第一篇：超市數據分析工具的實踐運用

超市數據分析工具的實踐運用

2015年04月27日

瀏覽數（32219）評論數（5）好評數（18）

絕大多數超市都購買使用了信息系統管理工具，但是作為系統供貨商，畢竟是寫軟件的，不是搞管理，所提供的報表系統只能反映企業常規的經營指標，比如庫存、周轉率、銷售額、毛利率。

納爾森在長期的研究和實踐中，發現這樣的籠統的報表，盡管可以反映出企業經營效果，但是不能夠進一步的分析這個結果的原因。比如企業的庫存比較高，那一部分的庫存高呢?庫存高就是一定不合理嗎?報表上看到企業利潤低，那到底是那一部分經營行為影響了企業的利潤呢?我們只有找到這些原因，才有可能去改變現狀，提升管理水平。

經過長期實踐，納爾森形成了一套數據分析系統化工具，即通過多層次、多類別、交叉的數據抓取，結合納爾森咨詢師豐富的經驗，找出企業經營管理中的實際存在的問題。

自2015年3月納爾森推出專業數據分析以來，很多企業在納爾森的數據分析中獲得很大的收獲，每天均有很多企業咨詢，但是因為納爾森人手有限，不能一一滿足，為使更多企業掌握超市數據分析的思路和方法，今天嘗試從一個案例，簡單說明數據分析的思路和運用。

因為這個案例是完全是依靠企業報送來的數據所做的分析，我們沒有做實地的考察，所以所得到的結論，完全依靠企業提供的數據。但是隨后的企業訪問中，企業老板認為我們的數據分析是令人信服的，而且幫助企業更清晰、準確地找出了問題和原因。

企業概況：

某四線市場連鎖超市，擁有連鎖超市6家，便利店25家。在當地屬于最大的連鎖超市，占據領先的市場地位。納爾森根據企業目前的管理水平，制定了一些組合報表，(有一些報表，企業信息管理人員因為對系統的熟練程度，跑不出數據來)。最后我們得到報表有：

一、綜合日報表

二、問題庫存報表(僅A店04.13日數據采樣)三、三大區銷售占比表

四、大店BOTTOM50及TOP50單品明細表

五、問題庫存報表

六、6、1~3月份小類銷售報表(超市)

七、1~3月份小類銷售報表(便利店)

一、報表反映基本情況如下： 201 x年1~3月銷售與上年同期比 銷售增長2.75%，毛利上升1.89% 來客數下降4.77% 客單價上升19.37% 庫存周轉天數增長2.32% 同期庫存上升3.59% 如果僅從這個報表上的數字來看，企業銷售、毛利、平均客單價都有所增長，盡管比較小。庫存增長也在合理范圍內。來客數下降，客單價增長，可以解釋為企業高價值客戶的增長和優化。

我們分析如下：

1、銷售相比上年略微上升2.75%，但是考慮到一季度(居民消費價格指數)CPI同比上升了3.8%，以及可能存在的新開店因素，所以銷售實際上是下降的。

2、來客數下降了4.77%，也應證了銷售下降的實際情況。

3、與來客數下降相反的是，客單價上升了，原因可能有兩個： 一是因為競爭對手的影響，導致低端客戶的流失引起的。因為低端客戶流失，來客數下降，從而顯得客單價格在上升。警惕顧客的流失，長期下去將造成重大的損害。二是因為物價上漲引起的。(后經詢問，確實有競爭對手新開店大規模低價促銷)

4、在銷售同比實際下降的情況下，庫存卻上升了3.59%。這里面不排除有物價上漲因素，但可能有實際庫存的上升。

5、相比庫存額上升，庫存天數的上升更能說明實際庫存存在的問題。

6、從銷售額絕對值看似乎還是不錯，但是和1~3月銷售在全年銷售占比中不到20%，還是偏低了，因為該年春節較晚，這一占比應該達到30%以上。以此銷售額預計全年增長，很不樂觀。

二、銷售TOP50商品(50個暢銷商品)分析

TOP報表是我們經常使用的一種分析工具，主要是為了找出銷售、毛利、周轉等表現最好的商品，并且進一步分析的原因是什么，舉一反三加以推廣。

但是如果更進一步呢?我們還要從這張報表里面找出問題所在。既要看到優點，更要看出問題。

我們分析如下：

根據對于便利店TOP50商品銷售的分析，最暢銷商品中香煙+液態奶就占了TOP50商品的68%。而在超市中，這兩項合計居然也占據48%。與香煙液態奶銷售占比極高對應的是，食用油、米面、酒水所占比例較低;生鮮商品中，不論在大店還是便利店，除了雞蛋，別的都沒有進入銷售前50名。

