1. 如何用Excel做好項目管理最後一點你一定要會
Excel是一個老牌又年輕的產品，說它老牌，是因為我們所有人，在擁有自己人生中第一台電腦時，第一個安裝的軟體就是office全家桶；
說它年輕，是因為這么多年了，它的使用率還是名列前茅。
熟悉老原的老粉都知道，我最喜歡看招聘JD，也喜歡讓你們看招聘JD。
看多了招聘JD，你就會發現，我們管理類崗位除了硬性的PMP證書條件以外，還有一項非常重要的能力——熟練使用Excel等辦公軟體。
很多公司招聘項目經理，都會加上這么一條：要求熟練運用Excel，有時候甚至不提Project，也要寫上會用Excel。
在這里，老原想問下有多少人知道這是為什麼？
其實原因主要有兩個：
第一是，領導或者甲方的電腦里不一定有Project，但Excel一定是人手一份。
其次是，不得不誇一句，Excel實在是太強大了，甚至可以說，其實項目中95%的問題，都可以直接用它搞定，只是很多人不知道而已。
今天的內容，主要分2個部分：
1、怎麼用Excel進行項目管理？
2、5個Excel職場習慣，幫你提高協作效率。
廢話不多說，今天老原現在就給大家講講怎麼用Excel搞定項目，老原整理的 項目管理Excel模板 也別錯過。私信老原即可領取。
一、Excel可以解決95%的項目問題
Excel在項目管理的全過程中，都扮演至關重要的角色，大概的一個流程我也整理成一張圖，可以讓大家更清楚的看到，每個環節中的Excel，都在做些什麼？
相信看完上圖，你應該就明白了，為什麼老原會說95%的項目問題都可以通過Excel解決。
接下來的內容，老原建議上圖對照接下來的文字進行展開理解。
01 Excel進行任務分解
其實，無論是使用excel，還是使用project，又或者是其他工具，第一步一定是任務分解。
只有學會分解任務，將任務分解得足夠細，你才能心裡有數，才能有條不紊地工作，才能統籌安排時間表。
正確分解任務，是項目成功的第一步，也就是WBS。
如何進行WBS分解： 目標→任務→工作→活動
至於要怎麼用好WBS，這篇文章就不展開贅述了，大家可以回顧一下我之前關於WBS的分享。
推薦閱讀：越高級的項目經理，越害怕自己沒做好這件事
任務分解之後，你就可以使用excel來自定義你需要展示什麼信息。
02 用Excel搞清任務關聯
在項目進行中，經常出現這種情況：同事急匆匆來找你，撂下一句，任務截止時間我完不成了，要延後X天。
對方這樣做，可能還理直氣壯：我都提前告訴你了，總不能不答應吧？
這時候，任務關聯圖就至關重要了。
你可以用這張表，有理有據的告訴他，這不是我一個人能決定的，你要看你背後的任務答不答應，它們的負責人答不答應。
你如果延後，你的後置任務B就無法如期開始，任務B延後呢，又會影響任務C無法正常開工……多米諾骨牌效應就是如此。
03 用甘特圖優化任務分配
將甘特圖標注不同的顏色，真的很實用。
這個甘特圖的顏色和「任務分解」部分的人名顏色是相關的。也就是與負責人相匹配。
因此，在一個小項目里，我們可以為各種角色指定一個標志色，可以清楚到每個人的任務和進程進行認領
在復雜的項目里，還可以藉助excel的顏色篩選，直接將某個人的任務全部篩選出來：
04 關鍵里程碑
所謂關鍵里程碑，是一個階段工作必須要保證的時間點，而這個時間點的順利完成與否，決定了里程碑以後的各項工作能不能也保證順利進行。
如果關鍵里程碑都無法保證，將意味著里程碑以後的各項任務要重新調整。
將關鍵里程碑標注為醒目的紅色，並加上里程碑說明，是一個不錯的辦法。
05 Excel一秒變Project——凍結窗格
Project做出來的計劃表，在拖動查看視圖時，日期行和任務行鎖定能夠在原地不動，其實Excel也可以做
Excel的窗格凍結功能就有同樣的效果。如圖所示：點擊你期望凍結的窗格交叉點窗格，點擊凍結窗格，即達到目標。
二、5個Excel職場習慣，幫你提高協作效率
過多的功能也不多介紹，好用的東西在精不在多。
分享一些在我的實際工作中，真的有用的一些Excel小習慣/小技巧。
01 把Excel當word用
雖然這是一句玩笑話，表格真正的功能是數據處理好嗎？
但現實工作中，一些信息放在Excel里會變得更加直觀。這些信息，有一個統一的名字，叫做「清單」
相比Word，Excel在做文檔方面確實有幾個優勢。
1- 信息梳理更清晰
2- 圖片排版更方便
3- 表格分頁很輕松
4- 記錄數據易統計
02 Excel的一些職場好習慣
也很多同學會私下問老原一些Excel方面的問題，其實很多問題都源於習慣。
我也總結了幾個Excel的好習慣，都非常非常的簡單，簡單到你平時都注意不到，但是一旦養成了習慣，除了讓自己效率提升，更重要的，可以也讓同事覺得你做事很讓人放心。
1、工作表名稱不要用sheet123
類似的，文件名字也不要用默認的【新建 Microsoft Excel 工作表】。
花5秒給表格起個名字，說明表格的用途，既方便自己，也可以減少和同事時帶來不便。
2、給表格加個目錄
學員表格發過來，打開一看十幾個工作表，我基本就放棄了。
- 每個工作表是做什麼用的？
- 問題出現在哪個表格中？
- 表格的相互關系是什麼？
不同的工作崗位，這個信息差就像一座大山一樣。
或許給你解答的項目管理問題很簡單，但是對方不想翻過大山再給你解答。
3、修改表格時先另存備份
模板類的表格，使用之前一定要對空白表格、原始模板另存備份，誰用過誰知道，清空模板里的數據，也是一個體力活。
4、列印前先預覽頁數
每個用表格的人都有過這樣的經歷。
表格明明只有一頁，列印出來有好幾頁，每頁內容還不全。這是表格列印預覽沒有設置好。
這4個好習慣，背後其實是一些職場溝通合作的習慣。
第一，存檔復盤的習慣。
對工作進行留檔備份，總結優缺點，及時改進和提升。
比如：表格另存備份，列印前確認預覽效果
第二，交付利他的習慣。
和同事合作時多為多方考慮一些，保證自己工作產出質量，對方接手更輕松、沒有有疑惑。
比如：文件命名的習慣，不全選復制、先完成工作再研究高級方法。
話說回來，不管是用什麼軟體，完美完成項目的關鍵還是在於人。只有團隊有足夠的執行力，工具才能發揮出更大的價值。
項目經理是需要極強的溝通和協作的崗位，工作中多點「利他思維」，項目推進一定會順利得多。
————
2. 項目實施過程中的數據管理
項目實施過程中的數據管理
管理信息系統實施成功三大因素依次為：人、數據、技術，也許有些人不完全認同，但是數據的重要性是大家不可否認的。我下面為大家整理了關於項目實施過程數據管理的文章，希望對你有所幫助！
