在竞争残酷的数字时代，提出正确的数据分析问题的重要性，甚至可以决定企业的整体成功。收集所有现有信息不仅很重要，考虑准备数据并以适当的方式加以利用，已成为制定成功的业务战略中不可或缺的价值。
话虽如此，但大多数企业目前正处于数据分析的危机中。尽管组织在使用各种数据分析工具收集和分析数据上花费了数百万，但似乎大多数人都难以以可行的、可盈利的方式实际使用该数据。
01提出正确的问题比数据分析本身更重要但是事实是，无论IT基础架构多么先进，你的数据都不会为您提供现成的解决方案，除非你询问有关数据分析的特定问题。
为了帮助将数据转换为业务决策，您应该甚至在开始数据收集过程之前就开始准备要深入了解的痛点。根据公司的策略，目标，预算和目标客户，应该准备一系列问题，这些问题将使您顺利地进行数据分析并帮助您获得相关的见解。
例如，您需要制定销售策略并增加收入。通过提出正确的问题，利用可以使您挖掘，利用和管理大量数据的销售分析软件，将更容易获得见解。普通的业务用户和跨部门的沟通将提高其有效性，减少做出可行决策的时间，从而提供一种经济高效的解决方案。
在开始任何企业工作之前，需要采取最关键的步骤：为任何类型的分析诉求，认真分析准备数据。这样，您公司中的人员将拥有清晰的系统资源库，最终可以将其转换为可行的见解。
这可以包括多个过程，例如数据概要分析，数据质量管理或数据清理，但是我们将重点分析提示和问题，以便在分析数据时获得最有效的解决方案以实现有效的业务策略。
如今，大数据与业务中断有关。组织不仅为成功而战，而且为生存而战。如果您想生存，那就该采取行动了。在这里，我们将看一下数据分析问题的示例，并详细解释每个示例。
在考虑您所在的行业以及您的企业试图超越竞争对手时，应明确定义数据问题。识别不充分会导致错误的解释，从而直接影响业务效率，总体结果并引起问题。
确保您不会陷入徒劳的“事后”数据处理陷阱，并帮助您以正确的心态开始以适当的数据驱动决策过程，同时获得可行的业务见解。
02你到底想通过数据分析，找出什么？最好先评估您的业务状况。在全公司范围内，同意与您的业务最相关的KPI以及它们如何发展。研究不同的KPI示例，然后与您自己的示例进行比较。想想您希望他们以什么方式进一步发展。您能影响这一发展吗？
确定可以在哪里进行更改。如果什么都不能改变，就没有分析数据的意义。但是，如果您发现了发展机会，并且看到可以显着改善您的业务绩效，那么KPI仪表板软件可能是一项明智的投资，可以监视您的关键绩效指标并提供公司数据的透明概览。
下一步是考虑您的目标是什么，以及它将促进哪些决策。从分析中得出什么结果，您认为会成功？这些介绍性的数据分析问题对于指导您完成整个过程并帮助您专注于关键见解是必不可少的。
您可以通过集体讨论并起草有关要发现的数据的特定问题的准则来开始广泛的工作，可以帮助您更深入地了解您想要获得的更具体的见解。
让我们通过一个示例来看看这一点，并通过一些富有想象力的练习来获得乐趣。
假设您可以接触到一个可以了解未来的全能商业精灵。这个“阿拉丁神灯”通过他的魔力体现了一个完美的数据分析平台的想法。
现在，使用Data Dan，您只会问他三个问题。不要问我们为什么-我们没有制定规则！鉴于您将获得对每个人的正确答案，您将要问什么？让我们来看看。
您：丹！见到你很高兴，我的朋友。不知道你是真实的。
丹：恩，我实际上不是。无论如何–您的第一个数据分析问题是什么？
您：好吧，我希望您能告诉我如何在我们的业务中增加收入。
丹：这是一个相当棘手的问题，但我想我会回答。如何能你提高收入？您可以与一些关键影响者建立合作伙伴关系，可以创建一些销售激励措施，还可以尝试为大多数现有客户提供附加服务。您可以做很多事情。好的，就是这样。您还有两个问题。
您：嗯，我的意思是–您回答得不好！您只是给了我一些假设！
丹：我完全回答了你的问题。也许你应该问更好的。
您：如果我把我的问题浪费在魔术般的商业精灵上，我的老板将会生我的气。只剩两个，只剩两个……好吧，我知道！精灵–为了使我的业务最成功，我应该问您什么？
丹：好的，您仍然不擅长此事，但是我会很好的，因为您只剩下一个数据分析问题。听好哥们–我只说一次。
提出良好数据分析问题的关键。
