什么是数据分析？
先来看一个段子：有次聚会当大家谈到手机充电时，一个哥们说自己买了很多条iPhone数据线，家里每个房间插一条，这样自己可以很方便地随时充电……….。在场的MM们大多都没有特别在意他这种充电心得，只是笑笑就过去了。只有一位细心的MM悄悄问他一共买了多少条，他说42条。现在这位MM和这哥们在北京一套总共有42个房间的豪宅里愉快地生活，正准备下个月结婚。
【这就是数据分析】
数据分析主要实现方法是统计分析方面的知识 ，常用汇总、对比、分组、交叉等方式，得到的值包括汇总值、差值、平均值等的。
供水企业在生产、经营、管理和服务过程中，会产生很多数据，所以数据分析的对象和应用是相对广泛的。
例1：天气数据的统计和分析
天气数据有什么用？供水同行都知道，天气因素将直接影响供（用）水量需求，在每年用水高峰期这种关联关系更为明显，在高温天气临界区，平均气温每上升1度，炎热就会让用水量大幅增长。
对天气情况分析常见的是气温变化和晴雨天数两种。由于供水企业不是专业的气象部门，所以通常对过去的数据进行比较分析为主，对未来短期预测分析为辅（数据来源也只是靠天气预报）。
当某一时段供（用）水量变化异常时，就要考虑天气情况是否也是异常的，需要对此进行两者之间的关联性，例如将日供水量、日平气温数据制成曲线，看看两者的趋势是否基本一致。
对于晴雨天数，常见用法的是将某一阶段数据与历史同期进行对比，对比的结果差异越大，说明因果关系越强。除此之外，利用晴雨天数也可以对未来作一些预测，因为某个地区一年的晴雨天数大致是接近的，如果晴天或雨天在前期多了，那是不是意味着后期就会减少呢？
最后一点我们必须要考虑，除了天气因素还有很多因素会影响供（用）水量变化，例如经济景气程度、供水区域变化、用户数量增减等等，但天气因素的特点是对供水量的影响几乎是全面性的，气温上升或晴天增多将会让各行各业的用水量都增加，反之气温下降或雨天增多，几乎所有用水需求都会下降。而经济景气程度也不至于会造成全面影响，其主要影响工业、商业、特种用水以及外来人口集中区的居民用水等，对于大部分刚需用水的影响不大，例如常住的居民用水、行政、绿化、学校的用水等等。所以说要对某一时段供（用）水量做分析和预判，为什么首先要对天气数据进行分析，因为这个比其他因素的影响要全面得多。
例2用户用水量进行排序
例如，每个月抄完水表等售水数据出来后，你按水表口径分类，将所有居民用水的水量用降序进行排序，你会得到一份不同口径居民用户用水量的排名，然后再重点关注排在前面那些用水量超多的用户，例如某个居民用户仅仅是DN15水表，某个月却抄回来1000多吨水，你会想到什么？
A、一个月用这么多，不会是水表故障吧？
B、是不是抄表员抄错表才搞回来1000多吨？
C、是不是抄表员以前没真正抄过水表，这次一下子把以前欠抄的都抄了回来？
D、是不是用户档案搞错了，实际根本不是DN15水表，而是个DN50大户吧？
E、是不是用户家里没有人住又漏水了，一天24小时不停的漏才有这么大的量啊？
F、是不是用户把水管拉到了其他地方用，搞起了转供、转售水行当？
G、是不是用户家里搞什么小作坊，例如食品加工之类的，才能耗掉这些水？
同样的如果做一个反向排序，让用水量少的排在前面，再剔除零用水量的用户（或者顺便做一个无用水的占比分析，看看是否合理），那么关注点就落在了这些用水极少的用户身上，尤其是那些水表口径大但用水量又特别少的，是不是又会让你有很多想法，包括水表是不是有故障、用户有没有盗水，抄表员没有抄错表吧、甚至内部人员会不会徇私舞弊等等。
排序筛选是常用的数据分析方法，除了用水量，还可以针对更多，例如把欠费的清单排一下，看看谁欠的费用多，次数多；把水表使用年限进行排序，看看历史最悠久的在用水表是哪一个？
营销需要采用数据分析方式来找异常情况，而一旦面对这些异常数据，通常都会产生很多想法，然后顺着这些可能发生的情况再去一一求证，肯定会找到数据背后的真相，如果又能长期坚持这种做法，相信一定能取得令人满意的管理成效。
数据分析的价值可能就在于此。
