一篇文章读懂经营分析-CSDN博客

本文链接：https://blog.csdn.net/CCIEHL/article/details/136924359

作者介绍：10年大厂数据\经营分析经验，现任大厂数据部门负责人。
会一些的技术：数据分析、算法、SQL、大数据相关、python
欢迎加入社区：码上找工作
作者专栏每日更新：
LeetCode解锁1000题: 打怪升级之旅
 python数据分析可视化：企业实战案例
备注说明：方便大家阅读，统一使用python，带必要注释，公众号数据分析螺丝钉一起打怪升级

互联网的每个岗位都有对应的内容范围、做事方法和演进路径，这篇文章可以帮你少走弯路，早日成为百万年薪经营分析师，全文2万字（含实际案例，贴图和代码），为方便不同群体的同学阅读这里分别有TOC和TOB的案例，希望对你有帮助

更多免费学习资料欢迎关注公众号数据分析螺丝钉，回复关键词学习资料领取，每日都有python可视化和分析思维相关文章一起打怪升级

岗位介绍参考：经营分析岗位前景如何?

经营分析包括：商品构建、指标设计、数据开发、数据可视化、目标管理、分析优化 6大模块

商品构建

商品是产品在经营领域的载体，用于明确经营分析的范围和边界，商品的下游是客户，获得收入，上游是供应商，承担成本，商品间通过产品定价进行结算和收费，客户基于自己的需求挑选市场上同类型商品，构成经营分析基础

商品化上下游逻辑图

定义梳理

商品的定义只能由商品提供方定义，因为你不能指望客户和供应商来帮你定义。以卖车为例包括目标市场、产品特点、基础功能、售后服务几个方向，不同的定义经营分析的供应商和客户都会有所区别

方向	汽车描述
目标市场	目标用户企业或者个人，年龄范围，国内海外等
产品特点	载货或者载人，电车或者油车，手动或者自动，4座或者8座，智能或者普通，百公里几秒等
基础功能	能正常开，满足不同类型的人，有空调，音响，方向盘，座位等
售后服务	保险，保修，服务保障条款等

成本梳理

不同商品定义会导致成本构成不同，电车和油车的成本构成也不同，一个用电池发动一个用汽油发动，两者的制造工艺不同，通常商品的成本包括几个部分

成本构成	汽车商品
人力成本	研发人力、管理行政人力、销售人力、运营生产人力等投入这个商品中的所有人力
资源成本	除了人力之外的所有资源成本，还是汽车为例的话这里就包括汽车的自己制造和采购供应的全部成本 - 各个零部件，生产汽车的设备，机器的折旧、维护等 - 能源和材料成本 - 包装和运输成本等

汽车的零部件图构成

成本问题：在成本梳理这里要始终关注的就是成本的准确性，过程中会有一些坑需要时刻注意

第一个坑：成本漏了

成本漏了会有什么影响？如果漏的成本占比比较小，假设是5%，这时候你和竞品的售卖价格一样，你以为你盈利5%，还有5%的降价空间，可以降价到盈利0%，继续卖，结果卖到一半发现成本少了，那之前的利润率，之前的决策就都错了，影响公司决策，这就是核心问题。如果漏的成本占比50%可能会直接导致公司巨额亏损？说一个实际的case，公司各个部门都在提供供应的服务，其中一个零件供应部门提供了一个零件的定价是100元/件，过了一年，公司已经把零件组成产品卖出去几万件了，结果这个供应部门发现还有另外一个零件没有计算，这个零件20元/件，而这个卖出去的产品由于市场竞争激烈利润率按5%来售卖，也是至上而下审批下来才能按5%来卖的，增加这个零件之后，直接导致这个产品亏损，最后的结果就是这个供应的部门负责人被换掉，然后这个产品因为短期找不到如何能按预期盈利5%，最后也被公司替换了。

第二个坑：成本项没漏，成本错了

当你的产品越复杂，也就是商品定义里面供应商越多，也可能是内部供应商，因为不少公司会有一些自研的组件和外采第三方的零件，当零件只有一个产品使用的时候可能不容易出错，但是当有1000个零件，有1000个产品的时候，并且每个产品还有交叉使用零件的场景，这时候涉及到这个零件应该怎么分摊成本到每个产品上，成本算错变成家常便饭，比如电车的充电桩也有建设成本，是给周围区域里面所有车提供充电服务的，这时候是把充电桩作为一个产品还是都计算到车里面。比如阿里云提供的云主机，不同的主机由实体服务器构成，不同类型的云主机由不同的售卖规格，会很经常遇到成本算错的问题。

第三个坑：成本项没漏，成本没错，上下游口径不统一

成本的口径有很多种，是否含人力成本，如果有些供应商给你的是含人力的成本，有些给你的是不含人力的成本，还有含税不含税，不同供应零件的税率也可能不一样，当成本不统一的时候计算出来的成本你会发现没法使用

