我们一直在探索大数据的意义。创造价值，来自数据的价值，使得大数据越来越被接受和认可，并且越来越多的企业开始更加重视大数据。

大数据时代，数据的价值是不受限制和无法估量的。对企业来说，大数据可以应用到精准运营，有效管理和全面监控。在大数据时代，数据是一个不会枯竭的资产，有效的利用数据资产进行决策，将是大数据价值的起点。

既然大数据的目的是为了创造价值，那么今天我们就来讨论一下如何创造价值。

在深入这个问题之前，我们需要探讨的是大数据的落点——如何去使用这些数据？我们需要一个平台，一个工具，去实现数据可视化。商务智能（BI）就是这样的一个工具，大数据平台搭建的关键点。

商务智能的概念大家都非常熟悉了。有人把商务智能比作为烹饪，需要准备食材、除污、加工、制作之后才能完成；还有人把商务智能比作为就诊，要做到观察、发现疾病，分析、对症下药、观察、治愈和预防。

但是，真正的商务智能工具需要具备交互、洞察和简单易用的特点。这就催生了敏捷型的商务智能平台，他们具有高效、便捷和深度洞察的能力。

有了数据资源、有了平台工具，怎么把平台和工具用起来？有人提问：是不是只有数据分析师才能使用这个工具？想成为数据分析师是不是很困难？

开始着手数据分析并不难，只要掌握了基本的数据治理方法，我们就可以进入数据分析的行列了。结合实际工作，总结出了一套数据分析方法论，让我们在处理数据的时候有据可循。

想做数据分析，我们首先先要了解数据。了解了数据，那要分析了，怎么分析？数据分析的步骤怎么做？知道该怎么分析了，数据重复、缺失、错误、不可用和不一致的时候又该怎么办？数据干净了，知道怎么进行分析，知道怎么处理数据，万事具备，只欠分析了，摩拳擦掌终于要开始了。怎么开始？

这些问题，我们的数据分析方法论里面会一一解答。

了解数据，是展开数据分析工作的必要条件。

方法论中，会简单的把数据分成两种：维度和度量。所谓分析，就是维度和度量的组合，以及对比和细分。举个栗子，解释维度和度量。有这么一批数据：“订单ID”、“用户ID”、“地区”、“年龄”、“订单金额”、“订单商品”、“订单时间”。它们可以分成两种：一种是具体的计算用的量化数值叫度量，另一种是描述事物的各种属性的信息叫维度。

有一点需要格外注意，维度和度量是可以转换的。比如要看“年龄”的平均数，这里的“年龄”就是度量，要看19岁用户的订单情况，这里的“年龄”就是维度。对于一个数据项而言，到底它是维度还是度量，是根据用户的需求而定的。像极了量子效应：状态只有需求确定后才会随之确定。

但是维度和度量又是善变的，维度和度量可以组合加工衍生出新的维度或者度量。这个就是对数据的一个基础分类：维度和度量。

怎么分析？做判断用对比，找原因用细分。下面我们开始做分析了。怎么分析？简单的来说，就是：做判断用对比，找原因用细分。

下面细说一下对比和细分。怎么个对比法呢？横向和纵向。什么叫横向？例如，今年和去年的销售额的对比。什么叫纵向？自己和别人做对比。那么又怎么细分呢？聚焦和关联聚焦。举个大栗子：今年利润下降了，老板很生气，下令查找原因，缉拿“嫌犯”。原因怎么找呢？注意是找原因，不是找理由。

很多人往往不知道如何查找原因，最后给出的都是理由。那么，我们先看一个示例的原因结论是什么——“因为四季度华南区域洗衣机的销量下降了，导致了今年利润的下降”。让我们分析一下这个原因有什么特点。我们会发现，这个原因是由时间、区域、产品这三个维度和销量这一个度量组成的。于是我们可以知道，对于问题原因的查找定位，本质上就是在回答哪些维度下的哪些度量的下降或上升，导致了问题的发生。这就是在做细分。细分的过程我们会不断用到聚焦和关联聚焦。

