CDA數(shù)據(jù)分析師 出品

作者：劉宇翔

編輯：Mika

大家好，我是來自永洪科技的數(shù)據(jù)分析師劉宇翔。我今天分享的主題是，釋放數(shù)據(jù)價值，人人都是數(shù)據(jù)分析師。

首先看一下今天的交流內(nèi)容，共分成4個部分。

第一部分是關(guān)于數(shù)據(jù)分析項目的基礎(chǔ)架構(gòu)。本身我也是接觸商業(yè)智能BI比較多的，有比較多的項目經(jīng)驗。這里為大家講一下，在商業(yè)化的數(shù)據(jù)分析和商業(yè)智能項目里，像BI的應(yīng)用、AI人工智能的應(yīng)用，這樣的數(shù)據(jù)分析需求在不斷涌現(xiàn)。

第二部分是數(shù)據(jù)分析常用工具的介紹，關(guān)于比較了解的幾個主要的大類。重點會去介紹商業(yè)智能BI這一部分。

第三部分是關(guān)于BI可視化分析能力。

第四部分是制造業(yè)的場景分析。制造業(yè)的話也是有比較多的主題，包括生產(chǎn)制造、流程、庫存、采購、財務(wù)營銷等等，今天主要介紹采購的分析。

01、數(shù)據(jù)分析項目基礎(chǔ)與架構(gòu)

隨著在信息化、數(shù)字化浪潮轉(zhuǎn)型的過程中，不管是企業(yè)、政府、個人用戶等，都會有比較多的數(shù)據(jù)分析需求。無論是B端還是C端，這些需求也是有共性的。

首先，有數(shù)據(jù)平臺化的需求。不管是制造類型、能源、交通行業(yè)的數(shù)據(jù)，都可以分為內(nèi)部和外部兩種數(shù)據(jù)。對于企業(yè)內(nèi)部的IT部門或者業(yè)務(wù)部門，他們之間的需求和分工發(fā)生了很大的變化。

IT部門逐漸從需求的響應(yīng)方變成了平臺化的部門。業(yè)務(wù)部門從簡單的提出需求，到獲得報告或可視化報表，逐漸轉(zhuǎn)向為有自主的分析能力。從而逐步推動在企業(yè)或用戶內(nèi)部搭建統(tǒng)一的數(shù)字化平臺，然后為整體的這些同事提供統(tǒng)一服務(wù)。

另外在業(yè)數(shù)一體化方面，通過目前比較先進的、比較敏捷的可視化技術(shù)，比如大屏、分析，以及人工智能這樣的能力，把數(shù)據(jù)融到的日常業(yè)務(wù)當(dāng)中。

接下來是分析全民化。目前在國內(nèi)，每年數(shù)據(jù)分析師的數(shù)量增長比較迅速，而且現(xiàn)在隨著商業(yè)智能的普及，包括像R語言、 Python等分析工具的普及，普通的用戶在做業(yè)務(wù)的時，大家都可以去學(xué)習(xí)，去掌握這樣的技能。

通過數(shù)據(jù)分析技能，除了日?？磮蟾?、看數(shù)據(jù)之外，對于自己的工作指導(dǎo)也有比較重要的數(shù)據(jù)意義。另外分析能力，在職場上也能夠幫助大家升職加薪，或者提供更多的職業(yè)選擇。

最后一點， AI的平民化。其實 BI和AI關(guān)聯(lián)性還是比較強的，像BI的商業(yè)智能，或其他的分析領(lǐng)域可能比較偏向于統(tǒng)計分析、數(shù)理分析或者監(jiān)控分析。

如果在統(tǒng)計分析已經(jīng)做得比較好，對于業(yè)務(wù)的驅(qū)動都做得比較好的前提下，用戶更進一步的都希望做AI應(yīng)用。目前眾多商業(yè)智能的廠商都具有深度分析的模塊和能力，他們能夠幫助用戶在 BI的基礎(chǔ)上做更深層次的數(shù)據(jù)應(yīng)用。

近年來大環(huán)境有些變化，像地產(chǎn)、教育、疫情影響下的旅游、交通等行業(yè)都受到了一些影響。實際上不管是傳統(tǒng)行業(yè)，還是一部分新興行業(yè)，許多行業(yè)的業(yè)務(wù)運營都面臨著比較大的壓力和挑戰(zhàn)。在這種情況下，提高數(shù)據(jù)化運營的程度，深挖內(nèi)功也是企業(yè)和用戶比較強烈的訴求。

