当你的数据销量完成后该怎么办

A. 如何做好数据分析

数据分析有：分类分析，矩阵分析，漏斗分析，相关分析，逻辑树分析，趋势分析，行为轨迹分析，等等。 我用HR的工作来举例，说明上面这些分析要怎么做，才能得出洞见。

01） 分类分析
比如分成不同部门、不同岗位层级、不同年龄段，来分析人才流失率。比如发现某个部门流失率特别高，那么就可以去分析。

02） 矩阵分析
比如公司有价值观和能力的考核，那么可以把考核结果做出矩阵图，能力强价值匹配的员工、能力强价值不匹配的员工、能力弱价值匹配的员工、能力弱价值不匹配的员工各占多少比例，从而发现公司的人才健康度。

03） 漏斗分析
比如记录招聘数据，投递简历、通过初筛、通过一面、通过二面、通过终面、接下Offer、成功入职、通过试用期，这就是一个完整的招聘漏斗，从数据中，可以看到哪个环节还可以优化。

04） 相关分析
比如公司各个分店的人才流失率差异较大，那么可以把各个分店的员工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、员工年龄、管理人员年龄等）要素进行相关性分析，找到最能够挽留员工的关键因素。

05） 逻辑树分析
比如近期发现员工的满意度有所降低，那么就进行拆解，满意度跟薪酬、福利、职业发展、工作氛围有关，然后薪酬分为基本薪资和奖金，这样层层拆解，找出满意度各个影响因素里面的变化因素，从而得出洞见。

06） 趋势分析
比如人才流失率过去12个月的变化趋势。

07）行为轨迹分析
比如跟踪一个销售人员的行为轨迹，从入职、到开始产生业绩、到业绩快速增长、到疲惫期、到逐渐稳定。

B. 销售数据分析

1）销售排名：优秀的销售都喜欢拼第一，所以销售龙虎榜尤为重要，每天莓菌会通过实际业绩排名对前三名员工给予相应的奖励，老板也会通过排行榜了解各部门业绩情况。

2）客户排行榜：客户方面也会做成交额汇总，因为大客户是需要定期维护的。对于有些大客户，成交额下降可以提醒我们及时做好补救。

3）库存管理：对于销售而言，了解公司库存会节约很大的成本，因为一旦缺货就会影响正常的交付时间。而管理者，通过图表来了解产品销售情况，哪些产品卖的好一目了然。

BDP除了能做以上这些好看的图表，数据还可以自动更新：第一次做好分析之后，以后数据结果会自动定时更新哦（当然我连接了数据库数据、表单数据）。

这些数据都是销售最经常关注的数据，做好图表后直接通过“分享”功能将数据结果分享给Boss，数据变动，分享的结果也会变动，这样分析效率大大提高了呢，老板也特别喜欢。

C. 大数据时代的营销怎么做

大数据时代的营销怎么做？

大数据时代的营销怎么做？各公司在大数据方面出手阔绰。首席营销官调查网站（The CMO Survey）报道称，目前大约有5.5%的营销预算用于营销分析，这个数字将在未来3年内增加到8.7%。大家的期望值很高，许多公司正试图弄清楚如何破译数据，从中获得卓越的战略见解。
我非常支持这种获取和利用数据来推动决策的趋势。然而，这也是问题所在。随着数据量的增长，企业的数据利用率越来越低。我首先在2012年2月提出了如下问题：“在你的公司作出决策前，对现有或者索取的营销分析数据加以利用的项目占多大比例？”得到的结果是37%，当时我觉得这个比例太低。但当我在2013年8月提出同样的问题时，比例降至29%。图1显示了这个比例在过去18个月里持续下降。
但这个调查结果并非完全出人意料。回顾30年来相关调查的历史，数据利用率始终偏低，很多种类的营销信息都是如此，包括营销调研、广告调研和现在的社交媒体调研。这种偏低的营销分析数据利用率妨碍了大数据对利润的贡献。
妨碍有多大？有些人可能会说，营销分析等各种市场情报的最终衡量标准是能否增进企业对客户的了解。首席营销官调查网站请顶级营销人员对他们公司在“获得和利用对客户的深入见解”方面的表现打分。满分为5分，1分是糟糕，2分是尚可，3分是普通，4分是良好，5分是优秀。回顾过往得分，结果显示仍然处于普通水平（2013年8月为3.4分，2012年2月为3.5分，2009年8月为3.5分）。因此，即使用于营销分析的花费增多，但我们并未看到对客户的深入见解有所提高。
企业应该怎么做？首先，管理人员必须以终为始。上市计划、创造需求的活动和销售活动必须包括关于哪些数据应该收集以及如何利用它们的具体说明。当计划和策略中植入了大数据方案的时候，偏低的利用率可能会上升。
其次，企业必须花钱培训管理人员，让他们知道如何利用营销分析来获得洞察力、推动决策、实施策略和评估他们已经采取的行动。正是出于这个原因，我们在福库商学院（Fuqua）教授“市场情报”课程，专注于信息的“使用”而非“创造”。企业必须更加重视市场分析的应用部分。机构和咨询公司可以提供这类培训。
第三，企业必须找到和留住那些能够充分利用市场分析的合适人才。当问及“你的公司在多大程度上拥有能够充分利用市场分析的合适人才？”时（1分为没有合适的人才，7分为有合适的人才），仅仅3.4%的受访者给自己的公司打了7分，56%的人打了低于平均水平的分数。图2显示了完整的分数分布情况（平均分为3.4分，标准偏差为1.7分）。

