如何分析销售数据与报表.ppt

如何分析销售数据与报表,主要内容（key content),第一 建立对数据及报表的认识；第二 加强对数据分析的重视程度；第三 熟悉分析工具的使用；第四 形成理性分析的思维；,目标,主要内容（key content),第一 数据的定义及分类；第二 数据表现形式第三 数据传递的两种方式第四 数据分析之目的；第五 数据分析之基本流程第六 数据分析方法及应用,内容,第一节 数据的定义及分类,定义：数据是对客观现象进行计量的结果 特征：没有规律，比较凌乱，不便于阅读、也不便于理解和分析,第一节 数据的定义及分类,数据的分类,A：定类尺度B：定序尺度C：定距尺度D：定比尺度,第二节 数据的表现形式,绝对数,时期数,时点数,时期数反映现象在某一时期内的总量，特征是可以累加,时点数反映现象在某一瞬间时刻上的总量，特征是不可以累加,第二节 数据的表现形式,相对数,比例（Proportion）,比率（Ration）,比例是总体中各个部分的数量占总体数量的比重，通常反映总体的构成或结构,比率是不同类别数量比值,第三节 数据传递的方式,报表,图表,第三节 数据传递的方式,报表是将杂乱的数据有条理的的组织在一张简明的表格内，充分利用和绘制好统计表是做好数据分析的基本要求，也是基础数据分析的最基本技能！,报表传递的目的,第三节 数据传递的方式,将报表所传递的信息，更清晰、更直观的表达出来，使受众很容易理解，从而达到和受众沟通的目的,图表传递的目的,第四节 数据分析之目的,过往业绩评估、认识规律、发现不足与问题,销售现状监控与评估、发现问题、解决问题,销售预测，战略规划、为决策提供量化依据,第五节 数据分析的基本流程,界定分析的问题,确定分析的时间段,确定分析拟达到之目的,分析方法之选择,分析结果论证,提出解决问题整体方案,跟踪反馈,最终解决问题,第六节 数据分析方法及应用,描述性分析,推断性分析,描述性分析,频数分析（frequency）,数据排序及分布,均值分析,数据排序(Rank)数据排序是按一定顺序将数据排列，以便研究者通过浏览数据去发现一些明显的特征趋势及解决的线索；在这里，我们要注意排序与排名的区别前者可以重复后者不可以重复,描述性分析,如：10月全国店铺排名前10位的店有,排序分析案例：10月店铺销售前10名,数据的分布特征探索,数据主要有两个分布特征，一是数据的集中趋势；二是数据的离散趋势,1、前者的测定指标主要有众数、中位数、平均值,2、后者的测定指标主要有极差、方差、离散系数等,我们在这里主要介绍一下我们在工作中可能要用到的方差，其公式如下：,我们可以利用这个指标来做预测和计划的差异合理化检验，也可以用它来衡量各个地区销售波动大小,描述性分析,根据分析需要将数据按照某种特征或标准分成不同组数，同时可以计算各组的频数或频率，形成频数分布表。根据数据的分组我们还可以根据研究的需要做各种各样的图表在这里，向大家推荐一个数据分组的经验公式：组数=K=1+LgN/Lg10组距=（最大值-最小值）/K,数据分组和频数分析（frequency）,如：,频数分析案例:10月销售区间关系,描述性分析,均值是全部数据的平均。可以分为三种：一、简单算术平均数，各项数据的简单平均，应用最广泛二、加权平均数，加权算术平均数法是简单算术平均数法的改进。它根据观察期各个时间序列数据的重要程度，分别对各个数据进行加权，对于越近的数据，可以赋予越大的权重,均值分析（average analysis),描述性分析,三、几何平均数，它主要是用于计算比率或速度的平均。如可以计算1996年例外成立以来到2005年，终端销售额的年平均增长速度，或一年中1-12月销售的平均增长速度公式如下：如,均值分析（average analysis),均值分析案例：平均单价趋势,第六节 数据分析方法及应用,推断性分析,回归分析（regression analysis),时间序列分析,差异比较分析,推断性分析,1、回归分析以因果关系为前提，应用统计方法寻找一个适当的回归模型，对未来市场的变化进行预测。