营销数据分析大多时候下就是销售数据分析，可以这样处理：整理好销售中需要关注的数据维度，将其做成可视化仪表盘，定期更新数据就行，销售数据主要包括这些维度：1、销售外勤管理
作为一个小领导，每天都要看下属的客户拜访情况，团队的成员会在协同软件上详细记录自己的拜访的情况，包括客户名称、行业和具体情况 ，由我来做汇总工作。团队拜访情况：观察折线图，发现有明显下降的趋势，询问负责人，及时做出调整。
客户拜访情况：通过下属记录的明细数据了解每个客户拜访次数，拜访三次左右的客户会督促他们重点跟进一下；拜访了五次以上却没有签单的客户，了解原因，考虑是否放弃。
客户行业分类：拜访和签单客户中，哪个行业居多也是莓菌关注的指标，根据实际情况及时调整销售策略，重点攻占成交率高的行业客户。2、销售业绩管理
作为公司的销售，给公司带来实际的收益是老板最愿意看到的，而如何管理好每个销售，是至关重要的。对于销售业绩的管理，同样也是通过数据直观的了解并及时调整方向，这样老板能直观了解数据情况。销售排名：优秀的销售都喜欢拼第一，所以销售龙虎榜尤为重要，每天莓菌会通过实际业绩排名对前三名员工给予相应的奖励，老板也会通过排行榜了解各部门业绩情况。
客户排行榜：客户方面也会做成交额汇总，因为大客户是需要定期维护的。对于有些大客户，成交额下降可以提醒我们及时做好补救。
库存管理：对于销售而言，了解公司库存会节约很大的成本，因为一旦缺货就会影响正常的交付时间。通过图表来了解产品销售情况，哪些产品卖的好一目了然。这些数据都是销售比较关注的数据，可以在BDP个人版上做好可视化图表，然后直接通过“分享”直接将数据结果分享给Boss。而且每周在BDP上追加数据（要是是直连数据库或第三方平台数据，那数据都不需要追加，数据是自动更新的），省事很多很多，数据结果图表也就更新了，分析效率提高了很多！
营销数据分析方式包括
常用的列了九种供参考:
一、公式拆解
所谓公式拆解法就是针对某个指标，用公式层层分解该指标的影响因素。
举例：分析某产品的销售额较低的原因，用公式法分解二、对比分析
对比法就是用两组或两组以上的数据进行比较，是最通用的方法。
我们知道孤立的数据没有意义，有对比才有差异。比如在时间维度上的同比和环比、增长率、定基比，与竞争对手的对比、类别之间的对比、特征和属性对比等。对比法可以发现数据变化规律，使用频繁，经常和其他方法搭配使用。
下图的AB公司销售额对比，虽然A公司销售额总体上涨且高于B公司，但是B公司的增速迅猛，高于A公司，即使后期增速下降了，最后的销售额还是赶超。三、A/Btest
A/Btest，是将Web或App界面或流程的两个或多个版本，在同一时间维度，分别让类似访客群组来访问，收集各群组的用户体验数据和业务数据，最后分析评估出最好版本正式采用。A/Btest的流程如下：
（1）现状分析并建立假设：分析业务数据，确定当前最关键的改进点，作出优化改进的假设，提出优化建议；比如说我们发现用户的转化率不高，我们假设是因为推广的着陆页面带来的转化率太低，下面就要想办法来进行改进了
（2）设定目标，制定方案：设置主要目标，用来衡量各优化版本的优劣；设置辅助目标，用来评估优化版本对其他方面的影响。
（3）设计与开发：制作2个或多个优化版本的设计原型并完成技术实现。
（4）分配流量：确定每个线上测试版本的分流比例，初始阶段，优化方案的流量设置可以较小，根据情况逐渐增加流量。
（5）采集并分析数据：收集实验数据，进行有效性和效果判断：统计显著性达到95%或以上并且维持一段时间，实验可以结束；如果在95%以下，则可能需要延长测试时间；如果很长时间统计显著性不能达到95%甚至90%，则需要决定是否中止试验。
（6）最后：根据试验结果确定发布新版本、调整分流比例继续测试或者在试验效果未达成的情况下继续优化迭代方案重新开发上线试验。
流程图如下：四、象限分析
通过对两种及以上维度的划分，运用坐标的方式表达出想要的价值。由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，常与产品分析、市场分析、客户管理、商品管理等。下图是一个广告点击的四象限分布，X轴从左到右表示从低到高，Y轴从下到上表示从低到高。高点击率高转化的广告，说明人群相对精准，是一个高效率的广告。高点击率低转化的广告，说明点击进来的人大多被广告吸引了，转化低说明广告内容针对的人群和产品实际受众有些不符。高转化低点击的广告，说明广告内容针对的人群和产品实际受众符合程度较高，但需要优化广告内容，吸引更多人点击。低点击率低转化的广告，可以放弃了。还有经典的RFM模型，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。象限法的优势：
