量化历史:用数据分析的方法来研究历史

量化历史:用数据分析的方法来研究历史
量化历史:用数据分析的方法来研究历史

量化历史:用数据分析的方法来研究历史

撰文:Margo Anderson 翻译:方曌王凡帆

编者按:7月3日至7月12日,第二届“量化历史讲习班”在耶鲁大学金融学教授陈志武的指导下,由清华大学市场与社会研究中心举办。

今天推送的第一篇文章系统介绍了量化历史学的概念,整理了量化历史研究的发展过程,列举了量化历史学在发展过程中遇到的批评与挑战;第二篇文章是2013年8月陈志武教授对第一届“量化历史讲习班”的总结,其中详细介绍了Gregory Clark教授、龚启圣教授、Van Zanden教授等人的研究成果。

量化历史

量化历史是什么?

量化历史是一系列利用数据分析的方法来研究历史的技艺的总称。有时候,经济史学家也把量化历史称作cliometrics。二十世纪五十年代到六十年代,研究社会史、政治史和经济史的学者呼唤“社科历史学”的新发展,这个名称也得到了广泛的关注。所谓“社科历史学”,即是在研究历史问题时使用社会科学中使用的方法。这些学者同时呼唤社会科学的研究者们谨慎地处理关于当下的问题,注意这些问题的历史背景和源起。无论是对于历史的还是当下的问题,这些学者的共识是,有必要使用新的方法和资料来进行研究。量化历史的研究在他们的努力下取得很多进步。

经典的史学研究依赖于对于文本资料、档案的研究,把历史用叙事的方法加以呈现。历史学家关心特定的现象或是事件,这些可能是王朝、帝国的兴衰,也可能是个人生活的点滴。量化历史研究的目的和经典史学十分相似,但是会把许多事件和现象提炼而来的历史的模型(pattern)作为研究对象。这样一个出发点使得研究分析中所处理的问题大大不同。举例来说,经典的历史分析会把一次总统选举当成是一次事件,但是量化历史学家却把每一次总统选举都看成是所有总统选举所组成的数据集合中的一个元素,他们的研究兴趣在于找出一些规律来总结这个集合,或者是这个集合中的某个元素。一个家庭的生活史可以被看作是一个国家、一个地区、一个社会阶层,或是一个民族的生活史的一个元素。在过去那些被记录下来的文档里,每一个个案都是微不足道的,但是把个案整合、组织起来放入一个电子化的数据库中时,研究者就可以加以分析,得出数据上显著的结果。因此,人口统计、投票信息、关键档案(例如出生、死亡、婚姻)、或是商业契约、货物运输档案、奴隶贸易的卷宗,甚至是犯罪记录,这些都有助于历史学家找寻过去的社会、政治和经济活动的规律,找出历史的深层结构。

对于历史学家而言,量化历史研究需要一系列新的技艺。其中最重要的莫过于在他们的研究中整合入数据的集合或是矩阵。Floud把一个数据集定义为“历史学家所能掌握的全部史料数据中,与研究问题相关性最强的一个数据集合”。一种现象的无数个实例——比如说,所有的美国总统选举——组成了数据集的案例。围绕这些案例收集的信息碎片——比如候选人选票竞选、选举年份、投票总数——就成为该数据集的变量,亦即是其中任何一个具体案例的变量。历史学家将数据置于表格中,排布在行与列的矩阵里,行通常代表案例,列通常代表变量。因此,创建一个量化数据集要求历史学家谨慎地编码,将待考察对象的信息收集整理,把数据呈现在表格形式中。史学家们应当准备好把统计分析技术应用在数据集上,以解决研究中遇到的问题。

简言之,要有效利用量化材料和统计学技术来做史学分析,学者们需要综合掌握快速发展的社会科学技巧,包括样本的选择、统计数据分析、从数据到其背后史料的深入挖掘。由这项工作产生了史学界量化方法的新型训练,学术期刊和教科书的全新创作,以及支撑此类研究的数据库的诞生。

早期的努力

早在二十世纪五十年代,史学家们就已经开始使用量化材料,特别是在经济史和社会史领域。法国的年鉴学派在二战前期就已为我们指明了道路。美国的快速增长及扩张也促使美国的历史学者们使用量化材料来进行美国经济、人口和大众民主的研究。比如,Frederick Jackson Turner于1893年发表的经典论文《边疆在美国历史上的意义》(The Significance of the Frontier in American History)就很大程度上依赖于1890年人口普查数据和对它的解读。

但我们现在所说的“数据分析”的真正实现,还需要经历二十世纪上半叶社会科学和统计科学的长足发展、五十年代计算机器和数值记录在大学中的流行、六十年代计算机雏形的出现。一个典型的例子是五十年代末六十年代初开展的一项研究,这项研究被后来者当作榜样和经典。1959年,Merle Curti及其同事在威斯康星大学出版了《美国社会的塑造:基于一个边疆小镇的人口调查》(The Making of an American Community: A Case Study of Democracy in a Frontier County),深入十九世纪中期威斯康星州Trempeleau县的历史,重新审视了Turner 的论文。他们查阅了当时的报纸、日记、私人信件和县志,同时,他们从1850年至1880年间的联邦人口调查记录中推导出的雇佣模式,并用它来分析手头的史料。

与此类似,二十世纪五十年代的新兴经济史学家们也在一些经济史的核心问题上对传统范式提出了挑战。其中一个争论的焦点是美国内战是否“有必要”。当时有一批史学家认为鉴于奴隶制利润率很低,它自身是会逐渐瓦解的,因此内战就显得“没有必要”。然而,经济史学家们运用经济理论和数据分析了美国南方的农业产量,认为如果一直使用奴隶,南方农业到二十世纪就会扭亏为盈。传统观点认为铁路系统在美国工业发展中占据中心地位,Fogel采用经济学理论和反事实推论法,通过严谨的数据分析论证到运河也可以作为成功的交通系统来支撑十九世纪美国的工业发展。

“新政治史家”诸如Lee Benson、Allan Bogue、Richard P. McCormick以及其他对历史感兴趣的政治学家诸如Warren Miller和Walter Dean Burnham将政治学家分析现行选举结果和选民调查的新兴技术用于历史问题,为美国政治史研究引入了全新的视角。他们设定党派制度的变量参数,发展关键选举理论,提出选举政治的潜在结构可以借由分析投票率和选举结果的历史数据得到预测。在1964年的英格兰,一批人口统计学家和历史学者建立了剑桥人口与社会结构研究小组(the Cambridge Group for the History of Population and Social Structure),开始了一项长达四十年的回溯性研究计划,收集并整理不列颠400年的家族史。

量化历史开启的全新可能性适应了历史学自身学科建设中的其他趋势,尤其是社会史的增长和Jesse Lemisch所说的“自下而上的历史革命”——亦即是说,关注普通人平凡生活的历史研究,用以管窥当时一般生活的面貌,补充那些对于重要人物和事件的叙述。出于对研究技术发展的关注,美国历史学会(the American Historical Association)在二十世纪六十年代中期意识到了“历史中的量化”会促使新型分析技术和新型研究机构的诞生,于是为此专门设立了“定量资料协会”(Quantitative Data Committee)。在1965年的密歇根大学、1967年的康

纳尔大学、1973年的哈佛大学先后开设暑期讲习班,为历史学者们讲解量化方法。1968年起,密歇根大学的国际政治科学研究联盟开始在其“定量方法培训班”中提供一门量化历史分析课程,为期四周。这门课程每年夏天都有,一直持续到现在。从1971年到1982年,Richard Jensen在芝加哥的纽伯瑞图书馆(the Newberry Library in Chicago)牵头为历史学者们提供了定量方法的夏季培训计划。到了八十年代早期,全美40%的历史系在研究生培养计划中加入量化历史的相关训练。

量化历史在体系上的基础建设也可以追溯到二十世纪六十年代。新的期刊、教科书、编纂文集也为量化历史的成长提供过助力。《Historical Methods Newsletter》于1967年开始发行,并于1978年更名为《Historical Methods》;《Journal of Interdisciplinary History》首刊于1970年。美国社会科学史学会(The Social Science History Association)成立于1974年,第一本会刊《Social Science History》出版于1976年。这个学会后来成为一片园地,在这里聚集了大量的主