說明：

1、該企業與當地煙草部門具有良好的合作關系，煙草供應充足;

2、門店銷售嚴重依賴個別品類商品和供貨商;，采購能力低下;

3、銷售以自然銷售為主，缺乏有目的、分品類的營銷行為，企業營銷水平低;

4、生鮮經營水平很低，原有的對手可能比較弱，但是未來市場競爭力堪憂。為了進一步說明存在的問題，我們將這家企業的便利店TOP數據與納爾森所改造管理的生鮮加強型便利店數據做了對比：

對比表明，該生鮮加強型便利店在煙酒、奶制品、糧油、生鮮食品四大類銷售分布更為均衡。且銷售為該客戶便利店銷售額的4~5倍。

同時我們看到大店的生鮮部門帶來的客流占店比只有19.76%，再一次說明即使是超市的生鮮經營效果也是很差的。

風險提示：

因為不論在超市還是便利店里，煙草和液態奶的銷售占比很高，另外在小類銷售報表里，我們發現連續三個月煙草銷售都排第一，一旦被競爭對手抓住香煙和液態奶這兩大項，主推或者大力度促銷，會極大的打擊到這家連鎖店的銷售商譽。(這就是我們所說的單店尋找對抗連鎖店的方法之一)

三、分區銷售報表中非食品和生鮮食品占比 非食品銷售占比19.77%，毛利占比26.16%。生鮮品銷售占比13.2%，毛利占比15.82% 從數據看，盡管非食品占比19.77%不算低了，但是因為毛利占比能達到26.16%，說明非食品銷售還有一定提升空間。

生鮮銷售占比較低，與TOP報表成對應關系，準確的反映了生鮮經營的弱項，而毛利占比高，可能包括兩方面的原因，一是生鮮食品價格過高抑制了銷售，二是聯營扣點計入其中。

四、問題庫存

大部分超市管理人員都會認為負庫存、0庫存是絕對的問題庫存，是不應該存在的。但是往往忽視那些庫存量為1、2、3個的商品，在實際上是很難銷售的，而且隨時可能轉化為0庫存，所以也視為斷貨。否則每天就會有大量的1、2、3庫存轉化為零庫存。

所以我們把負庫存、0庫存和1、2、3庫存統稱為問題庫存。我們對其中一個超市門店的問題庫存進行了統計：

這家店鋪的營業面積在5000平方米左右，一般這么大的面積的超市，我們的單品數大約有8000~15000種，但是這家店的問題庫存就達到了4595個。如果按照12000個單品計算，缺斷貨率就是38.29%，很難想象這樣的一家賣場會有好的銷售水平。

這個數據給我們的第一感覺就是，這家店的庫存問題長期沒有得到過重視。而根據門店問題是來自總部的這個原則，我們認為總部長期不重視庫存管理的。

據此分析如下：

1.0庫存達到2920個，在系統中沒有得到及時解決，首先會影響信息系統的工作效率，降低系統運行速度，增加管理難度;2.僅一個店0、1、2、3庫存合計達到4588個，說明除了空編號問題外，斷貨是普遍性的;3.從歷史的經驗看，斷貨商品往往是暢銷品，那么這么大的斷貨量將極大的打擊銷售;4.不排除自采商品引起的空編號問題，如果有，說明自采商品行為缺乏連貫性，隨意性較大;5.如果很久沒有銷售的商品，且處于0庫存狀態，還大量存在于系統之中，說明采購部門長期沒有做應有的商品信息維護，而信息部門也缺乏監督;6.空編號的大量存在也提供了潛在的串賣和人為調整毛利的風險。

7.1、2、3商品達到1668個，隨時可能轉化為零庫存，造成實際上的斷貨。不管理好1、2、3庫存，就管理不好0庫存，就管理不好斷貨問題。

最終得出的結論;

因為對方信息部能力有限，很多報表都跑不出來，要一個一個問系統提供商，無法按時提供。所以，我們只能基于這些有限的數據分析，但是也能夠說明主要存在的問題。

1.整個連鎖系統的銷售處于停滯或略微倒退的狀態，預計全年增長困難。2.顧客已經開始出現明顯流失。

3.店鋪銷售仍然以自然銷售為主，營銷工作缺乏明確的目標和手段。

4.商品結構不合理，過分依賴于某些品類的銷售，存在有較大的潛在商品結構和競爭風險。

5.生鮮經營水平較低，長此以往，必將嚴重制約整個連鎖企業的經營水平和市場競爭力。

6.門店日常商品庫存管理不到位，商品再訂貨及補貨作業不及時。缺斷貨較為普遍，已經嚴重影響銷售。7.企業內可能存在大量的，較為隨意的自采行為。

8.采購部對于商品信息及數據庫長期缺乏管理，財務及信息部門監管缺位。9.總部信息部掌握運用信息系統能力有問題，很多數據、報表跑不出來，要臨時向系統提供商詢問才會做。

