写在前面
表格作为数据的载体，大家肯定都不陌生，每天都或多或少的在跟它打交道，往往我们既是报表的生产者，也是报表的使用者。每个报表都有其特定目的，比如指标计划表、货量去化表、滞重库存表、回款分析表、业绩排名表、费用铺排表……但就是这样一个我们天天在做、在看、在用的东西，我们就确定自己很熟悉它吗？在和一些朋友交流时，得到的反馈并非尽如人意。
地产营销的小伙伴们，不知在工作中是否碰到过以下情况：
有没有接到一个紧急会议需要的数据处理工作后，面对几十个项目的海量数据一筹莫展、手忙脚乱？
有没有将大量数据一顿操作猛如虎后，面对众多错误值手足无措、抓狂不已？
有没有在和同事沟通或向领导汇报表达自己的观点时，觉得说服力不足，无法服人？
有没有生产出来的表格每个数字都认识，但是别人像看天书不知道你想表达什么？
……
以上是我曾经走过的诸多“坑”的一部分，作为一个资深“坑”货，今天就来侃侃这个我们既“熟悉”又“陌生”的话题：地产营销人如何高效做表。
本文重点谈自己的个人体会，不求高大细全，但求抛砖引玉，能对地产营销的小伙伴有一丢丢帮助。
做报表若烹小鲜
经常听人说别说做表了，看到数据就头大，做表太枯燥了，没意思。其实不然，过去几年“表哥”的工作经历，让我渐渐领悟到了一点：处理数据做报表就和烹小鲜一个道理。
为什么这么说？
做过菜的小伙伴应该都知道做菜的程序，无非就是买菜—择/洗菜—烹饪—装盘点缀，而做数据分析的过程和炒菜有异曲同工之妙。
首先，要搞到数据源（买菜）；
其次，对数据源进行规范化处理（比如剔除不规则数据、异常值等，就相当于是择菜和洗菜，有个词叫数据清洗，颇有洗菜的意思）；
然后，就要动用各类公式、函数等工具对清洗好的数据进行加工（犹如厨师用工具进行刀切斧剁，八仙过海各显神通），一顿操作猛如虎之后，基本就加工到可以使用（食用）的程度了；
最终，往往还会进行最后一步——数据可视化（就好比把菜炒好后，进行装盘点缀，色香味俱全，让人看一眼就有食欲）——以便使用表的人可以赏心悦目地吸收报表传递的信息。
下面就按“烹小鲜”的顺序来对地产营销人如何高效做表进行阐述。
买菜—数据源获取
在地产营销领域，进行报表制作的数据源获取往往是有两个途径：一是人工收集（线下）；一是系统数据（线上）。
（一）人工收集
人工收集数据往往在项目前期比较常见，比如市场调研问卷、客户意向房源及价格摸排、到访客户信息、意向客户落位摸排等。
人工收集数据需要注意三点：
（1）标准化模板必须推敲好内容和形式再使用，后期更换模板会导致数据断层，增加数据处理难度；
（2）标准化模板尽量以菜单选择为主，尽量减少主观问题，而且要考虑到后期统计分析的需求和方便程度；
（3）数据收集尽量要专人负责，减少因不同的人的工作习惯导致的数据统计偏差。
（二）系统数据
随着项目工作的推进，项目数据在公司系统内会逐渐沉淀和完善，后续很多数据处理和分析工作就可以用系统数据作为数据源了。
对于系统数据这一数据源，数据的录入是影响数据源质量好坏的关键，所以务必做好两点：
（1）系统各模块功能使用方法的赋能培训；
（2）数据录入的准确和及时性考核，要有相关的配套制度建设并坚定执行。
需要说明的是，虽然公司有各种系统提供数据辅助决策，但导出来的数据往往不是定制化的，满足不了领导的特殊需求，还需进行后续加工处理。如果某类表格使用频率比较高，但系统无法提供成品，可以由总部和负责系统的运维人员进行协调沟通，将这类表格从系统后台进行结构设定，使其成为可导出的结构化表格，这样的话，数据源即成品，大大减少不必要的数据处理时间。
择/洗菜—数据清洗
不论是人工收集的数据还是系统数据，即使在数据源阶段按上个阶段的要求去做了，也无法保证数据毫无瑕疵，不能拿来即用。为了保证后续数据处理的顺畅和表格成品的质量，必须对数据源提供的数据进行“清洗”，值得说的一点是，虽然这个环节很繁琐，但再怎么重视数据清理都不过分，这步做不好，后面几步都是摆设。
什么是数据清洗？
