请上传宽度大于 1200px,高度大于 164px 的封面图片
    调整图片尺寸与位置
    滚轮可以放大缩小图片尺寸,按住图片拖动可调整位置,多余的会自动被裁剪掉
取消
我是苏有熊(uid:839898)
【欢迎点我头像关注我】提供一种视野,有智,有趣。 职业资格认证:尚未取得认证
收集数据的几个常用技巧
在几乎所有类型的工作中,都需要收集数据,比如超市商品盘存、疫情期间民众出入公众场所需要测量与记录体温、工厂单位时间内的产出、销售员的销售业绩记录等等。   收集数据的方法一般包括: 使用表格或图表; 设计调查问卷; 选择调查样本。 等。   下文分别介绍收集数据的几个相关知识。 本文框架与部分观点引用自外文网络,图表及大部分文字内容由作者原创。 1 以不同的方式呈现数据 数据,即收集到的信息,可以以许多不同的方式表示,以帮助使其更容易理解和更有趣地阅读。 为什么我们用列表、表格、图解或图形来展示信息? 使用图形可以形象化地展示数据,使数据更易懂; 可以使信息集中在单一页面; 使用图片比大量的文字更容易显示。例如,用地图向某人展示一个城镇的布局比用文字描述更容易。 以下是一些数据以不同方式呈现的例子: 例子一 天气预报 地图和表格让你更快了解天气的将来变化。 模式二 电视节目表 电视节目表可以让你更快查找想看的节目将在什么时间播出。 模式三 体育联赛观众人数 模式四 图表 2  收集信息并将其呈现为列表 我们经常需要写清单来提醒自己——例如,准备购物清单或“要做的事情”清单。 清单有什么主要特点? 标题:告诉你这个列表是关于什么的; 副标题:将信息分成几部分。 3 象形图 在象形图中,图形用来表示数字。这可以使信息看起来有趣且易于理解。使用的关键是清晰地说明单个图形代表多少数量。   下面的KFC指数图表表示在不同非洲国家,等值于100美元的本地货币可以在本国购买多少肯德基鸡翅桶。肯德基指数是衡量非洲国家货币是否“正确估值”的一种非正式方式,它基于购买力平价理论。 象形图有什么主要特征: 有一个标题; 说明单个图形代表多少数量; 单个图形的尺寸相同; 按行或列展示图形; 可以使用图形的一部分展示较小的数字。 4 柱形图 一项对30名学生的体育活动进行的调查,这一信息已经在一个柱状图中表示。该柱状图的题目是:“30名学生参加体育活动的图表”。水平轴和垂直轴已标记。 横轴是横过页面的线。它显示了正在度量的内容:以上柱状图中的活动。 垂直轴是在页面上的直线。它显示了被测量的量,这叫做刻度。纵坐标轴旁有“学生人数”的标签。 这个柱形图展示了如下信息: 柱形图是一种非常常见的图表类型,虽然简单,但也可以不失优雅,比如《经济学人》杂志的柱形图: 5 用线型图收集和展示数据 线形图一般用来表示事物随时间的变化情况。 横轴是横过页面的线,它显示了被测量的东西。 垂直轴是在页面上的垂直线,它显示了被测量的量,比如上图中的英国房价的年同比涨幅。 图表应该有标题,除别处另有说明外,水平轴和垂直轴必须有轴标签。 6 表格 表格是用来组织和显示信息的。看下面的例子。 为了让读者理解这样的表,它应该有: 一个标题,这使读者清楚地了解该表的内容。 列标题,显示表格里每一列的内容。 7 设计问卷 在设计问卷问题时,重要的是要非常清楚你问的是什么。带否定的问题会让人很困惑:例如,"你反对禁止捕杀毁坏农田的野猪吗?",人们通常不会回答他们不理解的问题。   在一个问题中最好避免问多个问题,因为人们可能只回答其中的一部分。例如,你认为这个地区有足够的公园吗?在公园里狗应该被牵着走吗?如果有人回答是,你将不知道他们回答的是问题的哪一部分,或者他们是否同时回答了两个部分。   问卷调查也必须是公平的,所以你需要避免问一些引导性的问题,比如“你同意吸烟有害健康吗?”,"你觉得美国的新冠疫苗不如中国的疫苗效果好吗?"等类似这样的问题。 勾选框问题 问题往往需要一个非常精确的简短答案,这就是为什么很多时候会使用勾选框,而不是像“城镇需要做哪些改进?”这样难以回答的复杂问题。 勾选框问题可能包括选择是或否,或从选择的答案中选择一个或多个选择框,例如: 通过上面的勾选框,你可以让他们“勾选你认为城镇最需要的改进”,或者“勾选所有适用的地方”。也可以让他们按重要性排序。   当你只想要一个选项时,确保只选择一个答案是很重要的。例如,如果你问,“你怎么去上班?”,让他们在公共汽车、火车、汽车或步行之间做出选择,如果他们使用的方式不止一种,他们会发现很难。   有时你必须用评价分值来回答,例如:当地的交通系统有多好? 把你的答案从1分到5分。1是优秀的,5是非常差的。   8 调查 调查是什么 调查的目的是获取信息。这可能是关于一个特定的主题,比如小区业委会关于是否更换物业公司,或一组更一般的信息,如人口普查表。 调查是为了从特定人群中获取信息而设计的。   样本 当通过问卷或访谈收集数据时,仔细考虑你问的是谁是很重要的。你所询问的人群被称为样本。 例如,假设你想写一份关于工作场所食堂意见的报告,你决定向人们提问,而不是发送问卷。如果你问餐厅里的人,你不会得到员工的全面意见,因为你会忽视那些不使用餐厅的人。 我们会说样本中存在偏差,或者它不是一个公平的样本。 最好是在工作场所的入口处询问别人。你可能需要注意你的提问时间取决于人们开始(或结束)工作的时间。一个考虑到所有可能群体的样本称为代表性样本。 样本包括谁、不包括谁,并没有完美的选择。即使你已经仔细考虑过提问的时间和地点,你也可能会遗漏一些东西。你可能会在一组员工参加培训的那天问这些问题。当这种情况发生时,你应该确保在写报告时清楚地说明这一点。   ● ● ●
如何更合理地选择图表形式