1. 數據管理的組織機構的建立
為了更好的進行軟體系統的數據管理，應該從組織機構角度來做考慮，建立單獨的組織機構來管理數據相關工作，或者在實施小組裡面專人總負責。
軟體開發商和客戶核心的業務骨幹一起制定數據規范，客戶提供符合規范的業務數據，只有符合規范的數據才能進入系統。
2. 數據管理的原則
強調客戶和軟體開發商的2方項目組成員做到”不能有‘我以為’的思想“，一旦有如此思想，很容易陷入閉門造車，項目需求很容易走樣，因為客戶à所有的客戶，也是在‘我以為 ’。項目組要想做到控制住需求，一定要拋開自己的設想。所以任何一個項目組成員，第一句話就告訴他，不要有”我以為“的想法。把‘我以為’變成‘客戶認為 ’(最好是客戶和軟體提供商一致認為)，這才是最重要的。
這又回到了項目管理上。我在這里實際上只是想從數據管理這個更具體的角度來闡述問題。
3. 數據入口的單一性
同一數據必須一次、一處進入系統，保證其准確性，及時性和完整性和入口的單一性。管理控制一體化是系統的目的，如果一個數據在多個地方存儲，很容易造成數據的不一致。
4. 數據副本管理/數據版本管理
雖然上面提到了數據存儲的單一性，但是有些時候也需要存儲副本數據。存儲這些副本數據的目的就是為了在使用數據副本的地方不受到數據源的變化的影響。
例如：數據1在業務A進入系統，業務B使用到了數據1，但是為了避免在業務B使用了數據1後，業務A又把數據1的修改影響到業務B，那就需要業務B在使用數據1時候保存副本。
比如：城市拆遷資源計劃系統的拆遷合同在使用房源業務錄入的房源房屋面積信息時，就使用了副本機制，在合同使用房屋面積時候，把面積信息存儲下來，當合同構築完成時候，如果相應的房屋面積信息發生了變動，就用另外的業務來處理這個數據變動的相應處理(比如，使用房源的差價款合同來處理)。
有朋友建議用配置管理系統，把數據版本機制引入了業務數據裡面。做過J2EE的項目，都知道很多地方可以通過配置來進行管理。其實這個思想延伸到資料庫模型的設計時候，就體現出來了業務數據的配置管理的思想的使用。
我們其實也有是用這個思想，但是主要體現在 在基於數據表級別上用數據級別+歷史編號 來識別有效的數據。1個很簡單的例子：
一個員工的姓名原來 是aa, 後來改委bb，可以通過歷史編號 找到原來 的信息是bb通過數據級別識別現在的有效數據是aa，我們把數據版本控制更多的是採用‘數據級別’加‘歷史編號’另外還加上了一個‘生效日期’， ‘截止日期’這2個時間戳另外，實際軟體系統的歷史業務數據進入系統就比較煩，可能需要使用版本管理機制來處理才行得通。
5.建立數據等級制度
軟體項目實施中業務規則經常會陷入一個兩難的境地，如果業務規則加強，很多數據數據達不到規范化的要求，無法入機;如果放寬控制，很多垃圾數據就進入了，大家都明白一個道理，對於軟體系統，垃圾數據進去，肯定是垃圾數據出來，統計查詢結果肯定是這樣的。
可以建立數據的等級制度，制定數據進入系統的最低要求。達到最低要求才能進入系統，比如：
業務A,需要數據a1,數據a2,,數據a3, 數據4。我們可以制定進入系統的關於業務A的條件是必須要有數據a1,a2才可以進入系統(也就是最低要求)，如果提供的業務數據同時有數據a1,數據 a2, ,數據a3,那就是更高一級的數據(第二級數據)，如果業務數據在滿足第二級數據的基礎上，提供了數據4，那就是第三級數據。
如果用過J2EE平台的同行理解起來就比較容易，這實際上就是JMS基於主題的消息管理思想用於軟體系統一個具體例子而已，這里不過是強調的是用於管理數據的信任等級而已。
其實很多軟體項目開始制定的的數據規范，一般到後來都執行不下去，主要是太理想化了，也許只有到系統真正用起來了，系統數據的信任等級才能上去。所以我覺 得應該在系統開始時候就把數據分等級，不同的等級，業務給與適當不同的處理，這樣也便於後期的業務進行查詢統計分析或者數據挖掘。
這種思想實際上就是將數據可以信任的程度進行分類;而一般的軟體系統是把數據定義為兩類，可以進入系統，不可以進入系統;我在這里設想的是，從數據可以信 任的角度出發，分成多種類別，使用了一個小數來描述信任程度，而不是一個二值邏輯變數來描述;這樣從建立軟體系統整體模型的時候，把數據信任管理納入考慮 之內，在進一步作業務分析，決策支持或者數據挖掘時候是比較有好處的;當然進一步延伸可能就需要從OLTP/OLAP混合建模來考慮，不過真要到那個高 度，可能項目范圍就擴大了很多，具體怎樣操作，還要看項目具體情形。
當然，在軟體項目實際操作的時候，可能還會遇到另外一個問題，很可能用戶會亂用這個數據信任程度的概念，我個人的建議是在項目實施中如果可能的話，優先進 入信任等級高的數據，然後才是信任程度低的數據;當然也可以從人員來角度作為切入點，信任等級越低的數據，進入系統就需要的業務更熟悉的人員來操作錄入， 而且經過的業務處理步驟就越多。一句話，數據信任程度越低，就應該受到的審查/檢察越多。
在現實中稍微規模大一點的軟體系統涉及到的組織機構都是比較大的，有很多還可能是鬆散的組織管理模式。在這類組織機構中，同樣的業務數據可能很多部門都會是數據錄入點和數據分析點，為此可以從數據採集/來源角度來描述數據本身。
從當前項目利益來說，數據來源管理方便數據查詢分類，長期來說可以建立起數據信任等級。
對於數據來源的識別，一般需要有特定信息來記錄數據的來源，特別是一些大型企業當然分支機構較多的公司企業政府，也應該這樣來管理。
事實上，數據來源管理是數據信任管理的進一步延伸，是數據信任管理的前置條件。一個數據，可以是來自於A部門的也可能是來自於B部門的。為了方便統計查詢和數據信任管理的加強，應該記錄下數據的來源地。
6.具體操方式可以有以下幾種：
1) 數據錄入人員的工作人員編號，知道了數據錄入人員的編號，就知道數據的來源地。
當然，實際工作種存在人員調動，替操作(1個人用另外一個人的身份進入系統數錄入)，這些都有可能需要考慮到，否則可能造成數據來源管理失效。
2)另外一種方式就是直接記錄數據錄入的部門編號。
這種方式弊端就是不能記錄下數據的具體操作人員。
其它說明：如果系統中引入了工作流產品，數據來源這部分工作可以由工作流來擔任。具體例子：在現實的軟體系統中可能存在一個主資料庫/數據中心，若干分數 據庫/數據中心，系統在每過一定時間進行數據上傳/下載，為了進行數據合並和控制數據的修改，應該每個分數據中心只能處理修改自己的數據，可以查詢總數據 中心/其他分數據中心的數據。如果沒有引入數據來源管理(數據屬地管理)和數據版本的控制機制，不知道系統在作數據中心合並會怎樣子?
