3类超实用的数据分析方法 ~

来源：大数据分析和人工智能

要使各种结构化的、非结构化的、海量的数据实现标准化、信息化，能够提供业务绩效评估、业务决策支持等要求，我们首先需要进行数据分析。

同时，围绕业务问题，采用合适的分析方法，分析模型，以及分析工具，这是数据分析师的必备技能。这里整理出了一套针对不同数据分析对象所采用的三大类分析方法，每类里面包含各种小方法。

01

业务分析类

1.1 杜邦分析法

杜邦分析法目前主要用于财务领域，通过财务比率的关系来分析财务状况，其核心要点是将一个大的问题拆分为更小粒度的指标，以此了解问题出在了哪儿，从而对症下药。以电商行业为例，GMV（网站成交金额）是考核业绩最直观的指标，当 GMV 同比或环比出现下滑时候，需要找到影响 GMV 的因素并逐一拆解。 

GMV 下降如果是因下单用户减少所造成的，那么是访客数（流量）减少了，还是转化率下降了呢？如果是访客数减少了，那是因为自然流量减少了，还是因为营销流量不足？

如果是自然流量下降的话，可能需要在用户运营和产品运营端发力，如果是营销流量不足，那么可以通过营销活动或者站外引流的形式增加曝光量。

最后，如果是因为客单价不高，那么需要进行定价及促销的方案优化，比如识别具有 GMV 提升潜力的商品进行定价优化，评估当前促销的 ROI，针对选品、力度和促销形式进行优化。同时通过关联商品的推荐或商品套装促销的形式，激发用户购买多件商品，也可以有效提高客单价。

1.2 同比热力图分析法

同比热力图分析法是把各个业务线的同比数据放到一起进行比较,这样可以更直观的观察了解业务的状况。构建一张同比热力图大致需要三步：

•  把核心问题进行分解；

• 计算每个业务各项指标的同比数据；

• 针对每一项指标，对比各业务的同比高低并设定颜色渐变的条件格式。

通过同比热力图的分析，首先，可以通过纵向对比了解业务自身的同比趋势，其次，可以通过横向对比了解自身在同类业务中的位置，此外，还可以综合分析 GMV 等核心指标变动的原因。

1.3 类BCG矩阵

BCG 矩阵: 又称市场增长率-相对市场份额矩阵、波士顿咨询集团法、四象限分析法、产品系列结构管理法等。

波士顿矩阵由美国著名的管理学家、波士顿咨询公司创始人布鲁斯·亨德森于 1970 年首创。

基本原理：本法将企业所有产品从销售增长率和市场占有率角度进行再组合。在坐标图上，以纵轴表示企业销售增长率，横轴表示市场占有率, 将坐标图划分为四个象限，依次为“明星类产品（★）”、“问题类产品（？）”、金牛类产品（￥）”、“瘦狗类产品（×）”。其目的在于通过产品所处不同象限的划分，使企业采取不同决策，以保证其不断地淘汰无发展前景的产品，保持“问号”、“明星”、“金牛”产品的合理组合，实现产品及资源分配结构的良性循环。

这里想讲的并非传统的 BCG 矩阵，而是 BCG 矩阵的变阵，或者叫类 BCG 矩阵。根据不同的业务场景和业务需求，我们可以将任意两个指标作为坐标轴，从而把各类业务或者用户划分为不同的类型。

除此之外，我们还可以根据以下场景构建类 BCG 矩阵：

• 分析商品引流能力和转化率：流量份额-转化率

• 分析商品对毛利/GMV的贡献：毛利率-销售额

• 基于RFM分析用户的价值：访问频率-消费金额

02

用户分析类

2.1 TGI指数

TGI 指数又称目标群体指数，可反映目标群体在特定研究范围内的强势或弱势。

TGI 指数=用户分类中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例*100

TGI 指数表征不同特征用户关注问题的差异情况，其中 TGI 指数等于 100 表示平均水平，高于 100，代表该类用户对某类问题的关注程度高于整体水平。

如上图所示，各类目标用户在 16-25 岁这个年龄段的占比都比总体小（TGI指数<100），其中分类 1 的用户年龄偏大，因为该类用户在 36 岁以上各个年龄段的 TGI 指数都明显高于 100，且同时高于其他三类用户。

所以，在分析用户画像时，需要根据场景进行用户分类，并对比各类用户与总体间的差异，这样才能保证分析结果的可信性和适用性，而 TGI 指数就是很好的对比指标。

当前在互联网领域，除了用户实名数据以外，其他用户的画像维度一般都通过建立模型进行判断，因此无法完全保证准确性，但不同于小样本调研，大数据分析是能容忍一定数据误差的，不过，这一切都要建立在对比的基础上。

2.2 LRFMC模型

RFM 模型是客户关系管理中最常用的模型，但这一模型还不够完善，比如对于 M(Money)，即消费金额相等的两个用户而言，一个是注册两年的老用户，一个是刚注册的新用户。对于企业来说，这两个用户的类型和价值就完全不同，因此我们需要更全面的模型。

LRFMC 模型提供了一个更完整的视角，能更全面地了解一个用户的特征，LRFMC 各个维度的释义如下：

• L(lifetime)：代表从用户第一次消费算起, 至今的时间，代表了与用户建立关系的时间长度，也反映了用户可能的活跃总时间。

• R(Recency)：代表用户最近一次消费至今的时间长度，反映了用户当前的活跃状态。

• F(Frequency)：代表用户在一定时间内的消费频率，反映了用户的忠诚度。

• M(Monetary)：代表用户在一定时间内的消费金额，反映了用户的购买能力。

• C(CostRatio)：代表用户在一定时间内消费的折扣系数，反映了用户对促销的偏好性。

03

产品运营类

产品运营是一个长期的过程，需要定期对产品的使用数据进行监控，通过用户行为分析发现问题，从而确定运营的方向，同时也可以用于评估运营的效果。

产品运营的常用指标如下：

• 使用广度：总用户数，月活；

• 使用深度：每人每天平均浏览次数，平均访问时长；

• 使用粘性：人均使用天数；

• 综合指标：月访问时长=月活*人均使用天数*每人每天平均浏览次数*平均访问时长。

产品所处阶段不同，运营的侧重点也会有所不同。在产品初期，核心的工作是拉新，应该更加关注产品的使用广度，而产品的中后期，应该更加注重使用深度和使用粘性的提升。

对于不同的产品也需根据产品的性质来确定核心指标，比如，对于社交类产品，使用广度和使用粘性至关重要，而对于一些中台分析类产品，提升使用深度和使用粘性更有意义。

写在最后：在一款数据产品诞生前，应该是先有数据，再有分析，然后才是产品，分析的广度和深度直接决定了产品的定位和价值。

如果是做一款数据报表类的产品，那么需要了解核心指标，并建立综合指标的评估体系。如果是做一款分析决策类产品，那么还需要基于业务需求，将现有数据指标进行解构再重构。

End

    13个Pandas实用技巧，有点香 ！    机器学习万字实战宝典！    数据分析里常用的五个统计学概念
『数据不吹牛』二群限额开启后台回复“入群”即可加入

“有用！”