前言 不管你用何种工具制作图表,都会遇到一个问题,我该选用哪种图表形式? 在《用图表说话:麦肯锡商务沟通完全工具箱》这一经典著作中,作者基恩.泽拉兹尼阐述了他经典的方法论,也就是分为3步:   步骤1:确定表达主题 步骤2:确定对比关系 步骤3:选择图表形式 这一套经典理论广泛地指导了世界范围内商务人士的可视化表达,并成为IBCS国际商务沟通标准的重要组成部分。   后来,世界知名的统计学专家及可视化大师Stephen Few,将定量信息归纳为8个方面。   总部位于英国伦敦的老牌财经媒体《金融时报》FT,在Stephen Few的理论基础上,总结制作出一个经典的基于任务的图表选择器。     FT的经典图表选择器 为了方便各位同学理解取用,我特地制作了一个高清中文的细节图片集: 分析阶段的可视化参考指南 FT的图表选择器非常好,完整地概况了定量信息的可视化场景,但是更适用于已知模式的表达,也就是已经清晰地确定了图表表达的主题,明确了图表任务的前提下。   然而,尽早致力于适合于特定任务的可视化,可能导致你专注于一种模式,而错过另一种模式。   在分析阶段,当你还不知道数据中包含什么信息和模式时,选择一个合适的图表类型将变得更加困难。 所以,当我们需要对数据进行描述性分析、诊断性分析或用可视化对数据进行探索性分析的时候,我们尚无法明确图表表达的任务,那么就需要一种基于数据本身的可视化参考。   美国西北大学的 Steve Franconeri 教授发布了他在这方面的研究: 该指南根据数据的结构而不是查看者的任务来集中其选择。   但是这两种类型的图表指南都很重要。它将用户指向一组可视化对象,但是我的建议是仍然考虑任务,方法是以几种格式快速草绘或绘制数据,然后看看哪种样式最符合你正在探索的对象。
想学数据可视化,看这20个网站就够了!(下)
有熊说   伟大的可视化有一些神奇之处,它可以为用户提供关于当前主题的全新视角。   下文所提到的这些网站,将帮助你练习探索以一种有意义的方式发现数据背后的真相。   本主题文章分为上下两个部分,上篇请见: 想学数据可视化,看这20个网站就够了!(上)   下文为下篇:     11 David McCandless’s collection of beautiful infographics   https://www.informationisbeautifulawards.com/   网站创始人David McCandless(生于1971年)是英国的数据新闻记者、作家和信息设计师。   他着迷于使用数据可视化和信息设计来讲述新的故事、传达有趣的想法、做出决策等,因此创办了这一可视化博客:Information Is Beautiful   这一博客主要展示世界范围内优秀的可视化作品,不限工具和题材。   该博客在数据可视化和信息设计领域取得了广泛的影响。   David McCandless本人也分别在2009年和2014年出版了两本数据可视化方面的图册:   《Information is Beautiful 》(中文版书名为《信息之美》)   《Knowledge is Beautiful 》(中文版书名为《知识之美》)   这两本书我还没看,不知道质量如何。   2012年,网站创始人David McCandless与时任Kantar创意总监的Aziz Cami合作设立了数据可视化领域最有影响力的信息之美奖(The Information is Beautiful Awards)。   该奖项由专家小组和公众投票进行评审。它向世界范围内各行各业的创作者开放—冉冉升起的新星,学生,个体从业者,成熟的工作室,媒体品牌,非政府组织等等。     所有入围名单的参与者都将在该博客的展示区中被推荐;所有入围者都将在年底免费获得我们有趣而奢华的颁奖典礼门票,最后的得奖者将获得现金、奖杯和广泛的媒体报道,以表彰他们在数据可视化,信息图表,互动和信息艺术方面的卓越表现。   目前该奖项已经举办了8届(2020年至今因疫情原因停办),其间诞生了很多精美的、令人赞叹的可视化作品。   一些获得信息之美奖金奖的作品:   关于Kantar(凯度): Kantar Group是一家总部位于英国的数据分析和品牌咨询集团公司,成立于1992年。它拥有约30,000名员工,在100个国家/地区从事各种研究领域,包括社交媒体监控,广告效果,消费者和购物者的行为以及公众舆论。它比其他任何洞察力公司更了解人们的想法,感觉和行为。 自2019年以来,Kantar被贝恩资本私人股权公司(Bain Capital Private Equity)收购并拥有多数股份,之前是全球最大广告公司WPP的一部分。 其全球总部位于英国伦敦。主要竞争对手包括GfK,尼尔森,益普索和埃森哲。     12 Alberto Cairo’s The Functional Art   http://www.thefunctionalart.com/   该网站的主要内容包含对信息图形和可视化的介绍,它通过图表、图形、地图和示意图(charts, graphs, maps, and diagrams)的方式传达事实和数据。   Alberto Cairo,1974年出生于西班牙拉科鲁尼亚,信息设计师兼教授,也是迈阿密大学(UM)传播学院视觉新闻学的the Knight Chair(骑士主席?)。他还是UM计算科学中心可视化程序的主任。他曾在西班牙和巴西的媒体出版物中担任信息图形主管。    Alberto Cairo 是世界范围内知名的数据可视化专家,出版过如下几本专著:   《How charts lie》这本书在国外销量不错,亚马逊评分挺高:     这本书刚上市时,我曾写过一篇文章介绍过大体内容: 图表是如何撒谎的     13 FastCoDesign’s Infographic of the Day   https://www.fastcompany.com/section/infographic-of-the-day   该站点是全球知名的商业媒体 Fast Company 在线版的信息图表板块。   1995年11月,两位前《哈佛商业评论》(Harvard Business Review) 的编辑艾伦•韦伯(Alan Webber)和比尔•泰勒(Bill Taylor)创办了《Fast Company》杂志,创办的前提只有一个:全球革命正在改变商业,商业也在改变世界。   