• 大型管理模型分析之阿米巴经营

    将整个公司分割成许多个被称为阿米巴的小型组织,每个小型组织都作为一个独立的利润中心,按照小企业、小商店的方式进行独立经营。这种分割整体逐步细化的思想也适用于数据分析
  • 大型管理模型分析之RCV模型

    RCV模型以资源(R)、能力(C)、价值(V)3个方面建立的价值链分析体系。例如要了解某大型制造企业,从供应商采购到物流中心到干线运输以及门店的一系列情况,我们可以通过分析人员

  • 什么是大型管理模型分析

    所谓大型管理模型分析,是指依据各种成熟的、经过实践论证的大型管理模型对问题进行分析的方法。这些管理模型有的是由高校研究机构建立的,也有一部分是由大企业或者管理咨询
  • 常规比较分析之象限分析

    所谓象限分析是时间管理理论的一个重要观念是重点地把主要的精力和时间集中地放在处理那些重要但不紧急的工作上,这样可以做到未雨绸缪,防患于未然。在人们的日常工作中,很多时
  • 常规比较分析之分组分析

    指将客体(问卷、特征、现实)按研究要求进行分类编组,使得同组客体之间的差别小于各种客体之间的差别,进而进行分析研究的方法。其特点在于不依赖于原始资料分布的正常性假设,可以
  • 常规比较分析之相关性分析

    指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。例如某年对国内各城
  • 常规比较分析之多指标分析

    为统计方法的一种,包含了许多的方法,最基本的为单指标,再延伸出来的多指标分析。统计资料中有多个指标同时存在时的统计分析,是统计学的重要分支,是单指标统计的发展。 例如某公
  • 常规比较分析之同类比较分析

    在同类事物之间通过比较分析揭示其相异点而产生新认识的方法。在实际研究中人们经常会遇到一些表面上相同但实际上并不同的现象,如果对这些现象不仔细地进行比较研究,就有可能
  • 常规比较分析之构成分析

    在统计分组的基础上计算结构指标,来反映被研究总体构成情况的方法。应用构成分析法,可从不同角度研究投资构成及其变动趋势,观察投资构成与产业结构、社会需要构成的适应关系,可
  • 常规比较分析之时间趋势分析

    所谓常规比较分析,是指一般比较常见的对比分析方法,例如有时间趋势分析、构成分析、同类比较分析、多指标分析、相关性分析、分组分析、象限分析等。1.时间趋势分析所谓时间趋
  • 钻取分析之按品类树钻取

    所谓品类树就是指依据产品的特点,划分为的大、中、小分类结构。品类树是品类差异化的基础,必须结合经营管理的实际情况进行落地。例如要了解与物料大中小类相关的业务情况,可以
  • 钻取分析之按组织树钻取

    组织树可以按职能结构、层次结构、部门结构、职权结构来建立。要了解与职权相联系的业务情况,了解了职权的组织树就可以进行钻取分析,要了解部门销售业绩情况,可以按部门钻取分
  • 什么是钻取分析

    所谓钻取分析,是指改变维的层次,变换分析的粒度。按照方向方式分为:向上和向下钻取。向上钻取是在某一维上将低层次的细节数据概括到高层次的汇总数据,或者减少维数;是自动生成汇
  • 分解主题分析方法之灵活主题分析

    包括价格分析、灵活区域分析、贡献度分析、供应商管理分析、采购价格分析、采购返利分析、采购对标分析、仓储数量流分析、存货分析、货损/质量分析、采购预测分析、产能分
  • 分解主题分析方法之财务主题

    针对财务业务的分析,可以分解为成本费用分析、利润、历史对比、财务法定报告及分析、资本性支出分析、财务预算分析、营销投入产出效率分析、会计核算分析、企业合并分析、偿
  • 分解主题分析方法之营销主题

    所谓分解主题分析,是指对于不同分析要求,我们可以初步分为营销主题、财务主题、灵活主题等,然后将这些大的主题逐步拆解为不同小的方面来进行分析。1.营销主题针对销售业务的分
  • 六大类分析方法

    要使各种结构化的、非结构化的、海量的数据实现标准化、信息化,能够提供业务绩效评估、业务决策支持等要求,我们首先需要进行数据分析。针对不同数据分析对象所采用的6大类分
  • 矩阵转置和重构

    矩阵转置和重构In:#NumPy数组的属性T可用于获取矩阵的转置print('转置前:\n',data12)print('转置后:\n',data12.T)Out:转置前: [[1 2] [3 4] [5 6]]转置后: [[1
  • 矩阵切片和聚合

    矩阵切片和聚合In:#可以在不同维度上使用索引操作来对数据进行切片data12 = np.array([[1,2],[3,4],[5,6]])print(data12)print(data12[0,1]) #1行2列数据print(data12[1:3]
  • 如何进行矩阵运算

    矩阵运算In:#相同大小矩阵的加减乘除data5 = np.array([[1,2],[3,4]])data6 = np.ones((2,2))jia1 = data5 + data6cheng1 = data5 * data6print(jia1,'\n',cheng1)
    页次:14/33 每页20 总数653    首页  上一页  下一页  尾页    转到: