在上次的数据分析中，我们的数据分析都是一个个很零碎的看数方式，没有一个整体的思想，如何指导我们一步步的深挖原因，找到问题点。比如在上次我们只是单独从客户、流向、作业来看成本，如果下次用户想到看客户+流向，或者流向+作业一起来看呢，此时我们又要重新做数据了，最大的问题是这种事情是经常发生的，如果不从一开始就体系化，有一个主导思想，这样我们开发在后续中会很被动，天天给用户临时开发和提数。
如下图：
为了更好的成本数据分析，我们需要有体系化思想，关注用户想要的结果，深入业务场景中，业务用户是如何在实际场景中开展工作。
我们应该如何定义公司的最高指标，
收入：你会发现下面地区为了完成指标，拼命的抓收入，不计成本的抓收入，这样的考核导向会有问题。
成本：每个地区的业务量不同，区域和政策不同等等，如何制定各地区的目标成本，工作量太大，也不可行。
利润：好像不错，考虑了收入和成本的要素，然后跟据每个地区的不同情况做一个目标利润。
所以我们应该以利润为体系，对整个成本进行监控，如下图：
在最上层我们需要看各地区的当月利润率情况，以及目标利润达成进度。
在对上层利润率可以上钻分析到下面的各个维度，包括流向、客户、产品等成本TOP分析，对最差的着重问题深入分析，又可以下钻到多个维度的成本同时分析，像流向下的流向+客户，流向+产品等等。
为了支持以上成本数据的灵活分析，我们需要建立一个底层数据模型，把我们要用的维度增加到这个基表中，
上图的左边部分只是能方便的提供用户对成本的数据分析。明显的问题是一个被动过程，负责任的地区同事可能会去看看数据，或者也只是看看而已，哪么我们右边加入了一个主动监控过程，当我们的成本超出了阈值后，就主动推送给地区，建立问题原因和改善流程，针对问题的改进策略线上化，然后在下个月的成本分析中验证策略的有效性，对有效的经验行成专家方案，提供其他地区或新人学习。
我们以左边的思路按一个完整的案例分析一下：
底层的数据表程序见p_abc_bsl_cost_base，格式如下：
1：上层利润分析：
--区部利润分析
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：北京区利润率最低，我们再深入分析下是哪些流向、客户、产品等
--北京区部流向利润分析
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：北京区下的010-021流向利润率最低，我们再深入分析下是哪些客户、产品、资源
--北京区部010-021流向下的客户利润分析
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;
以上只是例举了一条垂直分析过程，经过层层钻取分析，我们可以很方便的从多维度来分析成本原因，并定位到相关问题后就可以制定具体优化计划了。
更多技术文章请关注公众号BLT328(长按后点识别图中二维码):
