【商业分析项目9】数据部门规划浅谈

原创已于 2023-08-17 14:28:22 修改 · 1k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#数据分析

于 2023-08-11 19:17:32 首次发布

商业分析_项目专栏收录该内容

10 篇文章

订阅专栏

本文详细阐述了公司运营中业务监控体系的构建步骤、注意事项、各类报告的编制，以及OSM模型在目标、策略和度量清晰化中的重要性。同时讨论了数据治理、质量问题解决策略和数据估算方法，旨在提升企业数据管理和运营效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1-公司运营现状盘点

从人、货、场三个方面着手进行盘点，并着手搭建业务监控体系。

2-业务监控体系

2.1 构建数据监控体系的五个步骤

① 明确投入和产出指标，特别是哪些是决定企业生死的主指标，哪些体现企业战略意图的副指标。比如传统企业是靠利润生存，可以把利润设为主指标，而线上业务占比（代表战略转型）、产品销售数量（代表市场份额）等设为副指标；而互联网企业可以将用户数、活跃用户设为主指标。

② 监控每月目标完成情况以及累计完成情况，看发展趋势是否向好，是否有个别月份的目标没有完成，那还有多少容错空间。

③ 考察投入、产出发生的业务线。

④ 考察随时间变化，投入、产出在各业务线之间的结构变化情况，确认可能的新增长机会，考察调整投入方向。

⑤ 考察各业务线的过程指标，按照用户购买流程，考察其转化情况。

2.2 构建监控体系的注意事项

大胆放弃一些质量差、来源不稳定、不能持续追踪的数据，选择能长期使用，质量稳定的数据，如交易数据。
在投入、产出的一级指标中，为目前的状态定性，状态好还是不好，不好是有多不好，是哪一块不好，要在一级指标中得到结论。避免在二级指标里陷入各种数据指标上升/下降纠缠在一起的纠结中。
按日、周、月的顺序解决问题。

2.3 日报

数据尽可能少，突出重点结果指标，不要夹杂太多过程指标，让大家多花时间在一线干活。
给到销售部门看的日报：包含本月累计情况、今日业绩目标、昨日最优秀业绩个人。目的是方便销售主管提醒团队盯紧目标，激励下属。
给到老板看的日报：连同最近30天/90天的销售趋势图，方便老板在看日报的时候对比过往趋势。

2.4 周报

趋势图

2.5 月报

投入、产出在上一个月的发展趋势。
衡量绩效指标。
在周报、日报中发现的但未能及时解决的疑难问题，在月报中应以专题分析的形式呈现。因为此时距离问题发生已经有一段时间，如果是真实问题，会暴露的更明显，反之，如果是偶尔发生的异常现象，则会自动消失。

2.6 季报

对季度重点问题进行回顾，针对潜在的疑难杂症进行解析。

2.7 年报

大部分公司的年报不是为了解决问题，而是为了达到某种特定的管理目的。问题分析型、实绩表现型、提升品牌型、未来展望型。

3-业务监控体系（局部）

3.1 多维度诊断模型

确定三个问题：到底有没有问题？有多大问题？要不要现在解决？

根据问题来源的不同，问题诊断的步骤亦有不同。

数据分析师自身发现一个可能是问题的数据
① 确认数据的计算本身是否有误。
② 如果计算无误，看数据的波动是否属于正常周期波动，若正常，则解除警报；若为不正常波动，判定为问题数据。
③ 判断问题数据波动的程度，是轻微/严重，若轻微，继续观察其后续走势；若严重，则继续进行下一步。
④ 判断问题数据波动的发展，是偶尔波动一下/波动的越来越严重，若偶尔，则看问题点发生了哪些重大事件；若越来越严重，则继续进行下一步。
⑤ 判断问题数据的分布，是某个渠道出现问题/所有渠道一起出现问题，若是局部问题，看问题点发生了哪些重大事件；若是整体问题，则观察内外部重大变化。
老板遇到具体负向事件发生，不确定问题的严重性时
① 了解问题的来龙去脉。
② 从问题中提炼出，用来检验问题是否存在的指标。
③ 从问题中提炼出，可以导致的结果指标。
④ 根据上述指标，确认四个要点：问题的真实性、问题的持续性、问题是否有影响及影响的大小、问题影响到什么程度需要被关注。
老板关注到社交媒体上宣传行业的负向新闻
① 了解该外部信息的来源，评估其真实性和信息质量水平。
注意：
区分哪些是原始数据，哪些是推论/假设数据。
注意媒体的统计方法，尤其是文字模糊数据的界定范围。
② 寻找内部数据，看是否印证外部说法。
老板直观感觉有问题
直观感觉，需要引导，必须至少要关联到一个事件/一组数据上，把感觉具象化。

