iT邦幫忙

0

數據分析慣用的5種思維方法

  • 分享至 

  • xImage
  •  

此文是《10周入門數據分析》系列的第3篇

想了解學習路線,可以先閱讀「10周計劃」

在資料分析中,資料分析思維是框架式的指引,實際分析問題時還是需要很多「技巧工具」的。就好比中學裡你要解一元二次方式,可以用公式法、配方法、直接開平方法、因式分解法。

資料分析里也有技巧,在一些通用的分析場景下可以快速使用,而且對未來構建資料分析模型也有幫助。

接下來就分享常見的5種資料分析方法,分別是:公式法、對比法、象限法,二八法,漏斗法,常常多種結合一起使用。

註:主要偏思維層面的,基於業務問題對資料的探索性分析,不同於專業統計學中的資料處理方法。

一、公式法

所謂公式法就是針對某個指標,用公式層層分解該指標的影響因素,這個我在指標化思維中提到過。

舉例:分析某產品的銷售額較低的原因,用公式法分解

某產品銷售額=銷售量 X 產品單價
銷售量=渠道A銷售量 + 渠道B銷售量 + 渠道C銷售量 + …
渠道銷售量=點擊用戶數 X 下單率
點擊用戶數=曝光量 X 點擊率

第一層:找到產品銷售額的影響因素。某產品銷售額=銷售量 X 產品單價。是銷量過低還是價格設置不合理?

第二層:找到銷售量的影響因素。分析各渠道銷售量,對比以往,是哪些過低了。

第三層:分析影響渠道銷售量的因素。渠道銷售量=點擊用戶數X 下單率。是點擊用戶數低了,還是下單量過低。如果是下單量過低,需要看一下該渠道的廣告內容針對的人群和產品實際受眾符合度高不高。

第四層:分析影響點擊的因素。點擊用戶數=曝光量X點擊率。是曝光量不夠還是點擊率太低,點擊率低需要優化廣告創意,曝光量則和投放的渠道有關。

通過對銷售額的逐層拆解,細化評估以及分析的粒度。

公式拆解法是針對問題的層級式解析,在拆解時,對因素層層分解,層層剝盡。

二、對比法

對比法就是用兩組或兩組以上的資料進行比較,是最通用的方法。

我們知道孤立的資料沒有意義,有對比才有差異。一些直接描述事物的變數,如長度、數量、高度、寬度等。通過對比得到比率資料,增速、效率、效益等指標,這才是資料分析時常用的。

比如用於在時間維度上的同比和環比、增長率、定基比,與競爭對手的對比、類別之間的對比、特徵和屬性對比等。對比法可以發現資料變化規律,使用頻繁,經常和其他方法搭配使用。

下圖的AB公司銷售額對比,雖然A公司銷售額總體上漲且高於B公司,但是B公司的增速迅猛,高於A公司,即使後期增速下降了,最後的銷售額還是趕超。

三、象限法

通過對兩種及以上維度的劃分,運用坐標的方式表達出想要的價值。由價值直接轉變為策略,從而進行一些落地的推動。象限法是一種策略驅動的思維,常於產品分析、市場分析、客戶管理、商品管理等。

比如,下圖是一個廣告點擊的四象限分布,X軸從左到右表示從低到高,Y軸從下到上表示從低到高。

高點擊率高轉化的廣告,說明人群相對精準,是一個高效率的廣告。

高點擊率低轉化的廣告,說明點擊進來的人大多被廣告吸引了,轉化低說明廣告內容針對的人群和產品實際受眾有些不符。

高轉化低點擊的廣告,說明廣告內容針對的人群和產品實際受眾符合程度較高,但需要優化廣告內容,吸引更多人點擊。
低點擊率低轉化的廣告,可以放棄了。

還有經典的RFM模型,把客戶按最近一次消費(Recency)、消費頻率(Frequency)、消費金額 (Monetary)三個維度分成八個象限。

象限法的優勢:

1.找到問題的共性原因

通過象限分析法,將有相同特徵的事件進行歸因分析,總結其中的共性原因。例如上面廣告的案例中,第一象限的事件可以提煉出有效的推廣渠道與推廣策略,第三和第四象限可以排除一些無效的推廣渠道;