动借鉴社会学科理论及研究方法的历史学者,和许多从事史料工作的社会科学家。跨学科的交锋持续不断,滋养了身受社会科学训练的研究者,来自经济学、人口学、社会学、人类学、地理学、政治科学等领域的学者们陆续在量化历史领域中发表出许多有创见的作品。

有关量化历史的教科书出现在七十年代早期,其中许多佳作一直再版到如今。无数人编辑书卷,向专家和学生们介绍这一新领域、新方法。后来有了研究者们创建的数据库。在美国,政治学家们最初于1962年创建了校际政治研究联盟(the Interuniversity Consortium for Political Research),1975年更名为校际社会科学研

究联盟(the Inter-university Consortium for Political and Social Research),该联盟

是制作和保存历史数据辑录方面的开拓者。七十年代初,美国国家档案和记录管理局针对联邦政府手中初始状态即为电子数据的部分发起了一个电子记录保存

计划。英国数据档案中心在1967年也在英国发起了类似的项目。

如此到了八十年代,史学家们将量化历史与更宏观的历史研究相融合的制度性、结构性努力已经基本完成。这一基础性建设催生了后续的研究作品,也遭到这些作品的挑战。在很多方面,量化历史都是一项仍在进行中的工程。尽管如此,我们可以定位出量化历史研究已经和将要面临的问题:已经挖掘出的数据集有哪些主要类型、数据集的主要特征是什么、该领域内最常用的研究方法又是哪些。

创建历史数据集中的问题和困难

量化历史在处理宏大问题、长时段变化规律等方面有独到之处。研究者们收集大量数据和可量化的资料,将它们编入图表矩阵用以进行数据分析。第一代研究者关注家族和社会结构、经济增长和变化趋势、选举中的行为和选民参与、代际间社会流动和生活水平变化的历史。晚近一些的研究有了明显的扩散:犯罪史学家们检索法庭与报纸记录,以此得出过去时代犯罪与暴力的长期发展模式;家族史的研究者观察继承与代际财富迁移的规律。新兴的“人体测量史”

(‘anthropometric’history)打开的局面更为广阔——用过去人的身高、体重、身材和疾病来研究人们的生活与福利水平,尝试去估量和比较许多个世纪乃至千年的生活水平。

这些研究得以可能,取决于量化历史的数据集在不断增长。同其他社会科学类似,量化历史研究需要“可以机械增加的”(也就是大家所谓的“电子的”)数据用于分析。虽然也有个别例子是组织人工来完成大规模的数据分析,比如十九世纪的人口动态登记即人口普查,但现代意义上的社会科学数据需要的是机械制

表装置、记数分类器等其他机械计算器。第一个代表就是Herman Hollerith发明的打孔制表机,帮助美国完成了1890年的人口普查,社会科学和统计科学亦从中受益。到了四十年代,社会科学家们已经为服务于机器制表和分析的数据收集工作制定出标准化流程。约定俗成的惯例包括固定格式的数据矩阵、按照名称、顺序、区间、比率来分类的变量、经过设计的问卷、适于打孔计数分析的调查表、像Likert scale一样的编码系统等等。量化历史学家承袭了这些技巧,将流程引入历史研究领域。他们旋即发现,要充分挖掘量化历史的潜力,首先需要克服一些方法上和操作上的困难。

他们遇到的第一个问题是,历史研究必须依赖于已存在的资料,依赖于前人的记录与保存。而在1890年之前,人类历史的绝大多数资料,都不适合用机器分析。有价值的史料通常是文本性的,需要整理、编译,转化为可机读的或电子的表格。即使是二十世纪收集的,在社会科学惯例发展起来之后记录下的数据,也常会出现机读资料未得到保存的情况。比如美国人口普查办公室(the United States Census Bureau)保存了十八世纪以来历次人口普查的原始问卷,但1890

至1960年间数据制表用的打孔卡片却没有留下。这些卡片在普查结果发布之后就被销毁了。想要分析人口普查中的微观数据的历史学家们,就不得不制作(或者说再次制作)适于机器分析的资料。

进行量化研究的历史学者们还需要处理数据化分析面临的史料困难。所有研究历史的人都会遇到数据缺失或者资料封存、破损、不完整、被毁坏等问题。对于想要把档案记录制作成数据矩阵,用于统计分析的量化历史工作者们,数据的质量尤其重要。数据矩阵要求案例和变量具备概念化、操作性定义、可以为其中某个特定项赋值,统计分析的目标就是估量数据的规模、核心趋势和每个具体特征的离散程度。如果某一年或者某些年的记录丢失了怎么办?如果某个公司的财报记录是不得查阅的怎么办?如何确定某个郡的档案馆中保存的遗嘱记录是不是完整的?研究者们想要建立数据集,就必须达到基本的案例描述、变量定义、分类、编码的要求。针对这些问题,整个量化历史研究领域涌现出许多解决方案,《Historical Methods》这本期刊就是一个提出方案、讨论方案的很好的平台。

另一个相关的问题是,创建数据集需要把文本资料中的信息提炼出来。历史档案经常以文字记载的方式保存,其中包含着提炼出数据集的可能性,但需要大量的工作将资料概念化以用于数据操作。史学研究者们利用起过去的发票、遗嘱、教堂记录、社会福利组织的案卷等等,从现存文献中挖掘他们需要的案例和变量。

历史学家们致力于解决这些操作问题,拣选资料、创设编码,建立数据集。不论是分析已有的数据——比如一国在某些年份的进出口单据,还是根据现存文献制作表格,他们都需要定义分析的单位、找出变量的特点,用一定的编码系统将数据集中的信息合理组织起来。接下来几个案例会很好地说明量化历史学家们的工作。(以下具体案例略)

对于量化历史的批评

对于量化历史的批评声音一直不绝于耳,有些是质疑某些研究者的作品,有些则直接质疑量化历史整个研究领域的意义。在60年代早期,Carl Bridenbaugh 在他向美国历史学家协会致辞时,曾经直接指责量化历史这一研究方法,声称这是“堕落的女神”(bitch goddess)。在60年代和70年代,量化方法快速发展之际,“传统”的历史学家总是质疑新方法,认为该项研究不是内容繁复,就是结论经不起推敲,或者根本无关宏旨。批评量化历史的学者尤其反感量化历史学所谓“科学”的种种说法,无法接受量化历史学者对于传统史学研究理论和概念上

的挑战。

80年代,有些量化历史学的先行者放弃了他们先前的热情,声称量化方法并没有实现他们的研究目标。在这些人中最重要的是Lee Benson和Lawrence Stone,他们都曾对量化方法充满热情,但后来又改变了自己的看法。质疑量化历史的人们更加确信他们的批评是正确的,尤其是当时还处在后现代主义等影响之下,历史研究出现了“文化转向”。尽管在理论争论中处于下风,量化历史的信徒们仍继续坚持,从研究时尚的舞台上跌落下来,反而使得坚守这一领域的人们做出了更加扎实的工作。

经过二十多年的争论,传统和量化两方没有谁真正“赢得”了这场辩论。到了九十年代,争论的热度下降,双方进入了一种有些紧张的对峙状态。双方都承认对手的一些具体观点,但是在该领域的工作是否有价值的问题上,依然存在着根本性分歧。在教学和研究领域,量化方法没能够成为历史学专业研究生的必修课程之一,这和社会科学领域的情况是截然不同的。另一方面,量化似乎成了一种“专业特长”,就像是在阅读历史资料时需要掌握的另外一种语言,在许多研究生的专业课中可供选择。总之,量化并没有作为一种所有历史学研究者都必须掌握的方法论被学院接受。九十年代形成的这样一种对于量化方法的定位,也进一步影响了量化历史学家后来的工作。

历史,作为一个研究领域,保持了自身作为“人文学科”的基础定位,因此和社会科学家的工作更加相似的量化历史研究,似乎成为了一种对历史的背叛。由于在技能训练这一环节的缺失,当量化历史学者的作品呈现给他们历史学界的同行时,他们无法期待这些专业读者能够欣赏,甚至是完全理解他们工作中技术方法的精妙之处,这和社会科学的情况是截然不同的。历史学家,作为一种职业,依然坚持历史写作必须可读、优雅。因此,当量化历史学家为更大的受众而写作时,他们必须避免那些专业名词——举例来说,他们必须尽量避免列举其模型中的各种变量的名称——同时必须保证他们清晰地解释自己的观点。

