干货分享|数据分析驱动企业效益提供首页,新利娱乐平台等产品欢迎广大客户前来洽谈业务合作

新利娱乐平台

首页 > 企业实力 > 干货分享|数据分析驱动企业效益

干货分享|数据分析驱动企业效益

来源:首页 | 时间:2019-02-04

  刚结束的第18届亚运会,中国短跑名将苏炳添(以下称为苏)以个人第二好成绩9秒92强势夺冠,苏是中国乃至亚洲最优秀的短跑运动员,但相比退役的牙买加“闪电侠”博尔特的最好成绩9秒58仍相距明显。苏百米平均步伐约2.1米,博尔特的平均步伐约2.4米,虽苏起跑反应速度和爆发力均是世界一流甚至略胜博尔特,但身高的限定(苏的身高1.72米,而博尔特身高1米96),要想增加单步的长度几乎是不可能,最终苏100米需要比博尔特要多跑6至7步。换言之,苏要想在两年后的2020年东京奥运夺牌,须更精细化地分配体能和调整手臂的摆幅等,为极限地提升频率寻求技术瓶颈新的突破口。

  某珠宝店被盗,警察问4名嫌疑人,甲说“不是我”,乙说“是丁偷的”,丙说“丁没偷”,丁说“肯定是乙”,4个人里面只有一人说了实话,试问,珠宝是谁偷的?答案是“甲偷的”。为什么?因为四个人里只有一人说了真话,乙与丙两人说了相反的一句话,那么其中有一人肯定是真,另一人肯定是假。暂且不管这两人谁真谁假,可断定另外两人说的肯定全是假的,所以结论是甲。这就是数字分析的魅力。

  什么是数据分析?数据分析有什么应用与效益?笔者结合多年的企业管理与管理咨询经验谈谈自己的见解,并以文字形式呈现,除了完成学习任务之外,也为促进数据管理尽一份力。

  数据分析,是指用恰当的统计方法对收集的资料进行分析,以达到最大化地开发数据资料的功能,发挥数据的作用。为了提取有用信息和形成相应的结论而对数据加以详细研究、解读和概括总结的系列过程。

  数据是管理的媒介。纯粹的数据并没有太大的意义,我们先得清楚数据受众的对象。比如说一个人的身体素质好,是因为素质各项指标均符合标准。判断一个人是高血压,是指这人在正常情况下的收缩压大于140 mmHg,舒张压大于90 mmHg甚至更高。受众的对象独立于数据毫无说服力,数据脱离具体对象没有实际意义。对象与数据的结合才能相得益彰。对于制造型等实体企业而言,数据分析的效益主要体现在以下四个方面。

  管理工作简单化。复杂的运营管理过程用科学思维分析,聚焦数据的主要矛盾点,配以简洁的数据呈现,且尽可能地简化概念来解决,不仅加速了决策效率,也往往还会收到柳暗花明的效果。一个简要的汇总不亚于面面俱到陈列,一组KPI呈现也比数十页的PPT效果要强很多。苏炳添的成就除了其本人的天赋与努力,教练组的科学数据分析与技术突破功不可没。珠宝店被盗案,如果一味纠结于乙与丙两者孰对孰错,则会陷入无解的僵局。

  优化运营管理流程。通过对经营数据分析,我们了解企业运营资源如何合理分配,流程哪里需要优化。比如,通过对销售额波动分析,我们确认是销售单价的影响还是成交数量的变化;是访问流量的变化还是转换率的变化。通过对库存周转率分析,我们可以推断是采购流程有待完善还是备货策略需要变更。

  创造更大的价值效益。商业价值的创新来源于数据价值的有效转换,价值可以通过数据呈现。生产中, 当NPI导入量产后,多久需对ERP系统损耗系数进行调整?哪些制程、哪些料号需要调整?需要通过对生产过程数据进行分析来决定。通过月度或季度生产损耗或不良品的分析,找到降低物料的损耗系数的关键才能提升直通率,降低物料成本的同时才能创造更大的收益。通过SKU营收与利润贡献分析,确定哪些是畅销品,哪些SKU是营收与利润的贡献的主体,哪些成品又是淘汰或迭代的范畴。

