porn一区_国产精品久久久久永久免费观看_久久com_亚洲美女视频一区二区三区_日日天天_在线精品亚洲欧美日韩国产

一直存在一個(gè)理解誤區(qū)，單純的以為從事數(shù)據(jù)分析，學(xué)會(huì)Python，SQL就行了，認(rèn)為數(shù)據(jù)分析和編程一樣，盡可能的熟練使用這些語(yǔ)言就足夠了，直到真正上手開始分析時(shí)，我懵圈了，拿到數(shù)據(jù)之后完全不知道要做什么，再好的編程技能也用不上。所以我不得不從頭開始，了解數(shù)據(jù)分析的流程。

分析方法之于數(shù)據(jù)分析，就如設(shè)計(jì)圖對(duì)于蓋房子一樣重要。分析方法能將零散的想法轉(zhuǎn)化為有條理的思路。那么常見的分析方法有哪些呢？

1 邏輯樹分析法，分析目的：將復(fù)雜的問題簡(jiǎn)單化。

圖1 邏輯樹分析方法的思路

最具代表性的就是費(fèi)米問題，這類問題的特點(diǎn)是初次聽到時(shí)，會(huì)覺得已知條件太少，離答案太遠(yuǎn)，但是當(dāng)變通分析對(duì)象之后，所有問題都會(huì)迎刃而解。具體解釋參見百度百科，里面還補(bǔ)充了具體案例加深理解。

2 PEST分析法，分析目的：行業(yè)分析。

有些業(yè)務(wù)可以從以下4個(gè)角度為切入點(diǎn)進(jìn)行分析。

圖2 PEST字母代指3 多維度拆解分析法，分析目的：多個(gè)角度思考。

該方法將業(yè)務(wù)分為不同的維度，比如七大姑介紹了相親對(duì)象給你，據(jù)說(shuō)男方個(gè)子高（維度1），家庭背景好（維度2），長(zhǎng)得帥（維度3）。這樣就把一個(gè)未曾謀面的人從不用維度“拆解”，方便了解。

那么業(yè)務(wù)究竟該從哪些維度去拆解呢？

從指標(biāo)構(gòu)成和業(yè)務(wù)流程。比如：

圖3 線上店鋪查看推廣效果如何的維度拆解

注意：多維度拆解分析法有一個(gè)獨(dú)特之處，叫做辛普森悖論，如從整體和部分考察數(shù)據(jù)可能會(huì)有完全相反的結(jié)論，具體解釋參考百科。

圖4 多維度拆解分析方法總結(jié)4 對(duì)比分析法，分析目的：對(duì)比。

俗話說(shuō)，沒有對(duì)比就沒有傷害，對(duì)比要有比較的對(duì)象。對(duì)比問題本質(zhì)上是指現(xiàn)狀與理想狀態(tài)之前的差距，如果理想的狀態(tài)未知，就無(wú)法比較，進(jìn)而無(wú)法確定問題。

圖5 對(duì)比找對(duì)象定基準(zhǔn)

圖6 對(duì)比分析思路總結(jié)5 假設(shè)檢驗(yàn)分析法，分析目的：如何解決業(yè)務(wù)問題。

圖7 假設(shè)檢驗(yàn)分析步驟

假設(shè)分析的參考方向：

其中：

圖8 4p營(yíng)銷理論

圖9 業(yè)務(wù)流程方向

注意事項(xiàng)：

圖10 假設(shè)檢驗(yàn)分析思路圖6 相關(guān)關(guān)系分析法，分析目的：數(shù)據(jù)之間的關(guān)系。

相關(guān)關(guān)系是研究2種或2種以上數(shù)據(jù)之間存在什么關(guān)系的方法，用相關(guān)系數(shù)（ r ）表示， r 的大小表示相關(guān)程度，正負(fù)表示變量的相關(guān)方向， \left| r\right|\leq1 ， \left| r \right|=1 時(shí)相關(guān)性最大。

圖11 相關(guān)分析解決問題的模式

相關(guān)分析如何用？

相關(guān)系數(shù)；散點(diǎn)圖；哪些因素和分析目標(biāo)相關(guān)；結(jié)合其他分析方法深入分析；比如，假設(shè)檢驗(yàn)分析法最后找出幾條原因，但是一般公司資源有限，一個(gè)階段中只能集中解決一個(gè)問題，這時(shí)候就可以通過(guò)相關(guān)分析法來(lái)確定優(yōu)先解決哪些影響大的因素。