对于量化历史的批评提醒了这一领域的研究者去注意统计学方法在研究历史进程中的局限性。研究历史进程的许多统计新方法都在不断发展中,尚未成熟,需要更多的实证性工作来验证这些方法的可靠性。只有更多的实证研究的支持,这些新的统计方法才能在非量化的历史学家,还有其他社会科学家面前具备更强说服力。仅有如此,更多的人才能意识到把统计学方法作为一种基本研究理路的必要性。我们将进一步说明,许多迹象都表明,这个领域仍有很大的潜力,曙光才刚刚开始展现。

量化研究的未来

量化历史研究自身的进步和目前的信息革命使我们有理由期待这一领域的未来。同之前很多年的情况相比,我们好像处在一个最有希望的时间点上。回望过去半个世纪以来量化历史领域的发展,总体而言,研究在不断进步,尽管并不总是一帆风顺。最令人期待的发展是信息革命对于历史学研究的影响。最初,当量化历史这个领域刚开始迅速发展时,大部分的传统历史学家都和他们十九世纪的前辈们一样,用钢笔、铅笔、打字机和索引卡帮助他们写作。文献研究有赖于图书馆的大量目录卡片,或是阅读大量已经编目的文章、书籍和合集。“数据管理”指的是设定一个纸质的编目系统,而不是建立一个电子化的表格或是数据库。秘书们用打印机把书稿重新录入,尽管在七十年代有些大型的研究机构购置了排版设备,这些机器都是给普通雇员,而不是给教师和学生使用的。八十年代以来,这种情况已经大大改变了。台式电脑迅速普及,对于大多数的历史学家而言,文

字处理软件把他们带入了电子化的未来。到了九十年代,电子邮件取代了以往的手写信件。1995年之后,互联网上的信息大量涌现,起初是二手资料的查找和检索,后来是一手资料的相互利用,都可以通过电子化的方式来完成。总而言之,非量化历史研究者的整体科技环境和他们做量化的同伴越来越接近了。最新技术的进一步发展使得多媒体资料——视觉的和口述的、视频和音频——能够被每一个历史学家所利用。最容易看出这些技术手段影响的领域是历史地理学的快速发展:历史地理信息系统(historical GIS)一直以来是非常昂贵的系统,把历史地图加入一个地区的地图系统的工作一直进展缓慢。从六十年代到七十年代的一系列数字化工程为这个系统奠定了基础,包括先把地图转换成数据,再发展新的理论和计算机软件对这些数据进行分析和研究。目前,这一项投资巨大的工程才刚刚开始。

从更广的视角观察,这些技术变化带来了一系列汇聚起来可被称之为“技术驱动”的历史研究。传统的历史学家和人文学者也利用电子化的数据库开展他们的工作,他们学习使用新的计算机程序处理日渐增长的数据,使用新的工具展现他们的研究成果。对于量化历史学者而言,他们必须掌握在纸质文档和印刷品里挖掘数据的技能。总体而言,历史学家们都更在意影像、音频和视频资料,并且不仅仅是作为呈现结果的一种辅助手段,而是分析的核心依据。

Richard Steckel最近提出了一个叫做“大社科历史”的计划,希望增加量化历史分析的能力,同时促进量化方法在传统史学研究项目中的使用。Andrew Abbott也认为这样的工作是可行的。就像第一代的量化历史学者一样,做到这些事情需要协同的努力:我们需要懂得如何用技术手段管理快速扩张的大数据,发展新的技术处理和分析这些纷繁的历史档案,最后,发展出合适的理论框架和方法以呈现研究的结果。

本文节选翻译自Margo Anderson, “Quantitative History,”The Sage Handbook of Social Science Methodology, edited by William Outhwaite and Stephen Turner (London: Sage Publications, 2007), 246-63.

数据化管理的意义和用途

数据化管理的意义和用途 数据化管理的定义:运用分析工具对客观、真实的数据进行科学分析,并将分析结果运用到生产、销售等各个环节中去的一种管理方法。从这个定义来看数据化管理它是一门管理工具。那它的意义也就是为我们日常工作的方方面面提供服务的!只不过这种管理工具和一般的管理方法不一样,它是用数字说话,并且尽量做到绝对量化。大致来讲数据化管理有如下五方面的作用: 一、量化管理 管理的量化是一门非常大的学问,做好了它能够提升管理质量,公正而公平的评估人和事。对企业的管理者来说既做到了一碗水端平,又能够心甘情愿的付出(报酬)。当然如果量化的不好或不够专业,也可能流于形式或片面化。讲一个真实的事例,这是我在一家企业做数据化管理顾问时发生的: 该公司有一家自营的专卖店,月均销售在100万左右,有20名销售人员。该店有一名员工Alice,每月销售额都排在前两位。当然Alice每月拿到的奖金也是最多的。于是公司上到区域总经理,下到销售主任都认为Alice非常有能力,是下一个店长的候选人。当然公司也朝着这个方向对Alice进行培养的。后来有一些变化,该店的店长离职。考虑到该店是一个年销售千万的大店,公司人事经理没有贸然让

Alice接手,而是从别的店铺调来了一个新的店长。可是这之后的两个月Alice的月销售额都大幅度的下滑,排名中等。出现这种现象,大家第一感觉是她在闹情绪,和新店长有矛盾。于是城市经理、人事经理轮番做Alice的思想工作,并且把她调离了这个店铺。Alice满怀信心的到新店铺上班去了,可是在新的店铺她的表现仍然不突出。为什么呢?人事经理不得要领! 当我听到这个故事后,我让他们的销售经理拿来了该店铺一年的销售数据、工作记录(排班表)。确实,Alice在这一年中的销售数据非常突出(店长离职前)。那问题在哪呢?我在他们的排班表中发现了答案:每个月她的班次质量都是最好的!于是我做了一些加权处理(考虑了每天的销售权重和早中晚班的权重)发现她的月平均权重是20.1,而该店所有员工的平均权重是17.7,高出平均水平13.6%。也就是说在工作能力相同的情况下,Alice每月可以多销售13.6%。为什么她的班次权重会是最高的呢,事后了解到她和前任店长有亲属关系。 由此可见,正确的量化方法是多么重要,否则会造成人为的不公平,影响工作效果。 量化管理主要运用在:考核人,评估事。考核人也就是大家常说的KPI,其实KPI一定是要求量化的,并且要相关联,不能简单化。目前很多公司对销售人员的考核只有一个KPI指标--销售额。其实这是非常片面的,他会引导销售人员进入一

数据分析系统

电子商务公司网站分析几大模块 电子商务火热,客观上也让网站分析的需求激增,无论是出于何种目的,例如希望获得更多潜在客户,或是希望压缩成本,又或是希望提升用户体验,业务需求 一.业务需求: 1. 市场推广方式是否有效,以及能否进一步提效; 2. 访问网站的用户是否是目标用户,哪种渠道获取的用户更有价值(跟第一个需求有交集也有不同); 3. 用户对网站的感觉是好还是不好,除了商品本身之外的哪些因素影响用户的感觉; 4. 除了撒谎外,什么样的商业手段能够帮助说服客户购买; 5. 从什么地方能够进一步节约成本; 6. 新的市场机会在哪里,哪些未上架的商品能够带来新的收入增长。2.网站分析实施 1. 网站URL的结构和格式 2. 流量来源的标记 3. 端到端的ROI监测实施 4. 每个页面都正确置入了监测代码吗 三. 在线营销 1. SEO的效果衡量 2. SEM和硬广的效果衡量 3. EDM营销效果衡量 4. 所有营销方式的综合分析 4.网站上的影响、说服和转化 预置的影响点和说服点的评估 2. 识别潜在的影响点和说服点 3. 购物车和支付环节仍然是重中之重

五.访问者与网站的互动参与 访问者互动行为研究包括: (1)内部搜索分析; (2)新访问者所占的比例、数量趋势和来源; (3)旧访问者的访问数量趋势、比例和来源; (4)访问频次和访问间隔时间; (5)访问路径模式 商品研究包括: (1)关注和购买模型; (2)询价和购买模型;访问者来询价,还是来购买,在具体行为上是有区别的。 (3)内部搜索分析 其他重要的关联因素: 狭义的网站分析领域: 地域细分的销售额、访问者和商品关注情况; 客户端情况;例如操作系统,浏览器软件,带宽,访问网站的速度等等; 广义的网站分析领域: 网站分析测试:A/B测试和多变量测试 用户可用性测试; 调研; 用户人群属性研究; 站内IWOM分析; 站外IWOM分析 1. 市场推广方式是否有效,以及能否进一步提效; 网站分析能够全面衡量效果,并据此提效 2. 访问网站的用户是否是目标用户,哪种渠道获取的用户更有价值 3. 用户对网站的感觉是好还是不好,除了商品本身之外的哪些因素影响

