商业数据分析需要什么？
先讲一个完整的商业分析案例：
PAS是一家销售企业管理软件的公司，虽然整个行业欣欣向荣，但是这家公司的业务却陷入泥沼，销售额连续八个季度出现下滑。为了扭转此局面，PAS花重金招聘了过往销售业绩极为出色的老李担任CSO（Chief Sales Officer），直接向CEO汇报。
上任伊始，老李为了摸清情况，召集销售、产品、售前、人事、市场部门一起开了一个沟通会议，没想到这个会议变成了吐槽大会。
销售部门报怨人事部门给的候选人素质不高，经验太少。人事反击说是你们管理不善，有经验的老员工频繁离职，新入职的员工培训不够，不能快速成长。销售又抱怨公司产品功能不完善，在市场上的竞争力不足。而产品则回怼，已上线项目的客户反应良好，是你们销售能力不行。还有销售抱怨售前顾问不给力或者支持力度不够，还说市场部门组织的活动效果太差，获得的销售线索太少等等，不一而足。
在决定接受PAS公司的Offer时，老李已经做好接受挑战、迎接困难的准备。但是没想到实际情况比预想的更严重。虽然老李在销售方面有丰富的经验，但是PAS公司目前的问题貌似是全方位的，各个部门的说法听起来都有一定道理，但是哪些才是关键的问题？要想改变现状，又该从何处破局呢？老李不禁限入深思。
在思路不畅、需要灵感时，老李喜欢到星巴克坐坐。在公司附近的星巴克，老李看到一个年青人正在写商业计划书，于是找这个年青人攀谈起来。原来这个青年叫小白，毕业于斯坦福。小白学成归来打算回国创立自己的商业数据分析公司，并且向老李介绍了数据分析在商业决策中的作用和案例，尤其是描述性分析、诊断性分析、预测性分析和处方式分析这四个层次和所用的具体方法。
听完之后，老李觉得或许在PAS的事情上小白可以提供帮助，于是向小白介绍了自己面临的困境，并希望接下来在改造销售团队和提升销售业绩的过程中，小白能通过数据分析的方法提供有力支撑。当然他也想考校下小白，看他说的数据分析方法是不是有那么神奇。公司还没创立就接到了第一单生意，遇到这种好事小白欣然答应。
1、描述性分析
在进入PAS公司后，小白先对公司的业务现状和数据情况做了初步调研。PAS公司上线了CRM、ERP、HR等系统，针对商机、合同、付款、客户、价格、销售员的入职时间、接受过的培训等信息都是有详细记录的，这就为后续的数据分析工作打下了坚实的基础。
在做描述性分析时，最重要的是结构化思维，即要把分析的问题或指标进行逐层结构化分解，直到无法分解为止。
比如，总体销售收入=销售漏斗中所有销售机会的数量 * 每个销售机会的交易金额 * 胜率
而每个销售机会的交易金额=每个销售机会包含的产品 * 每个产品包含的模块数量 * 每个模块的平均单价
根据上述思路，小白首先对去年销售员整体的业绩情况做了分析：总体销售指标为 1亿2000万，已签单 1个亿，指标达成了83%，目前有100个销售员，平均每个销售员的签单金额为100万，这样看起来貌似还不错。但是再看下一项数据就会发现比较大的问题，仅有20%的销售员完成了销售指标。
通过查看去年销售员签单金额分布，这个问题体现的更明显，销售业绩主要是靠几个明星销售员来达成的。
再看去年整体销售漏斗的表现，整体销售漏斗金额高达5亿，而每个销售员平均的漏斗金额有500万，但是平均签单金额仅有100万，也就是说胜率仅为20%；另外，去年已完结的交易数量为1000，而销售员平均完成交易数量仅为10个，数量偏少；同样，平均的交易金额仅为10万，平均客户价值仅为20万，在企业管理软件行业，这两个数字都是偏小的。
接着分析新老客户平均交易金额及胜率，可以看出新客户虽然单子大，但是赢单的概率较低；反之，老客户虽然单子小，但是胜率很高。
下面再看新老客户对收入的贡献，可以看到老客户虽然平均交易金额较小，但是对整体收入的贡献还是远远高于新客户的。
再看交易金额分布及其胜率，可以看出单子金额越大，胜率越低。
以及不同产品的收入分布和胜率，A、B、C这三种产品收入贡献较高，并且胜率也相对较高，证明在产品、价格等方面在市场上有较明显的竞争优势，可以重点突破。
2、诊断性分析
经过初步的描述性分析，对现有CRM、ERP、HR、售后、市场等5大系统或数据源中的数据做了梳理，共137个变量或KPI。如此之多的变量想通过传统的数据分析方法分析是很困难的（如通过散点图分析这些变量与销售业绩的相关性），只能使用机器学习的技术；通过此项技术，可计算出不同变量（机器学习称为特征）对结果值（即销售业绩）的影响到底有多大。具体结果如下：
去年销售员业绩达成率分布如下图所示：
