DigiMax前言：“数据（data）”已经成为21世纪商业的代名词。聚拢大量数据的浪潮正变得愈加猛烈。公司无论所属行业和规模大小，都竭力想要实现以数据为基础驱动公司内部和外部运转的自动化，将流程数字化，并且打造出企业自身的信息库，在这个过程，企业管理层必须面对的问题不在于收集了多少数据，本文通过形象的例子告诉你什么是恰当的数据，并且教你如何解读。
很多企业认为自己是数据驱动型企业，但其企业内部却并未形成一套完备的数据运营管理体系结构，往往参与数据分析的人员只是寥寥几人或者某一个部门，如果数据团队成员有太多的共同点（比如来自同一个部门），那么他们对数据的解读常常会带有偏见、过于简单、过于宽泛或者倾向于证明一个假设，而不是揭示一项事实，当然这算是本文的题外话，也算是抛出的一个当前很多企业内部面临的问题，如果要想构建数据驱动型企业，数据团队必须是独立、客观的。
为什么要做数据分析
既然数据分析的目的是为了让事实说话，那么回归到企业上，在销售管理（专门针对销售管理去讲解，是因为任何企业的经营归根到底也跳不出盈利和创收，也就是销售的终极目的）过程中进行数据分析，目的就在于对客户销售数据进行分析和“解剖”的过程, 从产品线设置、价格制订、渠道分布、运营规划等多角度刨析客户营销体系中可能存在的问题,为制订有针对性和便于实施的营销战略奠定良好的基础。
总体分析流程
销售管理数据分析的总体流程包括了：
2.明确所需要的销售数据。依据对行业特性的分析提出需要的销售数据维度。
3.数据搜集。对客户的数据进行搜集和整理，分层，构建相似客户群体。
4.数据分析。以相似客户群体为基础，依据价格、产品线、渠道等多个方面对数据进行挖掘分析，并形成相应的分析结论和图表。
5. 形成销售管理数据分析报告。依据数据分析所得到的结论和问题，形成可优化的结论报告，通过数据，让事实说话。
这里我们需要注意的是，对要分析的销售客户数据的要求应该符合企业自身行业的特性，一般说来应该包括以下内容：销售日期、销售区域、销售地点、经销商、渠道分类、产品系列、产品名称、产品价格、销售额、销售数量、问题反馈等。
数据分析
销售管理数据分析包括了：
1.整体销售分析，包括了销售额/销售量，季节性分析，产品结构，价格体系。
2.区域分析：包括了区域分布，重点区域分析，区域销售异动分析，区域产品优劣势分析等。
3.产品线分析：包括了产品（系列）结构分布，以区域划分产品线分析。
4.价格体系分析：包括了价格体系的构成，价格和产品的关系，价格和区域关系。
5.总结和建议。
正如开篇所提到的，企业必须面对的问题不在于收集了多少数据，而在于是否拥有恰当的数据，以及如何解读这些数据，数据的解读和挖掘是一门非常深奥的科学，接下来就以数据分析部分来进行最浅层次的讲解，也是销售管理数据分析中常见的三种分析模型，抛砖引玉以期能够对大家在企业内部建设数据化管理驱动带来有所帮助。
差异性分析
销售管理数据分析之差异性分析
差异性分析核心是将性质接近的数据尽可能放在一起做比较，不一致的数据分开。
从而为我们执行差异化的各项政策提供量化依据。
差异化的分析目的就是通过数据的图标可视化呈现，能够明确的寻找到变化的差异点在哪里，发生在什么时间点、什么环节，追根溯源的找到关键点所在，提出建设性意见。
描述性分析
数据的描述性分析，首先就要根据分析需要将数据按照某种特征或标准分成不同组数，描述性分析首先要做的便是数据排序(Rank)，按一定顺序将数据排列，以便数据分析者通过浏览数据去发现一些明显的特征趋势及解决的线索，这个比较容易理解，经过Rank数据后，可以很明显的看到数据的分布两大趋势和特征：集中趋势和离散趋势。以下面的为例：