在這樣的基礎(chǔ)上，整個數(shù)據(jù)分析的思路可以這樣梳理。從問題出發(fā)，然后數(shù)據(jù)沉淀，最后是以結(jié)果為導(dǎo)向，共分為5個步驟。

首先對于分析來講，第一步是要分明確分析的問題，需要去界定要分析什么內(nèi)容，什么指標(biāo)或者什么維度。然后再將這些分析的內(nèi)容做拆解，把大的問題拆分成小的問題，接著建立維度指標(biāo)以及數(shù)據(jù)的指標(biāo)體系。

第二步，是去完成數(shù)據(jù)獲取。數(shù)據(jù)獲取有比較多的來源，像企業(yè)內(nèi)部、用戶內(nèi)部有自己的數(shù)據(jù)源以及業(yè)務(wù)系統(tǒng)，比如ERP、 CM系統(tǒng)、 OA系統(tǒng)等等都可以提供數(shù)據(jù)庫或數(shù)據(jù)源。

另外其他系統(tǒng)也有數(shù)據(jù)采集的能力，通過爬蟲、Python獲取外部數(shù)據(jù)的應(yīng)用，還有線下的Excel表格統(tǒng)計數(shù)據(jù)，或者手工填報錄入到業(yè)務(wù)系統(tǒng)或商業(yè)智能當(dāng)中的數(shù)據(jù)源類型。通過構(gòu)建數(shù)據(jù)倉庫、數(shù)據(jù)湖等方式獲取數(shù)據(jù)。

第三步，數(shù)據(jù)的探索和處理。這里是數(shù)據(jù)治理、數(shù)據(jù)清洗的內(nèi)容，獲取的數(shù)據(jù)如果有些問題的話，需要對它進行定義，對邏輯腳本等進行處理。

第四步，關(guān)于模型的搭建。從整個的分析邏輯，選擇不同的模型，根據(jù)分析需求，選擇對應(yīng)的模型搭建完成。之后可視化的展示，這一部分可以依賴于不同的工具。

整個分析流程下來，我們希望創(chuàng)造一些價值，達(dá)成相應(yīng)的收益。分成以下數(shù)據(jù)驅(qū)動業(yè)務(wù)增長的4種價值實現(xiàn)形式，包括像業(yè)務(wù)監(jiān)控、問題診斷、智能預(yù)測和決策。

數(shù)據(jù)的應(yīng)用分析以及數(shù)據(jù)挖掘，它都是為人的決策提供支持。像很多企業(yè)的基層、中層以及管理層，以往決策更依賴于經(jīng)驗決策、其他判斷，或簡單的數(shù)據(jù)決策邏輯。

但隨著信息化或者數(shù)字化，包括BI的應(yīng)用能夠幫助他們建立科學(xué)決策，以及數(shù)據(jù)決策這樣的分析思路。

從淺到深的話，首先是對于業(yè)務(wù)的核心指標(biāo)監(jiān)控。然后對于這些數(shù)據(jù)要全局打通，不管是生產(chǎn)類的，還是營銷類、財務(wù)類的，把數(shù)據(jù)做匯總和整合，從而能夠看到公司全域的數(shù)據(jù)。

基于該基礎(chǔ)之上，可以去做問題診斷。比如說看異常數(shù)據(jù)，然后看當(dāng)中的原因、明細(xì)、數(shù)據(jù)總體趨勢、關(guān)聯(lián)關(guān)系，或者運用更深層次的算法，聚類、回歸等能力去做數(shù)據(jù)的挖掘和應(yīng)用。

智能預(yù)測的話，可以結(jié)合AI算法，定制模型來為未來的數(shù)據(jù)做預(yù)測。這個準(zhǔn)確率也是會依賴算法的訓(xùn)練，包括歷史數(shù)據(jù)等比較多的因素。最終要達(dá)到，為多個層次提升決策的效率和準(zhǔn)確度。另外還有簡化整個決策和思考的過程，從憑經(jīng)驗、憑感覺轉(zhuǎn)變成為看到數(shù)據(jù)，就可以看到數(shù)據(jù)所背后所代表的價值和信息。

下面是比較通用的，在數(shù)據(jù)分析以及BI商業(yè)智能項目上所搭建的項目架構(gòu)。

架構(gòu)的話是有三個層次，底層的處理層，也就是業(yè)務(wù)處理層或數(shù)據(jù)源層；中間的數(shù)據(jù)中樞層，也叫數(shù)據(jù)平臺、數(shù)據(jù)匯總層。頂層是數(shù)據(jù)應(yīng)用層，也是分析展示的層次。

