要使各種結構化的、非結構化的、海量的數據實現標準化、信息化，能夠提供業務績效評估、業務決策支持等要求，我們首先需要進行數據分析。這里筆者整理出了一套針對不同數據分析對象所采用的6大類分析方法，每類里面包含各種小方法。常見的六大類分析方法主要包含:分解主體分析、鉆取分析、常規比較分析、大型管理模型分析、財務和因子分析、專題大數據分析。詳見下圖：

圖1 六大類分析方法

所謂分解主題分析，是指對于不同分析要求，我們可以初步分為營銷主題、財務主題、靈活主題等，然后將這些大的主題逐步拆解為不同小的方面來進行分析。

針對銷售業務的分析，可以分解為客戶分析、品類分析、區域分析、消費頻率、價值鏈分析、促銷、渠道、經銷商、門店分析、同比環比、社交大數據分析、行業市場分析、行業景氣指數的分析、市場占有率分析等。例如營銷主題單店分析可以分解為以下不同方面來分析，見下圖：

圖2 門店營銷分析分解

針對財務業務的分析，可以分解為成本費用分析、利潤、歷史對比、財務法定報告及分析、資本性支出分析、財務預算分析、營銷投入產出效率分析、會計核算分析、企業合并分析、償債能力分析、盈利能力分析、經營現金流量分析等。例如財物主題預算分析可以分解為以下不同方面來分析，見下圖：

圖3 財務預算分析分解

包括價格分析、靈活區域分析、貢獻度分析、供應商管理分析、采購價格分析、采購返利分析、采購對標分析、倉儲數量流分析、存貨分析、貨損/質量分析、采購預測分析、產能分析、產量分析、EHS分析、價值鏈分析、供應鏈分析、運營成本分析、替代品分析及預測、銷售渠道分析、員工薪酬福利分析、銷售網點分析、招聘管理分析、培訓管理分析、銷售預測分析、下游物流分析、員工成本分析、購買者分析、員工績效分析、終端退貨分析、售后服務質量分析、人工競爭力分析等。例如靈活主題區域分析可以分解為以下不同區域時間來分析，見下圖示例：

圖4 某公司遭受網絡攻擊時間/區域分析示例

二鉆取分析

所謂鉆取分析，是指改變維的層次，變換分析的粒度。按照方向方式分為：向上和向下鉆取。向上鉆取是在某一維上將低層次的細節數據概括到高層次的匯總數據，或者減少維數；是自動生成匯總行的分析方法。向下鉆取是從匯總數據深入到細節數據進行觀察或增加新維的分析方法。

按照鉆取的維度屬性劃分，可以分為按組織樹鉆取、按品類樹鉆取、按其他維度鉆取。通過鉆取的功能，使用戶對數據能更深入了解，更容易發現問題，做出正確的決策。

組織樹可以按職能結構、層次結構、部門結構、職權結構來建立。要了解與職權相聯系的業務情況，了解了職權的組織樹就可以進行鉆取分析，要了解部門銷售業績情況，可以按部門鉆取分析等。某大型集團組織樹結構見下圖：

圖5 某大型集團組織機構圖

所謂品類樹就是指依據產品的特點，劃分為的大、中、小分類結構。品類樹是品類差異化的基礎，必須結合經營管理的實際情況進行落地。例如要了解與物料大中小類相關的業務情況，可以按品類樹鉆取分析等。某大型集團物料品類樹見下圖示例：

圖6 某大型集團物料品類樹示例

例如對于各地區各年度的銷售情況，可以生成地區與年度的合計行(向上鉆取)。例如，用戶分析“各地區、城市的銷售情況”時，可以對某一個城市的銷售額細分為各個年度的銷售額，對某一年度的銷售額，可以繼續細分為各個季度的銷售額(向下鉆取)。

所謂常規比較分析，是指一般比較常見的對比分析方法，例如有時間趨勢分析、構成分析、同類比較分析、多指標分析、相關性分析、分組分析、象限分析等。

所謂時間趨勢分析是指將某種現象某一個統計指標在不同時間上的各個數值，按時間先后順序排列而形成的序列。它是一種定量預測方法，亦稱簡單外延方法，在統計學中作為一種常用的預測手段被廣泛應用。例如，記錄了某地區第一個月，第二個月，…，第N個月的降雨量，利用時間趨勢分析方法，可以對未來各月的雨量進行預報。見下圖示例：

圖7 某地未來各月月降水量預測

在統計分組的基礎上計算結構指標，來反映被研究總體構成情況的方法。應用構成分析法，可從不同角度研究投資構成及其變動趨勢，觀察投資構成與產業結構、社會需要構成的適應關系，可以揭示事物由量變到質變的具體過程。 例如要了解某公司各季度銷售收入情況，可以使用構成分析，見下圖示例：