《Fast Company》摒弃了旧的商业规则,开始记录不断变化的公司如何创造和竞争,突出新的商业惯例,展示那些正在创造未来、重塑业务的团队和个人。   该站点的文章,据我观察,应当属于现在新兴的数据新闻的样式,将数据和信息图表作为新闻的重要甚至核心组成部分,来让读者了解报道对象正在发生什么、为什么发生、还会有什么会发生等信息。     14 Unexpected + intriguing infographics   https://www.thisiscolossal.com/tags/infographics/ 意想不到的+有趣的信息图表   这个网站属于Colossal的信息图表板块。 Colossal是一个艺术类的媒体,一个展示当代艺术和视觉表达的国际平台,它探索了广泛的创作学科。 Colossal旨在充当视觉壮观艺术品的在线画廊,每月估计有1000万读者。 Colossal的创办者在介绍页面写道: “在一个充满信息过载,环境灾难,资本主义肆虐和社会不公正的世界中,我们策划Colossal,专注于围绕我们最关心的问题的最积极,最多样化和最有影响力的故事。” 几幅示例: A Chart Chronicles the Colors of Mister Rogers' Cardigans from 1969 to 2001   一张图表记录了从1969年到2001年罗杰斯先生(美国电视节目主持人)的开衫的颜色,这种马赛克图常用于表示气温的变化(如下图),这里这么用也是很新颖了。   Using Stock Market Charts, Artist Gladys Orteza Transforms Data into Bright Nighttime Landscapes 艺术家Gladys Orteza使用股市图表将数据转换为明亮的夜间景观。 一般我们看到的股市图表都很单调,比如下面这种,非常单调,毫无魅力而言,还费钱。       这位叫做Gladys Orteza的艺术家将股市图和夜间景观结合,创作了一组令人惊艳的作品:     这些图片里的夜色令人感觉似曾相识,感觉龙猫似乎随时可能从深色树影中跳出来。     15 Andy Kirk’s Visualising Data   https://www.visualisingdata.com/ Andy Kirk 是英国约克郡的自由数据可视化专家。他是屡获殊荣的网站visualisingdata.com的数据可视化顾问、培训提供者、老师、作者、发言人、研究员和编辑。   在1999年从兰开斯特大学(Lancaster University)获得运营研究理学学士学位后,他的工作开始于在CIS保险公司、西约克郡警察局和利兹大学等组织中担任各种业务分析和信息管理职务。 他在2007年初发现了数据可视化,当时它潜伏在网络的边缘。幸运的是,这一发现的时机恰逢Andy提出了他的硕士(MA)学位研究计划,这是一个自我指导的研究计划,为他提供了释放并确保他对这个学科的热情的机会。 他创办了visualisingdata.com网站,以继续发现过程并确定该主题日益普及的过程。随着时间的流逝,这个屡获殊荣的网站已经发展成为该领域追随者的流行参考,提供了当代的论述,设计技术以及大量的可视化示例和资源。   visualisingdata.com网站上有他所有数据可视化相关的内容,包括播客PODCAST,博客,他的培训课程,所出版书籍的信息等,还有一个优秀可视化作品的展示长廊:   以及一个很有价值的可视化制作指南,展示各种图形可以用什么工具制作的交叉查看的矩阵表: 具体网址是https://www.visualisingdata.com/book/     16 University of Washington’s Interactive Data Lab https://idl.cs.washington.edu/ 美国华盛顿大学的交互式数据实验室的官网。 该实验室的任务是通过设计用于数据可视化和分析的新型交互式系统来增强人们理解和交流数据的能力。   该实验室研究的主题包括: 我们如何使用户能够以最少的编程来转换和集成数据?我们如何支持富有表现力和有效的可视化设计?我们是否可以构建以交互速率查询和可视化海量数据集的系统?我们如何使领域专家能够指导机器学习方法以产生更好的模型? 计算和统计的进步为数据驱动的发现提供了新的机会。但是,科学和工业领域的突破最终在于授权研究人员探究问题,发现特定领域的模式,识别错误以及评估模型输出的能力。   实验室背景 UW交互式数据实验室的前身是斯坦福可视化小组,后来随着一系列实验室主导教授的工作变动,在2013年,成为UW交互式数据实验室。   该实验室旨在探索数据可视化领域的前沿技术与理论,使用多种工具创造了各种令人惊叹的交互式数据可视化作品。     17 Cole Nussbaumer’s Storytelling with Data   https://www.storytellingwithdata.com/   畅销可视化著作《Storytelling with data》(中文书名《用数据讲故事》)的作者Cole Nussbaumer的个人网站。   《Storytelling with data》通过大量案例研究介绍数据可视化的基础知识,以及如何利用数据创造出吸引人的、信息量大的、有说服力的故事,进而达到有效沟通的目的。   在世界范围内都是很畅销的数据可视化入门书籍。   Cole Nussbaumer,     网站里有各类丰富的可视化资源,值得仔细研读。     18 A wikipedia for data viz   https://en.wikipedia.org/wiki/Data_visualization 维基词典数据可视化词条。   该词条的质量非常好。