【采购】采购数据分析的8个流程与常用7个思路

【采购】采购数据分析的8个流程与常用7个思路 在采购过程中,数据分析具有极其重要的战略意义,是优化供应链和采购决策的核心大脑。因此做好数据分析,是采购过程中最重要的环节之一。 那么如何做好数据分析呢?以下梳理出数据分析的8步流程,以及常见的7种分析思路。在启动数据分析前,最好跟主管或数据经验较丰富的童鞋确认每一步的分析流程。 一、数据分析八流程: 1、为什么分析? 首先,你得知道为什么分析?弄清楚此次数据分析的目的。比如,什么类型的 客户交货期总是拖延。你所有的分析都的围绕这个为什么来回答。避免不符合 目标反复返工,这个过程会很痛苦。 2、分析目标是谁? 要牢记清楚的分析因子,统计维度是金额,还是产品,还是供应商行业竞争趋势,还是供应商规模等等。避免把金额当产品算,把产品当金额算,算出的结 果是差别非常大的。 3、想达到什么效果? 通过分析各个维度产品类型,公司采购周期,采购条款,找到真正的问题。例 如这次分析的薄弱环节供应商,全部集中采购,和保持现状,都不符合利益最 大化原则。通过分析,找到真正的问题根源,发现精细化采购管理已经非常必 要了。 4、需要哪些数据? 采购过程涉及的数据,很多,需要哪些源数据?采购总额?零部件行业竞争

度?货款周期?采购频次?库存备货数?客户地域因子?客户规模?等等列一个表。避免不断增加新的因子。 5、如何采集? 数据库中供应商信息采集,平时供应商各种信息录入,产品特性录入等,做数据分析一定要有原料,否则巧妇难为无米之炊。 6、如何整理? 整理数据是门技术活。不得不承认EXCEL是个强大工具,数据透视表的熟练使用和技巧,作为支付数据分析必不可少,各种函数和公式也需要略懂一二,避免低效率的数据整理。Spss也是一个非常优秀的数据处理工具,特别在数据量比较大,而且当字段由特殊字符的时候,比较好用。 7、如何分析? 整理完毕,如何对数据进行综合分析,相关分析?这个是很考验逻辑思维和推理能力的。同时分析推理过程中,需要对产品了如指掌,对供应商很了解,对采购流程很熟悉。看似一个简单的数据分析,其实是各方面能力的体现。首先是技术层面,对数据来源的抽取-转换-载入原理的理解和认识;其实是全局观,对季节性、公司等层面的业务有清晰的了解;最后是专业度,对业务的流程、设计等了如指掌。练就数据分析的洪荒之力并非一朝一夕之功,而是在实践中不断成长和升华。一个好的数据分析应该以价值为导向,放眼全局、立足业务,用数据来驱动增长。 8、如何展现和输出? 数据可视化也是一个学问。如何用合适的图表表现?每一种图表的寓意是什么?下面列举下常用的8个图表: (1)折线图:合适用于随时间而变化的连续数据,例如随时间收入变化,及增长率变化。

量化大数据时代的量化管理

1.1 三头小猪的故事| 1 第1章统一语言数据、指标、信息,天哪!如果有一种通俗易懂的语言,能让所有人(无论其人生阅历或教育经历如何)都能明白量化的好处,该有多好!我认为语言不通是事业(和生活)的最大障碍。所以,提炼总结出公用词汇至关重要,是迈向成功的第一步。本书中的很多概念可能都比较新颖,但这并不意味着要发明新词儿,组织发展术语表已经臃肿不堪了。实际上,我用的都是常见词汇。尽量用大白话介绍那些看上去很复杂的概念,让其浅显易懂,简单直白。先讲个故事吧。 1.1 三头小猪的故事有一次,在半路上,我家那个三岁的小宝宝想听故事。因为没带书,我不得不搜肠刮肚努力回想,好找出一个故事来哄她入睡。好吧,我承认我虽然对讲过的课记忆深刻,但却完全记不住那些儿童故事。所以,就像所有好父亲都会做的那样,我即兴创作了一个。还有什么能比量化故事更能催人入眠的呢?故事背景打败大灰狼之后,三头小猪放浪形骸,生活奢靡。三年过去了,它们生活在肮脏的环境里,体重严重超标——就算是猪,也太胖了。由于健康状况不断恶化,它们分头去看医生。三个医生的结论完全一致:你马上就要变成烧烤了。它们胡吃海塞,缺乏睡眠,不锻炼身体,也没注意到身体发出的危险信号。三个医生一致认为,如果不改变生活方式,这些猪就只有死路一条。第一头小猪不幸的是,猪,也会遇到庸医。第一头小猪的医生对它说:“你的身体每况愈下,必须认真对待,改变生活方式!”医生给小猪开出了饮食计划、健身计划,还要它12个月内回来复查。这头小猪确实吓坏了,所以努力自救。它不再吃垃圾食品,每天坚持锻炼。甚至上床睡觉的时间都提前了。一个月后,小猪感觉棒极了,这么多年第一次觉得这么爽。他决定搞个庆祝一下。于是约上羊羔兄弟,去外面彻夜狂欢。大餐过后,又搞了个吃冰激凌大赛(他赢了)。他们玩到凌晨3点才回家,回去倒头便睡。第二天,他忘了锻炼身体。好习惯被毁掉只是一眨眼的事儿。因为平时太忙(借口),只好周末锻炼了。快到月底时,他又开始吃垃圾食品,虽然没有以前吃得多,但也超过了正常标准。年底复查时,面对医生失望的表情,他震惊了。“可我是按医嘱做的啊,”第一头小猪说,“我饮食健康,努力锻炼,甚至睡得也比以前早了。我知道我的身体变好了……觉得比去年强了。”“是,但你的体重没有明显改善。你可能吃得更健康了,但还不够健康。你的睡眠可能更充足了,但还不够充分。总体来说,你的身体恶化了……如果再不改变,性命堪忧。”医生给第一头小猪开了一个新的饮食和健身计划,还给他报了一个动感单车课程,开了处方药,真诚祝愿他再来复查时能变好。第一头小猪确实被这些东西吓着了,因此对着自己的大下巴发誓,他一定要做得更好。这次他坚持住了。定期锻炼,只吃健康食品,饿了就吃胡萝卜、芹菜或脱脂酸奶。每周都去参加动感单车课程,简直就像钟表一样准时。可是,悲催的小猪不知道自己的进展如何。7个月过去了,它虽然感觉好了点,可是因为焦虑,压力太大,它中风了。尽管身体状况有所改善,但它还是扛不住中风的打击。一个月后,它死了。听到这个消息,医生非常难过。在从日历上划掉马上到期的复诊预约时,他哭了。第二头小猪第二头小猪的医生知道量化分析的重要性。他是一个善于与病人沟通的好医生。医者父母心,他希望自己的病人更健康。看过第二头小猪的体检表后,他很沮丧。怎么才能改变小猪的命运?如何帮小猪重获健康?他喜欢量化,认为如果有目标指导,小猪能做得更好。医生设计的方案有三个指标:体重,血压,胆固醇。他告诉小猪,它随时有生命危险。然后建议小猪减掉100磅的体重,降血压,1.1 三头小猪的故事| 3 降低胆固醇,让三项指标都达到正常值。

