业务数据观测指标怎么做

‘壹’ 销售数据分析方法有哪些

1、对比分析：通过多种产品数据进行对比分析，这样可以实现产品功能的好坏分析。

2、多维度拆解：用不同的视角去拆分、观察同一个数据指标。分析流程为启动事件分析、分析完成之后的结果、多维度拆分小结。

3、漏斗观察：就是一连串想后影响的用户行为。一个个行为构成，是前一步对后一步是有影响的。

4、评估渠道质量并确定投放优先级：评估产品各渠道营销情况，决定渠道投放的优先级。

5、分布情况分析方法：是在一个事件不仅仅只有累计数量这么一个可以观察的指标，还可以观察这个事件在不同维度的分布来观察。

6、用户留存的分析方法：分析产品用户数据，看看用户是否可以发展为长期用户。

‘贰’ 企业经营中的八个数据指标

数据的准确性

数据的准确性(Accuracy)是指数据的采集值或者观测值与真实值之间的接近程度，也叫误差值，误差值越大，数据的准确度越低。数据的准确性由数据的采集方法决定的。

数据的精确性

数据的精确性(Precision)是指对同一对象在重复测量时所得到的不同观测数据之间的接近程度。精确性，也叫精准性，它与数据采集的精度有关系。精度越高，要求数据采集的粒度越细，误差的容忍程度也越低。

例如在测量人的身高时，可以精确到厘米，多次测量结果之间的误差只会在厘米级别;在测量北京到上海的距离时，可以精确到千米，多次测量结果之间的误差会在千米级别;用游标卡尺测量一个零件的厚度时，可以精确到 1/50 毫米，多次测量结果之间的误差也只会在 1/50 毫米级别。因此，可以说采用的测量方法和手段直接影响着数据的精确性。

数据的真实性

数据的真实性，也叫数据的正确性(Rightness)。数据的正确性取决于数据采集过程的可控程度。数据采集过程可控程度高，可追溯情况好，数据的真实性就容易得到保证，而可控程度低或者无法追溯，则数据的真实性就难以得到保证。

为了提高数据的真实性，采用无人进行过程干涉的智能终端直接采集数据，能够更好地保证所采集的数据的真实性，减少人为干预，减少数据造假，从而让数据更加准确地反映客观事物。

数据的及时性

数据的及时性(In-time)是指能否在需要的时候获到数据。例如企业在月初会对上个月的经营和管理数据进行统计和汇总，此时的数据及时性是指这些数据能否及时处理完成，财务能否在月度关账后及时核算。数据的及时性是数据分析和挖掘及时性的保障。如果企业的财务核算流程复杂，核算速度缓慢，上个月的数据在本月月中才能统计汇总完成，那么等需要调整财务策略的时候，已经到月底了，一个月已经快过完了。特别是当企业做大了之后，业务覆盖多个市场、多个国家，如果数据不能及时汇总，则会影响到高层决策的及时性。数据的及时性与企业的数据处理速度及效率有直接的关系，为了提高数据的及时性，越来越多的企业采用管理信息系统，并在管理信息系统中附加各种自动数据处理功能，在数据上传到系统中之后自动完成绝大部分报表，从而提高了数据处理的效率。使用计算机自动处理中间层数据是提高企业数据处理效率的有效手段。

企业除要保证数据采集的及时性和数据处理的效率外，还需要从制度和流程上保证数据传输的及时性。数据报表制作完成后，要及时或者在要求的时间范围内发送到指定的部门，或者上传到指定的存储空间中。

数据的即时性

数据的即时性包括数据采集的时间节点和数据传输的时间节点，在数据源头采集数据后立即存储并立即加工呈现，就是即时数据，而经过一段时间之后再传输到信息系统中，则数据的即时性就稍差。例如一个生产设备的仪表即时地反映了设备的温度、电压、电流、气压等数据，这些数据生成数据流，随时监控设备的运行状况，这个数据可以看作即时数据。而