解决方案：以阿米巴经营模式拆解成本单元，每个单元以商品化提供服务，构建一个公司统一的成本流转平台

内外部成本商品化、平台化

让每个成本项都变成一个商品，例如电池也是一个商品，可以自研，也可以去电池提供商购买半成品加工，也可以去电池提供商购买成品直接使用，对电池来说总的投入会有一个成本，最后提供电池的团队可以把电池构建成一个商品，然后通过不同电池型号向使用方收费，通过统一成本管理平台进行管理，按统一的日期，可以是按日收费，按月收费，按年收费，通过不同的合同来约束，最底层通过外部供应商提供源材料的商品，然后层层加工，以市场竞争的方式，当某个商品对比外部供应商比较贵的时候，用户可以选择去购买外部供应商，这也迫使商品提供的价格需要持续有竞争力，才能有用户来使用。同时每个成本项都把自己部分的成本逻辑能梳理清楚，因为当变成商品的时候，就有成本和收入，有利润率了，如果某个项计算错了第一个发现的是自己的经营数据，每个业务单元都以经营实体去操作，每个商品都提供服务和价值，公司越复杂的时候越需要这样的模式来算清楚成本，所以公司就需要成立一个经营分析的实体团队去运营好这个系统，然后每个商品团队也需要有经营分析的团队去运营好自己的商品，随着公司成本规模增加，这部分人力投入变得越来越重要。

除此之外还需要有一套对账体系支撑成本流转的准确性，定价写在合同里，但是成本的账单数量应该由客户来确认，从几月开始到几月结束使用了A号螺丝多少个，使用了电池\发动机多少，需要定期去核对，其中还有一些口径问题。例如有些公司为了方便管理，通常按每个月初或者月底进行结账，但是对于外部供应商来说可能是按合同周期一次性结算，比如你买了金属来合成螺丝，外部供应商给你结算的是金属，可能按吨来计算，你作为螺丝的商品提供方，成本是按吨的金属，收入是螺丝的定价螺丝的数量，另外考虑到螺丝有使用周期和折旧的问题，随着年限的使用，螺丝的服务质量在下降，你还需要考虑的是通过一次性计费还是通过使用年限折旧到每个月，比如一个螺丝成本10元，能使用5年，如果按使用折旧一年成本按2元来收，如果按一次性计费那就按10元来收，通常一些公司需要财务去评估相关的零部件硬件应该如何计算成本。确定了成本计算方式之后就是每个月固定的账单核对，看着按商品化，层层结算应该不复杂的时候，有些供应商合同签完还有使用时间和付费时间的差异，已经买了但是合同付款的是另外一个团队，这时候又要定期去核对账单，会发现钱都还没付出去没法保证准确性？是的大部分公司每个月与外部供应商的账单都是用预估的，就是合同的定价 * 实际使用的数量进行预估，所以还需要有预估账单和实际账单的差异，不同供应商的结账方式也不太一样，有些用邮件，有些用PDF，有些用实体文件，如何有效支撑供应商的结算，使预估的更接近实际，使实际的数据高效准确记录也是一个非常复杂的问题。总结下这套对账系统需要解决的问题有

按统一的口径出预估账单
作为用户定期核对使用用量
定期核对预估账单和实际账单的差异

实际发生的例子，一个外部供应商发了一份账单，因为这个供应商出账的技术同学在账单里面的使用数量少了一个0，整体金额少了上千万，事后在收到账单金额的时候发现的，这时候按合同这种错误由供应商负责，之后据说是少的部分只补了一部分，大部分金额亏损的部分供应商来承担。如果账单都出错了，对这个供应商的服务体验也会有非常大的影响，账单结算系统在每个公司也都是TOP需要重保的系统之一，可以说是非常重要，而设计这些系统的都是类似经营分析的岗位。

定价梳理

当成本都清楚之后接下来就是如何定价，面向内部的用户定价通常看公司的规定，会在公司层面设置一个固定的利润率例如0%附近，从而要求内部业务不盈利，所以这里重点介绍定价的方式和一些常见的一些市场定价，当你面向市场定价，定高了可能没人买，定低了有可能造成亏损。

先用车这个例子来看下不同定价方式的差别，现在车都是按一辆多少钱，如果是租车的话通常按时间定价，但是为什么车要按元/辆，不用元/斤，元/立方米看着后面两个计量单位有点夸张，但是定价的方式怎么适用于商品也是有一些原则的。首先要能方便计量，一辆车不管是高矮胖瘦都是一辆，但是按重量复杂度很高、其次要与商品的功能匹配，重量与车这个商品的功能特性差异巨大，很多车定价高是以安全和品质服务作为竞争力不是重量，所以辆/元的定价比元/斤和元/立方米更适合用来定价，除了车之外市面上还有一些常见的定价方式

品类	定价方式
生活家居	通常按件和个数来定价示例：一个杯子5元，一台xx型号的电脑 1万元，一件xx品牌的白色衬衫
通信服务	网络宽带示例：按月租套餐、设置保底流量，超出部分按阶梯计费
云服务	按规格收费，不同的LCU收费不同按带宽收费，不同速度的带宽收费不同按请求次数收费，上传一次文件不同大小收费不同有兴趣的可以到阿里云、腾讯云、百度云的官网进一步查看
视频服务	充月、季度、年的VIP，可以看精品电视和视频针对热播剧，充完VIP还有超前点播的定价方式除此之外有单个电影收费当然如果不收费的就需要花时间看广告

所有我们看见的物品都是商品，每个商品的背后都有供应商和刚刚说的成本结构，然后定价售卖获得收入。定价客户直接接触商品的第一个判断，你的定价需要符合用户的需求。就普通用户买车的需求来说通常必备的需要满足日常的通勤要求，安全系数高，要方便操作。附加的部分例如加速度，内饰，颜色，外观，智能，随着产品迭代也成为一部分需求。这时候如果两辆车附加的部分都类似，但是一台车的安全系数非常高，满足各种冲撞试验，实际验证也很安全出事故概率很小，这时候作为一个用户你可能可以以更高的价钱去买这台车，这就是定价需要以服务品质来满足不同用户的需求。大概分为几种定价方式