7.數據項的分類編碼
數據項的分類編碼，實際上是數據項來源管理的一個具體延伸。數據項編碼的目的'就是更快更好的識別數據代表的業務意思。一個典型的例子就是ERP中的BOM表(基本物料清單)。
數據項的分類編碼，不只是在系統模型建立上有指導意義，在進入系統的業務數據的規范化同樣有指導意義。
數據項的業務編碼和系統編碼分離。業務編碼很多時候只是為了識別業務數據的需要，很難保證業務數據的唯一性要求。而且業務編碼可能會發生變動，有些單位的 總體規劃從調研到討論制訂、到項目審批通過，再到最終實施，常常幾年過去了，需求發生變化，這種編碼規則不發生變動幾乎不可能。2000年我參與的一個企 業軟體系統，就一個產品編碼規則2個月就發生了5次變動。從更長的時間范圍內來說，應該考慮數據產生時期問題，不同時間階段產生的業務數據，使用的業務規 則不一樣，數據編碼這個層次很多時候很難識別數據當時的業務環境。
以一個簡單的例子來說明：
業務數據表的primary key系統應該是系統定義的，而數據項的業務編碼只能作為索引或者備用鍵使用，這樣就減少了數據業務編碼規則的變動對系統影響減少到更小的程度。
8.演算法的版本化
本來我打算在前面的基礎上，再談一下業務流程的管理設置問題，不過，現在工作流思想深入人心，我也就跳過了。我打算從數據的核心業務處理，演算法處理角度來闡述。
其實在現實中的軟體項目中，大家提到的較多的BPR,工作流這些東西，但是很少提到演算法這個單詞。當然，不可否認，很多軟體項目，特別是電子政務/OA的 業務主要是體現在流程/文件上，演算法這部分比較簡單(當然，我這樣說，有人可能不認可，暫且就不爭論它了)，就沒有必要去強調演算法的重要性了。
為了避免垃圾數據進入系統，垃圾數據出來，有必要對數據進行分類管理。正如前面提到的那樣，對於進入系統的數據，進行信任等級劃分，數據來源的分類;但是 對於系統出口，為了避免出現垃圾數據，需要在數據處理階段，也要進行分類處理，這里就引入了演算法的版本化，來適應不同的數據/業務需要。
在實際項目中，可能不同信任等級的數據，採用不同的演算法去處理數據，這樣才使得數據的處理更有針對性，更符合實際需要。
從需求變更的角度出發，軟體開發商可以先實現一些數據信任程度低的演算法，然後再根據項目實際情況，決定是否實現更高一級數據等級的演算法。在現實軟體項目， 數據信任等級低的採用的演算法也會簡單一些，由於需求變更，增加了新的數據信任等級更高的數據，這時候可以考慮暫時採用低等級的演算法進行處理，然後再結合人 工干預，達到數據處理的要求。大家都明白一點，演算法復雜，測試的難度就大，但是使用這些更高等級的演算法的幾率是很少的，處於成本的原因可以把這些演算法的實 現滯後。
當然我這樣說，並不是意味著放棄高等級的演算法，一些根據項目實際情形需要來操作。
數據根據信任程度分成等級，呵呵，這就是所謂工廠方法模式嘛，演算法也分成等級結構，這就是所謂的模板方法模式。
數據在處理後，應該記錄下被使用的演算法版本，這樣才便於以後統計查詢分析或者數據挖掘之類工作的開展。
例如：在一個商品交易中，一個商品可能被購買的價格是正常價格，節假日優惠價，會員優惠價，在交易流水賬中，應該記錄下交易時候是採用的那個價格類型，原始價格多少，實際購買價格多少。記錄下原始價格，是因為，商品的原始價格本身可能是變化的。
再以拆遷資源計劃系統為例，房屋補償的價格價格可能是來自於管理參數，也可能是來自於申請，實際到底是來自於哪個，演算法應該記錄下來。
9.業務規則使用的版本化
前面已經提到了數據錄入的版本化，還有演算法的版本化，也就是計算結果的版本化。但是還沒有談到一點，到底啥時間該採用哪個版本演算法。
在J2EE項目中，一般是採用配置文件的方式來控製版本。從配置管理角度的來說，一切都根據配置文件來決定使用哪個版本的數據錄入的分級(數據信任程度分級)，然後根據配置文件決定數據處理使用的演算法版本。
其實在J2EE項目中，可以採用類似apache commons-validator這樣的包，來進行數據錄入的信任等級建立。
前面都已經提到了從工廠方法模式的角度來建立數據信任等級制度，但是並沒有解決到底啥時間採用哪個方法處理數據。也許有人建議，採用工廠方法模式的思想， 把數據當成產品，把演算法當成工廠，來處理(注意：不是製造)數據。這個想法也許能夠滿足一些系統的需要，但是更多時候是失效。
為此，我覺得有必要把演算法的分配使用當成為一個業務管理策略來管理，通過單獨的業務模塊去設置業務的演算法管理策略，可以把這些策略保存為配置文件或者直接 保存到數據表;在J2EE項目中，常用的方式使用XML的格式保存為配置文件，但是如果這個策略比較復雜的時候建議還是保存到數據表。
;3. 撰寫數據分析報告6個步驟
撰寫數據分析報告6個步驟
撰寫數據分析報告6個步驟。在職場上，有的崗位是需要撰寫數據分析報告的，想要寫好數據分析報告就要知道寫它的步驟。接下來就由我帶大家了解下撰寫數據分析報告6個步驟的相關內容。
撰寫數據分析報告6個步驟1
1、明確目標
在「 明確數據分析目標的 3 個步驟 」這篇文章中，我們說過，要正確地定義問題、合理地分解問題、抓住關鍵的問題。
當明確目標之後，我們需要梳理分析思路，搭建分析框架，開始思考以下問題：
採用哪些分析指標？
運用哪些分析思維？
使用哪些分析工具？
明確目標，是確保數據分析過程有效進行的先決條件，可以為後續的步驟提供清晰的方向。
2、收集數據
收集數據是圍繞數據分析目標，按照分析思路和框架，收集相關數據的過程，為後續的步驟提供素材和依據。
收集的數據包括原始數據和二手數據，其中原始數據包括公司內部的資料庫、調查得到的數據等；二手數據包括統計局發布的數據、公開出版物中的數據等。
收集數據的基本要求是：真實性、及時性、同質性、完整性、經濟性和針對性。
3、處理數據
處理數據，是從大量雜亂無章的原始數據中，抽取對解決問題有價值的數據，並進行加工整理，形成適合數據分析的樣式，保證數據的一致性和有效性，這是數據分析之前必不可少的階段。
數據的處理主要包括數據清洗、數據轉化、數據抽取、數據合並、數據計算等過程，原始數據一般都需要經過一定的處理，才能用於後續的數據分析工作。
在處理數據的過程中，准確性尤為重要，如果數據本身存在錯誤，那麼即使採用最先進的數據分析方法，得到的結果也是錯誤的，不具備任何參考價值，甚至還會誤導決策。
具體處理數據的方法，可以參考以下文章：
4、分析數據
分析數據，是對客觀真實的數據，運用恰當的方法和工具，進行科學有效的分析。
參考文章：
如何用 Python 分析數據？
5、展現數據
通過數據分析，隱藏在數據背後有價值的信息逐漸浮現出現，此時需要通過合適的方式展現出來，讓人一目瞭然，提高信息傳遞的效率。
通常情況下，展現數據的方式通常是用圖表說話，即數據可視化，常用的數據可視化圖表有很多，可以參考：
數據可視化話題集錦
6、結論建議
一份好的數據分析報告，需要有明確的結論建議。
如果換位思考，站在決策者的角度，更想知道的是可行的解決方案。
如果數據分析報告沒有明確的結論建議，那麼也就失去了報告的靈魂。
所以，要想製作出更有價值的數據分析報告，不僅要掌握數據分析的思維和工具，而且還要熟悉業務，這樣才能提出更好的建議。
小結
數據分析報告的製作過程，通常可以分解為明確目標、收集數據、處理數據、分析數據、展現數據、結論建議等 6 個步驟，這是對整個數據分析過程的總結，為決策者提供科學、嚴謹的決策依據，從而降低企業的經營風險，提高企業的核心競爭力。
如果把數據分析報告比作一個產品，製作報告的人就是產品經理，看報告的讀者就是用戶。
