業務數據觀測指標怎麼做

『壹』 銷售數據分析方法有哪些

1、對比分析：通過多種產品數據進行對比分析，這樣可以實現產品功能的好壞分析。

2、多維度拆解：用不同的視角去拆分、觀察同一個數據指標。分析流程為啟動事件分析、分析完成之後的結果、多維度拆分小結。

3、漏斗觀察：就是一連串想後影響的用戶行為。一個個行為構成，是前一步對後一步是有影響的。

4、評估渠道質量並確定投放優先順序：評估產品各渠道營銷情況，決定渠道投放的優先順序。

5、分布情況分析方法：是在一個事件不僅僅只有累計數量這么一個可以觀察的指標，還可以觀察這個事件在不同維度的分布來觀察。

6、用戶留存的分析方法：分析產品用戶數據，看看用戶是否可以發展為長期用戶。

『貳』 企業經營中的八個數據指標

數據的准確性

數據的准確性(Accuracy)是指數據的採集值或者觀測值與真實值之間的接近程度，也叫誤差值，誤差值越大，數據的准確度越低。數據的准確性由數據的採集方法決定的。

數據的精確性

數據的精確性(Precision)是指對同一對象在重復測量時所得到的不同觀測數據之間的接近程度。精確性，也叫精準性，它與數據採集的精度有關系。精度越高，要求數據採集的粒度越細，誤差的容忍程度也越低。

例如在測量人的身高時，可以精確到厘米，多次測量結果之間的誤差只會在厘米級別;在測量北京到上海的距離時，可以精確到千米，多次測量結果之間的誤差會在千米級別;用游標卡尺測量一個零件的厚度時，可以精確到 1/50 毫米，多次測量結果之間的誤差也只會在 1/50 毫米級別。因此，可以說採用的測量方法和手段直接影響著數據的精確性。

數據的真實性

數據的真實性，也叫數據的正確性(Rightness)。數據的正確性取決於數據採集過程的可控程度。數據採集過程可控程度高，可追溯情況好，數據的真實性就容易得到保證，而可控程度低或者無法追溯，則數據的真實性就難以得到保證。

為了提高數據的真實性，採用無人進行過程干涉的智能終端直接採集數據，能夠更好地保證所採集的數據的真實性，減少人為干預，減少數據造假，從而讓數據更加准確地反映客觀事物。

數據的及時性

數據的及時性(In-time)是指能否在需要的時候獲到數據。例如企業在月初會對上個月的經營和管理數據進行統計和匯總，此時的數據及時性是指這些數據能否及時處理完成，財務能否在月度關賬後及時核算。數據的及時性是數據分析和挖掘及時性的保障。如果企業的財務核算流程復雜，核算速度緩慢，上個月的數據在本月月中才能統計匯總完成，那麼等需要調整財務策略的時候，已經到月底了，一個月已經快過完了。特別是當企業做大了之後，業務覆蓋多個市場、多個國家，如果數據不能及時匯總，則會影響到高層決策的及時性。數據的及時性與企業的數據處理速度及效率有直接的關系，為了提高數據的及時性，越來越多的企業採用管理信息系統，並在管理信息系統中附加各種自動數據處理功能，在數據上傳到系統中之後自動完成絕大部分報表，從而提高了數據處理的效率。使用計算機自動處理中間層數據是提高企業數據處理效率的有效手段。

企業除要保證數據採集的及時性和數據處理的效率外，還需要從制度和流程上保證數據傳輸的及時性。數據報表製作完成後，要及時或者在要求的時間范圍內發送到指定的部門，或者上傳到指定的存儲空間中。

數據的即時性

數據的即時性包括數據採集的時間節點和數據傳輸的時間節點，在數據源頭採集數據後立即存儲並立即加工呈現，就是即時數據，而經過一段時間之後再傳輸到信息系統中，則數據的即時性就稍差。例如一個生產設備的儀表即時地反映了設備的溫度、電壓、電流、氣壓等數據，這些數據生成數據流，隨時監控設備的運行狀況，這個數據可以看作即時數據。而

