购置期间，数据分析具备很关键的战略意义，是优化供应链与采购决策的核心大脑。因此在做好数据分析是购置期间最关键的一环。那么数据分析需要如何做才算好？下面看看小编的介绍！
一、数据分析八流程
01
首先，你得知道为什么分析？弄清楚此次数据分析的目的。比如，什么类型的客户交货期总是拖延。你所有的分析都的围绕这个为什么来回答。避免不符合目标反复返工，这个过程会很痛苦。
02
要牢记清楚的分析因子，统计维度是金额，还是产品，还是供应商行业竞争趋势，还是供应商规模等等。避免把金额当产品算，把产品当金额算，算出的结果是差别非常大的。
03
通过分析各个维度产品类型，公司采购周期，采购条款，找到真正的问题。例如这次分析的薄弱环节供应商，全部集中采购，和保持现状，都不符合利益最大化原则。通过分析，找到真正的问题根源，发现精细化采购管理已经非常必要了。
04
采购过程涉及的数据，很多，需要哪些源数据？采购总额？零部件行业竞争度？货款周期？采购频次？库存备货数？客户地域因子？客户规模？等等列一个表。避免不断增加新的因子。
05
数据库中供应商信息采集,平时供应商各种信息录入,产品特性录入等,做数据分析一定要有原料,否则巧妇难为无米之炊。
06
整理数据是门技术活。不得不承认excel是个强大工具，数据透视表的熟练使用和技巧，作为支付数据分析必不可少，各种函数和公式也需要略懂一二，避免低效率的数据整理。spss也是一个非常优秀的数据处理工具，特别在数据量比较大，而且当字段由特殊字符的时候，比较好用。
07
整理完毕，如何对数据进行综合分析，相关分析？这个是很考验逻辑思维和推理能力的。同时分析推理过程中，需要对产品了如指掌，对供应商很了解，对采购流程很熟悉。
看似一个简单的数据分析，其实是各方面能力的体现。首先是技术层面，对数据来源的抽取－转换－载入原理的理解和认识；其实是全局观，对季节性、公司等层面的业务有清晰的了解；
最后是专业度，对业务的流程、设计等了如指掌。练就数据分析的洪荒之力并非一朝一夕之功，而是在实践中不断成长和升华。一个好的数据分析应该以价值为导向，放眼全局、立足业务，用数据来驱动增长。
08
数据可视化也是一个学问。如何用合适的图表表现？每一种图表的寓意是什么？下面列举下常用的8个图表：
1）折线图：合适用于随时间而变化的连续数据，例如随时间收入变化，及增长率变化。
2）柱型图：主要用来表示各组数据之间的差别。主要有二维柱形图、三维柱形图、圆柱图、圆锥图和棱锥图。
3）堆积柱形图：堆积柱形图不仅可以显示同类别中每种数据的大小，还可以显示总量的大小。
4）线-柱图：这种类型的图不仅可以显示出同类别的比较，还可以显示出趋势情况。
5）条形图：类似于横向的柱状图，和柱状图的展示效果相同，主要用于各项类的比较。
6）饼图：主要显示各项占比情况。饼图一般慎用，除非占比区别非常明显。因为肉眼对对饼图的占比比例分辨并不直观。而且饼图的项，一般不要超过6项。6项后建议用柱形图更为直观。
7）复合饼图：一般是对某项比例的下一步分析。
8）母子饼图：可直观地分析项目的组成结构与比重
图表不必太花哨，一个表说一个问题就好。用友好的可视化图表，节省阅读者的时间，也是对阅读者的尊重。
有一些数据，辛辛苦苦做了整理和分析，最后发现对结论输出是没有关系的，虽然做了很多工作，但不能为了体现工作量而堆砌数据。
在展现的过程中，请注明数据的来源，时间，指标的说明，公式的算法，不仅体现数据分析的专业度，更是对报告阅读者的尊重。
二、数据分析七思路
1简单趋势
通过实时访问趋势了解供应商及时交货情况。如产品类型，供应商区域（交通因子），采购额，采购额对供应商占比。
2多维分解
根据分析需要，从多维度对指标进行分解。例如产品采购金额、供应商规模（需量化）、产品复杂程度等等维度。
3转化漏斗
按照已知的转化路径，借助漏斗模型分析总体和每一步的转化情况。常见的转化情境有不同供应商及时交货率趋势等。
4用户分群
在精细化分析中，常常需要对有某个特定行为的供应商群组进行分析和比对；数据分析需要将多维度和多指标作为分群条件，有针对性地优化供应链，提升供应链稳定性。
5细查路径
数据分析可以观察供应商的行为轨迹，探索供应商与本公司的交互过程；进而从中发现问题、激发灵感亦或验证假设。
6 留存分析
留存分析是探索用户行为与回访之间的关联。一般我们讲的留存率，是指“新新供应商”在一段时间内“重复行为”的比例。通过分析不同供应商群组的留存差异、使用过不同功能供应商的留存差异来找到供应链的优化点。
7 a/b 测试
a/b测试就是同时进行多个方案并行测试，但是每个方案仅有一个变量不同；然后以某种规则优胜略汰选择最优的方案。数据分析需要在这个过程中选择合理的分组样本、监测数据指标、事后数据分析和不同方案评估。
不单是供应商及时交货的数据分析，其他的数据分析流程和思路也一样适用，只是维度重点很多，以及组合的维度也非常多，因此就需要更清晰的思路和大局观，避免陷入到数据海洋中。