作為「產品經理」，同理心很重要，通過自我體驗來理解他人，喬布斯能瞬間把自己變成傻瓜，這是同理心的一種表現。數據分析的思維和工具也很重要，它們是數據分析的基礎。想像力是廣袤的天空，但不是天馬行空，而是基於同理心的推演，運用數據分析的思維和工具，讓推演更加科學有效。
在一份數據分析報告的背後，有許多枯燥的、基礎的准備工作要做，例如數據採集、數據倉庫、數據治理等等。
如果沒有高質量的數據作為堅實的地基，那麼數據分析報告的高樓大廈是不穩固的。 如果沒有明確數據分析的目標，那麼後面的工作可能就是胡拼亂湊，用一堆圖表堆砌的花架子，並不能解決實際的問題。
數據分析報告不要搞形式主義，而要有實質的內容，還要關注細節。
撰寫數據分析報告6個步驟2
數據分析報告範文
項目數據分析報告是通過對項目數據全方位的科學分析來評估項目的可行性，為投資方決策項目提供科學、嚴謹的依據，降低項目投資的風險。
項目數據分析報告—項目市場化操作的科學依據：
政策背景：隨著我國經濟體制變革的不斷深入發展，中國的決策高層已經完全意識到了項目分析的真正意義，這一佐證就是《國務院關於投資體制改革的決定》的出台。決定明確政府不再承擔對投資項目的審核評估，實行備案制。而投資方和項目方，則對項目的風險承擔完全責任，完全按照市場經濟的模式來實施項目分析評估。這就正式宣告，中國的項目分析，將徹底進入市場化的運作模式。
時代需求：進入二十一世紀信息化時代，傳統意義上的經濟、管理和投資金融等學科和電子信息技術發生了不可分割的交融。作為先進生產力代表的電子信息技術，成為經濟、管理和投資金融等領域創新變革的支撐和動力。「項目數據分析」以專業技術的身份出現在經濟、管理和投資金融專業等領域，是信息化時代發展的必然結果。
項目數據分析報告—項目可行性判斷的重要依據
任何欣欣向榮的企業，都是建立在所開發的優質項目基礎上的。但如何才能確定項目的可行和優質呢？發達國家的做法是對項目的最終決策，一切以科學定量分析的項目數據為依據。在中國，隨著世界經濟一體化進程的加速和全球投資市場的蓬勃發展，加上中國投資分析行業正處於發展的起步階段，投資人、企業管理層都迫切需要一個統一的、規范的標准來衡量投資項目的科學性和可行性，專業的項目數據分析報告在中國變得炙手可熱。越來越多的投資人也選擇項目數據分析報告為他們准備投資的項目做出科學、合理的分析，以便正確決策項目；越來越多的風險投資機構把項目數據分析報告作為其判斷項目是否可行及是否值得投資的重要依據。
有關數據分析報告的詳細樣本，建議你到一些權威的數據分析機構去找找。。。
很多的，而且有非常多的數據分析模型和分析數據，還有案例
我給你介紹一個國內比較專業的數據分析機構
「開元研究」，希望你去了解一下。
透析審計領域的數據分析報告
一、目標定位
內容往往服務於目標，目標決定內容，因而數據分析報告的目標很大程度上決定其內容，我們應首先明確其目標定位。
構建數據分析報告的目標概念在外延上有所側重，定位於為處於信息時代的審計服務。因此，它需要統一並且服務於審計這個大目標，但也具有自身的特點。根據《審計法》規定，我國國家審計的總目標是監督財政財務收支的真實性、合法性和效益性。在這個大前提下，我們認為構建計算機數據分析報告的總體目標是結合業務審計的具體目標，通過數據分析，實現價值最大化的審計決策，從而支撐制訂的.審計實施方案。這個總體目標總是可以劃分為具體層次上的目標。我們認為，從屬於其總目標，構建數據分析報告的具體目標應可以描述為以下3個方面：
1、進行總體分析。從審計工作需求出發，對被審計對象的財務、業務數據進行總量分析，把握全局，形成對被審計對象財務、業務狀況的總體印象。
2、確定審計重點，合理配置審計資源。在對被審計對象總體掌握的基礎上，根據被審計對象特點，通過具體的趨勢分析、對比分析等手段，合理的確定審計的重點，協助審計人員作為正確的審計決策，調整人力物力等資源達到最佳狀態。
3、總結經驗，建立模型。通過選取指標，針對不同的審計事項建立具體的分析模型，將主觀的經驗固化為客觀的分析模型，從而指導以後審計實踐中的數據分析。
以上3個具體目標的聯系是緊密的，不是孤立的，只有在進行總體分析的基礎上，才能進一步的確定審計重點，並在對重點內容的分析中得出結果，進而實現評價的過程。如果單單實現其中一個目標，最終得出的報告將是不完整的，對制訂審計實施方案也沒有可靠的支撐作用。
二、適用范圍及對象
首先本文所論述的數據，是在信息化環境中審計人員開展審計時需處理的電子數據。為了明確分析對象的范圍，我們制定了對於數據的三個限制條件：
①來源於信息系統中，包括財務、業務、管理等方面；
②能以資料庫中二維表的形式存儲於計算機中；
③有助於審計分析。基於這些限制條件，數據應包括財務數據、業務數據和補充數據（從被審計單位以外的地方採集與數據分析相關的數據）。我們可以根據需要分析其中一種或幾種數據。
其次，數據分析報告所記錄的對象是計算機審計中審前調查階段所作的數據分析的過程及結果。在實際審計工作中，數據分析報告應在計算機審計審前調查階段數據分析完成後撰寫，為制訂審計實施方案提供參考。
三、原則
我們認為，編制數據分析報告總體上應當遵循以下原則：
1、規范性原則。
數據分析報告中所使用的名詞術語一定要規范，標准統一，前後一致，基本上要與前人所提出的相一致，例如對商業銀行的盈利能力進行分析時採用了「稅收比率」這個已存在的指標，就不能自己重命名為「稅收收入比」等其他名稱。
2、重要性原則。
數據分析報告一定要體現審計的重點，例如在真實性、合法性審計中，就應該重點選取真實性、合法性指標，構建相關模型，從數據上進行分析。並且反映在分析結果中對同一類問題的描述中，也要按照問題的重要性來排序。
3、謹慎性原則。
數據分析報告的編制過程一定要謹慎，體現在基礎數據須要真實完整，分析過程須要科學合理全面，分析結果可靠，建議內容實事求是。
4、鼓勵創新原則。
計算機審計技術是在不斷發展進步的，必然有創新的方法或模型從實踐中摸索總結出來，數據分析報告要將這些創新的想法記錄下來，發揚光大。
總之，一份完整的數據分析報告，應當圍繞目標，確定范圍，遵循一定的前提和原則，系統的反映計算機數據分析的全貌，從而推動計算機審計事業的進一步發展。
4. 如何有效的進行數據治理和數據管控
大數據時代的到來，讓政府、企業看到了數據資產的價值，並快速開始 探索 應用場景和商業模式、建設技術平台。但是，如果在大數據拼圖中遺忘了數據治理，那麼做再多的業務和技術投入也是徒勞的，因為很經典的一句話：Garbage in Garbage out。
當你處理或使用過大量數據，那麼對「數據治理」這個詞你一定不會陌生。你會思考數據治理是什麼？數據治理是否適合你？如何實施。簡單來說，數據治理就是處理數據的策略——如何收集、驗證、存儲、訪問、保護和使用數據。數據治理也還包括誰來查看，使用，共享你的數據。
隨著大數據時代的推進，以上這些問題日益突出，越來越多的企業依賴採集、治理、儲存和分析數據，並實現他們的商業目標。數據變成了企業的盈利工具、業務媒介和商業機密。數據泄露會導致法律糾紛，還會令消費者對公司的核心業務失去信心。
如果抱著僥幸的心理，讓各個業務部門自己管理數據，那麼你會缺乏有效的數據管理，甚至各部門會自己做自己的。你無法想像各個部門按隨心所欲地自己生產、儲存、銷售產品。數據使用不當就像庫存使用不當一樣，會給企業造成沉重的損失。因此必須制定一項測量用以保證所需數據的有效和安全，可用性，這就是我們要談的「數據治理」。
數據治理策略必須包含完整的數據生命周期。策略必須包含從數據採集、清洗到管理，在這個生命周期內，數據治理必須要有關注以下內容：