當將設備的即時運行數據存儲下來，用來分析設備的運行狀況與設備壽命的關系時，這些數據就成了歷史數據。

數據的完整性

數據的完整性是指數據採集的程度，即應採集的數據和實際採集到的數據之間的比例。例如在採集員工信息數據時，要求員工填寫姓名、出生日期、性別、民族、籍貫、身高、血型、婚姻狀況、最高學歷、最高學歷專業、最高學歷畢業院校、最高學歷畢業時間共 12 項信息，而某個員工僅僅填寫了部分信息，例如只填寫了其中的 6 項，則該員工所填寫數據的完整性只有一半。

一家企業中的數據的完整性體現著這家企業對數據的重視程度。要求採集的數據在實際中並未完整採集，這就是不完整的數據，這往往是企業對數據採集質量要求不到位導致的。

另外，對於動態數據，可以從時間軸去衡量數據的完整性。比如，企業要求每小時採集一次數據，每天應該形成 24 個數據點，記錄為 24 條數據，但是如果只記錄了 20 條數據，那麼這個數據也是不完整的。

數據的全面性

數據的全面性和完整性不同，完整性衡量的是應採集的數據和實際採集到的數據之間的比例。而數據全面性指的是數據採集點的遺漏情況。例如，我們要採集員工行為數據，而實際中只採集了員工上班打卡和下班打卡的數據，上班時間員工的行為數據並未採集，或者沒有找到合適的方法來採集，那麼這個數據集就是不全面的。

再例如，我們記錄一個客戶的交易數據，如果只採集了訂單中的產品、訂單中產品的價格和數量，而沒有採集客戶的收貨地址、采購時間，則這個數據採集就是不全面的。

騰訊 QQ 和微信的用戶數據記錄了客戶的交流溝通數據;阿里巴巴和京東的用戶數據記錄了用戶的交易數據;網路地圖記錄了用戶的`出行數據;大眾點評和美團記錄了客戶的餐飲娛樂數據。對全面描述一個人的生活來說，這些公司的數據都是不全面的，而如果把他們的數據整合起來，則會形成更加全面的數據。所以說，數據的全面性是一個相對的概念。過度追求數據的全面性是不現實的。

數據的關聯性

數據的關聯性是指各個數據集之間的關聯關系。例如員工的工資數據和績效考核數據是通過員工關聯在一起來的，而且績效數據直接關繫到工資數據。采購訂單數據與生產訂單數據之間通過物料的追溯機制進行關聯，而生產訂單又是由員工完成的，即通過員工作業數據與員工信息數據關聯起來的。

本書探討的企業經營數據，每個數據集都是相互關聯的，有的是直接關聯的，如員工工資數據和員工績效數據;有的是間接關聯的，如物料采購訂單數據與員工工資數據。這些數據是由公司的資源，包括人、財、物和信息等關聯起來的。如果有任何的數據集不能關聯到其他的數據集，就會存在數據割裂或者數據孤島。數據割裂和數據孤

『叄』 數據質量與數據質量八個維度指標

數據質量與數據質量八個維度指標

數據的質量直接影響著數據的價值，並且直接影響著數據分析的結果以及我們以此做出的決策的質量。質量不高的數據不僅僅是數據本身的問題，還會影響著企業經營管理決策；錯誤的數據還不如沒有數據，因為沒有數據時，我們還會基於經驗和基於常識的判斷來做出不見得是錯誤的決策，而錯誤的數據會引導我們做出錯誤的決策。因此數據質量是企業經營管理數據治理的關鍵所在。

數據的質量可以從八個方面進行衡量，每個維度都從一個側面來反映數據的品相。八個維度分別是：准確性、真實性、完整性、全面性、及時性、即時性、精確性和關聯性。

我們在比較兩個數據集的品相的時候往往採用這種圖形表示。比如說，常規來講內部數據採集的准確性、真實性、完整性高，而全面性、及時性、即時性、精確性和關聯性方面取決於企業內部對數據的重視程度以及採用的技術手段的先進性有關；外部數據集，比如說微博數據、互聯網媒體數據等，其全面性、及時性和即時性都可以通過技術手段，如網路爬蟲等得到提高，但在准確性、真實性、精確性上難以保證，也難以控制，在關聯性方面取決於數據採集和挖掘的相關技術。