D. 我在问卷星上发布的问卷，现在收集好了，但是后续的数据分析统计该怎么办

当收集到问卷数据后，点击页面数据按钮，进入“统计分析”，可查看基本图表、交叉图表、答卷详情、来源概览。

问卷星是一个专业的在线问卷调查、考试、测评、投票平台，专注于为用户提供功能强大、人性化的在线设计问卷、采集数据、自定义报表、调查结果分析等系列服务。与传统调查方式和其他调查网站或调查系统相比，问卷星具有快捷、易用、低成本的明显优势。

使用步骤

1、在线设计问卷：问卷星提供了所见即所得的设计问卷界面，支持49种题型以及信息栏和分页栏、并可以给选项设置分数（可用于考试、测评问卷），可以设置关联逻辑、引用逻辑、跳转逻辑，同时还提供了千万份量级专业问卷模板。

2、发布问卷并设置属性：问卷设计好后可以直接发布并设置相关属性，例如问卷分类、说明、公开级别、访问密码等。

3、发送问卷：通过微信、短信、QQ、微博、邮件等方式将问卷链接发给填写者填写，或者通过发送邀请邮件、嵌入到贵公司网站，还可与企业微信、钉钉、飞书等高度集成。

4、查看调查结果：可以通过柱状图、饼状图、圆环图、条形图等查看统计图表，卡片式查看答卷详情，分析答卷来源的时间段、地区和网站。

5、创建自定义报表：自定义报表中可以设置一系列筛选条件，不仅可以根据答案来做交叉分析和分类统计（例如统计年龄在20－30岁之间女性受访者的统计数据），还可以根据填写问卷所用时间、来源地区和网站等筛选出符合条件的答卷集合。

E. 如何有效的进行数据治理和数据管控

大数据时代的到来，让政府、企业看到了数据资产的价值，并快速开始 探索 应用场景和商业模式、建设技术平台。但是，如果在大数据拼图中遗忘了数据治理，那么做再多的业务和技术投入也是徒劳的，因为很经典的一句话：Garbage in Garbage out。

当你处理或使用过大量数据，那么对“数据治理”这个词你一定不会陌生。你会思考数据治理是什么？数据治理是否适合你？如何实施。简单来说，数据治理就是处理数据的策略——如何收集、验证、存储、访问、保护和使用数据。数据治理也还包括谁来查看，使用，共享你的数据。

随着大数据时代的推进，以上这些问题日益突出，越来越多的企业依赖采集、治理、储存和分析数据，并实现他们的商业目标。数据变成了企业的盈利工具、业务媒介和商业机密。数据泄露会导致法律纠纷，还会令消费者对公司的核心业务失去信心。

如果抱着侥幸的心理，让各个业务部门自己管理数据，那么你会缺乏有效的数据管理，甚至各部门会自己做自己的。你无法想象各个部门按随心所欲地自己生产、储存、销售产品。数据使用不当就像库存使用不当一样，会给企业造成沉重的损失。因此必须制定一项测量用以保证所需数据的有效和安全，可用性，这就是我们要谈的“数据治理”。