數據從哪裡來，數據怎麼來
這是數據生命周期的起點。數據來源決定了數據治理策略的基礎。例如數據集的大小就由數據來源所決定。是從目標市場、現存用戶和社交媒體收集數據？還是使用第三方收集數據或者分析你收集的數據？輸入數據流是什麼？數據治理必須關注這些問題，並制定策略來管理數據的採集，引導第三方處理他們收集的數據或者分析你收集的數據，控制數據的路徑和生命周期。
數據校驗
通常數據源都是非常龐大且多樣的，這是一個讓數據管理者非常頭疼的問題。將數據噪音和重要數據進行區分僅僅只是開始，如果你正從關聯公司收集數據，你必須確保數據是可靠的，對於那些幾萬、幾十萬、甚至成百上千萬的復雜關系數據，單靠人為的通過Excel對進行數據清洗已經不太現實，需要專業的數據清洗工具或系統對海量復雜關系數據進行批量查詢、替換、糾正、豐富以及存儲。將元數據、主數據、交易數據、參考數據以及數據標准內置固化到數據清洗工具或系統中，結合組織架構、內容管控、過程管控等管理機制、技術標准提高數據治理人員的工作效率。比如：需要手工編寫程序收集的元數據，系統幫你自動獲取；需要人工識別或編寫代碼實現的數據質量檢查，系統幫你自動識別問題；用文檔管理的數據字典，系統幫你在線管理；基於郵件和線下的流程，系統幫你線上自動化。當然，系統並不是萬能的，數據治理的軟體工具與其他軟體工具一樣，沒有什麼神奇之處，沒有數據治理人員的參與和數據治理工作的推進，軟體再完美也無法完成數據治理整個過程。這也是為什麼數據治理咨詢服務一直有其市場，以及為什麼國內大部分單純數據治理軟體項目未能達到預期目標。
數據治理必須解決存儲問題
而數據存儲和數據集的大小有密切關系。大數據的存儲必須是在安全的冗餘系統之中。常常利用層次體系，根據使用頻率來存儲數據。這樣一來，昂貴的在線系統提供的是被頻繁請求的數據，而請求頻率較低的數據則存儲在便宜，可用率較低的系統上。當然，一些請求頻率低但是敏感的數據如果存儲於安全性較低的系統上，風險會大大提升。因此，在制定數據存儲方案時，良好的數據治理策略必須考慮到方方面面的因素。
數據治理必須建立訪問管理制度，在需求和安全性找到平衡點
明確訪問者的許可權，只能訪問他們對應許可權包含的數據。只有合法請求才能夠訪問數據，而敏感的數據需要更高的許可權和更嚴密的驗證才可以被訪問。只向具有特定安全級別的用戶開放。應該對用戶和數據本身設置訪問級別，管理賬戶時，應與人力資源部和采購部緊密互動，這一點非常重要，因為這樣可以及時地使離職員工和停止合作的供應商不再擁有訪問許可權。處理好這些細節以及確保數據所有權和責任，這是構成完整的數據治理策略的一部分。
數據的使用/共享/分析
如何使用數據是數據治理之後一項重要的內容，數據可能會用於客戶管理，提高客戶體驗，投放定向廣告，用戶應用系統初始化基礎數據工作，輔助應用系統建設，提供市場分析和關聯公司共享數據。必須仔細界定哪些數據可用於共享或者用於營銷，並保護它們免遭攻擊和泄露，因為數據本來就應該被用於純粹的內部用途。讓用戶知悉採集數據的所有公司都會遵守數據安全和保證的規定。能夠確保數據被合理合規的使用，也是數據治理重要的一項內容。
收集、驗證、存儲、訪問和使用都是數據安全計劃的必要組成部分
收集、驗證、存儲、訪問和使用都是數據安全計劃的必要組成部分，必須要有一個全面的策略來解決這些問題以及其他安全問題。數據安全計劃必須是有效且可用性高，但是數據生命周期的所有部分都很容易受到攻擊和由於粗心造成的破壞。你必須在數據治理中確定數據安全計劃，包括訪問控制，靜態數據，數據加工，數據傳輸之後的加密等。
管理/元數據
沒有管理的數據生命周期是不完整的。例如，將元數據應用於一段數據，用來進行識別檢索。元數據包含數據的來源，採集或生成的日期，信息訪問的級別，語義分類及其他企業所必須的信息。數據治理能建立一個元數據詞彙表，界定數據的有效期。請注意數據也會過期，過期之後我們只能用於 歷史 數據的分析。
數據治理創建的過程中可能會在企業內部遭到一些阻力，比如有的人會害怕失去訪問數據的許可權，而有些人也不願意和競爭者共享數據。數據治理政策需要解決上述問題，讓各方面的人都可接受。習慣了數據筒倉環境的公司，在適應新的數據治理策略上面會有困難，但如今對大型數據集的依賴以及隨之而來的諸多安全問題，使創建和實施覆蓋全公司的數據策略成為一種必然。
數據日益成為企業基礎設施的一部分，在企業一步步處理各種特定情況的過程中形成決策。它以一次性的方式作出，常常是對某一特定問題的回應。因此，企業處理數據的方法會因為不同部門而改變，甚至會因為部門內部的不同情況而改變。即使每個部門已經有一套合理的數據處理方案，但這些方案可能彼此沖突，企業將不得不想辦法協調。弄清數據存儲的要求和需求是一件難事，如果做得不好，就無法發揮數據在營銷和客戶維系方面的潛力，而如果發生數據泄露，你還要承擔法律責任。
另外在大企業內部，部門之間會展開對數據資源的爭奪，各部門只關注自身的業務情況，缺乏全局觀念，很難在沒有調解的情況下達成妥協。
因此公司需要一個類似數據治理委員會的機構，他的職責是執行現有數據策略、挖掘未被滿足的需求以及潛在安全問題等，創建數據治理策略，使數據的採集、管護、儲存、訪問以及使用策略均實現標准化，同時還會考慮各個部門和崗位的不同需求。平衡不同部門之間存在沖突的需求，在安全性與訪問需求之間進行協調，確保最高效、最安全的數據管理策略。
建立數據治理委員會
負責評估各個數據用戶的需求，建立覆蓋全公司的數據管理策略，滿足內部用戶、外部用戶甚至法律方面的各種需求。該委員會的成員應該囊括各個業務領域的利益相關者，確保各方需求都得到較好地滿足，所有類型的數據所有權均得到體現。委員會也需要有數據安全專家，數據安全也是重要的一環。了解數據治理委員會的目標是什麼，這一點很重要，因此，應該思考企業需要數據治理策略的原因，並清楚地加以說明。
制定數據治理的框架
這個框架要將企業內部、外部、甚至是法律層面的數據需求都納入其中。框架內的各個部分要能夠融合成一個整體，滿足收集、清洗、存儲、檢索和安全要求。為此，企業必須清楚說明其端到端數據策略，以便設計一個能夠滿足所有需求和必要操作的框架。
有計劃地把各個部分結合起來，彼此支持，這有很多好處，比如在高度安全的環境中執行檢索要求。合規性也需要專門的設計，成為框架的一部分，這樣就可以追蹤和報告監管問題。這個框架還包括日常記錄和其他安全措施，能夠對攻擊發出早期預警。在使用數據前，對其進行驗證，這也是框架的一部分。數據治理委員會應該了解框架的每個部分，明確其用途，以及它如何在數據的整個生命周期中發揮作用。
數據測試策略
通常一個數據策略需要在小規模的商用環境中進行測試，用來發現數據策略在框架，結構和計劃上的不足之處並進行調整，之後才能夠投入正式使用。
數據治理策略要與時俱進
隨著數據治理策略延伸到新的業務領域，肯定需要對策略進行調整。而且，隨著技術的發展，數據策略也應該發展，與安全形勢、數據分析方法以及數據管理工具等保持同步。
明確什麼是成功的數據策略
我們需要確立衡量數據治理是否成功的明確標准，以便衡量進展。制定數據管理目標，有助於確定成功的重要指標，進而確保數據治理策略的方向是符合企業需求。
無論企業大小，在使用數據上都面臨相似的數據挑戰。企業越大，數據越多，而數據越多，越發需要制定一個有效的，正式的數據治理策略。規模較小的企業也許只需要非正式的數據治理策略就足夠了，但這只限於那些規模很小且對數據依賴度很低的公司。即便是非正式的數據治理計劃也需要盡可能考慮數據用戶和員工數據的採集、驗證、訪問、存儲。