成本定价：把所有的成本包括库存成本都算到预计售卖出去的商品上进行定价，0%利润率

这种定价通常不推荐直接面向市场，因为用户对所有产品的预期都是盈利的，除非市场竞争对手进行价格战，迫于需要抢占市场份额，所以不断下调商品成本来获得更高的售卖规模的情况下，这时候回到上个问题如果成本计算错了将导致亏损。

竞争定价：竞品定价多少，我们也定价多少，在ToB客户招标，同类产品市场竞争激烈的情况下比较常见，可能存在亏损

当一些战略客户需要接入的情况下，多个提供商需要竞标，通常客户的心里预期是相同品质的情况下谁的成本低买谁的更多一些，这种情况下成本定价不能满足诉求，更多是按招标要求提供尽可能的低价，这时需要自上而下同意预期的亏损，以及这个客户标杆带来的推广效应，做云服务的小伙伴可能比较清楚，近几年云服务的产品疯狂的降价，头部企业例如阿里云通过降价来调市场规模，这时候随着市场出现低价，行业其他公司也要随着降低价格否则用户就会面临流失。

成本加成：成本价 + 毛利率系数定价法，保持一定的毛利率水平基础上进行定价通常在市场中比较常见

当成本价+毛利率对比竞品没有竞争力的时候，毛利率系数不变，需要进一步优化成本，通常会设定一个预期达到的目标在确保收入的同时一方面也优化成本公式演变为当前成本价*目标优化百分比 + 毛利率系数，来设置定价的红线，只能高于这个值，不能更低，从而确保盈利

除了产品侧的定价方式外，定价与用户供需关系也息息相关，需求指的是用户侧的需求，供给指的是产品侧的供货，单独看与价格的变化可以用一个简单的图概括

供需价格模型

不考虑其他因素的情况下

从用户的需求角度：随着产品价格变高用户需求下降，随着产品价格下降用户需求增加。例如原来家庭用车预算是10万，如果产品降价，10万/辆的车改成1万/辆的情况，家庭可能会考虑购买两辆，需求随着价格变多，反之也成立价格上涨到100万/辆，超出家庭预算可能会选择不买车这时候需求量下降
从产品的供给角度：如果用户能接受的价格更高，产品侧的供给会增加，如果价格低，产品侧供给会下降

所以通常是会在均衡的价格和数量上下波动，两种极端会有所不同，第一种是产品为了提高市场份额的情况会出现价格低的情况供给量也增加，第二种是产品垄断价格上涨用户的需求也会增加

指标设计

商品作为经营分析的载体，开始做经营分析前还需要构建一套指标体系，指标有多重要呢？

当我们去看病没有指标的情况，医生说你这个身体有点问题，而不是血压还是哪个指标有问题，你是啥感受？
当销售给CEO汇报的时候说这个季度卖了非常多的车，给公司挣了不少钱，而不是说销售额和毛利率具体的数据，你能得到什么信息？

所以指标在工作中可以数字反馈业务熟悉，让业务情况更清晰的传递。

需要把业务理解转为指标，不断地拆解归因，一套好的指标体系才能分析发现问题、评估效果、消除风险，让数字变化可以解释，另外需要注意的是从经营的角度什么角色看什么指标是设计出来的，不是看这个角色的需求逐步迭代的，因为用户的需求会依赖这个用户对业务经营的认知，容易有遗漏，所以经营的指标体系需要全面不遗漏，并最大范围达成相同的理解，确保后续的目标制定责任人能认以及持续的Review优化。

随着指标的增加，会遇到一些常见问题

指标口径不统一
指标体系不完整
指标问题难追溯

指标定义

在定义指标的时候需要明确以下的每个字段，拉齐共识，一般公司的数据源都有很多份，不同的数据源计算出来的相同公式的值也会有很大的不同，并且每个指标都需要有业务和数据的责任人去维护，再录入到系统里

名称	业务责任人	数据责任人	生效时间	计算公式	数据来源
收入目标	销售团队小东	数据团队小明	2023年1月	sum(客户销售额)	表：xx 字段：yy

指标体系

维度和指标的含义可以先看下这篇概念介绍：维度与指标介绍

指标体系是有结构的、全面的、有业务逻辑的分析过程呈现。在设计的过程中通常用OSM模型（目标Objective、策略Strategy、度量Measurement）构建指标结构，通过MECE保障指标完整性，至上而下不遗漏拆解到责任人，职责清晰，过程可管理，从而组成一个完整的指标体系。

指标体系框架

目标O通常为企业经营的战略目标，在不同阶段可以不同，当企业快速发展收入可以是一个战略目标，当企业进入发展期，利润率可能是一个战略目标，期间也有可能为成本或者客户规模。目标有了之后会拆解对应的策略，策略通常是基于目标的公式进行拆解，之后再通过设置度量指标构建一套完成的流程。

经营目标

经营目标大多围绕上面这个图的4个指标进行拆解，这里以ToC的电商场景广告位收入作为经营目标O，首先需要基于收入的公式拆解对应的策略，收入 = 流量 * 转化率 * 客单价，这时候可以拆解出来以下策略S和度量M

O 目标收入 2025年1月起日均单价从 1万/日提升至 30万/日
S 策略收入=流量 * 转化率 * 客单价
策略1 提升流量，通过短视频引流提升进入电商的用户流量度量M 日均点击电商网站用户数从 1w提升至3w 责任人投放团队小明