2.建立分組優化策略

針對投放的象限分析法可以針對不同象限建立優化策略,例如RFM客戶管理模型中按照象限將客戶分為重點發展客戶、重點保持客戶、一般發展客戶、一般保持客戶等不同類型。給重點發展客戶傾斜更多的資源,比如VIP服務、個性化服務、附加銷售等。

給潛力客戶銷售價值更高的產品,或一些優惠措施來吸引他們回歸。

四、二八法/帕累托分析

二八法也可以叫帕累托法則,源於經典的二八法則。比如在個人財富上可以說世界上20%的人掌握著80%的財富。而在資料分析中,則可以理解為20%的數據產生了80%的效果需要圍繞這20%的資料進行探勘。往往在使用二八法則的時候和排名有關係,排在前20%的才算是有效資料。

二八法是抓重點分析,適用於任何行業。找到重點,發現其特徵,然後可以思考如何讓其餘的80%向這20%轉化,提高效果。

一般地,會用在產品分類上,去測量並構建ABC模型。比如某零售企業有500個SKU以及這些SKU對應的銷售額,那麼哪些SKU是重要的呢,這就是在業務運營中分清主次的問題。

常見的做法是將產品SKU作為維度,並將對應的銷售額作為基礎度量指標,將這些銷售額指標從大到小排列,並計算截止當前產品SKU的銷售額累計合計佔總銷售額的百分比。

百分比在 70%(含)以內,劃分為 A 類。
百分比在 70~90%(含)以內,劃分為 B 類。
百分比在 90~100%(含)以內,劃分為 C 類。
以上百分比也可以根據自己的實際情況調整。

ABC分析模型,不光可以用來劃分產品和銷售額,還可以劃分客戶及客戶交易額等。比如給企業貢獻80%利潤的客戶是哪些,佔比多少。

假設有20%,那麼在資源有限的情況下,就知道要重點維護這20%類客戶。

五、漏斗法

漏斗法即是漏斗圖,有點像倒金字塔,是一個流程化的思考方式,常用於像新使用者的開發、購物轉化率這些有變化和一定流程的分析中。

上圖是經典的營銷漏斗,形象展示了從獲取使用者到最終轉化成購買這整個流程中的一個個子環節。相鄰環節的轉化率則就是指用資料指標來量化每一個步驟的表現。所以整個漏斗模型就是先將整個購買流程拆分成一個個步驟,然後用轉化率來衡量每一個步驟的表現,最後通過異常的資料指標找出有問題的環節,從而解決問題,優化該步驟,最終達到提升整體購買轉化率的目的。

整體漏斗模型的核心思想其實可以歸為分解和量化。比如分析電商的轉化,我們要做的就是監控每個層級上的使用者轉化,尋找每個層級的可優化點。對於沒有按照流程操作的使用者,專門繪製他們的轉化模型,縮短路徑提升使用者體驗。
還有經典的駭客增長模型,AARRR模型,指Acquisition、Activation、Retention、Revenue、Referral,即用戶獲取、用戶激活、用戶留存、用戶收益以及用戶傳播。這是產品營運中比較常見的一個模型,結合產品本身的特點以及產品的生命周期位置,來關注不同的資料指標,最終客製不同的營運策略。

從下面這幅AARRR模型圖中,能夠比較明顯的看出來整個使用者的生命周期是呈現逐漸遞減趨勢的。通過拆解和量化整個使用者生命周期各環節,可以進行資料的橫向和縱向對比,從而發現對應的問題,最終進行不斷的優化迭代。

不過,單一的漏斗分析是沒有用的,不能得出什麼結果,要與其它相結合,如與歷史資料的對比等。

好了,這一節的內容很輕鬆,也很容易理解,結合之前的資料分析思維內容,是不是開始有一點分析的感覺了。

下一節我們將要學Excel的進階,重點講資料分析處理過程中,常用的公式和操作,學好秒殺所有新手。
閱讀原文:數據分析慣用的5種思維方法
想要瞭解小編的更多狀態,更多關於數據分析知識,可以來臉書與我互動起來~


圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言