10.門店出現的問題，反映出總部運營部對于門店工作指導能力不夠強。

綜上所述，該連鎖企業整體經營管理水平處于較低水平，且存在較大的管理和經營隱患，在缺乏競爭的市場上尚可存活，一旦有更強的競爭者出現，比如較大區域性、全國性連鎖超市進駐，或者其他管理水平較高的超市競爭，勢必面臨巨大困難和嚴峻的挑戰。

我們給出的建議：

1.努力提升采購、營運、營銷、信息部門人員的基本工作能力，加強業務培訓和學習。2.招聘培養生鮮管理經營人才，提高生鮮經營水平。

3.立即對問題庫存分門別類進行清理，該關閉編號要關閉，該進貨的進貨。

4.對于企業商品引進流程、再訂貨流程、門店商品管理流程等相關流程要重新編寫、培訓，執行。

5.將商品、門店日常管理和流程執行列入績效考核，分項細化，掛鉤個人收入、評級。6.財務部要制定相關流程，嚴格自采行為和自采資金管理。7.加強對于信息系統的監控，對于非正常數據變動及時研究處理。

8.聯系信息系統供貨商，提出更為細致的要求，并且請系統供貨商培訓信息部人員。9.采用針對性的營銷措施提升弱勢品類業績，以營銷活動帶動采購、營運部門對于弱勢品類的關注。要特別一提的是，在實踐在工作中，我們經常遇到一些企業領導認為原有的信息系統不好用了，要求更換系統，向我們打聽哪種信息系統更為合適。而我們則常常發現，其現有系統大部分的功能都是閑置的。

說實話，除了沃爾瑪、麥德龍這樣的大企業自行開發、定制信息管理系統之外，國內主流的商業管理信息系統實際上都差不多。那些數據本來就存在于系統之中，只是系統公司和企業不知道如何靈活抽取、排列、組合這些數字，使之成為有用的信息，并且分析其中的含義，來準確的反映管理經營中的問題。

更多精彩文章，歡迎光臨納爾森指導 www.tmdps.cn

第二篇：數據分析工具

數據分析工具

概述 數據分析是指用適當的統計方法對收集來的大量第一手資料和第二手資料進行分析，以求最大化地開發數據資料的功能，發揮數據的作用。是為了提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。數據也稱觀測值，是實驗、測量、觀察、調查等的結果，常以數量的形式給出。

數據是事實，也稱觀測值，是實驗、測量、觀察、調查等的結果，常以數量的形式給出。數據分析的目的是把隱沒在一大批看來雜亂無章的數據中的信息集中、萃取和提煉出來，以找出所研究對象的內在規律。在實用中，數據分析可幫助人們作出判斷，以便采取適當行動。數據分析是組織有目的地收集數據、分析數據，使之成為信息的過程。這一過程是質量管理體系的支持過程。

分析工具 excel作為常用的分析工具，可以實現基本的分析工作，在商業智能領域Cognos、Microstrategy、Brio、BO和Oracle以及國內產品如北京永洪科技的Yonghong Z-Suite BI套件，奧威智動的Power BI也比較常用。

自商業智能這一領域被開拓以來，國內外BI工具層出不窮。IBM cognos、SAP BO、oracle BIEE、Microsoft BI、MicroStrategy、思邁特 BI、奧威智動 Power-BI等都是傳統的BI軟件，而Qliktech QlikView、tableau、永洪科技 Yonghong Z-Suite等是下一代BI的代表。

傳統BI工具基于數據驅動，以瀑布開發模式建設BI系統。傳統BI工具需要預先形成CUBE，交付時間在半年左右，如果需求發生變化，相關模塊調整周期按月計算。通常傳統BI工具模塊較多，操作復雜，無法形成自服務BI。

新一代BI軟件區別于傳統BI軟件，基于業務驅動，無需預生成Cube，交付周期按周、月計算，能夠形成自服務BI系統。對于需求變化，交付周期按天、周計算，相關模塊調整不大。Yonghong Z-Suite、tableau、QlikView等新一代BI工具帶有數據集市，可以處理海量數據。以Yonghong Z-Suite為例，其主要有以下特點：

