excel供应链经营数据分析
excel供应链经营数据分析，传统供应链是链式的，数字化阶段是网状的结构。所以企业不进行转型，就很难跟上时代的步伐，每一个细分的供应链的点，对企业都有大影响。以下分享excel供应链经营数据分析。
excel供应链经营数据分析1Excel连通数据库，供应链进度追踪效率倍增
企业不进行转型，就很难跟上时代的步伐。传统供应链是链式的，数字化阶段是网状的结构。连接和共享是数字化阶段的重要因素。每一个细分的供应链的点，对企业的价值都有强大的影响。
数据连接以后，我们从需求的产生到寻源到采购到智能制造，到仓储到风险控制全部都要想办法实现数字化，但是整个供应链没有打通的话，这个点会成为一个瓶颈，会制约企业数字化的进程。
供应链进度追踪表的背景
对任何一家企业来说，销售与供应链永远是天平秤上的两端，如何摆放两个砝码，非常考验企业的管理能力。我们今天先来说说供应链管理，井然有序的供应链可以保证充足的货源供应，提高卖家的发货效率,节约时间成本,从而提升客户体验。
如果供应链能力较弱，会影响到后续的采购决策、产品销售和用户体验，产生一系列的问题。随着互联网的快速发展，供应链管理在现代企业的发展中占有越来越重要的地位，而数据分析作为非常重要的一种运营手段，在营销管理、供应链管理等环节都需要应用到数据分析的结果。
在供应链管理中，有大量的进度追踪表，追采购、追入库、追生产、物流、回款等各个环节。这些进度追踪表有三个特点：
1、有大量明细数据
2、在明细数据上有计算字段。
3、基于明细数据做些汇总分析、透视表分析。
大致是“明细表+加工表+统计表”的三表模式。
进度追踪表的痛点
最大的痛点是 明细数据的获取。
进度追踪表需要每天更新，每天下班前，报表制作人员就要到各种IT系统中下载数据，然后拷贝到Excel中，效率低、容易出错。
为什么不连接数据库呢？直接从数据库中取数据，工作效率肯定增加不少。
但遗憾的是，Excel的数据库功能非常难用，微软并没有把各家数据库的驱动集成到office安装包中，所以当你想连接数据库时，会弹出提示窗口—“此连接需要安装一个或多个其他组件才能使用”。相信这时候99%的用户都会放弃。
安装驱动后，接下来就要输入用户、密码、SQL语句，普通用户一脸懵逼，对于企业IT管理员更是安全噩梦。
智分析，大幅降低数据库门槛
智分析是思迈特软件推出的云端BI产品，采用 Excel插件 +云端BI服务的功能组合，让IT管理员统一管控数据连接，普通用户在Excel中能方便的使用数据库，大大降低了数据库的使用门槛。
excel供应链经营数据分析2
首先说常用的几种方法：
1、交叉表分析
交叉列表分析法是指同时将两个或两个以上有一定联系的变量及其变量值按照一定的顺序交叉排列在一张统计表内，使各变量值成为不同变量的结点，从中分析变量之间的相关关系，进而得出科学结论的一种数据分析技术。
简单的说就是将一份数据的两个列做交叉进行分析。比如一列数字是性别，一列数字是消费金额，做成交叉表就是男性和女性分别的消费总额是多少。所谓交叉表说的高大上，平时也可以叫透视表分析。其实excel的透视表基本可以满足，稍微大型一些数据，用SQL语句也完全可以查询出来。
2、聚类分析
聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。
聚类分析最经典的案例要算啤酒与尿布的购物篮算法，至于其中的故事，网上有好多，此处不予赘述。购物篮分析最常用的便是Apriori算法，现在使用R语言或者Python便可以轻松调用其相关算法包，进行支持度和置信度的计算。
2、回归分析
回归分析常用在预测模型当中，回归分析主要是分析两个事物之间的相关情况，然后寻求其中的规律，如线性回归、logistic回归等等。
3、杜邦分析