数据治理策略必须包含完整的数据生命周期。策略必须包含从数据采集、清洗到管理，在这个生命周期内，数据治理必须要有关注以下内容：

数据从哪里来，数据怎么来

这是数据生命周期的起点。数据来源决定了数据治理策略的基础。例如数据集的大小就由数据来源所决定。是从目标市场、现存用户和社交媒体收集数据？还是使用第三方收集数据或者分析你收集的数据？输入数据流是什么？数据治理必须关注这些问题，并制定策略来管理数据的采集，引导第三方处理他们收集的数据或者分析你收集的数据，控制数据的路径和生命周期。

数据校验

通常数据源都是非常庞大且多样的，这是一个让数据管理者非常头疼的问题。将数据噪音和重要数据进行区分仅仅只是开始，如果你正从关联公司收集数据，你必须确保数据是可靠的，对于那些几万、几十万、甚至成百上千万的复杂关系数据，单靠人为的通过Excel对进行数据清洗已经不太现实，需要专业的数据清洗工具或系统对海量复杂关系数据进行批量查询、替换、纠正、丰富以及存储。将元数据、主数据、交易数据、参考数据以及数据标准内置固化到数据清洗工具或系统中，结合组织架构、内容管控、过程管控等管理机制、技术标准提高数据治理人员的工作效率。比如：需要手工编写程序收集的元数据，系统帮你自动获取；需要人工识别或编写代码实现的数据质量检查，系统帮你自动识别问题；用文档管理的数据字典，系统帮你在线管理；基于邮件和线下的流程，系统帮你线上自动化。当然，系统并不是万能的，数据治理的软件工具与其他软件工具一样，没有什么神奇之处，没有数据治理人员的参与和数据治理工作的推进，软件再完美也无法完成数据治理整个过程。这也是为什么数据治理咨询服务一直有其市场，以及为什么国内大部分单纯数据治理软件项目未能达到预期目标。

数据治理必须解决存储问题

而数据存储和数据集的大小有密切关系。大数据的存储必须是在安全的冗余系统之中。常常利用层次体系，根据使用频率来存储数据。这样一来，昂贵的在线系统提供的是被频繁请求的数据，而请求频率较低的数据则存储在便宜，可用率较低的系统上。当然，一些请求频率低但是敏感的数据如果存储于安全性较低的系统上，风险会大大提升。因此，在制定数据存储方案时，良好的数据治理策略必须考虑到方方面面的因素。

数据治理必须建立访问管理制度，在需求和安全性找到平衡点

明确访问者的权限，只能访问他们对应权限包含的数据。只有合法请求才能够访问数据，而敏感的数据需要更高的权限和更严密的验证才可以被访问。只向具有特定安全级别的用户开放。应该对用户和数据本身设置访问级别，管理账户时，应与人力资源部和采购部紧密互动，这一点非常重要，因为这样可以及时地使离职员工和停止合作的供应商不再拥有访问权限。处理好这些细节以及确保数据所有权和责任，这是构成完整的数据治理策略的一部分。

数据的使用/共享/分析

如何使用数据是数据治理之后一项重要的内容，数据可能会用于客户管理，提高客户体验，投放定向广告，用户应用系统初始化基础数据工作，辅助应用系统建设，提供市场分析和关联公司共享数据。必须仔细界定哪些数据可用于共享或者用于营销，并保护它们免遭攻击和泄露，因为数据本来就应该被用于纯粹的内部用途。让用户知悉采集数据的所有公司都会遵守数据安全和保证的规定。能够确保数据被合理合规的使用，也是数据治理重要的一项内容。

收集、验证、存储、访问和使用都是数据安全计划的必要组成部分

收集、验证、存储、访问和使用都是数据安全计划的必要组成部分，必须要有一个全面的策略来解决这些问题以及其他安全问题。数据安全计划必须是有效且可用性高，但是数据生命周期的所有部分都很容易受到攻击和由于粗心造成的破坏。你必须在数据治理中确定数据安全计划，包括访问控制，静态数据，数据加工，数据传输之后的加密等。

管理/元数据

没有管理的数据生命周期是不完整的。例如，将元数据应用于一段数据，用来进行识别检索。元数据包含数据的来源，采集或生成的日期，信息访问的级别，语义分类及其他企业所必须的信息。数据治理能建立一个元数据词汇表，界定数据的有效期。请注意数据也会过期，过期之后我们只能用于 历史 数据的分析。