大家要注意的是细分无止境，细到什么地步才够呢？答案是，到可操作的区间才够。数据分析的方法就是对比和细分。那么，我们要怎么开始对比和细分呢？

那么，数据分析的步骤是这样的：确定目标->分解指标->数据模型->制作报告->其他功能。

第一步：确定目标。我们是增加销量，提高用户活跃度，还是提高工作效率，减少成本?我们要达到什么效果？

第二步：分解指标。找找哪些指标才能达到上述的目的？客流量、进店率、下单率、复购率？这些够吗？不够咱们继续加。指标以解决问题为准。

第三步：数据建模。找到完成上述指标所需要的数据，细化字段，如用户名、销量、利润等。这个时候就要用到我们上面讲过的怎么分析了，对比，细分，再对比，再细分，直到满意为止。

第四部，制作报告。根据数据模型，完成数据分析报告。丑媳妇要见公婆了，怎么也得打扮一下嘛。这个时候用什么方式展现呢？柱图看排名，线图看趋势，饼图、环形图看局部占整体比例。还有气泡、词云看集中度，散点看多个实体的分布，组织图看流向，雷达图看多指标综合性… …

这么做就是为了一目了然地看清数据而服务。放什么内容，就是见仁见智了。但是，其基本原则是：根据业务场景和故事，从维度与指标组合的矩阵中选择。

现在，我们确定了目标，分解出了指标，构建了模型，用合适的图表展示了数据。那么，最后的那个其他功能是做什么的呢？作为一个大数据分析平台，权限要有保障，性能要有保证，集成要多一些，报告要把把关。总的来说就是两个字：管、控！

了解了数据和怎么分析，现在终于可以开始分析了，突然发现数据出现一堆问题，例如不能用，数据重复、缺失、错误、不可用和不一致。怎么办？就得靠下面的数据治理方法论来整治一下了。

数据分析时，数据治理是必不可少的环节。只有正确的数据，才能指导我们做出正确的决策。大家还记得数据建模时表关联吗？

1）如果数据源中用户ID存在不一致的时候，结果还对吗？

2）如果用户年龄为999，该怎么办？

3）产品类型很多，如苹果、APPLE、IPHON但很乱怎么办？

4）一条记录存在多行，怎么办？

5）关键数据缺失，该怎么办？如地域缺失。

这些问题都在考验我们。怎么办？我们先来说说，数据要处理成什么样才能分析。结构化、规范化和可关联，符合了这三个标准就可以开始分析了。那怎么做到符合这些规则呢？规矩来了。

第一步，约束输入。你永远不知道用户会输入什么？

第二步，规范输出。老板看不同人的报表，同一个“用户流失率”，每张图表中名称、值都不一样？

第三步，统一建设。信息化的发展，业务系统越来越多，但同一个“产品名称”，不同业务系统也不尽相同。

数据终于干净了，知道了怎么进行分析和治理数据了。万事具备，只欠分析了。怎么开始分析？指标！

搭建数据分析指标模型，一步步细化分析需求。跟着目标，需要哪些指标来监控或分析能达成目标呢？比如利润，相关指标就是收入和成本。当然，这样的指标太粗线条了，包括收入有哪几类，成本有哪几类，都应该考虑进去。

比如，零售行业的销售额可以分解为客流量、进店率、购买率、客单价和复购率等。所以，分解的方式有很多种，需要遵循MECE原则（完全穷举，相互独立）。又比如零售行业的经营、库存计划进度都可以作为一个分析切入点。每个切入点又都有各个阶段的目的，然后依照目的逐级细化指标。

这个是零售行业经营分析的指标：

这是零售行业库存分析的指标：

这个零售行业经营计划进度分析的指标：

以上的种种分析，都是从每个切入的主题，不断细化下去的。

做好了指标体系模型，终于可以做报告了。

不同的图、表、筛选条件共同定义了我们的数据洞察。他们的组合体现了我们的认知。咱们来看几张报告的样子。图、表、筛选、预警；占比、趋势、对比等还有很多。

报告的样式是我们智慧的展示，做的美一些，肯定会更好。做了不好看，会被说审美有问题的。如何做一个美的冒泡的报告？这里有几个简单的原则。对齐、等距、统一风格主题、增加报告标题、铺满整个屏幕。

以上是样式上的原则，下面还有内容上的原则：按照业务逻辑组织图表，相关主题的图表放到同一个页面上；将报告划分层次，将汇总性的指标和细节性的指标区分开，分别制作不同的Dashboard，之间用（带参数的）超链接进行关联。

按照上面的方法，就可以开启我们的数据分析了。数据分析大师不是一蹴而就的，掌握了数据分析方法论，是做数据分析的开始。和大家共勉，一起在这个大数据时代，抓住数据的价值。