杜邦分析一般是财务上常用的分析方法，其将利润或者毛利进行细致拆分，通过各个指标的变化比较，来分析其多总体的影响。一般情况，杜邦分析多采用多个企业或项目进行比较，对于单个企业或项目的杜邦分析，意义较小。
4、RFM分析
RFM分析是在客户运营和会员运营方面最最常用的方法，通过看客户在一段时间内的购买次数、最近购买时间和购买金额，来对客户进行分类，对客户进行打标签，进而对其进行有针对性的精准营销。
当然，数据分析的方法模型，不仅仅限于这几种，对于数据分析来说，涉及供应链不同环节的企业，分析方法和分析指标也有所区别，其数据分析的侧重点也有所不同。
excel供应链经营数据分析3一、Excel小技巧
【教学目的】Excel很多的小技巧，可以迅速提高数据分析效率，本模块的目的在于讲述最实用的小技巧，目的在于提高学员的积极性、提升工作效率。
1、快速输入今天的日期
2、使用智能填充实现自定义填充功能
3、使用定位进行高效数据整理
4、使用数据分列实现数据格式转换
5、使用照相机工具实现Dashboard的制作
6、使用自定义格式实现数字格式的灵活定义
二、Excel函数（可以根据客户需求定制） 【教学目的】函数是Excel经典功能之一，也是学习Excel的一个难点。本模块通过讲解最常用的函数，解决最常见的数据分析问题，同时起到抛砖引玉的作用，让学生有思路学习其他工作中常遇到的函数。
1、数据的引用（绝对引用、相对引用、混合引用）
2、使用VLOOKUP实现精确查找
【案例】对销售数据进行高效的分类分析
3、使用VLOOKUP实现模糊查找
【案例】使用函数实现员工的业绩考核
4、使用日期函数WEEKDAY与NETWORKDAYS计算工作日
5、使用OFFSET实现二维查找
6、使用MID、DATE、DATEDIF等函数实现员工身份证信息提取
【案例】使用函数实现员工信息管理
三、Excel数据透视表
【教学目的】毫不夸张的说，数据透视表是Excel最重要的功能，该工具可以立体化的分析数据，多维度的观察分析数据，是工作中最实用、并且很易用的工具，学员务必掌握。
1、数据、业务流程与执行力的关系
2、数据透视表原始数据要求
3、数据透视表结构介绍
4、制作基本的`数据透视表
5、结构百分比、环比、环比百分比报表的制作
6、报表筛选工具的使用
7、使用计算字段与计算项工具挖掘数据深层次关系
8、动态数据透视表的制作
【案例】使用数据透视表对销售数据进行全方位综合分析
四、Excel图表（可以根据客户需求定制）
【教学目的】合理的选择Excel图表可以使得数据的呈现更加生动，提高数据的可读性。本模块的目的在于讲解常见的商务图表。
1、Excel图表组成要素概述
2、Excel柱状图
3、Excel双坐标图
4、Excel气泡图
5、Excel饼图
6、Excel雷达图
7、Excel瀑布图
8、Excel甘特图
五、Excel条件格式
【教学目的】条件格式可以使得满足一定管理要求的数据更加醒目的呈现出来，使得管理者更快的锁定分析重点，本模块讲解如何使用条件格式实现应收账款管理。
1、使用条件格式工具实现应收账款管理
2、使用条件格式标示出特征数据，实现高效数据分析
3、动态条件格式的运用
【案例】使用条件格式实现应收账款管理
六、使用Excel做经营决策（可以根据客户需求定制）
【教学目的】数据分析的最终目的是要帮助决策，本部分讲解Excel在决策方面的应用，本部分需要学员结合专业知识进行学习。
1、单变量求解工具的使用
2、方案工具的使用
3、统计工具箱的使用
4、线性规划求解工具的使用
5、本量利模型分析
6、利用Excel做财务分析
【案例】使用规划工具实现定价、营销、财务等方面的决策
七、Excel宏
【教学目的】Excel宏是通过程序的方式可以代替Excel的重复操作，目的在于代替重复的手工操作，但是由于宏需要编程，因此本模块无需重点掌握，只需要知道宏的作用即可。
1、Excel宏的基本原理
2、使用录制宏工具