策略2 提升转化率，通过不同用户的喜好推荐符合用户的需求，提高购买度量M 日均用户转化率从10%提升至20% 责任人渠道团队小东

策略3 提升客单价，通过商品组合售卖提高单客购买单价度量M 日均客单价从10元/人提升至 50元/人责任人产品团队小北

而当一个指标可以通过数学公式进行加减乘除的时候就满足MECE的拆解原则了，因为互相独立，每个公式的构成部分又可以继续拆解，完全穷尽。指标体系看着简单，但是想设计好并不容易，期间会遇到不少问题

指标问题：指标体系需要始终服务业务，跟随业务变化，始终需要关注口径清晰，可传递第一个坑：指标只增不减

建指标就像记笔记，开始的时候斗志满满，记录后还经常复习，但是没有规则，随着新知识越来越多，相似的知识也变多，记录的越来越多，后面遇到某个问题想翻开笔记本看看的时候发现，这是啥？这记录的是啥？有成本两个字的指标有十几个，有收入两个字的指标有十几个，到底都代表什么，解决哪些问题，最后一脸懵。这些都是实际遇到的问题，之前我们一个同事维护成本相关的指标名称是这样的

产品总成本、部门总成本、财务总成本、采购总成本、结算总成本、来源xx平台成本、来源yy平台成本

而每个指标都有具体的含义，有的含税，有的不含税，有几个指标是一年前录进去的，需要看SQL代码才能知道具体是哪个加哪个

第二个坑：指标及时删减，但是没人用

如果一个指标，你不能回答出来这个指标对业务的优化有什么作用，那就应该替换或者删掉这个指标，我们在建好一个指标的时候，需要提前想好这个指标的应用场景和使用频率，通常一个经营类的指标建好都都需要有一些机制，比如周例会，月例会拉上指标相关方一起去跟进进展，制定目标，分析风险，解决问题。基于这样的机制才能确保这个指标产出后得到最大化的业务收益，就像 “策略1 提升流量，通过短视频引流提升进入电商的用户流量”，做短视频引流的团队，做产品运营的团队，以及是否真实进入电商的团队，都需要参与到这个指标提升的例会里面，然后观测每个过程数据，不同的团队提出各自的业务理解，不断提升流量这个指标，实现价值最大化。

第三个坑：指标及时删减，有应用场景，但是没拆到原子指标有遗漏

MECE原则需要完全穷尽，在做经营分析的时候如果你是横向的组织，受限于你认为的组织分工你的指标可能不会拆的很细，特别是在成本领域，你可能把指标拆解到某个放心的成本团队，把目标分解下去就完成了，但这不是原子指标，如果这个团队没有把指标拆的很细，时间久了就会有遗漏，再想进一步探索优化举措的时候发现互相之间的关联很多，找不到如何做优化，而拆解到原子指标需要满足这个指标不包括其他任何指标且是最细的维度。同样是一个螺丝钉的成本，到构成螺丝钉的金属是否是最细粒度的指标，如果金属是自制的那还需要包括制作金属的构成指标，例如构成金属、防腐蚀材料、喷漆、金属供应费、运输费、搬运费等等当拆解到原子指标的时候加上了解如果改进原子指标的业务人员就能很快找到问题。假设你分析喷漆费用占比1%，这时候了解螺丝钉喷漆的技术人员说通常是0.5%，这个gap就是这个指标的价值，可以深入挖掘看是哪里的问题，然后优化。

解决方案：构建指标管理系统，指标管理规范化线上化，制定指标分析机制跟进并拆解到原子指标

行业内有很多指标管理解决方案，都能解决规范化线上化的问题，这里更多是把业内头部云计算公司关于指标管理系统构建相关的方案防进来大家有兴趣可以参考

数据开发

当数据量大的时候，常规的python、excel无法满足常态化的经营分析，过程需要处理大量的数据，如何做经营数据开发保障数据准确性和易用性是至关重要的，怎么定义准确性在经营的数仓和其他数据的数仓是有很大不同的，因为准确性是经营决策的基础，无法容忍有任何的错误

数据入仓（一个数仓）

在组织演进的过程中，每个团队负责的业务不同，所以数据的生成流程和关注的数据不同，通常都会让每个团队的研发来做数据仓库的能力，他们也都能做，但是往往缺乏规范，因为团队间的数据标准不同，所以每个团队的数仓建设规范都不一样，做的怎么样完全取决于做这个数仓的技术。但是部门负责人或者横向视角的同学需要数据的时候就会出现口径、数据获取、数据存储、数据全面性、数据准确性都完全不同，没法使用

团队各自为做数据，多个数仓

为进一步让专业的人做专业的事，团队的演进会变成纵向产研团队关注业务生产系统的构建，包括业务流程的梳理，不同数据类型的生成符合业务流程，而数仓的建设由数据团队维护，建设统一的数仓规范，统一的数据存储机制，包括异常检测，数据健康度等

数据分层

现在大部分的企业解决方案都是把数据分层ODS-DW-APP三层，最终的目的都是为了能提供给业务分析使用，不同的产品关注的指标不同，不同视角的角色分析的数据方式也不同，最终用户希望的都是能快速获取到数据，所以数仓的构建都是围绕着方便快捷来做分层，首先是所有的数据都上报到ODS层，ODS会把数据分成离线和实时，离线就是今天分析昨天或者历史的场景，这时候处理的SLA可以比较久，实时数据就是需要立马使用的，比如获取这个客户访问日志做广告的投放这种需要立即处理，对数据的要求也会比较高，通常实时数据的处理对数据团队的技术是比较考验的。

