数据梳理主要是指对数据的结构、内容和关系进行分析
大多数公司都存在数据问题。主要表现在数据难于管理，对于数据对象、关系、流程等难于控制。其次是数据的不一致性，数据异常、丢失、重复等，以及存在不符合业务规则的数据、孤立的数据等。
1 数据结构分析
1元数据检验
元数据用于描述表格或者表格栏中的数据。数据梳理方法是对数据进行扫描并推断出相同的信息类型。 2 模式匹配
一般情况下，模式匹配可确定字段中的数据值是否有预期的格式。
3基本统计
元数据分析、模式分析和基本统计是数据结构分析的主要方法，用来指示数据文件中潜在的结构问题。
2 数据分析
数据分析用于指示业务规则和数据的完整性。在分析了整个的数据表或数据栏之后，需要仔细地查看每个单独的数据元素。结构分析可以在公司数据中进行大范围扫描，并指出需要进一步研究的问题区域；数据分析可以更深入地确定哪些数据不精确、不完整和不清楚。 1标准化分析
2 频率分布和外延分析
频率分布技术可以减少数据分析的工作量。这项技巧重点关注所要进一步调查的数据，辨别出不正确的数据值，还可以通过钻取技术做出更深层次的判断。
外延分析也可以帮助你查明问题数据。频率统计方法根据数据表现形式寻找数据的关联关系，而外延分析则是为检查出那些明显的不同于其它数据值的少量数据。外延分析可指示出一组数据的最高和最低的值。这一方法对于数值和字符数据都是非常实用的。
3业务规则的确认
3 数据关联分析
专业的流程模板和海量共享的流程图：[1]
- 价值链图（EVC ）
- 常规流程图(Flowchart)
- 事件过程链图(EPC)
- 标准建模语言(UML )
- BPMN 2.0图
数据挖掘
数据挖掘又称数据库中的知识发现，是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程
利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web 页挖掘等， 它们分别从不同的角度对数据进行挖掘。
① 分类。分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为
不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。
它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。 ② 回归分析。回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。
它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。
③ 聚类。聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。
它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。 ④ 关联规则。关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。
在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。
⑤ 特征。特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。
⑥ 变化和偏差分析。偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。
⑦ Web 页挖掘。随着Internet 的迅速发展及Web 的全球普及， 使得Web 上的信息量无比丰富，通过对Web 的挖掘，可以利用Web 的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机
数据梳理主要是指对数据的结构、内容和关系进行分析
大多数公司都存在数据问题。主要表现在数据难于管理，对于数据对象、关系、流程等难于控制。其次是数据的不一致性，数据异常、丢失、重复等，以及存在不符合业务规则的数据、孤立的数据等。
1 数据结构分析
1元数据检验
元数据用于描述表格或者表格栏中的数据。数据梳理方法是对数据进行扫描并推断出相同的信息类型。 2 模式匹配
一般情况下，模式匹配可确定字段中的数据值是否有预期的格式。
3基本统计
元数据分析、模式分析和基本统计是数据结构分析的主要方法，用来指示数据文件中潜在的结构问题。
2 数据分析
数据分析用于指示业务规则和数据的完整性。在分析了整个的数据表或数据栏之后，需要仔细地查看每个单独的数据元素。结构分析可以在公司数据中进行大范围扫描，并指出需要进一步研究的问题区域；数据分析可以更深入地确定哪些数据不精确、不完整和不清楚。 1标准化分析
2 频率分布和外延分析
频率分布技术可以减少数据分析的工作量。这项技巧重点关注所要进一步调查的数据，辨别出不正确的数据值，还可以通过钻取技术做出更深层次的判断。
外延分析也可以帮助你查明问题数据。频率统计方法根据数据表现形式寻找数据的关联关系，而外延分析则是为检查出那些明显的不同于其它数据值的少量数据。外延分析可指示出一组数据的最高和最低的值。这一方法对于数值和字符数据都是非常实用的。
3业务规则的确认
3 数据关联分析
专业的流程模板和海量共享的流程图：[1]
- 价值链图（EVC ）
- 常规流程图(Flowchart)
- 事件过程链图(EPC)
- 标准建模语言(UML )
- BPMN 2.0图
数据挖掘
数据挖掘又称数据库中的知识发现，是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程
利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web 页挖掘等， 它们分别从不同的角度对数据进行挖掘。
① 分类。分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为
不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。
它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。 ② 回归分析。回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。
它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。
③ 聚类。聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。
它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。 ④ 关联规则。关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。
在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。
⑤ 特征。特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。
⑥ 变化和偏差分析。偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。
⑦ Web 页挖掘。随着Internet 的迅速发展及Web 的全球普及， 使得Web 上的信息量无比丰富，通过对Web 的挖掘，可以利用Web 的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机