6大常用数据分析模型详解

转自:https://www.toutiao.com/i6906745504798097933/

在进行数据分析过程中,我们通常需要使用各种模型来证明自己的分析观点,使自己的结论更具备说服力,同时也让自己的论证思路更具备逻辑性和条理性。

今天老李就给罗列了6个常用的数据分析模型,并附上实际的案例讲解以及分析模板,希望能让大家快速掌握这些模型和方法!

话不多说,上干货!

1、RFM模型

RFM 分析是美国数据库营销研究所提出的一种简单实用的客户分析方法,发现客户数据中有三个神奇的要素:

  • 最近一次消费时间(R):

    客户距离最近的一次采购时间的间隔。

  • 最近一段时间内消费频次(F):

    指客户在限定的期间内所购买的次数。

  • 最近一段时间内消费金额(M):客户的消费能力,通常以客户单次的平均消费金额作为衡量指标。

这三个要素构成了数据分析最好的指标,RFM 分析也就是通过这个三个关键指标对客户进行观察和分类,针对不同的特征的客户进行相应的营销策略,如下图所示:

6大常用数据分析模型详解_第1张图片

案例讲解:已知某公司销售信息,分析该公司客户消费能力,并将其分类进行营销。

分析思路:

  • 1)获取R、F、M 3 个关键指标。

  • 2)根据实际业务情况,设置并求出阈值,可以是平均值、中位数,示例使用R、F、M三个指标的平均值。

  • 3)将三个指标R、F、M进行特征向量化,对于M、F,如果客户消费金额和频率高于阈值,计为1,否则计为0;

    对于R则相反。

  • 4)根据特征向量将客户分类。

6大常用数据分析模型详解_第2张图片

利用FineBI制作

结论:客户类型中占比最多的是一般发展客户(最近购买过,但频率和金额都不大),应向该客户推送公司主营业务,通过宣传推广让产品信息送达客户手中。

其次占比较多的是一般挽留客户(很长时间未买,购买的频率和金额较少),应该面向该部分人群推出促销活动,拉动消费的积极性
此外还可计算各地区客户消费能力与消费流失情况,由于M、F 为正向指标,则用M、F作为横纵轴代表客户消费的能力,值越大表示消费能力越高

R为负向指标,则代表消费流失情况,图形越大表示最近消费距今时间越长,流失越严重。

6大常用数据分析模型详解_第3张图片

结论:成都和北京地区客户消费金额较大,但客户流失情况比较严重,需要重点关注。武汉、沈阳地区客户以小额消费为主,但消费次数多。

2、帕累托分析

帕累托分析法又称ABC 分类法,平常也称之为「80 对 20」规则,常用于商品的库存管理分析中。

把产品或业务分为A、B、 C三类,用于分清业务的重点和非重点,反映出每类产品的价值对库存、销售、成本等总价值的影响,从而实现差异化策略和管理。

6大常用数据分析模型详解_第4张图片

案例讲解:已知不同品类商品的销售额信息,需分析商品销售量情况有重点的管理商品。

分析思路:

  • 1)计算不同品类商品累计销售额及其占比,

  • 2)按照累计销售占比将品类分成几类,将品类按照累计销售额占比:

    0-70% 1类;

    70%-90% 2类;

    90%-100% 3类

6大常用数据分析模型详解_第5张图片

6大常用数据分析模型详解_第6张图片

3、购物篮分析

大家应该都听过这样一个经典案例:超市里经常会把婴儿的尿不湿和啤酒放在一起售卖,原因是经过数据分析发现,买尿不湿的家长以父亲居多,如果他们在买尿不湿的同时看到了啤酒,将有很大的概率购买,从而提高啤酒的销售量。

6大常用数据分析模型详解_第7张图片

这种通过研究用户消费数据,将不同商品之间进行关联,并挖掘二者之间联系的分析方法,就叫做商品关联分析法,即购物篮分析,通过「支持度」、「置信度」、「提升度」三个指标判断商品见的关联。

支持度:是指A商品和B商品同时被购买的概率,或者说某个商品组合的购买次数占总商品购买次数的比例。支持度说明了这条规则在所有事务中有多大的代表性,显然支持度越大,关联规则越重要。