然后是DW（Data Warehouse），这里需要把一些通用的数据做数据的构建，方便应用的时候可以通过一些简单的开发就获取到，例如地区这个维度，可能多个部门都会使用，如果一个部门把地区定义为 "北京市"，一个部门把地区定义为"北京"，那数据就不能很简单的做表的关联，维度对不上，所以一个数仓里面需要把通用的维度都放在一个地方，一个口径，并定时更新

最后是APP（Application），这里会把实际的分析场景做分类，产出的表是实际应用在具体的分析场景中，通常会与一些通用可视化前端做展示，比如产品总成本，会基于分析的问题把这个表生产好，基于整体经营的分析场景分分成不同主题，对用户来说只需要看到这层数据即可

数仓的三层结构

对数据团队来说会遇到的一些问题，面向业务团队，这些表的设计一定程度需要了解业务，分层才能真正提高效率。需要几个依赖

1、业务流程清晰，包括生产系统间的交互，业务流程图，上下游字段含义用途，这里的设计最好是与研发、产品、运营都对齐。过去碰到业务系统的研发认为的生产流程和运营认为的生产流程不同，导致数据获取的维表没实际用途，少了很多关键维度

2、多份生产数据源，当数据只有一份的时候没人能说清楚数据对不对，两份数据做校验很重要，因为对经营来说数据团队最重要的产出就是数据准确性了

当然还需要注意，一些数据开发的规范，比如日期的格式 2024-01-01 和 2024/01/01 两种格式就会导致需要把表进行关联分析的时候无法使用，有需要进行各种开发聚合，一致的开发规范会提升长期效率，因为随着业务变化，业务如何分析你很难一次性都想清楚。

数据监控

数据监控主要从两个方面

ODS层的监控，确保数据源准确，需满足多数据源校验
APP层的监控，使业务口径准确，需满足业务勾稽校验

这里把APP层的监控展开说说，什么叫业务口径准确。比如我们定义了一个指标产品总含税收入。拆解这个指标可以看到总含税收入 = 总客户收入累加，这时候客户收入会被应用在其他场景例如客户利润率，但是你会发现当被应用在不同表里的时候表1的总含税收入 != 表2的总客户收入累加，类似的问题一定经常遇到，这时候需要我们基于不同维度聚合的数据与聚合后的数据做提前的校验

数据可视化

如何把已有的数据做可视化处理，让不同角色的人能看清楚目标、进展、问题，而不是简单的堆砌，有好的体验，数据可视化好不好也将决定以上几个步骤的效果，另外数据可视化是需要锻炼的、需要锻炼的、需要锻炼的，不是一蹴而就，需要有意识的练习，提升自己的可视化审美和方法。这里我非常推荐一本书《用数据讲故事》里面介绍了很多案例，让读者知道什么是更好的可视化，这里也通过几个实际案例进行说明，之前写过一篇数据分析螺丝钉：多折线图场景如何通过数据说清楚问题。

在遇到一个图表的时候，我们需要先问几个问题：我能从这个可视化的图表里看出什么？我需要做哪些事？如果一个图表不能回答这两个问题，这个可视化就需要改进

展示规范

突出重点，没必要展示的统一去掉或者弱化，重点只有一个，这里引用《用数据讲故事》书上的案例，由于人员离职工单处理不完，希望通过一个分析让老板给招聘两个人

这个是原始图，通过这个表你能看到什么，两个柱形图两种颜色，有不同的趋势和数字，好了你一眼看不出任何有用的内容，因为内容过多，没有重点，两种颜色都非常显眼，没办法关注具体的数字

请批准招聘两名全职员工

把目标聚焦在需要表达的重点是，因为人员离职，新增工单数比处理的工单数更多了，工作完成不了，应该聚焦在改善这个粒度的呈现，改进之后的图片去掉了柱形图没必要的颜色，重点在新增和处理的对比，让人一眼就看清楚问题在哪，然后应该怎么做，你如果是CEO你觉得哪个更清楚

改进后请批准招聘两名全职员工

这个案例里面我们其实可以学习到很多，对一个折线图或者柱形图来说无非就是几个构成项，横轴、纵轴、图例、标题、数字、网格线，当你不知道怎么修改的时候可以每项都排除一下，这项应该放哪里更合适，如果去掉有什么影响？

图表选择

怎么选择图表就是直接看对比最直观，任何的描述都徒劳，因为你记不住，这里通过python来做可视化展示，附上python代码方便大家参考。

趋势分析：

⭐️如果想展示数据随时间变化的趋势，折线图是最好的选择。

组成分析：

⭐️展示一个整体被分成几部分的情况时，饼图或环形图是不错的选择。

我们在做报告的时候经常会用文字描述，例如：我们需要汇报不同竞争者的市场份额，对比文字和图表的差异

改进前的文字

在当前市场中，竞争者A占有25%的市场份额，是一个重要的市场参与者。竞争者B以30%的市场份额领先，展示了其强大的市场地位。竞争者C和D分别占有20%和15%的市场份额，显示出增长空间或竞争加剧。此外，其他较小的竞争者占据了剩余的10%市场份额。