根据上图把销售业绩分为三类：平庸，中等和优秀；
其中平庸为业绩完成不到50%的；中等为业绩完成50%-99%的；优秀为业绩完成100%的。
下图可以看到优秀组和平庸组在这12个关键KPI的差异：
可以看到：
对业绩影响最大的变量为销售员销售的产品种类：业绩优秀的销售员，是所有产品都销售的；而业绩平庸的销售员，则只销售自己熟悉的产品。
其次，业绩优秀的销售员，和合作伙伴的关系很紧密，销售线索可能来自于合作伙伴，甚至合同都是与合作伙伴联合与客户签订；而业绩平庸的销售员，只依赖于公司内部市场部提供的销售线索。
第三重要的是平均合同金额。业绩优秀的销售员合同金额是平庸的销售员的2倍多；而较大的合同金额通常是因为每个合同销售的产品更多。
第四重要的是销售漏斗金额与销售指标的比率。业绩优秀的销售员会在全年保持稳定的销售机会创造率，其每月创造的销售漏斗金额是平庸销售员的3倍。
3、预测性分析
再细致分析不同销售人员这12个变量表现：
通过上图可以看出，尺有所短，寸有所长。比如，85号销售员看起来大部分变量都处于平均水平或之下，但是其也有闪光点，这些人里只有他每季度创造的销售机会超过平均水平，那其他人就可以向他学习如何提升这一点。
上图虽然可看出不同销售员在单个变量的表现，但是很难据此直接判断出其未来是否能完成业绩指标。如果可以做到这点，就可以把可能不达标的人提前找出来，进而给予其必要的帮助。
这里就需要用到预测性分析，通过建立预测性模型，根据其关键KPI的表现情况，即可以预测其业绩达标情况。小白根据历史数据训练出的预测模型，预测的准确率已经达到了95%。
4、处方式分析
预测模型完成后，即开始发挥作用。根据模型预测，刚入职一年的销售员小王很难完成今年的业绩指标，虽然其很努力，每月创造的销售机会比均值高不少，销售漏斗金额与销售指标的比率也OK，但是在部分关键指标表现不佳：
对销售业绩影响最大的因素之一就是合同的平均金额，目前均值是180K，但是其只有25K。
另外，看起来他不怎么和合作伙伴一起合作，公司平均60%的合同是和合作伙伴一起打单打下来的，而他的比率是0；而有合作伙伴参与的订单金额是没有合作伙伴参与的订单金额的6倍，胜率也更高。
因此，小王的直属主管找他沟通后，建议他着重提升合同的金额，并给出了以下改进措施：
首先，主管给到小王负责区域的合作伙伴名单，以及以往公司与每个伙伴签署的平均金额，小王需要更积极地联系合作伙伴。
其次，建议小王要提升捆绑销售软件的数量，公司平均有40%的软件都是捆绑销售出去的。主管给了小王捆绑销售占比较高的产品清单，以及在与合作伙伴和捆绑销售做的好的同事名单，要求小王找他们多沟通，看他们是如何做到的。
尾声
经过一年的时间，PAS公司的业绩得到了明显的提升：
理论+方法论
在上述案例中，反复提到了一个商业数据分析框架：
描述性分析（Descriptive Analysis）
诊断性分析（Diagnostic Analysis）
预测性分析（Predictive Analysis）
处方性分析（Prescriptive Analysis）
这是著名的咨询公司Gartner于2013年总结、归纳、提炼出一套数据分析的框架，可以很好地解决企业内部的商业问题。
商业数据分析的根本目的就是要洞察数据背后的规律，基于此，企业可以制订决策、并采取相应措施和行动，进而达成想要的结果。这是商业数据分析的最大价值所在。
描述性分析——发生了什么？
故名思义，该层次主要是对已经发生的事实用数据做出准确的描述。比如某企业本月订单签约额比上月增加100万，至1100万，但是订单履约率从上月的98%下降到了95%，库存周转率从上月的0.8下降到了0.7。
诊断性分析——为什么会发生？
知道到底发生了什么，对我们的帮助不大，更重要的是，我们要明白为什么发生。比如经过分析，发现上文提到的订单履约率下降的原因是成品生产不出来，无法完成交付。而成品生成不出来的原因则是部分原材料的供应商未能按时送货，导致原材料不齐套，无法开始生产。
预测性分析——什么可能会发生？
基于上述两个层次的分析，我们发现了其中的规律，即原材料供应商的送货及时率会影响成品订单的履约率。假如上月某原材料供应商A送货及时率只有70%，通过建模，我们可以预测本月该供应商会使我们的订单履约率下降2%。
处方性分析——该做些什么？
有了预测性分析的结果后，我们无需再做事后诸葛亮，而可以运筹帷幄，在事前就采取措施。上例中，供应商A会导致本月我们的订单履约率下降，我们可能采取的措施就是把A换掉，但是现在有B和C两个供应商供我们选择，该选择哪个呢？通过分析和计算得出：选用供应商B会比选C的订单履约率高1%，因此建议选择供应商B。这就是处方性分析。
