本文是麟威咨询的顾问师在实践中总结的经验，如果转发请联系授权，欢迎给后台发信或邮件交流(lw@szleanway.com)

导语：企业管理升级的进程中，需要管理者不断从靠直觉、靠经验的管理模式向靠数据、靠流程、靠体系的管理模式前进。在这个过程中，数据的有效运用起着至关重要的作用。然而麟威顾问在多年的企业管理项目辅导中发现，企业并没有给予数据管理足够的重视度。经常受制于数据及时性、准确性、完整性等方面的问题，造成无法突破管理瓶颈的窘境。麟威顾问结合自身经验及数据管理在多家企业中的运用实践，原创数据管理实战技能系列文章，期望在数据管理中的每位参与者能够得到启发，举一反三，使“用数据说话”不再只是企业中的一句口号！

01 前情回顾

上一期文章【麟威原创】掌握这些技能，用“数据说话”不再是口号！(二)，我们一起学习了如何规范统计表的基本思路：

1、 按“一元化”的统计表格式规范表头栏与信息栏；

2、从记录表中选定需统计的信息进行数据统计；

3、对统计好的数据统计表进行必要的预处理。

没有学会的小伙伴可以回看巩固一下，这样我们才能更好地理解本期内容。

02 数据分析的目的

数据分析通常有两个方面的目的：

1、通过数据来充分展示现状水平 (比如8月的客户投诉率为1.3%)，用现状与目标(比如客户投诉率目标为0.5%)比较，找到差异，确定改善需求；

2、通过分析来聚焦异常改善对象 (比如客户投诉中尺寸不良类长度偏大占25.2%)；聚焦改善对象时可以进行多维度层别，可以利用影响程度、频次、可探测性等来进行聚焦。

03 数据分析的需求来源

1、定期报告时使用：如经营分析会、质量月例会、产销协调会等；

2、课题改善时使用：如质量专项层别、故障类型层别、成本损失层别等；

3、领导临时安排时：如关键指标展示、人员结构分析、绩效排名评比等。

我们可以看出，很多场合都需要对统计的数据按一定原则和方法进行分析，从而通过图表、汇总等模型将数据的趋势、分布、规律进行展示。以便于受众能够比较直观地了解到数据的变化情况，从而为做出的判断和决策提供依据。

如何才能既高效又准确地完成各类数据分析报表，是每一位数据分析人员需要研究和改善的目标，同时也是管理人员数据思维的体现。

然而在许多企业的现实情况运作中是这样的：管理层没有把数据管理放在足够的位置上，对数据管理的重视度是不够的，数据分析的任务往往放在了统计人员或基层主管的身上，造成了数据分析工作量大，统计人员劳动强度大；分析方法与工具单一，基本上采取手工筛选汇总的方式，使得数据处理效率低，准确度难以保障；数据分析维度单一，指标不明确，没有聚焦的思路与方法，使得数据到了报告会上也只是为了让大家知悉，没办法触发进一步改善的动作。

04 数据分析的基本逻辑

仍然以上一期文章的设备故障维修统计表为例：当已经按照“一元化”要求进行了数据统计汇总以后，我们需要思考一个问题：通过分析，我们希望得到什么信息？

实践发现，不同的数据“使用者”对数据分析的报表展示内容是不一样的，比如公司高层希望看到的是整体状况、数据趋势、横向对比等信息；然而部门经理希望看到的是重点异常、突出问题、改善方向等信息。项目负责人希望看到的是成果对比、资源使用、节点周期等信息。所以不同的数据“使用者”的需求决定了对数据分析的基本逻辑。