改进后的环形图，我们就能很清楚的看到不同竞争者所占的市场份额情况，直接对着图说能够让人更有体感，但是记得环形图或者饼图别用来做对比，因为两个环对比的会让看的人很难受，用来替代文字还算可以

改进后市场份额占比

import matplotlib.pyplot as plt
# 市场份额数据
market_shares = {
    'Competitor A': 25,
    'Competitor B': 30,
    'Competitor C': 20,
    'Competitor D': 15,
    'Other': 10
}
# 生成环形图
fig, ax = plt.subplots()
ax.pie(market_shares.values(), labels=market_shares.keys(), autopct='%1.1f%%', startangle=140, wedgeprops=dict(width=0.3))
ax.axis('equal')  # 确保饼图是圆形的
plt.title('Market Share Analysis - Donut Chart')

# 保存环形图为文件
donut_chart_path = '/mnt/data/market_share_analysis_donut.png'
fig.savefig(donut_chart_path, format='png')
plt.show()

比较分析：

⭐️ 对于少量类别数据的比较，柱状图或条形图非常适合。

例如：一位销售经理正试图分析两种产品的季度销售业绩，这是数据分析师给出的按季度分析的表，一眼看不出业绩差异，需要再每个算一下才能知道两周产品的差别

改进前的表格

从图上可以看到：

Q1: 产品XY性能相似所以整体销售额差异不大
Q2: 产品Y开展了营销活动，很成功，销售大幅度上涨对比X销售额增加
Q3: 产品X具有竞争力的定价，对比Y销售额更多
Q4: 年末产品X销售下滑，需要重点关注是否异常

fig, ax = plt.subplots(figsize=(12, 8))
# Make the plot
ax.bar(r1, sales_data_df['Product X Sales'], color='b', width=bar_width, edgecolor='grey', label='Product X')
ax.bar(r2, sales_data_df['Product Y Sales'], color='g', width=bar_width, edgecolor='grey', label='Product Y')
# Add labels for the bars
plt.xlabel('Quarter', fontweight='bold', fontsize=15)
plt.xticks([r + bar_width for r in range(len(sales_data_df))], sales_data_df['Quarter'])

# Create legend & Show graphic
plt.legend()
plt.title('Quarterly Sales Comparison with Horizontal Annotations')

# Annotate reasons on the chart horizontally
for i, quarter in enumerate(sales_data_df['Quarter']):
    ax.text(r1[i] + bar_width/2, max(sales_data_df['Product X Sales'][i], sales_data_df['Product Y Sales'][i]) + 2, reasons[quarter],
            ha='center', fontsize=10)

plt.tight_layout()
# Remove grid lines
ax.grid(False)
# Save the plot as a file with horizontal annotations and no grid lines
file_path_annotated_horizontal = '/mnt/data/annotated_sales_comparison_chart_horizontal.png'
fig.savefig(file_path_annotated_horizontal, format='png')
plt.show()

# Return the file path for download
file_path_annotated_horizontal

强弱分析：

⭐️ 同时展示多个相关维度，能够直观地揭示服务表现的强项和弱项，通常可以考虑雷达图。

假设我们有一份包含多项服务指标（如服务质量、产品范围、定价、客户支持、网站易用性）的客户满意度调查报告

改进前，一个表格来展示不同的得分，比较难看出差异

改进前客户满意度报告表

改进后通过在雷达图中使用不同颜色来强调特定的关注点，我们不仅提供了一个关于客户满意度各维度表现的全面视图，而且也直观地标示出了哪些领域表现良好，哪些领域可能阻碍了整体的客户满意度。这种方法增强了雷达图的信息传递能力，使其成为一个更加有效的工具，用于引导决策和优先级的设置

改进后客户满意度

import matplotlib.pyplot as plt
import numpy as np

# Customer Satisfaction Survey Data
categories = ['Service Quality', 'Product Range', 'Pricing', 'Customer Support', 'Website Ease of Use']
scores = [4.5, 4.2, 3.8, 4.4, 4.7]
values = scores + scores[:1]  # Repeating the first value at the end to close the radar chart

# Calculating angles for the radar chart
num_vars = len(categories)
angles = np.linspace(0, 2 * np.pi, num_vars, endpoint=False).tolist()
angles += angles[:1]  # Completing the loop

# Define colors for each category, highlighting 'Pricing' in red
colors = ['green' if category != 'Pricing' else 'red' for category in categories]
category_colors = dict(zip(categories, colors))

fig, ax = plt.subplots(figsize=(8, 8), subplot_kw=dict(polar=True))

# Plot each category segment in the radar chart with its specific color
for i in range(len(categories)):
    angle_range = [angles[i], angles[i+1], angles[i+1], angles[i]]  # Define the angle range for each segment
    value_range = [0, 0, values[i+1], values[i]]  # Define the value range for each segment, including the baseline (0)
    ax.fill(angle_range, value_range, color=category_colors[categories[i]], alpha=0.25)

# Add the outline of the radar chart
ax.plot(angles, values, color='black', linewidth=2)

# Position score labels inside the chart, closer to the center
for i, (angle, value) in enumerate(zip(angles[:-1], scores)):
    alignment = "right" if angle > np.pi else "left"
    ax.text(angle, value / 2, str(value), color="black", ha=alignment, va="center")

# Set category labels with their specific colors
for i, (angle, label) in enumerate(zip(angles[:-1], categories)):
    ax.text(angle, max(scores) + 0.5, label, color=category_colors[label], ha='center', va='center', size=12)

