数据统计分析是配送公司老板必修课的原因

在配送企业的经营管理中，不同企业不同阶段会遇到各种各样的问题，有共性问题也有差异问题，都需要公司内部通过详细的数据分析，使彼此达成一定的共识，才能有效解决这些问题。

比如要不要多备库存补货，到底应该聚焦哪一类客户，损耗控制在多少以下才合理，采购是价格优先还是品质优先等。

商业环境变化的速度在加快，需要企业内部以更加敏捷的组织去应对外部的不确定性。可以是行业的增长，也可以是竞争对手的动态，还有新技术在行业的应用等。

我们去医院看病先会进行各种检查，通过身体的各项数据指标和正常数据进行对比，判断健康问题的类型并给出治疗方案。

这也体现了诊断的重要性，企业也是一样，只有真正了解经营的数据，更快更准确找到企业存在的真实问题，才能对症下药。

数据的收集整理就相当于在医院化验各种指标一样，在对指标进行历史数据，正常人数据，相关数据的对比分析后，得出方案并进行有效的治疗。

数据的定义：数字和产生数字的证据，核心作用是用现在的数字证据，作为未来决策的依据。

数据分析的原则体现在，数据能够记录的信息越全面，我们对过去发生的状况就会越清楚，比如关于员工的、客户的、产品的、流程的。

清晰的数据分析目的是一起数据分析的原点，数据是数字化的证据，没有记录下来的事情就相当于没有发生过，以下是数据分析的常见目的。

(一)、沉淀方法。如果没有记录，则公司的经历就不能积累和沉淀为“经验”，公司的“经验”会随着这些人才的流失而流失了，更可怕的是带到了竞争对手那里。

(二)、追溯。追责、求根源、求真相，既然是为了追溯“真相”，追溯到底发生了什么，那么数据记录就必须具备“证据效力”，要有各种完善的数据记录标准和规范，有了数据才会有数据分析，才会有对过去的追溯。

(三)、监控。监督、检查、评估，监控的目的是为了保证业务的发展能够按照计划的轨道行进，如果过程中发生了偏差，则需要随时调整政策，无论这种偏差是正面还是负面，是偏大还是偏小。

(四)、洞察。探寻规律，掌握发展的钥匙，数据分析的终极目的是预测未来事物如何发展。

(五)、商机。挖掘未被满足的需求，数据分析能够帮助我们发现商机，商机都带有时效性，数据分析也揭示了新的方法和理论。

(六)、预测。指导未来实践的规律：预测客户、预测竞争对手。

在对数据进行统计之前，我们要先进行分类，从茫茫数据的海洋中找出对我们有用的。

数据分类是数据分析的基本方法，在分类之前首先要有分类标准。比如员工可以按性别、年龄、学历、工作年限、婚姻、生育、民族等维度进行划分。

在解构事物的三要素——要素、属性和行为。数据分类我们可以按照以下类别进行划分。

(一)、要素分类法。是指事物的组成部分，比如订单包含有产品、数量、价格、品质和交期、付款方式等。

(二)、属性分类法。属性是事物自身的特征。比如食材可以按照蔬菜、水果、肉制品、粮油干料等进行分类。

(三)、行为分类法。由要素和属性产生的行为，库存量、损耗率、毛利率、保质期等。

(四)、流程分类法。按照客户的决策模型分类，售后流程进行分类，数据分析应用很广泛的一种方式，并且可以计算出转化率。比如业务团队跟进客户的流程，划分为拜访、了解需求、确认需求、注册商城、小批量供货、稳定供货，根据流程就知道各个客户处于什么阶段了，并且还能分析客户卡在某个阶段没有转化到下一阶段的原因，便于我们做出针对性的改善。

完成了数据的分类，我们就可以开始着手数据的统计，统计数据的方式包含纸质表格-电子表格-信息系统(本地)-云端数据等方式，数据统计方式越高级，统计起来越方便、高效和安全。

数据分为静态数据(员工、客户和商品等基本信息)和动态数据(时间轴上的数据集，比如员工业绩的累加、客户订单订单已收和待收的累加、产品人均成本损耗的累加等)。

数据在统计中按特性，可以分为结构数据和非结构数据。

如何将非结构化数据进行结构化然后统计变得非常重要，例如将动态数据表格嵌入到静态数据表格中，既可以单独罗列又可以进行相关计算。

另外要用好数据统计里面的条件函数，当某数值发生变化时，会自动进行颜色标注，比如毛利低于某值，损耗高于某值、成本高于某平均值等。

数据质量管理我们还要保障以下指标：

①、准确性(误差值)

②、及时性(处理效率)

③、真实性(是否可追溯)

④、完整性(必填项没填)

⑤、精确性(数据颗粒度足够小)

⑥、全面性(表格里的遗漏项)

⑦、关联性(避免数据孤岛，无法对比分析)

完成数据的统计后，在数据分析前还要做好数据清洗。

第一类清洗是处理录入名称、日期、规格等的不规范，所以要统一录入规范。

第二类清洗是处理数据不一致，没有遵循单维数据表的原则导致1条数据只能存在一个地方，其他的地方只能进行数据的引用，比如客户的名称更改，其他各张表格中的名称都需要进行更改，是很容易遗漏的。

