當你的數據銷量完成後該怎麼辦

A. 如何做好數據分析

數據分析有：分類分析，矩陣分析，漏斗分析，相關分析，邏輯樹分析，趨勢分析，行為軌跡分析，等等。 我用HR的工作來舉例，說明上面這些分析要怎麼做，才能得出洞見。

01） 分類分析
比如分成不同部門、不同崗位層級、不同年齡段，來分析人才流失率。比如發現某個部門流失率特別高，那麼就可以去分析。

02） 矩陣分析
比如公司有價值觀和能力的考核，那麼可以把考核結果做出矩陣圖，能力強價值匹配的員工、能力強價值不匹配的員工、能力弱價值匹配的員工、能力弱價值不匹配的員工各佔多少比例，從而發現公司的人才健康度。

03） 漏斗分析
比如記錄招聘數據，投遞簡歷、通過初篩、通過一面、通過二面、通過終面、接下Offer、成功入職、通過試用期，這就是一個完整的招聘漏斗，從數據中，可以看到哪個環節還可以優化。

04） 相關分析
比如公司各個分店的人才流失率差異較大，那麼可以把各個分店的員工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、員工年齡、管理人員年齡等）要素進行相關性分析，找到最能夠挽留員工的關鍵因素。

05） 邏輯樹分析
比如近期發現員工的滿意度有所降低，那麼就進行拆解，滿意度跟薪酬、福利、職業發展、工作氛圍有關，然後薪酬分為基本薪資和獎金，這樣層層拆解，找出滿意度各個影響因素裡面的變化因素，從而得出洞見。

06） 趨勢分析
比如人才流失率過去12個月的變化趨勢。

07）行為軌跡分析
比如跟蹤一個銷售人員的行為軌跡，從入職、到開始產生業績、到業績快速增長、到疲憊期、到逐漸穩定。

B. 銷售數據分析

1）銷售排名：優秀的銷售都喜歡拼第一，所以銷售龍虎榜尤為重要，每天莓菌會通過實際業績排名對前三名員工給予相應的獎勵，老闆也會通過排行榜了解各部門業績情況。

2）客戶排行榜：客戶方面也會做成交額匯總，因為大客戶是需要定期維護的。對於有些大客戶，成交額下降可以提醒我們及時做好補救。

3）庫存管理：對於銷售而言，了解公司庫存會節約很大的成本，因為一旦缺貨就會影響正常的交付時間。而管理者，通過圖表來了解產品銷售情況，哪些產品賣的好一目瞭然。

BDP除了能做以上這些好看的圖表，數據還可以自動更新：第一次做好分析之後，以後數據結果會自動定時更新哦（當然我連接了資料庫數據、表單數據）。

這些數據都是銷售最經常關注的數據，做好圖表後直接通過「分享」功能將數據結果分享給Boss，數據變動，分享的結果也會變動，這樣分析效率大大提高了呢，老闆也特別喜歡。

C. 大數據時代的營銷怎麼做

大數據時代的營銷怎麼做？

大數據時代的營銷怎麼做？各公司在大數據方面出手闊綽。首席營銷官調查網站（The CMO Survey）報道稱，目前大約有5.5%的營銷預算用於營銷分析，這個數字將在未來3年內增加到8.7%。大家的期望值很高，許多公司正試圖弄清楚如何破譯數據，從中獲得卓越的戰略見解。
我非常支持這種獲取和利用數據來推動決策的趨勢。然而，這也是問題所在。隨著數據量的增長，企業的數據利用率越來越低。我首先在2012年2月提出了如下問題：「在你的公司作出決策前，對現有或者索取的營銷分析數據加以利用的項目佔多大比例？」得到的結果是37%，當時我覺得這個比例太低。但當我在2013年8月提出同樣的問題時，比例降至29%。圖1顯示了這個比例在過去18個月里持續下降。
但這個調查結果並非完全出人意料。回顧30年來相關調查的歷史，數據利用率始終偏低，很多種類的營銷信息都是如此，包括營銷調研、廣告調研和現在的社交媒體調研。這種偏低的營銷分析數據利用率妨礙了大數據對利潤的貢獻。
妨礙有多大？有些人可能會說，營銷分析等各種市場情報的最終衡量標準是能否增進企業對客戶的了解。首席營銷官調查網站請頂級營銷人員對他們公司在「獲得和利用對客戶的深入見解」方面的表現打分。滿分為5分，1分是糟糕，2分是尚可，3分是普通，4分是良好，5分是優秀。回顧過往得分，結果顯示仍然處於普通水平（2013年8月為3.4分，2012年2月為3.5分，2009年8月為3.5分）。因此，即使用於營銷分析的花費增多，但我們並未看到對客戶的深入見解有所提高。
企業應該怎麼做？首先，管理人員必須以終為始。上市計劃、創造需求的活動和銷售活動必須包括關於哪些數據應該收集以及如何利用它們的具體說明。當計劃和策略中植入了大數據方案的時候，偏低的利用率可能會上升。
其次，企業必須花錢培訓管理人員，讓他們知道如何利用營銷分析來獲得洞察力、推動決策、實施策略和評估他們已經採取的行動。正是出於這個原因，我們在福庫商學院（Fuqua）教授「市場情報」課程，專注於信息的「使用」而非「創造」。企業必須更加重視市場分析的應用部分。機構和咨詢公司可以提供這類培訓。
第三，企業必須找到和留住那些能夠充分利用市場分析的合適人才。當問及「你的公司在多大程度上擁有能夠充分利用市場分析的合適人才？」時（1分為沒有合適的人才，7分為有合適的人才），僅僅3.4%的受訪者給自己的公司打了7分，56%的人打了低於平均水平的分數。圖2顯示了完整的分數分布情況（平均分為3.4分，標准偏差為1.7分）。