我們也可以用這個模型來衡量公司內部各個職能部門數據的品相。下圖是個示意，通過數據質量8大指標的評價，我們可以對企業內部數據治理有針對性地採取措施去提高企業的數據質量。

數據的准確性

數據的准確性（Accuracy）是指數據採集值或者觀測值和真實值之間的接近程度，也叫做誤差值，誤差越大，准確度越低。數據的准確性由數據的採集方法決定的。

數據的精確性

數據的精確性（Precision）是指對同一對象的觀測數據在重復測量時所得到不同數據間的接近程度。精確性，也可以叫精準性。精確性與我們數據採集的精度有關系。精度高，要求數據採集的粒度越細，誤差的容忍程度越低。

測量人的身高，我們可以精確到厘米，多次測量差異只會在厘米級別；測量北京到上海的距離，我們精確到公里，多次測量結果間的差異會在公里級別；採用游標卡尺測量一個零件的厚度，可以精確到1/50毫米，多次測量的結果間的誤差也只會在1/50毫米間。採用的測量方法和手段直接影響著數據的精確性。

數據的真實性

數據的真實性，也叫數據的正確性（Rightness）。數據的正確性取決於數據採集過程的可控程度，可控程度高，可追溯情況好，數據的真實性容易得到保障，而可控程度低或者無法追溯，數據造假後無法追溯，則真實性難以保證。

為了提高數據的真實性，採用無人進行過程干涉的智能終端直接採集數據，能夠更好地保證所採集數據的真實性，減少人為干預，減少數據造假，從而讓數據更加正確地反應客觀事物。

數據的及時性

數據的及時性（In-time）就是數據能否在需要的時候得到保證。我們月初會對上個月的經營和管理數據進行統計匯總，這些數據能否及時處理完成，財務能否在月度關賬後及時核算。數據的及時性是我們數據分析和挖掘及時性的保障。如果公司的財務核算復雜，核算速度緩慢，上個月的數據在月中才能統計匯總完成，等需要調整財務策略的時候，已經到了月底了，一個月已經快過完了。特別是公司做大了之後，業務覆蓋多個市場、多個國家，數據不能及時匯總，會影響到高層決策的及時程度。

數據的及時性與企業數據處理的速度和效率有直接的關系，為了提高數據的及時性，越來越多的公司採用管理信息系統，並在管理信息系統中附加各種自動數據處理功能，能夠在數據上傳系統之後自動完成絕大部分報表，從而保證數據處理的效率。計算機自動處理中間層數據是提高企業數據處理效率的有效手段。

除了保證數據採集的及時性和數據處理的效率問題外，還需要從制度和流程上保證數據傳輸的及時性。數據報表完成了，要及時或者在要求的時間范圍內發送到指定的部門，或者上傳到指定的存儲空間。

數據的即時性

數據的即時性是指數據採集時間節點和數據傳輸的時間節點，一個數據在數據源頭採集後立即存儲，並立即加工呈現，就是即時數據，而經過一段時間之後再傳輸到信息系統中，則數據即時性就稍差。

微博的數據採集，當用戶發布了微博，數據立即能夠被抓取和加工，會生成即時微博數據報告，並隨著時間推移，數據不斷變化，我們可以稱作是即時採集和處理的。一個生產設備的儀表即時反應著設備的溫度、電壓、電流、氣壓等數據，這些數據生成數據流，隨時監控設備的運行狀況，這個數據可以看作是即時數據。而當設備的即時運行數據存儲下來，用來分析設備運行狀況與設備壽命的關系，這些數據就成為歷史數據。

數據的完整性

數據的完整性是從數據採集到的程度來衡量的，是應採集和實際採集到數據之間的比例。一條信息採集12個數據點，如我們採集員工信息數據的時候，要求填寫姓名、出生日期、性別、民族、籍貫、身高、血型、婚姻狀況、最高學歷、最高學歷專業、最高學歷畢業院校、最高學歷畢業時間等12項信息，而某一員工僅僅填寫了部分信息，如只填寫了其中的5項，則該員工所填寫數據的完整性只有一半。