  拓展新业务新商机。数据分析可以避免思维的盲点。有人形象的把数据分析过程是比喻成医生把脉看病的过程。除了不仅要提供了体检数据,更得要提供疾病医治与预防的方案。一份新备货方案,一条新的流水线的布局,一个新的客户导入或一个新业务模式的开发,均离不开数据预测、分析与推演。制造企业因为新客户或新业务的导入,如何通过制定年度备货计划提升公司经营业绩?无论是基于目标存货周转率加权法还是二元次线性回归分析法备货,均离不开数据的处理与分析,两者均需从库存的结构(包括原材料、半成品、成品、在制或在途等)的比重构成和CT2R(Circle time to requirement)的构成不同维度进行剖析。附如下图1,深圳F集团CT2R模型:

  数据分析含两个关键重点:有用的信息资料与概括总结。对于数据而言什么是有用信息?有用的信息主要包括三个方面:数值、比率、图形(图表)。

  我们平时接触的数值很多,包括最大数、最小数、算术平均数、众数、中位数,方差等。最大数、最小数、算术平均数:我们用得太多,不必再做过多的解释。

  用另一数组对上面六个数假以说明。假设姚明(身高2.26米)与4个中学生(四人身高分别为1.70米、1.75米、1.77米、1.78米)组成一个篮球队,那么这个团队的身高数据分析如下:最大值=2.26米;最小值=1.70米;中位数=1.77米;算术平均数=1.85米;方差=0.042;

  六个数里只有最大数、最小数、众数是真数(合乎实际的数据),真数不会改变数的本身的任何特性。中位数是半真数,因为当数组出现偶数的时候,它是需要通过计算才能完成的。但凡需要第二次计算,就会出现人为操作或标准不一的失误,所以中位数叫半真数。而算术平均数与方差实际上是假数,因为它们均需要二次计算,而且在计算过程中会出现不可意料的陷阱。如果纯粹看这支球队的平均身高超1.85米,则基本可以达到篮球国家队二队的要求了。

  而实际上,除姚明外其它四人没有一人超1.80米,也就是说这四人因姚明而“被平均”拉高了,如果断定他们组成的团队能进国家队则完全是误导。每当国家统计局公布平均工资,均会引起网民大量吐槽,吐槽我们百分之八十(20/80原则)的人都被马云给平均抬高了,我们均陷入了 “被平均”陷阱。

  所以,当出现了这样的数据时,则需要往回追溯,来填补这些异常数据造成的陷阱。怎么样来填补这些陷阱呢?首先要看整个数组里有没有异常值,而必须把异常值剔除掉。也就是说姚明的身高,马云马化腾的收入不能与其他常人一起做算术平均计算。

  我们再看一组深圳某制造企业供应链管理存货周转天数(周转率)数据,如下图2:

  上图表中的2月份数据就是异常部分,因为2月份是春节假期特殊时间,在实际的管理工作中,要把策略性备料库存扣除,否则管理数据就会因为“陷阱”而失真。就像上图表中累计的周转天数全年为42.1天,超出40天未达成目标。

  但如果把异常数据剔除再看这组数据的变化,则会发现全年实际周转天数实际达成目标,甚至可以依此决策,修订次年度目标,甚至可以把目标调为38天或更低。异常数据剔除与否,结果的呈现会对决策产生一定的影响。如下图3:

  统计学里数组应该看方差,但实际工作中不到万不得已不建议引入方差或标准方差(Sigma “σ”)。只要能出结论,并非工具越复杂、越高端就越好,而是越快速、越精准地定位找到症结点,并得出有效的结论越好。相比与平均值或方差等假数,我们更尽量多用最大、最小值以及中位数等做数据分析。越是简单、常用的东西,越是管理追寻的高的境界。