分析四个行业之间的对企业同一款产品的购买是否有显著差异，也就是要判断“行业”对“同一产品成交”是否有影响，作出这种判断最终被归结为检验这四个行业同一产品购买成交次数的均值是否相等，如果它们的均值相等，就意味着“行业”对产品销售成交是没有影响的，即它们之间的产品使用需求没有显著差异；如果均值不全相等，则意味着“行业”对产品销售成交是有影响的，它们之间的对同一款产品的需求有显著差异，这里面，行业属性成为了要分析和检验的因素。
图：四个行业在2016年同一产品成交的购买次数散点分布图
从图上我们可以得到：不同行业的同一款产品的成交购买次数是有明显的区别的，即使在同一个行业，不同时间维度上成交的次数也有明显的不同。如果行业与该款产品的使用需求之间没有关系，那么购买成交的次数应该是差不多的，在散点图上所呈现的模式也就应该是相近的。但是，仅从散点图上观察还不能提供充分的证据证明不同行业与该产品购买成交的次数之间有显著差异，因为有可能是因为选择的数据的随机性造成的，也可能是由于公司的销售人员的行业属性自身背景或者销售技巧造成的，这时就需要进行更加专业的统计学分析了，其实也就是大家知晓的方差，针对不同的因素或者变量做更进一步的科学的评测。
这里面多提一句，做销售数据分析，我们会用到两个算法，算数平均算法和几何平均数算法，几何平均数是体现变化的速度。
如上图，2016年企业某产品1-10月份市场销售的成交额分布图（单位/万元），那么我们可以分析统计出10个月，该产品的平均月度成交额是：（1103+1041+961+846+764+726+713+921+1192+1340）/10=960.7
同样我们可以计算出，1-10月份该产品市场月度平均市场销售增长速度，公式如下，感兴趣的朋友可以自行尝试计算下：
图：几何平均数计算公式
推断性分析
销售管理数据分析之推断性分析
推断性分析，在销售过程中，我们知道销售额是一个因变量，而产品价格、投产数量、设计成本、产品渠道、推广费用、活动开展、政策变化等等都是自变量，我们可以通过一定时间的数据积累，进行回归分析，从而确定那些因素是影响销售额的关键因素，那些是非关键因素。进而采取行动解决实际问题，回归分析（属于统计学和概率学领域范畴）是在此处运用十分广泛的一种分析方法，但是同样也对数据分析人员有着非常强的统计学分析建模能力的要求，回归模型的建设，将能够对未来销售结果给出一个较为合理的预判。
通过上面的分享，相信大家也能明白，销售管理数据分析的三种形态其实是层层递进的关系，差异性分析其实是最浅层次的数据分析形势，基于对数据的筛选排序，表象分组形成图表，从而直观判定的变化趋势和差异点，再进而溯源；描述性分析应该是目前在企业中应用最多的在销售数据分析管理上应用的层次，因为对分析人员虽然有了一定的要求，需要具备一定的统计学基础，但是并未达到专业性的范畴，而对数据的分析和结果呈现，已经能够满足公司发展的需求；而推断性分析则需要专业背景出身（往往是统计学或者概率学）人士来分析操作，因为涉及到了数学建模和对未来的预测。
图：数据分析在销售管理过程中的意义和价值
数据被誉为DT时代的“石油”，企业在日常经营管理中，每时每刻都在创造和产生着各类数据，而如何利用和发挥这些数据的价值成为了体现企业市场竞争力的一项能力，数据驱动型企业，一定要从企业根本的目标点——销售（创收）出发，市场、运营、公关、渠道、行政等等企业内部的管理经营终极目标都是为了盈利，紧抓销售转化这一核心点便不会出现面对茫茫数据大山，却无从下手的局面。我们要让数据说话，企业管理层要充分意识和发挥销售管理过程中数据分析的价值和意义，客观的进行数据分析进而反应企业这部机器运转环节中出现的问题，优化调整，实现价值转化的优质效率。
本文作者：袁帅，网络营销，搜索引擎营销运营出身，CEAC国家信息化计算机教育认证：网络营销师，SEM搜索引擎营销师，SEO工程师，专注互联网数据分析运营，现为会点网事业合伙人，运营负责人，贸促会—今日会展联盟VIP个人会员，互联网数据官ICDO原创作者。