当将设备的即时运行数据存储下来，用来分析设备的运行状况与设备寿命的关系时，这些数据就成了历史数据。

数据的完整性

数据的完整性是指数据采集的程度，即应采集的数据和实际采集到的数据之间的比例。例如在采集员工信息数据时，要求员工填写姓名、出生日期、性别、民族、籍贯、身高、血型、婚姻状况、最高学历、最高学历专业、最高学历毕业院校、最高学历毕业时间共 12 项信息，而某个员工仅仅填写了部分信息，例如只填写了其中的 6 项，则该员工所填写数据的完整性只有一半。

一家企业中的数据的完整性体现着这家企业对数据的重视程度。要求采集的数据在实际中并未完整采集，这就是不完整的数据，这往往是企业对数据采集质量要求不到位导致的。

另外，对于动态数据，可以从时间轴去衡量数据的完整性。比如，企业要求每小时采集一次数据，每天应该形成 24 个数据点，记录为 24 条数据，但是如果只记录了 20 条数据，那么这个数据也是不完整的。

数据的全面性

数据的全面性和完整性不同，完整性衡量的是应采集的数据和实际采集到的数据之间的比例。而数据全面性指的是数据采集点的遗漏情况。例如，我们要采集员工行为数据，而实际中只采集了员工上班打卡和下班打卡的数据，上班时间员工的行为数据并未采集，或者没有找到合适的方法来采集，那么这个数据集就是不全面的。

再例如，我们记录一个客户的交易数据，如果只采集了订单中的产品、订单中产品的价格和数量，而没有采集客户的收货地址、采购时间，则这个数据采集就是不全面的。

腾讯 QQ 和微信的用户数据记录了客户的交流沟通数据;阿里巴巴和京东的用户数据记录了用户的交易数据;网络地图记录了用户的`出行数据;大众点评和美团记录了客户的餐饮娱乐数据。对全面描述一个人的生活来说，这些公司的数据都是不全面的，而如果把他们的数据整合起来，则会形成更加全面的数据。所以说，数据的全面性是一个相对的概念。过度追求数据的全面性是不现实的。

数据的关联性

数据的关联性是指各个数据集之间的关联关系。例如员工的工资数据和绩效考核数据是通过员工关联在一起来的，而且绩效数据直接关系到工资数据。采购订单数据与生产订单数据之间通过物料的追溯机制进行关联，而生产订单又是由员工完成的，即通过员工作业数据与员工信息数据关联起来的。

本书探讨的企业经营数据，每个数据集都是相互关联的，有的是直接关联的，如员工工资数据和员工绩效数据;有的是间接关联的，如物料采购订单数据与员工工资数据。这些数据是由公司的资源，包括人、财、物和信息等关联起来的。如果有任何的数据集不能关联到其他的数据集，就会存在数据割裂或者数据孤岛。数据割裂和数据孤

‘叁’ 数据质量与数据质量八个维度指标

数据质量与数据质量八个维度指标

数据的质量直接影响着数据的价值，并且直接影响着数据分析的结果以及我们以此做出的决策的质量。质量不高的数据不仅仅是数据本身的问题，还会影响着企业经营管理决策；错误的数据还不如没有数据，因为没有数据时，我们还会基于经验和基于常识的判断来做出不见得是错误的决策，而错误的数据会引导我们做出错误的决策。因此数据质量是企业经营管理数据治理的关键所在。

数据的质量可以从八个方面进行衡量，每个维度都从一个侧面来反映数据的品相。八个维度分别是：准确性、真实性、完整性、全面性、及时性、即时性、精确性和关联性。

我们在比较两个数据集的品相的时候往往采用这种图形表示。比如说，常规来讲内部数据采集的准确性、真实性、完整性高，而全面性、及时性、即时性、精确性和关联性方面取决于企业内部对数据的重视程度以及采用的技术手段的先进性有关；外部数据集，比如说微博数据、互联网媒体数据等，其全面性、及时性和即时性都可以通过技术手段，如网络爬虫等得到提高，但在准确性、真实性、精确性上难以保证，也难以控制，在关联性方面取决于数据采集和挖掘的相关技术。