3、关于宏的基本语句
购物篮指的是超级市场内供顾客购物时使用的装商品的篮子，当顾客付款时这些购物篮内的商品被营业人员通过收款机一一登记结算并记录。所谓的购物篮分析(Market Basket Analysis)就是通过这些购物篮子所显示的信息来研究顾客的购买行为。
主要的目的在于找出什么样的东西应该放在一起。藉由顾客的购买行为来了解是什么样的顾客以及这些顾客为什么买这些产品，找出相关的联想（association）规则，企业藉由这些规则的挖掘获得利益与建立竞争优势。
举例来说，零售店可藉由此分析改变置物架上的商品排列或是设计吸引客户的商业套餐等等。
扩展资料：
购物篮分析基本运作过程包含下列三点：
1、选择正确的品项：这里所指的正确乃是针对企业体而言，必须要在数以百计、千计品项中选择出真正有用的品项出来。
2、经由对共同发生矩阵（co-occurrence matrix）的探讨挖掘出联想规则。
3、克服实际上的限制：所选择的品项愈多，计算所耗费的资源与时间愈久（呈现指数递增），此时必须运用一些技术以降低资源与时间的损耗。
一、走进大数据世界
大数据的特征（4V）：
1. 数据的规模性
2. 数据结构多样性
3. 数据传播高速性
4. 大数据的真实性、价值性、易变性；
结构化数据、半结构化数据、非结构化数据
大数据处理的基本流程图
大数据关键技术：
1. 大数据采集
2. 大数据预处理
3. 大数据存储及管理
4. 大数据安全技术
5. 大数据分析与挖掘
6. 大数据展现与应用
二、大数据营销概论
Target 百货客户怀孕预测案例
大数据营销的特点：
1. 多样化、平台化数据采集： 多平台包括互联网、移动互联网、广电网、智能电视等
2. 强调时效性： 在网民需求点最高时及时进行营销
3. 个性化营销： 广告理念已从媒体导向转为受众导向
4. 性价比高： 让广告可根据时效性的效果反馈，进行调整
5. 关联性： 网民关注的广告与广告之间的关联性
大数据运营方式：
1. 基础运营方式
2. 数据租赁运营方式
3. 数据购买运营方式
大数据营销的应用
1. 价格策略和优化定价
2. 客户分析
3. 提升客户关系管理
4. 客户相应能力和洞察力
5. 智能嵌入的情景营销
6. 长期的营销战略
三、产品预测与规划
整体产品概念与整体产品五层次
整体产品概念： 狭义的产品： 具有某种特定物质形态和用途的物体。
产品整体概念（广义）：向市场提供的能够满足人们某种需要的
一切物品和服务。
整体产品包含：有形产品和无形的服务
整体产品五层次：潜在产品、延伸产品、期望产品、形式产品、核心产品
大数据新产品开发模型：
1. 需求信息收集及新产品立项阶段
2. 新产品设计及生产调试阶段
3. 小规模试销及反馈修改阶段
4. 新产品量产上市及评估阶段
产品生命周期模型
传统产品生命周期划分法：
（1）销售增长率分析法
销售增长率=（当年销售额-上年销售额）/上年销售额×100%
销售增长率小于10%且不稳定时为导入期；
销售增长率大于10%时为成长期；
销售增长率小于10%且稳定时为成熟期；
销售增长率小于0时为衰退期。
（2）产品普及率分析法
产品普及率小于5%时为投入期；
普及率在5%—50%时为成长期；
普及率在50%—90%时为成熟期；
普及率在90%以上时为衰退期。
大数据对产品组合进行动态优化
产品组合
销售对象、销售渠道等方面比较接近的一系列产品项目被称为产品线。产品组合是指一个企业所经营的不同产品线和产品项目的组合方式，它可以通过宽度、长度、深度和关联度四个维度反映出来
四、产品定价与策略
大数据定价的基本步骤：
1. 获取大数据
2. 选择定价方法
3. 分析影响定价因素的主要指标
4. 建立指标体系表
5. 构建定价模型
6. 选择定价策略
定价的3C模式：成本导向法、竞争导向法、需求导向法
影响定价的主要指标与指标体系表的建立