底層的話，架構(gòu)是比較清晰的?？梢詮亩喾N數(shù)據(jù)源或者多個維度拿到數(shù)據(jù)，大量數(shù)據(jù)不管是通過SQL查詢還是其他導(dǎo)入的形式，中間入到數(shù)據(jù)倉庫當(dāng)中進行數(shù)據(jù)匯總。匯總方面，對于做采集和存儲之外，還需要做清理整合。針對不同的分析主題，分成了不同的主題域。在治理層面的話，對數(shù)據(jù)的原數(shù)據(jù)，包括質(zhì)量、主數(shù)據(jù)、安全，還有數(shù)據(jù)資產(chǎn)類的具有管理能力。

把這個數(shù)據(jù)做了打通，匯總和清理之后的話，頂層是可以介入分析的工具或者可視化的平臺，然后來做展示。最終輸出的結(jié)果也是大家比較常見的，有報表類的，也有可視化報告類的，還有動態(tài)的、炫酷的大屏類的，這些都是最終的項目成果。其實在底下是有大量的數(shù)據(jù)工作的。另外像很多項目里，數(shù)據(jù)底層的處理和清洗匯總會占到更多的時間，去做最終展示的結(jié)果、可視化的界面或圖形時，反而占的時間會相對少。

02、數(shù)據(jù)分析常用工具

這里列舉了大家常用的工具。

Excel是大家比較熟悉的入門級工具。

目前國內(nèi)的很多分析場景中，Excel占據(jù)了比較高的比例。因為它簡單易用，還免費，而且功能強大，操作便捷靈活。已經(jīng)能夠幫助滿足基礎(chǔ)的分析統(tǒng)計，包括數(shù)據(jù)的簡單計算，像函數(shù)、可視化的能力等。

SPSS等分析軟件，能夠通過圖形菜單驅(qū)動，并且能夠去完成比較豐富的數(shù)據(jù)處理和分析。前些年，SPSS都用得比較多，最近隨著報表工具，日報的工具，還有商業(yè)智能BI的興起，目前它使用的場景會更少。

R語言。R和Python兩個像兄弟一樣是不分家的，這兩種語言針對的都是不同的領(lǐng)域。R擅長于計算和作圖，Python擅長可視化，包括像人工智能方面。這些都是開源免費的。

R作為編程語言，它的靈活度和能力豐富度是比較高的。不會受制于功能或需求的框架，只要我們有相應(yīng)的開發(fā)能力和語言編程能力，R就能幫助我們完成比較靈活的分析和展示。

Python現(xiàn)在比較火。對于數(shù)據(jù)分析師來說的話，這幾種工具當(dāng)中 Python可以說是重要性比較靠前的，也是現(xiàn)在比較流行的編程語言和能力。

接著是SQL。SQL和BI是不分家的，關(guān)系比較強的?；旧?a href='/map/shangyezhineng/' style='color:#000;font-size:inherit;'>商業(yè)智能BI都需要通過SQL的形式去做數(shù)據(jù)的查詢，不管是簡單的select，或者 group by等數(shù)據(jù)增刪改查等應(yīng)用，都需要去掌握SQL的能力。

最后還有商業(yè)智能BI。隨著近些年的分析需求越發(fā)復(fù)雜和靈活，而且目前低代碼的趨勢也是決定了 BI的發(fā)展能力。

首先，BI和不同的業(yè)務(wù)系統(tǒng)里自帶的分析模塊比起來，它的區(qū)別在于：一般商業(yè)智能是會做跨平臺的統(tǒng)一分析平臺，比如說 ERP以及一些財務(wù)系統(tǒng)里，也有分析報表和可視化模塊，但在多個系統(tǒng)之間的打通比較弱，可能形成數(shù)據(jù)孤島或數(shù)據(jù)煙囪的情況。

像BI的話，是可以去通過數(shù)據(jù)匯總這樣的計算，來拿到全域的數(shù)據(jù)和信息內(nèi)容，從而做全局分析，包括像關(guān)聯(lián)分析、聯(lián)動分析。最后通過低代碼拖拉拽的形式，去做可視化圖表的開發(fā)和制作，這是比較敏捷和快速的。

03、BI 工具可視化分析能力

關(guān)于可視化分析的能力，首先要看分析場景。如果是在會議或匯報上，想做可視化的效果去了解的業(yè)務(wù)，或在其他場景下去分析問題，這里就需要這樣的工具進行分析。

