1.概述
为什么要写这系列文章？
商业数据分析的根本目的就是要洞察数据背后的规律，基于此，企业可以制订决策、并采取相应措施和行动，进而达成想要的结果。这是商业数据分析的最大价值所在。
那么如何才能洞察数据背后的规律，以给企业的决策提供支撑呢？
著名的咨询公司Gartner于2013年总结、归纳、提炼出一套数据分析的框架，个人认为可以很好地回答上述问题，特此分享给大家。
如上图所示，Gartner把数据分析分为四个层次，分别是：
- 描述性分析（Descriptive Analysis）
- 诊断性分析（Diagnostic Analysis）
- 预测性分析（Predictive Analysis）
- 处方性分析（Prescriptive Analysis）
1.2 数据分析的四个层次介绍
下面对这四个层次的分析方法分别进行介绍
（1）描述性分析-发生了什么？
故名思义，该层次主要是对已经发生的事实用数据做出准确的描述。比如某企业本月订单签约额比上月增加100万，至1100万，但是订单履约率从上月的98%下降到了95%，库存周转率从上月的0.8下降到了0.7。
（2）诊断性分析-为什么会发生？
知道到底发生了什么，对我们的帮助不大，更重要的是，我们要明白为什么发生。比如经过分析，发现上文提到的订单履约率下降的原因是成品生产不出来，无法完成交付。而成品生成不出来的原因则是部分原材料的供应商未能按时送货，导致原材料不齐套，无法开始生产。
（3）预测性分析-什么可能会发生？
基于上述两个层次的分析，我们发现了其中的规律，即原材料供应商的送货及时率会影响成品订单的履约率。假如上月某原材料供应商A送货及时率只有70%，通过建模，我们可以预测本月该供应商会使我们的订单履约率下降2%。
（4）处方性分析-该做些什么？
有了预测性分析的结果后，我们无需再做事后诸葛亮，而可以运筹帷幄，在事前就采取措施。上例中，供应商A会导致本月我们的订单履约率下降，我们可能采取的措施就是把A换掉，但是现在有B和C两个供应商供我们选择，该选择哪个呢？通过分析和计算得出：选用供应商B会比选C的订单履约率高1%，因此建议选择供应商B。这就是处方性分析。
1.3 总结
从上文可以看出，该数据分析的框架逻辑非常清晰，四个层次层层递进，经过这四个层次的分析以后，可以对企业的决策和行动提供有力支撑。
本篇文章是这个系列的开篇，主要说明该数据分析框架每一个层次具体是什么，他们之间的关系如何。后面的文章将会对每一个层次的工具和方法进行详细介绍，解决如何做的问题，下一篇文章将聚焦于描述性分析。
2.1.1 了解业务场景
如果想通过数据发现和回答『发生了什么』的问题，第一步并不是急急忙忙的直接去分析数据，而是首先要了解和还原数据产生的业务场景，包括：数据涉及到的部门和岗位有哪些，这些部门和岗位之间的业务流程是怎么样的，在不同业务流程中有哪些输入，对数据做了什么处理，又是如何输出和传递给下游部门的。如果不了解业务场景就去做数据分析，就如同盲人摸象，因此这一步至关重要。
2.1.2 探索性分析
探索性分析又细分为以下三个步骤：
（1）提问，理顺初步分析思路和目标
在了解清楚数据产生的业务场景后，可试着问自己一些what happened的问题。比如，本月销售额是多少？环比和同比变化分别是多少？本财年销售的变化趋势是怎么样的？通过相应问题，可以理顺初步的分析思路和分析目标。另外，在上一步了解业务背景的时候，也要注意和相关业务的关键干系人沟通，获取他们想知道的what happened的问题有哪些。
需要注意的是，这里说的是初步的分析思路和目标，因为在随后做分析的时候，新的灵感可能会被不断激发，分析的思路和目标也在不断调整，这是一个循环往复的过程。
（2）收集数据
有了初步的分析思路和目标以后，就可以确定需要收集哪些数据了。比如上文提到的销售额分析可能用到的数据为销售订单数据、销售开票数据。
（3）选择相应分析方法
根据分析的思路和目标，就可以对收集到的数据选择相应的分析方法了。具体的方法包括：
对数据位置的探索，包括：最大值、最小值、均值、中位数、分位数等
对数据分布的探索，包括：偏差、方差、标准差、茎叶图、直方图、箱形图（也叫盒须图）、密度图等
对数据趋势的探索，包括：同比、环比、趋势图、条形图等
对数据聚合的探索，包括：排序、筛选、计数、重复项、分组、求和、比例、条形图、饼图等
2.1.3 提炼指标
对数据做探索性分析后，可对数据反映的事实有一个直观的感受，比如，通过分析一个仓库的月度收发存数据，可以大概知道这个仓库的货物周转情况。但是要想更准确、简洁地描述发生了什么，还应该提出更高的要求：即总结和提炼出相应指标。比如描述库存周转的整体情况，库存周转率、库存周转天数等指标更有效。这些指标可以做为企业日常经营管理的KPI，让相关人员快速、准确地了解到企业当前的经营情况。
2.2 工具
2.2.1 个人使用
描述性分析中最常用的工具就是Excel，但是随着商业环境中产生数据的增多，Excel的运行效率变得相对低下，并且Excel主要侧重于表格中的数字分析，但是因为人类对图形的敏感度和理解力天生就比数字高，正所谓一图胜千言，因此近年来可视化分析工具逐渐流行起来，此类工具主要是通过图形去对数据产生洞见，发现其中的规律，而不仅仅是用做结果的展示。Tableau就是其中的佼佼者。其上手比较容易，很多功能设计的也比较便捷和人性化，运行效率较高（10万行以上的数据Tableau较Excel有明显优势），输出的可视化图表也很美观，可直接用在数据分析报告里（Excel默认输出的图表都很丑，后期还需要做不少调整和美化，才能放到数据分析报告里）
Tableau是商业软件，不过提供免费版本Tableau Public使用，但是此版本存在诸多限制。大家可用邮箱免费注册旁听Coursera上的这门课程：《使用 Tableau 展示可视化数据》，注册以后会收到有效期半年的Tableau Desktop的序列号。
2.2.2 企业使用
对企业来说，描述性分析的工具主要是报表和BI。
报表一般是嵌入至各专业系统中，如CRM、SRM、ERP、WMS、MES等。
BI一般是单独的系统，其从各专业系统中抽取数据，经过处理后，通过表格或图形展示出来。Gartner 2017年企业级BI系统的魔力象限如下图所示，大家可以看到Tableau也是这一市场的领导者（产品为Tableau Server、Tableau Online、Tableau Mobile），Tableau之所以能超越一众传统强大的BI产品（如Oracle的BIEE，IBM的Cognos，SAP的BO）成为市场的领导者，主要原因是，商业智能分析平台市场的主流已经从IT部门主导的静态展示分析转向业务部门主导的动态探索分析，这样才能激发员工的主动性和创造力。
在报表和BI的基础之上，可增加预警系统，如对异常的指标进行邮件或微信预警，让领导仅对这些指标进行关注，而无需把所有的指标都看一遍，以节省时间，提高效率，有必要时再查看相应报表或BI展示，这也是企业描述性分析的应用方式之一。
本篇向大家简要介绍了描述性分析的方法和工具，涉及到的知识主要是统计学的内容，这部分知识需要大家自行找相关书籍进行补充阅读，下一篇将向大家介绍诊断性分析和预测性分析。
参考文档：
商业数据分析的四个层次（二） 描述性分析（Descriptive Analysis）
商业数据分析的四个层次（四） 处方式分析（Prescriptive Analysis）