比如今天共有10笔订单,其中同时购买牛奶和面包的次数是6次,那么牛奶+面包组合的支持度就是6/10=60%

置信度:指购买A之后又购买B的条件概率,简单说就是因为购买了A所以购买了B的概率

比如今天共有10笔订单,其中购买A的次数是8,同时购买A和B的次数是6,则其置信度是6/8=75%

提升度:先购买A对购买B的提升作用,用来判断商品组合方式是否具有实际价值,是看组合商品被购买的次数是否高于单独商品的购买次数,大于1说明该组合方式有效,小于1则说明无效。

比如今天共有10笔订单,购买A的次数是8,购买B的次数是6,购买A+B的次数是6,那么提升度是0.6/(0.8*0.6)>1,因此A+B的组合方式是有效的

6大常用数据分析模型详解_第8张图片

4、波士顿矩阵

波士顿矩阵通过销售增长率(反映市场引力的指标)和市场占有率(反映企业实力的指标)来分析决定企业的产品结构。

波士顿矩阵将产品类型分为四种,如下图所示:

6大常用数据分析模型详解_第9张图片

6大常用数据分析模型详解_第10张图片

5、转化分析

转化漏斗模型,是分析用户使用某项业务时,经过一系列步骤转化效果的方法。

转化分析可以分析多种业务场景下转化和流失的情况,不仅找出产品潜在问题的位置,还可以定位每个环节流失用户,进而定向营销促转化。

解决哪些问题:

比如搜索商品——>浏览商品——>商品下单——>交易付款,每个过程的转化率有多少?两个推广渠道带来不同的用户,哪个渠道的注册转化率高?哪些客服下单转化情况最好?

1、阶段转化:对于需要进行逐级转化的平台运营,首先可以通过用户转化漏斗图进行宏观的流程转化数据分析找出目前阶段最需要优化的运营环节和平台,有效地进行针对性治理,最终提高整体平台用户转化率。付款转化率=付款人数/下单人数

6大常用数据分析模型详解_第11张图片

分析结论:1)用户从浏览商品行为到添加购物车行为这一流程,其转化率为51.22%,反映出该平台的商品介绍、图片描述等对用户有较强的吸引力;2)添加购物车到下单的转化率,其转化率高达99.66%;3)但付款的转化率仅 50.34%,这是一个值得反思的转化节点

4)通过数据分析猜测该平台商铺支付渠道不完善,需要增加例如支付宝、微信等快捷支付渠道,降低平台因为没有提供用户习惯性的支付渠道而导致用户放弃购买行为的几率。

2、事件转化

通常指的是平台或商铺通过一系列的运营推广活动以及由于公共事件影响所带来的额外价值,例如网络营销总的SEO关键词投放、折扣促销活动、邮件营销等等效果跟踪。通常可关注于营销渠道转化率等指标进行活动的推广营销效果评估

6大常用数据分析模型详解_第12张图片

案例解读:

1)目前平台的转化率最高的渠道主要是基础上线工作、轮台、贴吧推广、微信推广、品牌基础推广几个渠道。

2)根据基础线上工作渠道随时间的转化率走势情况,可以推测出平台在2015年12月(因为从2015年12月用户的下单转化率有所下降,一般用户在知道近期即将有促销活动的时候,往往会收藏商品从而产生延迟消费,所以活动开始前的时间转化率会降低)左右发布了即将要开始的商品促销活动,同时活动日期大概在2016年1月左右(转化率提升明显),属于跨年的大型活动促销,同时也取得了较好的活动效果。

6、杜邦分析法

杜邦分析法利用几种主要的财务比率之间的关系来综合地分析企业的财务状况,用来评价公司盈利能力和股东权益回报水平,从财务角度评价企业绩效。

其基本思想是将企业净资产收益率逐级分解为多项财务比率乘积,这样有助于深入分析比较企业经营业绩。

实现思路:

净资产收益率=销售净利润率*资产周转率*权益乘数

净资产收益率受三类因素影响:

6大常用数据分析模型详解_第13张图片

实现效果:

6大常用数据分析模型详解_第14张图片

推荐阅读:

漫画讲解Kafka高效的存储设计|面试

漫画面试回答kafka为何如此之快|满分

漫画全面解释Spark企业调优点

你可能感兴趣的:(数据仓库,大数据,人工智能,数据分析,机器学习,数据挖掘)