数据分析学习笔记（二） 数据分析的思维技巧

秦路《七周成为数据分析师》学习笔记，供自己学习查看使用，侵删。

目录

象限法

多维法

假设法

指数法

二八法

对比法

漏斗法

---

象限法

常见用途：

用户分群：用户价值与用户流失度两个维度进行划分，能使用户群体被划分得很清晰。

RFM模型：

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：

• 最近一次消费时间(Recency)
• 消费频率(Frequency)
• 消费金额(Monetary)

在这个模型中，时间占据着很重要的角色。

在不同的业务背景之中，不同的维度有着不同的重要性。比如获取一个用户的成本非常高，那我们通常会给“最近一次消费”更多的权重，因为我们非常关注客户流失率。

核心 所划分出的范围分别对应不同策略。

优点  直观，清晰，对数据进行人工的划分。划分结果可以直接应用于策略。

应用  适用范围广、戓略分析、产品分析、市场分析、客户管理、用户管理、商品管理等。

划分标准具体情况具体分析。

多维法

核心  精细驱动

优劣  处理大数据量，维度丰富且复杂的数据有较好的效果。但是维度过多，会消耗不少时间

应用  只要数据齐全且丰富，均可以应用

注意  多维情况下常常会出现辛普森悖论。

辛普森悖论：

在分组比较中都占优势的一方，在总评中有时反而是失势的一方。产生原因往往是各分组的数据量相差较大。

解决方式：钻取（将维度进一步拆分）

假设法

很多时候，数据分析是没有数据可明确参考的： 比如新进入一个市场，公司开拓某样产品，要进行预测； 或者产品的数据基础非常 糟糕，你拿不到数据。

 例 1 

公司在节日进行了一次营销活劢，APP上的销量数据整体比上周上升了20%。因为统计失误问题，拿不到明细数据，也就是说，活动效果是一个黑盒。现在的问题是，销量本身就有可能因为节日而提高，那么怎么证明活动是有效或者无效的呢？

 假设嘉伦成功带货。那么会发生什么事情？（任嘉伦感CAFE代言活动）

• 会有一定数量的任嘉伦粉丝购买，如果能证明这条，那么我们有理由相信活动是有效的。
• 粉丝因为嘉伦购买咖啡，会发生什么可观测的行为呢？—— 商品评价中提及嘉伦。
•  当粉丝提及了嘉伦，接下来的问题是，在本来就因为节日而提高销量的情况下，嘉伦的贡献在销售增长中占了多少？
• 假设参与活动的用户行为没有变化，那么通过历史数据的用户评论占比（或转化率），反推出粉丝购买人数，再和总的销量增长做对比，就可以得知嘉伦究竟为雀巢带货提高了多少。

（个人认为，这个分析是站在第三方的立场的（或竞争厂家想打探消息），因为厂家怎么可能没有卖出去多少件的数据呢，何必通过评论量进行粗浅估算……而且，以上假设了不论是否是粉丝，写评价的几率是一样的，但实际上粉丝买了的话八成会写评价，而普通消费者买东西不评价是很正常的。或者用在促销折扣/买赠这种活动上更为合适，此处只是一个嘉伦粉丝为了加深记忆而自己套上的场景哈哈~）

 例 2 

你是自营电商的数据分析师，现在想知道商品提价后，收入会不会有变化。你会怎么做？

• 假设商品提价后，销量一定会下跌，问题是销量下跌多少？
• 首先假设流量不会有变化（流量和渠道营销正相关），商品价格只影响转化率，那么现在确定转化率的波动。
• 找出平时的转化率（譬如为20%，100个人浏览时有20个人会购买），预估提价后的转化率变化。假设各类型用户对价格敏感度不同，那么将用户划分忠诚XX、普通XX、羊毛XX…
• 不同用户层次数量不同，反应不同。忠诚用户转化率变化极低，羊毛几乎不会转化（变为0）…这些数据可以凭借经验做出假设。最后汇总。

 积累：对于商品价格改变不改变流量，只影响转化率；估计转化率变化时分用户类型讨论。

核心   启发性思考驱动

优点   当没有直观数据、线索分析时，以假设先行的方式进行推断，这是一个论证的过程。

应用   更多是一种思考方式，假设—验证—判断。

须知   不只可以假设前提，也能假设概率或者比例，一切都能假设， 只要自圆其说。

指数法

指定一个标准来衡量热度等。比如说爱奇艺剧播指数……周生如故一生一世给我冲！！

回到正题咳咳，其实就是加工原始数据→目标指数。就是以前数学建模你总干的事。

核心  目标驱动的思维

优点  目标驱动力强，直观、简洁、有效。对业务有一定的指导作用。

应用  无法利用数据而将其加工成可利用的。

须知  没有统一的标准，很多指数更依赖经验的加工。

常用方法：

1.线性加权。不赘述。

2.取倒数。如计算用户忠诚度，每月买了几次，买的次数越多可能忠诚度更高，但是！——买1次和买两次在忠诚度上有很大的差别，而买50次和买100次就不差啥了。——采用倒数，令y=1-1/x,这样可以把数值小时的差异放大而把数值大时的差异缩小。

3.同理可以取log。

二八法

数据中，20% 的变量将直接产生80%的效果，数据分析更应该围绕这20%作文章。

虽然指标很多，但往往某些指标更有价值，二八法则不仅能分析数据，也能管理数据。

（持续关注TopN的数据是一个非常好的习惯！）

核心  只抓重点的思维

优点  和业务紧密相关，和KPI更紧密相关。花费很少精力就能达到不错的效果，性价比很优

应用  存在于几乎所有的领域，所以这种分析思维没有局限。

须知  在条件允许的情况下，数据分析依旧不能放弃全局，否则会让思路变得狭隘

 

对比法

节日大促，女生消费占比从60%变为70%，女生节日爱消费？

这个结论是有问题的！

占比提高了，不代表绝对值提高了。某商品平时销售额100万女生占60万，节日销售额80万女生占56万：竞争对手节日做了超大的促销活动，节日销售额降低了……

孤证不立。  （只有一条证据支持某个结论，那么这个结论是不可接受的。）

核心  挖掘数据规律

优点  对比法可以发现很多数据间的规律，它可以与任何思维技巧结合，

         比如多维对比、象限对比、假设对比等

应用  一次合格的分析，一定要用到n次对比

漏斗法

核心  流程化思考方式，清楚看到流程各步骤中的转化率

应用  涉及到变化和流程的都能用。

须知  要和其他分析思维结合，比如多维，比如对比。单一的漏斗分析得到转化率没有用~