系统和数据分析显示管理系统

第二课显示管理系统 一、显示管理系统窗口 1.显示管理系统(Display Manager)三个主要窗口: ●PROGRAM EDITOR窗口:提供一个编写SAS程序的文本 编缉器 ●LOG窗口:显示有关程序运行的信息 ●OUTPUT窗口:显示程序运算结果的输出 2.显示管理系统的常用窗口 ●KEYS 查看及改变功能键的设置 ●LIBNAME 查看已经存在的SAS数据库 ●DIR 查看某个SAS数据库的内容 ●VAR 查看SAS数据集的有关信息 ●OPTIONS 查看及改变SAS的系统设置 假设我们准备自定义F12功能键为OPTIONS命令,打开KEYS窗口后在F12的右边的空白区键入OPTIONS,完毕之后在命令框中键入END命令退出KEYS窗口。 二、显示管理系统命令 1.显示管理系统命令的发布 有四种命令的发布方式都可达到相同结果。 ●在命令框中直接键入命令 ●按功能键 ●使用下拉式菜单 ●使用工具栏 例如,我们要增加一个OUTPUT窗口,相应地四种操作如下: ●命令框中直接键入OUTPUT和Enter ●功能键F7 ●Window/Output ●Options / Edit tools ①Add按钮选择Tool,新增了一个空白按钮 ②Command命令框中输入:OUTPUT;Help Text命令框中输入:Add new button create by DZX;Tip Text命令框中输入:Output。

③再单击Browse命令挑选一个合适的按钮。 ④单击Move Dn按钮将OUTPUT按钮移动到最后Help按钮之后。 ⑤单击Add按钮选择Separator,使Help按钮和新增OUTPUT命令按钮 之间有一个空白的分组间隙。 ⑥单击Save按钮。 2.文本编辑行命令 文本编辑行命令的主要作用是为在PROGRAM EDITOR窗口方便和高效地输入和修改SAS程序提供一组编辑命令。文本编辑行命令可归为两个子类: ●命令行命令——在命令框中输入NUMS命令 ●行命令——在行号上键入执行指定功能的字母来完成编辑功能 例如,我们在PROGRAM EDITOR窗口中的第一行到第三行输入假设的数据和程序:“Data and program line one ”,“Data and program line two”,“Data and program line three”。 若想在第1行与第2行之间插入空行: ●在第1行的行号前键入i(或I,或i1、I1) ●若想保存和调入程序: ●在命令框中键入:FILE "D:\SAS\ABC02.SAS" ●先把光标定位到指定某行,再在命令框中键入:INCLUDE "D:\SAS\ABC02.SAS" 三、SAS系统的几组重要命令 1.向SAS系统寻求帮助命令 ●F1键和F2键提供信息相当于简明的SAS使用手册 2.显示管理系统命令框常用命令 类型命令描述 显示管理命令BYE 退出SAS CLEAR [window-name] 清除指定的窗口中的内容 END 退出当前窗口 FILE "filename" 存储到指定文件 HELP 帮助 INCLUDE "filename" 引入指定文件 KEYS 进入KEYS窗口 LIBNAME 确认SAS数据库的内容 LOG 进入LOG窗口 NUMS 打开和关闭文本编辑器的数字区OPTIONS 进入OPTIONS窗口 OUTPUT 进入OUTPUT窗口

数据采集系统的历史与发展

数据采集系统的历史与发展 数据采集系统起始于20设计50年代,1956年美国首先研究了用在军事上的测试系统,目标是测试中不依靠相关的测试文件,由非熟练人员进行操作,并且测试任务是由测试设备高速自动控制完成的。由于该种数据采集测试系统具有高速性和一定的 灵活性可以满足众多传统方法不能完成的数据采集和测试任务,因而得到了初步的认可。大约在60年代后期,国外就有成套的数据采集设备产品进入市场,此阶段的数据采集设备和系统多属于专业的系统。 20世纪70年代中后期,随着微型的发展,诞生了采集器,仪表同计算机溶于一 体的数据采集系统。由于这种数据采集系统的性能优良,超过了传统的自是这一类的 典型代表。这种接口系统采用积木式结构,把相应的接口卡装在专用的机箱内,然后 由一台计算机控制。第二类系统在工业现场应用较多。这两种系统中,如果采集测试 任务改变,只需将新的仪用电缆接入系统,或将新卡在添加的专业的机箱里即可完成 硬件平台中建,如果采集测试任务改变,只需将新的仪用电缆接入系统,或将新卡再 添加到专用的机箱即可完成硬件平台重建,显然,这种系统比专用系统灵活得多。20 世纪80年代后期,数据采集系统发生了极大的变化,工业计算机,单片机和大规模集成电路的组合,用软件管理,使系统的成本降低,体积减小,功能成倍增加,数据处 理能力大大加强。 20世纪90年代至今,在国际上技术先进的国家,数据采集技术已经在军事,航 空电子设备及宇航技术,工业等领域被广泛应用。由于集成电路制造技术的不断提高,出现了高性能,高可靠性的单片数据采集系统(DAS)。目前有的DAS产品精度已达16位,采集速度每秒达到几十万次以上。数据采集技术已经成为一种专门的技术,在工业领域得到了广泛的应用。该阶段数据采集系统采用更先进的模块式结构,根据不 同的应用要求,通过简单的增加和更改模块,并结合系统编程,就可扩展或修改系统,迅速地组成一个新的系统。该阶段并行总线数据采集系统高速,模块化和即插即用方 向发展,典型系统有VXI总线系统,PCI,PXI总线系统等,数据位以达到32位总线宽度,采用频率可以达到100MSps。由于采用了高密度,屏蔽型,针孔式的连接器和卡 式模块,可以充分保证其隐定性急可靠性,但其昂贵的价格是阻碍它在自动化领域取 得了成功的应用。 串行总线数据采集系统向分布式系统结构和智能化方向发展,可靠性不断提高。 数据采集系统物理层通信,由于采用RS485双绞线,电力载波,无线和光纤,所以其技术得到了不断发展和完善。其在工业现场数据采集和控制等众多领域得到了广泛的 应用。由于目前局域网技术的发展,一个工厂管理层局域网,车间层的局域网和底层 的设备网已经可以有效地连接在一起,可以有效地把多台数据采集设备联在一起,以 实现生产环节的在线实时数据采集与监控。

全景数据分析系统在SCADA系统中的应用

收稿日期:2008-05-04 作者简介:杨立波(1975-),男,工程师,主要从事调度自动化系统应用开发及维护。 全景数据分析系统在SCA DA 系统中的应用 Application of Full Scenario Data Analysis System in SCADA System 杨立波,杨玉瑞 (河北省电力公司,石家庄 050021) 摘要:介绍了河北省南部电网SCA DA 系统中全景数据记录分析系统的开发应用情况,详细阐述了全景数据分析系统在全景数据记录、全景数据回放、全景数据展现过程中所采用的压缩算法、存储算法、数据记录、数据反演等技术细节,并分析了该系统的应用效果,对其他SCAD A 系统相似功能的设计和实现有借鉴作用。 关键词:SCAD A 系统;全景数据;事故追忆;P DR Abstract :T his paper intro duce s the deve lopment and applica -tion o f the F ull Scena rio Data A nalysis Sy stem in the SCADA sy stem of H ebei South N etw ork ,and describes many de tails of the de sign and develo pment about full Scenario data r e -co rding ,data reg ene rating and data representation ,such a s the com pr ess algo rithm ,storag e method and file fo rmat .It is ho ped that ca n pro vide useful reference to the o ther SCADA sy stem structur es desig n and implement . Key words :SCA DA sy stem ;full scenario data ;po st disturb -ance review ;PD R 中图分类号:TM 734文献标志码:B 文章编号:1001-9898(2008)05-0015-03 河北省南部电网(简称“河北南网”)SCADA 系 统是2001年7月从加拿大SNC 公司引进的第三代能量控制系统。系统的事故追忆功能延用了传统的设计思想,完全依赖开关变位和总事故信号的触发,记录可靠性较差,数据断面记录间隔为2~10s ,仅能保存时长为5min 的事故,无法记录和再现较长时间的电网运行状况。随着电网规模的不断扩大和电网调度运行工作日益精细化,原有的PDR 功能已经不能满足需求,因此在SCADA 系统中自主开发了全景数据分析系统取代了原有事故追忆功能,并取得了良好的效果。 1 系统结构 全景数据分析系统是对SCADA 系统原有PDR 功能的改进、提高和创新,系统分为数据记录、 数据回放、数据展现3个主要部分。数据记录模块 位于SCADA 系统内,根据SCADA 采集节点发布的数据变化信息生成数据文件,并通过安全装置将数据文件传递到信息管理大区的全景数据文件FTP 服务器上,供数据回放和展现模块使用。数据回放是利用全景数据文件将电网当时的运行数据加载到内存中,实现快速的数据检索,断面保存,故障辨识等功能;数据展现是系统的人机界面部分,充分利用图表、曲线、列表、厂站单线图等形式将全景数据进行展现、分析和比对。系统结构示意见图1 。 图1 系统结构示意 2 系统功能的实现 2.1 全景数据记录 全景数据记录是系统的核心部分,负责对SCADA 系统中的实时数据进行采集、解码、压缩和记录。全景数据记录模块充分利用了SCADA 系统的编程环境和接口,实现了双机进程级的热备用和数据的同步;通过对压缩算法和文件读写方式的优化,使该模块进程仅占用1%~2%的CPU 负载,对原有的功能没有任何不利影响;通过配置独立磁盘和循环队列算法的文件存储模式,数据记录系统能够存储28天的全景数据文件,超过存储期限的数据通过安全装置传输到信息管理大区的文件备份系统长期保存。 · 15·

