数据分析方法_数据分析师专业要求_数据分析案例分析

数据分析方法

1、对比分析法

对比分析是客服中心运营分析中运用最多的基础方法，对比分析适用于指标间的横纵向比较、时间序列的比较分析、不同业务或不同人员的比较。

举个例子，拿中国移动某省客服中心接通率数据来看，从时间的维度上分析，我们可以看到品牌A、品牌B与品牌C三个品牌之间接通率随时间的变化趋势，了解在此期间哪个品牌的接通率相对较高，趋势比较稳定。再例如我们分析各品牌话务量情况，首先可以从单一品牌做分析（如图1），各年份话务量基本保持在一致的水平上，但2009年11月份与12月份相对于其他年份话务量明显过高，这可能是由于某些突发事件导致。其次还可以从某一时间点上做分析（如图2），整体上来看，2011年的话务量相对于前两个年份显著降低了很多，这就需要进一步挖掘原因了，一方面可能是已经有一部分客户流失，需要我们找出客户流失的原因并马上制定出客户挽留计划，防止客户继续流失；另一方面就是我们在日常运营时通过有效的方法对话务做分流处理，缓解了一线的话务压力。

2、帕累托分析法

帕累托法则又称20/80定律、最省力法则、不平衡原则，指的是原因和结果、投入和产出、努力和报酬之间本来存在着无法解释的不平衡。一般来说，投入和努力可以分为两种不同的类型：多数，它们只能造成少许的影响；少数，它们造成主要的、重大的影响。比如对一个公司来讲，80%的利润常常来自于20%最畅销的产品；80%的利润来自于最忠诚的20%客户；80%的收获往往来自于20%的时间或投入，而其他80%的投入只产生了20%的收益。所以经典的商业理论都是提醒大家找到那最有效的20%的热销产品、渠道或者销售人员，在最有效的20%上投入更多努力，尽量减少浪费在80%低效的地方。

例如各项业务的投诉情况（如图3），前五项业务类型的投诉量占总体投诉的80%以上，我们只需要重点关注这前五项业务类型，及时有效地降低其投诉量，这样就能够在整体上降低整体投诉，提高日常运营水平。帕累托分析适用于找出数据中的主要影响量，可以用于研究哪些业务或哪些客户群体创造了大部分的贡献或者投诉等。

3、周期性分析

周期性分析是观察某个变量随着时间变化而呈现出某种周期变化趋势，周期性趋势相对较长的有年度周期性趋势、季节性周期趋势，相对较短的一般有月度周期性趋势、周度周期性趋势，甚至更短的天、小时周期性趋势。

一般情况下客服中心话务量数据受到众多因素影响，例如客户群体增长、新科技影响、营销活动或事件影响等，当然还有很重要的一个影响因素——周期因素。在此除去其他因素影响，单纯对话务量数据进行周期性分析会有怎样的结果？观察一个月中每天话务量的整体趋势，这样我们就可以发现每天的话务规律（如图4），从零点开始到六点的这段时间里话务量是骤减的，在之后的时间一直到中午12点话务量持续增长，在12点至23点之间话务量保持在一定水平。这样我们就知道了客户一般都在什么时间拨打电话，从而掌握了客户的拨打习惯。这对日常的话务预测起到不可忽视的参考价值（如图5），我们可以通过客户以往的拨打数据预测出下一期的拨打情况，同时对后续的排班也有很大的帮助，做到人员的充分利用和成本的有效降低。

注意：话务量变化是一个多因素影响的过程，这里的例子是在排除其他因素的理想化状态下分析周期性的影响，准确的话务量预测需要在此基础上加入客户群体增长、营销活动甚至气候等因素进行综合考虑。

周期性分析除了用于话务预测也可以用于日常运营数据的分析，能够从指标的周期性变化中发现管理上或人员服务质量上的问题。例如通过大量数据的周期性分析能够发现，一般情况下温度过高或过低都会对质检人员的打分尺度产生影响。

4、相关性分析

相关性是指两个指标或变量之间的联动关系，典型的表现是一个变量会随着另一个变量变化。相关又分成正相关和负相关两种情况，一般我们用相关系数作为衡量两个因素之间关联程度的指标，相关系数的绝对值越大说明两个因素之间关联程度越高；反之，关联程度越低。

在做相关性分析的时候，我们一般会用到散点图（如图6），当所有的点都集中在某条趋势线附近的时候我们就认为变量之间是相关的。集中程度越高则相关性就越高；如果是毫无规律，则认为其没有相关性。相关性分析可以用于客服中心指标间的关联分析，平衡质量指标与效率指标之间的变化关系，例如找出与客服人员服务质量关联性较强的指标、研究客户投诉与哪些服务质量指标有正相关的关系等。

