在配送企業的經營管理中，不同企業不同階段會遇到各種各樣的問題，有共性問題也有差異問題，都需要公司內部通過詳細的數據分析，使彼此達成一定的共識，才能有效解決這些問題。

比如要不要多備庫存補貨，到底應該聚焦哪一類客戶，損耗控制在多少以下才合理，采購是價格優先還是品質優先等。

商業環境變化的速度在加快，需要企業內部以更加敏捷的組織去應對外部的不確定性?？梢允切袠I的增長，也可以是競爭對手的動態，還有新技術在行業的應用等。

我們去醫院看病先會進行各種檢查，通過身體的各項數據指標和正常數據進行對比，判斷健康問題的類型并給出治療方案。

這也體現了診斷的重要性，企業也是一樣，只有真正了解經營的數據，更快更準確找到企業存在的真實問題，才能對癥下藥。

數據的收集整理就相當于在醫院化驗各種指標一樣，在對指標進行歷史數據，正常人數據，相關數據的對比分析后，得出方案并進行有效的治療。

數據的定義：數字和產生數字的證據，核心作用是用現在的數字證據，作為未來決策的依據。

數據分析的原則體現在，數據能夠記錄的信息越全面，我們對過去發生的狀況就會越清楚，比如關于員工的、客戶的、產品的、流程的。

清晰的數據分析目的是一起數據分析的原點，數據是數字化的證據，沒有記錄下來的事情就相當于沒有發生過，以下是數據分析的常見目的。

(一)、沉淀方法。如果沒有記錄，則公司的經歷就不能積累和沉淀為“經驗”，公司的“經驗”會隨著這些人才的流失而流失了，更可怕的是帶到了競爭對手那里。

(二)、追溯。追責、求根源、求真相，既然是為了追溯“真相”，追溯到底發生了什么，那么數據記錄就必須具備“證據效力”，要有各種完善的數據記錄標準和規范，有了數據才會有數據分析，才會有對過去的追溯。

(三)、監控。監督、檢查、評估，監控的目的是為了保證業務的發展能夠按照計劃的軌道行進，如果過程中發生了偏差，則需要隨時調整政策，無論這種偏差是正面還是負面，是偏大還是偏小。

(四)、洞察。探尋規律，掌握發展的鑰匙，數據分析的終極目的是預測未來事物如何發展。

(五)、商機。挖掘未被滿足的需求，數據分析能夠幫助我們發現商機，商機都帶有時效性，數據分析也揭示了新的方法和理論。

(六)、預測。指導未來實踐的規律：預測客戶、預測競爭對手。

在對數據進行統計之前，我們要先進行分類，從茫茫數據的海洋中找出對我們有用的。

數據分類是數據分析的基本方法，在分類之前首先要有分類標準。比如員工可以按性別、年齡、學歷、工作年限、婚姻、生育、民族等維度進行劃分。

在解構事物的三要素——要素、屬性和行為。數據分類我們可以按照以下類別進行劃分。

(一)、要素分類法。是指事物的組成部分，比如訂單包含有產品、數量、價格、品質和交期、付款方式等。

(二)、屬性分類法。屬性是事物自身的特征。比如食材可以按照蔬菜、水果、肉制品、糧油干料等進行分類。

(三)、行為分類法。由要素和屬性產生的行為，庫存量、損耗率、毛利率、保質期等。

(四)、流程分類法。按照客戶的決策模型分類，售后流程進行分類，數據分析應用很廣泛的一種方式，并且可以計算出轉化率。比如業務團隊跟進客戶的流程，劃分為拜訪、了解需求、確認需求、注冊商城、小批量供貨、穩定供貨，根據流程就知道各個客戶處于什么階段了，并且還能分析客戶卡在某個階段沒有轉化到下一階段的原因，便于我們做出針對性的改善。

完成了數據的分類，我們就可以開始著手數據的統計，統計數據的方式包含紙質表格-電子表格-信息系統(本地)-云端數據等方式，數據統計方式越高級，統計起來越方便、高效和安全。

數據分為靜態數據(員工、客戶和商品等基本信息)和動態數據(時間軸上的數據集，比如員工業績的累加、客戶訂單訂單已收和待收的累加、產品人均成本損耗的累加等)。

數據在統計中按特性，可以分為結構數據和非結構數據。

如何將非結構化數據進行結構化然后統計變得非常重要，例如將動態數據表格嵌入到靜態數據表格中，既可以單獨羅列又可以進行相關計算。

另外要用好數據統計里面的條件函數，當某數值發生變化時，會自動進行顏色標注，比如毛利低于某值，損耗高于某值、成本高于某平均值等。

數據質量管理我們還要保障以下指標：

①、準確性(誤差值)

②、及時性(處理效率)

③、真實性(是否可追溯)

④、完整性(必填項沒填)

⑤、精確性(數據顆粒度足夠小)

⑥、全面性(表格里的遺漏項)

⑦、關聯性(避免數據孤島，無法對比分析)

完成數據的統計后，在數據分析前還要做好數據清洗。

第一類清洗是處理錄入名稱、日期、規格等的不規范，所以要統一錄入規范。

第二類清洗是處理數據不一致，沒有遵循單維數據表的原則導致1條數據只能存在一個地方，其他的地方只能進行數據的引用，比如客戶的名稱更改，其他各張表格中的名稱都需要進行更改，是很容易遺漏的。

