3、销售数据体系认知：常用数据源（ERP、CRM、SCADA等）、数据字段、数据粒度与数据质量要求

油气田销售数据的复盘分析，首要任务不是急着做图表或算指标，而是先搞清楚“数据从哪里来、每个字段代表什么、数据细到什么程度、数据是否可信”。如果数据源混乱、字段口径不一、粒度错位、质量存疑，后续所有转化瓶颈的诊断都会失去根基。本章将系统梳理油气田销售场景下的核心数据源、关键字段、数据粒度选择逻辑以及数据质量管控要求，帮助学员建立一套可落地的销售数据认知框架。

3.1 核心数据源：ERP、CRM、SCADA 的分工与协同

油气田销售业务涉及“产、运、储、销、结”多个环节，单一系统无法覆盖全链路。实际工作中，最常用的三大数据源分别是 ERP（企业资源计划系统）、CRM（客户关系管理系统）和 SCADA（数据采集与监控系统），此外还有 LIMS（实验室信息管理系统）作为辅助。理解它们的分工，是数据复盘的第一步。

3.1.1 核心原理：三大系统的数据边界

• ERP系统：承载销售合同、订单、发货、结算、开票、回款等交易与财务数据。它是销售结果的“官方账本”，回答“卖了什么、卖了多少钱、钱回来没有”。
• CRM系统：承载客户档案、商机阶段、跟进记录、客户分类、满意度反馈等过程数据。它回答“客户从哪里来、为什么买、为什么流失”。
• SCADA系统：承载油井/气井产量、管线压力、储罐液位、外输流量、交接计量等实时生产数据。它回答“有没有货可卖、实际交了多少货”。

3.1.2 判断方法：如何识别数据源是否完整

1. 列出销售全流程节点：客户开发→商机确认→合同签订→订单下达→生产/库存匹配→发货/提货→计量交接→结算开票→回款确认。
2. 对照每个节点，确认是否有对应系统记录数据。若某节点无系统支撑，则该环节数据缺失，复盘时只能靠人工补录或估算。
3. 检查系统间数据是否通过接口自动同步，还是人工导出导入。自动同步优于人工搬运，可减少数据失真。

3.1.3 案例拆解：某油田销售公司数据源梳理

某油田销售公司复盘“2024年Q3天然气销量下滑”问题，初始只调取了 ERP 的销售汇总表，发现销量同比下降 8%。但无法定位原因。随后补充 CRM 数据发现，Q3 新增商机数量并未减少，但商机转化率从 32% 降至 21%。进一步调取 SCADA 数据发现，Q3 部分气井检修导致日产量下降 15%，且管输压力不足导致部分客户提气受限。最终定位：销量下滑的主因是供给端产能约束，而非需求端客户流失。若只看 ERP 数据，会误判为市场问题。

3.1.4 常见误区与总结

• 误区一：只盯 ERP 数据。ERP 是结果，无法解释“为什么没卖出去”。
• 误区二：忽略 SCADA 的计量口径。SCADA 的瞬时流量与 ERP 的结算量可能存在时间差和损耗差，需明确差异规则。
• 误区三：CRM 数据录入滞后。销售人员的跟进记录不及时，导致过程数据失真。

3.2 关键数据字段：从原始记录到分析指标的桥梁

数据字段是数据的最小语义单元。油气田销售数据字段可归纳为四大维度：客户维度、产品维度、交易维度、时间维度。字段定义是否清晰，直接决定后续分析的准确性。

3.2.1 核心字段清单与口径说明

3.2.2 字段质量检查操作流程

1. 抽取近 3 个月数据，统计每个字段的空值率。空值率超过 5% 的字段需重点关注。
2. 检查字段值域是否合法。例如“客户类型”只能取预设枚举值，出现“其他”或空白需排查。
3. 交叉验证：将 ERP 的订单数量与 SCADA 的交接计量量对比，偏差超过 ±2% 需查明原因（损耗、计量误差、录入错误）。

3.3 数据粒度：选择正确的分析颗粒度

数据粒度指数据记录的细化程度。粒度越细，信息越丰富，但处理成本越高；粒度越粗，分析越简单，但可能掩盖细节问题。油气田销售复盘中最常见的粒度选择错误，是直接用月度汇总数据做转化分析，导致无法定位瓶颈发生在哪个环节。

3.3.1 粒度层级与适用场景

3.3.2 粒度选择判断方法

• 先明确分析目标：若目标是“客户转化漏斗”，必须用订单级+提货单级；若目标是“月度销售趋势”，日汇总即可。
• 遵循“最小粒度原则”：在成本可控的前提下，尽量保留最细粒度数据，以便后续多维下钻。
• 建立粒度映射表：明确各粒度之间的换算关系，例如 1 个订单对应 N 个提货单，1 个提货单对应 M 车次。

3.3.3 实战场景：粒度错位导致的分析偏差

某销售公司分析“客户提货及时率”，使用订单级数据计算，发现及时率高达 95%。但下钻到提货单级后发现，部分大客户虽然订单按时关闭，但实际提货时间集中在月底最后三天，导致物流资源紧张、压车费上升。若只看订单级，问题被掩盖。切换至提货单级后，才识别出“提货节奏不均衡”这一真实瓶颈。

3.4 数据质量要求：复盘结论可信的底线

数据质量是数据复盘的生命线。油气田销售数据涉及财务结算、生产计量、客户信用等多个敏感领域，质量问题轻则导致分析偏差，重则引发商务纠纷。

3.4.1 五大质量维度与量化标准

3.4.2 数据质量检查与治理流程

1. 事前预防：在 ERP/CRM 中设置必填字段、下拉枚举、唯一性校验，从源头减少脏数据。
2. 事中监控：每日运行数据质量检查脚本，输出空值率、重复率、偏差率等指标，异常时自动告警。
3. 事后治理：建立数据质量工单，由业务人员确认问题数据，进行修正或标记，并记录修正日志。

3.4.3 案例复盘：数据质量问题如何误导转化瓶颈判断

某销售公司复盘“直销客户流失率上升”问题，初步数据显示流失客户中 60% 为“长期未提货”。但深入核查发现，这些客户并非真正流失，而是由于 ERP 系统中客户编码在年度切换时被批量修改，导致历史订单未能关联到新编码，从而被误判为“无交易记录”。数据唯一性和一致性缺陷直接导致分析结论错误。修正编码映射后，实际流失率仅为 12%。

3.4.4 常见误区与总结复盘

• 误区一：认为数据质量是 IT 部门的事。实际上，业务人员是数据生产者，必须对录入质量负责。
• 误区二：只关注准确性，忽略一致性。跨系统口径不一致是油气田销售数据最常见的隐性质量问题。
• 误区三：数据质量问题一次性治理后不再监控。数据质量是动态的，需要持续监控和定期审计。