驅動模式：業務驅動。

開發模式：以敏捷開發模式建設BI系統。

交付周期：交付周期偏短，項目失敗率低；樂意在客戶現場做POC(Proof of Concept)。需求變化：可以應對變化，新需求交付周期很短；相關模塊調整不大，交付周期在一兩天之內。

成本：一站式平臺提供數據集市和BI軟件，無需購買MPP數據倉庫，費用低。自服務BI：能夠形成自服務BI。

分析：展現只是起點，分析功能強大。

海量數據：X86通用平臺，以Scale-out擴展模式處理海量數據。基于CPU收費，具有較高性價。

數據集市：Yonghong Z-Data Mart專業數據集市處理大數據。

第三篇：數據分析軟件和工具

以下是我在近三年做各類計量和統計分析過程中感受最深的東西，或能對大家有所幫助。當然，它不是ABC的教程，也不是細致的數據分析方法介紹，它只 是“總結”和“體會”。由于我所學所做均甚雜，我也不是學統計、數學出身的，故本文沒有主線，只有碎片，且文中內容僅為個人觀點，許多論斷沒有數學證明，望統計、計量大牛輕拍。

于我個人而言，所用的數據分析軟件包括EXCEL、SPSS、STATA、EVIEWS。在分析前期可以使用EXCEL進行數據清洗、數據結構調 整、復雜的新變量計算（包括邏輯計算）；在后期呈現美觀的圖表時，它的制圖制表功能更是無可取代的利器；但需要說明的是，EXCEL畢竟只是辦公軟件，它 的作用大多局限在對數據本身進行的操作，而非復雜的統計和計量分析，而且，當樣本量達到“萬”以上級別時，EXCEL的運行速度有時會讓人抓狂。

SPSS是擅長于處理截面數據的傻瓜統計軟件。首先，它是專業的統計軟件，對“萬”甚至“十萬”樣本量級別的數據集都能應付自如；其次，它是統計軟 件而非專業的計量軟件，因此它的強項在于數據清洗、描述統計、假設檢驗（T、F、卡方、方差齊性、正態性、信效度等檢驗）、多元統計分析（因子、聚類、判 別、偏相關等）和一些常用的計量分析（初、中級計量教科書里提到的計量分析基本都能實現），對于復雜的、前沿的計量分析無能為力；第三，SPSS主要用于 分析截面數據，在時序和面板數據處理方面功能了了；最后，SPSS兼容菜單化和編程化操作，是名副其實的傻瓜軟件。

STATA與EVIEWS都是我偏好的計量軟件。前者完全編程化操作，后者兼容菜單化和編程化操作；雖然兩款軟件都能做簡單的描述統計，但是較之 SPSS差了許多；STATA與EVIEWS都是計量軟件，高級的計量分析能夠在這兩個軟件里得到實現；STATA的擴展性較好，我們可以上網找自己需要 的命令文件（.ado文件），不斷擴展其應用，但EVIEWS就只能等著軟件升級了；另外，對于時序數據的處理，EVIEWS較強。

綜上，各款軟件有自己的強項和弱項，用什么軟件取決于數據本身的屬性及分析方法。EXCEL適用于處理小樣本數據，SPSS、STATA、EVIEWS可以處理較大的樣本；EXCEL、SPSS適合做數據清洗、新變量計算等分析前準備性工作，而STATA、EVIEWS在這方面 較差；制圖制表用EXCEL；對截面數據進行統計分析用SPSS，簡單的計量分析SPSS、STATA、EVIEWS可以實現，高級的計量分析用 STATA、EVIEWS，時序分析用EVIEWS。關于因果性

做統計或計量，我認為最難也最頭疼的就是進行因果性判斷。假如你有A、B兩個變量的數據，你怎么知道哪個變量是因（自變量），哪個變量是果（因變量）？

早期，人們通過觀察原因和結果之間的表面聯系進行因果推論，比如恒常會合、時間順序。但是，人們漸漸認識到多次的共同出現和共同缺失可能是因果關 系，也可能是由共同的原因或其他因素造成的。從歸納法的角度來說，如果在有A的情形下出現B，沒有A的情形下就沒有B，那么A很可能是B的原因，但也可能 是其他未能預料到的因素在起作用，所以，在進行因果判斷時應對大量的事例進行比較，以便提高判斷的可靠性。