数据丹：首先，您希望您的问题非常具体。它越具体，答案就越有价值（和更具实用性）。
因此，您应该问：“我们应该重点关注哪些渠道，以便在不增加成本的情况下增加收入，而又能提高利润率？”而不是问“我如何增加收入？”。甚至更好：“本季度我进行的哪项营销活动都获得了最佳的投资回报率，我该如何复制其成功？”
分析数据时要问的这些关键问题可以定义您发展公司的下一个策略。我们已经使用了营销示例，但是每个部门和行业都可以从适当的数据准备过程中受益。通过使用多元分析，可以涵盖不同方面，并定义特定的检索方式。
03哪些评估指标，可以帮助你？你可以以这样的方式思考：使用商业智能的目标是清楚地看到现实，以便做出有利可图的决策来帮助公司蓬勃发展。分析数据时要问的问题是框架，可以让您专注于业务现实的特定方面。
遇到数据分析问题后，您需要具有一些可用来衡量它们的评估指标。例如，假设您想查看上个季度中哪个PPC广告系列效果最好。正如Data Dan提醒我们的那样，“尽力而为”的含义太含糊，无法使用。最好根据什么做？增加收入？推动利润？提供最大的投资回报率？提供最便宜的电子邮件订阅者？
所有这些评估指标都可以是有效的选择。您只需要首先选择合适的产品，并在整个公司范围内（或至少在您的部门内）达成协议即可。
让我们通过一个简单的示例来了解这一点。
您是一家零售公司，想知道您的销售产品，销售地点和时间–记住分析数据的具体问题吗？在上面的示例中，很明显，在设定的时间段内执行的销售量告诉您需求的上升或下降的时间–您可以得到特定的KPI答案。
然后，您可以更深入地了解问题并建立其他销售机会，并找出影响产品总体销售的效果不佳的领域。
现在，让我们继续探讨最重要的数据问题之一-数据源。
04你的数据，从哪里来？到目前为止，您已经选择了一些数据分析问题，并且找到了可以衡量它们的评估指标。我们的下一步是确定需要挖掘所有数据的数据源，选择需要的字段，为将来可能需要的数据留出一些空间，并将所有信息收集到一个位置。在此步骤中，对数据源持开放态度–公司中的所有部门，销售，财务，IT等都有潜力提供见解。
如果您觉得大量的数据源使事情看起来很复杂，请不要担心。我们的下一步是“编辑”这些源，并确保它们的数据质量达到标准，这将摆脱其中一些有用的选择。
不过，现在，我们只是在创建草稿。您可以使用CRM数据，Facebook和Google Analytics（分析）之类的数据，公司的财务数据-让您的想象力变得扑朔迷离。利用商业智能软件也很有意义，尤其是由于近年来数据集的数量如此之大，以致电子表格无法再提供获取更高质量数据所需的快速智能解决方案。
哪些比例适用于您的不同数据集？警告：这是“数据专家”部分。如果您喜欢或对您而言没有太大意义，则可以跳过此部分。您需要注意不同变量的度量水平，因为这会影响您可以在分析中应用的统计技术。
衡量指标基本上有4种类型：
统计水平测量表
名称：您将数据组织在无法量化或无法排名或比较的非数字类别中。
示例：
–不同颜色的衬衫
–不同类型的水果
–不同类型的音乐
数值– GraphPad给出了数据的说明：
“您可能会要求患者以1到10的等级来表达他们所感觉到的疼痛程度。7分意味着比5分更多的痛苦，而3分则更大。但是，两者之间的区别是7和5可能与5和3之间的值不同。这些值仅表示顺序。另一个例子是电影分级，从0到5星。”
间隔–数据按顺序分类，并且这些类别之间的距离相等。
直接比较是可以的，可以加减，但是不能对变量进行乘或除。示例：温度额定值。华氏温度和摄氏温度均使用间隔刻度。GraphPad再次提供了一个现成的解释：“ 100度和90度之间的温度差与90度和80度之间的温度差相同。”
比率–具有所有三个早期量表的功能。
像标称刻度一样，它为每个物料都提供了一个类别，物料按顺序刻度进行排序，并且物料之间的距离（间隔）相等，并且含义相同。
使用比例尺，您可以加，减，除，乘……所有您需要用来创建平均值并获得一些有用数据的有趣的东西。例如：身高，体重，收入数字，潜在客户，客户会议。
05如何确保数据质量？如前所述，信息来自各种来源，它们可能是好事也可能是坏事。企业中的所有来源都具有提供数据的动机，因此，确定要使用的信息以及信息的来源应该是有关数据分析的首要问题之一。