（1）找到问题的共性原因
通过象限分析法，将有相同特征的事件进行归因分析，总结其中的共性原因。例如上面广告的案例中，第一象限的事件可以提炼出有效的推广渠道与推广策略，第三和第四象限可以排除一些无效的推广渠道；
（2）建立分组优化策略
针对投放的象限分析法可以针对不同象限建立优化策略，例如RFM客户管理模型中按照象限将客户分为重点发展客户、重点保持客户、一般发展客户、一般保持客户等不同类型。给重点发展客户倾斜更多的资源，比如VIP服务、个性化服务、附加销售等。给潜力客户销售价值更高的产品，或一些优惠措施来吸引他们回归。
五、帕累托分析
帕累托法则，源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。往往在使用二八法则的时候和排名有关系，排在前20%的才算是有效数据。二八法是抓重点分析，适用于任何行业。找到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提高效果。
一般地，会用在产品分类上，去测量并构建ABC模型。比如某零售企业有500个SKU以及这些SKU对应的销售额，那么哪些SKU是重要的呢，这就是在业务运营中分清主次的问题。
常见的做法是将产品SKU作为维度，并将对应的销售额作为基础度量指标，将这些销售额指标从大到小排列，并计算截止当前产品SKU的销售额累计合计占总销售额的百分比。
百分比在 70%（含）以内，划分为 A 类。百分比在 70~90%（含）以内，划分为 B 类。百分比在 90~100%（含）以内，划分为 C 类。以上百分比也可以根据自己的实际情况调整。
ABC分析模型，不光可以用来划分产品和销售额，还可以划分客户及客户交易额等。比如给企业贡献80%利润的客户是哪些，占比多少。假设有20%，那么在资源有限的情况下，就知道要重点维护这20%类客户。六、漏斗分析
漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。上图是经典的营销漏斗，形象展示了从获取用户到最终转化成购买这整个流程中的一个个子环节。相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤，然后用转化率来衡量每一个步骤的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化该步骤，最终达到提升整体购买转化率的目的。
整体漏斗模型的核心思想其实可以归为分解和量化。比如分析电商的转化，我们要做的就是监控每个层级上的用户转化，寻找每个层级的可优化点。对于没有按照流程操作的用户，专门绘制他们的转化模型，缩短路径提升用户体验。
还有经典的黑客增长模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用户获取、用户激活、用户留存、用户收益以及用户传播。这是产品运营中比较常见的一个模型，结合产品本身的特点以及产品的生命周期位置，来关注不同的数据指标，最终制定不同的运营策略。
从下面这幅AARRR模型图中，能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节，可以进行数据的横向和纵向对比，从而发现对应的问题，最终进行不断的优化迭代。七、路径分析
用户路径分析追踪用户从某个开始事件直到结束事件的行为路径，即对用户流向进行监测，可以用来衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，其最终目的是达成业务目标，引导用户更高效地完成产品的最优路径，最终促使用户付费。如何进行用户行为路径分析？
（1）计算用户使用网站或APP时的每个第一步，然后依次计算每一步的流向和转化，通过数据，真实地再现用户从打开APP到离开的整个过程。