有兩種解決因果問題的方案：統計的解決方案和科學的解決方案。統計的解決方案主要指運用統計和計量回歸的方法對微觀數據進行分析，比較受干預樣本與 未接受干預樣本在效果指標（因變量）上的差異。需要強調的是，利用截面數據進行統計分析，不論是進行均值比較、頻數分析，還是方差分析、相關分析，其結果 只是干預與影響效果之間因果關系成立的必要條件而非充分條件。類似的，利用截面數據進行計量回歸，所能得到的最多也只是變量間的數量關系；計量模型中哪個 變量為因變量哪個變量為自變量，完全出于分析者根據其他考慮進行的預設，與計量分析結果沒有關系。總之，回歸并不意味著因果關系的成立，因果關系的判定或 推斷必須依據經過實踐檢驗的相關理論。雖然利用截面數據進行因果判斷顯得勉強，但如果研究者掌握了時間序列數據，因果判斷仍有可為，其中最經典的方法就是 進行“格蘭杰因果關系檢驗”。但格蘭杰因果關系檢驗的結論也只是統計意義上的因果性，而不一定是真正的因果關系，況且格蘭杰因果關系檢驗對數據的要求較高（多期時序數據），因此該方法對截面數據無能為力。綜上所述，統計、計量分析的結果可以作為真正的因果關系的一種支持，但不能作為肯定或否定因果關系的最 終根據。科學的解決方案主要指實驗法，包括隨機分組實驗和準實驗。以實驗的方法對干預的效果進行評估，可以對除干預外的其他影響因素加以控制，從而將干預實施后的效果歸因為干預本身，這就解決了因果性的確認問題。關于實驗

在隨機實驗中，樣本被隨機分成兩組，一組經歷處理條件（進入干預組），另一組接受控制條件（進入對照組），然后比較兩組樣本的效果指標均值是否有差 異。隨機分組使得兩組樣本“同質”，即“分組”、“干預”與樣本的所有自身屬性相互獨立，從而可以通過干預結束時兩個群體在效果指標上的差異來考察實驗處 理的凈效應。隨機實驗設計方法能夠在最大程度上保證干預組與對照組的相似性，得出的研究結論更具可靠性，更具說服力。但是這種方法也是備受爭議的，一是因 為它實施難度較大、成本較高；二是因為在干預的影響評估中，接受干預與否通常并不是隨機發生的；第三，在社會科學研究領域，完全隨機分配實驗對象的做法會 涉及到研究倫理和道德問題。鑒于上述原因，利用非隨機數據進行的準實驗設計是一個可供選擇的替代方法。準實驗與隨機實驗區分的標準是前者沒有隨機分配樣本。

通過準實驗對干預的影響效果進行評估，由于樣本接受干預與否并不是隨機發生的，而是人為選擇的，因此對于非隨機數據，不能簡單的認為效果指標的差異 來源于干預。在剔除干預因素后，干預組和對照組的本身還可能存在著一些影響效果指標的因素，這些因素對效果指標的作用有可能同干預對效果指標的作用相混淆。為了解決這個問題，可以運用統計或計量的方法對除干預因素外的其他可能的影響因素進行控制，或運用匹配的方法調整樣本屬性的不平衡性——在對照組中尋 找一個除了干預因素不同之外，其他因素與干預組樣本相同的對照樣本與之配對——這可以保證這些影響因素和分組安排獨立。

隨機實驗需要至少兩期的面板數據，并且要求樣本在干預組和對照組隨機分布，分析方法就是DID（倍差法，或曰雙重差分法）；準實驗分析用截面數據就 能做，不要求樣本在干預組和對照組隨機分布，分析方法包括DID（需兩期的面板數據）、PSM（傾向性得分匹配法，需一期的截面數據）和PSM-DID（需兩期的面板數據）。從準確度角度來說，隨機實驗的準確度高于準實驗和非實驗分析。

關于分析工具的選擇

如果根據理論或邏輯已經預設了變量間的因果關系，那么就無需使用實驗方法。我對非實驗數據分析工具的選擇原則如下。

? ? ? ? ? ? ? ? 因變量為連續變量，自變量至少有一個連續變量，進行多元線性回歸； 因變量為連續變量，自變量全部為分類變量，進行方差分析；

因變量為分類變量，自變量至少有一個連續變量，使用Logit模型或Probit模型； 因變量為分類變量，自變量全部為分類變量，進行交叉表分析和卡方檢驗；

因變量在某個閉區間內分布，并且有較多樣本落在閉區間的邊界上，使用Tobit模型；

因變量不唯一，如多產出問題，進行數據包絡分析（DEA）；

因變量為整數、數值小、取零個數較多，使用計數（Count）模型； 數據具有層次結構（嵌套結構），使用多層線性模型（HLM）。

隨著統計和計量經濟學的發展，各種前沿分析工具層出不窮，但我認為最靠譜的分析工具不外乎以下四種：DID（針對隨機實驗），多元線性回歸，固定效 應變截距模型（FE，針對面板數據），Logit模型或Probit模型（針對分類因變量數據）。其他方法或適用條件苛刻，或分析過程折騰，或方法本身不 可靠（尤其是聚類分析、判別分析，超級不靠譜），因此能用以上四種方法分析問題時，不必為“炫方法”而瞎折騰。關于擬合優度、變量選擇原則及估計值絕對大小的意義