中文维基该词条部分内容截图:   英文版更详尽:   还有多张精彩的例图: 数据可视化是分析数据并将其呈现给用户的步骤之一:   法国工程师查尔斯·约瑟夫·密纳德于1861年绘制的关于拿破仑帝国入侵俄罗斯的信息图:   说明两个变量(通货膨胀和失业)在时间点上的负相关关系的散点图: 全球气温分布图:     19 The Data Viz catalogue   https://datavizproject.com/ 一个来自丹麦的可视化设计工作室的官网。 网站首页没别的,一堆图:   这个网站很精彩,很有用,各位同学可以去感受下,你会回来感谢我的。     20 McKinsey,The Economist,FT   https://www.mckinsey.com/featured-insights/coronavirus-leading-through-the-crisis/charting-the-path-to-the-next-normal https://www.economist.com/graphic-detail/ https://www.ft.com/graphics McKinsey、The Economist、FT这3家的数据图表一直是我的最爱,通过这几个站点可以看到这几家数据图表的巅峰机构的特点,感受其图表表现力的无穷魅力。   下篇完。 编辑于 2021-10-13 17:01
想学数据可视化,看这20个网站就够了!(上)
有熊说   伟大的可视化有一些神奇之处,它可以为用户提供关于当前主题的全新视角。   下文所提到的这些网站,将帮助你练习探索以一种有意义的方式发现数据背后的真相。     01 Nathan Yau's FlowingData https://flowingdata.com/   网站作者Nathan Yau,中文译作邱南森,是美国的统计学家和数据可视化专家。   他本科阶段获得了加州大学伯克利分校(the University of California, Berkeley)的电气工程和计算机科学学士学位,2007年他在加州大学洛杉矶分校获得理学硕士学位,并于2013年获得该校统计学博士学位。   邱南森以其FlowingData博客而闻名,他在该博客中发表有关信息设计和分析以及其他专业人员创建的与可视化和数据科学相关的项目的写作和教程。   他还出版过两本数据可视化方面的专著,分别是:   《Visualize This》(中文版书名为《鲜活的数据》)   以及《Data points : visualization that means something》 (中文版书名为《数据之美:一本书学会可视化设计》)   这两本书都很精彩,我个人通读过不止一遍,收获甚多,推荐。     02 Data Viz Blog   https://datavizblog.com/   这是一位可视化专家的博客,全称是Michael Sandberg's Data Visualization Blog,作者Michael Sandberg:     他过去八年来一直在撰写有关数据可视化的博客,   他的博客主要关注几个主题领域: 数据可视化 信息图表 商业情报 数据科学 数据伦理 数据可视化的历史方面(例如,约翰·斯诺的霍乱地图) 用数据叙事 数据准备 与BI和Analytics(分析)专业人士的访谈 与社会问题以及社会公益相关的数据垃圾 地图 摄影 建筑学 ...... 这位作者主要使用tableau进行可视化作品的创作。     03 WTFViz   https://viz.wtf/   WTF Visualizations,顾名思义,这个网站通过展示一些毫无意义的、错误的或糟糕的可视化,讨论其设计与制作过程中的具体问题。 比如他们最近展示的一些 WTF Visualizations:   WTF?!     04 Giorgia Lupi and Stefanie Posavec’s Dear Data   http://www.dear-data.com/all 这个网站有两位作者,Giorgia Lupi 和 Stefanie Posavec,她们两位是手绘数据可视化的代表人物。 Lupi1981年生于意大利。当她还是个小女孩时,她会花费大量的时间来收集各种物品并将它们整理到文件夹中:彩色纸片,小石头,祖母纽扣上的纺织品,销售收据以及更多的东西。 在她的收藏中。她说过,她很高兴根据其宝藏,大小,颜色和尺寸对宝藏进行组织和分类。她说过她从小就对数字,对规则和系统进行分类和分类的兴趣,这说明了她的作品的起源以及对玩数据的渴望。 2011年,Lupi与他人共同创立了研究与设计公司Accurat,该公司将设计与数据结合起来以创建数据可视化,界面和工具。 2014年,Lupi与Stefanie Posavec一起启动了“Dear data”项目。为期一年的每周,Lupi和Posavec通过邮件交换了一个“数据图”,即代表她们日常生活一部分的手绘数据可视化。 在长达一年的合作之前,她们只见过两次面。该项目的前提是直接测试一个人如何通过读取数据来认识某人。 每周都要交换明信片,数据的一面是图纸,另一面是详细的要点或图例。其中一些主题包括:一周的负面思想,一周的工作空间和一周的新事物。 该项目与设计师Nicholas Felton等量化的自我项目具有表面相似性的年度报告量化并代表了生活事件,例如阅读的书籍或参观的地方数量,但更具个人性,分析性更强,用手绘插图代替了计算机生成的图表。 Dear data项目,取得了很好的反响,2015年获得了两项信息之美奖(2015 Information is Beautiful Awards)的金奖,以及其它一些设计类奖项。 她们的部分作品被美国现代艺术博物馆永久收藏,并合作出版了手绘数据可视化的专著: 《Dear data》(中文版书名为《亲爱的数据》) 这个网站有这个项目的所有手绘数据可视化作品展示,比如下面这些:     05 Kaiser Fung’s Junk Charts   https://junkcharts.typepad.com/ 网站作者 Kaiser Fung 在数据科学和高级分析方面提供辅导,咨询和培训服务。 