业务数据分析策略(1)——杜邦分析法拆解业务

利用杜邦分析法拆解业务波动

算是今天价值最大的收获和复盘了,之后带它纳入公司数据体系中~
杜邦分析法 是利用权重大的几种财务比例的关系来综合分析和评估财务状况。基本思想是 将企业的净资产收益率逐级分解为多项比例的乘积,有助于快速发现企业经营业绩变化成因。

以最常见的C端运营模式举例:

销售额 = 流量 X 付费转化率(目标转化率)X 平均单价 X 人均购买数

话不多说,先贴图:(使用友好的EXCEL软件即可?)
业务数据分析策略(1)——杜邦分析法拆解业务_第1张图片

做法:
1、拆解核心目标变量/指标,在此例中就是公司的销售额。前面提到
销售额 = 流量 X **付费转化率(目标转化率)**X 平均单价 X 人均购买数

2、计算每个细分变量的变化率。如果和昨天比则是指标日环比,如果是和上一自然周对比就是周同比,根据业务差异与需求自行定义。可以理解为转化率的变化

3、设置醒目标识 可以是颜色或是提示符号,突出对业务变化的变量。单元格颜色越深表示变化越显著,负值以红色系为主,正值以绿色系为主。

$ 4、以销售额变化率的绝对值降序排列图表,突出业务波动大的渠道或品牌。

$ 5、点击对应渠道可跳转数据下钻,进一步追踪问题渠道是否连续多天呈现非正常态势。

解释:
1、目标变量的波动完全是是由前四个指标决定的(你需要熟悉业务),当目标变量发生变化,通过该方法你
可以快速、清晰的发现问题,并有了结构化的问题定位思路。

2、该方法量化了结果成因,你可以明确的知道各个因素的权重,着手对高优先级的问题给出策略。
如图,当天销售额波动最大的渠道为C和E渠道。C销售额增长显著,通过拆分分析我们第一时间就可以定位出成因为 a)进入流量增长12% b)人均购买数增长15% c)其余两个指标小幅增长。E渠道收入下降显著,结合图表也可以明确定位成因:流量和人均购买数下降显著,尽管平均单价上升15%。

3、<做法>中的$4和$5为数据产品经理考虑范畴。

福fa连翩:

1、套用同样的方式可以去分析其它方向的问题(不见得奏效?)
2、大多数情况,目标变量并非可以完完全全被拆分为明确的几个变量。它可能被数十个甚至上百个特征所影响。所有把握top N的特征变量,然后再结合以上的分析策略。
3、第二个问题:你甚至不知道核心变量该如何拆分。比如:昨天的会员转化率下降了10%,而你对下降的原因毫无头绪(漏斗顶部的进入购买页人数并未暴涨和下降 )或者说全是头绪(新老用户比例波动,昨天周五、今天周末,国家政策导致市场变化,今天天气不好。。。)这种现象在生活和工作中偶有发生。

有的(9x%)选手A会用左脑编织一个听起来过得去的答案。(昼夜温差大导致用户购买意愿下降)
有的(x%)选手B会选择死磕数据,然后发现越磕越扩散,变量越来越多可叹时光蹉跎。(好比一生二 二生三 三生三世)然后到下班点成功转化为选手A。

个人认知两类方案可以比较好的解决这个问题。
a)业务侧的大牛,对行业理解极其透彻。这类明星选手可以快速发现业务现象的主要成因,甚至给出后续的变化预测,且精准。
b)用算法死磕数据。之前说到选手B死磕数据的失败案例是因为个人的算力有限,一定时间内只能抓住部分数据。但是计算器可以在短时间内完成大量的计算,分析出指标与指标之间的关联关系。(后续会出(可能)FP_growth算法硬磕百万数据python方案)
这种方法的前提:你需要有足够维度且足够真实的数据(真正的主成因特征包含其中)

最后

希望日报一直是日报?

希望选手与选手之间可以多交流

2019-10-16

你可能感兴趣的:(菜鸡日报,数据分析报告)