在人人的“數據分析”小站中，某同學提出這樣一個問題：“多元回歸分析中，怎么選擇自變量和因變量，可以使R方達到80%以上？”

很顯然，問這個問題的同學要么沒學好計量，要么就是犯了功利主義的錯誤，或者二者皆有。擬合優度的大小很大程度上取決于數據本身的性質。如果數據是 時序數據，只要拿有點相關關系的變量進行回歸就能使擬合優度達到80%以上，但這樣的高R方根本說明不了什么，很可能使分析者陷入偽回歸的陷阱，嚴謹的做 法當然是做平穩性檢驗和協整檢驗；如果是截面數據，根本沒必要追求R方到80%的程度，一般來說，有個20%、30%就非常大了。

如果一定要增大R方，那么最應該做的的確是對納入模型的變量進行選擇。選擇納入模型的原則我認為有三條。第一，從理論和邏輯出發，將可能影響因變量 的變量作為自變量納入模型，即理論上或邏輯上能影響因變量的自變量必須納入模型，即使該自變量的回歸系數不顯著。第二，奧姆剃刀原則——如無必要，勿增實體，即理論上或邏輯上不能影響因變量的自變量不能納入模型，即使該自變量的回歸系數顯著。第三，防止納入具有多重共線性的自變量。

前面說了，對截面數據進行計量分析，R方能達到20%、30%是非常了不起的事情。但是，如果擬合優度（或類似擬合優度的指標）在20%、30%或 更低時，回歸系數只具有定性或定序上的意義，強調其絕對數值的大小沒什么意義。譬如lnY=alnA+blnB+?+zlnZ+c回歸的R方為20%，a 為0.375，b為0.224，且二者的T檢驗顯著，那么我們可以說，A、B對Y有影響，也可以說一百分點的A變化對Y的影響大于一百分點的B變化對Y的影響（控制其他因素的情況下），但說一百分點的A變化對Y的影響較一百分點的B變化對Y的影響大0.151%，就沒什么意義了。

第四篇：如何運用IDEA工具開展商業銀行審計數據分析

如何運用IDEA工具開展商業銀行審計數據分析

IDEA(Interactive Data Extraction and Analysis)，即互動式數據提取及分析，它最大的特點是審計人員可以根據自己的思路，不通過編程就可以創造個性化的數據分析路徑。通過視窗化界面，審計人員可以很方便地從所得到的數據文件中進行數據的讀取、顯示、分析、操作、采樣或提取數據。因此產品功能比較切合審計人員對數據分析的需要，被廣泛應用于內部審計領域。

一、推廣使用IDEA數據分析工具，是搞好內部控制審計的客觀需要

（一）使用IDEA數據分析工具可以全面審計前臺業務政策制度風險

使用IDEA數據分析工具，可以通過大集中管理系統，對被審計對象基層營業網點執行總行及監管當局政策法規的情況進行非現場審計檢查。IDEA數據分析工具的應用為開展驗資業務管理、賬戶管理和反洗錢管理等高風險業務的專項審計提供了便利，克服了原來政策、法規、制度等合規審計檢查只能到現場才能進行的局限性，可以有效地提高審計的覆蓋面和審計效能。

（二）使用IDEA數據分析工具可以全面審計和過濾大額資金支付風險

使用IDEA數據分析工具，為非現場資金支付風險分析、檢查創造了條件。商業銀行內控審計人員可以通過IDEA數據分析工具和IFSS綜合文件系統的各種報表數據，對客戶大額資金支付風險進行非現場跟蹤檢查，分析客戶大額支付情況及資金走向，判斷被審計對象的客戶資金支付是否存在風險隱患。

（三）使用IDEA數據分析工具可以全面審計貸款資金使用風險

貸款資金能否按規定用途使用，直接關系到客戶歸還貸款的第一資金來源能否實現，關系到貸款的安全。IDEA數據分析工具的使用，為審計貸款資金使用提供了條件。商業銀行內部審計人員可以通過IDEA數據分析工具和大集中系統管理工具，檢查貸款是否按規定用途使用，尤其是可以檢查貸款資金是否違規流入股市、房市及期貨市場，是否作為資本金用于注冊，是否通過關聯交易挪作他用等。