但是，要區(qū)分因果關(guān)系和相關(guān)關(guān)系。有的問題直接應(yīng)用相關(guān)關(guān)系解釋，有些問題需要找到事件背后的原因（因果關(guān)系），因?yàn)橛袝r(shí)會(huì)存在第3方因素或純屬巧合。

如何區(qū)分呢？單變量控制法。

7 群組分析法，分析目的：對(duì)數(shù)據(jù)分組，分析留存（流失）問題

按照某個(gè)特征，將數(shù)據(jù)分為不同的組，然后比較各組的數(shù)據(jù)。

群組分析解決問題的模式：

群組分析找到留存率高（低）的組；假設(shè)檢驗(yàn)，相關(guān)分析等分析方法分析為什么留存率高（低）；

要根據(jù)業(yè)務(wù)靈活分組，比如視頻類會(huì)員按月分組分析留存率，微博、推特類APP按某月使用產(chǎn)品的天數(shù)分組等等。

8 RFM分析方法

RFM三個(gè)指標(biāo)含義

把3個(gè)指標(biāo)按價(jià)值從低到高排序，3個(gè)指標(biāo)分別作為三維坐標(biāo)系的XYZ軸，把空間分為8部分，對(duì)應(yīng)下圖。

3指標(biāo)對(duì)應(yīng)3維圖

如果覺得上面的圖看起來(lái)不直觀，可直接看下面的用戶分類規(guī)則表。RFM分析法把用戶分為8類，可以對(duì)不同價(jià)值用戶使用不同的營(yíng)銷策略，最大化發(fā)揮有限的資源，也就是所謂的“精細(xì)化運(yùn)營(yíng)”。

用戶分類規(guī)則表

那么如何用RFM對(duì)用戶分類呢？

1）計(jì)算R、F、M值；

要得到這3個(gè)指標(biāo)，一般需要數(shù)據(jù)的3個(gè)字段：用戶ID或者用戶名稱、消費(fèi)時(shí)間和消費(fèi)金額。

根據(jù)原始數(shù)據(jù)計(jì)算出的R、F、M值示例

2）給R、F、M按價(jià)值打分；

注意！這里的打分是按指標(biāo)的價(jià)值打分，而不是按指標(biāo)數(shù)值大小打分，R越小，F(xiàn)越大，M越大，相對(duì)應(yīng)的用戶價(jià)值越高。具體實(shí)際業(yè)務(wù)中，如何定義打分的范圍，要根據(jù)具體的業(yè)務(wù)靈活制定，沒有統(tǒng)一的標(biāo)準(zhǔn)。

打分規(guī)則舉例

3）計(jì)算價(jià)值平均值；

分別計(jì)算出R值打分、F值打分、M值打分這3列的平均值。

價(jià)值平均值

4）用戶分類；

在表格中增加3列案例分析報(bào)告，分別記錄R、F、M值是高于平均值還是低于平均值。如果低于平均值，記為“高”，否則記為“低”。最后和用戶分類表里定義的規(guī)則進(jìn)行比較，就可以得出用戶屬于哪種類別。

用RFM分析法對(duì)用戶分類步驟總結(jié)：

回頭看前面的分類圖，在坐標(biāo)軸的中心，可以理解為某個(gè)指標(biāo)價(jià)值的平均值。

用戶分類后，如何精細(xì)化運(yùn)營(yíng)呢？

對(duì)用戶分類就是針對(duì)每類用戶指定不同的運(yùn)營(yíng)策略，具體公司業(yè)務(wù)不同，方法也不一樣。這里舉例說(shuō)明前4類用戶：

使用RFM分析法的注意事項(xiàng)：

不同業(yè)務(wù)的R、F、M指標(biāo)定義不同，要根據(jù)具體業(yè)務(wù)靈活應(yīng)用；好比開車的車速控制在哪個(gè)范圍是根據(jù)路況靈活把握的。同樣的，RFM打分規(guī)則可與業(yè)務(wù)部門溝通，或者使用聚類方法對(duì)R、F、M值進(jìn)行分類，再給每個(gè)類別打分；9 漏斗分析方法