“数据清洗是重新检查和验证数据的过程，旨在删除重复信息，纠正现有错误并提供数据一致性。”百度百科
在数据清洗时，经常碰到的“拦路虎”有：
（1）数据格式不规范（比如日期格式使用不规范，.8.18）；
（2）字段不一致（比如项目名不统一，“济南名都”，“济南恒大名都”，“恒大名都”）；
（3）异常值（比如价格出现负值或单价明显偏离均值）；
（4）单位不一致（比如回款金额单位到底是“元”，“万元”还是“亿元”）；
（5）空格（比如“张三”和“张三”代表的数据是不同的）；
（6）缺失值和空值（数据缺失，暂未获得的情况）；
（7）数据未分割（比如“张三济南恒大名都6-1-”杂糅了业主姓名、项目名称、房号三方面信息）；
常用数据清洗方法的有：
（1）函数法（find，left，right，mid，len，trim等字符处理函数）；
（2）查找替换法；
（3）分列；
（4）数据透视表；
（5）删重；
（6）均值法、回归法（主要针对处理空值和缺失值）
（7）Python数据清洗
烹饪—数据加工
经过了前两步，手里便有了高质量的数据原料，下面就可以根据业务需求进入数据加工阶段。
首先，进行数据加工必须得弄清楚业务需求逻辑。这是前提，明白知道自己的终点是哪里，然后再根据要去的目的地，来规划达成路径和方式；
其次，要选择合适的工具和方法进行操作。在这一点上，我想说的是，“条条大道通罗马”，“没有最优，只有更优”。同样一个任务，你可以用函数达成，也可以用数据透视表做，再高级点儿，还可以用VBA或Python实现。这就好比，你骑着自行车，开着汽车，坐高铁都能达到目的地，区别是效率高低。
但就数据加工的工具选择上，我觉得没有必要迷信自动化实现功能或一键出数功能（比如现在被炒的很火的Python课程），之前在这上面也花了很多功夫，报了班，买了书，学习了之后发现，其实将Excel常用操作模块（数据透视表、数据有效性、分类汇总等）和50多个函数、公式掌握了，就能处理地产营销岗90%+的数据工作需求了，而VBA和Python的使用场景并不是太多，主要在多表合并、数据信息查找匹配、数据清理等方面相对有优势，而用在其他方面就有点杀鸡用牛刀的感觉了（可能有更好的使用领域，以上纯属个人体会，勿喷，哈哈）。
最后，要对加工后的数据进行相关检查。看是否符合业务逻辑，是否符合经验值，有无异常情况。
数据加工使用频率比较高的Excel函数主要有：
日期函数:year，month，day，date，today，eomonth，weekday，weeknum
文本函数:left，right，mid，len，text，find，trim
数学函数:sum，sumif，sumifs，rand，randbetween，round/rounddown/roundup，abs
统计函数:counta/countif/countifs，average/averageif/averageifs，large，small，max，min，median，mode，rank
逻辑函数:if，iferror，and，or，true，false
查找引用函数：index，match，lookup，vlookup，hlookup，row，column，choose，indirect，offset
装盘点缀—数据可视化
数据加工完后其实可以拿来进行使用了，但人是视觉动物，同样的信息以数字和图形来呈现，图形更容易被理解和吸收，数据可视化的意义正是在于将加工好的信息更高效直观地传递给使用数据的人，以便其能最高效地理解数据的含义。
数据可视化的元素有很多，结构简单的数据可以使用柱状图、点状图、折线图、饼状图这类最基本的图表来呈现，对于结构复杂的数据，Excel还能呈现漏斗图、瀑布图、旭日图、曲面图、雷达图、树状图等；有些软件还能提供更酷炫的图表类型，比如仪表盘、玫瑰图等
图表类型那么多，该如何选择呢？这个要根据展示的数据关系结构、数据类型来选择合适的呈现方式。
数据通常包含五种相关关系：构成、比较、趋势、分布及联系。
构成主要