【采购】采购数据分析的8个流程与常用7个思路

【采购】采购数据分析的8个流程与常用 7个思路 在采购过程中,数据分析具有极其重要的战略意义,是优化供应链和采购决策的核心大脑。因此做好数据分析,是采购过程中最重要的环节之一。 那么如何做好数据分析呢?以下梳理出数据分析的8步流程,以及常见的7种分析思路。在启动数据分析前,最好跟主管或数据经验较丰富的童鞋确认每一步的分析流程。 一、数据分析八流程: 1、为什么分析? 首先,你得知道为什么分析?弄清楚此次数据分析的目的。比如,什么类型的 客户交货期总是拖延。你所有的分析都的围绕这个为什么来回答。避免不符合 目标反复返工,这个过程会很痛苦。 2、分析目标是谁? 要牢记清楚的分析因子,统计维度是金额,还是产品,还是供应商行业竞争趋势,还是供应商规模等等。避免把金额当产品算,把产品当金额算,算出的结 果是差别非常大的。 3、想达到什么效果? 通过分析各个维度产品类型,公司采购周期,采购条款,找到真正的问题。例 如这次分析的薄弱环节供应商,全部集中采购,和保持现状,都不符合利益最

大化原则。通过分析,找到真正的问题根源,发现精细化采购管理已经非常必 要了。 4、需要哪些数据? 采购过程涉及的数据,很多,需要哪些源数据?采购总额?零部件行业竞争度?货款周期?采购频次?库存备货数?客户地域因子?客户规模?等等列一个表。避免不断增加新的因子。 5、如何采集? 数据库中供应商信息采集,平时供应商各种信息录入,产品特性录入等,做数据分 析一定要有原料,否则巧妇难为无米之炊。 6、如何整理? 整理数据是门技术活。不得不承认EXCEL是个强大工具,数据透视表的熟练 使用和技巧,作为支付数据分析必不可少,各种函数和公式也需要略懂一二, 避免低效率的数据整理。Spss也是一个非常优秀的数据处理工具,特别在数据 量比较大,而且当字段由特殊字符的时候,比较好用。 7、如何分析? 整理完毕,如何对数据进行综合分析,相关分析?这个是很考验逻辑思维和推 理能力的。同时分析推理过程中,需要对产品了如指掌,对供应商很了解,对 采购流程很熟悉。看似一个简单的数据分析,其实是各方面能力的体现。首先 是技术层面,对数据来源的抽取-转换-载入原理的理解和认识;其实是全局观,对季节性、公司等层面的业务有清晰的了解;最后是专业度,对业务的流程、设计等了如指掌。练就数据分析的洪荒之力并非一朝一夕之功,而是在实 践中不断成长和升华。一个好的数据分析应该以价值为导向,放眼全局、立足 业务,用数据来驱动增长。

市场调查数据分析方法和手段

第四编市场调查中的数据分析 第一节调查问卷的回收与编辑 数据资料的处理过程是从回收第一份问卷开 始的。按照事先调查方案的计划,尽量确保每份问 卷都是有效问卷(所谓“有效”问卷,指的是在调查 过程中按照正确的方式执行完成的问卷)。问卷回 收以后,督导员必须按照调查的要求,仔细的检查 问卷。检查问卷的目的在于将有错误填写,或者是挑出不完整或不规范的问卷,保证数据的准确性。所谓错误填写即出现了那些不合逻辑或根本不可能的结果,通过对调查员的复核,可以检查出哪些调查员没有按照调查的要求去访问,那么,该调查员完成的问卷可能存在很多问题。还有可能出现漏答了某些必须回答的问题,比如被访者的人口特征等基本情况,造成问卷回答不完整。 鉴于这些情况,不管是由于调查员造成的还是被访者的原因,通常有两种方式进行补救:对于出现漏答的问卷,通常要求调查员对受访者进行重访,以补充未答的问题;如果不便于重访或重访后的问卷还有问题,数目不是很多,可以当作缺失值计。如果数量非常大,这份问卷就只能当作废卷处理,并且按照被访对象的抽样条件,补作相关的样本。 问卷检查

问卷的检查一般是指对回收问卷的完整性和访问质量的检查,目的是要确定哪些问卷可以接受,哪些问卷要作废。检查的要点包括:(1)规定详细的检查规则,一份问卷哪些问题是必须填写完整的,哪些问题出现缺失时可以容忍等,使督导员明确检查问卷的每一项流程。 (2)对于每份调查员交回来的问卷必须彻底地检查,以确认调查员或者被访者是否按照相关的要求完成了访问,并且完整的记录在问卷恰当的位置。 (3)应该将问卷分成三种类型,一种是完成的问卷,一种是作废的问卷,第三种是有问题的问卷,但是通过追访还可以利用的问卷。 (4)如果抽样中有配额的要求,那么应将完成的问卷中的配额指标进行统计分析,确定问卷是否完成配额的要求,以便及时的补充不足的样本。 (5)通常有下面的情况的问卷是不能接受的:所回收的问卷明显不完整,缺了一页或者多页;问卷中有很多内容没有填答;问卷的模式说明调查员(被访者)没有理解或者遵循访问指南回答等;问卷的答案几乎没有什么变化,如在态度的选项上全部选择第x项的情况;问卷的被访者不符合抽样要求;问卷的回收日期超过了的访问的时限等。 问卷的校订

常用数据分析方法详细讲解

常用数据分析方法详解 目录 1、历史分析法 2、全店框架分析法 3、价格带分析法 4、三维分析法 5、增长率分析法 6、销售预测方法 1、历史分析法的概念及分类 历史分析法指将与分析期间相对应的历史同期或上期数据进行收集并对比,目的是通过数据的共性查找目前问题并确定将来变化的趋势。 *同期比较法:月度比较、季度比较、年度比较 *上期比较法:时段比较、日别对比、周间比较、 月度比较、季度比较、年度比较 历史分析法的指标 *指标名称: 销售数量、销售额、销售毛利、毛利率、贡献度、交叉比率、销售占比、客单价、客流量、经营品数动销率、无销售单品数、库存数量、库存金额、人效、坪效 *指标分类: 时间分类 ——时段、单日、周间、月度、季度、年度、任意 多个时段期间 性质分类 ——大类、中类、小类、单品 图例 2框架分析法 又叫全店诊断分析法 销量排序后,如出现50/50、40/60等情况,就是什么都能卖一点但什么都不 好卖的状况,这个时候就要对品类设置进行增加或删减,因为你的门店缺少 重点,缺少吸引顾客的东西。 如果达到10/90,也是品类出了问题。 如果是20/80或30/70、30/80,则需要改变的是商品的单品。 *单品ABC分析(PSI值的概念) 销售额权重(0.4)×单品销售额占类别比+销售数量权重(0.3) × 单品销售数量占类别比+毛利额权重(0.3)单品毛利额占类别比 *类别占比分析(大类、中类、小类) 类别销售额占比、类别毛利额占比、 类别库存数量占比、类别库存金额占比、