他既是领先的数据可视化博客的作者,也出版了两本统计思维和数据科学领域的畅销书:   他的这个数据可视化博客,内容主要是对垃圾图表的批判及给出优化的建议。 质量非常高的博客。   06 Data Viz tips and resources on how cities work https://city-informatics.com/ 这个博客是澳洲新南威尔士大学的一位在读博士建立的,他试图通过快速发展的数据科学和可视化技术来分享城市规划思维的进展,主题包括交通、计算地理、可达性、绘图、建模和制作。 下面是几幅他的可视化作品:   07 Data Viz examples from The Guardian https://www.theguardian.com/data/series/show-and-tell 来自英国老牌新闻报纸《卫报》的可视化。 卫报是英国的日报。它成立于1821年,当时名为“曼彻斯特卫报”,并于1959年更名。   《卫报》图表几幅:     08 Stephen Few’s blog on data viz   http://www.perceptualedge.com/ 这个博客我吹过无数次了,作者是广受推崇的数据可视化大师Stephen Few。   博客首页3句箴言,都在强调可视化的首要原则——“简洁”: Simplicity, simplicity, simplicity. Henry David Thoreau   Simplicity is the ultimate sophistication. Anonymous   Seek simplicity and distrust it.Alfred North Whitehead   09 Nicholas Feltron’s annual reports   http://feltron.com/ 尼古拉斯·费尔顿(Nicholas Felton)是一位信息图表设计师。 他最著名的设计项目是“量化生活”的Feltron项目——《个人年度报告》,从2005年开始,直到2014年,他记录了他生活中的细节,包括有关他去过的地方,他听过的音乐以及他的日常活动等数据(从他自己的内存,日历,照片等渠道中收集),并将其转换为一系列信息图表。 下面是他最后一份量化生活的个人报告《The Feltron Annual Report 2014》的部分: 令人惊叹。   10 Tumblr inspiration blogs   https://vizualize.tumblr.com/ Tumblr(官方中文名:汤博乐;民间多译作汤不热)是一个轻博客社交网络平台,该平台的可视化专题里也有不少质量高的作品。   上篇完。   编辑于 2021-10-13 16:36 编辑于 2021-10-13 16:47
库存管理中的订货策略:浅谈再订货点(二)
除了服务业之外,大多数企业都需要备有库存。   在这些企业中,良好的库存管理至关重要。   库存管理的目标是提供需要的顾客服务水平,并减少所有相关的总成本。   库存管理需要许多决策,决策不力可能导致很多问题: 1. 由于缺货而导致的销售损失。 2. 视情况而定,一段时间内产量不足。 3. 由于不必要的账面成本或废弃陈旧库存造成的损失。 4. 制成品的单位成本增加。   而库存决策中,有两个基本问题: 什么时候订货? 一次订货量应该是多少?   本公众号将推出一个系列文章,阐述解决以上两个问题的一种重要方法:再订货点法(Reorder Point,ROP)。   本篇是系列文章的第二篇。   在不确定性下的再订货点计算   不确定性是一个很广泛的概念:     一般情况下,不确定性就是指没有确定性。   你无法确定不确定性: You cannot be certain about uncertainty. — Frank Knight 前面文章——库存管理中的订货策略:浅谈再订货点(一)——有提到,当我们面对需求和(或)提前期不确定的情况,再订货点的计算需要纳入安全库存,用来缓冲这个不确定性。   此时安全库存的设定采用比较简易的方式: 一种方法是基于百分比的(比如安全库存是再订购点的15%)。 另一种方法是基于时间的(比如安全库存是5天的耗用量)。 但是面对不确定性,我们需要更严谨的处理方法。   这里结合一个简单案例,分别介绍几种不确定性下的再订货点计算方法。   Reorder Point: Demand Uncertainty(需求不确定)   假设某物料的需求与提前期的情况(历史测量值)如下表:   10天为一个周期,每个周期的需求量是跳动的、不确定的,而物料的提前期是确定的,30天,那么此时的ROP计算采用如下公式:   计算过程如下,计算出的ROP为1194:   Reorder Point: Lead Time Uncertainty(提前期不确定)   需求与提前期的情况(历史测量值)如下表:   需求是恒定的,但是提前期不确定,经常变化,那么此时的ROP计算采用如下公式:   计算过程如下,计算出的ROP为1364:   Reorder Point: demand & Lead Time Uncertainty(需求和提前期均不确定)   需求与提前期的情况(历史测量值)如下表:   计算方法1,The ROP Formula from NCSU(北卡罗莱纳大学),得到的ROP为1162:   计算方法2,The ROP Formula from SKUBANA(一个管理网站),得到的ROP为1283:   小结   本篇介绍了在不确定性下的再订货点的计算方式,分别是需求不确定、提前期不确定以及两者均不确定(两种方法),那么肯定有同学问了,你这公式从哪里来的呢,为什么要这么算呢?   说实话,那你真的问倒我了,我只能对你飙一句英文, “Where the formula came from is not important”,   并推荐你读一下数理统计学的书籍,尝试从中找寻答案,比如下面这本陈希孺老师所写的统计学入门经典《数理统计学简史》:   下篇文章,我将会使用图表来比较这几种方法的可信度,欢迎继续关注。   不足之处还请留言指出,谢谢。 欢迎分享,转载请留言。 编辑于 2021-9-22 17:37
