|
大家好，我是“BI大表哥”，一个在某“中国第一，世界第二”的500强家电制造行业，深耕数据分析多年的80后从业者。
这两天北京迎来了今冬的首场大雪，这场大雪来的恰如其分，瞬间感觉世界都变得柔软了。这么美妙的场景，怎能少的了铜锅涮肉？昨晚跟好友小聚，聊天，小酌，吃的不亦乐乎。从言谈话语间，我发现大家都比较善于记录生活或工作的点滴，时不时的看看走过的路，很有意义。
回去躺在床上，想过去，看今朝，我此起彼伏。于是乎我冒出个想法，我想写本书，可我们村头儿的厕所并不缺纸……所以我决定开设个属于自己的新媒体账号，没错，就是你现在看到的这个。我决定把我最擅长的部分，也就是在数据分析岗位的多年历程及经验记录下来，给大家分享数据技术相关内容的同时，也是给自己历程做个回顾和记录。
所以“BI大表哥”，就这么诞生了。 （今冬孤品—纯手签签名+自画像） 你对数据分析的价值是如何理解的？
我既然是在制造业数据分析岗位多年的从业者，那么我当然要和大家沟通并探讨关于数据分析的一切。在我的理解看来，LinkedIn的前数据科学家Monica Rogati的话我很认同——“数据分析岗位的人，都是一半黑客，一半分析师，用数据来做产品和营销，提出新的见解”。我发自内心的觉得这是个非常性感的职业。在深耕数据分析岗位多年的经历，让我深刻理解到制造业企业运营的核心命题——如何高效盈利。穿梭于各式各样的数据表格与分析工具之间，我见证了一个不变的真理——我们的产品需要找到合适的买家，更关键的是构建起持续且增长的采购关系。而触达这个关键目标的核心触手之一，正是数据分析。
路漫漫其修远兮 从数据分析的早期时代，我与Excel不解之缘开始了。那些青涩的日子里，我依靠着复杂的公式与图表，试图捕捉市场的微妙变动。由于经常跟公式和图表接触，因此我得到了“大表哥”的昵称……随着时间的推移，我开始和开发团队紧密合作，通过定制代码解锁数据分析的新维度，尽管这意味着面对更加复杂的挑战。
随后，我转向了成熟的商业智能工具，如BIEE，它们以图形化界面和强大的数据处理能力，大幅提高了分析的效率与深度。在企业漫长的数字化转型之旅中，我的工具箱也随着经历了一次又一次的转型。虽然回头看，和之前的Excel模式相比，有了不小的突破性。但不知道为什么，在信息科技高速迭代的时代里，我也翻看过不少国外的数据分析教程和软件，但回到自己身上，我始终有种微微固步自封的感觉，似乎没有真正的和信息时代正式接轨。
Excel :"You excel me"!（Excel：“你超过了我！”） 其实Excel，大家都知道，是一款简单的数据处理软件，也是有着数据汇总和分析的能力，并且也有着自己独特的优势和受众群体。但随着大数据时代的发展，企业的数据越来越多，市场也越来越激烈，那么对数据的挖掘和数据的分析，就有了更高的诉求。因此就需要有更加高效的数据处理软件来完成这些工作。在国家大力提倡自主创新科技的时代，我也亲身感受到了中国在技术创新方面的巨大进步，原来它其实离我们很近，并且已经开始影响我们的方方面面。而真正让我在数据分析领域觉得一瞬千里的，恰恰是我们的国产BI。 （Excel :”You excel me”!） 外国的月亮不一定圆，自己的平台却一定香 因为身处家电制造业，并且我司也一直秉持着“技术立企”的文化，所以我深知自主研发和创新的重要性，尤其是实现数据安全和技术自主的高度保障，而海外BI软件的功能可能无法完全符合客户的本土化需求。所以我们在替代国外知名商业智能产品上，也是一个艰巨的任务。
海外BI软件除了数据安全方面很难保障，并且其功能可能无法完全符合客户的本土化需求。而此时国产BI工具就以其出色的适配性和性价比脱颖而出。相比于外国的商业智能工具，中国国产的BI工具不仅具备同样的功能和性能，而且更加符合国人的使用习惯。（直到现在我还记得当初“水果”手机连接电脑需要有个叫“itunes”的软件才可以，而且贼难用，非常不适合国人的使用习惯）。同时国产BI价格也相对实惠，这对于中小型企业来说尤其重要，因为他们可以以较低的成本获得高质量的数据分析支持，从而在市场竞争中占据更有利的地位。如果让我回顾国产化替代的核心关键，就六个字……
一
站
式
+ 高
性
能 一站式平台是纯BS架构，一个平台即包含了所有功能，同时高性能计算引擎可支撑亿级数据秒级响应，在平台性和大数据场景下会有着非常明显优势。我也是在综合对比好多之后，才决定向上汇报，完成公司BI平台的国产化替代，最终采购了某洪平台的数据应用产品。对于牵头儿完成国产化替代这件事儿，无论对公司还是我个人来说，我都认为是个里程碑的事件。 既然制造业企业运营的核心命题是如何高效盈利，那么这第一篇，我们就先来聊聊怎么用国产BI来解决精准营销的问题吧！
下面我们来聊点儿干货
精准营销的第一步就是客户管理分析，而在众多的客户关系管理分析模式中，应用最广泛的就是RFM模型，它可以通过一个客户的近期购买行为、购买的频率以及花了多少钱三项指标来描述客户的价值情况。RFM模型用户分群是介于千人千面的个性化运营和未加区分粗放式运营的一种折中方式。相比于千人千面的个性化运营，基于RFM用户价值分群实现简单、开发周期短，更能从整体层面判断用户的价值。 在BI这部分，RFM的统计分析，总共分为4个步骤：也就是对比、平均、对比、分类。根据指标的价值结合业务实际情况进行打分，然后计算出平均值，根据平均值进行对比打上高或者低的标签，最后根据对比的结果，将客户分成8个类型。
我们来看下面这个业务场景： 通过销售分析看板可以看到，2018年的整体总销售金额相比2017年下降17%，我们需要分析出来销售额下降的原因，并进行整改。
通过销售订单趋势分析，我们可以看到，销售订单整体是呈下降趋势的，也就是说客户流失情况严重，我们来对客户分布情况进行分析。
首先，我们的数据只需要4列，ID，最近下单时间，一段时间内的购买单数，以及一段时间内的下单金额。
