数据化管理　你的第三只眼睛

一、 商务智能的意义——决策支持系统（Decision Support System）

管理大师彼得?德鲁克(Peter Drucker)曾发出概叹：迄今为止，我们的信息技术产生还仅仅是数据，而不是信息、更不是知识！怎样从商务流程的数据纪录中提取对决策过程有参考价值的信息，从而实现从数据到信息、从信息到知识、从知识到利润的转化？这个要求，在西方发达国家先后进入了后工业社会之后，变得更加迫切。企业的规模越来越庞大、组织越来越复杂，市场更加多变、竞争更加激烈，如何做出正确、明智、及时的大小决策，对组织的兴衰存亡影响越来越大，一步走错，可能满盘皆输。

二、 商务智能——数据仓库

决策支持系统面临的“瓶颈式”难题，是如何有机的聚集整合多个不同运营信息系统产生的数据。对这个问题的关注起源于美国计算机科学研究的另一所重镇：麻省理工学院。和卡内基梅隆大学一起，这两所大学先后为现代商务智能的发展奠定了基石。20世纪70年代，麻省理工学院的研究人员第一次提出，决策支持系统和运营系统截然不同，必须分开，这意味着决策支持系统要采用单独的数据存储结构和设计方法。但受限于当时的数据存储能力，该研究在确立了这一论点后便停滞不前。

如蚕之蛹，数据仓库是商务智能的依托，是对海量数据进行分析的核心物理构架。它可以形象的理解为一种语义格式一致的多源数据存储中心，数据源可以是来自多种不同平台的系统，如企业内部的客户关系管理系统、供应链管理系统、企业资源规划系统，也可以是企业外部的系统和零散数据。这些不同形式、分布在不同地方的数据，将以统一定义的格式从各个系统提

转载自：商业价值        作者：孙彤

终端到终端的无缝连接，并充分挖掘和利用数据，正在成为零售业获取更高效率的新机会。

3月5日，在巨大条幅的映衬下，零售业规模最大的年度活动之一——日本零售展拉开帷幕。作为亚太地区重要的行业展览，这里总能让零售业者发现更创新的技术和理念。

零售展的重要目的之一，就是为零售商提供先进技术以应对市场变化，提高工作效率，并为客户提供量身定制的购物体验。在日本这个零售业相对发达的国家，零售模式的创新空间被不断挤压，几乎整个行业都在使用POS系统，并采纳全球统一的OPOS标准。因此，在相对固态的生态体系里，这里的零售业者更偏向于能够在现有的零售模式上精耕细作，做更深层的价值挖掘。

在这次偌大的零售展中，虽然记者所到之处并没有见到更多颠覆性的革命和创新，但在展区浏览时不难发现，效率 —— 这个在整场零售展中出现频率最高的词汇，正在通过技术手段逐一落地实现。

而技术，绝对是推动零售商应对市场变化的重要工具。它的价值就在于，在提高工作效率的同时，还为消费者提供定制的、无缝的、与众不同的购物体验。如今零售商可以使用一系列互联工具，例如二维码扫描器、销售终端等一系列设备，而这些设备生成的大量商业数据其实可以成为企业最可贵的资源。

零售业的变革

零售展上，富士通公司零售业务部门资深副总隆治菅野表示：“迫于经济形势，尤其在2011年日本大地震之后，很多零售商面临着很多困难，因此，如何利用数据和信息变得愈发重要。”

3月20日著名体育用品公司李宁公布了其2011年财务年报，至此国内在香港联交所上市的六大体育用品公司财报全部公布完毕。这次李宁财报广受业内关注，原因是2011年半年报的时候，安踏首次以1.6亿的优势把李宁拉下马来，坐上了头把交椅，所以这次年终PK格外引人注目。最终结果是李宁以0.3亿的优势击败安踏重新拔得头筹，这个结果对李宁来说是“最好的最坏结果”！