企业或者部门可以根据自身数据管理的需要以下面三种数据分析思路做为分析建模的基本类型：

1、 看整体；

2、 看趋势；

3、 看重点。

常用的工具方法有两种：

1、 函数公式法；

2、 数据透视法。

05 数据分析建模举例说明--函数公式法

同样以设备故障管理为例：第一个基本分析类型是看整体。

对于设备故障管理而言，有两个常用的管理指标：平均故障维修时间(此指标越小越好，体现了故障发生后的维修响应速度)；平均故障间隔时间(此指标越大越好，体现了设备的可靠性，发生故障的周期长短)；这样，我们就可以用设备故障管理的指标做为看整体的分析方向来设计数据分析模型，企业可以根据自身需求进行设计，参考方式1-1、1-2。

↓分析模型方式1-1

↓分析模型方式1-2

确定分析模型方式后，则需要判断数据自动抓取所需要使用的函数公式和判断条件了。以方式1-1为例：部门A在2019年6月的故障次数数据是一个计数型数据，可以用countifs()函数，即多条件计数函数在统计表中抓取，需要满足的条件有三个：1、部门A; 2、2019年；3、6月。

而部门A在2019年6月的故障时间数据是一个求和型数据，可以用sumifs()函数，即多条件求和函数在统计表中抓取，需要求和的对象是故障时间列，需要满足的条件同样有三个：1、部门A; 2、2019年；3、6月。

而部门A在2019年6月的最早故障时间数据是一个求最小值型数据，可以用minifs()函数，即多条件最小值函数在统计表中抓取，判断的是维修日期列的最小值，需要满足的条件同样有三个：1、部门A; 2、2019年；3、6月。以此类推，最晚故障时间数据则是一个求最大值型数据。

而平均故障维修时间和平均故障间隔时间两个指标可以根据指标的定义，通过前面抓取到的故障次数、故障时间、最早故障时间、最晚故障时间四个数据，比如平均故障维修时间=故障总时间∕故障次数，通过设置公式就可以自动计算得出数据了。

通过使用函数公式法，将所有需填写的数据栏设置好公式后，我们就可以自动获得第一类：看整体数据分析的结果了。

其中，蓝底白字的位置均可以修改，比如当需要看2019年7月数据时，将6月改为7月，则所有数据自动更新为7月数据。从而实现了简化统计员劳动强度，快速高效的效果。同时也可以在目标值栏列入数据，通过设置“条件格式”参数，自动实际未达标数据自动突显出来的效果，能让“使用者”对数据异常一目了然。

继续以设备故障管理为例：第二个基本分析类型是看趋势。通常看趋势会结合图表的展示方式来方便“使用者”快速获取信息，数据分析看趋势时，需要明确两个方面的维度来设计分析模型：

1、对象(部门？机台？人员？现象？)；

2、频率(年？月？周？日？)；

↓分析模型方式2-1

↓分析模型方式2-2

以上两个模型是以员工和故障类型做为对象建立的分析模型，同时按月取数，配以趋势图进行展示。当我们把蓝底部门选择了具体信息后，就可以看到数据展示的效果了。

继续以设备故障管理为例：第三个基本分析类型是看重点。通常看重点是通过趋势图或与目标之间的比较来找出异常数据，对异常数据进一步聚焦来找出异常改善的方向。那么聚焦的方向是：通过异常数据分析，应该找出什么对象在哪个环节总是出现什么问题。聚焦的目的：找到重点问题，集中关键资源，专项攻关突破。同时要避免的误区是：聚焦不是为了找责任，不是为了处罚！接下来使用数据透视法可以对数据统计表进行数据分析，通过透视数据可以使用排序的方式确定哪个设备什么故障经常发生。进而可以通过专项分析的方式，研究预防同类故障频繁发生的措施。

↓ 分析模型方式3-1

↓分析模型方式3-2

↓分析模型方式3-3

以上方法与思路只是抛砖引玉。大家想要对建立数据分析模型有更深的理解，仍然需要不断揣摩与动手操作，方可找到适合企业的数据分析方法。大家可以举一反三，看看企业中还可以建立起哪些标准的数据分析模型，一起动手来设计一下吧。同时，也欢迎大家发邮件(lw@szleanway.com)交流