我们也可以用这个模型来衡量公司内部各个职能部门数据的品相。下图是个示意，通过数据质量8大指标的评价，我们可以对企业内部数据治理有针对性地采取措施去提高企业的数据质量。

数据的准确性

数据的准确性（Accuracy）是指数据采集值或者观测值和真实值之间的接近程度，也叫做误差值，误差越大，准确度越低。数据的准确性由数据的采集方法决定的。

数据的精确性

数据的精确性（Precision）是指对同一对象的观测数据在重复测量时所得到不同数据间的接近程度。精确性，也可以叫精准性。精确性与我们数据采集的精度有关系。精度高，要求数据采集的粒度越细，误差的容忍程度越低。

测量人的身高，我们可以精确到厘米，多次测量差异只会在厘米级别；测量北京到上海的距离，我们精确到公里，多次测量结果间的差异会在公里级别；采用游标卡尺测量一个零件的厚度，可以精确到1/50毫米，多次测量的结果间的误差也只会在1/50毫米间。采用的测量方法和手段直接影响着数据的精确性。

数据的真实性

数据的真实性，也叫数据的正确性（Rightness）。数据的正确性取决于数据采集过程的可控程度，可控程度高，可追溯情况好，数据的真实性容易得到保障，而可控程度低或者无法追溯，数据造假后无法追溯，则真实性难以保证。

为了提高数据的真实性，采用无人进行过程干涉的智能终端直接采集数据，能够更好地保证所采集数据的真实性，减少人为干预，减少数据造假，从而让数据更加正确地反应客观事物。

数据的及时性

数据的及时性（In-time）就是数据能否在需要的时候得到保证。我们月初会对上个月的经营和管理数据进行统计汇总，这些数据能否及时处理完成，财务能否在月度关账后及时核算。数据的及时性是我们数据分析和挖掘及时性的保障。如果公司的财务核算复杂，核算速度缓慢，上个月的数据在月中才能统计汇总完成，等需要调整财务策略的时候，已经到了月底了，一个月已经快过完了。特别是公司做大了之后，业务覆盖多个市场、多个国家，数据不能及时汇总，会影响到高层决策的及时程度。

数据的及时性与企业数据处理的速度和效率有直接的关系，为了提高数据的及时性，越来越多的公司采用管理信息系统，并在管理信息系统中附加各种自动数据处理功能，能够在数据上传系统之后自动完成绝大部分报表，从而保证数据处理的效率。计算机自动处理中间层数据是提高企业数据处理效率的有效手段。

除了保证数据采集的及时性和数据处理的效率问题外，还需要从制度和流程上保证数据传输的及时性。数据报表完成了，要及时或者在要求的时间范围内发送到指定的部门，或者上传到指定的存储空间。

数据的即时性

数据的即时性是指数据采集时间节点和数据传输的时间节点，一个数据在数据源头采集后立即存储，并立即加工呈现，就是即时数据，而经过一段时间之后再传输到信息系统中，则数据即时性就稍差。

微博的数据采集，当用户发布了微博，数据立即能够被抓取和加工，会生成即时微博数据报告，并随着时间推移，数据不断变化，我们可以称作是即时采集和处理的。一个生产设备的仪表即时反应着设备的温度、电压、电流、气压等数据，这些数据生成数据流，随时监控设备的运行状况，这个数据可以看作是即时数据。而当设备的即时运行数据存储下来，用来分析设备运行状况与设备寿命的关系，这些数据就成为历史数据。

