官方微博
0755-88 607 609
【麟威原創】掌握這些技能，用“數據說話”不再是口號！(三)
來源：麟威原創 責任編輯：麟威咨詢 瀏覽量：3713 2020-05-27
本文是麟威咨詢的顧問師在實踐中總結的經驗，如果轉發請聯系授權，歡迎給后臺發信或郵件交流(lw@szleanway.com)
導語：企業管理升級的進程中，需要管理者不斷從靠直覺、靠經驗的管理模式向靠數據、靠流程、靠體系的管理模式前進。在這個過程中，數據的有效運用起著至關重要的作用。然而麟威顧問在多年的企業管理項目輔導中發現，企業并沒有給予數據管理足夠的重視度。經常受制于數據及時性、準確性、完整性等方面的問題，造成無法突破管理瓶頸的窘境。麟威顧問結合自身經驗及數據管理在多家企業中的運用實踐，原創數據管理實戰技能系列文章，期望在數據管理中的每位參與者能夠得到啟發，舉一反三，使“用數據說話”不再只是企業中的一句口號！
01 前情回顧
上一期文章【麟威原創】掌握這些技能，用“數據說話”不再是口號！(二)，我們一起學習了如何規范統計表的基本思路：
1、 按“一元化”的統計表格式規范表頭欄與信息欄；
2、從記錄表中選定需統計的信息進行數據統計；
3、對統計好的數據統計表進行必要的預處理。
沒有學會的小伙伴可以回看鞏固一下，這樣我們才能更好地理解本期內容。
02 數據分析的目的
數據分析通常有兩個方面的目的：
1、通過數據來充分展示現狀水平 (比如8月的客戶投訴率為1.3%)，用現狀與目標(比如客戶投訴率目標為0.5%)比較，找到差異，確定改善需求；
2、通過分析來聚焦異常改善對象 (比如客戶投訴中尺寸不良類長度偏大占25.2%)；聚焦改善對象時可以進行多維度層別，可以利用影響程度、頻次、可探測性等來進行聚焦。
03 數據分析的需求來源
1、定期報告時使用：如經營分析會、質量月例會、產銷協調會等；
2、課題改善時使用：如質量專項層別、故障類型層別、成本損失層別等；
3、領導臨時安排時：如關鍵指標展示、人員結構分析、績效排名評比等。
我們可以看出，很多場合都需要對統計的數據按一定原則和方法進行分析，從而通過圖表、匯總等模型將數據的趨勢、分布、規律進行展示。以便于受眾能夠比較直觀地了解到數據的變化情況，從而為做出的判斷和決策提供依據。
如何才能既高效又準確地完成各類數據分析報表，是每一位數據分析人員需要研究和改善的目標，同時也是管理人員數據思維的體現。
然而在許多企業的現實情況運作中是這樣的：管理層沒有把數據管理放在足夠的位置上，對數據管理的重視度是不夠的，數據分析的任務往往放在了統計人員或基層主管的身上，造成了數據分析工作量大，統計人員勞動強度大；分析方法與工具單一，基本上采取手工篩選匯總的方式，使得數據處理效率低，準確度難以保障；數據分析維度單一，指標不明確，沒有聚焦的思路與方法，使得數據到了報告會上也只是為了讓大家知悉，沒辦法觸發進一步改善的動作。
04 數據分析的基本邏輯
仍然以上一期文章的設備故障維修統計表為例：當已經按照“一元化”要求進行了數據統計匯總以后，我們需要思考一個問題：通過分析，我們希望得到什么信息？
實踐發現，不同的數據“使用者”對數據分析的報表展示內容是不一樣的，比如公司高層希望看到的是整體狀況、數據趨勢、橫向對比等信息；然而部門經理希望看到的是重點異常、突出問題、改善方向等信息。項目負責人希望看到的是成果對比、資源使用、節點周期等信息。所以不同的數據“使用者”的需求決定了對數據分析的基本邏輯。
企業或者部門可以根據自身數據管理的需要以下面三種數據分析思路做為分析建模的基本類型：
1、 看整體；
2、 看趨勢；
3、 看重點。
常用的工具方法有兩種：
1、 函數公式法；
2、 數據透視法。