下面是我对这六家公司（李宁、安踏、361度、特步、匹克、动向）的财报分析，需要说明的是361度就财年是7-6月，2011年改成1-12月，所以部分历史数据不在我的分析中。

一、销售情况分析：

备注：阿迪达斯和耐克年增长数据来源于其中一个代理商百丽公司的财务年报，非阿迪/耐克全国数据，只能参考！

六大公司增长率都在下降，李宁和动向出现负增长。对于2012年第一个猜想是李宁和安踏年销售会过百亿吗？这需要他们又12%的年增长，从历史增长数据来看安踏最有机会。李宁的财报提示其在2012年的订货货获得的订单第一二季度只有个位数的增长，第三季度反而是个位数的下降。

二、财务状况

猜想二：2012年会有亏损企业出现吗？这种可能性不大，各项数据反应李宁和动向均渡过了其最困难的时期，都在想好的方向发展，这两家公司的基础都不错，相信他们会很快走到正常的轨道来的。

很多新闻媒体只是在关注几家公司的库存绝对金额的增长，这是不科学的。年销量在增长，库存绝对金额肯定会水涨船高。这种情况最好看库存和销售的相对值-库存天数（本文的库存天数公式和财报的不一致，财报公式是采用的国际通用公式,而我是采用销售人员常用方法来计算的）

本文发表于《客户世界》2012年第一期

写这篇文章的时候正值由CSDN引起的史上最大规模用户信息“泄密门”事件在升温发酵中！微博是新兴的社交网络，具有传播速度快，传播范围广的特点！并且每一个账号都是自媒体，不容易被监控和约束，所以微博泄密事件更是层出不穷：

我们先来看看几个微博泄密事件：

1.      微软美国总部一名工程师【windows手机团队的一位项目经理】在Twitter上发表微博泄露了关于诺基亚Windows手机的消息：“我刚得到机会去体验我所见过的诺基亚手机中最轻薄的一款。很快，你们也会看得到”，“摄像头的效果很不错，就是闪光灯功能还有待加强”。事件的结果是这名工程师离职！

2.      清华大学水利水电工程系的学生只用了40分钟就准确推理出王珞丹（著名演员）的家庭住址。而他掌握的线索，仅仅只是王珞丹公开发表的几条带图片的微博。

3.      我在11月30日的微博写到：突然发现有两个手机公司的基层员工正利用新浪微博有组织、有纪律、无意识的在泄露手机销售数据！给大家看两张他们的微博截图吧（删掉了用户名字）：

从图中很明显的看到他们的组织性，第一张图所有人员名字前缀都是“TY”（这是国内某著名手机经销商的缩写），并且三条微博来自于同一天同一时段，可见他们领导把微博当成每日销售数据上报的渠道了。第二张图虽然名字没有统一，但是却使用了统

玩微薄的大部分人都希望自己的粉丝迅速上涨，新增粉丝和哪些因素有关呢？下图是我在新浪微博做的一个调查，共有221名我的粉丝参加了投票，投票结果如下：

一、看得出来，内容为王，因为只有写精品微博你的粉丝才愿意转发，才能让他的粉丝看见你的微博内容，也才有机会粉你！我的微博原创率为56%（截止到2011年10月27日），创作并分享了大量和数据化管理相关的微博，带来了大量的转发。下图是我上周二到周六统计的每天@我的数量以及新增粉丝数chemyhuang.blog.163.com

共计新增粉丝815名，被@2924次，转化率28%。但是这815名粉丝应该只有60.4%（58%去掉4%的“记不起来选项”后是60.4%）是因为微博内容才关注我的，也就是492名。重新计算后被@和新增粉丝的转化率是17%，也就是被@100次会带来17个新增粉丝。