库存管理中的订货策略:浅谈再订货点(一)
除了服务业之外,大多数企业都需要备有库存。   在这些企业中,良好的库存管理至关重要。   库存管理的目标是提供需要的顾客服务水平,并减少所有相关的总成本。   库存管理需要许多决策,决策不力可能导致很多问题: 1. 由于缺货而导致的销售损失。 2. 视情况而定,一段时间内产量不足。 3. 由于不必要的账面成本或废弃陈旧库存造成的损失。 4. 制成品的单位成本增加。   而库存决策中,有两个基本问题: 什么时候订货? 一次订货量应该是多少?   本公众号将推出一个系列文章,阐述解决以上两个问题的一种重要方法:再订货点法(Reorder Point,ROP)。 本篇是系列文章的第一篇。   再订货点的定义 再订货点,是一种面向独立需求的订货系统,它通过触发一个补充特定数量库存动作的库存水平,是公司持有库存的最小数量,当存货跌至该数量时,必须重新订购该商品。   再订货点法是一种典型的反应式补货系统(reactive replenishment system)。   这个库存水平应当足够支撑销售,直到新的库存到达。   最终目标是双重的。将库存维持在一个可以满足需求的水平,而不会超出实际可能的水平。   做出再订购点决策什么时候重新订购材料或零件是一个必须深思熟虑的决定。   如果重新订购的决定做出得太晚,那么可能会出现库存不足和生产延迟等不良后果。   如果过早地决定重新订购,则会产生不必要的持有成本。   关于重新订货的重要问题是:新订单应该在什么样的库存水平下?   显然,如果库存已经达到零,那么就错过了下订单的时间。   要对这个问题作出明确的回答,必须考虑如下因素: 交货时间(提前期,lead time) 日均使用量(Average usage per day) 所需的安全库存量(Desired safety)   简单一点讲,订货点法通过对库存水平的持续监测,当库存水平下降至预设的再订货点,立即触发订货行为。   确立再订货点的基本方法 理想情况下,需求速率和交货时间(提前期,lead time)都是恒定的,比如如下场景:   场景1:作者每天需要吃半斤大米和二两白面(这里假定作者老苏是个强迫症,每天不多不少吃这么些,不考虑饿不饿、饭菜可不可口等因素)。大米和白面购买的周期是1天;   场景2:某叉车公司每天需要3套轮胎用于装配,轮胎从下单到交付需要一周时间。   以上两个场景有一个共同特点,关乎再订货点的两个因素,需求和提前期,都是恒定不变的,是一个常量,那么这种情况下的再订货点就很简单,用如下公式即可:   再订货点 = 需求速率(比如每日用量、每周用量等)* 获得提前期(自制或采购,单位为天或者周,与需求速率的时间周期保持一致)   原文图示:   此时,库存量的变化将会如下图所示:   左边是未考虑在途库存(Goods In Transit,GIT)的情形; 右边是纳入了GIT的考量。   可以看出,此种情况下库存的变化是非常完美的,库存下降到ROP再订货点,发出新的订购订单>>> 库存用完的那一刻,库存补货到达。   如此循环往复,成功实现了库存管理的核心目标: 使库存处于一个避免缺货的水平,并保持合理的库存水平。   大白话就是,刚刚好,不多也不少,不早也不晚。   基本方法的局限性 虽然上面示例的理想化场景看起来很美,但是,使用这些基本方法是有风险的。   因为在现实生活中,一些事件可能会发生并造成缺货,比较常见的原因有:   供应商延迟,比如送货的车堵在路上了,机场(铁路)罢工,疫情等,原因无奇不有 采购/计划员生病 订单延迟排放,排错 额外消耗,比如BOM搞错了,生产过程中报废了一些 不良材料装运,发过来的东西不良 等...   上面这些就会造成预设的提前期失效,导致缺货。   另外,需求的突然激增也会带来风险,比如: 某叉车公司每个工作日生产3台叉车,突然,某一天接到一个大客户的100台订单,要求20个工作日交付,那么现在每个工作日就需要装配5台,需求上升了66.67%。   这也会导致基本方法下的再订货点失效,如果没有临时处理措施应对,就很可能会造成客户订单不能如期交付,或者生产线停工待料,都是很严重的损失。   需求或交货时间的不确定性造成了需求大于可用供应的可能性,为了减少缺货的可能性,有必要储备安全库存。   安全库存就是为了防范需求和/或交货期的变化,持有的超过预期需求的库存。   安全库存是一个缓冲器,用于缓冲需求或交货期的不确定性变化。   在这种情况下,再订货点的计算公式就演变为: 再订货点 = 需求速率 * 提前期 + 安全库存 或者, 再订货点= 提前期正常消耗量 + 安全库存   原文图示:   对比起基础方法,这里加入了一个安全库存,来防范需求和/或交货期变化带来的风险,图示如下:   在此种方法下,库存将会有如下几种走势:   此种方法,关键是如何确定安全库存的大小。   在整个库存管理的框架下,安全库存不是一个简单的概念,同时有很复杂的计算方法,这里讨论的安全库存,仅局限于再订货点法框架。   在再订货点框架下,比较常规简易的安全库存标准有两种: 一种方法是基于百分比的(比如安全库存是再订购点的15%)。 另一种方法是基于时间的(比如安全库存是5天的耗用量)。   读者可以结合自己公司实际,选择更可靠的方法。   小结 再订货点,是一个很古老也很有用的库存管理方法,是解决库存决策中两个基本问题(什么时候买和买多少)的其中一个问题(什么时候买)的一种重要方法。   本公众号将会在后续推出更多文章,探讨不确定性下的再订货点设置、自动化再订货、订购批量(买多少)、安全库存、最大最小库存、MRP等一系列相关内容,欢迎关注。   不足之处还请留言指出,谢谢。 欢迎分享,转载请留言。