D. 我在問卷星上發布的問卷，現在收集好了，但是後續的數據分析統計該怎麼辦

當收集到問卷數據後，點擊頁面數據按鈕，進入「統計分析」，可查看基本圖表、交叉圖表、答卷詳情、來源概覽。

問卷星是一個專業的在線問卷調查、考試、測評、投票平台，專注於為用戶提供功能強大、人性化的在線設計問卷、採集數據、自定義報表、調查結果分析等系列服務。與傳統調查方式和其他調查網站或調查系統相比，問卷星具有快捷、易用、低成本的明顯優勢。

使用步驟

1、在線設計問卷：問卷星提供了所見即所得的設計問卷界面，支持49種題型以及信息欄和分頁欄、並可以給選項設置分數（可用於考試、測評問卷），可以設置關聯邏輯、引用邏輯、跳轉邏輯，同時還提供了千萬份量級專業問卷模板。

2、發布問卷並設置屬性：問卷設計好後可以直接發布並設置相關屬性，例如問卷分類、說明、公開級別、訪問密碼等。

3、發送問卷：通過微信、簡訊、QQ、微博、郵件等方式將問卷鏈接發給填寫者填寫，或者通過發送邀請郵件、嵌入到貴公司網站，還可與企業微信、釘釘、飛書等高度集成。

4、查看調查結果：可以通過柱狀圖、餅狀圖、圓環圖、條形圖等查看統計圖表，卡片式查看答卷詳情，分析答卷來源的時間段、地區和網站。

5、創建自定義報表：自定義報表中可以設置一系列篩選條件，不僅可以根據答案來做交叉分析和分類統計（例如統計年齡在20－30歲之間女性受訪者的統計數據），還可以根據填寫問卷所用時間、來源地區和網站等篩選出符合條件的答卷集合。

E. 如何有效的進行數據治理和數據管控

大數據時代的到來，讓政府、企業看到了數據資產的價值，並快速開始 探索 應用場景和商業模式、建設技術平台。但是，如果在大數據拼圖中遺忘了數據治理，那麼做再多的業務和技術投入也是徒勞的，因為很經典的一句話：Garbage in Garbage out。

當你處理或使用過大量數據，那麼對「數據治理」這個詞你一定不會陌生。你會思考數據治理是什麼？數據治理是否適合你？如何實施。簡單來說，數據治理就是處理數據的策略——如何收集、驗證、存儲、訪問、保護和使用數據。數據治理也還包括誰來查看，使用，共享你的數據。

隨著大數據時代的推進，以上這些問題日益突出，越來越多的企業依賴採集、治理、儲存和分析數據，並實現他們的商業目標。數據變成了企業的盈利工具、業務媒介和商業機密。數據泄露會導致法律糾紛，還會令消費者對公司的核心業務失去信心。

如果抱著僥幸的心理，讓各個業務部門自己管理數據，那麼你會缺乏有效的數據管理，甚至各部門會自己做自己的。你無法想像各個部門按隨心所欲地自己生產、儲存、銷售產品。數據使用不當就像庫存使用不當一樣，會給企業造成沉重的損失。因此必須制定一項測量用以保證所需數據的有效和安全，可用性，這就是我們要談的「數據治理」。