特別是使用兩套系統時，客戶及供應商信息變更時，數據信息無法及時同步。

例如配送公司異常的處理標準是否統一：將異常原因設置成選擇項，選項能包含90%以上的異常，這樣后續就能分析不同類型異常的占比，不然同個異?？赡苡猩鲜N叫法，無法進行科學的數據分析，并有效降低異常比例。

此外還有格式上的不標準，這類可以在excel表格設置單元格格式，不規范會自動提醒，比如日期規范、數字規范。

在正式的數據分析前，我們先來熟悉下數據分析的思路和方法。先總后分，逐層拆解，通過總體的數據分析下層的數據。

經營企業都清楚利潤=收入-支出，但是利潤下滑會有5種可能性：

①、支出不變，收入減少;

②、收入不變，支出增加;

③、收入和支出都減少，而支出減少更少一些;

④、都收入和支出都增加了，但支出增加更多一些;

⑤、收入減少而支出增加。

那么針對性的分析更有可能找出問題所在，而不是把幾個部門的負責人叫過來，完不成指標就下課這么簡單粗暴。

同樣收入=銷售單價*銷售數量，收入下降也有4種可能性 ，這里大家可以練習分析有哪四種可能性。

支出也可以這樣拆解，一直拆解到不能拆解為止，最終問題的真實原因就逐漸浮出水面了。

可視化作圖——按照認知規律作圖展示：

①、一張圖上不要展示太多內容，能闡述清楚一個問題即可。

②、柱狀圖盡量進行排序展示，從高到低和從低到高都可以。

③、餅狀圖進行結構配比關系：比如不同類型客戶的訂單額、待收款的占比。

還有一種很重要的分析方法，應用管理常識是數據分析的基礎：理解人、財、事、物、流程的銜接關系，從這個關系中找出數據分析的思路。

數據分析方法中應用最多的是對比分析法，對比與對標是識別事物的基本方法。對比是最基本的數據分析方法，也是其他數據分析方法的基礎。

數據分析時要找尋“差異是有原因的，而相同也是有原因的”。對比分為橫向、縱向及多維度對比。

不同角度的對比得出不同的結論：比如兩人除了身高的對比，還可以是年齡、成績、體重、收入等。

對了對比外，還有對標是很重要的數據分析方法，第一是可以和自己比，不斷挑戰更低的庫存，更高的毛利，更快的增長率。

與別人比(其他同事、競爭對手、行業均值、上下游供應鏈)，必須要超越行業均值，行業平均值是企業發展的生命線，這里的指標涉及規模指標、增速指標、效率指標(核心值)、效益指標、綜合指標等。

進行區域的標桿管理，會產生榜樣的力量，用數據量化區域的標桿企業，這樣就知道各個地方的差距在哪里，就像企業自身設定的高目標數據本身也是一種標桿效應。

我們在做數據統計分析時，會面臨數據太多統計分析太麻煩怎么辦，這里可以應用數據的權重來解決。

比如績效從多維度打分避免單位維度的作用降低，像有的企業對價值觀和業績同時進行打分，通過加權平均就可以將各崗位的，業績、客戶滿意度，供應商評估等進行綜合打分。

例如我們要計算分揀工的績效水平數據，可以在食材品質、分揀重量、漏分錯分數量、衛生打掃、周轉筐管理等，各個維度的數據進行統計打分，但是數據太多無法得出結論，這里就用權重進行計算，假如每項分值1-5分，分揀重量權重是50%，衛生打掃10%，用分值乘以權重就是該項得分，同樣是得4分，重量和衛生最終按權重的得分分別是2分和0.4分。

最后我們總結一下，數據分析在哪方面可以發揮出巨大的經營管理價值：

一家企業在某個區域開展業務，那么需要收集分析這個區域的員工薪資水平，競爭對手的數量、人員和場地規模、人均效益、服務客戶群體、成立時間、產品的類別、價格情況、運營時間等基礎信息。

根據這些信息找出差異化優勢定位，制定合理的薪資水平，更科學的績效考核等，還可以避免某個區域的惡性競爭，這是對區域同行業的數據整理和分析的意義。

分析完同行，還要分析客戶的相關數據，這個涉及業務的定位，你有什么優勢去做哪一類的客戶，和你擁有的資源和能力有關系。

分析不同類型的客戶并確定，市場的規模有多大。

①、了解不同客戶的交易時間，確保不要打亂你的供應鏈節奏;

②、了解不同客戶的供應需求，盡可能的不要服務有太多長尾需求的客戶;

③、了解不同的客戶賬期，清楚自己的現金流是否有較大的壓力。

再統計出訂單的客單價中位數大概是多少，對應的毛利是正數還是負數。

企業正常運轉后還需要定期統計不同的客戶的毛利，不同商品的毛利等核心數據，可以及時調整聚焦客戶的開發方向，優化商品的結構，來保障公司的正常經營。

除了競爭對手和客戶之外，你的供應商和內部經營管理的數據統計分析也十分重要，像供應商的價格統計分析，開發新供應商的比例，供應商的賬期管理、退換貨數據等。

內部經營管理涉及你的庫存周轉率、產品的損耗、異常統計、待收貨款的比例等。這些我們在后續會逐步展開進行詳細分析。

統計分析數據完成的是第一步的診斷，有效的診斷出問題才能有效的解決實際的問題。雖然數據一定會出錯，但是錯多和錯少，區別就很大。

越是優秀的企業對規律和數據的把控越嚴格，無論是在管理上還是在制度和流程上，它們都把數據當成“信仰”。