特别是使用两套系统时，客户及供应商信息变更时，数据信息无法及时同步。

例如配送公司异常的处理标准是否统一：将异常原因设置成选择项，选项能包含90%以上的异常，这样后续就能分析不同类型异常的占比，不然同个异常可能有上十种叫法，无法进行科学的数据分析，并有效降低异常比例。

此外还有格式上的不标准，这类可以在excel表格设置单元格格式，不规范会自动提醒，比如日期规范、数字规范。

在正式的数据分析前，我们先来熟悉下数据分析的思路和方法。先总后分，逐层拆解，通过总体的数据分析下层的数据。

经营企业都清楚利润=收入-支出，但是利润下滑会有5种可能性：

①、支出不变，收入减少;

②、收入不变，支出增加;

③、收入和支出都减少，而支出减少更少一些;

④、都收入和支出都增加了，但支出增加更多一些;

⑤、收入减少而支出增加。

那么针对性的分析更有可能找出问题所在，而不是把几个部门的负责人叫过来，完不成指标就下课这么简单粗暴。

同样收入=销售单价*销售数量，收入下降也有4种可能性 ，这里大家可以练习分析有哪四种可能性。

支出也可以这样拆解，一直拆解到不能拆解为止，最终问题的真实原因就逐渐浮出水面了。

可视化作图——按照认知规律作图展示：

①、一张图上不要展示太多内容，能阐述清楚一个问题即可。

②、柱状图尽量进行排序展示，从高到低和从低到高都可以。

③、饼状图进行结构配比关系：比如不同类型客户的订单额、待收款的占比。

还有一种很重要的分析方法，应用管理常识是数据分析的基础：理解人、财、事、物、流程的衔接关系，从这个关系中找出数据分析的思路。

数据分析方法中应用最多的是对比分析法，对比与对标是识别事物的基本方法。对比是最基本的数据分析方法，也是其他数据分析方法的基础。

数据分析时要找寻“差异是有原因的，而相同也是有原因的”。对比分为横向、纵向及多维度对比。

不同角度的对比得出不同的结论：比如两人除了身高的对比，还可以是年龄、成绩、体重、收入等。

对了对比外，还有对标是很重要的数据分析方法，第一是可以和自己比，不断挑战更低的库存，更高的毛利，更快的增长率。

与别人比(其他同事、竞争对手、行业均值、上下游供应链)，必须要超越行业均值，行业平均值是企业发展的生命线，这里的指标涉及规模指标、增速指标、效率指标(核心值)、效益指标、综合指标等。

进行区域的标杆管理，会产生榜样的力量，用数据量化区域的标杆企业，这样就知道各个地方的差距在哪里，就像企业自身设定的高目标数据本身也是一种标杆效应。

我们在做数据统计分析时，会面临数据太多统计分析太麻烦怎么办，这里可以应用数据的权重来解决。

比如绩效从多维度打分避免单位维度的作用降低，像有的企业对价值观和业绩同时进行打分，通过加权平均就可以将各岗位的，业绩、客户满意度，供应商评估等进行综合打分。

例如我们要计算分拣工的绩效水平数据，可以在食材品质、分拣重量、漏分错分数量、卫生打扫、周转筐管理等，各个维度的数据进行统计打分，但是数据太多无法得出结论，这里就用权重进行计算，假如每项分值1-5分，分拣重量权重是50%，卫生打扫10%，用分值乘以权重就是该项得分，同样是得4分，重量和卫生最终按权重的得分分别是2分和0.4分。

最后我们总结一下，数据分析在哪方面可以发挥出巨大的经营管理价值：

一家企业在某个区域开展业务，那么需要收集分析这个区域的员工薪资水平，竞争对手的数量、人员和场地规模、人均效益、服务客户群体、成立时间、产品的类别、价格情况、运营时间等基础信息。

根据这些信息找出差异化优势定位，制定合理的薪资水平，更科学的绩效考核等，还可以避免某个区域的恶性竞争，这是对区域同行业的数据整理和分析的意义。

分析完同行，还要分析客户的相关数据，这个涉及业务的定位，你有什么优势去做哪一类的客户，和你拥有的资源和能力有关系。

分析不同类型的客户并确定，市场的规模有多大。

①、了解不同客户的交易时间，确保不要打乱你的供应链节奏;

②、了解不同客户的供应需求，尽可能的不要服务有太多长尾需求的客户;

③、了解不同的客户账期，清楚自己的现金流是否有较大的压力。

再统计出订单的客单价中位数大概是多少，对应的毛利是正数还是负数。

企业正常运转后还需要定期统计不同的客户的毛利，不同商品的毛利等核心数据，可以及时调整聚焦客户的开发方向，优化商品的结构，来保障公司的正常经营。

除了竞争对手和客户之外，你的供应商和内部经营管理的数据统计分析也十分重要，像供应商的价格统计分析，开发新供应商的比例，供应商的账期管理、退换货数据等。

内部经营管理涉及你的库存周转率、产品的损耗、异常统计、待收货款的比例等。这些我们在后续会逐步展开进行详细分析。

统计分析数据完成的是第一步的诊断，有效的诊断出问题才能有效的解决实际的问题。虽然数据一定会出错，但是错多和错少，区别就很大。

越是优秀的企业对规律和数据的把控越严格，无论是在管理上还是在制度和流程上，它们都把数据当成“信仰”。