什么价格能获得最大的利润
本篇相关的两篇文章——如何借助Excel图表进行预测,3种拟合曲线方程的比较——中,谈的是如下问题:   某公司销售的高尔夫球杆,在过去的12个月里,价格一直在变化,每个价格水平上的销量都被观察到了,如下数据表: (举例,12月价格为390美元时,售出6800套球杆。) 现在公司想要估计需求和价格之间的关系,然后使用这个估计的关系来回答以下问题: 如果定价调整为400美金一套,那么预测销量将会是多少?   借助散点图的趋势线工具,进行一元线性预测,并通过方法比较了3种趋势线拟合方程的误差大小,最后采信误差最小的乘幂拟合曲线方程所计算出的结果,也就是预计在400美金价格下,预计销售量将是6360套。   在前面一篇中我提出了一个新问题: 如果一套高尔夫球杆的成本是250美金,而售价必须是10的倍数,结合前面的一元线性预测的结果,那么,以什么价格销售可以获得最大的利润?   现在我开始演示如何通过Excel解答此问题:   建立利润模型 基于乘幂拟合曲线方程的预测结果     显然,在单位成本固定的情况下,销售价格和单位利润呈现线性正相关,销售价格越高,单位利润越高。 但是,从过往12个月的价格和真实销量的数据来看,销售价格的升高也会带来销量的减少,所以,提高销售价格,会导致销量减少,进而可能导致利润总额的降低。   为了解决此问题,我们开始进行第二步。   最大化利润的定价决策 在利润模型里计算实现最大化利润的最优价格   销售价格升高,单位利润升高,利润总额相应增长; 销售价格升高,销售数量下降,总营收下降。 所以,就是一个矛盾,我们需要找到一个最佳的销售价格,此时利润总额最高。   如何实现呢?下面演示计算过程。   观察下260-680美金价格(前面提到过,价格必须是10的倍数)下的利润总额的变化情况,这里使用Excel的模拟运算表工具,这个工具在哪里呢,请看下面截图: 点这个“模拟分析”的下拉箭头,会出现3个选项,点击最下方那个“模拟运算表”   模拟运算表的具体操作步骤我这里就不演示了,感兴趣的同学请自行搜索一哈。   通过模拟运算表的运算,价格260—680、每10美元一间隔的共43个价格下的利润总额是这样的: 就是如此顺滑!结果出来了,在$530美金价格下的利润总额最大,为$10409.1美金。   结果验证 验证$530的结果是否最优价格   为了验证530这个价格是否我们寻找的这种条件下的、可以实现利润最大化的最优价格,我们计算出260-680价格区间内的预测销量、营收、成本等数据,如下数据表:   显然,模拟运算表和通过公式计算出来的结果是一致的。   现在再通过几个图表来观察下。 销售单价 Vs. 利润总额。 可以看出,销售单价从$260到530的区间,提升销售单价,都会使利润总额提升;而530往上,价格提升会导致利润总额下滑。   销售单价 Vs. 利润总额&预测销量(次轴)。 显然,随着销售单价的上升,预测销量都是下滑趋势。   销售单价 Vs. 利润总额&总营收及成本(次轴)。 价格260往上,营收和成本都是下降的,但在530及以下价格,利润是随着销售单价上涨而上升的。   好,以上就是本篇的内容,介绍在成本固定的情况下,如何通过数据工具来进行定价决策,实现业务利润的最大化。   当然,这个模拟是一种比较理论化的,实际情况下,影响业绩关键指标的不会只有一元变量,而是超级多个,有些变量甚至你都想不出来,但是先从简单环境下了解概念及解决思路,有助于我们处理真实环境中纷繁复杂的状况。  
十大数据可视化最佳实践
数据可视化可以定义为通过各种图形、图表和地图对数字数据的可视化表示。   它在解释大量数据时非常重要,但也必须遵循某些数据可视化最佳实践。   通过不同的图形化方法可视化您的数据将使您成为一个有效的沟通者。 从市场营销到金融,数据可视化是许多行业管理数据的有效方式。   遵循特定的指导方针可以更好地表示您的数据,并有效地传达您试图传达的信息。   下面是10个数据可视化最佳实践,可以帮助您有效地可视化数据,并以容易理解和美观的方式呈现数据。     为什么要遵循数据可视化最佳实践 在我们开始之前,有一点很重要,那就是理解为什么下面这10个数据可视化最佳实践如此重要。   正如我们提到的,数据可视化就是通过将数据、数字和统计数据格式化为视觉上易于理解的图形,从而使它们易于理解。   但是为了确保你的数据像你想要的那样容易理解,你需要遵循一些指导方针。   我们列出了10大数据可视化最佳实践,这样您就可以开始创建视觉上吸引人且易于理解的图表:   确定你的目标受众。 确保数据是干净的。 选择正确的图表。 有效地标记图表。 强调重点。 选择最好的仪表盘。 确保图表的易读性。 利用颜色。 确保数据可以任何格式读取。 接受反馈。 1. 确定目标受众 有效的数据可视化和沟通的第一步是确定您要为谁可视化数据,也就是目标受众。 这可以帮助您根据特定的受众调整使用的技术和方法。   你的潜在目标用户可以是市场营销人员、企业高管、社交媒体经理、企业家、教育者、学生和非设计师等。   你可以创建一个视觉效果来帮助识别和代表你的目标受众,这样每个人都在同一页面上。 你可视化数据的方式需要对目标受众清晰易懂,使他们能够有效地处理信息。   当图像的解释与图表设计者的目的有很大差异时,问题就会出现,创建一个信息不明的可视化会让一切都变得混乱。   在设计过程中,识别目标受众并尽早传达可视化的主要概念是至关重要的。这个意图应该告知视觉的平面设计。   尽管那些与过程相关的人可以很容易地认出可视化中提到的统计数据,但那些对信息不熟悉的人可能会发现,如果不进行简洁清晰的可视化,从数据中识别事实是很有挑战性的。 2. 确保数据是干净的 在将原始数据转换为图形格式之前,必须确保已正确清理使用的数据集。 数据清理是过滤掉数据集中出现的任何异常或不准确信息的过程。   在您将数据用于其他目的之前,这个过程是必不可少的,因为这些不准确的存在也可能会扭曲数据解释的结果。     