类别来客数占比、类别货架列占比 表格例 3价格带及销售二维分析法 首先对分析的商品按价格由低到高进行排序,然后 *指标类型:单品价格、销售额、销售数量、毛利额 *价格带曲线分布图 *价格带与销售对数图 价格带及销售数据表格 价格带分析法 4商品结构三维分析法 *一种分析商品结构是否健康、平衡的方法叫做三维分析图。在三维空间坐标上以X、Y、Z 三个坐标轴分别表示品类销售占有率、销售成长率及利润率,每个坐标又分为高、低两段,这样就得到了8种可能的位置。 *如果卖场大多数商品处于1、2、3、4的位置上,就可以认为商品结构已经达到最佳状态。以为任何一个商品的品类销售占比率、销售成长率及利润率随着其商品生命周期的变化都会有一个由低到高又转低的过程,不可能要求所有的商品同时达到最好的状态,即使达到也不可能持久。因此卖场要求的商品结构必然包括:目前虽不能获利但具有发展潜力以后将成为销售主力的新商品、目前已经达到高占有率、高成长率及高利润率的商品、目前虽保持较高利润率但成长率、占有率趋于下降的维持性商品,以及已经决定淘汰、逐步收缩的衰退型商品。 *指标值高低的分界可以用平均值或者计划值。 图例 5商品周期增长率分析法 就是将一段时期的销售增长率与时间增长率的比值来判断商品所处生命周期阶段的方法。不同比值下商品所处的生命周期阶段(表示) 如何利用商品生命周期理论指导营运(图示) 6销售预测方法[/hide] 1.jpg (67.5 KB) 1、历史分析法

人力资源量化管理与数据分析

读《人力资源量化管理与数据分析》体会 一、HR在量化管理与数据分析方面常犯得错误,可以归纳为四项: 1、为了量化而量化,结果导致只有数据,没有分析; 2、为了数据而数据,结果导致有了分析,没有结论; 3、为了分析而分析,结果导致有了结论,没有行动; 4、为了报告而报告,结果导致有了行动,没有评估. 二、力资源量化管理与数据分析得认识。 首先数据其实不仅指得就是数字。 数据其实代表得就是一种对企业来说有价值、可处理得信息。这里得信息可以就是数字,可以就是文字,也可以就是图形。 其次,分析也绝不就是越“高大上”越好,相反得,许多对企业来说,往往那些有效得分析其实原理并不繁琐,呈现出来得结果也不复杂。原理与逻辑对了,往往能给人带来一目了然得效果. 三、招聘管理中得量化管理与数据分析方法 人力资源招聘管理得过程中如何利用量化管理与数据分析方法提高招聘效能,内容包括岗位编制量化测算方法(劳动效率、业务数据、行业对标、预算控制、业务流程、专家访谈定编方法);招聘效果量化分析方法(招聘满足率分析、招聘贡献度分析、招聘质量分析);招聘过程量化分析方法及应用;招聘费用量化分析方法(费用统计、分析、平衡)等. 四、离职管理中得量化管理与数据分析方法 如何利用量化管理与数据分析方法提高人才得保留率、减少人才得离职率,主要内容包括人才离职数量分析(离职率计算方法、离职数量分析方法、人才

离职情况预算);人才离职质量量化分析(司龄分析、绩效分析、流向分析);如何通过量化分析做好人才保留(人才保留正确做法、离职原因量化分析、离职分析注意事项、人才保留契约模型)等。 五、人才梯队建设量化管理与数据分析方法 如何利用量化管理与数据分析方法进行人才梯队建设,主要内容包括人才盘点三个维度得量化分析方法(单维度、双维度、三维度);继任者计划实施方法与技巧(员工职业发展转换方向、个人发展计划应用、继任者计划制定方法);提升继任者技能得有效方法(技能传授流程、继任计划运行检查、继任计划效果评估);员工职业发展中得量化分析(职业兴趣测评分析、职业选择匹配分析、价值观与岗位匹配分析)等。 六、培训管理中得量化管理与数据分析方法 如何运用量化管理与数据分析方法,有针对性得提高公司人才培养与培训得效能,主要内容包括岗位胜任力模型得维度、层级、量化、差距确认、构建方法;培训需求得量化分析维度、量化分析方法、汇总分析、确认注意与制定方法;培训实施环节得量化分析(培训目标量化、培训课程量化、培训形式选择);培训评估环节得量化分析(培训实施情况量化分析、培训实施效果量化分析、培训行为改变量化分析、培训成果转化量化分析、培训投资回报量化分析)等。 七、薪酬管理中得量化管理与数据分析方法 如何在薪酬管理得过程中运用量化管理与数据分析方法,从而提高薪酬管理效能,提高公司人工成本得应用效率,主要内容包括岗位价值量化分析方法(岗位排序法、岗位分类法、因素比较法、要素记点法);薪酬预算量化分析方法

CMMI量化管理、用“数据说话”

摘要 人的体温是37℃,我们就说正常的、健康的度数,当人的体温是39℃,我们就判断他是发烧的、不健康的状态,当通过打针吃药降到37℃时,也就是通过医疗手段有成效、有意义的。那么众多的软件项目,如何衡量他们的健康状态呢?如何发现其中的不良状况,识别过程改进机会、改进效果呢? 本文通过“P项目”,介绍在高能力成熟度企业中以过程为导向,数据量化管理为基础的最佳实践,结合项目的实践情况,分析和总结如何在实践中通过数量化的指标来设置项目目标,跟踪项目状态,并且预测项目状态,以识别改进的机会,从而持续改进项目管理方法。 关键字度理管理,数据说话 案例背景 “P项目”是一个CMMI5推广项目,由于公司2004年年底通过CMMI5认证,2005年要在原有CMM3的基础上推广CMMI5,其中“P项目”是试点之一。与CMM3要求相比,作为CMMI5推广的重要特点之一是:进行度量管理。其重要特点是数据量大、数据较多,数据存放在哪里,没有挖掘使用,也就是数据垃圾。 2005年由QA与项目经理沟通,制定项目度量计划,根据公司2005年27个性能基线目标上,选择5个度量目标项,其中项目度量1个,产品度量4个,没有过程度量。这些度量目标在项目过程书中有明确的规定,同时度量数据采集工具为:Bug Free。项目的质量和过程性能目标如下:

案例分析 软件度量(software measurement)是对软件开发项目、过程及其产品进行数据定义、收集以及分析的持续性定量化过程,目的在于对此加以理解、预测、评估、控制和改善。没有软件度量,就不能从软件开发的暗箱中跳将出来。通过软件度量可以改进软件开发过程,促进项目成功,开发高质量的软件产品。 度量取向是软件开发诸多事项的横断面,包括顾客满意度度量、质量度量、项目度量、以及品牌资产度量、知识产权价值度量,等等。度量取向要依靠事实、数据、原理、法则;其方法是测试、审核、调查;其工具是统计、图表、数字、模型;其标准是量化的指标。在项目实施过程中,如何进行度量管理,用数据说话呢? 一、了解度量基础知识 l基本概念 ?度量目标:在一定时期内,度量工作应实现的或达到的程度。这些目标通常根据组织的过程能力、资源预算、质量管理要求以及商业期望来定义。 ?度量指标:组织级定义的,标准度量项和应达到的要求。 ?基本度量:是用一个指定的度量方法对某个实体的单个属性的度量。数据收集就是给基本度量赋值的过程。 ?派生度量:是两个(或多个)基本度量(或派生度量)的函数。派生度量用于获取基于多个属性的信息。 ?度量项:基本度量和派生度量的统称。 如:“XXXX”公司2007年度量指标项: 序号度量指标项控制下限平均值控制上限 1 总进度偏差率0.00% 11.80% 31.18% 2 设计阶段发现的属于需求的缺陷率7.76% 10.90% 14.05% 3 编码阶段发现的属于需求的缺陷率0.50% 2.29% 4.08% 4 编码阶段发现的属于设计的缺陷率9.56% 12.39% 15.22%

产品经理做市场调研和数据分析的方法

产品经理为什么要做市场调研?调研的目的是什么? 我们在做市场调研前,必须有一个自己的调研思路:调研目的、调研对象、需要收集的

数据、需要达到的效果等。只有有了明确的目标,才能获得更加有效的数据。 1、通过调研了解市场需求、确定目标用户、确定产品核心,为了更好的制订MRD; 2、为领导在会议上PK提供论据; 3、提高产品的销售决策质量、解决存在于产品销售中的问题或寻找机会进而系统、客观地识别、收集、分析和传播营销信息,及时掌握一手资源; 4、验证我们定的目标客户是不是我们想要的,目标用户想要什么样的产品或服务; 5、了解我们能不能满足目标用户的需求并且乐于满足目标用户的需求; 6、找准产品机会缺口,然后衡量各种因素,制定产品战略线路; 7、调研到最后,目标越明确,需求确明确,也就会觉得,产品越难做,难以打开市场等; 8、对于全新的产品,调研前PM必须先自己有一个思路,然后通过调研去验证自己的想法的可行性。 二、市场调研的方式方法有哪些?怎样确定调研的维度? 1、问卷调查、用户AB测试、焦点访谈、田野调研、用户访谈、用户日志、入户观察、网上有奖 调查; 2、做人物角色分析:设置用户场景、用户角色进行模拟分析; 3、情况推测分析; 4、调研的维度主要从战略层、范围层、结构层、框架层、视觉层来展开(不同的产品从不同的层次来确定调研的维度) 三、如何整理市场调研的数据? PS:对收集到的调研数据,我们需要整理出那些有效的数据,对于无效数据果断丢弃。对有效数据进行细致的处理、分析。 通过市场调研,我们收集了不少的数据,这些数据都是用户最直接的对产品的某种需求的体现。作为产品经理,我们视这些数据为宝贝,我们需要将这些数据进行整理,让他们变为珍宝。那我们该如何整理呢?