（2）查看用户在使用产品时的路径分布情况。例如：在访问了某个电商产品首页的用户后，有多大比例的用户进行了搜索，有多大比例的用户访问了分类页，有多大比例的用户直接访问的商品详情页。
（3）进行路径优化分析。例如：哪条路径是用户最多访问的；走到哪一步时，用户最容易流失。
（4）通过路径识别用户行为特征。例如：分析用户是用完即走的目标导向型，还是无目的浏览型。
（5）对用户进行细分。通常按照APP的使用目的来对用户进行分类。如汽车APP的用户可以细分为关注型、意向型、购买型用户，并对每类用户进行不同访问任务的路径分析，比如意向型的用户，他进行不同车型的比较都有哪些路径，存在什么问题。还有一种方法是利用算法，基于用户所有访问路径进行聚类分析，依据访问路径的相似性对用户进行分类，再对每类用户进行分析。
以电商为例，买家从登录网站／APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是一个交缠反复的过程，例如提交订单后，用户可能会返回首页继续搜索商品，也可能去取消订单，每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后，能为找到快速用户动机，从而引领用户走向最优路径或者期望中的路径。
用户行为路径图示例：八、留存分析
用户留存指的是新会员/用户在经过一定时间之后，仍然具有访问、登录、使用或转化等特定属性和行为，留存用户占当时新用户的比例就是留存率。留存率按照不同的周期分为三类，以登录行为认定的留存为例：
第一种 日留存，日留存又可以细分为以下几种：
（1）次日留存率：（当天新增的用户中，第2天还登录的用户数）/第一天新增总用户数
（2）第3日留存率：（第一天新增用户中，第3天还有登录的用户数）/第一天新增总用户数
（3）第7日留存率：（第一天新增用户中，第7天还有登录的用户数）/第一天新增总用户数
（4）第14日留存率：（第一天新增用户中，第14天还有登录的用户数）/第一天新增总用户数
（5）第30日留存率：（第一天新增用户中，第30天还有登录的用户数）/第一天新增总用户数
第二种 周留存，以周度为单位的留存率，指的是每个周相对于第一个周的新增用户中，仍然还有登录的用户数。
第三种 月留存，以月度为单位的留存率，指的是每个月相对于第一个周的新增用户中，仍然还有登录的用户数。留存率是针对新用户的，其结果是一个矩阵式半面报告（只有一半有数据），每个数据记录行是日期、列为对应的不同时间周期下的留存率。正常情况下，留存率会随着时间周期的推移而逐渐降低。下面以月留存为例生成的月用户留存曲线：九、聚类分析
聚类分析属于探索性的数据分析方法。通常，我们利用聚类分析将看似无序的对象进行分组、归类，以达到更好地理解研究对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较低。在用户研究中，很多问题可以借助聚类分析来解决，网站的信息分类问题、网页的点击行为关联性问题以及用户分类问题等等。用户分类是最常见的情况。
常见的聚类方法有不少，比如K均值（K-Means），谱聚类（Spectral Clustering），层次聚类（Hierarchical Clustering）。以最为常见的K-means为例，如下图：可以看到，数据可以被分到红蓝绿三个不同的簇（cluster）中，每个簇应有其特有的性质。显然，聚类分析是一种无监督学习，是在缺乏标签的前提下的一种分类模型。当我们对数据进行聚类后并得到簇后，一般会单独对每个簇进行深入分析，从而得到更加细致的结果。
获取更多数据分析学习信息及资料,欢迎关注聚数云海同名公众号哦~
营销数据分析方式有哪些
实现大数据营销的方式有哪些？
精准营销简单地说就是利用现代化的信息技术手段来实现个性化营销的活动，需要建立在精准定位和分析基础之上，运营商精准营销可以从以下几个方面进行。
大数据精准营销要解决的首要问题是数据整合汇聚。运营商目前运用大数据实现精准营销的一个重要挑战是数据的碎片化，即信息化系统各自为政。在许多信息化系统中，数据散落在互不连通的数据库中，相应的数据处理技术也存在于不同部门中，如何将这些孤立错位的数据库打通、互联、交换和共享，并且实现技术共享，才能够最大化大数据价值，实现精准营销。运营商首先要构建大数据交换共享平台，整合共享各信息化系统的数据，汇集用户在多个渠道上的行为数据，构建对用户行为和用户其他数据的深入洞察，一方面实时监控各渠道的用户行为特征、运营和营销的效果;另一方面集中用户的数据，便于后续的深入挖掘分析，实现以用户为中心的数据有效汇聚，提升用户数据价值，实现用户交互的精准识别和多渠道数据汇集，为用户提供更加准确的服务和营销策略。