四个层次层层递进，经过这四个层次的分析以后，可以对企业的决策和行动提供有力支撑。接下来具体讲讲，这4种分析对应的商业分析场景。
描述性分析
描述性分析做为商业数据分析的第一个层次，主要回答『发生了什么』的问题，接下来将对如何通过数据发现、描述和回答『发生了什么』的方法和工具进行介绍。
一、方法
1、了解业务场景
如果想通过数据发现和回答『发生了什么』的问题，第一步并不是急急忙忙的直接去分析数据，而是首先要了解和还原数据产生的业务场景，包括：数据涉及到的部门和岗位有哪些，这些部门和岗位之间的业务流程是怎么样的，在不同业务流程中有哪些输入，对数据做了什么处理，又是如何输出和传递给下游部门的。如果不了解业务场景就去做数据分析，就如同盲人摸象，因此这一步至关重要。
2、 探索性分析
探索性分析又细分为以下三个步骤：
①提问，理顺初步分析思路和目标
在了解清楚数据产生的业务场景后，可试着问自己一些what happened的问题。比如，本月销售额是多少？环比和同比变化分别是多少？本财年销售的变化趋势是怎么样的？通过相应问题，可以理顺初步的分析思路和分析目标。另外，在上一步了解业务背景的时候，也要注意和相关业务的关键干系人沟通，获取他们想知道的what happened的问题有哪些。
需要注意的是，这里说的是初步的分析思路和目标，因为在随后做分析的时候，新的灵感可能会被不断激发，分析的思路和目标也在不断调整，这是一个循环往复的过程。
②收集数据
有了初步的分析思路和目标以后，就可以确定需要收集哪些数据了。比如上文提到的销售额分析可能用到的数据为销售订单数据、销售开票数据。
③选择相应分析方法
根据分析的思路和目标，就可以对收集到的数据选择相应的分析方法了。具体的方法包括：
对数据位置的探索，包括：最大值、最小值、均值、中位数、分位数等
对数据分布的探索，包括：偏差、方差、标准差、茎叶图、直方图、箱形图（也叫盒须图）、密度图等
对数据趋势的探索，包括：同比、环比、趋势图、条形图等
对数据聚合的探索，包括：排序、筛选、计数、重复项、分组、求和、比例、条形图、饼图等
3、提炼指标
对数据做探索性分析后，可对数据反映的事实有一个直观的感受，比如，通过分析一个仓库的月度收发存数据，可以大概知道这个仓库的货物周转情况。但是要想更准确、简洁地描述发生了什么，还应该提出更高的要求：即总结和提炼出相应指标。比如描述库存周转的整体情况，库存周转率、库存周转天数等指标更有效。这些指标可以做为企业日常经营管理的KPI，让相关人员快速、准确地了解到企业当前的经营情况。
二、工具
1、不会代码的个人使用
描述性分析中最常用的工具就是Excel，但是随着商业环境中产生数据的增多，Excel的运行效率变得相对低下，并且Excel主要侧重于表格中的数字分析，但是因为人类对图形的敏感度和理解力天生就比数字高，正所谓一图胜千言，因此近年来可视化分析工具逐渐流行起来，此类工具主要是通过图形去对数据产生洞见，发现其中的规律，而不仅仅是用做结果的展示。
FineBI就是其中之一。其上手比较容易，很多功能设计的也比较便捷和人性化，运行效率较高（10万行以上的数据FineBI较Excel有明显优势），输出的可视化图表也很美观，可直接用在数据分析报告dashboard里（Excel默认输出的图表都很丑，后期还需要做不少调整和美化，才能放到数据分析报告里）。
当然，FineBI的定位依然是企业级数据分析工具。
工具：
2、企业使用
对企业来说，描述性分析的工具主要是报表和BI。
报表一般是嵌入至各专业系统中，如CRM、SRM、ERP、WMS、MES等。
BI一般是单独的系统，其从各专业系统中抽取数据，经过处理后，通过表格或图形展示出来。过去Oracle的BIEE，IBM的Cognos，SAP的BO曾经在企业数据化建设上一度受欢迎，太犹豫这些工具过去庞大且上手难度大，在企业业务部门难以推广。后来出现了新一代的自助式BI，比如上面的FineBI工具。
报表目前最受欢迎的是帆软的FineReport，能制作各种复杂报表、以及数据可视化大屏。在报表和BI的基础之上，可增加预警系统，如对异常的指标进行预警，让领导仅对这些指标进行关注，而无需把所有的指标都看一遍，以节省时间，提高效率，有必要时再查看相应报表或BI展示，这也是企业描述性分析的应用方式之一。
立即沟通