  我们常用百分比多于绝对值,先对同比和环比作一个概念上的区分。同比是指相同时间点进行比较,比如说2017年9月和2018年9月。环比就是时间点的比较,比如说2017年9月和2017年10月是一个前后时间段的关系。初看好像没什么陷阱好出现,实则不然。如下图4:

  这是2017年9月第一周(WK35),以及2018年10第一周(WK40,国庆周,特殊日期节点)的销售金额分布。特殊日期节点是不能单纯进行比对,最好是以特殊日期本身作为对比基准。在这个时候要区分国庆假期与非国庆假期,特殊与非特殊时间两者没有同比性,否则就把自己陷进去了。

  在日常的管理活动中,我们常用到柱形、饼图、折线和条形图、柏拉图等组合图。用好图形的坐标以及归类非常关键。如下图5:

  同一组数据,左右两组对比图,原本所表达的数据是一样的。但由于它们的数据坐标轴不一致,所以在看趋势图时,基准线坐标选择很重要。左边那个图是0与0%为起点,右边那个是800与90%为起点,当然是右边图的波动比左边波动幅度更明显和贴切。就归类看一下下面几组比对图表,如下图6-8:

  图6不良原因没有细分,图8则分类太细,而图7归类则刚好。 所以在分析数据时分类不能笼统,但也不能太细,恰到好处的分类可以让日常企业管理异常处理事半功倍。

  数据分析后的结论有哪些有效的方法?主要的方法有两种,即:对比法与拆分法。

  3. 定义和计算方式一致。库龄定义呆滞,超180天为呆滞还是超360天定义为呆滞,如果不统一,呆滞或滞销数据必定是乱的。

  4. 数据源要一致。企业如有两套ERP系统账,你从A系统中读数,我从B系统中读数,两套帐又不同步。常出现你的数是对,我的数也是对的,我们俩的数就是对不上。这就是数据源不同步问题。

  是用来快速定位有问题的字段,找到真因的一种有效方法。电商企业营销活动中,成交额出现了异常波动,需要把成交额字段拆分,成交额=成交用户数×单价,成交用户数=访问数×转化率。拆分是为了最快地找到出现异常问题的那个数。如何拆分,要求所以在折分前建立一个完整的Database。

  制造企业的KPI并非品牌型企业的关键绩效,线下互联网营销型企业的主要矛盾也并不是线上型的企业想要的。哪些企业要关注营收,哪些企业关注利润;哪些企业关注人均产值,哪些企业更关注人均附加产值;不同的企业不同的时机不尽相同。了解与读懂企业的特性,找出主要矛盾是首要。

  未达标的点、明显变化拐点、超出期许的变化等节点的分析比全盘分析要简易的多。

  抓住节点数据,则会让复杂的数据分析变得简单化。生产达成或营收达成,我们应重点对未达成目标的节点(工序、品类、平台站点等)进行简述。

  为避免特殊,取样科学。一份品质检测数据,为避免失真,科学取样科学读数是前提。加权法或二元次线性回归预测分析法做销售预测时,需读取过去一个月还是六个月或一年的数据,时间段的选取变得非常关键。

  数据处理应用,常用的办公软件工具有EXCEL函数、SQL、MINITAB等,熟练地运用其中一至两项,会对我们管理或咨询服务工作起到相得益彰的作用。呈现一份漂亮的数据分析报告,常用到的办公工具有:PPT、WORD、EXCEL表格、XMID、VISIO等,各有各的特点,单就效果,一般是EXCEL、XMIND、VISIO等相互结合使用,并以WORD或PPT呈现,实际运用中,建议在每个主题模块尾部备注相应结论简述,结论注意言简意赅。

  好的数据应用是建立在对企业管理流程熟练掌控前提下,唯有如此,数据分析才能发挥应有的成效,也才能真正回归数据管理的最初本质。返回搜狐,查看更多

新利娱乐平台国际产品