（四）使用IDEA數據分析工具可以全面審計前臺業務操作風險

前臺會計核算操作流程長、環節多、風險大，是商業銀行內控管理的重點。基層營業機構點多、線長、面廣，是經濟案件的高發區，也是商業銀行內部審計監督的重中之重。推廣使用IDEA數據分析工具，為全面審計前臺業務核算操作風險提供了極大便利。商業銀行內控審計人員可以通過大集中管理系統信息，對前臺操作風險進行全面的過濾、分析和檢查，尤其是通過后臺系統對賬務核算、交易、驗印和授權等高風險控制環節進行全面的審計檢查。這樣不但可以有效地擴大審計覆蓋面，提高審計的效能，而且可以規避審計責任風險。

（五）使用IDEA數據分析工具可以全面持續跟蹤審計整改情況

屢查屢犯是商業銀行內控管理和審計監督中普遍存在的頑疾。IDEA數據分析工具的使用，為全面持續跟蹤審計整改創造了條件。審計人員可以通過IDEA數據分析工具和其他各種管理系統工具，對審計發現問題的整改情況進行跟蹤檢查，既可以有效提高審計跟蹤的力度，又可以降低審計監督的成本。

二、建立健全IDEA數據分析工具應用流程和管理機制，是IDEA技術工具推廣應用的重要途徑

（一）建立IDEA數據分析需求論證制度，把好需求質量關，是搞好數據分析的重要基礎

1.培養IDEA數據分析技術骨干，全員普及IDEA數據分析基礎知識。IDEA數據分析工具是專業性很強的計算機管理軟件系統。要有效使用IDEA數據分析工具，必須要有專門的計算機技術人才，并且要組織全體審計人員開展專題培訓，普及IDEA數據分析工具基礎知識。

2.結合產品審計主審制度，全面準確提出IDEA數據分析需求。產品審計主審要把IDEA數據分析需求的提取與實施產品審計主審制度結合起來，按照產品審計主審項目的分工，每個產品審計主審應根據現場審計項目安排，對自己主審的產品提出數據分析需求。這樣，既能很快普及IDEA數據分析需求提取的方法、技巧，推動工作，又能不斷提高IDEA數據分析需求的質量，促進產品審計主審制度的實施和IDEA數據分析工具的應用。

3.建立IDEA數據分析需求論證制度。為了保證IDEA數據分析需求的質量，進而保證數據提取及分析的質量效果，商業銀行內部應建立IDEA數據分析技術骨干和現場審計主審聯合會審、論證數據分析需求的制度，并進一步組織IDEA數據分析技術骨干和現場審計主審，對產品審計主審提出的IDEA數據分析需求進行會審論證。

（二）建立疑點問題分析論證和管理制度，準確甄別疑點問題，是提高IDEA數據分析質量的關鍵

1.全面、系統和深入分析數據，查找問題疑點。通過數據分析，查找疑點問題，是審計分析的重點和關鍵環節。在數據分析中，審計人員要重點從三個方面開展工作，一是按產品開展IDEA數據分析；二是按項目開展IDEA數據分析；三是建立現場IDEA數據分析制度。

2.建立疑點問題分析論證制度。通過對IDEA數據分析產生的大量疑點信息進行分析論證，篩選過濾，確認疑點信息，有利于不斷提高疑點問題的準確性，有利于整合審計資源，提高審計效能，擴大審計成果，增加審計價值。

3.建立疑點問題管理制度。建立疑點問題管理制度，落實疑點問題管理，是有效運用IDEA數據分析工具，搞好審計效能的重要措施。

4.嚴格執行保密制度，保證數據信息安全。推廣使用IDEA數據分析工具，是提高審計效能的有效手段，但生產數據在審計中使用存在審計信息安全風險。所以，從數據獲取到管理、分發、使用和銷毀的全過程，都要嚴格執行審計數據管理規定。

（三）以IDEA數據分分析工具為基礎，整合審計資源，綜合運用大集中系統管理工具開展審計，是不斷提高審計效能的重要途徑

IDEA數據分析工具，是建立在銀行數據大集中下的審計信息分析系統，具有業務信息量大、數據處理手段先進和審計分析功能齊全等特點，但是，大集中系統業務運行的新變化和業務創新的不斷發展，對審計工作提出了新的更高要求。商業銀行的審計人員要在充分運用IDEA數據分析工具的基礎上，積極適應業務發展、創新的變化，大膽探索使用數據大集中系統管理工具和基層分支行監控錄像等技術手段開展審計分析、審計檢查，實現審計手段科技化、信息化、專業化，進而實現審計價值最大化。

