在上次的數據分析中，我們的數據分析都是一個個很零碎的看數方式，沒有一個整體的思想，如何指導我們一步步的深挖原因，找到問題點。比如在上次我們只是單獨從客戶、流向、作業來看成本，如果下次用戶想到看客戶+流向，或者流向+作業一起來看呢，此時我們又要重新做數據了，最大的問題是這種事情是經常發生的，如果不從一開始就體系化，有一個主導思想，這樣我們開發在後續中會很被動，天天給用戶臨時開發和提數。
如下圖：
爲了更好的成本數據分析，我們需要有體系化思想，關注用戶想要的結果，深入業務場景中，業務用戶是如何在實際場景中開展工作。
我們應該如何定義公司的最高指標，
收入：你會發現下面地區爲了完成指標，拼命的抓收入，不計成本的抓收入，這樣的考覈導向會有問題。
成本：每個地區的業務量不同，區域和政策不同等等，如何制定各地區的目標成本，工作量太大，也不可行。
利潤：好像不錯，考慮了收入和成本的要素，然後跟據每個地區的不同情況做一個目標利潤。
所以我們應該以利潤爲體系，對整個成本進行監控，如下圖：
在最上層我們需要看各地區的當月利潤率情況，以及目標利潤達成進度。
在對上層利潤率可以上鑽分析到下面的各個維度，包括流向、客戶、產品等成本TOP分析，對最差的着重問題深入分析，又可以下鑽到多個維度的成本同時分析，像流向下的流向+客戶，流向+產品等等。
爲了支持以上成本數據的靈活分析，我們需要建立一個底層數據模型，把我們要用的維度增加到這個基表中，
上圖的左邊部分只是能方便的提供用戶對成本的數據分析。明顯的問題是一個被動過程，負責任的地區同事可能會去看看數據，或者也只是看看而已，哪麼我們右邊加入了一個主動監控過程，當我們的成本超出了閾值後，就主動推送給地區，建立問題原因和改善流程，針對問題的改進策略線上化，然後在下個月的成本分析中驗證策略的有效性，對有效的經驗行成專家方案，提供其他地區或新人學習。
我們以左邊的思路按一個完整的案例分析一下：
底層的數據表程序見p_abc_bsl_cost_base，格式如下：
1：上層利潤分析：
--區部利潤分析
select t.rec_area_code,
t.rec_area_name,
t.income_amt,
t.cost_all_amt,
t.income_amt - t.cost_all_amt prof_amt,
(t.income_amt - t.cost_all_amt) / t.income_amt prof_rt
from (select a.rec_area_code,
a.rec_area_name,
sum(case
when a.rn = 1 then
a.income_amt
else
0
end) income_amt,
sum(a.cost_all_amt) cost_all_amt
from abc_bsl_cost_base a
where a.month_code = '201905'
group by a.rec_area_code, a.rec_area_name) t;
2：北京區利潤率最低，我們再深入分析下是哪些流向、客戶、產品等
--北京區部流向利潤分析
select t.rec_area_code,
t.rec_area_name,
t.city_flow,
t.income_amt,
t.cost_all_amt,
t.income_amt - t.cost_all_amt prof_amt,
(t.income_amt - t.cost_all_amt) / t.income_amt prof_rt
from (select a.rec_area_code,
a.rec_area_name,
a.rec_city || '-' || a.send_city city_flow,
sum(case
when a.rn = 1 then
a.income_amt
else
0
end) income_amt,
sum(a.cost_all_amt) cost_all_amt
from abc_bsl_cost_base a
where a.month_code = '201905'
and a.rec_area_code = '010Y'
group by a.rec_area_code,
a.rec_area_name,
a.rec_city || '-' || a.send_city) t;
3：北京區下的010-021流向利潤率最低，我們再深入分析下是哪些客戶、產品、資源
--北京區部010-021流向下的客戶利潤分析
select t.rec_area_code,
t.rec_area_name,
t.city_flow,
t.cust_code,
t.cust_name,
t.income_amt,
t.cost_all_amt,
t.income_amt - t.cost_all_amt prof_amt,
(t.income_amt - t.cost_all_amt) / t.income_amt prof_rt
from (select a.rec_area_code,
a.rec_area_name,
a.rec_city || '-' || a.send_city city_flow,
a.cust_code,
a.cust_name,
sum(case
when a.rn = 1 then
a.income_amt
else
0
end) income_amt,
sum(a.cost_all_amt) cost_all_amt
from abc_bsl_cost_base a
where a.month_code = '201905'
and a.rec_area_code = '010Y'
and a.rec_city || '-' || a.send_city = '010-021'
group by a.rec_area_code,
a.rec_area_name,
a.rec_city || '-' || a.send_city,
a.cust_code,
a.cust_name) t;
以上只是例舉了一條垂直分析過程，經過層層鑽取分析，我們可以很方便的從多維度來分析成本原因，並定位到相關問題後就可以制定具體優化計劃了。
更多技術文章請關注公衆號BLT328(長按後點識別圖中二維碼):