数据治理创建的过程中可能会在企业内部遭到一些阻力，比如有的人会害怕失去访问数据的权限，而有些人也不愿意和竞争者共享数据。数据治理政策需要解决上述问题，让各方面的人都可接受。习惯了数据筒仓环境的公司，在适应新的数据治理策略上面会有困难，但如今对大型数据集的依赖以及随之而来的诸多安全问题，使创建和实施覆盖全公司的数据策略成为一种必然。

数据日益成为企业基础设施的一部分，在企业一步步处理各种特定情况的过程中形成决策。它以一次性的方式作出，常常是对某一特定问题的回应。因此，企业处理数据的方法会因为不同部门而改变，甚至会因为部门内部的不同情况而改变。即使每个部门已经有一套合理的数据处理方案，但这些方案可能彼此冲突，企业将不得不想办法协调。弄清数据存储的要求和需求是一件难事，如果做得不好，就无法发挥数据在营销和客户维系方面的潜力，而如果发生数据泄露，你还要承担法律责任。

另外在大企业内部，部门之间会展开对数据资源的争夺，各部门只关注自身的业务情况，缺乏全局观念，很难在没有调解的情况下达成妥协。

因此公司需要一个类似数据治理委员会的机构，他的职责是执行现有数据策略、挖掘未被满足的需求以及潜在安全问题等，创建数据治理策略，使数据的采集、管护、储存、访问以及使用策略均实现标准化，同时还会考虑各个部门和岗位的不同需求。平衡不同部门之间存在冲突的需求，在安全性与访问需求之间进行协调，确保最高效、最安全的数据管理策略。

建立数据治理委员会

负责评估各个数据用户的需求，建立覆盖全公司的数据管理策略，满足内部用户、外部用户甚至法律方面的各种需求。该委员会的成员应该囊括各个业务领域的利益相关者，确保各方需求都得到较好地满足，所有类型的数据所有权均得到体现。委员会也需要有数据安全专家，数据安全也是重要的一环。了解数据治理委员会的目标是什么，这一点很重要，因此，应该思考企业需要数据治理策略的原因，并清楚地加以说明。

制定数据治理的框架

这个框架要将企业内部、外部、甚至是法律层面的数据需求都纳入其中。框架内的各个部分要能够融合成一个整体，满足收集、清洗、存储、检索和安全要求。为此，企业必须清楚说明其端到端数据策略，以便设计一个能够满足所有需求和必要操作的框架。

有计划地把各个部分结合起来，彼此支持，这有很多好处，比如在高度安全的环境中执行检索要求。合规性也需要专门的设计，成为框架的一部分，这样就可以追踪和报告监管问题。这个框架还包括日常记录和其他安全措施，能够对攻击发出早期预警。在使用数据前，对其进行验证，这也是框架的一部分。数据治理委员会应该了解框架的每个部分，明确其用途，以及它如何在数据的整个生命周期中发挥作用。

数据测试策略

通常一个数据策略需要在小规模的商用环境中进行测试，用来发现数据策略在框架，结构和计划上的不足之处并进行调整，之后才能够投入正式使用。

数据治理策略要与时俱进

随着数据治理策略延伸到新的业务领域，肯定需要对策略进行调整。而且，随着技术的发展，数据策略也应该发展，与安全形势、数据分析方法以及数据管理工具等保持同步。

明确什么是成功的数据策略

我们需要确立衡量数据治理是否成功的明确标准，以便衡量进展。制定数据管理目标，有助于确定成功的重要指标，进而确保数据治理策略的方向是符合企业需求。

无论企业大小，在使用数据上都面临相似的数据挑战。企业越大，数据越多，而数据越多，越发需要制定一个有效的，正式的数据治理策略。规模较小的企业也许只需要非正式的数据治理策略就足够了，但这只限于那些规模很小且对数据依赖度很低的公司。即便是非正式的数据治理计划也需要尽可能考虑数据用户和员工数据的采集、验证、访问、存储。

当企业规模扩大，数据需求跨越多个部门时，当数据系统和数据集太大，难以驾驭时，当业务发展需要企业级的策略时，或者当法律或监管提出需求时，就必须制定更为正式的数据治理策略。