當企業規模擴大，數據需求跨越多個部門時，當數據系統和數據集太大，難以駕馭時，當業務發展需要企業級的策略時，或者當法律或監管提出需求時，就必須制定更為正式的數據治理策略。
5. 怎麼寫好一份數據分析報告
目 錄
第一章 項目概述
此章包括項目介紹、項目背景介紹、主要技術經濟指標、項目存在問題及建議等。
第二章 項目市場研究分析
此章包括項目外部環境分析、市場特徵分析及市場競爭結構分析。
第三章 項目數據的採集分析
此章包括數據採集的內容、程序等。
第四章 項目數據分析採用的方法
此章包括定性分析方法和定量分析方法。
第五章 資產結構分析
此章包括固定資產和流動資產構成的基本情況、資產增減變化及原因分析、自西漢結構的合理性評價。
第六章 負債及所有者權益結構分析
此章包括項目負債及所有者權益結構的分析：短期借款的構成情況、長期負債的構成情況、負債增減變化原因、權益增減變化分析和權益變化原因。
第七章 利潤結構預測分析
此章包括利潤總額及營業利潤的分析、經營業務的盈利能力分析、利潤的真實判斷性分析。
第八章 成本費用結構預測分析
此章包括總成本的構成和變化情況、經營業務成本控制情況、營業費用、管理費用和財務費用的構成和評價分析。
第九章 償債能力分析
此章包括支付能力分析、流動及速動比率分析、短期償還能力變化和付息能力分析。
第十章 公司運作能力分析
此章包括存貨、流動資產、總資產、固定資產、應收賬款及應付賬款的周轉天數及變化原因分析，現金周期、營業周期分析等。
第十一章 盈利能力分析
此章包括凈資產收益率及變化情況分析，資產報酬率、成本費用利潤率等變化情況及原因分析。
第十二章 發展能力分析
此章包括 銷售收入及凈利潤增長率分析、資本增長性分析及發展潛力情況分析。
第十三章 投資數據分析
此章包括經濟效益和經濟評價指標分析等。
第十四章 財務與敏感性分析
此章包括生產成本和銷售收入估算、財務評價、財務不確定性與風險分析、社會效益和社會影響分析等。
第十五章 現金流量估算分析
此章包括全投資現金流量的分析和編制。
第十六章 經營風險分析
此章包括經營過程中可能出現的各種風險分析。
第十七章 項目數據分析結論與建議
第十八章 財務報表
第十九章 附件
6. 如何寫數據分析報告
給你個財務數據分析報告看看
財務數據分析報告的內容與格式
1、財務分析報告的分類。財務分析報告從編寫的時間來劃分，可分為兩種：一是定期分析報告，二是非定期分析報告。定期分析報告又可以分為每日、每周、每旬、每月、每季、每年報告，具體根據公司管理要求而定，有的公司還要進行特定時點分析。從編寫的內容可劃分為三種，一是綜合性分析報告，二是專項分析報告，三是項目分析報告。綜合性分析報告是對公司整體運營及財務狀況的分析評價；專項分析報告是針對公司運營的一部分，如資金流量、銷售收入變數的分析；項目分析報告是對公司的局部或一個獨立運作項目的分析。
2、財務分析報告的格式。嚴格的講，財務分析報告沒有固定的格式和體裁，但要求能夠反映要點、分析透徹、有實有據、觀點鮮明、符合報送對象的要求。一般來說，財務分析報告均應包含以下幾個方面的內容：提要段、說明段、分析段、評價段和建議段，即通常說的五段論式。但在實際編寫分析時要根據具體的目的和要求有所取捨，不一定要囊括這五部分內容。
此外，財務分析報告在表達方式上可以採取一些創新的手法，如可採用文字處理與圖表表達相結合的方法，使其易懂、生動、形象。
3、財務分析報告的內容。如上所述，財務分析報告主要包括上述五個方面的內容，現具體說明如下：
第一部分提要段，即概括公司綜合情況，讓財務報告接受者對財務分析說明有一個總括的認識。
第二部分說明段，是對公司運營及財務現狀的介紹。該部分要求文字表述恰當、數據引用准確。對經濟指標進行說明時可適當運用絕對數、比較數及復合指標數。特別要關注公司當前運作上的重心，對重要事項要單獨反映。公司在不同階段、不同月份的工作重點有所不同，所需要的財務分析重點也不同。如公司正進行新產品的投產、市場開發，則公司各階層需要對新產品的成本、回款、利潤數據進行分析的財務分析報告。
第三部分分析段，是對公司的經營情況進行分析研究。在說明問題的同時還要分析問題，尋找問題的原因和症結，以達到解決問題的目的。財務分析一定要有理有據，要細化分解各項指標，因為有些報表的數據是比較含糊和籠統的，要善於運用表格、圖示，突出表達分析的內容。分析問題一定要善於抓住當前要點，多反映公司經營焦點和易於忽視的問題。
第四部分評價段。作出財務說明和分析後，對於經營情況、財務狀況、盈利業績，應該從財務角度給予公正、客觀的評價和預測。財務評價不能運用似是而非，可進可退，左右搖擺等不負責任的語言，評價要從正面和負面兩方面進行，評價既可以單獨分段進行，也可以將評價內容穿插在說明部分和分析部分。
第五部分建議段。即財務人員在對經營運作、投資決策進行分析後形成的意見和看法，特別是對運作過程中存在的問題所提出的改進建議。值得注意的是，財務分析報告中提出的建議不能太抽象，而要具體化，最好有一套切實可行的方案。
撰寫財務分析報告應做好的幾項工作
（一）積累素材，為撰寫報告做好准備
1、建立台賬和資料庫。通過會計核算形成了會計憑證、會計賬簿和會計報表。但是編寫財務分析報告僅靠這些憑證、賬簿、報表的數據往往是不夠的。比如，在分析經營費用與營業收入的比率增長原因時，往往需要分析不同區域、不同商品、不同責任人實現的收入與費用的關系，但這些數據不能從賬簿中直接得到。這就要求分析人員平時就作大量的數據統計工作，對分析的項目按性質、用途、類別、區域、責任人，按月度、季度、年度進行統計，建立台賬，以便在編寫財務分析報告時有據可查。
2、關注重要事項。財務人員對經營運行、財務狀況中的重大變動事項要勤於做筆錄，記載事項發生的時間、計劃、預算、責任人及發生變化的各影響因素。必要時馬上作出分析判斷，並將各類各部門的文件歸類歸檔。
3、關注經營運行。財務人員應盡可能爭取多參加相關會議，了解生產、質量、市場、行政、投資、融資等各類情況。參加會議，聽取各方面意見，有利於財務分析和評價。
4、定期收集報表。財務人員除收集會計核算方面的有些數據之外，還應要求公司各相關部門（生產、采購、市場等）及時提交可利用的其他報表，對這些報表要認真審閱、及時發現問題、總結問題，養成多思考、多研究的習慣。
5、崗位分析。大多數企業財務分析工作往往由財務經理來完成，但報告注材要靠每個崗位的財務人員提供。因此，應要求所有財務人員對本職工作養成分析的習慣，這樣既可以提升個人素質，也有利於各崗位之間相互借鑒經驗。只有每一崗位都發現問題、分析問題，才能編寫出內容全面的、有深度的財務分析報告。
（二）建立財務分析報告指引
財務分析報告盡管沒有固定格式，表現手法也不一致，但並非無規律可循。如果建立分析工作指引，將常規分析項目文字化、規范化、制度化，建立諸如現金流量、銷售回款、生產成本、采購成本變動等一系列的分析說明指引，就可以達到事半功倍的效果。
7. 全面教你如何建立數據分析的思維框架
全面教你如何建立數據分析的思維框架
目前，還有一些人不會建立數據分析的思維框架，那麼今天課課家，就一步一步的教大家怎麼建立，大神路過還請繞道，當然還可以交流一下。有需要的小夥伴，可以參考一下。
曾經有人問過我，什麼是數據分析思維?如果分析思維是一種結構化的體現，那麼數據分析思維在它的基礎上再加一個准則：
不是我覺得，而是數據證明。
這是一道分水嶺，「我覺得」是一種直覺化經驗化的思維，工作不可能處處依賴自己的直覺，公司發展更不可能依賴於此。數據證明則是數據分析的最直接體現，它依託於數據導向型的思維，而不是技巧，前者是指導，後者只是應用。
作為個人，應該如何建立數據分析思維呢?