影响定价因素的主要指标：
1. 个人统计信息：家庭出生、教育背景、所在地区、年龄、感情状况、家庭关系等。
2. 工作状况：行业、岗位、收入水平、发展空间等
3. 兴趣：健身与养生、运动和户外活动、娱乐、科技、购物和时尚等
4. 消费行为：消费心理、购买动机等。
定价策略：
精算定价： 保险、期货等对风险计算要求很高的行业
差异定价： 平台利用大数据对客户建立标签，分析对产品的使用习惯、需求判断客户的忠诚度，对不同客户进行差别定价
动态定价： 即根据顾客认可的产品、服务的价值或者根据供需状况动态调整服务价格，通过价格控制供需关系。动态定价在提高消费者价格感知和企业盈利能力方面起着至关重要的作用。
价格自动化 ：根据商品成本、市场供需情况、竞争产品价格变动、促销活动、市场调查投票、网上协商、预订周期长短等因素决定自身产品价格
用户感知定价 ：顾客所能感知到的利益与其在获取产品或服务中所付出的成本进行权衡后对产品或服务效用所做出的整体评价。
协同定价： 是大数据时代企业双边平台多边协同定价策略
价格歧视：
一级 ：就是每一单位产品都有不同的价格，即商家完全掌握消费者的消费意愿，对每个消费者将商品价格定为其能够承受的最高出价；
二级 ：商家按照客户的购买数量，对相同场景提供的、同质商品进行差别定价；
三级 ：可视为市场细分后的定价结果，根据客户所处的地域、会员等级等个人属性进行差别定价，但是对于同一细分市场的客户定价一致。
五、销售促进与管理
促销组合设计概念
大数据促销组合设计流程
精准广告设计与投放
[if !supportLists]l [endif] 广告设计5M：任务（Mission），预算（Money），信息（Message），媒体（Media），测量（Measurement）。
通过用户画像的进一步挖掘分析，企业可以找出其目标消费群体的广告偏好，如平面广告的配色偏好，构图偏好，视频广告的情节偏好，配乐偏好，人物偏好等，企业可以根据这些偏好设计出符合目标消费群体审美的广告创意，选择消费者喜欢的广告代言人，做出能在目标消费群体中迅速传播开来的广告。
在媒体决策方面，利用大数据综合考虑其广告目的、目标受众覆盖率、广告信息传播要求、购买决策的时间和地点、媒体成本等因素后，有重点地采用媒体工具。企业可以在确定前述影响变量后，通过大数据的决策模型，确定相对最优的媒体组合。
六、客户管理
大数据在客户管理中的作用
1. 增强客户粘性
2. 挖掘潜在客户
3. 建立客户分类
客户管理中数据的分类、收集及清洗
数据分类：
描述性数据： 这类数据是客户的基本信息。
如果是个人客户，涵盖了客户的姓名、年龄、地域分布、婚姻状况、学历、所在行业、职业角色、职位层级、收入水平、住房情况、购车情况等；
如果是企业客户，则包含了企业的名称、规模、联系人和法人代表等。
促销性数据： 企业曾经为客户提供的产品和服务的历史数据。
包括：用户产品使用情况调查的数据、促销活动记录数据、客服人员的建议数据和广告数据等
交易性数据： 这类数据是反映客户对企业做出的回馈的数据。
包括历史购买记录数据、投诉数据、请求提供咨询及其他服务的相关数据、客户建议数据等。
收集：
清洗：
首先，数据营销人需要凭借经验对收集的客户质量进行评估
其次，通过相关字段的对比了解数据真实度
最后，通过测试工具对已经确认格式和逻辑正确数据进行测试
客户分层模型
客户分层模型 是大数据在客户管理中最常见的分析模型之一，客户分层与大数据运营的本质是密切相关的。在客户管理中，出于一对一的精准营销要求针对不同层级的客户进行区别对待，而客户分层则是区别对待的基础。
RFM客户价值分析模型
时间（Rencency）：
客户离现在上一次的购买时间。
频率（Frequency）：
客户在一定时间段内的消费次数。
货币价值（MonetaryValue）：
客户在一定的时间内购买企业产品的金额。
七、 跨界营销