建立系统化的大数据可视化关联分析系统。通过三维表现技术来展示复杂的大数据分析结果，支持多种异构数据源接入包括互联网与运营商本身海量数据外，还可以支持第三方接口数据、文本文件数据、传统数据库(如Oracle、SqlServer、MySQL等)数据、网页数据等数据源;支持数据可视化分析、数据挖掘运算法、预测性分析、语义引擎、高质量的数据管理等。借助人脑的视觉思维能力，通过挖掘数据之间重要的关联关系将若干关联性的可视化数据进行汇总处理，揭示出大量数据中隐含的规律和发展趋势，进一步提高大数据对精准营销的预测支撑能力。
如在美国的沃尔玛大卖场，当收银员扫描完顾客所选购的商品后，POS机上会显示出一些附加信息，然后售货员会友好提醒顾客：“我们商场刚进两三种配酒佳料，并正在促销，位于D5货架上，您要购买吗?”顾客也许会惊讶地说：“啊，谢谢你，我正想要，刚才一直没找到，那我现在再去买。”
这就是沃尔玛在大数据系统支持下实现“顾问式营销”的一个实例。因为大数据系统早就算计如果顾客的购物车中有不少啤酒、红酒和沙拉，则有80%的可能需要买配酒小菜、作料。而提供这一决策分析支持的就是其位于美国一个庞大的、通过卫星与全球所有卖场实时连通的企业级数据仓库。
第三，将大数据交换共享平台和现有的CRM系统打通。以前的CRM系统，只能促使分析报告回答“发生了什么事”，现在让CRM系统结合大数据平台，可以被用来回答“为什么会发生这种事”，而且一些关联数据库还可以预言“将要发生什么事”，从而能判断“用户想要什么事发生”。对用户的需求进行细分，促使营销服务要做到精准分析、精准筛选、精准投递等要求。
第四，利用用户的各种社交工具实现精确营销和用户维系，可以利用关联分析等相关技术对用户社交信息进行分析，通过挖掘用户的社交关系、所在群体来提高用户的保有率，实现交叉销售和向上销售，基于社会影响和社交变化对目标用户进行细分，营销人员可识别社交网络中的“头羊”、跟随者以及其他成员，通过定义基于角色的变量，识别目标用户群中最有挖掘潜力的用户。
第五，对用户市场进行细分。这是运营商实现精准化营销的基础，不同于传统的市场划分，精准营销开展的市场细分要求根据用户的消费习惯、需求、行为规律等进行分析研究，然后据此进行市场细分，这就要求必须收集客户的显性和隐性方面的信息数据，利用大数据分析挖掘工具深入分析，绘制完整的用户视图，然后进行深层次的挖掘分析，定位目标市场，才能为运营商精准化营销提供依据。
第六，根据大数据挖掘分析的用户需求信息，进行产品或服务的量身定做。通过大数据精准营销缩短运营商与用户的沟通距离，实现一对一的精准化、个性化营销。随着移动互联网、大数据等技术的进步，运营商和用户的交流沟通更加个性化、虚拟化、网络化，沟通技巧也变得更加柔和，大数据精准化营销使得沟通变为直线最短距离，加强了沟通的效果。营销方式从海量业务广播式推送，过渡到一对一以用户体验为中心的业务精准实施。一对一精准营销面向用户在某一刻、以适合的价格，推送最需要的业务。围绕用户、业务场景、触点、营销推送内容、营销活动等，基于跨渠道触发式的营销，运营商在注重用户体验同时达到最佳的营销效果，并且可对营销过程进行全程跟踪，从而不断优化营销策略。
要以客户为导向重组市场营销流程，对市场营销全过程实施跟踪监管。传统的市场营销流程主要是以产品为中心，对市场的反应速度较慢，而且没有对市场营销活动的结果反馈进行改进，因而难以形成一个闭环。大数据时代的精准化营销，以客户为中心，从客户的需求着手，进行深入的洞察和分析，然后结合运营商自身的业务、品牌等进行市场营销活动的策划。在市场营销活动的过程中，还要根据市场变化、竞争对手的反应及用户反馈情况等内容及时调整营销策略。在市场营销活动开展一段时间后，要根据活动反馈结果适时做一些归纳和以便为下一个阶段市场营销活动策划打好基础。
未来对市场的争夺就是对客户资源的争夺，运营商如果能够有效利用自己手中大量的大数据资源，充分运用各种数据挖掘分析技术实现精准化的营销，就能深入挖掘新的市场价值，轻松应对任务重压，实现自身营销环节的优化演进，达到收入倍增的目的。