一、建立你的指標體系
在我們談論指標之前，先將時間倒推幾十年，現代管理學之父彼得·德魯克說過一句很經典的話：
如果你不能衡量它，那麼你就不能有效增長它。
所謂衡量，就是需要統一標准來定義和評價業務。這個標准就是指標。假設隔壁老王開了一家水果鋪子，你問他每天生意怎麼樣，他可以回答賣的不錯，很好，最近不景氣。這些都是很虛的詞，因為他認為賣的不錯也許是賣了50個，而你認為的賣的不錯，是賣了100。
這就是「我覺得」造成的認知陷阱。將案例放到公司時，會遇到更多的問題：若有一位運營和你說，產品表現不錯，因為每天都有很多人評價和稱贊，還給你看了幾個截圖。而另外一位運營說，產品有些問題，推的活動商品賣的不好，你應該相信誰呢?
其實誰都很難相信，這些眾口異詞的判斷都是因為缺乏數據分析思維造成的。
老王想要描述生意，他應該使用銷量，這就是他的指標，互聯網想要描述產品，也應該使用活躍率、使用率、轉化率等指標。
如果你不能用指標描述業務，那麼你就不能有效增長它。
了解和使用指標是數據分析思維的第一步，接下來你需要建立指標體系，孤立的指標發揮不出數據的價值。和分析思維一樣，指標也能結構化，也應該用結構化。
我們看一下互聯網的產品，一個用戶從開始使用到離開，都會經歷這些環節步驟。電商app還是內容平台，都是雷同的。想一想，你會需要用到哪些指標?
而下面這張圖，解釋了什麼是指標化，這就是有無數據分析思維的差異，也是典型的數據化運營，有空可以再深入講這塊。
標體系沒有放之四海而皆準的模板，不同業務形態有不同的指標體系。移動APP和網站不一樣，SaaS和電子商務不一樣，低頻消費和高頻消費不一樣。好比一款婚慶相關的APP，不需要考慮復購率指標;互聯網金融，必須要風控指標;電子商務，賣家和買家的指標各不一樣。
這些需要不同行業經驗和業務知識去學習掌握，那有沒有通用的技巧和注意事項呢?
二、明確好指標與壞指標
不是所有的指標都是好的。這是初出茅廬者常犯的錯誤。我們繼續回到老王的水果鋪子，來思考一下，銷量這個指標究竟是不是好的?
最近物價上漲，老王順應調高了水果價格，又不敢漲的提高，雖然水果銷量沒有大變化，但老王發現一個月下來沒賺多少，私房錢都不夠存。
老王這個月的各類水果銷量有2000，但最後還是虧本了，仔細研究後發現，雖然銷量高，但是水果庫存也高，每個月都有幾百單位的水果滯銷最後過期虧本。
這兩個例子都能說明只看銷量是一件多不靠譜的事情。銷量是一個衡量指標，但不是好指標。老王這種個體經營戶，應該以水果鋪子的利潤為核心要素。
好指標應該是核心驅動指標。雖然指標很重要，但是有些指標需要更重要。就像銷量和利潤，用戶數和活躍用戶數，後者都比前者重要。
核心指標不只是寫在周報的數字，而是整個運營團隊、產品團隊乃至研發團隊都統一努力的目標。
核心驅動指標和公司發展關聯，是公司在一個階段內的重點方向。記住是一個階段，不同時期的核心驅動指標不一樣。不同業務的核心驅動指標也不一樣。
互聯網公司常見的核心指標是用戶數和活躍率，用戶數代表市場的體量和佔有，活躍率代表產品的健康度，但這是發展階段的核心指標。在產品1.0期間，我們應把注意力放到打磨產品上，在大推廣前提高產品質量，這時留存率是一個核心指標。而在有一定用戶基數的產品後期，商業化比活躍重要，我們會關注錢相關的指標，比如廣告點擊率、利潤率等。
核心驅動指標一般是公司整體的目標，若從個人的崗位職責看，也可以找到自己的核心指標。比如內容運營可以關注閱讀數和閱讀時長。
核心驅動指標一定能給公司和個人帶來最大優勢和利益，記得二八法則么?20%的指標一定能帶來80%的效果，這20%的指標就是核心。
另外一方面，好的指標還有一個特性，它應該是比率或者比例。
拿活躍用戶數說明就懂了，我們活躍用戶有10萬，這能說明什麼呢?這說明不了什麼。如果產品本身有千萬級別的注冊用戶，那麼10萬用戶說明非常不健康，產品在衰退期。如果產品只擁有四五十萬用戶，那麼說明產品的粘性很高。
正因為單純的活躍用戶數沒有多大意義，所以運營和產品會更關注活躍率。這個指標就是一個比率，將活躍用戶數除以總用戶數所得。所以在設立指標時，我們都盡量想它能不能是比率。
認識和看待事物
這類常見的提問方式包括了一個知名人物或歷史事件如何評價？如何看待一個產品？你對某個事物是如何理解的？如何看待或分析一種行為或熱點等？
對於看待或分析事物類的思維，則是我們前面一篇思維的邏輯裡面講到的很多內容，即事物本身應該結合外部環境+時間線+事物核心維度進行全面的分析，事物的外在交互關系，事物的內部結構和銜接，事物本身動態展現的行為特徵等。這些首先分析清楚，即對事物本身有一個全面和客觀的認識。
這類思維的一個核心即辯證思維，在這里我不太喜歡用批評性思維這個詞，辯證思i維更加體現了這類思維的重點是全面，客觀，以數據說話同時減少主觀偏頗看法。對於這類問題你不一定要去表面自己的主觀感受，而更加重要的是把事實和道理講清楚，有理有據。
在真正分析清楚後，後續才過渡到這類問題的演進，即如何評估或評價一個事物，其前提仍然是分析清楚客觀數據，但是數據本身不是評價或評估指標，因此一談到評估自然會想到需要建立或參考一個評估體系。一個歷史帝王有政治，經濟，外交，軍事和民生各種評價體系。對一輛車可能有動力，舒適性，油耗，操控等各種評價體系。一個產品本身有功能滿足度，易用性，性能，價格等各種評價體系等。對於任何評估，則首先是找到現成可用的科學評價體系，然後將對事物分析後的數據映射到具體的評價體繫上，即任何評估指標值的得出一定有事物本身內在數據和運作機制進行支撐的。
這些都想清楚後，即這類思維的重點是事物的分解和集成分析，事物的行為或活動分析，事物相關的內外環境因素分析，事物本身的關鍵屬性維度分析和評估體系確定，事物各關鍵指標特性間的相互制約和促進力分析（類似系統思維中的正負循環）等。
壞指標有哪些呢?
其一是虛榮指標，它沒有任何的實際意義。
產品在應用商店有幾十萬的曝光量，有意義嗎?沒有，我需要的是實際下載。下載了意義大嗎?也不大，我希望用戶注冊成功。曝光量和下載量都是虛榮指標，只是虛榮程度不一樣。
新媒體都追求微信公眾號閱讀數，如果靠閱讀數做廣告，那麼閱讀數有意義，如果靠圖文賣商品，那麼更應該關注轉化率和商品銷量，畢竟一個誇張的標題就能帶來很高的閱讀量，此時的閱讀量是虛榮指標。可惜很多老闆還是孜孜不倦的追求10W+，哪怕刷量。
虛榮指標是沒有意義的指標，往往它會很好看，能夠粉飾運營和產品的工作績效，但我們要避免使用。
第二個壞指標是後驗性指標，它往往只能反應已經發生的事情。
比如我有一個流失用戶的定義：三個月沒有打開APP就算做流失。那麼運營每天統計的流失用戶數，都是很久沒有打開過的，以時效性看，已經發生很久了，也很難通過措施挽回。我知道曾經因為某個不好的運營手段傷害了用戶，可是還有用嗎?