利用大数据跨界营销成功的关键点
1. 价值落地
2. 杠杠传播
3. 深度融合
4. 数据打通
八、精准营销
精准营销的四大特点
1. 可量化
2. 可调控
3. 保持企业和客户的互动沟通
4. 简化过程
精准营销的步骤
1. 确定目标
2. 搜集数据
3. 分析与建模
4. 制定战略
九、商品关联营销
商品关联营销的概念及应用
关联营销：
关联营销是一种建立在双方互利互益的基础上的营销，在交叉营销的基础上，将事物、产品、品牌等所要营销的东西上寻找关联性，来实现深层次的多面引导。
关联营销也是一种新的、低成本的、企业在网站上用来提高收入的营销方法。
关联分析的概念与定义
最早的关联分析概念： 是1993年由Agrawal、Imielinski和Swami提出的。其主要研究目的是分析超市顾客购买行为的规律，发现连带购买商品，为制定合理的方便顾客选取的货架摆放方案提供依据。该分析称为购物篮分析。
电子商务领域： 关联分析可帮助经营者发现顾客的消费偏好，定位顾客消费需求，制定合理的交叉销售方案， 实现商品的精准推荐 ；
保险公司业务： 关联分析可帮助企业分析保险索赔的原因，及时甄别欺诈行为；
电信行业： 关联分析可帮助企业发现不同增值业务间的关联性及对客户流失的影响等
简单关联规则及其表达式
事务：简单关联分析的分析对象
项目：事务中涉及的对象
项集：若干个项目的集合
简单关联规则 的一般表示形式是：前项→后项（支持度＝s％，置信度＝c％）
或表达为：X→Y（S＝s％，C＝c％）
例如：面包->牛奶(S=85%,C=90%)
性别（女）∩收入（＞5000元）→品牌（A）（S＝80％，C＝85％）
支持度、置信度、频繁项集、强关联规则、购物篮分析模型
置信度和支持度
support(X→Y)= P(X∩Y)
confidence(X→Y)= P(Y|X)
十、评论文本数据的情感分析
商品品论文本数据挖掘目标
电商平台激烈竞争的大背景下，除了提高商品质量、压低商品价格外，了解更多消费者的心声对于电商平台来说也变得越来越有必要，其中非常重要的方式就是对消费者的文本评论数据进行内在信息的数据挖掘分析。评论信息中蕴含着消费者对特定产品和服务的主观感受，反映了人们的态度、立场和意见，具有非常宝贵的研究价值。
针对电子商务平台上的商品评论进行文本数据挖掘的目标一般如下：
分析商品的用户情感倾向，了解用户的需求、意见、购买原因；
从评论文本中挖掘商品的优点与不足，提出改善产品的建议；
提炼不同品牌的商品卖点。
商品评论文本分析的步骤和流程
商品评论文本的数据采集、预处理与模型构建
数据采集：
1、“易用型”：八爪鱼、火车采集器
2、利用R语言、Python语言的强大程序编写来抓取数据
预处理：
1文本去重
检查是否是默认文本
是否是评论人重复复制黏贴的内容
是否引用了其他人的评论
2机械压缩去词
例如： “好好好好好好好好好好”->“好”
3短句删除
原本过短的评论文本 例如：很“好好好好好好好好好好”->“好”
机械压缩去词后过短的评论文本 例如：“好好好好好好好好好好”->“好”
4评论分词
文本模型构建包括三方面：情感倾向分析、语义网络分析、基于LDA模型的主体分析
情感倾向分析：
基于情感词进行情感匹配
对情感词的倾向进行修正
对情感分析结果进行检验
语义网络分析：
基于LDA模型的主体分析
十一、大数据营销中的伦理与责任
大数据的安全与隐私保护
数据安全：一是保证用户的数据不损坏、不丢失；二是要保证数据不会被泄露或者盗用
大数据营销中的伦理风险：用户隐私、信息不对称下的消费者弱势群体、大数据“杀熟”
大数据伦理困境的成因：
用户隐私意识淡薄
用户未能清晰认知数据价值
企业利益驱使
] 管理机制不够完善
大数据伦理构建的必要性：企业社会责任、用户与社会群体的维系
这些是我按照老师讲的课本上的内容结合PPT总结出来的《大数据营销》的重点。