二、排在第二名的“通过关键词搜索到我”（14%），微博名字、微博标签都会成为粉丝找到你的关键词。这个时候就需要根据长尾理论来优化你的这些关键词。对于大部分人来说尽量用长尾理论的尾巴来做自己的关键词。比如你用“数据分析”做你的关键词，但是用数据分析做关键词的人太多（有大于500个人包含这个关键词），所以你的排名很可能在10也开外，根本发现不了你。所以你还不如贴成“数据分析师”或“数据分析员”，前者截止到10月27日有148个，后者只有11个，很容易就搜到你了。当然如果你现在已经是人气爆棚，粉丝很多，你就可以大胆的用长尾的头部来作关键词，比如你搜“数据分析”排在第二的就是

英国引入了一项法案 ，允许社交网络的用户访问和保存自己的历史日志。例如针对 Facebook ，用户便可以申请将过去的操作记录刻在一张 CD 里，并在 40 天内拿到结果。

问题是——对于 Facebook 这样庞大的社交网站来说，每小时的操作请求和相应请求条目是海量级的，单个用户上传的数据体积也很大。怎样具体实施“40 天”法案，是令人头疼的问题。

根据扎克伯格口中的数据，Facebook 目前的活跃用户是 8 亿，超过 50% 的用户每天会登陆一次，平均每个用户拥有 130 个好友，每天有超过 20 亿条信息被“Like”。从某种意义上来说，Facebook 比美国中情局（CIA），英国军情五处（ MI5） ，前苏联克格勃更了解世界动态。这些数据的能量非常巨大，商业潜力可以用“可怕”来形容。

实验范例

在 Martin Lindstrom 的书里，描述了这样的实验：在一个宽敞的大厅里有 200 个人处于无规律走动的状态，他们的行动轨迹是杂乱无章的。然后，其中有五名志愿者被暗中要求顺时针走动。结果是在 7 分钟以内，所有人都形成了顺时针走动的状态。

这或许是一种典型的社交影响行为。

那么，在商业社会最成功的营销手段，是让 5% 的核心 Facebook 用户爱上你的商品——从电影，到时装，到小吃店，到音乐，到电台，这个范例统统适用。

前注：以下所指的微博均特指新浪微博，所指的潜水者可能是你的领导，你的下属或你喜欢的某个人，但是你并不知道他们的微博名称，他们也有可能不想让你知道。所以你没有办法直接按照微博名称来找到该人。

一、初级查找法：利用对方的MSN、邮箱和公司名称来查

在新浪微博个人首页的左上方有个找人的功能，点开它你就会看到如下的界面，输入你所了解的对方MSN、邮箱账号，如果潜水者是利用这新信息登录注册的话，ok！按公司名称查找不能一一对应，对于很多大公司来说，用此功能查找非常麻烦。不过你可以试一试。

当然，很有可能你不知道，对方的这些信息，对方也可能不是用这种方式注册的，也没有登记公司名称。所以还需要别的方法。http://chemyhuang.blog.163.com

二、中级方法：利用对方的行踪挖掘出潜水者的账号。现在玩微博的人，大都有记录自己行踪的嗜好，特别是去一些旅游景点。我们完全可以用这种线索来挖掘出潜水者。比如你了解到你的领导昨天去海南亚龙湾开会，估计他在微博中会提到“亚龙湾”三个字。你就可以用“亚龙湾”作为关键词查找新浪的微博内容，见下图。需要注意的是，匹配信息会比较多（你会发现有高达14万条提到亚龙湾的信息-2011年8月28日数据），所以你需要进一步筛选。请按这个步骤来筛选：

1、选出所有“原创”微博，还剩9万条记录；

2、所在地点选“海南”，如果你还能确定他发微薄时具体的地区

会员顾客重要吗？当然重要，看看你身边的零售业或零售品牌们，基本是无一不会员制。你再仔细看看你会发现有的企业只是在模仿，而有的却是在经营会员制。因为大家都把会员制当成稳定销售来源的一种重要渠道了。大家都在攫取顾客的销售价值，而很少有企业通过数据分析去挖掘顾客的附加价值！

