商业数据分析需要什么?

文 | 商业智能BI相关文章 阅读次数:1,735 次浏览
2022-08-12 9:33:17

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。

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

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。

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

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。

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

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。

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

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。

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

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。

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

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。

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

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。

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析
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:

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

去年销售员业绩达成率分布如下图所示:

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

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:

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

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:

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

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:

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

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:

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

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,描述性分析,处方式分析,诊断性分析,预测性分析

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:

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

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。

但这一切都要基于一个好用的数据可视化平台。现在市面上流行的有FineBI,但权威机构IDC指出市场占有率第1的还是FineBI,这些都可以做数据分析

商业数据分析,描述性分析,处方式分析,诊断性分析,预测性分析

FineDataLink更多介绍: https://www.finedatalink.com/

相关内容

申请体验 申请体验

返回顶部