一般受众可能是最具挑战性的受众,因为您需要创建一个简单的、可能是试探性的图表,仅显示分析的基本方面。 3. 选择正确的图表   一旦您的数据是干净的,您可以选择特定类型的图形或图表,以最有效地可视化您的数据,并有效地传递数据集中的基本信息。   有很多不同类型的信息可以用不同的图表来表示,你可以从以下几点来判断: ——表可以以一种有组织的方式显示大量信息,但是它们会使搜索高级模式的用户感到困惑。 ——线形图度量随时间的变化或模式,并显示两个或多个变量之间的交互。 ——面积图类似于折线图,除了它们遮蔽了折线下面的区域。 ——柱状图用于评估不同群体的不同数量和总数。 ——散点图显示沿两个轴绘制的两个因素的相关性,其中对应点的模式表明它们之间的关联。 ——饼图和甜甜圈图,本质上是一个中间有一个洞的饼图,评估一组数据的不同部分。 ——热图以图形方式显示数据,其中矩阵中的个别值被解释为颜色。 ...   4. 有效标记你的图表 图形和图表可以让我们快速识别数据中的模式。然而,对于可能具有重要意义的特定值,标签是可视化地表示该数据的最佳方式。   无论是描述一个实验设置,介绍一个新的模型,还是提出新的结果,你不能仅仅用图形本身来解释一切。   这就是为什么你的图表总是要配上标题的原因。说明可以解释如何阅读数字,并为那些不能用图形表示的信息提供额外的精度。   例如,如果你有一个条形图,不要要求读者仅仅通过看和比较图形上的相对高度来推断各种条形图的重要性。   如果数值很大,则必须在文章中的某个位置给出数值,或者将其非常简单地写在图中,如上图所示。   以相同的方式,在模型中存在重要点的地方(关键域,唯一点等),请确保其在视觉上是明显的,但不要在标题中再次指出。 5. 强调重点   在数据可视化中,观众必须通过查看图表来跟踪您要传达的故事。这就是为什么必须通过特定的视觉提示(例如参考线或突出的趋势)来引导读者的注意力的原因。   人类可以从视觉上吸收更多的信息。我们的目光被吸引到的符号使我们一眼就能看到宝贵的细节。   例如,请参阅我们如何添加额外的信息,以进一步展示下面的折线图中的主要增长。     我们通常从图表中检索模式,因为如果模式是混乱的或没有意义的,它太复杂了,无法理解图像所传达的内容。   要利用这些人类行为,请确保显示数据的顺序或风格对观众有意义。您使用的数据可以是数字、字母或顺序。   例如,如果您试图用一种从左到右读取的语言来表达信息,请确保您的数据可视化也这样做。   当您在一个信息图中有多个图时,请确保顺序是正确的,并且数据之间的关系是透明的。这确保了观众在从一张图表转到另一张图表时不会感到困惑。   6. 选择最佳的仪表盘   为了使您的数据可视化最有效,您需要识别您要向受众提供的仪表板类型。您可以向用户提供三个指示板示例。   战略型 这些仪表板是为CXO级别的高管和部门主管设计的,提供关于KPI指标的组织成功的全面分析。 这些指示板旨在解决任何高管都想知道的常见问题,例如,在销售管道中业务有多少MQLs(Marketing Qualified Leads)?他们上个月赚了多少钱?   该类型仪表板的主要目标是直接提供信息。   分析型 这些仪表盘具有很强的互动性。 它们为开发人员和技术/分析团队的成员提供了一种研究和试验数据的方法,以解决涉众关注的问题。   操作型 这些仪表板设置为经常更新的信息,这些信息满足日常操作的特定标准,并包含非高级视图的信息。 更重要的是显示高层管理人员看不到的信息。   7. 确保图表的可读性   确保图表设计方面(例如轴线或网格线)的一致性和清晰度也可以提高可视化数据的整体可读性。   您选择的文本是另一个重要的意义。尽管过度使用文本可能会带来干扰,但仅关注视觉效果是不够的。   使用文本时,请确保它指出了相关信息。尽管我们很难解释文本上的图案和符号,但在适当的地方添加文本会带来巨大的不同。   要记住的另一个关键方面是最大程度地减少可视化中的混乱和噪音。   由于数据可视化全都与有效的沟通有关,因此至关重要的是确保图表中没有不必要的信息,这些信息会引起人们对关键细节的关注。   8. 利用色彩   颜色可以成为数据可视化中的有用工具,因为您可以通过使用不同的颜色组合有效地传达有关数据的重要信息。   例如,类别数据最好用每种类别的不同颜色表示,而顺序数据可以通过单一颜色的不同阴影进行排序。   以下信息提供了在数据可视化过程中使用颜色时要考虑的一些关键注意事项: ——如果对渐变颜色有更好的解决方案,请考虑在对最高有效值进行编码时。 ——如果在地图中使用了七种以上的颜色,请考虑使用其他地图或将类别分组在一起。 ——对于相同的变量,请考虑使用相同的颜色。 ——请务必弄清楚颜色代表读者的是什么。 ——考虑一下不同的颜色是否会相互冲突或互补。 ——利用直观的色彩。 ——在浅色中采用较低的值,在深色中采用较高的值。 ——反之亦然,请不要使用渐变调色板。 ——作为色相的替代,请使用亮度创建渐变。 ——对于渐变,请尝试使用两种色调,而不仅仅是一种。 ——尝试使用发散的色相渐变。 ——考虑到色盲人的需求。   9. 确保数据可以任何格式读取   数据可视化所使用的技术也应该被考虑在内。   你所设计的图表应该在pc和移动设备上都能被理解,因为由于与现有技术不兼容而无法读取数据,这破坏了数据可视化的整个目的。   10. 接受反馈   数据可视化就是将复杂数据转换为数据的简化可视化表示,从而提供上下文并讲述故事。   确保你能有效地通过这种媒介进行交流的最好方法是向受众提供足够的信息,并保持你的方法简单易懂。   与同事和朋友分享你的想象是一个很好的主意,可以找到他们的意见,并根据他们的建议优化你的想象。     牢记这些数据可视化最佳实践   处理、分析和有效可视化大型数据集已经成为业务决策和决定所有专业活动和操作的关键因素。   从市场营销到销售和业务发展,数据可视化提供信息,描述和说服力!    
个人成就
内容被浏览30,686
加入社区2年203天
返回顶部