我把会员顾客的价值分为销售价值和附加价值。销售价值顾名思义就是会员可以带来的相对稳定的顾客群和稳定的销售额的价值，附加价值就是通过对会员的购买记录进行分析从而创造差异化的管理以及根据分析结果指导决策的价值。本文不谈策略，只谈零售行业如何通过数据分析挖掘会员顾客的价值。

在做会员数据分析之前，有一项非常重要的工作要做，那就是数据清洗。因为会员销售记录中有不少是有问题的数据记录。目前所有的POS和CRM系统都不提供数据清洗的功能。一般来讲有问题的数据体现在两个方面：连续消费的卡（几乎每天都有消费记录，这种卡很可能是网络卡或者是卡在店员手中），单次消费金额异常的卡（每次消费金额都很大，超出普通消费者的购买习惯。这种卡很可能是团购卡或网购卡）。这两种消费应该都不是正常会员的消费数据，并且有时它会左右分析结论，所以要在正式的数据分析之前剔除掉。

一、会员群体的数据分析

会员群体的数据分析，包括两个方面：会员群体基本信息的分析和会员消费价值的分析。

会员基本信息的分析包括会员的性别、年龄段、地域、职业、收入、开卡地属性等。这部分分析主要是看顾客群是否和公司的整体策略相吻合，有无变化的趋势，是否需要调整公司策略等。需要注意的是公司策略变化会影响数据规律的变化，比如调整商品结构或者提高开新卡的条件等。

本文发表于《客户世界》2011年第四期

现在做销售、市场的人如果不懂得数据分析，用数据说话那真是落伍了。没见很多企业领导开口就是“拿数据给我看，没有数据我怎么做决策啊？”。可见数据分析在当今的企业管理中占据做非常重要的地位，并且数据分析师也是未来十年最有前途的十大职业之一。

数据分析的作用是什么呢？简单的说有下面几点：

?      量化企业的各项管理

?      最大化销售/市场业绩

?      提高企业管理者的决策速度和正确性

?      有效的节约企业成本(包括生产、费用、人力等)

?      部门协调和管理的工具

数据分析的作用不容置疑，但是需要质疑的是利用数据的一些骗人伎俩，他们利用大家对数据的不了解，通过编造或篡改达到欺骗的效果。比如下面这段话：50%白领认为，房租上涨影响了生活质量（某著名财经评论员的微博）。首先，50%这个数据很可能是创造出来，没有标明来源。其次如果我是已经买了房产的白领，房租上涨多少对我来说没有丝毫影响，相反如果我有好几套房，我可能因为房租收入高了反而提高生活质量。第三房租上涨了多少才会影响生活的质量，10%？20%？这个应该取决于房租占白领收入的比例而定。所以这个数据很可能是“假”的。

在看本文之前，强烈建议你先阅读我的这篇博客文章：化繁为简的管理工具：四象限分析法。

給某服装企业设计了一个零售店铺排班模型，考虑了如下因素：1、排班是否和销售规律吻合；2、排班是否考虑了店员的利益平衡；3、如何量化评价不同店员的销售能力差异等。只需要店长每月录入排班表和销量，这些都会自动生成。这样就会实现排班的数据化管理，实现销售的最大化并且能防止排班的“交易”。如下图：

在微博（数据化管理新浪微博）上发了这条消息后，发现大家非常感兴趣，特别是对下面的这个四项限管理图。这张图的亮点是分区的十字架（它是附加值和VIP占比的平均值）可以根据不同的数据自动调整位置。这样就实现了自动化，方便建四项限分析模型。从而实现对分析项目的分类管理和评估。

