【数据分析】方法论(in)
转载出处1：
https://blog.csdn.net/qq_41455420/article/details/79200553
转载出处2：
https://blog.csdn.net/weixin_44530236/article/details/89956447
目录
1.数据分析方法论与数据分析区别
2.数据分析方法论的重要性
3.常用的数据分析方法论
3.1 PEST 分析法
3.2 5W2H分析方法
3.3 逻辑树分析法
3.4 nPnC营销理论
3.5 用户行为理论
3.6 RFM模型
3.7 漏斗分析模型
3.8 人货场模型
3.9 AARRR模型
确定分析思路需要以营销、管理等理论为指导。这些 跟数据分析相 关的营销、管理等理论统称为数据分析方法论。可以把方法论理解为指南针，在分析方法论的指导下我们才去开展数据分析，这样分析的结果才具有指导意义，而不会出现南辕北辙的情况。
1.数据分析方法论与数据分析区别
数据分析方法论主要用来指导数据分析师进行一次完整的数据分析，它 更多的是指数据分析思路，比如主要从哪几方面开展数据分析，各方面包含什么内容和指标？数据分析方法论主要 从宏观角度指导如何进行数据分析，它就像是一个数据分析的前期规划，指导着后期数据分析工作的开展。而 数据分析法则是指 具体的分析方法，例如我们常见的对比分析、交叉分析、相关分析、回归分析、聚类分析等数据分析法。数据分析法主要 从微观角度指导
如何进行数据分析。
比如下表我们以服装制作为例子，对比理解数据分析方法论：
2.数据分析方法论的重要性
很多人在做数据分析时，经常遇到这几个问题：不知从哪方面入手开展分析;
分析的内容和指标常常被质疑是否合理、完整，而自己也说不出个所以然来。对
这些问题常常感到困扰。
数据分析方法论主要有以下几个作用：
理顺分析思路，确保数据分析结构体系化。
把问题分解成相关联的部分，并显示它们之间的关系。
为后续数据分析的开展指引方向。
确保分析结果的有效性生及正确性。
如果没有数据分析方法论的指导，整个数据分析报告虽然各方面都涵盖到，
但会给人感觉还缺点什么。其实就是报告主线不明，各部分的分析逻辑不清。
3.常用的数据分析方法论
3.1 PEST 分析法
PEST 分析法用于对宏观环境的分析。 宏观环境又称一般环境，是指影响一切行业和企业的各种宏观力量。对宏观环境因素作分析时。由于不同行业和企业有其自身特点和经营需要，分析的具体内容会有差异，但一般都应对 政治(Political )、经济（Economic）、 技术（Technological）和 社会（Social）这四大类影响企业的主要外部环境因素进行分析，这种方法简称为 PEST 分析法。
- 政治环境：构成政治环境的关键指标有:政治体制、经济体制、财政政策、税收政策、产业政策、投资政策、专利数量、国防开支水平、政府补贴水平、民众对政治的参与度等。
- 社会环境：构成社会文化环境的关键指标有:人口规模、性别比例、年龄结构、出生率、死亡率、种族结构、妇女生育率、生活力式、购买习惯、教育状况、城市特点、宗教信仰状况等因素。
- 技术环境：构成技术环境的关键指标有:新技木的发明和进展、折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度、国家重点支持项目、国家投入的研发费用、专利个数、专利保护情况等因素。
- 经济环境：构成经济环境的关键指标有:GDP 及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。
3.2 5W2H分析方法
5w2H 分析法是以五个 w 开头的英语单词和两个 H 开头的英语单词进行提问，从回答中发现解决问题的线索，即 何因 （Why） ） 、何事(What) 、何人(Who) 、何时(When) 、何地(Where ) 、如何做(How) 、何价(How much)，这就构成了 5W2H分析法的总框架。
该方法简单、方便，易于理解和使用，富有启发意义，广泛用于企业营销、管理活动，对于决策和执行性的活动措施非常有帮助，也有助于弥补考虑问题的疏漏。其实对任何事情都可以从这七大方面去思考，对于不善分析句题的人，只要多练习即可上手，所以同样它也适用于指导建立数据分析框架。
现在以用户购买行为分析为例，来学习 5W2H 分析法。
3.3 逻辑树分析法
逻辑树又称问题树、演绎树或分解树等。它是 将问题的所有了问题分层罗列，、从最高层开始，并逐步向下扩展。把一个已知问题当成树干，然后开始考虑这个问题和哪些相关问题有关。每想到一点，就给这个问题所在的树干加一个“树枝”，并标明这个“树枝”代表什么问题。逻辑树能保证解决问题的过程的完整性，它能将工作细分为便于操作的任务，确定各部分的优先顺序，明确地把责任落实到个人。
逻辑树的使用必须遵循以下三个原则。
- 要素化：把相同的问题总结归纳成要素。
- 框架化：将各个要素组织成框架。遵守不重不漏的原则。
- 关联化：框架内的各要素保持必要的相互关系，简单而不独立。
- 在使用逻辑树的时候，尽量把涉及的问题或要素考虑周全。
3.4 nPnC营销理论
以3P3C营销理论为例:
- 概率(Probability)：营销、运营活动以概率为核心，追求精细化和精细率。
- 产品(Product)：注重产品功能，强调产品卖点。
- 消费者(Prospects)：目标用户
- 创意(Creative)：包括文案、活动等。