请记住：您的数据分析问题旨在使您对现实情况有一个清晰的认识，因为这关系到您的企业更有利可图。如果您的数据不正确，您将看到对现实的扭曲看法。
这就是为什么下一步是“清理”数据集以丢弃错误或过时的信息的原因。这也是向数据添加更多字段以使其更完整和有用的适当时间。这可以由数据科学家完成，也可以单独完成，具体取决于公司的规模。
举一个非常生动的例子，一项针对数据科学家的有趣的调查发现：
60％的时间用于组织和清除数据。
19％的时间用于收集数据集。
9％的时间用于挖掘数据以绘制图案。
3％的时间用于训练数据集。
4％的时间用于完善算法。
5％的时间花在其他任务上。
其中有57％的人认为数据清理过程是最无聊，最不愉快的任务。如果您是小型企业主，则可能不需要数据科学家，但是您将需要清理数据并确保适当的信息标准。是的，这很烦人，但是生活中许多非常重要的事情也是如此。
完成以上工作以确保数据质量时，您将自己建立了有用的资产，这些资产可以通过统计方法进行转换，合并和度量，这些数据集准确无误。
06应用哪种统计分析技术？您可以使用多种统计分析技术。但是，根据我们的经验，这三种统计技术最广泛地用于业务分析：
回归分析–统计过程，用于估计变量之间的关系和相关性。
更具体地说，回归分析可以帮助人们理解，当任何一个自变量发生变化而其他自变量保持固定时，因变量的典型值将如何变化。
通过这种方式，回归分析显示了自变量中哪些与因变量相关，并探讨了这些关系的形式。通常，回归分析是基于过去的数据，使您可以从过去中学到东西，以便对未来做出更好的决策。
同类群组分析–它使您可以轻松比较不同组或同类客户的行为随时间变化的情况。
例如，您可以根据客户首次购买的日期创建一组客户。随后，您可以研究不同时间段的同类群组的支出趋势，以确定平均获得的客户的质量是随着时间的推移而增加还是减少，让您快速清晰地了解客户保留趋势和业务前景。
预测性和规范性分析–简而言之，它基于分析当前和历史数据集以预测未来可能性，包括替代方案和风险评估。
如今，诸如人工神经网络（ANN）和自回归综合移动平均值（ARIMA），时间序列，季节性朴素方法和数据挖掘等方法在数据分析中得到了广泛的应用。我们已经对它们进行了解释，并将其视为2021年最大的商业智能趋势之一。您选择的方法应取决于您收集的数据类型，团队的技能和资源。
07谁是你最终分析结果的用户？您的数据分析问题中的另一个重要问题是我们分析的最终用户。他们是谁？他们将如何应用您的报告？您必须了解最终用户，包括：
他们希望从数据中学到什么
他们的需求是什么
他们的技术能力
他们可以花多少时间分析数据？
了解答案将有助于您确定数据报告的详细程度以及应关注的数据。请记住，内部和外部用户都有不同的需求。
如果这些报告是为您自己的公司设计的，则您或多或少都知道哪些洞察力将对您的员工有用，以及他们可以克服的数据复杂性水平。
但是，如果您的报告也将由外部各方使用，请记住要坚持您的公司身份。您提供给他们的视觉报告应该易于使用且可行。您的最终用户应该能够独立阅读和理解他们，而无需任何IT支持。
另外：考虑最终用户的状态。他们是工作人员的初级成员还是理事机构的一部分？每种类型的用户都有不同的需求和期望。
08应该选择哪种数据可视化方式？计算已完成，但尚未完成。您可能拥有世界上最有价值的见解，但是如果它们的介绍不佳，您的目标受众将不会收到您期望的影响。
而且，我们不会生活在一个世界，仅拥有正确的数据就是一切。您必须说服公司中的其他决策者此数据是：
正确的
重要的
急于采取行动
在所有这些领域中，有效的演示工具都可以提供帮助。有数十种数据图表可供选择，您可以通过选择错误的数据可视化来阻止所有数据处理工作（例如在饼图上显示时间变化），或者通过选择正确的数据可视化类型来进一步提升数据处理能力。
有许多在线数据可视化工具可以为您完成这些艰苦的工作。这些工具可以有效地准备数据并解释结果。他们的易用性和自助服务在测试理论，分析消费者购买行为的变化，在没有分析师或IT专业人员协助的情况下利用数据进行分析的目的已成为当今数据管理实践中的宝贵资源。
通过足够灵活地针对最终用户个性化其功能并适应您准备分析数据的问题，这些工具可以进行大量分析，从而可以帮助您避免忽略任何重要的问题或整个业务战略。
