、全面性
- 相比传统经验的决策，更加科学
数据分析赋能科学决策的基本原理
（1）定义问题——提出一个好问题
（2）数据模型——对一个问题的多维度思考
（3）数据采集——从各个渠道获取相关的数据
（4）数据分析——使用一定的数据分析方法得出结论
（5）形成判断——对初始的问题作出接下来的行动决策
【案例】上海清美C2M数据分析
- 数据分析在全价值链的应用
业务与数据的关系
- 业务是数据的来源
- 数据反映业务运行状况，并反过来指导业务
实体产业常见的业务场景数据分析的应用
- C2M，借助需求数据，敏捷性创新产品
【案例】元气森林的产品创新
- IMS，依托ERP、MES、PLM等系统数据展开智能化精细化排产
【案例】上海清美面包的定制化生产
- ILS，依托智能物联数据和AI建模，实现智慧物流体系
【案例】上海洋山港码头智慧物流
- 品牌与市场，基于目标用户数据展开品牌细分与精准市场营销
【案例】瑞幸咖啡的精准市场投放
- 消费者体验，依托消费者数据展开个性化场景设计
【案例】成都大悦城基于用户数据展开个性化场景搭建
- 渠道数字化，依托渠道数据分析，展开对渠道的精细化管理赋能
【案例】美的D2C的渠道数字化与数据分析
- 用户运营，基于SCRM数据，展开对用户的精细化运营
【案例】中国移动的客户数据分析在用户运营方面的应用
构建数据共享中心，实现整个业务场景的协同运营效率提升
- 一体化大数据平台、数据中台的建设
- 基于用户需求为中心的数据调用
数据分析的流程、方法
定义问题
定义业务模型
- 与业务专家深度沟通，构建初步数据分析模型
- 把业务模型融入算法
数据获取
- 外部数据：网站或爬虫
- 内部数据：原始录入、互联网、物联网
- 数据使用分类：建模数据、训练数据和分析数据
数据处理
（1）数据处理的内容
（2）完成数据的清晰和补充
（3）基础数据处理
- 常用函数（加总求和、计数、平均、最值、排序、乘积、除余、取整）
- 逻辑运算（if、iferror、and、or）
- 文本编辑（文本提取、文本查找、文本替换、文本转换及合并）
- 引用与查找（vlookup、hlookup、lookup、indirect、index、match）
做好数据分析
- 数据分析内容
- 借助工具实现以上分析
- 对比分析：柱形图
- 结构分析：饼状图
- 趋势预测分析：折线图+柱形图
- 借助BI生成相应的数据看板
做出决策
- 背景介绍和问题描述
- 定义问题，并进行相关性分析
- 数据分析报告的呈现
- 提出下一步行动计划
数据分析落地要领与一些误区
数据分析整体定位用来支撑业务发展
- 系统需要获取哪些数据与业务运营模型有关
- 业务做数据分析，需要真实有效的数据支撑
- 业务部门需要做主导、数据部门要保障数据的价值性
落地流程与要领
- 明确要先数字化的业务场景（比如营销、原料、生产等）
- 创建数据中台基座
- 数据部门与业务部门明确相关的子系统（比如ILS、IMS、ERP、SCRM等）
- 数据部门与业务部门根据业务模型创建主数据管理
- 创建数据采集系统（物联网+互联网+手工输入）
- 形成商业BI数据看板
- 业务部门借助相关BI数据看板分析业务
数据分析指导业务运营的基本认知
- 数据产品的建设是一个长期动态的过程
- 数据产品的构建与业务的变革休戚相关
- 业务人员能否发挥数据价值在于是否能够具备业务模型构建的能力
枫影