其实在日常的工作中我们不仅仅会用到对比分析、帕累托分析、周期性分析、相关性分析，还会用到回归分析、结构分析等方法，最重要的是我们应该选择简单有效的分析方法，能够达到我们预期的分析目标、解决实际工作中遇到的问题，这就足够了。再有还想重申一下，衡量一个优秀的数据分析人员不在于他会多少这样那样的分析方法、能够用到多么高深的数学理论，而在于他是否能够有最简单的方法揭示出最深层次的问题。最后希望这篇文章能够带给读者或多或少的帮助，随时欢迎就某些相关问题与笔者进行讨论。

数据分析师专业要求

一、统计学专业

    统计学贯穿数据分析的全过程，没有统计学基础，很难有专业的数据分析。数据分析的各个步骤，都要用到统计学的知识。

    数据采集时，如何抽样？做多大的样本？接受多大的抽样误差？要用到统计学；

    问卷设计时，问卷的信度是否符合要求？效度有多大？要用到统计学；

    数据处理时，频数怎么求？交叉表怎么做？统计图怎么划？要用到统计学；

    数据分析时，如何验证？如何探索？如何预测？也要用到统计学。

    可以说，数据分析是统计学的应用。掌握统计学是数据分析师的基本功。

    二、心理学专业

    企业要提高市场占有率，就是要提高人心占有率，因此数据分析师研究用户心理的工作必不可少。数据分析师若懂得心理学，则能更准确的探测到用户的真实想法。

    例如，在做品牌形象分析时，常会用到的是映射法，映射法就是基于心理学的数据采集方法。比如，让你对某所别墅进行描述，很难说得清，但如果让你选择图片，你对图片的认识就映射了你对这所别墅的印象。比如，你选择了劳斯莱斯车，很明显，你认为这所别墅的形象是高端的。

    三、社会学专业

    从经济学的角度看，人具有经济性，追求利益最大化，比如人们总是喜欢买物美价廉的产品，消费量通常会随着价格的下降而上升。但从社会学的角度看，人还具有社会性，受到社会群体心理的影响。作为数据分析师，如果没有社会学背景，很难对市场现象做出合理的解释。

    比如，人们喜欢买物美价廉的东西，为什么人们还会为品牌多花钱？人的消费随着价格的下降而上升，为什么房价下降则观望成风，房价上升则抢购一空？正是由于人的社会性的存在，使得市场问题复杂化，有时甚至是非理性的，只有掌握了社会学的常识，数据分析师才能有更全面合理的思考。

    四、人口学专业

    人的特点影响市场的特点。年龄不同，家庭类型不同，则需求、价值观和行为特征都不一样。比如，儿童主要以生理需求为主，没有太多的社会需求；青少年开始追求时尚和潮流，但不是高收入人群，购买的频率高但可接受价格很低；人到中年，消费行为趋于理性化，强调功能、成本和技术优势；而到了老年，对价格比较敏感。

    有人口学知识，数据分析师可以更好地理解到用户的差异性，有助于选择市场细分的维度，提出合理的精细化营销建议。

    五、营销学专业

    数据分析师常要为企业的营销决策提供支持，这就要求懂营销。

    具有营销背景的数据分析师思路会更清晰、更开阔。当让他做竞争分析时，他会想到波特五个力；让他做环境分析时，他会想到PEST、让他做消费者偏好分析，他会想到科特勒用户决策流程；让他做企业业务状况分析，他会想到4P……

    六、财务管理专业

    净利润有多少，利润增长率是否达到预计水平？

    资产负债率有多高，是否存在潜在的偿债风险？

    流动比率、速动比率有多大，资金运转效率高不高？

    诸如此类的财务管理问题是企业选择投资项目的依据、评价财务状况的指标、评估决策效果的量尺。懂得财务管理，得失一笔账，才能算得更清楚。”

    因此，数据分析工作是多门专业在企业决策中的综合应用，依靠某一门相关专业，可以敲开数据分析师的职业之门，但要成为优秀的数据分析师，则需要长期的学习和积淀，做到多门专业的融会贯通。

数据分析案例分析

数据分析在企业运营管理中的应用

　　(一)数据改变企业的运营管理决策方式

　　运营管理分为四种：移动化、云计算、大数据和全球化，作为4大力量中坚力量之一的大数据，正改变着企业的运营管理决策方式。由于数据处理分析和管理等相关技术的不断成熟，企业内部的管理运作数据、业务运作数据，企业与客户的关系及互动数据，客户或潜在客户在企业经营业务之外的生活方式、活动、情感、社交等大数据，正为企业所采集和分析，企业洞察客户需求更深入、更全面，对业务运营管控更及时有力，因此大数据将完全改变企业管理者以往“拍脑袋”的决策方式，管理决策更依赖“用数据说话”，决策更趋科学性、理性，更具定量化和可评估性以及准确性和延续性。数据促进企业管理决策的能量不在于数据之大，也不在于数据本身，而在于企业根据大数据做出的更深入、更全面的客户需求洞察，并以此支撑企业针对性运营管理决策的及时、科学、有效形成，促进企业运营管理的高效准确运行以及企业生产力发展。