一個公司數據的完整性體現著這個公司對數據的重視程度。要求採集數據而實際上並未完整採集，只採集了一部分，這就是不完整的，往往是公司對數據採集質量要求不到位導致的。公司要求每個人都填寫完整的個人信息表，而有部分員工拒絕填寫，公司2000員工，只有1200人填寫了完整的個人信息表，則這個數據集就是不完整的。

另外，對於動態數據，我們可以從時間軸上去衡量數據採集的完整性。比如，我們要求每小時採集一次數據，每天會形成24個數據點，記錄為24條數據，但是員工瀆職，只記錄了20次，那麼這個數據集也是不完整的。

數據的全面性

數據的全面性和完整性不同，完整性衡量的是應採集和實際採集的差異。而全面性指的是數據採集點的遺漏情況。比如說，我們要採集員工行為數據，我們只採集了員工上班打卡和下班打卡的數據，上班時間的員工行為數據並未採集，或者沒有找到合適的方法來採集。那麼，這個數據集就是不全面的。

我們描述一個產品的包裝，僅僅描述了產品包裝的正面和背面，沒有記錄產品包裝的側面，則就是不全面的。我們記錄一個客戶的交易數據，我們只採集了客戶訂單中的產品、訂單中產品的價格和數量，而沒有採集客戶送貨地址、采購時間，這個數據採集就是不全面的。

騰訊QQ和微信的用戶數據記錄了客戶交流溝通的數據；阿里和京東的用戶數據記錄了用戶的購買交易數據；網路地圖記錄了用戶出行的數據；大眾點評和美團記錄了客戶餐飲娛樂的數據。對於全面描述一個人的生活的衣食住行各方面，這些公司的數據都是不全面的，而如果把他們的數據整合起來，則會形成更加全面的數據。所以說，數據的全面性說一個相對的概念。過度追求數據的全面性說不現實的。

數據的關聯性

數據的關聯性是指各個數據集之間的關聯關系。比如員工工資數據和員工績效考核數據是通過員工這個資源關聯在一起來的，而且績效數據直接關繫到工資的多少。采購訂單數據與生產訂單數據之間通過物料的追溯機制進行關聯，而生產訂單又是由員工完成的，即通過員工作業數據與員工信息數據關聯起來。

其實，我們本書探討的企業大數據，每個數據集都是相關關聯的，有些是直接關聯的，比如員工工資數據和員工績效數據，有些是間接關聯的，比如說物料采購訂單數據與員工工資數據。這些數據的關聯關系是由公司的資源，包括人、財、物和信息等，連接起來的。如果有任何的數據集不能連接到其他的數據集，就會存在數據割裂或者數據孤島。數據割裂和數據孤島是企業數據關聯性不足導致的。而數據的關聯性直接影響到企業數據集的價值。

『肆』 業務異常數據應該如何分析

1.發現反常
就像你發現昨日數據跟往前不一樣，猛漲了仍是猛跌了，經過觀測數據發現反常。
2.確認問題
發現反常之後，咱們要確認這個反常是不是一個問題，有多嚴重，可以用對比剖析法從時間維度上進行周同比、月同比或者是年同比。
3.確認原因
用多維度拆解法，關於這個反常的目標從不同的維度去拆解，找出原因。
4.針對性解決問題
找到原因之後，便是針對性的解決問題了，根據問題的原因，動用公司的相關資源，去解決這個問題。
5.履行
最終便是履行解決方案，把這個反常數據真實的從反常到履行，完結一個閉環。

『伍』 簡述觀察指標選擇的基本要求和內容

觀察指標選擇的基本要求：
1、能具有達到預期目的的性能；
2、要能如實反映研究設計的目的；
3、能使觀察者從中獲得准確的結果和科學的判斷。
在選擇觀察項目過程中，應注意指標的：
1、客觀性，客觀指標多採用儀器、化驗等方法測量數據；
2、合理性，指所選指標能准確反映的內容，且具有特異性；
3、靈敏性，所選的指標其靈敏度應能反映出指標真正的效果；
4、關聯性；
5、穩定性和准確性；
6、注意可行性即應考慮所確定的指標能否達到，這與研究的儀器設備、經費、技術等方面是否充分和有無保證是非常密切相關的。