数据的完整性

数据的完整性是从数据采集到的程度来衡量的，是应采集和实际采集到数据之间的比例。一条信息采集12个数据点，如我们采集员工信息数据的时候，要求填写姓名、出生日期、性别、民族、籍贯、身高、血型、婚姻状况、最高学历、最高学历专业、最高学历毕业院校、最高学历毕业时间等12项信息，而某一员工仅仅填写了部分信息，如只填写了其中的5项，则该员工所填写数据的完整性只有一半。

一个公司数据的完整性体现着这个公司对数据的重视程度。要求采集数据而实际上并未完整采集，只采集了一部分，这就是不完整的，往往是公司对数据采集质量要求不到位导致的。公司要求每个人都填写完整的个人信息表，而有部分员工拒绝填写，公司2000员工，只有1200人填写了完整的个人信息表，则这个数据集就是不完整的。

另外，对于动态数据，我们可以从时间轴上去衡量数据采集的完整性。比如，我们要求每小时采集一次数据，每天会形成24个数据点，记录为24条数据，但是员工渎职，只记录了20次，那么这个数据集也是不完整的。

数据的全面性

数据的全面性和完整性不同，完整性衡量的是应采集和实际采集的差异。而全面性指的是数据采集点的遗漏情况。比如说，我们要采集员工行为数据，我们只采集了员工上班打卡和下班打卡的数据，上班时间的员工行为数据并未采集，或者没有找到合适的方法来采集。那么，这个数据集就是不全面的。

我们描述一个产品的包装，仅仅描述了产品包装的正面和背面，没有记录产品包装的侧面，则就是不全面的。我们记录一个客户的交易数据，我们只采集了客户订单中的产品、订单中产品的价格和数量，而没有采集客户送货地址、采购时间，这个数据采集就是不全面的。

腾讯QQ和微信的用户数据记录了客户交流沟通的数据；阿里和京东的用户数据记录了用户的购买交易数据；网络地图记录了用户出行的数据；大众点评和美团记录了客户餐饮娱乐的数据。对于全面描述一个人的生活的衣食住行各方面，这些公司的数据都是不全面的，而如果把他们的数据整合起来，则会形成更加全面的数据。所以说，数据的全面性说一个相对的概念。过度追求数据的全面性说不现实的。

数据的关联性

数据的关联性是指各个数据集之间的关联关系。比如员工工资数据和员工绩效考核数据是通过员工这个资源关联在一起来的，而且绩效数据直接关系到工资的多少。采购订单数据与生产订单数据之间通过物料的追溯机制进行关联，而生产订单又是由员工完成的，即通过员工作业数据与员工信息数据关联起来。

其实，我们本书探讨的企业大数据，每个数据集都是相关关联的，有些是直接关联的，比如员工工资数据和员工绩效数据，有些是间接关联的，比如说物料采购订单数据与员工工资数据。这些数据的关联关系是由公司的资源，包括人、财、物和信息等，连接起来的。如果有任何的数据集不能连接到其他的数据集，就会存在数据割裂或者数据孤岛。数据割裂和数据孤岛是企业数据关联性不足导致的。而数据的关联性直接影响到企业数据集的价值。

‘肆’ 业务异常数据应该如何分析

1.发现反常
就像你发现昨日数据跟往前不一样，猛涨了仍是猛跌了，经过观测数据发现反常。
2.确认问题
发现反常之后，咱们要确认这个反常是不是一个问题，有多严重，可以用对比剖析法从时间维度上进行周同比、月同比或者是年同比。
3.确认原因
用多维度拆解法，关于这个反常的目标从不同的维度去拆解，找出原因。
4.针对性解决问题
找到原因之后，便是针对性的解决问题了，根据问题的原因，动用公司的相关资源，去解决这个问题。
5.履行
最终便是履行解决方案，把这个反常数据真实的从反常到履行，完结一个闭环。