數據治理策略必須包含完整的數據生命周期。策略必須包含從數據採集、清洗到管理，在這個生命周期內，數據治理必須要有關注以下內容：

數據從哪裡來，數據怎麼來

這是數據生命周期的起點。數據來源決定了數據治理策略的基礎。例如數據集的大小就由數據來源所決定。是從目標市場、現存用戶和社交媒體收集數據？還是使用第三方收集數據或者分析你收集的數據？輸入數據流是什麼？數據治理必須關注這些問題，並制定策略來管理數據的採集，引導第三方處理他們收集的數據或者分析你收集的數據，控制數據的路徑和生命周期。

數據校驗

通常數據源都是非常龐大且多樣的，這是一個讓數據管理者非常頭疼的問題。將數據噪音和重要數據進行區分僅僅只是開始，如果你正從關聯公司收集數據，你必須確保數據是可靠的，對於那些幾萬、幾十萬、甚至成百上千萬的復雜關系數據，單靠人為的通過Excel對進行數據清洗已經不太現實，需要專業的數據清洗工具或系統對海量復雜關系數據進行批量查詢、替換、糾正、豐富以及存儲。將元數據、主數據、交易數據、參考數據以及數據標准內置固化到數據清洗工具或系統中，結合組織架構、內容管控、過程管控等管理機制、技術標准提高數據治理人員的工作效率。比如：需要手工編寫程序收集的元數據，系統幫你自動獲取；需要人工識別或編寫代碼實現的數據質量檢查，系統幫你自動識別問題；用文檔管理的數據字典，系統幫你在線管理；基於郵件和線下的流程，系統幫你線上自動化。當然，系統並不是萬能的，數據治理的軟體工具與其他軟體工具一樣，沒有什麼神奇之處，沒有數據治理人員的參與和數據治理工作的推進，軟體再完美也無法完成數據治理整個過程。這也是為什麼數據治理咨詢服務一直有其市場，以及為什麼國內大部分單純數據治理軟體項目未能達到預期目標。

數據治理必須解決存儲問題

而數據存儲和數據集的大小有密切關系。大數據的存儲必須是在安全的冗餘系統之中。常常利用層次體系，根據使用頻率來存儲數據。這樣一來，昂貴的在線系統提供的是被頻繁請求的數據，而請求頻率較低的數據則存儲在便宜，可用率較低的系統上。當然，一些請求頻率低但是敏感的數據如果存儲於安全性較低的系統上，風險會大大提升。因此，在制定數據存儲方案時，良好的數據治理策略必須考慮到方方面面的因素。

數據治理必須建立訪問管理制度，在需求和安全性找到平衡點

明確訪問者的許可權，只能訪問他們對應許可權包含的數據。只有合法請求才能夠訪問數據，而敏感的數據需要更高的許可權和更嚴密的驗證才可以被訪問。只向具有特定安全級別的用戶開放。應該對用戶和數據本身設置訪問級別，管理賬戶時，應與人力資源部和采購部緊密互動，這一點非常重要，因為這樣可以及時地使離職員工和停止合作的供應商不再擁有訪問許可權。處理好這些細節以及確保數據所有權和責任，這是構成完整的數據治理策略的一部分。

數據的使用/共享/分析

如何使用數據是數據治理之後一項重要的內容，數據可能會用於客戶管理，提高客戶體驗，投放定向廣告，用戶應用系統初始化基礎數據工作，輔助應用系統建設，提供市場分析和關聯公司共享數據。必須仔細界定哪些數據可用於共享或者用於營銷，並保護它們免遭攻擊和泄露，因為數據本來就應該被用於純粹的內部用途。讓用戶知悉採集數據的所有公司都會遵守數據安全和保證的規定。能夠確保數據被合理合規的使用，也是數據治理重要的一項內容。

收集、驗證、存儲、訪問和使用都是數據安全計劃的必要組成部分

收集、驗證、存儲、訪問和使用都是數據安全計劃的必要組成部分，必須要有一個全面的策略來解決這些問題以及其他安全問題。數據安全計劃必須是有效且可用性高，但是數據生命周期的所有部分都很容易受到攻擊和由於粗心造成的破壞。你必須在數據治理中確定數據安全計劃，包括訪問控制，靜態數據，數據加工，數據傳輸之後的加密等。