『陸』 如何將數據進行數據可視化展現

當前，許多企業已建立了自己的人力資源管理系統，也累積了相當的人力資源業務數據。然而，正如業內的那句老話「rich data, poor information」，以前累積的數據，並沒有很好的得到利用。原因是這些數據來源太廣，格式不統一，並且其中極少量的數據記錄格式不正確；同時，累計的數據量相當龐大，但許多細節對高層管理人員來說並不重要，他們需要快速、全面的掌握企業的人力資源全貌，綜合、全面、宏觀的信息支持，將是領導們關注的對象。

面對龐大復雜的員工管理數據，企業高管人員需要通過數據來了解他們的員工會做什麼？應該僱傭誰？應該晉升誰？誰是頂層員工？誰有可能離職？

在數據分析方面，藉助於DataViz自助式數據分析和可視化展現功能，深度挖掘人力資源數據，通過可視化動態交互探索數據規律。輔助企業高管更加直觀和高效地洞悉潛藏在數據背後的知識與智慧。

『柒』 【數據分析師必備】九大常用數據分析方法匯總（上）

定義： 描述性統計是一類統計方法的匯總，揭示了調查總體的數據分布特性。描述性統計分析要對調查總體所有變數的有關數據進行統計性描述，主要包括數據的頻數分析、集中趨勢分析、離散程度分析、分布以及一些基本的統計圖形。

應用：

①數據的頻數分析。在數據的預處理部分，利用頻數分析和交叉頻數分析可以檢驗異常值和缺失值。

②數據的集中趨勢分析。用來反映數據的一般水平，常用的指標有平均值、中位數和眾數等。

③數據的離散程度分析。主要是用來反映數據之間的差異程度，常用的指標有方差和標准差。

④數據的分布。在統計分析中，通常要假設樣本所屬總體的分布屬於正態分布，因此需要用偏度和峰度兩個指標來檢查樣本數據是否符合正態分布。

⑤繪制統計圖。用圖形的形式來表達數據，比用文字表達更清晰、更簡明。在SPSS軟體里，可以很容易地繪制各個變數的統計圖形，包括條形圖、餅圖和折線圖等。

定義： 回歸分析是確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法。回歸分析按照涉及的自變數的多少，分為回歸和多重回歸分析;按照自變數的多少，可分為一元回歸分析和多元回歸分析;按照自變數和因變數之間的關系類型，可分為線性回歸分析和非線性回歸分析。

應用：

如果在回歸分析中，只包括一個自變數X和一個因變數Y，且二者的關系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。一個經濟指標的數值往往受許多因素影響，若其中只有一個因素是主要的，起決定性作用，則可用一元線性回歸進行預測分析。一元線性回歸用途廣泛，可處理科學技術的實驗數據，也能用於經濟現象:統計數據的分析預測。

如果回歸分析中包括兩個或兩個以上的自變數，且因變數和自變數之間是線性關系，則稱為多元線性回歸分析。事實上，一種現象常常是與多個因素相聯系的，由多個自變數的最優組合共同來預測或估計因變數，比只用一個自變數進行預測或估計更有效，更符合實際。因此多元線性回歸比一元線性回歸的實用意義更大。

使用條件：分析多個自變數X與因變數Y的關系，X與Y都必須是連續型變數，因變數Y或其殘差必須服從正態分布。

線性回歸模型要求因變數是連續的正態分布變數，且自變數和因變數呈線性關系，而Logistic回歸模型對因變數的分布沒有要求，一般用於因變數是離散時的情況。常用於預測分類變數，其中主要是二分類變數。

例如，探討影響用戶復購的關鍵因素，並根據關鍵因素預測用戶復購行為發生的概率等。選擇兩組人群，一組是復購組，一組是非復購組，兩組人群必定具有不同的特徵與購買行為等。因此因變數就為是否復購，值為「是」或「否」，自變數就可以包括很多了，如年齡、性別、購買頻率、客單價、平均下單周期、購買品類佔比情況等。自變數既可以是連續的，也可以是分類的。然後通過logistic回歸分析，可以得到自變數的權重，從而可以大致了解到底哪些因素是產生復購行為的關鍵因素。同時可以根據關鍵因素預測用戶復購的的可能性。從而可以通過運營策略去加大復購的可能性，提升店鋪銷量。