‘伍’ 简述观察指标选择的基本要求和内容

观察指标选择的基本要求：
1、能具有达到预期目的的性能；
2、要能如实反映研究设计的目的；
3、能使观察者从中获得准确的结果和科学的判断。
在选择观察项目过程中，应注意指标的：
1、客观性，客观指标多采用仪器、化验等方法测量数据；
2、合理性，指所选指标能准确反映的内容，且具有特异性；
3、灵敏性，所选的指标其灵敏度应能反映出指标真正的效果；
4、关联性；
5、稳定性和准确性；
6、注意可行性即应考虑所确定的指标能否达到，这与研究的仪器设备、经费、技术等方面是否充分和有无保证是非常密切相关的。

‘陆’ 如何将数据进行数据可视化展现

当前，许多企业已建立了自己的人力资源管理系统，也累积了相当的人力资源业务数据。然而，正如业内的那句老话“rich data, poor information”，以前累积的数据，并没有很好的得到利用。原因是这些数据来源太广，格式不统一，并且其中极少量的数据记录格式不正确；同时，累计的数据量相当庞大，但许多细节对高层管理人员来说并不重要，他们需要快速、全面的掌握企业的人力资源全貌，综合、全面、宏观的信息支持，将是领导们关注的对象。

面对庞大复杂的员工管理数据，企业高管人员需要通过数据来了解他们的员工会做什么？应该雇佣谁？应该晋升谁？谁是顶层员工？谁有可能离职？

在数据分析方面，借助于DataViz自助式数据分析和可视化展现功能，深度挖掘人力资源数据，通过可视化动态交互探索数据规律。辅助企业高管更加直观和高效地洞悉潜藏在数据背后的知识与智慧。

‘柒’ 【数据分析师必备】九大常用数据分析方法汇总（上）

定义： 描述性统计是一类统计方法的汇总，揭示了调查总体的数据分布特性。描述性统计分析要对调查总体所有变量的有关数据进行统计性描述，主要包括数据的频数分析、集中趋势分析、离散程度分析、分布以及一些基本的统计图形。

应用：

①数据的频数分析。在数据的预处理部分，利用频数分析和交叉频数分析可以检验异常值和缺失值。

②数据的集中趋势分析。用来反映数据的一般水平，常用的指标有平均值、中位数和众数等。

③数据的离散程度分析。主要是用来反映数据之间的差异程度，常用的指标有方差和标准差。

④数据的分布。在统计分析中，通常要假设样本所属总体的分布属于正态分布，因此需要用偏度和峰度两个指标来检查样本数据是否符合正态分布。

⑤绘制统计图。用图形的形式来表达数据，比用文字表达更清晰、更简明。在SPSS软件里，可以很容易地绘制各个变量的统计图形，包括条形图、饼图和折线图等。

定义： 回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。回归分析按照涉及的自变量的多少，分为回归和多重回归分析;按照自变量的多少，可分为一元回归分析和多元回归分析;按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。

应用：

如果在回归分析中，只包括一个自变量X和一个因变量Y，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。一个经济指标的数值往往受许多因素影响，若其中只有一个因素是主要的，起决定性作用，则可用一元线性回归进行预测分析。一元线性回归用途广泛，可处理科学技术的实验数据，也能用于经济现象:统计数据的分析预测。

如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。因此多元线性回归比一元线性回归的实用意义更大。

使用条件：分析多个自变量X与因变量Y的关系，X与Y都必须是连续型变量，因变量Y或其残差必须服从正态分布。

线性回归模型要求因变量是连续的正态分布变量，且自变量和因变量呈线性关系，而Logistic回归模型对因变量的分布没有要求，一般用于因变量是离散时的情况。常用于预测分类变量，其中主要是二分类变量。

例如，探讨影响用户复购的关键因素，并根据关键因素预测用户复购行为发生的概率等。选择两组人群，一组是复购组，一组是非复购组，两组人群必定具有不同的特征与购买行为等。因此因变量就为是否复购，值为“是”或“否”，自变量就可以包括很多了，如年龄、性别、购买频率、客单价、平均下单周期、购买品类占比情况等。自变量既可以是连续的，也可以是分类的。然后通过logistic回归分析，可以得到自变量的权重，从而可以大致了解到底哪些因素是产生复购行为的关键因素。同时可以根据关键因素预测用户复购的的可能性。从而可以通过运营策略去加大复购的可能性，提升店铺销量。