從業(yè)務(wù)流程起點(diǎn)開始到最后目標(biāo)完成，中間的每個(gè)環(huán)節(jié)都會(huì)有用戶流失，因此需要一種分析方法來(lái)衡量業(yè)務(wù)流程每一步的轉(zhuǎn)化效率。比如，淘寶用戶從瀏覽到最后下單經(jīng)歷的業(yè)務(wù)流程是：一款商品瀏覽量1000、點(diǎn)擊量500、訂單量200、支付量50。

某業(yè)務(wù)環(huán)節(jié)轉(zhuǎn)化率=本業(yè)務(wù)環(huán)節(jié)用戶數(shù)/上一業(yè)務(wù)環(huán)節(jié)用戶數(shù)，可以衡量相鄰業(yè)務(wù)環(huán)節(jié)的轉(zhuǎn)化情況。比如業(yè)務(wù)第1環(huán)節(jié)是瀏覽，第2環(huán)節(jié)是點(diǎn)擊，則點(diǎn)擊量環(huán)節(jié)轉(zhuǎn)化率為：點(diǎn)擊量（500）/瀏覽量（1000）=50%。

某業(yè)務(wù)環(huán)節(jié)整體轉(zhuǎn)化率=某業(yè)務(wù)環(huán)節(jié)用戶數(shù)/第1業(yè)務(wù)環(huán)節(jié)數(shù)量，衡量從第1步到該環(huán)節(jié)為止，總體的轉(zhuǎn)化情況。如第1環(huán)節(jié)是瀏覽量1000，支付環(huán)節(jié)的整天轉(zhuǎn)化率=支付量（50）/瀏覽量（1000）=5%。

漏斗分析圖，來(lái)源于它的形狀像漏斗，所以叫“漏斗圖”。

漏斗分析的作用是：定位問題節(jié)點(diǎn)，找出存在問題的業(yè)務(wù)環(huán)節(jié)。漏斗分析常用于用戶轉(zhuǎn)化分析或者用戶流失分析，所以有兩個(gè)需關(guān)注的指標(biāo)：用戶轉(zhuǎn)化和用戶流失。

使用漏斗分析的注意事項(xiàng)：

可以用漏斗分析方法分析用戶轉(zhuǎn)化問題，不同行業(yè)的業(yè)務(wù)流程不一樣，所以漏斗分析圖也不一樣。如果把漏斗分析方法原封不動(dòng)地帶入某個(gè)行業(yè)，不去結(jié)合所在行業(yè)的業(yè)務(wù)特點(diǎn)，那么分析出的結(jié)果很難具有業(yè)務(wù)指導(dǎo)性。

比如，傳統(tǒng)的漏斗圖以AARRR模型為基礎(chǔ)，即：獲客--留存--活躍--變現(xiàn)--推薦，這是以用戶增長(zhǎng)為核心的漏斗圖，但是對(duì)于非社區(qū)類產(chǎn)品，比如低頻且成交周期長(zhǎng)的購(gòu)車場(chǎng)景而言，傳統(tǒng)的AARRR模型無(wú)法真正表達(dá)出汽車行業(yè)的業(yè)務(wù)需求。需將漏斗分析法和購(gòu)車的業(yè)務(wù)流程結(jié)合起來(lái)，形成：線索--進(jìn)件--過(guò)審--簽約--交車的漏斗圖。所以，行業(yè)發(fā)生變化的過(guò)程中，漏斗分析需要從用戶增長(zhǎng)轉(zhuǎn)移到汽車行業(yè)，這樣的漏斗分析才可以產(chǎn)生指導(dǎo)作用。

10 杜邦分析方法

杜邦分析法將各種財(cái)務(wù)指標(biāo)綜合在一起，評(píng)價(jià)公司財(cái)務(wù)管理效果，通常用于公司財(cái)務(wù)方面的分析。

結(jié)合案例應(yīng)用理解：

假如你想開家面館，自己出資10萬(wàn)，找親戚借了10萬(wàn)，那么面館的總資產(chǎn)是20萬(wàn)：其他投入10萬(wàn)（自己的錢）+面館負(fù)債10萬(wàn)（找親戚借的）。

1）銷售凈利潤(rùn)：面館是否賺錢？

銷售凈利潤(rùn)=凈利潤(rùn)/銷售額。假如面館第一個(gè)月銷售額5萬(wàn)，刨除其他成本后凈利潤(rùn)1萬(wàn)，那么銷售凈利潤(rùn)=1/5=20%，就是每賣出100塊的面，能賺20元。

2）總資產(chǎn)周轉(zhuǎn)率：面館資產(chǎn)運(yùn)營(yíng)效率如何？

資產(chǎn)周轉(zhuǎn)率=銷售額總資產(chǎn)，面館總資產(chǎn)20萬(wàn)，第一個(gè)月銷售額5萬(wàn)，資產(chǎn)周轉(zhuǎn)率=5/20=25%。

3）權(quán)益乘數(shù)：面館債務(wù)負(fù)擔(dān)有沒有風(fēng)險(xiǎn)？

權(quán)益乘數(shù)=總資產(chǎn)/凈資產(chǎn)，也叫做杠桿率，衡量公司負(fù)債經(jīng)營(yíng)情況。面館總資產(chǎn)20萬(wàn)，自己出資10萬(wàn)，則面館的權(quán)益乘數(shù)=20/10=2。

帶入杜邦分析公式：凈資產(chǎn)收益率=銷售利潤(rùn)率*資產(chǎn)周轉(zhuǎn)率*權(quán)益乘數(shù)，所以，面館的凈資產(chǎn)收益率=20%*25%*2=10%。

當(dāng)要分析企業(yè)為什么利潤(rùn)下降了類似財(cái)務(wù)問題，可以用杜邦分析法逐個(gè)分解指標(biāo)來(lái)分析，下圖為萬(wàn)科2018年9月份的杜邦分析。

總結(jié)完分析方法，來(lái)捋一下數(shù)據(jù)分析解決問題的過(guò)程。

圖12 數(shù)據(jù)分析解決問題的過(guò)程

（1）明確問題。

通過(guò)觀察把問題定義清楚，這一步需要明確數(shù)據(jù)來(lái)源和準(zhǔn)確性，并對(duì)業(yè)務(wù)指標(biāo)進(jìn)行理解。

確認(rèn)偏誤：定義問題時(shí)已經(jīng)包括了“原因”，根據(jù)經(jīng)驗(yàn)主觀的把思考局限在“我覺得”的范圍內(nèi)。人們總傾向于尋找證據(jù)來(lái)支持自己已經(jīng)相信的事情，從而抵制不同的看法。要時(shí)刻清晰地提醒自己：數(shù)據(jù)分析不是主觀的臆斷，而是客觀的分析，一切靠數(shù)據(jù)說(shuō)話。

圖13 明確問題流程

（2）分析原因。

影響問題的原因有很多種，若把所有原因都分析一遍，工作量很大。根據(jù)“計(jì)算的平方律”，當(dāng)一個(gè)問題要考慮的因素復(fù)雜度變?yōu)樵瓉?lái)的2倍，對(duì)應(yīng)解決問題需要的時(shí)間會(huì)變成原來(lái)的4倍。所以分析原因時(shí)，要優(yōu)先分析關(guān)鍵的因素（分主次）。

3步分析法：

①使用“多維度拆解分析法”對(duì)問題進(jìn)行拆解，將一個(gè)復(fù)雜問題細(xì)化為各個(gè)子問題，可以按照用戶、產(chǎn)品、競(jìng)品3個(gè)維度拆解；

圖14 可參考拆解維度

②對(duì)拆解的每個(gè)部分，使用“假設(shè)檢驗(yàn)分析法”找出問題，分析過(guò)程中可使用“對(duì)比分析法”等多個(gè)分析法輔助完成；

③找到問題以后，多問自己“為什么出現(xiàn)了這個(gè)問題”，然后使用“相關(guān)分析方法”進(jìn)行深入分析；

（3）決策。

分析出原因并不是終點(diǎn)，還要提出建議，盡善盡美。

小試牛刀，列出自己的分析思路，嘗試對(duì)淘寶嬰兒用品的銷售情況進(jìn)行分析。

簡(jiǎn)要介紹一下數(shù)據(jù)集，數(shù)據(jù)集中有兩個(gè)表格，分別為表1購(gòu)買商品，表2嬰兒信息，圖15是表中各列的含義。

圖15 表字段理解

具體的數(shù)據(jù)清洗操作可查閱下面的文章。

下面的文章是對(duì)嬰兒商品銷售情況的簡(jiǎn)單可視化分析，僅供參考。

一、明確問題

①明確數(shù)據(jù)來(lái)源和準(zhǔn)確性

②業(yè)務(wù)指標(biāo)理解

產(chǎn)品角度

a 總銷量波動(dòng)情況

b 熱銷產(chǎn)品是哪個(gè)

用戶角度

a 不同性別對(duì)商品類別的需求

b 不同年齡段對(duì)商品類別的需求

圖16 分析思路腦圖二、分析原因

（一） 產(chǎn)品角度

1 總銷量波動(dòng)情況

圖17 不同年份月銷量統(tǒng)計(jì)圖

在圖17中，紅色代表銷量最高的月份，分別是12年11月，13年5月，11月，14年5月，11月。黃色代表銷量最低的月份，分別是13年2月，14年1月，15年2月。

5月，11月銷量高，1月，2月銷量低，四年都是這種情況，這是為什么呢？

先使用多維度拆解分析法，對(duì)總銷量進(jìn)行拆解，總銷量=平均單次購(gòu)買量*購(gòu)買次數(shù)，再用假設(shè)檢驗(yàn)分析法逐個(gè)驗(yàn)證是平均單次購(gòu)買量還是購(gòu)買次數(shù)影響了總銷量。

假設(shè)1：用戶單次購(gòu)買量影響總銷量，即用戶在5月和11月單次購(gòu)買量增多，在1月，2月反而下降。

圖18 月平均購(gòu)買量趨勢(shì)圖

如圖18，月平均購(gòu)買量波動(dòng)很小，基本在1.5-2之間，所以總銷量的波動(dòng)不是單次購(gòu)買量引起的，假設(shè)1不成立。

假設(shè)2：購(gòu)買次數(shù)影響總銷量。

圖19 購(gòu)買數(shù)量和次數(shù)的趨勢(shì)圖

圖20 購(gòu)買數(shù)量和次數(shù)的散點(diǎn)圖

圖19中購(gòu)買數(shù)量和購(gòu)買次數(shù)的趨勢(shì)一致，圖20中的散點(diǎn)圖更進(jìn)一步證明購(gòu)買數(shù)量和次數(shù)的正相關(guān)關(guān)系，而且相關(guān)系數(shù)接近1，為強(qiáng)相關(guān)。假設(shè)2成立。

圖21 假設(shè)檢驗(yàn)方法流程

由圖19可以看出，購(gòu)買次數(shù)的峰值在5月和11月，2月最低，因?yàn)榧僭O(shè)2成立，總銷量的波動(dòng)和購(gòu)買次數(shù)有關(guān)，所以可以直接分析購(gòu)買次數(shù)的波動(dòng)原因。

分析11月份購(gòu)買次數(shù)增加的原因。

圖22 2012-2014年11月份購(gòu)買次數(shù)折線圖

圖22顯示，每年的11月11日購(gòu)買次數(shù)激增，當(dāng)天的購(gòu)買次數(shù)遠(yuǎn)超當(dāng)月其他天，并且2012-2014年雙十一當(dāng)天的購(gòu)買次數(shù)一直在漲幅狀態(tài)。聯(lián)想到著名的雙十一大戰(zhàn)，11月份銷量高峰合乎情理。

同樣將2013-2014年5月份每天的購(gòu)買次數(shù)可視化，得到圖23。

圖23 2013年，2014年5月份購(gòu)買次數(shù)折線圖

圖23中，兩個(gè)年份5月的購(gòu)買次數(shù)趨勢(shì)基本一致，5月份節(jié)日較多，包括5月11日和5月12日的母親節(jié)促銷，5月20日網(wǎng)絡(luò)情人節(jié)，以及兒童節(jié)的提前預(yù)熱。