④其他回歸方法：非線性回歸、有序回歸、Probit回歸、加權回歸等。

定義 ：方差分析用於兩個及兩個以上樣本均數差別的顯著性檢驗。 由於各種因素的影響，研究所得的數據呈現波動狀。造成波動的原因可分成兩類，一是不可控的隨機因素，另一是研究中施加的對結果形成影響的可控因素。方差分析是從觀測變數的方差入手，研究諸多控制變數中哪些變數是對觀測變數有顯著影響的變數。

使用條件：各樣本須是相互獨立的隨機樣本；各樣本來自正態分布總體；各總體方差相等。

例如，在飼料養雞增肥的研究中，某研究所提出的三種飼料配方A、B、C。應該選擇哪種飼料，對雞增肥效果好且便宜？目的是為了比較三種飼料配方下雞的平均重量是否相等。特選24隻相似的雛雞隨機均分為三組，每組各喂一種飼料，60天定期觀測它們的重量並記錄。得到三組雛雞重量數據，比較這三組數據之間是否存在顯著性差異。若相等，可任選一種飼料，特別是可以選廉價飼料；若不等，應選增肥效果好的飼料。同理，可運用到相似場景中。

應用 ：

單因素方差分析是用來研究一個控制變數的不同水平是否對觀測變數產生了顯著影響。這里，由於僅研究單個因素對觀測變數的影響，因此稱為單因素方差分析。

例如，分析不同施肥量是否給農作物產量帶來顯著影響，考察地區差異是否影響婦女的生育率，研究學歷對工資收入的影響等。這些問題都可以通過單因素方差分析得到答案。

多因素方差分析用來研究兩個及兩個以上控制變數是否對觀測變數產生顯著影響。這里，由於研究多個因素對觀測變數的影響，因此稱為多因素方差分析。多因素方差分析不僅能夠分析多個因素對觀測變數的獨立影響，更能夠分析多個控制因素的交互作用能否對觀測變數的分布產生顯著影響，進而最終找到利於觀測變數的最優組合。

例如，分析不同品種、不同施肥量對農作物產量的影響時，可將農作物產量作為觀測變數，品種和施肥量作為控制變數。利用多因素方差分析方法，研究不同品種、不同施肥量是如何影響農作物產量的，並進一步研究哪種品種與哪種水平的施肥量是提高農作物產量的最優組合。

通過上述的分析可以看到，不論是單因素方差分析還是多因素方差分析，控制因素都是可控的，其各個水平可以通過人為的努力得到控制和確定。但在許多實際問題中，有些控制因素很難人為控制，但它們的不同水平確實對觀測變數產生了較為顯著的影響。

例如，在研究農作物產量問題時，如果僅考察不同施肥量、品種對農作物產量的影響，不考慮不同地塊等因素而進行方差分析，顯然是不全面的。因為事實上有些地塊可能有利於農作物的生長，而另一些卻不利於農作物的生長。不考慮這些因素進行分析可能會導致：即使不同的施肥量、不同品種農作物產量沒有產生顯著影響，但分析的結論卻可能相反。這個時候就用到協方差分析。

定義： 假設檢驗(Hypothesis Testing)是數理統計學中根據一定假設條件由樣本推斷總體的一種方法。具體作法是:根據問題的需要對所研究的總體作某種假設，記作H0;選取合適的統計量，這個統計量的選取要使得在假設H0成立時，其分布為已知;由實測的樣本，計算出統計量的值，並根據預先給定的 顯著性水平進行檢驗 ，作出拒絕或接受假設H0的判斷。常用的假設檢驗方法有u-檢驗法、t檢驗法、χ2檢驗法(卡方檢驗)、F-檢驗法，秩和檢驗等。