- 渠道(Channel)
- 成本/价格(Cost)
3.5 用户行为理论
网站分析的发展已经较为成熟，有一套成熟的分析指标。比如 IP、PV、页面停留时间、跳出率、回访者、新访问者、回访次数、回访相隔天数、流失率、关键字搜索、转化率、登录率，等等。遇到这么多指标，所有的指标都要采用吗?什么指标该采用？什么指标又不该采用，各指标之间有何联系，哪个指标先分析?哪个指标后分析？
这么多指标，对于我们来说下手还是懵的，所以需要我们梳理它们之间的逻辑关系，比如利用用户使用行为理论进行梳理。
用户使用行为是指用户为获取、使用物品或服务所采取的各种行动，用户对产品首先需要有一个认知、熟悉的过程，然后试用，再决定是否继续消费使用，最后成为忠诚用户。
现在我们可利用用户使用行为理论，梳理网站分析的各关键指标之间的逻辑关系，构建符合公司实际业务的网站分析指标体系：
3.6 RFM模型
RFM模型是衡量当前客户价值和客户潜在创利能力的重要工具和手段，在众多的客户关系管理（CRM）的分析模式中，RFM模型是被广泛应用的；该模型通过R(Recency)表示客户购买时间有多远，F(Frequency)表示客户在固定时间内购买次数，M(Monetary)表示客户在固定时间内购买的金额。
一般的分析型CRM着重于对客户贡献度的分析，RFM则强调以客户的购买行为来 区分客户。在实际应用中根据不同业务参考的数据维度也会有相应调整。
- R值：最近一次消费（Recency）指的是最近一次消费时间与当前时间的间隔。理论上R值越小的客户是价值越高的客户。在目前网购便利的大环境下，顾客有了更多的购买选择和更低的购买成本，去除地域的限制因素，客户非常容易流失，如果想要提高回购率和留存率，需要时刻关注R值。
- F值：消费频率（Frequency）指的是顾客在固定时间内（比如一年）的购买次数。实际操作中，由于部分商品的特殊性，比如3C产品，耐用品等即使是忠实粉丝用户也很难在1年内购买多次。所以，这种情况下，会把F值的时间范围去掉，替换成累计购买次数。
- M值：消费金额（Monetary）指的是顾客在对应时间内（比如一年）的消费金额。M值和F值是一样的，都带有时间范围，指的是一段时间内的消费金额。
实践应用
1、客户细分
- 高价值客户：最近消费时间近、消费频次和消费金额都很高，属于高质量客户。
- 重点发展客户：最近消费时间较近、消费金额高、但频次不高、忠诚度不高的客户，都很有潜力，可以重点发展。
- 重点保持客户：最近消费时间较远，但消费频次和金额都较高，说明这是一个一段时间没来的忠实客户，我们需要主动和他保持联系。
- 重点挽留客户：最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经流失的客户，应当采取挽留措施。
2、营销策略
以下是例子
3、模型评分
除了直接用RFM模型对用户进行分组之外，还有一种常见的方法是利用RFM模型的三个属性对客户进行打分，通过打分确定每个用户的质量，最终筛选出自己的目标用户。
RFM模型评分主要有三个部分：
- 确定RFM三个指标的分段和每个分段的分值；
- 计算每个客户RFM三个指标的得分；
- 计算每个客户的总得分，并且根据总得分筛选出优质的客户。
举个例子
确定RFM的分段和对应分段的分值之后，就可以按照用户情况对应进行打分。
对应分段的分值怎么确定，目前没有比较统一、科学的方法，可以先根据经验进行打分，然后利用算法模型进行验证修正。
3.7 漏斗分析模型
人们发现，在许多事物向前发展的过程中，都会呈现倒金字塔的形状。在同一起跑线出发的马拉松选手，随着段位的增加，越来越少的人可以继续留在赛道上，最终也只有极少数的人可以通过全程的最终点。这种淘汰或是流失的模式可以被抽象化为漏斗模型。
漏斗分析场景
场景一：电商行业不同客户群体的转化情况
某电商企业客户根据客户的消费能力，将客户划分为普通会员、黄金会员、钻石会员。为加强对用户的转化引导，F 欲针对不同用户群体采用不同的运营方式。
图1 普通会员与钻石会员的漏斗转化情况对比（图片来源：神策数据产品）
通过对比，可明显看出，普通会员从“提交订单”到“支付订单”的转化率明显低于钻石会员。为找到“支付订单”阶段转化率变低的原因，F 公司运营人员应深度分析普通会员转化率情况，如对比不同付费渠道（PC 端、手机端等）的转化情况，找到优化的短板。另外，可以尝试支付订单流程的新手引导，帮助新手顺利完成购买。
场景二：零售行业——中商惠民科学评估站内推广位的效果
首页推广位的效果监控是站内运营重要一环，数据的监测与分析是重要工作，它为站内优化、页面体验提升作出指导。运营人员可以通过用户的点击转化率与购买转化率可以判断页面不同推广位置效果。下图是中商惠民首页推广位“一元促销”、“清洁专场”两个 Banner 转化率情况对比。（注：为涉嫌商业机密，以下场景模拟真实应用场景而设，数据均为虚拟。）
图2 “一元促销”、“清洁专场”两个Banner转化率情况对比（图片来源：神策数据产品）
除此之外，漏斗分析模型已经广泛应用于各行业的数据分析工作中，用以评估总体转化率、各个环节的转化率，以科学评估促销专题活动效果等，通过与其他数据分析模型结合进行深度用户行为分析，从而找到用户流失的原因，以提升用户量、活跃度、留存率，并提升数据分析与决策的科学性等。
3.8 人货场模型
3.9 AARRR模型
https://blog.csdn.net/zjlamp/article/details/82187999