京公网安备 11010802034615号
经营许可证编号:京B2-20210330
数据分析第1步:学会用数字思考
学会用数字思考
无论是做项目报告,还是跟老板汇报,在描述事情的时候,我们都要慢慢练习,学会用数字思考,把这件事情用一个可以量化的数字描述出来,可以让我们的观点,更有说服力。
比如公司效益持续下滑,需要一些方案来改善现状。这件事情,在不会用数字思考的人那里,说出来是这样的
再这样下去,公司要亏钱了,我有两个建议:
1- 赶紧发布新开发的产品,用这些产品刺激销售量,提升收益
2- 还有适当的削减一部分人,节省人事费用开支
我觉得这样咱们很对就能重新盈利的。
同样的事情,在习惯用数字描述的人那里,说出来是这样的。
如果公司继续维持现状,七个月以后,公司就会陷入赤字了,不过,我细致的做了一下数据模拟,如果能够在3个月内完成以下动作,盈利还是比较乐观的:
1- 新开发的商品尽快上市,刺激产品销售量,预计可以带来10%的销量增长。
2- 对重复人力、冗余人力进行适当削减,在不影响生产的情况下,大约可以节省15%的人事费用。
综合以上估算,预计3个月后,利润能达到10亿(日元)
很明显,第2种描述的方式更有说服力。因为数字给我们一个直观的衡量依据,让我们在对比自己的价值体系后,对结果有一个更明确的期望。
/ 2 /
用户思维,分析数据结构
老板要让我们针对去年的数据,出个报告,你会怎么写?
去年整体销售状况还不错,很稳步的上升。出了几款新产品,销量也非常可观。
今年我们再多推几款新产品,争取延续去年的趋势,让销售业绩再创新高。
你觉得上面的汇报怎么样?除了一堆的好话,看不到实际的内容。
怎么把报告写到老板的心坎里去呢?一个中心思想:从用户思维出发,分析数据结构。
老板关心的是什么?今年的销售额上升了没有?成本有没有增加?新开发的产品,到底赚没赚钱?有什么成功经验,可以推广到其他产品,实现更多的盈利?
因此,在制作表格之前,我们最好,按照用户的思维,把数据结构进行拆分,梳理出对应的结构框架。
有了个框架之后,我们再对数据进行分类汇总,输出对应的结论式描述,让老板能够看到他们想要的数据,而且听的很舒服。
结论式描述非常的重要,因为它可以让我们用一句话,把老板的注意力吸引住。
比如上面的图表,用销售额增长16%,和销售量降低了40%这个两个结论,让我们快速的对当年的销售状况,有了一个直观的印象,并且想去了解这两个数据背后的故事。
千万别直接丢一个图表出来,什么都不说,这和听到电话那头说“猜猜我是谁”一样,让人感觉无聊和无知。
/ 3 /
如何分析数据结构?
很多时候,在密密麻麻的数据面前,我们曾经叫好的、收藏的那些技巧、方法,突然会变的不灵光了。如何分析数据的结构呢?先思考数据关键指标。
1- 先思考数据关键指标
我们可以通过下面几个方法,来寻找写关键指标。
1- 老板经常问你的数据。销量怎么样啊?成本有没有上升啊等等,老板关心的肯定是关键数据。
2- 每天都要重复统计的数据。销售实际、计划啊,生产数量、质量啊等等。
3- 以前的报告中传承下来的指标。很多的表格,我们都是从上一任同事那里交接过来的,很多数据都已经梳理好了,我们只需要输出的时候突出一下就好。
这些指标的根本出发点就是:梳理用户的关注点,找到创造利润的因素(价值动因)。
2- 用一个数字来说明结果
关键指标出来之后,切记不要从1月1号到12月31号,或者从产品1到产品10,把所有的数据都罗列给老板看。
而是把这些数据、按照时间或者空间进行汇总,用一个数字、一个结论来说明结果。
3- 构思数据结构的诀窍
在思考把哪些数据呈现在报告里的时候,有两个重点:
1- 先大致完成框架。
2- 尽量让数字联动。
1)先大致完成框架
意思就是一开始,不要想着把所有的项目、所有的数据都加进来。一方面,这样会耽误表格制作的进度;另一方面,数据一多,我们很容易失去耐心,数据越理越乱。
比如要整理销售数据明细,不要一股脑的,把事业部A、B、C…产品1、2、3,地区1、2、3等等都全部填进来。可以大致的写一下:产品收入、服务收入。
然后再慢慢的填写详细的数据。而且这个详细的数据,最好是另建一个工作表,这样之前的框架表格,可以作为目录,让整个Excel文档的结构,更加的清晰。
2)尽量让数字联动
就是让相关的指标、数据都联动起来。用公式,把这些数据连接起来,这样我们修改任何一个参数,最后的计算结果,都有联动发生变化。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26