目录
1、关联分析/购物篮分析
目的:
寻找两者间的关联性
场景:
电商分析和零售分析中,研究用户消费数据
指标:
支持度:指A商品和B商品同时被购买的概率
置信度:购买A之后又购买B的条件概率
提升度:先购买A对购买B的提升作用
举例:
如“67%的顾客在购买啤酒的同时也会购买尿布”,因此通过合理的啤酒和尿布的货架摆放或捆绑销售可提高超市的服务质量和效益。
2、回归分析
见《数据分析(二):数据分析的方法-下》
3、聚类分析
见《数据分析(二):数据分析的方法-下》
4、对比分析
目的:
对比两种数据
场景:
广泛应用
指标:
横向对比:同级对比
竖向对比:通常同一对象不同时间进行对比
目标对比:完成率
时间对比:环比、同比
举例:
5、帕累托分析/ABC分析
目的:
20%的数据产生了80%的效果,找到这20%
场景:
产品分析、产品分类
举例:
比如一个商超进行产品分析的时候,就可以对每个商品的利润进行排序,找到前20%的产品,那这些产品就是能够带来较多价值的商品。常见的做法是将产品SKU作为维度,并将对应销售额作为基础度量指标,将这些销售额指标从大到小排列,并计算累计销售额占比。
6、象限分析/RFM模型/波士顿矩阵/KANO模型
目的:
对数据进行划分
场景:
产品分析、市场分析
举例:
1)RFM模型
最近一次消费 (Recency);消费频率 (Frequency);消费金额 (Monetary)。
重要程度:M > F > R
2) 波士顿矩阵
3)KANO模型
对用户需求分类和排序用的,优先级为「必备型>期望型>兴奋型>无差异]
7、ABtest
目的:
多种方案之间进行试验,进行结果比较
场景:
互联网产品的开发测试
指标:
需要指定某指标,例如:转化率、留存率..
举例:
将Web或App界面或流程的两个或多个版本,在同一时间维度,分别让类似访客群组来访问,收集各群组的用户体验数据和业务数据,最后分析评估出最好版本正式采用。
步骤:
1) 建立假设:假设是因为推广的着陆页面带来的转化率太低
2)设计方案:制作2个或多个优化版本的设计原型并完成技术实现
3)采集分析数据:
统计显著性达到95%或以上并且维持一段时间,实验可以结束;
如果在95%以下,则可能需要延长测试时间;
如果很长时间统计显著性不能达到95%甚至90%,则需要决定是否中止试验。
显著性水平:
统计显著性,也叫统计学显著性,能告诉我们优化版本转化率与原始版本转化率相比,两者有差异的概率有多大,排除偶然因素。
统计显著性指标的数值等于1减去统计学假设检验中的P值(p-value),P值表示样本间的差异由随机因素所导致的概率。。
首先,用同一版本多次做转化率测试,每次得到的转化率数值往往是不同的,但是这些数值会遵循正态分布。这对页面的原始版本和优化版本都同样适用。
如下图所示,如果两个版本转化率的正态分布完全分开(实线代表原始版本,虚线代表优化版本),没有任何重叠的部分,那么我们就说统计显著性是100%,并且认为两个版本对转化率的影响有明显差异。
统计显著
实际上上图的情况是极少发生的,多数情况是两个版本转化率的正态分布是有重叠的。
当设置的正态分布的置信度是95%,即是上图中α部分(面积占整个正态分布的5%),绿线左侧正态分布的面积是1-α=95%。优化版本转化率正太分布图落在绿线左侧部分的面积,代表了优化版本转化率与原始版转化率相同的概率。
如下图所示,β部分落在了绿线的左侧,β部分的面积占优化版本转化率正态分布总面积的5%,表示优化版本有5%的可能转化率与原始版本转化率一样。这种情况,我们说统计显著性的值是1-β=95%。
如下图所示,β部分面积是优化版本转化率正态分布的22%,落在了绿线的左侧,则统计显著性的值是1-β=78%。
8、漏斗分析:
目的:
衡量过程中每个步骤的效果
场景:
营销活动客户转化率、电商的购买路径分析
举例:海盗模型AARRR
.
9、路径分析
目的:
对用户的流动进行监测,衡量网站/app的推广效果,了解用户偏好,细分用户
场景:
APP的用户使用情况
举例:
10、留存分析
目的:
分析用户参与度、活跃度,反映客户粘性
场景:
APP的客户粘性
指标:
第1、3、7、14、30日留存率
举例:
11、杜邦分析法
目的:
反映投入资本的盈利能力
ROE(净资产收益率)=销售净利率*资产周转率*权益乘数
①销售净利率=净利润 / 销售收入——表明企业的盈利能力
②资产周转率=销售收入/ 总资产——表明企业资金周转的能力
③权益乘数=总资产/净资产(权益)——反映企业的负债程度,资产负债率越高,权益乘数就越大,风险就越大
场景:
企业财务状况分析
举例:
参考文献: