本项目参考自《活用数据》
为了确定企业的使命和目标,所以需要进行战略分析。分析思路就是从研究目的到研究内容的细分。所以要解决两个问题,战略分析的研究目的,以及战略分析的研究内容。
战略分析的研究目的就是为了帮助企业进行战略选择。那么该如何选择呢?
需要关注两个核心点:
如何判断市场的吸引力和企业的竞争力,需要通过企业目前所处的营销环境来确定。营销环境包括宏观环境,市场环境和竞争环境。
宏观环境是指影响市场的宏观因素,主要包括政治(political),经济(economic),文化(social),科技(techology)四类因素,就是常说的PEST。
例如新能源汽车补贴政策,推动了新能源汽车市场的开拓,是政治环境为新能源汽车市场开发带来的机会。
因此企业通过对宏观环境的把握,企业可以判断出对于一个领域而言,那些是机会,哪些是威胁,如果机会大于威胁,则说明市场具有吸引力。
判断市场吸引力,除了宏观环境,还必须要结合市场环境。
市场环境一般指,行业规模,行业利润,行业生命周期等。显然市场规模足够大,利润足够高,增速足够快,成长性足够强,以及处于长期成长的市场是企业的最爱。但是市场不可能满足所有的指标都完美,企业需要根据自身资源与定位和环境进行匹配,找到具有吸引力的市场。
竞争环境就是影响企业生存状态的波特五力。具体指以下五方面:
分析竞争环境,就是将企业与影响企业生存状态的波特五力进行对比,分析自身的竞争力,判断企业的优势和劣势。
战略分析架构表
分析目的 | 分析角度 | 分析内容 | 输出结果 |
---|---|---|---|
战略选择 | |||
企业竞争力 (企业内部因素) |
宏观环境(PEST) | 机会 威胁 |
|
市场环境(规模、利润、增速、生命周期等) | |||
企业竞争力 (企业内部因素) |
竞争环境 | 优势 劣势 |
但是由于每个机会和威胁的重要性和表现水平不同。SWOT分析只是定性分析,不能进行战略选择,因此要对其进行量化。
数据分析一定要对结果进行量化,只有进行了量化才能真正了解他,并做出决策。量化 SWOT 中的机会、威胁、优势和劣势,并根据量化分值做出战略决策。这种对SWOT分析量化的方法叫做内外因素评价矩阵。
内部因素评价矩阵(Internal Factor Evaluation Matrix,IFE矩阵),量化内部因素,刻画企业竞争力。
外部因素评价矩阵(External Factor Evaluation Matrix, EFE矩阵),量化外部因素,刻画市场吸引力。
内外因素评价矩阵是对 IFE 矩阵和 EFE矩阵的统称。
计算步骤:
一般来说专家对宏观环境把控较好,因此专家访谈适合做企业外部因素评分;而消费者对产品或服务有真实的体验,因此市场调研适合做企业内部因素评分。
此项目的数据采取专家访谈和市场调研结合的方式。
我先对数据格式进行处理,转换位如图样式
机会因素的最终评分以专家人数为权重f,对分数 xi 的加权平均数
x ‾ \overline{x} x= ∑ \sum ∑xi × \times ×fi / ∑ f \sum f ∑f i
# 权值列表
elements = []
# 需要求加权平均值的数据列表
weights = []
# 加权平均值
avgsocore = []
[weights.append(row) for index, row in threat.iteritems()]
elements = weights[-1]
del weights[-1]
for i in range(len(weights)):
avg = round((np.average(elements, weights=weights[i], axis=0)),3)
avgsocore.append(avg)
权重的确定方法有很多,本文采用的是变异系数法。变异系数是刻画离中趋势的重要指标,反映取值的差异和波动,在数值上等于标准差除以均值。详情,请自行搜索。
# 2. 计算频率
fre = []
[fre.append(weights[i] / sum(weights[i])) for i in range(len(weights))]
# 计算离差平方
Deviation = []
[Deviation.append((elements - avgsocore[i])**2) for i in range(len(avgsocore))]
# 4. 计算标准差
std = []
for i in range(len(Deviation)):
a = Deviation[i]*fre[i]
a = math.sqrt(sum(a))
std.append(a)
# 5. 计算变异系数V
V = np.array(std) / np.array(avgsocore)
# 6. 计算权重
W = V /sum(V)
# 保存数据到新的数据框
df = pd.DataFrame()
key = []
[key.append(index) for index, row in threat.iteritems()]
del key[-1]
df['关键因素'] = key
df['评分'] = avgsocore
df['权重'] = W
df['加权平均数'] = df.评分 * df.权重
# 商城对应坐标
c_t = df_opportunity.加权平均数.sum() / df_threat.加权平均数.sum()
s_w = df_strength.加权平均数.sum() / df_weakness.加权平均数.sum()
fig = plt.figure()
# 留 1% 空白边缘,时展示效果没关,如果不留空白,最大值和最小值就会非常靠近边缘。
gap = 0.01
# 坐标轴范围,由c_t, s_w得
xMin = 0.1 * (1 - gap)
xMax = 1.6 * (1 + gap)
yMin = 0.1 * (1 - gap)
yMax = 1.6 * (1 + gap)
# 设置 x 轴和 y 轴的范围
plt.xlim(xMin, xMax)
plt.ylim(yMin, yMax)
# 设置 x 轴和 y 轴的坐标轴的刻度,这里将所有刻度去掉了
plt.xticks([])
plt.yticks([])
# 绘制散点
plt.scatter(
c_t,
c_t,
marker='o', color=mainColor
)
# 设置坐标轴标签
plt.xlabel(
'机会最终得分/威胁最终得分',
color=fontColor
)
plt.ylabel(
'优势最终得分/劣势最终得分',
color=fontColor
)
# 设置均值线
plt.vlines(
1,
ymin=yMin, ymax=yMax,
linewidth=1, colors=mainColor
)
plt.hlines(
1,
xmin=xMin, xmax=xMax,
linewidth=1, color=mainColor
)
# 添加象限
plt.text(
xMax-0.15, yMax - 0.1,
'SO战略', color=fontColor
)
plt.text(
xMin + 0.025, yMax-0.1,
'ST战略', color=fontColor
)
plt.text(
xMin+0.025, yMin+0.05,
'WT战略', color=fontColor
)
plt.text(
xMax-0.15, yMin+0.05,
'WO战略', color=fontColor
)
输出结果
由图可知,网上商城处于SO战略区,所以该商城应该利用外部机会,依靠内部优势,达到最佳业务状态。
代码及数据:
链接: https://pan.baidu.com/s/11ko9o29aDOUtfz9F5fHrUA 提取码: nwdb