这些工具中实现的人工智能可对发生的任何异常做出反应，并立即发送数据警报。获取这些警报还可以激发您提出有关数据的其他问题。
09应该选择哪种数据可视化方式？继续我们上面说的，您可以使用一些基本和高级工具。如果您更喜欢传统的静态方法，则电子表格可以为您提供帮助，但是如果您需要自己修改数据，定期执行基本和高级分析，并具有实时洞察力和自动报告，则可以采用现代和专业工具是必经之路。
随着商业智能解决方案的扩展，要提出的数据分析问题从未如此简单。强大的功能（如基础和高级分析，无数图表类型，快速简便的数据源连接以及出现问题时与数据进行交互的无限可能性）使用户可以简化经常复杂的过程。
无论您需要执行哪种分析类型，指定的软件都将在使您的数据保持生命力和“可说能力”方面发挥至关重要的作用。
此外，现代软件将不需要连续手动更新数据，而是会自动提供实时见解，以帮助您回答关键问题，并为进行良好分析提供稳定的基础和前提。
10我还需要知道什么？在结束工作之前，有关数据分析的关键问题之一是如何验证结果。请记住，即使不是以这种方式报告统计信息，也总是不确定的。考虑哪些信息丢失以及如果有的话如何使用更多信息可能是需要考虑的一点。
这样，您可以识别可能有助于您做出更好决策的潜在信息。还请记住，通过使用简单的要点或电子表格，您可以忽略已经建立在业务策略中的有价值的信息。
始终回到最初的目标，并确保以整体的方式看待您的结果。您将要确保最终结果是准确的，并且在此过程中没有犯任何错误。在此步骤中，应重点分析数据的重要问题：
从总体上讲，这有意义吗？
我所看到的衡量标准是否与我对业务的了解一致？
最终结果与您的流程同样重要。您需要确定结果是否准确，验证数据并确保没有大的错误空间。在这种情况下，有一些数据分析类型的问题，例如上面提到的问题。这些类型的问题使您可以查看分析工作的整体情况，并确定需要更多调整或其他细节才能进行的工作。
您还可以对照手动计算来测试分析环境并比较结果。如果存在极端差异，则显然存在某些错误，但是如果结果变得准确，则说明您已经建立了健康的数据环境。
进行这样的全扫描检查绝对不是一件容易的事，但是从长远来看，它只会带来积极的结果。此外，如果您从不停止质疑数据的完整性，从长远来看，您的分析审核将更加健康有序。
11如何创造一种数据驱动的文化？“脏”数据使您不堪重负。
无论您是小型企业还是大型企业，数据都能说明问题，并且您应该能够聆听。准备有关数据分析的问题将提供宝贵的资源和改进业务战略的路线图。它还将使员工能够做出更好的部门决策，从而创建可帮助您的公司发展的具有成本效益的业务环境。仪表板是一种建立这种文化的好方法，例如下面的示例：
为了真正地采用这种数据驱动的方法来运行业务，组织中的所有个人，无论他们在哪个部门工作，都需要知道如何开始提出正确的数据分析问题。
他们需要了解为什么首先进行数据分析很重要。但是，仅希望并希望其他人将进行数据分析是注定要失败的策略。坦白说，要求他们使用数据分析（不先向他们展示收益）也不太可能成功。
相反，以身作则。向您的内部用户表明，定期进行数据分析的习惯对于优化您的业务绩效是无价的帮助。尝试在公司中创建有益的仪表板文化。
数据分析不是一种训练您的员工并确定谁对失败负责的方法，而是赋予他们改进绩效和自我完善的能力。
12总结我们只是概述了一个10步的过程，您可以通过使用正确的数据分析问题来建立自己的公司以取得成功。
借助这些信息，您可以概述可帮助您做出重要业务决策的问题，然后建立基础结构（和文化）以通过准确的数据洞察力一致地解决这些问题。
这些不仅是查看数据集时要问的好问题，因为如果您整体上使用它们，则可以开发出良好而完整的数据策略。此外，如果您依赖数据，那么从长远来看，您就能从中受益，并成为数据驱动的个人和公司。
总结一下，这里是最重要的数据问题：
-END-
您到底想找出什么？
您将使用哪些标准KPI可以帮助您？
您的数据将从何而来？
您如何确保数据质量？
您想应用哪些统计分析技术？
谁是您的分析结果的最终用户？
您应该选择哪种数据可视化？
什么样的软件会有所帮助？
我还需要知道什么？
您如何创建数据驱动的文化？