商业数据分析模型及其核心Python代码_持续更新
商业数据分析模型_持续更新
- 一、AARRR模型
- 二、PEST模型
-
- 理论
- 医美行业应用案例
- 三、RFM模型
-
- 理论
- Python实战_核心指标计算
- 四、SWOT模型
- 五、5W1H模型
- 六、流程拆解法
- 七、二分法
- 八、象限拆解法
- 九、杜邦分析法
一、AARRR模型
理论
案例（各类指标计算方式_Python实现）
1. 获取
日新增用户数（DNU）：每日注册并登陆的用户数。
在这里插入代码片
2. 激活
日活跃用户数（DAU）：每天登陆过产品的用户数（还有周活（WAU）、月活（MAU））
在这里插入代码片
日均使用时长（DAOT）：平均每天每个用户使用时间（日 总 计 在 线 时 长 日 活 跃 用 户 数 \frac{日总计在线时长}{日活跃用户数}
日活跃用户数
日总计在线时长）
在这里插入代码片
3. 留存
次日留存率：前一天新增的用户数在第二天使用的比例（还有三日留存率、七日留存率等）。
在这里插入代码片
日流失率：统计日使用产品，但随后7日未使用产品的用户占统计日活跃用户的比例。
在这里插入代码片
周流失率：上周使用过产品，但本周未使用产品的用户占上周活跃用户的比例。
在这里插入代码片
月流失率：上个月使用过产品，但是本月未使用产品的用户占上月活跃用户的比例。
在这里插入代码片
4. 收益
付费率（PR）：付费用户占活跃用户的比例。
在这里插入代码片
活跃付费用户数（APA）：在统计时间区间内，成功付费的用户数。
在这里插入代码片
平均每用户收入（ARPU）：在统计时间内，活跃用户产生的平均收入。
在这里插入代码片
平均每付费用户收入（ARPPU）在统计时间内，付费用户产生的平均收入。
在这里插入代码片
生命周期价值（LTV）：用户在生命周期内创造的收入总和。
在这里插入代码片
5. 传播
K因子
K=（每个用户向他的朋友们发出的邀请的数量）×（接收到邀请的人转化为新用户的转化率）
可视化（利用pyecharts库的Funnel）代码来源
from pyecharts import options as opts
from pyecharts.charts import Funnel
data = [13543, 11413, 10982, 7765, 5918]
phase = ['新用户', '激活用户', '留存用户', '消费用户', '传播用户']
funnel = Funnel(init_opts=opts.InitOpts())
funnel.add("阶段", [list(z) for z in zip(phase, data)])
funnel.set_global_opts(title_opts=opts.TitleOpts(title="AARRR模型"))
funnel.render("AARRR.html")
二、PEST模型
PEST模型属于纯理论模型，比较难有量化的指标，因此在此不展示代码案例…
理论
PEST模型，是做行业宏观环境分析时很常用的一个分析模型。
PEST四个字母，分别代表政治（Political）、经济（Economic）、社会（Social）和技术（Technological）。
政治（Political）：一般是政策相关的影响，包括国家制度，政策方针，法律等条款。
经济（Economic）：宏观层面可以是人口数量，国民生产总值，国民可支配收入等大数。微观层面，是和行业更相关的消费者收入水平、消费偏好等。
社会（Social）：离不开文化水平、宗教信仰、风俗习惯等意识形态。
技术（Technological）：顾名思义，就是相关技术手段变化和可能带来的影响。
更详细的索引，对应PEST每个部分（图片来源）
PEST理论参考文章_1
PEST理论参考文章_2
PEST理论参考文章_3
医美行业应用案例
医美行业分析的PEST模型分析（参考文章）
三、RFM模型
理论
RFM模型能够很好的发掘不同的用户群体，针对于不同的客户群体则需要制定不同的策略，争取做到每一笔资源成本都能落在刀刃上，以减少运营成本最大化挖掘用户的价值。（借网图一用，有侵权请联系删除。）
RFM理论参考文章_1
RFM理论参考文章_2
RFM模型由三个基础指标组成：
R：最近一次消费至今的时间
F：一定时间内重复消费频率
M：一定时间内累计消费金额
RFM模型里，三个变量的含义是很具体的：
M：消费越多，用户价值越高，越应该重点关注。
R：离得越远，用户越有流失可能，越应该唤醒用户。
F：频次越低，越需要用一次性手段（比如促销、赠礼），频次越高，越可以用持续性手段（积分） 来维护
Python实战_核心指标计算
''' ---------------R值计算方式---------------- '''
# 生成客户最后一次购买时间（一般单位为天）
temp = 数据框.groupby('客户列')['时间列'].max().reset_index()
# 设定时间锚点计算最近一次消费至今的天数
temp['R'] = (pd.to_datetime('锚点时间') - temp['时间列']).dt.days
''' ---------------F值计算方式---------------- '''
# 用户统计频次(一般以一天作为一次消费频率，一天内购买多次需要合并)
temp['F'] = 数据框.groupby('客户列').count().reset_index()['时间列']
''' ---------------M值计算方式---------------- '''
# 每个客户总消费额
temp = 数据框.groupby('客户列').sum().reset_index()['消费金额列']
# 客户平均支付金额（总消费额/消费频率）
temp['M'] = temp['每个客户总消费额列'] / 数据框['F']
''' --------------RFM指标的运用--------------- '''
1、利用RFM指标对指标进行分组后对客户进行粗分类
2、利用RFM指标使用聚类算法对客户进行细致的分类
分类可参考下述图片（图片来源）：
四、SWOT模型
理论
案例
五、5W1H模型
理论
案例
六、流程拆解法
理论
案例
七、二分法
理论
案例
八、象限拆解法
理论
案例
九、杜邦分析法
理论
案例