　　(二)目前企业数据分析的可拓展方向

　　(1)社交网络分析模型。数据伴随社交网络的风行而发展。社交网络发展促进了人们的数字化生存，让人们生活和工作的有关信息数字化，而这些数字化信息一方面成为以单个个体为对象的形形色色、包罗万象、细致入微、支撑洞察个体兴趣需求和喜好的数据：另一方面也将原来现实生活中不可获得的人与人之间的关系信息搬上了网络。对于移动通信企业来说，客户的社交网络分析即一个重要的数据分析方向。社交网络分析的内容为：通过测算识别客户与客户之间关系所形成的圈子以及圈子中各客户角色的判定，形成企业对各个客户影响力和价值的判断，在此基础上，利用对这些圈子、角色和影响力的认识，帮助企业实现相关营销活动或产品套餐的推广，提高企业营销和运营管理的效率。

　　(2)客户价值分析模型。随着社交网络的发展，不仅使得客户行为需求喜好信息更丰富，而且可获得客户之间关系的数据信息。如在捆绑套餐营销活动中，活动在用户群中的扩散呈链状发展，发展过程中，客户的圈子构成以及客户对圈中其他用户的影响力对活动推广扩散有重要影响。如果能够识别并借助有足够影响力的客户帮助推广活动，活动的营销效率必然有很大程度的提高。可见，数据时代，当企业的客户分析在原有以客户为对象进行分析的基础上，增加以客户与客户之间关系为对象的分析时，客户的价值测算和分析也将随之发生变化，客户的价值不再仅是个体客户消费体现的价值，还应增加个体客户对所在群体内其他客户的影响力指标。

　　(三)企业应用数据分析的必要性

　　(1)实时数据分析支撑的营销运营管理应用。由于数据分析、数据挖掘手段的支撑，传统数据时代，一些先进的企业已经基本实现洞察力驱动的精确营销运营管理。数据时代，客户数据更为丰富和细致，企业对客户需求洞察更为全面而准确，更重要的是，由于数据处理分析技术的成熟，企业实现客户洞察的能力在数据存储与数据处理和分析方面将更高效，甚至达到实时，所以支撑营销运营管理全流程各环节决策的数据流可以与营销运营管理的工作流达到同步，企业可以综合客户的历史消费行为信息和客户当前行为，实时做出针对个体客户的个性化营销策略，从而在提高营销命中率的同时及时有效地识别并抓住稍瞬即逝的营销机会，极大地提高营销运营管理效率。

　　(2)数据分析促进智能管道运营应用的落实。对于企业来说，智能管道的核心能力在于，根据客户行为，实时为客户推荐并调配网络设备资源。传统数据时代，很难满足智能管道运营的要求，因为涉及的问题与前述客户体验的实时测算一样，由于技术条件限制不可能达到：数据时代，对半结构化机器数据实时采集、处理和分析的技术逐渐成熟，将大大促进智能管道运营管理落实的进程。

　　其实现原理基本类似于客户体验管理，最大的差别仅在于，智能管道以对客户产品使用行为测算的数据与提供产品的网络设备资源做对应，从而在保证客户体验达标的条件下，充分调配、切割、整合企业的设备网络资源，通过实现资源利用的最高效而达到资源配置的最优化。

　　(四)IT系统对数据支撑的体系规划和趋势

　　(1)梳理并整合业务部门对数据的需求，立足分析需求，做好数据IT体系架构的3步规划。数据相关技术条件的成熟、数据分析能力以及分析应用经验的积累等多方面因素，都是制约企业建设数据IT系统的条件，要充分抓住数据带来的机会并避免“心急吃不得热豆腐，反被热豆腐伤害”的问题，建议企业建设数据IT系统分阶段实现：第l阶段，将原来支撑报表分析的EDW优化升级到支撑高级分析的BI系统；第2阶段，逐步采集数据，将BI系统升级到支撑数据分析的IT系统：第3阶段，打通数据分析的IT系统与企业运营管理系统，将数据分析功能嵌入业务流程。

　　(2)以职能部门提供整体IT支撑方式向嵌入业务流程实时数据的分散能力支撑方式转变。这种转变趋势又称IT支撑“消费化”趋势。传统数据时代，企业建立数据中心，集中企业层面所有数据，为企业运营管理决策集中提供数据报表、分析甚至挖掘支撑，是公认的高效IT支撑方式；数据时代，数据从支撑企业中高层运营管理决策普及到支撑企业的产品运营、市场运营、客户服务，甚至在智能管道运营全流程中涉及从企业中高层运营管理人员到基层生产执行人员，很明显，这种数据获取和分析能力如果仅集中在IT职能部门，而不是全体人员均结合自身业务需求而具备的话，数据分析驱动的各项运营管理应用即成为不可能的任务。

　　所以，数据时代，数据要真正改变企业运营管理决策方式，使企业上下形成以数据驱动的企业文化为标志性特征，每个人都要做好与数据打交道的能力和心理准备，而IT系统运营管理部门也将不得不面临数据从数据采集、清洗、存储、处理到分析、提供和管理的过程，在各业务运营管理流程、各部门、各类用户间如何高效运行、高效交互、高效支撑的更复杂的IT系统支撑问题。