备注：下面的步骤是在excel2003版的基础上实现的，其他版本可能稍有不同。

第一步：录入数据、用average求平均值（及C16，D16，E16三个空格）：

第二步：以红色框内的数据做气泡图：

第三步：将平均值的数据作为新的系列添加到气泡图中（可以将C16:E16选中后直接拖到图表区，松开鼠标，选择新系列）：

第四步：分别固定住X和Y轴的最大、最小值（本例X轴最大值取7、最小为0，Y轴最大为1200，最小取0）：

还是从新浪微博说起，今天读到这样一条微博，这是一条某大报官方微博发出的一条微博：

这条微博的结论是：即使5次都受孕成功，在13亿多人口的大国，这5个孩子相遇并相爱的几率微乎其微。我们就从这个机率说起，看看这个记者是如何“忽悠”读者，瞒天过海的。我确实相信这个机率会非常低，但是这个记者的逻辑对吗？根据记者的逻辑这五个孩子相遇的机率是5/13亿，这个机率确实非常小。但是这样算对吗？合理吗？按照这个记者的逻辑我们还可以用地球人的总数50亿来做分母，那机率不会更低！更具有说服力？为什么不呢？

其实这样是不对的，我们必须考虑到如下的因素：

捐精行为一般在固定的地区，固定的医院进行，且受孕者一般来讲都会是这个地区或城市的女性。所以相遇机率的分母不应该是13亿，而应是该地区或城市的人口总数（下面假设为A）。这样来看相遇机率就会大大的提高了。某些直辖市人口只有3~4千万人，想想这个机率比5/13亿大了多少！大了30~40倍 有的脖友提到异地捐精，实际上这个因素不能改变这五个子女的相遇机率。唯一能改变的是捐精者的亲生子女和这“五子”相遇的概率。 人口的流动性会影响相遇机率，如果是70年代，中国的人基本上是不流动的，那么相遇率就是5/A。因为A是一个恒值。但实际上在目前这个社会A不可能是一个恒值。他应该是固定人口加上流动人口（因为该地区所有人都可能和“五子”相遇），假设这个数是B。所以相遇率就是5/B（B会比A稍大）。流动性的大小也会影响B值，不同的地区的流动性也会不一样。 1~3都是说的相遇率，而这条微博是说相遇并相爱的机率微乎其微。注意是

今天（2011年3月8日）下午，本人参与了一条微博大讨论，一条普通微博在数据分析的圈子内一天时间转发了369次（截至到3月9日凌晨），这不得不说是这个小圈子内的一个小小奇迹。事情经过是这样：网友陕西任龙3月7日16:54在网上发了一个自己的个人简历（见下图），我是3月8日15:56看见网友数据挖掘与数据分析转出来的（特意留意了一下当时转发数是21个）。数据挖掘与数据分析写道：这个要推荐，做一行爱一行，爱一行做一行！我在小蚊子乐园的微博基础上转的是：哈哈，我来点实际的，愿意到上海工作吗？（本人上周确实在找一个数据专员）。我们三个共带来转发80个，占该微博转发总数的21.7%。

这应该是一个喜欢数据分析的网友的杰作，他将工作经历、专业技能和自我评价都用我们做数据分析的人所熟悉的方式表现了出来，并且做了量化处理，难得。坦率的说，之前没有看到过任何让我眼睛一亮的简历，而这份简历确实写得很有个性，打动了我，所以我才“冲动”的对他发出邀请！并且我也看到有不下4个人对这个网友产生了“冲动”！

如果我用一句话来评价这份简历，就是：简洁，专业，很能打动人！我不喜欢那种将简历做成一本书，装订的非常精美的简历，也不喜欢超过两页的简历，更不喜欢个性到衣不蔽体的那种“时尚”简历（当然到目前为止也还没有收到过）。简历的个性是由内容来体现的，而不是由形式所决定的。简洁而专业的简历能很好的发挥敲门砖的作用，能比较容易的获得第一次面试的机会。注意只是机会，比一定会起决定作用！

很多朋友看了这份简历后也许会说，这也不难啊，我也会写！呵呵，我只能一笑。记得当初电影《阿凡达》