文章目录
1.纵向分析和横向分析
- 纵向比较同一事物在不同时期的形式,揭示事物的发展规律
- 横向比较同一层次的各种相关事物,对决策起到参考作用
2.电商行业
- 电商流量质量好坏程度:
平均访问深度=浏览量/访问次数- 客户质量好坏程度
留存率- AARRR:
Acquisition、Activation、Retention、Revenue、Referral
K因子是推荐系数,使用在第三个R,推荐阶段- ARPU:Average Revenue Per User
指的是该业务在一定时期内每个用户贡献的收入价值,计算公式是:总收入/总用户数- 电商行业的黄金公式
销售额=流量*转化率*客单价- SPU/SKU
SPU是商品信息聚合的最小单位,是一组可复用、易检索的标准化信息的集合,该集合描述了一个产品的特性,iphone4就是一个SPU
Vistis是浏览次数,一进一出即为一次流量
访问次数:如果访客连续30分钟没有新开和刷新页面,或者访客关闭了浏览器,则当访客下次访问您的网站时,访问次数加1。- A/B测试评价活动效果好坏
*用销量度量的时候单位要一致
3.广告投放
- 计费模式:
CPS(Cost Per Sales)按实际销售收费
CPM (Cost Per Mille) 按每千次曝光收费
4.基本指标
- 求和类
时间维度下的求和:YT、MTD、QTD、WTD- 比较类
- 计数类
5. 经销商资金利用效果高低的指标是库销比
6. 业务分析模型
- 漏斗模型:
本质意义是风险管控
比如流量付费分析、状态递进力度、业务流程中的风险情况、各阶段业务行为效果情况
关注体型、流速、流量- 5W2H:
可用来梳理数据线索- 树状体系图:
目的:原因追踪、鸟瞰全局、预估影响
树状体系图中拆解上层指标依据的是:父子级构成关系、逻辑计算关系、业务联系关系- 帕累托分析:
核心贡献人群、产品- 波士顿矩阵(商品矩阵):
- 基础图表:散点图
- 通过相对市场占有率、销售增长率两个因素相互作用,会出现四种不同性质的产品类型,形成不同的产品发展前景:
①销售增长率和市场占有率“双高”的产品群(明星类产品);
②销售增长率和市场占有率“双低”的产品群(瘦狗类产品);
③销售增长率高、市场占有率低的产品群(问题类产品);
④销售增长率低、市场占有率高的产品群(金牛类产品)。- 波士顿矩阵适用于对商品的描述而不是客户
- 业务图形决策树
四类图表分别是构成类、对比类、序列类及描述类,描述类又分为业务性描述和统计类描述(直方图、旭日图,这两类图表展示数值本身分布规律,散点图和气泡图展示数值之间的关联关系)- CRISP-DM 模型
CRISP-DM 模型为一个KDD工程提供了一个完整的过程描述。
该模型将一个KDD工程分为6个不同的阶段:商业理解、数据理解、数据准备、建模、模型评估、模型部署(发布)- EDIT数字化工作模型
探索(Exploration)、诊断(Diagnosis)、指导(Instruction)、工具(Tool)- 人货场
价值模型中一般右上左下提升难度大,其余阶段随着贡献价值的升高提升难度会随之逐渐增大
7.可视化图表
- 雷达图:
雷达图突出对象间差异程度- 簇状柱形图、簇状条形图和堆积柱形图、堆积条形图
前者侧重于数值对比,后者侧重于占比分析
8.业务分析报告
BI报表:
- 需要结合业务需求进行设计(确定主题,将抽象的业务逻辑转化为具象的度量和维度)、分析、制作完成,在BI报表的设计阶段主要是将抽象的业务逻辑转化为具象的维度和度量的过程
调整完善阶段:发现问题,KPI指标分类分析,规划结构、提纲、主要内容- 交叉维度下观测详情
DB(DataBase):数据库,一般指的就是OLTP数据库,在线事物数据库,用来支持生产的。DB保留的是数据信息的最新状态,只有一个状态!
DW(Data Warehouse):数据仓库,保存的是数据在不同时间点的状态,对同一个数据信息,保留不同时间点的状态,便于我们做统计分析。- BI功能模块:
DB是BI项目之外的数据源
数据收集:ETL(抽取转换加载)/DW(power query)
数据加工处理:ETL(power query)
数据分析:OLAP(power pivot)
数据结果展示:可视化(power view power map)
9.父子级关系
父子级关系是父对子是一对多,子对父是一对一,比如城市与省份。
月份与星期之间不构成父子级关系。
信息量=维度*度量
10.使用数据
PV:page_view,用户浏览的页面数量
UV:unique visitor,网站独立访客,访问的用户数去重计数
IP:独立IP,访问网站的不重复的IP数
CV:Content Views,内容播放数,一个统计周期内,视频被打开,且视频正片内容(除广告)被成功播放的次数
VV:video view,用户访问的次数,用户从进来到退出记为一次访问