圖8 某公司各季度銷售情況概覽

在同類事物之間通過比較分析揭示其相異點而產生新認識的方法。在實際研究中人們經常會遇到一些表面上相同但實際上并不同的現象，如果對這些現象不仔細地進行比較研究，就有可能以假當真，或以真當假。因此，在分析研究中對新發現的現象不要輕易地歸類，應該認真地反復進行比較研究，尤其對那些小的差異點，更不能放過。同類比較分析經常應用到與競爭對手分析中，例如食品行業同一類食品的銷量比較，鞋服行業同一類型鞋子的對比分析等。

為統計方法的一種，包含了許多的方法，最基本的為單指標，再延伸出來的多指標分析。統計資料中有多個指標同時存在時的統計分析，是統計學的重要分支，是單指標統計的發展。 例如某公司經營綜合情況就可以使用多指標分析，見下圖示例：

圖9 某公司經營綜合情況分析

指對兩個或多個具備相關性的變量元素進行分析，從而衡量兩個變量因素的相關密切程度。相關性的元素之間需要存在一定的聯系或者概率才可以進行相關性分析。例如某年對國內各城市人均GDP與商品住宅成交均價的相關性分析，見下圖示例：

圖10 各城市人均GDP與商品住宅成交均價相關分析

指將客體（問卷、特征、現實）按研究要求進行分類編組，使得同組客體之間的差別小于各種客體之間的差別，進而進行分析研究的方法。其特點在于不依賴于原始資料分布的正常性假設，可以按任意規律分布，在分析既包括數量資料，又包括質量資料的混合資料時尤為重要。例如某公司上半年每月銷量與收入情況分析，見下圖示例：

圖11 某公司上半年每月銷量與收入情況分析

所謂象限分析是時間管理理論的一個重要觀念是重點地把主要的精力和時間集中地放在處理那些重要但不緊急的工作上，這樣可以做到未雨綢繆，防患于未然。在人們的日常工作中，很多時候往往有機會去很好地計劃和完成一件事。但常常卻又沒有及時地去做，隨著時間的推移，造成工作質量的下降。因此，應把主要的精力有重點地放在重要但不緊急這個“象限”的事務上是必要的。要把精力主要放在重要但不緊急的事務處理上，需要很好地安排時間。一個好的方法是建立預約。建立了預約，自己的時間才不會被別人所占據，從而有效地開展工作。在數據處理工作中，將事情按照緊急、不緊急、重要、不重要的排列組合分成四個象限，從而有效地開展工作的方法。詳見下圖：

圖12 象限分析示例

所謂大型管理模型分析，是指依據各種成熟的、經過實踐論證的大型管理模型對問題進行分析的方法。這些管理模型有的是由高校研究機構建立的,也有一部分是由大企業或者管理咨詢機構建立的,它們在長時間的企業管理理論研究和實踐過程中,將企業經營管理中一些經典的相關關系以一個固定模型的方式描述出來,揭示企業系統內部很多本質性的關系,供企業用來分析自己的經營管理狀況，針對企業管理出現的不同問題,能采用最行之有效的模型分析往往可以事半功倍。比較常見的大型管理模型分析包括RCV模型、阿米巴經營、品類管理分析等。

以資源(R)、能力(C)、價值(V)3個方面建立的價值鏈分析體系。例如要了解某大型制造企業，從供應商采購到物流中心到干線運輸以及門店的一系列情況，我們可以通過分析人員數量，設備成本，備選供應商總量，活躍供應商數量，采購量，新品導入量等來了解供應商采購這一環節情況；從交易面積，建筑成本，收貨能力，收貨量，周轉量等來了解物流中心這一環節的情況；從車輛數量和總噸位，用油量，運輸能力，運輸量等來了解干線運輸這一環節的情況；從門店數量，經營面積，房租成本，流量，成交量，銷售收入等來了解門店這一環節的情況。

圖13 RVC分析應用示例

將整個公司分割成許多個被稱為阿米巴的小型組織，每個小型組織都作為一個獨立的利潤中心，按照小企業、小商店的方式進行獨立經營。這種分割整體逐步細化的思想也適用于數據分析。同時對產品生命周期的分析我們可以參照一下產品線阿米巴，見下圖。

圖14 產品線阿米巴-產品生命周期

公司根據產品品類來進行的品牌管理，它包括高效的產品組合、貨架管理、定價與促銷、補貨及新品引進等。例如通過品類管理我們可以分析哪些品類最受消費者喜愛，某品類購買的消費者是哪些人，消費者用什么方式購買，消費者喜歡在哪里購買等等。在品類管理的過程中我們需要分析了解這些方面，詳見下圖：