總的來講BI可以通過報表、圖表、儀表盤，然后結(jié)合查詢分析的能力，提供數(shù)據(jù)的預(yù)警和挖掘。

對于分析工具來講的話，像永洪desktop這樣的產(chǎn)品，可以連接比較豐富類型的主流的數(shù)據(jù)庫。

另外數(shù)據(jù)拿到 BI分析工具當(dāng)中后，可以對它做輕量級的數(shù)據(jù)處理，包括像SQL的查詢、關(guān)聯(lián)、去重轉(zhuǎn)換、抽樣排序等，這樣的數(shù)據(jù)處理都可以在前端通過可視化的界面和能力去實現(xiàn)。

總的來講敏捷BI的核心特色還是說在低代碼開發(fā)和敏捷自主分析上。不管是說R和Python來講，用戶有一定學(xué)習(xí)門檻，學(xué)語言、邏輯，還有實現(xiàn)形式。對于 BI工具來說，分析過程都是拖拽的過程，可以去選 BI工具里邊自帶的組件。當(dāng)中的組件圖表都是比較豐富的。數(shù)據(jù)入到BI當(dāng)中，可以用常用的分析方法。比如線圖、面積圖、餅圖、點圖以及，熱力圖、漏斗圖等。

關(guān)注“CDA數(shù)據(jù)分析師服務(wù)號”

回復(fù)“數(shù)據(jù)價值”

獲取pdf版視頻內(nèi)容

04、制造業(yè)場景分析應(yīng)用

關(guān)于制造業(yè)場景分析應(yīng)用，這部分主要介紹了制造業(yè)全流程下的數(shù)據(jù)治理思考。對于制造業(yè)用戶來講，可能思考比較多的是利潤下降，然后如何去降本增效，統(tǒng)一人財物這樣的需求。整個制造業(yè)都有比較多的分析的場景，比如采購、生產(chǎn)、庫存、銷售、品控、售前、售后、財務(wù)營銷等。

下面的話主要是以采購分析來舉例。

其實在做分析之前，首先要分析什么內(nèi)容。比如說目前是要做采購的分析，然后去分析采購成本、供應(yīng)商或周轉(zhuǎn)等可以列出來幾個主要的分析主題。下面是比較重要的核心指標(biāo)。對于采購管理來說，金額集中度、供應(yīng)商、執(zhí)行率、均價合格率等是比較關(guān)心的指標(biāo)。根據(jù)采購金額，可以評估不同的緯度，不同的供應(yīng)商或者是不同的部門，通過采購金額和成本的比例，可以知道企業(yè)的錢花在哪里，哪個地方花的比較多，或者哪個時間段花的比較猛。

第二部分是可以建立完善的供應(yīng)商的畫像。通過不同的分析維度給供應(yīng)商做整體的評分，包括以下幾個核心指標(biāo)。像評價參數(shù)、價格比率、準(zhǔn)時交貨率、退完成率等綜合因素，可以去畫出供應(yīng)商的四象限。根據(jù)里邊有優(yōu)質(zhì)的或可以挽留的，形成重點發(fā)展的不同維度供應(yīng)商，然后針對不同供應(yīng)商制定不同的采購策略。

第三部，合規(guī)分析。對于采購項目和招投標(biāo)項目，當(dāng)中都會有合規(guī)的風(fēng)險，或供應(yīng)商風(fēng)險的存在。這里的話對于數(shù)據(jù)做及時，進行全局的監(jiān)控對于規(guī)避供貨風(fēng)險，或規(guī)避企業(yè)的財務(wù)風(fēng)險，也是有比較重要的意義。

后面最后兩部分，對于采購建議和周轉(zhuǎn)分析上。采購建議周轉(zhuǎn)分析的話，對于企業(yè)運營來講，尤其是降本增效是有比較重要的含義的。比如說庫存里邊是有多少的庫存物料，庫存物料既要滿足生產(chǎn)銷售運營的要求。同時，又不能有太高的呆滯庫存和呆滯物料，從而能夠保持較高的庫存周轉(zhuǎn)率，同時有較低的金額占用，資金占用，這對于企業(yè)來說是比較重要的問題。需要通過數(shù)據(jù)分析找到在不同的時間階段，不同的日期，整個庫存安全警戒線，以及庫存周轉(zhuǎn)的周轉(zhuǎn)率和周轉(zhuǎn)的天數(shù)，還有物料估算它的在途的比例等方面，這些能對整個采購提供比較好的采購建議。