量化管理与数据分析

量化管理与数据分析 《摘要》:设备管理在原来老的方法基础上,应用现在更多的新产品、新方法、新理念,对原来的老方法进行改进、微调,更能适合现在生产需要。本文将从量化管理以及数据分析的角度进行分析,以达到适合现在生产额需要。 《关键词》:设备管理;新方法;新产品;新应用 引言 量化管理,是一种从目标出发,使用科学、量化的手段进行组织体系设计和为具体工作建立标准的管理手段。数据分析是指用适当的统计方法对收集来的大量第一手资料和第二手资料进行分析,以求最大化地开发数据资料的功能,发挥数据的作用。是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。数据也称观测值,是实验、测量、观察、调查等的结果,常以数量的形式给出。 在设备点检、巡检、维护、修理的时候,我们以前总是参考说明书凭经验,凭感觉判断处理。造成判断问题主观因素过多,缺乏客观依据。这样在分析问题时往往不够准确,处理问题也不够及时甚至多走很多弯路,浪费很多备件却没能保证设备正常运转。 随着科学技术不断发展,测量技术越来越成熟,我们在设备控制过程中把设备状态不断量化处理,透过数据分析更客观的判断设备工作状态,更准确的定性问题,拿出更有效的措施,更好的保证设备的生产能力。 我简单的举几个例子: 1、设备维护保养方面 我们在维护电机时,按照传统定期维护的管理思想就是电机轴承定期加油,轴承等定期更换,因为备件寿命一定。认为这样可以保证电机的稳定工作,然而我在使用设备的时候发现这个寿命并没有太强的规律。因为影响轴承寿命的因素很多有设备的使用率,有设备工作的环境,有电机的负载因素,有更换轴承时的装配质量,还有轴承本身的质量等等一些因素。 我们要是还按照定期保养的办法往往造成换下的轴承还很好就换成新的或者远没到计划中下一次更换的时间轴承却坏了。对于一些功率小的电机还好处理一点,然而对于一些大的电机往往损失就比较大了(人工成本、备件成本、设备使用率)。 我们后来改变思路,由电工日常检测电机电流,维修工检测电机温度、震动等。后来我们又购置了红外测温仪来测量电机的温度彻底的把温度数字化,同时也解决的高处电机的测量难、运动中的测量险、巡检时间长等很多问题。通过电

数据分析系统_APP建设方案

决策分析系统APP端建设方案

目录 1. 概述 (3) 1.1. 项目背景 (3) 1.2. 建设目标 (3) 2. 设计方案 (4) 2.1. 系统建设的思路如下: (4) 2.2. 系统架构 (4) 2.3. 运行环境 (5) 2.4. 系统组成 (5) 3. 建设原则 (5) 3.1. 实用性 (5) 3.2. 先进性 (6) 3.3. 前瞻性和整体性 (6) 3.4. 集成性 (6) 3.5. 扩展性 (6) 3.6. 经济性 (6) 3.7. 可管理性和可维护性 (7) 3.8. 安全性 (7) 3.9. 稳定性和可靠性 (7) 3.10. 可重构性 (7) 3.11. 设计规范 (7) 4. 架构设计 (8) 5. 功能设计概述 (12) 6. 表样设计 (13)

1.概述 1.1.项目背景 移动互联,是基于“个人移动数字信息终端”(如:手机、平板电脑、PDA 等)接入互联网,用户在移动的状态下同时能使用的互联网的业务。移动设备能力不断加强,操作界面不断优化,外观时尚轻薄,能满足8小时以上的连续户外操作的需求,价格也不断下降,智能手机的用户不断增加;同时,随着中国联通、中国电信、中国移动等运营上的3G网络不断发展,覆盖面至少到乡镇一级,理论速度都提升少2M以上;根据摩根(Morgan)的报告,移动互联时代的设备将超过100亿台,一个“人人有手机、时时在移动、处处在互联”的时代,将势不可挡的来临,企业将移动互联网技术应到工作业务中,为工作人员的工作带来方便快捷。 XXXX在建的数据分析系统,为营销工作带来方便快捷的数据查询服务器,为了使用人员能在脱离办公场所在外的地方进行数据查询分析服务,应用移动互联网技术对数据分析系统进行模块升级扩展,建设数据分析系统APP移动客户端,方便使用人员在移动的环境下快速进行获数据查询分析工作,更有效率的开展工作。 1.2.建设目标 将先进的便携终端/移动通讯技术与现代卷烟营销模式紧密结合,不断提升卷烟营销运作、管理和决策支持水平。 (1)在管理决策层面,及时掌握卷烟营销情况,为决策、调度提供信息依据。充分利用营销业务数据库、经营分析数据库等为领导层搭建宏观层面的监控

史上最全的数据来源和数据分析平台

史上最全的数据来源(数据分析)平台 网站分析类: 百度指数- 以百度海量网民行为数据为基础的数据分享平台 Google趋势- 了解Google中热度上升的搜索 360指数- 基于360搜索的大数据分享平台 Alexa - 网站排名 Google Analytics - Google出品,可以对目标网站进行访问数据统计和分析百度统计- 百度推出的一款免费的专业网站流量分析工具 腾讯云分析- 是腾讯数据云,腾讯大数据战略的核心产品 移动应用分析类: 友盟指数- 以友盟海量数据为基础的观察移动互联网行业趋势的数据平台移动观象台- 20亿独立智能设备为依据,提供应用排行榜 ASOU趋势- 每日跟踪超过100万款应用,分析超过6亿条数据 蝉大师- App数据分析与ASO优化专家,应用与游戏推广平台 百度移动统计- 基于移动APP统计的分析工具 QuestMobile - 国内知名的移动大数据服务提供商 应用雷达- 专业的APP排行历史跟踪软件实时榜单排名分析 Appannie - 移动应用和数字内容时代数据分析和市场数据的行业领导者CQASO - 国内最专业的APP数据分析平台 媒体传播类: 微博指数 优酷指数 微票儿票房分析 BOM票房数据 爱奇艺指数 数说传播 百度风云榜 微博风云榜 爱奇艺风云榜 豆瓣电影排行榜 新媒体排行榜 品牌微信排行榜 清博指数 易赞- 公众号画像 电商数据类:

阿里价格指数 淘宝魔方 京东智圈 淘宝排行榜 投资数据类: Crunchbase - 一个免费的科技公司、技术行业知名人物和投资者相关信息的数据库 清科投资界- 风险投资,私募股权,创业者相关投资,私募,并购,上市的研究 IT桔子- 关注TMT领域创业与投资的数据库 创投库- 提供最全的投资公司信息 Angel - 美国创业项目大全 Next - 36kr子站,每天更新新产品介绍 Beta List - 介绍初创公司 金融数据类: 积木盒子- 全线上网络借贷信息中介平台 网贷中心- 告网贷行业危机,公正透明地披露网贷平台数据 网贷之家- P2P网贷平台排名 网贷数据- 网贷天下- 行业过去30天详细交易数据,网贷天下统计、发布,每天6点更新中国P2P网贷指数 零壹数据-专业互联网金融数据中心 大公金融数据 全球股票指数 爱股说-基金经理分析找股平台 私募基金管理人综合查询 中财网数据引擎 游戏数据: 百度网游风云榜 360手机游戏排行榜 360手游指数 CGWR排行榜 App Annie游戏指数 小米应用商店游戏排名 TalkingData游戏指数 游戏玩家排名&赛事数据 国家社会数据: 中国综合社会调查 中国人口普查数据 中国国家数据中心

相关文档
最新文档