管理/元數據

沒有管理的數據生命周期是不完整的。例如，將元數據應用於一段數據，用來進行識別檢索。元數據包含數據的來源，採集或生成的日期，信息訪問的級別，語義分類及其他企業所必須的信息。數據治理能建立一個元數據詞彙表，界定數據的有效期。請注意數據也會過期，過期之後我們只能用於 歷史 數據的分析。

數據治理創建的過程中可能會在企業內部遭到一些阻力，比如有的人會害怕失去訪問數據的許可權，而有些人也不願意和競爭者共享數據。數據治理政策需要解決上述問題，讓各方面的人都可接受。習慣了數據筒倉環境的公司，在適應新的數據治理策略上面會有困難，但如今對大型數據集的依賴以及隨之而來的諸多安全問題，使創建和實施覆蓋全公司的數據策略成為一種必然。

數據日益成為企業基礎設施的一部分，在企業一步步處理各種特定情況的過程中形成決策。它以一次性的方式作出，常常是對某一特定問題的回應。因此，企業處理數據的方法會因為不同部門而改變，甚至會因為部門內部的不同情況而改變。即使每個部門已經有一套合理的數據處理方案，但這些方案可能彼此沖突，企業將不得不想辦法協調。弄清數據存儲的要求和需求是一件難事，如果做得不好，就無法發揮數據在營銷和客戶維系方面的潛力，而如果發生數據泄露，你還要承擔法律責任。

另外在大企業內部，部門之間會展開對數據資源的爭奪，各部門只關注自身的業務情況，缺乏全局觀念，很難在沒有調解的情況下達成妥協。

因此公司需要一個類似數據治理委員會的機構，他的職責是執行現有數據策略、挖掘未被滿足的需求以及潛在安全問題等，創建數據治理策略，使數據的採集、管護、儲存、訪問以及使用策略均實現標准化，同時還會考慮各個部門和崗位的不同需求。平衡不同部門之間存在沖突的需求，在安全性與訪問需求之間進行協調，確保最高效、最安全的數據管理策略。

建立數據治理委員會

負責評估各個數據用戶的需求，建立覆蓋全公司的數據管理策略，滿足內部用戶、外部用戶甚至法律方面的各種需求。該委員會的成員應該囊括各個業務領域的利益相關者，確保各方需求都得到較好地滿足，所有類型的數據所有權均得到體現。委員會也需要有數據安全專家，數據安全也是重要的一環。了解數據治理委員會的目標是什麼，這一點很重要，因此，應該思考企業需要數據治理策略的原因，並清楚地加以說明。

制定數據治理的框架

這個框架要將企業內部、外部、甚至是法律層面的數據需求都納入其中。框架內的各個部分要能夠融合成一個整體，滿足收集、清洗、存儲、檢索和安全要求。為此，企業必須清楚說明其端到端數據策略，以便設計一個能夠滿足所有需求和必要操作的框架。

有計劃地把各個部分結合起來，彼此支持，這有很多好處，比如在高度安全的環境中執行檢索要求。合規性也需要專門的設計，成為框架的一部分，這樣就可以追蹤和報告監管問題。這個框架還包括日常記錄和其他安全措施，能夠對攻擊發出早期預警。在使用數據前，對其進行驗證，這也是框架的一部分。數據治理委員會應該了解框架的每個部分，明確其用途，以及它如何在數據的整個生命周期中發揮作用。

數據測試策略

通常一個數據策略需要在小規模的商用環境中進行測試，用來發現數據策略在框架，結構和計劃上的不足之處並進行調整，之後才能夠投入正式使用。

數據治理策略要與時俱進

隨著數據治理策略延伸到新的業務領域，肯定需要對策略進行調整。而且，隨著技術的發展，數據策略也應該發展，與安全形勢、數據分析方法以及數據管理工具等保持同步。

明確什麼是成功的數據策略

我們需要確立衡量數據治理是否成功的明確標准，以便衡量進展。制定數據管理目標，有助於確定成功的重要指標，進而確保數據治理策略的方向是符合企業需求。

無論企業大小，在使用數據上都面臨相似的數據挑戰。企業越大，數據越多，而數據越多，越發需要制定一個有效的，正式的數據治理策略。規模較小的企業也許只需要非正式的數據治理策略就足夠了，但這只限於那些規模很小且對數據依賴度很低的公司。即便是非正式的數據治理計劃也需要盡可能考慮數據用戶和員工數據的採集、驗證、訪問、存儲。

當企業規模擴大，數據需求跨越多個部門時，當數據系統和數據集太大，難以駕馭時，當業務發展需要企業級的策略時，或者當法律或監管提出需求時，就必須制定更為正式的數據治理策略。