3.2 标准化梳理模型：OSM模型

OSM模型的重要性

OSM模型需要第一时间掌握，因为职场中存在的大量问题都来自于没有厘清目标。
同时OSM模型也是应对建立的指标体系与业务脱节的好办法。
越是老板说了算的公司，越需要OSM梳理的能力。在小公司中，常常想起来什么事情就做什么事情，毫无头绪；在大公司中，经常按照流程，模板，老板的指示盲目开工。这些都是不可取的，从源头就没想清楚，一味准确时间、效率，到结尾肯定没有比较好的结果。

OSM模型：将目标、策略、度量都清晰化

① 目标问题：
现实中，大部分目标指令是口头下发的，量化不完全，需要将目标进行完完全全的量化，才能进行下一步。
如何将目标进行完完全全的量化：
标准：名词定义清晰、达成目标的时间明确、目标数据清晰。
并通过数据检验目标，让决策者提前清楚目标的实现难度和所需的资源。
② 策略
③ 度量
度量的目的是确保策略执行的到位，所以要构建量化监督，定义衡量策略的指标。

3.3 总结

分析方法的流程完全可以形成SOP，梳理完毕的报表完全可以形成数据产品。即固定的SOP+固定的监控数据报表。把数据分析师从日常零散的数据提取工作中解放出来。

根据业务的进度，具体表现为：
业务上线前：1.通过OSM模型梳理 2.建立监控报表
业务开展中：通过多维度诊断模型，过滤无效问题，监控小问题，集中解决大问题。
业务结束后：树立标杆，总结业务过程中的常见问题，为下一次业务迭代/新业务做准备。

4-年度规划

① 支持门店达成年度业绩⽬标、季度业绩⽬标。具体讲就是识别业务问题，寻求解决⽅案，提出落地建议。
注：绩效内容决定了⻔店的⼯作结构，工作重心以及⼯作流程。

② 书写数据管理平台使用手册，面向一线员工、部门新人。

③ 梳理并继续沉淀公司有价值的数据资产。

④ 针对业务方常见调取数据和可视化需求，建立第三方数据可视化平台。从而减少基础数据建设的不足。

⑤ 针对常用的分析和监控报表，建立固定的SOP和固定的监控数据报表。

⑥ 时常要注意数据质量，这不仅是系统问题，更需要流程设计，规范管理，业务监督检查等环节齐抓。从而保证数据记录的准确，数据记录的高效。

5-数据治理

对于一家公司来说，如果不建立数据体系就无法做到精细化运营，就无法在激烈竞争的市场中无法提升业绩；如果建立完无法用上就等于前期投资打了水漂。

所以在近几年各个公司越来越注重数据治理，一方面是因为国内对于数据出入境等数据管理的法规越来越完善，另一方面也是为了要将数据标准化，数据流程规范化，从而利用数据提升业绩。

5.1 数据质量问题

无效数据：指不符合实际约束条件、不具备可用性的数据。
不完整数据：指缺少关键信息或者某些字段为空的数据。
不准确数据：指数据的精度、范围或其他特征与实际情况不符。
数据重复：指在数据集中存在多个相同或类似的记录。
在一个客户数据库中，如果两个或更多的客户记录具有相同的姓名、地址或其他主要标识符，则这些记录可能是重复的。
数据格式问题：为了避免数据偏差，需要进行数据标准化。具体来说，数据标准化包括统一数据格式、单位、时间格式等。

5.2 数据质量解决

数据清洗：数据清洗是分析师最常用的手段。对无效、不完整、不准确和重复的数据，需要进行数据清洗。数据清洗可以包括填补缺失值、剔除重复数据、检查异常值、修改错误值等操作。
数据标准化：对数据进行格式，单位，时间的统一。
数据采集方法优化：对于数字化程度不够高的企业可以设置 KPI，优化收数环节来提高数据采集率和准确率。
数据监控：设置红线，在数量异常时获得提醒。