05 數據分析建模舉例說明--函數公式法
同樣以設備故障管理為例：第一個基本分析類型是看整體。
對于設備故障管理而言，有兩個常用的管理指標：平均故障維修時間(此指標越小越好，體現了故障發生后的維修響應速度)；平均故障間隔時間(此指標越大越好，體現了設備的可靠性，發生故障的周期長短)；這樣，我們就可以用設備故障管理的指標做為看整體的分析方向來設計數據分析模型，企業可以根據自身需求進行設計，參考方式1-1、1-2。
↓分析模型方式1-1
↓分析模型方式1-2
確定分析模型方式后，則需要判斷數據自動抓取所需要使用的函數公式和判斷條件了。以方式1-1為例：部門A在2019年6月的故障次數數據是一個計數型數據，可以用countifs()函數，即多條件計數函數在統計表中抓取，需要滿足的條件有三個：1、部門A; 2、2019年；3、6月。
而部門A在2019年6月的故障時間數據是一個求和型數據，可以用sumifs()函數，即多條件求和函數在統計表中抓取，需要求和的對象是故障時間列，需要滿足的條件同樣有三個：1、部門A; 2、2019年；3、6月。
而部門A在2019年6月的最早故障時間數據是一個求最小值型數據，可以用minifs()函數，即多條件最小值函數在統計表中抓取，判斷的是維修日期列的最小值，需要滿足的條件同樣有三個：1、部門A; 2、2019年；3、6月。以此類推，最晚故障時間數據則是一個求最大值型數據。
而平均故障維修時間和平均故障間隔時間兩個指標可以根據指標的定義，通過前面抓取到的故障次數、故障時間、最早故障時間、最晚故障時間四個數據，比如平均故障維修時間=故障總時間∕故障次數，通過設置公式就可以自動計算得出數據了。
通過使用函數公式法，將所有需填寫的數據欄設置好公式后，我們就可以自動獲得第一類：看整體數據分析的結果了。
其中，藍底白字的位置均可以修改，比如當需要看2019年7月數據時，將6月改為7月，則所有數據自動更新為7月數據。從而實現了簡化統計員勞動強度，快速高效的效果。同時也可以在目標值欄列入數據，通過設置“條件格式”參數，自動實際未達標數據自動突顯出來的效果，能讓“使用者”對數據異常一目了然。
繼續以設備故障管理為例：第二個基本分析類型是看趨勢。通常看趨勢會結合圖表的展示方式來方便“使用者”快速獲取信息，數據分析看趨勢時，需要明確兩個方面的維度來設計分析模型：
1、對象(部門？機臺？人員？現象？)；
2、頻率(年？月？周？日？)；
↓分析模型方式2-1
↓分析模型方式2-2
以上兩個模型是以員工和故障類型做為對象建立的分析模型，同時按月取數，配以趨勢圖進行展示。當我們把藍底部門選擇了具體信息后，就可以看到數據展示的效果了。
繼續以設備故障管理為例：第三個基本分析類型是看重點。通常看重點是通過趨勢圖或與目標之間的比較來找出異常數據，對異常數據進一步聚焦來找出異常改善的方向。那么聚焦的方向是：通過異常數據分析，應該找出什么對象在哪個環節總是出現什么問題。聚焦的目的：找到重點問題，集中關鍵資源，專項攻關突破。同時要避免的誤區是：聚焦不是為了找責任，不是為了處罰！接下來使用數據透視法可以對數據統計表進行數據分析，通過透視數據可以使用排序的方式確定哪個設備什么故障經常發生。進而可以通過專項分析的方式，研究預防同類故障頻繁發生的措施。
↓ 分析模型方式3-1
↓分析模型方式3-2
↓分析模型方式3-3
以上方法與思路只是拋磚引玉。大家想要對建立數據分析模型有更深的理解，仍然需要不斷揣摩與動手操作，方可找到適合企業的數據分析方法。大家可以舉一反三，看看企業中還可以建立起哪些標準的數據分析模型，一起動手來設計一下吧。同時，也歡迎大家發郵件(lw@szleanway.com)交流
.png){kind=small}