我们按每个月分析RFM，那首先需要计算出来最近一次消费时间到月底的天数，使用计算列来进行计算：
然后我们就可以进行RFM的第一个步骤了，【打分】：
if col['消费天数']<=6 then 5 elseif (col['消费天数']>6 && col['消费天数']<=12) then 4 elseif (col['消费天数']>12 && col['消费天数']<=18) then 3 elseif (col['消费天数']>18 && col['消费天数']<=24) then 2 elseif (col['消费天数']>24 && col['消费天数']<=31) then 1 end
if col['过去3个月的消费次数']<=2 then 1 elseif col['过去3个月的消费次数']>2 && col['过去3个月的消费次数']<=4 then 2 elseif col['过去3个月的消费次数']>4 && col['过去3个月的消费次数']<=6 then 3 elseif col['过去3个月的消费次数']>6 && col['过去3个月的消费次数']<=8 then 4 elseif col['过去3个月的消费次数']>8 && col['过去3个月的消费次数']<=10 then 5 end
if col['过去3个月的消费金额']<=300 then 1 elseif col['过去3个月的消费金额']>300 && col['过去3个月的消费金额']<=600 then 2 elseif col['过去3个月的消费金额']>600 && col['过去3个月的消费金额']<=900 then 3 elseif col['过去3个月的消费金额']>900 && col['过去3个月的消费金额']<=1200 then 4 elseif col['过去3个月的消费金额']>1200 && col['过去3个月的消费金额']<=1500 then 5 end
根据业务情况，进行打分后，进行第二步，【平均】 这一步，我们在制作报表页面中进行，新建一个表格，然后绑定R、F、M字段，并设置为平均
通过脚本，获取表格里面动态计算的值，并赋值给参数param["avgR"]、param["avgF"]、param["avgM"]
var a=getData("表5", DATA); param["avgR"]=a.get(1,1) param["avgF"]=a. get(1,2) param["avgM"]=a.get(1,3) 然后我们再回到数据集的位置，新建计算列，完成第三步【对比】以及第四步【分类】的操作，参数值从页面传递到数据集的计算列中，动态生成客户分类。
if col['R']>param["avgR"] && col['F']>param["avgF"] && col['M']>param["avgM"] then "重要价值客户" elseif col['R']>param["avgR"] && col['F']<param["avgF"] && col['M']>param["avgM"] then "重要发展客户" elseIf col['R']<param["avgR"] && col['F']>param["avgF"] && col['M']>param["avgM"] then "重要保持客户" elseIf col['R']<param["avgR"] && col['F']<param["avgF"] && col['M']>param["avgM"] then "重要挽留客户" elseIf col['R']>param["avgR"] && col['F']>param["avgF"] && col['M']<param["avgM"] then "一般价值客户" elseIf col['R']>param["avgR"] && col['F']<param["avgF"] && col['M']<param["avgM"] then "一般发展客户" elseIf col['R']<param["avgR"] && col['F']>param["avgF"] && col['M']<param["avgM"] then "一般保持客户" elseIf col['R']<param["avgR"] && col['F']<param["avgF"] && col['M']<param["avgM"] then "一般挽留客户" end
到这里，我们的RFM数据处理工作就完成了，然后使用数据可以做出RFM价值看板。
并根据不同的客户分类我们可以构建客户分层画像，从而了解不同类别客户的下单习惯实现精准营销，比如关注的产品类型，下单渠道，或者一周的访问量、下单量等等。
通过RFM模型，我们可以识别出更高价值的客户，也可以更加合理安排企业的主要精力，更加有效的进行客户精准营销，避免资源的浪费。 可以看到，国产BI是真的可以帮我快速解决问题，相比之前提了需求，等开发，开发完了再测试，除了问题再调整，整体的工作效率都提升了几百倍，整体的操作都是可视化的，可以支持直连数据库，也可以支持数据处理，制作报告也非常易上手，只需要拖拉拽就可以，需要什么配色，点几下直接就调整完了。这就是一站式+高性能国产BI的优势。
但同时我要强调的是，BI工具只是帮助我们处理数据和提供洞察的工具，关键还在于如何将这些洞察转化为实际行动，从而推动企业盈利。数据分析的价值在于帮助我们更好地了解市场和客户需求，以制定精准的营销策略。在未来，我仍将继续探索，并不定期与大家分享关于数据分析的各项内容，同时记录自己的在数据分析道路上的每一个点滴，因为我相信每一个数据点，都是通向成功的踏脚石。
| 