④其他回归方法：非线性回归、有序回归、Probit回归、加权回归等。

定义 ：方差分析用于两个及两个以上样本均数差别的显着性检验。 由于各种因素的影响，研究所得的数据呈现波动状。造成波动的原因可分成两类，一是不可控的随机因素，另一是研究中施加的对结果形成影响的可控因素。方差分析是从观测变量的方差入手，研究诸多控制变量中哪些变量是对观测变量有显着影响的变量。

使用条件：各样本须是相互独立的随机样本；各样本来自正态分布总体；各总体方差相等。

例如，在饲料养鸡增肥的研究中，某研究所提出的三种饲料配方A、B、C。应该选择哪种饲料，对鸡增肥效果好且便宜？目的是为了比较三种饲料配方下鸡的平均重量是否相等。特选24只相似的雏鸡随机均分为三组，每组各喂一种饲料，60天定期观测它们的重量并记录。得到三组雏鸡重量数据，比较这三组数据之间是否存在显着性差异。若相等，可任选一种饲料，特别是可以选廉价饲料；若不等，应选增肥效果好的饲料。同理，可运用到相似场景中。

应用 ：

单因素方差分析是用来研究一个控制变量的不同水平是否对观测变量产生了显着影响。这里，由于仅研究单个因素对观测变量的影响，因此称为单因素方差分析。

例如，分析不同施肥量是否给农作物产量带来显着影响，考察地区差异是否影响妇女的生育率，研究学历对工资收入的影响等。这些问题都可以通过单因素方差分析得到答案。

多因素方差分析用来研究两个及两个以上控制变量是否对观测变量产生显着影响。这里，由于研究多个因素对观测变量的影响，因此称为多因素方差分析。多因素方差分析不仅能够分析多个因素对观测变量的独立影响，更能够分析多个控制因素的交互作用能否对观测变量的分布产生显着影响，进而最终找到利于观测变量的最优组合。

例如，分析不同品种、不同施肥量对农作物产量的影响时，可将农作物产量作为观测变量，品种和施肥量作为控制变量。利用多因素方差分析方法，研究不同品种、不同施肥量是如何影响农作物产量的，并进一步研究哪种品种与哪种水平的施肥量是提高农作物产量的最优组合。

通过上述的分析可以看到，不论是单因素方差分析还是多因素方差分析，控制因素都是可控的，其各个水平可以通过人为的努力得到控制和确定。但在许多实际问题中，有些控制因素很难人为控制，但它们的不同水平确实对观测变量产生了较为显着的影响。

例如，在研究农作物产量问题时，如果仅考察不同施肥量、品种对农作物产量的影响，不考虑不同地块等因素而进行方差分析，显然是不全面的。因为事实上有些地块可能有利于农作物的生长，而另一些却不利于农作物的生长。不考虑这些因素进行分析可能会导致：即使不同的施肥量、不同品种农作物产量没有产生显着影响，但分析的结论却可能相反。这个时候就用到协方差分析。

定义： 假设检验(Hypothesis Testing)是数理统计学中根据一定假设条件由样本推断总体的一种方法。具体作法是:根据问题的需要对所研究的总体作某种假设，记作H0;选取合适的统计量，这个统计量的选取要使得在假设H0成立时，其分布为已知;由实测的样本，计算出统计量的值，并根据预先给定的 显着性水平进行检验 ，作出拒绝或接受假设H0的判断。常用的假设检验方法有u-检验法、t检验法、χ2检验法(卡方检验)、F-检验法，秩和检验等。