三、建立IDEA數據分析后評價反饋機制，不斷提高審計人員IDEA數據分析能力

（一）通過現場審計班后分析會反饋審計疑點問題檢查結果，指導現場審計分析和審計檢查

相關審計人員要堅持召開現場審計班后分析會，并通過現場審計班后分析會，交流溝通審計檢查信息。審計人員特別應通過對審計分析所發現疑點問題的核查情況進行交流分析，結合現場審計發現的疑點線索，探索在審計現場使用IDEA數據分析工具進行審計分析和審查檢查的思路、方法，以推動現場審計工作，真正把每個疑點問題都查深查透，充分識別和揭示風險，或者確認審計事實排除問題疑點，不斷提高IDEA數據分析工具在現場審計中的應用水平與成效。

（二）通過審計項目實施質量講評分析會，評價IDEA數據分析的質量效果和存在問題

對通過現場審計核查確認的審計事實疑點問題，審計人員應總結、交流審計分析的經驗、體會，并研討通過IDEA數據分析，成功查找疑點問題的因果分析依據、綜合判斷方法和數據分析體會；對通過現場審計核查排除疑點的問題，審計人員應總結研究當時的IDEA數據分析，判斷疑點問題的主客觀依據，查找形成分析偏差的因果聯系，提出糾錯參考意見，指導今后IDEA數據分析工作。

（三）通過持續不斷的IDEA數據分析工具應用研討，提高審計隊伍的IDEA數據分析能力和技術水平

為了更好地實現IDEA數據分析從審計骨干向全體審計人員的普及，商業銀行應組織學習現場審計項目成功案例，開展IDEA數據分析技術培訓和IDEA數據分析工具在審計中應用經驗的交流；通過現場審計案例分析，詳細介紹、交流運用IDEA數據分析工具進行審計分析、審計檢查的做法、經驗和體會；組織審計人員就運用IDEA技術工具開展審計分析檢查的方法、流程和重點等進行深入的研討；不斷提高審計人員運用IDEA技術工具開展審計分析檢查的能力和水平，提高審計監督的質量效果。^

第五篇：大數據的分析運用

隨著互聯網時代的發展。大數據化時代的到來給很多企業帶來本質的改變。在制造系統和商業環境變得日益復雜的今天，利用大數據去解決某些問題和積累知識或許是更加高效、便捷的方式。“大數據的目的并不是追求數據量大，而是通過系統式的數據收集和分析手段，實現價值的最大化。所以推動智能制造的并不是大數據本身，而是大數據的分析技術，”數據本身不會說話，也不會直接創造價值，真正為企業帶來價值的是數據經過實時分析后及時地流向決策鏈的各個環節，或是成為面向客戶創造價值服務的內容和依據。大數據技術的快速發展，也將用戶的行為追蹤變得更為便利。

大大神平臺采用大數據龐大的用戶基數和強大的數據處理能力，將需求方、供應方、資源方通過大數據技術全線打通。使得用戶發布的軟件需求平臺可通過關鍵詞利用大數據智能匹配出產品經理，讓符合用戶的產品經理從量級和精準度方面脫穎而出。通過大數據分析精準了解需求者所想要做的軟件一個領域和特點，并以此為依據，通過平臺進行資源的精準匹配，并最終通過大數據分析精準細致的給出用戶滿意的效果。智能匹配：

每一組數據和一個社會現象之間，都存在千線萬縷的聯系。比如，如果你所寫的需求中多次出現商城類型的文字，大數據就會抓取多次出現的關鍵詞，并通過各種數據模型的設計，去分析用戶需求的所需要的是那一方面的產品經理。抓住這一切入點，以“智能大數據”為核心驅動力，平臺建立產品經理的專業領域標簽、個人簡介、擅長行業記錄數據庫，通過這些數據庫預測需求者的所需。大數據時代讓我們更容易獲取對用戶的洞察，當所有的行為和信息都被記下來以后，可能你所需要的產品經理可以被推薦和推薦平臺上面的產品。大數據應用在個性化營銷方面也可以讓我們生活得更輕松。解決電商營銷中“如何將推廣信息與目標消費匹配”的行業難題。

大數據不僅可以實現需求和資源最簡便的對接，實現豐富的智慧流通方式，還可以用更少的精力和成本，獲得更優的閑置資產盤活和消費投資效果。