# Remove default y-tick labels and add a title
ax.set_yticklabels([])
plt.title('Customer Satisfaction Analysis - Radar Chart with Focus Areas', size=15, y=1.1)

plt.show()

关系分析：

⭐️ 如果数据点很多，两个维度的颜色展示现象的强度，考虑使用热图来展示变量之间的密集程度。

假设我们是一家零售公司，正在分析一年中10种不同产品的每月销售业绩。发现两个维度的时候用表格很难看出什么，都是数字，人对密集的数字很难看出什么，不容易发现规律和问题

改进前的产品和月份的表格

通过热图改进：为了改进我们的分析和展示，我们采用热图来可视化相同的数据。这种方法使用颜色来表示销售业绩，使得识别模式变得更容易，例如哪些产品一直表现良好，哪些月份显示出销售高峰，以及任何潜在的关注点。我们可以很快看到产品 3 始终表现出较高的性能，而产品 10 相比之下表现出较低的销售额

改进后的热图

# Displaying the code used to generate the heatmap for the user's reference


import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

# Your data in a DataFrame format
data = {
    'January': [200, 150, 300, 250, 190, 220, 170, 210, 180, 160],
    'February': [180, 160, 310, 260, 200, 210, 180, 190, 170, 150],
    # ... (include all months with your data)
    'December': [310, 280, 370, 320, 270, 290, 250, 260, 230, 220]
}
sales_data = pd.DataFrame(data)
sales_data['Product'] = [f'Product {i+1}' for i in range(10)]
sales_data.set_index('Product', inplace=True)

# Plotting the heatmap
plt.figure(figsize=(14, 10))
sns.heatmap(sales_data, annot=True, fmt='.0f', cmap='YlGnBu', cbar=True)
plt.title('Heatmap of Monthly Sales Performance for 10 Products')
plt.xlabel('Months')
plt.ylabel('Products')

# Show the heatmap
plt.tight_layout()
plt.show()

print(heatmap_code)

分布分析：

⭐️ 查看数据的分布范围和频率，直方图和核密度图是好的选择。

假设餐厅连锁品牌，该品牌希望分析其多个门店在一周中每天的顾客流量（人次），以便更好地管理人员排班和优化运营效率，这是3个门店一周的数据

改进前的门店顾客一周流量表

改进后展示了每天的总顾客数量，并在各个门店的贡献部分内标注了百分比，而y轴显示的是具体的顾客数值。这种方式清晰地展示了一周内每天的顾客流量，并通过柱内的百分比注释直观地反映了各门店对总流量的贡献比例。通过这种视图，可以轻松识别出顾客流量高峰日，以及各门店在不同日子的相对表现

改进后的门店一周访问流量图

图表有很多我们需要有意识的练习，可以多看一下公共的分析报告，这些都是专业的数据分析师写的可以提供参考学习，比如每天看一个图，改进你觉得不清晰的地方

目标管理

经营分析的终态都是为了达成短期和长期目标，所有的分析和运营都是手段，结果是要达成目标。

正确聚焦

如果你是公司负责人，现在有10个产品，你会如何给这些产品定目标？

先从产品间来看：有些产品是规模型重点目标是收入，有些产品是利润型，例如一些saas类的产品除了人力成本外没有其他成本，卖的越多利润率越高，有些产品是获客型，通过一些渠道就比较容易的获取用户，有些产品是资源型强依赖资源，成本是关键。

再从产品内来看：一个产品在不同阶段的目标也不同，产品刚刚上市你不能要求它利润率很高，因为刚刚步入市场的产品需要更多的资金投入才有可能在竞争市场中获取到用户，这时候利润率不能是目标否则会影响产品发展，当产品步入市场一段时间后，需要逐步考虑利润率，因为产品不能一直靠资金的投入来获客，还是需要有产品竞争力和了解客户需求这时候规模和利润需要综合考虑

目标制定

怎么定目标是每个企业都面临的问题，如果没法很有逻辑的推导所以只能随便拍，这种目标往往缺乏牵引作用，很多头部企业就是如此。要想定清楚一个目标需要大量的输入和前期分析，就以收入目标为例，如果是车企需要关注内外部情况

行业分析

行业趋势：考察整个汽车行业的增长趋势，包括电动车、混合动力车以及传统燃油车的市场需求。
竞争对手分析：分析竞争对手的市场表现、销量、市场份额和定价策略，以确定自身在市场中的位置。
目标市场：确定目标市场及其规模，包括地理区域、消费者人群（如家庭、企业或政府部门）

内部分析

历史销售数据：回顾过去几年的销售数据，分析增长趋势、季节性变化和利润率。
生产能力：评估生产能力和供应链能力，确保能够满足预期的销售目标。
财务状况：分析当前的财务状况，包括现金流、债务水平和投资回报率。

比如最近的小米汽车、华为汽车对于其他车企来说他们定的目标就需要考虑市场的竞品情况，然后找清楚自己的定位。

当定好一个大的收入目标数之后，需要先按销售线进行拆解，不同企业有不同的拆解方式，有的按地区，比如北京和上海的销售分别承担多少目标，有的按产品，比如电车、油车不同型号卖多少，详细的可以再看下指标体系的框架，与指标体系框架类似拆到具体的团队和责任人身上，但是这里有一些需要注意的点。