应用：

参数检验对参数平均值、方差进行的统计检验，参数检验是推断统计的重要组成部分。

非参数检验是统计分析方法的重要组成部分，它与参数检验共同构成统计推断的基本内容。参数检验是在总体分布形式已知的情况下，对总体分布的参数如均值、方差等进行推断的方法。但是，在数据分析过程中，由于种种原因，人们往往无法对总体分布形态作简单假定，此时参数检验的方法就不再适用了。非参数检验正是一类基于这种考虑，在总体方差未知或知道甚少的情况下，利用样本数据对总体分布形态等进行推断的方法。由于非参数检验方法在推断过程中不涉及有关总体分布的参数，因而得名为"非参数"检验。

非参数检验不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一般性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。

主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。

欢迎前往关注数据宝典公众号，更多数据分析知识分享，以及案例总结分享~~

在数据分析道路上，学无止境，终身成长。

‘捌’ 怎么编制观察指标

A、B、C、D等级，优、良、中、差，及格、不及格等，均属于观察指标。按照这样既可。

论文写作的重点、难点，其实是观察指标的设计。论文需要对数据进行统计分析，这就要求我们学会设计观察指标。

例如：

医院采用的病人满意度调查问卷，共有18条目，其中最后1条目为“您心中最优秀的责任护士是谁”，这是1条开放性问答，除去这一条目，其余17项均为封闭型调查条目。

病人满意度调查问卷，其实类属于观察指标，如要进行1-6月份病人满意度具体情况与7-12月份病人满意度具体情况，满意率如何计算？

首先要了解满意程度分级，如非常满意、满意、一般、不满意四级。

一般而言，我们计算满意率时，通常为：满意率=（非常满意+满意）-（一般+不满意）/总条目数×100%，如需对1-6月病人满意度与7-12月病人满意度进行比较，可以有多种比较方法，也可以采取（总满意条目-总不满意条目）/总条目×100%的计算方法。

在病人满意度调查问卷里面，观察项即为问卷里面的18条目，观察指标则为观察项目里面的具体评价内容，如责任护士是否主动向您讲解饮食指导？选项为：总是、经常、偶尔、从不。

‘玖’ 如何做数据分析

数据分析行业应用,一般数据来源：智能手机 感知装置 物联网 社群媒体等 云计算存储.cda官网有很多行业案例,比如
风能发电业务场景
风力发电机有一个叶片，时间长了就要换，否则不安全，过去这个叶片一般10年换一次，因为没办法知道具体产品的使用情况，只能根据以往叶片老化的情况来估算。但这家公司在叶片上装了传感器，就能检测每个叶片的具体使用情况了，风大的地方，叶片老化快，可能8年就要换，风力均匀的地方，有些叶片可能用15年，这样就能节省资本更新的成本了。
而且，过去这家公司只生产设备，这些设备被卖到国外，具体安装到什么地方，他是不知道的，有了传感器，公司就能知道这些发电机被安装到哪里，这些地方的风力是大是小，一年四季哪天有风哪天有雨，这些数据都可以获取。根据这些数据，就能知道哪些地区风力资源丰富，有重点地规划未来市场。传统的行业利用大数据，就能更好地实现市场预判和销售提升，分分钟实现逆袭。

‘拾’ 数据分析的步骤

数据化运营（数据分析）具体落地到企业有这么五步：自上而下、数据闭环、搭建模型、数据分析、权限分配。我们具体看一下每一步应该怎么做。

一、自上而下｜定义指标库，确定项目范围

我举一个O2O的例子，首先我们做自上而下的时候要知道公司内部到底有哪些决策，老板、产品、运营、培训、市场、招商、客户，每一个部门岗位关心什么指标呢~

我们做指标之前要有一个目标：提升运营效率，降低运营成本，简单说四个字降本增效。老板关注的是利润率问题，产品关注产品使用率、留存率等，运营关注成本控制等等，将不同岗位人员所关注的指标，都给梳理出来。

以上数据分析步骤、数据分析图表都来自bdp商业数据平台哦~