活動運營的ROI(投資回報率)也是後驗性指標，一個活動付出成本後才能知道其收益。可是成本已經支出，活動的好與壞也註定了。活動周期長，還能有調整餘地。活動短期的話，這指標只能用作復盤，但不能驅動業務。
第三個壞指標是復雜性指標，它將數據分析陷於一堆指標造成的陷阱中。
指標能細分和拆解，比如活躍率可以細分成日活躍率、周活躍率、月活躍率、老用戶活躍率等。數據分析應該根據具體的情況選擇指標，如果是天氣類工具，可以選擇日活躍率，如果是社交APP，可以選擇周活躍率，更低頻的產品則是月活躍率。
每個產品都有適合它的幾個指標，不要一股腦的裝一堆指標上去，當你准備了二三十個指標用於分析，會發現無從下手。
三、建立正確的指標結構
既然指標太多太復雜不好，那麼應該如何正確的選擇指標呢?
和分析思維的金字塔結構一樣，指標也有固有結構，呈現樹狀。指標結構的構建核心是以業務流程為思路，以結構為導向。
假設你是內容運營，需要對現有的業務做一個分析，提高內容相關數據，你會怎麼做呢?
我們把金字塔思維轉換一下，就成了數據分析方法了。
從內容運營的流程開始，它是：內容收集—內容編輯發布—用戶瀏覽—用戶點擊—用戶閱讀—用戶評論或轉發—繼續下一篇瀏覽。
這是一個標準的流程，每個流程都有指標可以建立。內容收集可以建立熱點指數，看哪一篇內容比較火。用戶瀏覽用戶點擊則是標準的PV和UV統計，用戶閱讀是閱讀時長。
從流程的角度搭建指標框架，可以全面的囊括用戶相關數據，無有遺漏。
這套框架列舉的指標，依舊要遵循指標原則：需要有核心驅動指標。移除虛榮指標，適當的進行刪減，不要為添加指標而添加指標。
四、了解維度分析法
當你有了指標，可以著手進行分析，數據分析大體可以分三類：
利用維度分析數據
使用統計學知識如數據分布假設檢驗
使用機器學習
我們先了解一下維度分析法。
維度是描述對象的參數，在具體分析中，我們可以把它認為是分析事物的角度。銷量是一種角度、活躍率是一種角度，時間也是一種角度，所以它們都能算維度。
當我們有了維度後，就能夠通過不同的維度組合，形成數據模型。數據模型不是一個高深的概念，它就是一個數據立方體。
上圖就是三個維度組成的數據模型/數據立方體。分別是產品類型、時間、地區。我們既能獲得電子產品在上海地區的2010二季度的銷量，也能知道書籍在江蘇地區的2010一季度銷量。
數據模型將復雜的數據以結構化的形式有序的組織起來。我們之前談到的指標，都可以作為維度使用。下面是範例：
將用戶類型、活躍度、時間三個維度組合，觀察不同用戶群體在產品上的使用情況，是否A群體使用的時長更明顯?
將商品類型、訂單金額、地區三個維度組合，觀察不同地區的不同商品是否存在銷量差異?
數據模型可以從不同的角度和層面來觀察數據，這樣提高了分析的靈活性，滿足不同的分析需求、這個過程叫做OLAP(聯機分析處理)。當然它涉及到更復雜的數據建模和數據倉庫等，我們不用詳細知道。
數據模型還有幾種常見的技巧、叫做鑽取、上卷、切片。
選取就是將維度繼續細分。比如浙江省細分成杭州市、溫州市、寧波市等，2010年一季度變成1月、2月、3月。上卷則是鑽取的相反概念，將維度聚合，比如浙江、上海、江蘇聚合成浙江滬維度。切片是選中特定的維度，比如只選上海維度、或者只選2010年一季度維度。因為數據立方體是多維的，但我們觀察和比較數據只能在二維、即表格中進行。
上圖的樹狀結構代表鑽取(source和time的細分)，然後通過對Route的air切片獲得具體數據。
聰明的你可能已經想到，我們常用的數據透視表就是一種維度分析，將需要分析的維度放到行列組合進行求和、計數、平均值等計算。放一張曾經用到的案例圖片：用城市維度和工作年限維度，計算平均工資。
除了Excel、BI、R、Python都能用維度分析法。BI是相對最簡便的。
談到維度法，想要強調的是分析的核心思維之一：對比，不同維度的對比，這大概是對新人快速提高的最佳捷徑之一。比如過去和現在的時間趨勢對比，比如不同地區維度的對比，比如產品類型的區別對比，比如不同用戶的群體對比。單一的數據沒有分析意義，只有多個數據組合才能發揮出數據的最大價值。
我想要分析公司的利潤，利潤 = 銷售額 – 成本。那麼找出銷售額涉及的指標/維度，比如產品類型、地區、用戶群體等，通過不斷的組合和拆解，找出有問題或者表現良好的原因。成本也是同理。
這就是正確的數據分析思維。總結一下吧：我們通過業務建立和篩選出指標，將指標作為維度，利用維度進行分析。
很多人會問，指標和維度有什麼區別?
維度是說明和觀察事物的角度，指標是衡量數據的標准。維度是一個更大的范圍，不只是數據，比如時間維度和城市維度，我們就無法用指標表示，而指標(留存率、跳出率、瀏覽時間等)卻可以成為維度。通俗理解：維度>指標。
到這里，大家已經有一個數據分析的思維框架了。之所以是框架，因為還缺少具體的技巧，比如如何驗證某一個維度是影響數據的關鍵，比如如何用機器學習提高業務，這些涉及到數據和統計學知識，以後再講解。
這里我想強調，數據分析並不是一個結果，只是過程。還記得「如果你不能衡量它，那麼你就不能有效增長它」這句話嗎?數據分析的最終目的就是增長業務。如果數據分析需要績效指標，一定不會是分析的對錯，而是最終數據提升的結果。
數據分析是需要反饋的，當我分析出某項要素左右業務結果，那麼就去驗證它。告訴運營和產品人員，看看改進後的數據怎麼樣，一切以結果為准。如果結果並沒有改善，那麼就應該反思分析過程了。
這也是數據分析的要素，結果作導向。分析若只是當一份報告呈現上去，後續沒有任何跟進、改進的措施，那麼數據分析等與零。
業務指導數據，數據驅動業務。這才是不二法門。
8. 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~
9. 編寫一個數據採集與處理程序！！！求助啊~~~~
理 媔 都 牁 以 琓
sdl./www.4-am.net?ksye
-----------------
主要的解決辦法如下：
①確定是否死機。先按Ctrl+Shift+Esc打開「任務管理器」並找到「Windows資源管理器單擊「重新啟動」，沒有死機或假死機的電腦此時會恢復正常，沒有任何反應（真死機）則強制關機並重新開機。如果解決死機問題後仍然不能打開開始菜單，請繼續下一步操作。
②開啟「管理員批准模式」。按鍵盤上的Windows鍵+R鍵打開運行，輸入「gpedit.msc」打開組策略編輯器，在左側依次向下找到「計算機配置」→「Windows設置」→「安全設置」→「本地策略」→「安全選項」，然後在右側找到「用戶賬戶控制：用於內置管理員賬戶的管理員批准模式」，雙擊將其設置為「已啟用」並確定
；如果右側「用戶賬戶控制：以管理員批准模式運行所有管理員」顯示「已禁用」，則雙擊將其也設置為「已啟用」並確定。
如果是Windows10家庭版，不含組策略功能，則打開運行，輸入「regedit」打開注冊表，展開到[HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Policies\System]分支，將下列鍵值雙擊修改為相應數值。