2、回归分析具有比较严密的理论基础和成熟的计算分析方法；回归预测分析是回归分析在预测中的具体运用。3、在回归预测分析中，预测对象称为因变量，相关的分析对象称为自变量。回归分析根据自变量的多少分为一元回归分析、二元回归分析与多元回归分析，4、但有时候二元回归分析被并入到多元回归分析之中；回归分析根据回归关系可分为线性回归分析与非线性回归分析。日常销售中，根据上面的定义，我们可以知道销售额是一个因变量，而产品价格、投产数量、设计成本、门店装修费、店铺数量、店铺面积、店员数、推广费用、VIP数量及消费金额等等都是自变量，我们可以通过长期数据的积累，进行回归分析，从而确定那些因素是影响销售额的关键因素，那些是非关键因素。进而采取行动解决实际问题,推断性分析,如：,回归分析的基本步骤如下：第一步：判断变量之间是否存在有相关关系 第二步：确定因变量与自变量 第三步：建立回归预测模型 第四步：对回归预测模型进行评价 第五步：利用回归模型进行预测，分析评价预测值,以下是秋装价格、销量与销额之间的关系，我们可以以价格、销量为自变量，销额为因变量来进行回归分析,从上面的关系中，我们通过回归分析，得到以下结论：,通过回归分析，因此，我们得到模型为：Y=1273.918*X1+108.780*X2其中Y为销额，X1为销量、X2为价格,模型建立后，我们就运用它来进行在不同销量上销额的预测,通过预测，我们发现此回归模型具有一定的准确性,在相应的价格和销量下预测的销售额,推断性分析,时间序列预测法是一种定量分析方法，它是在时间序列变量分析的基础上，运用一定的数学方法建立预测模型，使时间趋势向外延伸，从而预测未来市场的发展变化趋势，确定变量预测值。时间序列预测法也叫历史延伸法或外推法。时间序列预测法的基本特点是：1、假定事物的过去趋势会延伸到未来；2、预测所依据的数据具有不规则性；3、撇开了市场发展之间的因果关系。,时间序列分析（time series analysis),推断性分析,时间序列是指同一变量按事件发生的先后顺序排列起来的一组观察值或记录值。构成时间序列的要素有两个：其一是时间，其二是与时间相对应的变量水平。实际数据的时间序列能够展示研究对象在一定时期内的发展变化趋势与规律，因而可以从时间序列中找出变量变化的特征、趋势以及发展规律，从而对变量的未来变化进行有效地预测。,时间序列分析（time series analysis),推断性分析,时间序列分析（time series analysis),长期趋势,季节变动,循环变动,不规则变动,上面为2003年6月到2005年9月各月销售额走势，从中我们可以到明显的周期波动趋势,时间序列分析的任务之一就是把影响时间序列波动的四个因素进行分析，从而出现出其原来的走势，再对下个月的销售进行预测，下图是分离了四种影响因素的销售走势，其走势比没有提出季节波动要平稳得多，我们就在此基础上再用上面的回归分析建立模型进行预测,通过回归分析我们建立模型为：Y=1410.82+1.59*T，其中：T表示时间通过计算，预测到10月、11月的销售额1919、1925、10月份的实际销售为2040，可见预测具有一定的准确性！,差异比较分析,差异性分析核心：将性质接近的数据尽可能放在一起做比较，不一致的数据分开。从而为我们执行差异化的各项政策提供量化依据。,差异比较分析（difference compare analysis),如：,05年,03年,04年,单位：万元,05年,04年,03年,单位：万元,05年,04年,03年,单位：元,商品数据分析现有应用,地区累计进销存报表,单款周销售跟踪分析,导入期,成长期,成熟期,衰退期,7月4日7月10日店铺销售占比周报表,地区单款进销售存报表,周销售额对比,秋二各地消化分析,THANK,