接下來(lái)分析每年1，2月份購(gòu)買次數(shù)下降的原因。

圖24 2013年，2014年，2015年1，2月份購(gòu)買次數(shù)折線圖

查閱日歷得知，2013年春節(jié)是2月10日，2014年春節(jié)是1月31日，春節(jié)期間，物流停運(yùn)，公司放假，購(gòu)買次數(shù)減少。2015年春節(jié)是2月19日，數(shù)據(jù)集中2015年不完整，可以合理預(yù)計(jì)2月19日的購(gòu)買次數(shù)也是最低點(diǎn)。

對(duì)購(gòu)買次數(shù)指標(biāo)再次拆解，購(gòu)買次數(shù)包含新用戶購(gòu)買次數(shù)和老用戶購(gòu)買次數(shù)。因?yàn)閿?shù)據(jù)有限，假設(shè)第一次出現(xiàn)的用戶id為新用戶，第二次及之后出現(xiàn)的為老用戶，則：

圖25 新老用戶購(gòu)買次數(shù)統(tǒng)計(jì)

可以看出，老用戶占比極低，所以對(duì)應(yīng)的復(fù)購(gòu)率就低，具體原因需要結(jié)合更多的信息判斷。

2 熱銷產(chǎn)品

圖26 商品一級(jí)分類銷售占比

圖27 商品二級(jí)分類銷量前十

商品一級(jí)分類中28，50008168和50014815銷量最好，三者占比為82.02%，占據(jù)了主要的市場(chǎng)。商品二級(jí)分類中銷量呈階梯式下降，銷量第一的50018831占比5.34%。

（二）用戶角度

1 不同性別對(duì)商品需求的差異

圖28 不同性別商品購(gòu)買量占比

已知性別的數(shù)據(jù)占比較少，所以此項(xiàng)分析僅供參考。在已知性別的929名用戶中案例分析報(bào)告，男性共428位，女性491位，接近1:1。但是圖28顯示男女嬰兒購(gòu)買商品數(shù)量比約為2:3，說(shuō)明用戶中女嬰兒占比高，比男嬰兒多20%。

圖29 不同性別選擇商品的不同

圖30 每種商品男女選擇占比

由圖29，30可得，男女用戶均主要集中選購(gòu)的商品為：50014815、50008168和28。6種商品中，50014815和38商品女性購(gòu)買者比男性多40%。

2 不同年齡段對(duì)商品需求的差異

圖31 六類商品在不同年齡段的銷量

圖32 同一年齡段6類商品需求占比

未出生和0-3歲階段是嬰兒需求量最大的兩個(gè)階段，其中0-3歲年齡段銷量最大，50014815在未出生和0-3歲都是最受歡迎的，不同年齡段6種商品銷量排行均不同，說(shuō)明不同年齡段的需求是不同的。

5008168對(duì)于4個(gè)年齡段都是需求極大的商品，并且隨著年齡的增大，銷量占比也越來(lái)越大，與之相反的是50022520，未出生時(shí)需求最大。

三、提出建議商品總銷量和購(gòu)買次數(shù)有關(guān)，而購(gòu)買用戶中老用戶占比極少，如果商品不是耐用品，商家應(yīng)該考慮是什么原因?qū)е碌模⒓右愿倪M(jìn)。不同年齡的嬰兒主推產(chǎn)品要有所側(cè)重，找準(zhǔn)目標(biāo)群體，比如0-3歲主推50014815，4-12歲推售50008168；女性嬰兒在產(chǎn)品需求上比男性更高，可加強(qiáng)50014815和38產(chǎn)品對(duì)女性嬰兒的宣傳力度；在活動(dòng)期間，可以設(shè)置套餐，將熱銷產(chǎn)品捆綁或者一個(gè)熱銷產(chǎn)品贈(zèng)送一個(gè)冷門產(chǎn)品出售，又或者將相鄰年齡段的產(chǎn)品搭配出售。法定節(jié)假日及電商節(jié)要把握銷量高峰的時(shí)機(jī)，平時(shí)也可借鑒推出不同的活動(dòng)，刺激消費(fèi)。

End.

參考費(fèi)米問題%E8%B4%B9%E7%B1%B3%E9%97%AE%E9%A2%98/5100727?fr=aladdin辛普森悖論%E8%BE%9B%E6%99%AE%E6%A3%AE%E6%82%96%E8%AE%BA/4475862?fr=aladdin