圖15 企業通過品類管理實現其目標示例

所謂財務和因子分析，主要是指因子分析法在財務信息分析上的廣泛應用。因子分析的概念起源于20世紀初的關于智力測試的統計分析，以最少的信息丟失為前提，將眾多的原有變量綜合成較少的幾個綜合指標，既能大大減少參與數據建模的變量個數，同時也不會造成信息的大量丟失，達到有效的降維。比較常用的財務和因子分析法有杜邦分析法、EVA分析、財務指標、財務比率、坪效公式、品類公式、流量公式等。

利用幾種主要的財務比率之間的關系來綜合地分析企業的財務狀況。具體來說，它是一種用來評價公司贏利能力和股東權益回報水平，從財務角度評價企業績效的一種經典方法。其基本思想是將企業凈資產收益率逐級分解為多項財務比率乘積，這樣有助于深入分析比較企業經營業績。見下圖示例：

圖16 杜邦分析法算凈資產收益率

是指總結和評價企業財務狀況與經營成果的分析指標，包括償債能力指標、運營能力指標、盈利能力指標和發展能力指標。對企業財務報表進行分析與評價通常是由報表分析者來完成的。如下圖所示，常見財務指標分析項目內容：

圖17 常見財務指標分析具體內容示例

根據同一時期財務報表中兩個或多個項目之間的關系，計算其比率，以評價企業的財務狀況和經營成果。財務比率可以評價某項投資在各年之間收益的變化，也可以在某一時點比較某一行業的不同企業。財務比率分析可以消除規模的影響，用來比較不同企業的收益與風險，從而幫助投資者和債權人作出理智的決策。

EVA是經濟增加值模型（Economic Value Added）的簡稱，是Stern Stewart咨詢公司開發的一種新型的價值分析工具和業績評價指標，是基于剩余收益思想發展起來的新型價值模型。 EVA分析法具體公式：附加經濟價值（EVA）=息前稅后利潤-資金總成本。

此外常見的還有坪效公式：總毛利（元/月）=平均坪效（元/坪/月）*面積（坪）*毛利率（%）； 品類公式：總毛利（元/月）= ∑單價(元/件)*單價體積(件/坪)*占坪(坪)*周轉率(次/月)*毛利率(%) ；流量公式：總毛利（元/月）=坪流量（次/坪/月）*面積（坪）*轉化率（%）*客單價（元/次）*毛利率（%）。

所謂專題大數據分析，是指對特定的一些規模巨大的數據進行分析。大數據常用來描述和定義信息爆炸時代產生的海量數據，并命名與之相關的技術發展與創新。常見特征是數據量大、類型繁多、價值密度低、速度快、時效低。比較常見的專題大數據分析有：市場購物籃分析、重力模型、推薦算法、價格敏感度分析、客戶分組分析等分析方法。

通過購物籃/購物車所顯示的信息來研究顧客的購買行為。購物籃分析最出名的一個案例就是“啤酒與尿布”：20世紀90年代的美國沃爾瑪超市中，其管理人員分析銷售數據時發現在某些特定的情況下，“啤酒”與“尿布”兩件看上去毫無關系的商品會經常出現在同一個購物籃中，經過調查發現，原來在美國有嬰兒的家庭中，一般是母親在家中照看嬰兒，年輕的父親前去超市購買尿布。父親在購買尿布的同時，往往會順便為自己購買啤酒。隨后沃爾瑪開始在賣場嘗試將啤酒與尿布擺放在相同的區域，讓年輕的父親可以同時找到這兩件商品，并很快地完成購物；而沃爾瑪超市也可以讓這些客戶一次購買兩件商品、而不是一件，從而獲得了很好的商品銷售收入，這就是“啤酒與尿布”故事的由來。

圖18 購物籃分析之啤酒與尿布案例

應用最多的一種“出行分布模型”。因表述形態與牛頓重力定律而得名。模型認定兩區間內的出行次數同出發區的出行產生數成正比，同兩區間的交通阻抗的某一乘方數成正比。

是計算機專業中的一種算法，通過一些數學算法，推測出用戶可能喜歡的東西，目前應用推薦算法比較好的地方主要是網絡，其中淘寶做的比較好。所謂推薦算法就是利用用戶的一些行為，通過一些數學算法，推測出用戶可能喜歡的東西。

是指從眾多不確定性因素中找出對投資項目經濟效益指標有重要影響的敏感性因素，并分析、測算其對項目經濟效益指標的影響程度和敏感性程度，進而判斷項目承受風險能力的一種不確定性分析方法。見下圖：

圖19 敏感性分析示例

根據用戶的屬性數據分析，對用戶進行了分組歸類來分析。它其實就是常規比較分析里面的分組分析，不過主要針對的是客戶群體。例如某年對小鎮青年與都市青年最喜愛的購物APP分組分析得出的結論如下圖：

圖20 小鎮青年&都市青年最喜歡的購物APP類型