拆目标的时候如果涉及多个团队需要提前绑定，例如北京的销售要卖出去 100台A型号的电车，这时候目标不能只分发给销售，还需要绑定产品，如果到对应时间点100台车都没生产出来或者质量不满足，销售没法卖。还需要营销团队的推广，这时候他们也需要领走一些关联指标，综合定出来这个区域能卖多少台车，还有一个简单的判断目标拆解是否合理的方式就是，是否所有团队都知道自己要做什么？做到什么程度？如何衡量？目标达成的依赖条件是什么？如何四个问题能回答清楚，那目标的达成也没有太多问题。

目标跟进

有指标、有数据、有责任人，接下来就是经营分析发挥重要作用的阶段了，目标跟进与管理，通过几个步骤可以更有效的进行目标跟进推进目标达成的基础上发挥经营分析的作用。

首先需要把目标口径与责任人多次对齐，即使定目标的时候已经对齐过，你也不能保证每个人都理解指标怎么计算的，期间各个团队成员还会不断地变化，同时大部分的团队成员对数据是不敏感的。

其次需要与管理层建联，作为一个经营分析的团队成员，大多数情况下你是没绩效权的，你只能提供见解和发现问题，这时候你需要与真正有权利的人达成高度共识，如何跟进目标达成，按月、周之类的例会跟进进展，经营分析基于数据提出问题，执行层基于实际情况提出解决方案和解释业务原因，管理层基于要求和判断提出要求。这里还是要注意一下作为分析的同学需要谨慎给建议，一般不给要求，否则时间久了执行同学会比较抵触，因为没人喜欢别人在领导面前对我指手画脚。

最后需要与执行层建联，深入执行的步骤和细节中，深度了解客户和业务，这样你提出的问题就是执行人的痛点，然后你再通过数据分析给他们提出解决方案和建议，比如北京的某个型号车不好卖，你通过分析同类产品发现有季节性，在某个时间做促销比其他时间促销效果好，这些具体的建议和策略会极大程度提升你的存在感和价值，否则只面向管理层，时间久了会脱离业务。

除了开会，平时可以做一些监控报告，定期发生较大范围的分析报告也能取得类似的效果，因为没人希望自己没达成目标的字样写在报告里面

分析优化

分析的目的都是为了能挖掘潜在的机会或者价值，这对数据分析师、经营分析师来说是非常重要的能力和价值体现，之前写过一篇如何利用数据分析挖掘潜在的市场机会？大概的介绍了一些思路，就好像张一鸣说的，你的认知就是你的竞争力，分析优化也一样，别人分析不出优化项，你能分析出来并给出解决方案这就是你的竞争力，这里更多介绍如何做分析的一些思考

分析思路

首先目标一定要明确，目标是业务的目标，需要在具体的业务指标上体现出来，比如收入增长放缓需要分析一下原因然后说出下阶段应该怎么做才行。

然后我们再看分析的思路，这里把分析思路框架性概括为时间、空间、程度，不仅适用于经营领域，对大部分数据分析领域都适用。你看到一个分析文档或者报告的时候你需要怎么给别人提建议，这时候可以使用分析框架

时间：过去 - 现在 - 未来，如果分析的数据是过去发生的，那现在的数据是什么样的，未来的数据如何预测，你会发现之前构建的数据或者指标还不完全用来分析，现在或者未来。在实际应用中我们经常会看到一些经营分析的月会数据都是上个月或者更早的，这时候该劣化的都劣化了，你无法改变，所以构建面向现在和未来的数据变得尤其重要，但是数据构建的体系也会有较大的难度。同样是卖车，如果北京地区的分析人员分析出来北京24年的流动人口，各地区收入分布，家庭用车情况，用户用车需求量情况，不同门店的人流量，北京各地区商业板块计划等等数据，再来分析预计24年能卖出多少车，这时候与没有分析的对比是否更加可控，即使某个预估分析的数据不准确，也还有过去的历史数据可以进行推导修正，能更加令人信服

比如分析经济型、SUV、豪华型三种汽车售卖趋势，可以看到最近一年豪华车型销售的波动明显，那这个豪华型汽车是不是就要少生产，明年还卖不卖短期看就比较难看出问题

最近一年三种汽车销售趋势

我们把时间拉长看是否能发现一些潜在规律

经济型小汽车：销售量相对稳定，显示出逐年增长的趋势，表明这一市场细分在长期内保持了良好的增长潜力。
SUV：销售量随时间显著增加，尤其是在最近几年，反映了消费者偏好的变化以及SUV市场的快速增长。
豪华车型：销售波动较大，反映了这一细分市场对经济条件变化的高度敏感性。但是长期看还是增长的趋势

15-23年汽车销售额增长趋势

空间：空间可以理解为全面的维度，以一个更高的视角，成本要下降增加客户规模也是一种方式。收入要增长是否降低成本也可以实现？当分析收入的时候我们可以把所有经营指标都列出来，而不仅仅是拆解收入，否则会陷入死胡同，可以从经营利润率目标拆解，有多少利润可以用来补贴收入，成本可以下降多少，现在竞争力是多少，这些的分析也将提升收入规模提供数据依据和策略。

程度：经可能的拆解更细的维度和指标，如果一个分析报告看不到问题那一定是拆解的不够细，看10个产品的汇总收入和利润率没问题，单独看一个产品是否有问题？如果每个产品都没问题那也一定有产品间的对比，如果对比都一样那就拆解到客户，拆解到客户的账号，程度越细，发现的问题越多，自然能提出的建议和策略也就越多

比如销售在汇报过去5年的增长销售额增长情况，线性增长，从图上看表现很好