應用：

參數檢驗對參數平均值、方差進行的統計檢驗，參數檢驗是推斷統計的重要組成部分。

非參數檢驗是統計分析方法的重要組成部分，它與參數檢驗共同構成統計推斷的基本內容。參數檢驗是在總體分布形式已知的情況下，對總體分布的參數如均值、方差等進行推斷的方法。但是，在數據分析過程中，由於種種原因，人們往往無法對總體分布形態作簡單假定，此時參數檢驗的方法就不再適用了。非參數檢驗正是一類基於這種考慮，在總體方差未知或知道甚少的情況下，利用樣本數據對總體分布形態等進行推斷的方法。由於非參數檢驗方法在推斷過程中不涉及有關總體分布的參數，因而得名為"非參數"檢驗。

非參數檢驗不考慮總體分布是否已知，常常也不是針對總體參數，而是針對總體的某些一般性假設（如總體分布的位罝是否相同，總體分布是否正態）進行檢驗。

主要方法包括：卡方檢驗、秩和檢驗、二項檢驗、遊程檢驗、K-量檢驗等。

歡迎前往關注數據寶典公眾號，更多數據分析知識分享，以及案例總結分享~~

在數據分析道路上，學無止境，終身成長。

『捌』 怎麼編制觀察指標

A、B、C、D等級，優、良、中、差，及格、不及格等，均屬於觀察指標。按照這樣既可。

論文寫作的重點、難點，其實是觀察指標的設計。論文需要對數據進行統計分析，這就要求我們學會設計觀察指標。

例如：

醫院採用的病人滿意度調查問卷，共有18條目，其中最後1條目為「您心中最優秀的責任護士是誰」，這是1條開放性問答，除去這一條目，其餘17項均為封閉型調查條目。

病人滿意度調查問卷，其實類屬於觀察指標，如要進行1-6月份病人滿意度具體情況與7-12月份病人滿意度具體情況，滿意率如何計算？

首先要了解滿意程度分級，如非常滿意、滿意、一般、不滿意四級。

一般而言，我們計算滿意率時，通常為：滿意率=（非常滿意+滿意）-（一般+不滿意）/總條目數×100%，如需對1-6月病人滿意度與7-12月病人滿意度進行比較，可以有多種比較方法，也可以採取（總滿意條目-總不滿意條目）/總條目×100%的計算方法。

在病人滿意度調查問卷裡面，觀察項即為問卷裡面的18條目，觀察指標則為觀察項目裡面的具體評價內容，如責任護士是否主動向您講解飲食指導？選項為：總是、經常、偶爾、從不。

『玖』 如何做數據分析

數據分析行業應用,一般數據來源：智能手機 感知裝置 物聯網 社群媒體等 雲計算存儲.cda官網有很多行業案例,比如
風能發電業務場景
風力發電機有一個葉片，時間長了就要換，否則不安全，過去這個葉片一般10年換一次，因為沒辦法知道具體產品的使用情況，只能根據以往葉片老化的情況來估算。但這家公司在葉片上裝了感測器，就能檢測每個葉片的具體使用情況了，風大的地方，葉片老化快，可能8年就要換，風力均勻的地方，有些葉片可能用15年，這樣就能節省資本更新的成本了。
而且，過去這家公司只生產設備，這些設備被賣到國外，具體安裝到什麼地方，他是不知道的，有了感測器，公司就能知道這些發電機被安裝到哪裡，這些地方的風力是大是小，一年四季哪天有風哪天有雨，這些數據都可以獲取。根據這些數據，就能知道哪些地區風力資源豐富，有重點地規劃未來市場。傳統的行業利用大數據，就能更好地實現市場預判和銷售提升，分分鍾實現逆襲。

『拾』 數據分析的步驟

數據化運營（數據分析）具體落地到企業有這么五步：自上而下、數據閉環、搭建模型、數據分析、許可權分配。我們具體看一下每一步應該怎麼做。

一、自上而下｜定義指標庫，確定項目范圍

我舉一個O2O的例子，首先我們做自上而下的時候要知道公司內部到底有哪些決策，老闆、產品、運營、培訓、市場、招商、客戶，每一個部門崗位關心什麼指標呢~

我們做指標之前要有一個目標：提升運營效率，降低運營成本，簡單說四個字降本增效。老闆關注的是利潤率問題，產品關注產品使用率、留存率等，運營關注成本控制等等，將不同崗位人員所關注的指標，都給梳理出來。

以上數據分析步驟、數據分析圖表都來自bdp商業數據平台哦~