数据分析
文章平均质量分 84
二哥不像程序员
公众号:数据山谷
展开
-
数据分析思维(七)|漏斗思维
漏斗思维的概念比较简单,所谓的漏斗指的就是层层递减的结构,最终组成一个漏斗样式的模型,而递减的状态是多种业务/产品发展的常态,比如一个线下服装门店,进店的人很多(第一层),试衣服的人少一些(第二层),买衣服的人更少(第三层)这三个层级就会形成一个简单的漏斗模型。从转化链路来看,从获客到传播的整个过程中,每向下深入一个层级,对应的用户数就会照上一层有一定的损失,因此层级越向下,对应的漏斗也就变的越窄,在使用实际数据绘制漏斗图的情况下我们也可以从漏斗的变化中看出对应。有了这些思考,该怎样去解决这些问题呢?原创 2023-02-15 13:53:41 · 1329 阅读 · 0 评论 -
数据分析思维(六)|循环/闭环思维
上述的8个步骤不难理解,我们通过一次PDCA循环解决了一个重要问题,接下来的循环就是去解决该问题的分支或者第二重要的问题了,PDCA不会死板的要求我们一定按照某种顺序去解决,当问题有大有小时我们就先解决大问题,当问题有次序关系时,我们就按顺序进行解决即可。除了PDCA循环之外,其他的闭环场景(产品功能闭环、用户生命周期闭环)等也适用于上述解决问题的思想。原创 2023-02-14 14:04:36 · 1331 阅读 · 0 评论 -
数据分析思维(五)|逻辑树思维
在很多数据分析场景中我们需要梳理分析的逻辑,需要进行指标从大到小的拆分,这时候我们可以顺着影响分析结果的因素进行层层溯源,从而抓住问题的核心。逻辑树使用层级的结构将每个大问题的所有子问题进行罗列,然后再将子问题的子问题进行罗列,以此类推,当问题不能够被拆分时形成一个完整的逻辑树。议题树是最简单的逻辑树,议题树通过逐层细分的方式将模糊不清的问题分成无数个具体的小问题。由于细分的原因,议题树的子树和叶子都很多,从议题树上我们可以推断出所有的可能情况,但是构建树的速度很慢。原创 2023-02-08 15:03:05 · 1039 阅读 · 0 评论 -
数据分析思维(四)|分类/矩阵思维
在进行数据分析工作时,我们往往会涉及到多个核心指标,而对于不同数值核心指标的结合又会产生多种不同的结果,我们将相似结果的内容放到一起进行统一决策就会大大节省数据分析的时间,这种思想我们称之为分类思维(矩阵思维可以看作是分类的一种)。矩阵思维通常用于对比两个维度的指标,当指标多于两个维度时,我们称之为分类思维(根据不同维度值的组合得到不同的类),《RFM模型》是分类思维的代表,下面我们再来了解一下RFM模型。概念:市场份额指某企业某一产品的销售量(额)在市场同类产品中所占比重。矩阵,先来解释一下二者的概念。原创 2023-02-02 18:13:45 · 585 阅读 · 1 评论 -
数据分析思维(三)|测试/对比思维
测试/对比思维可以说在数据分析的工作中随处可见。当我们通过各种手段得到一些结果数据后,如何评价结果的好坏呢?这个时候你可能会想到和标准结果进行比较、和之前的数据进行对照等等方法,这些方法归根结底就是一种测试/对比思维。在该思维中最常用的方法就是A/B测试,本文我们就重点了解一下A/B测试的思想及其应用案例。分析:根据上述条件可知,我们进行的是同一组样本前后变化的比较,且样本量原创 2023-01-11 16:57:52 · 570 阅读 · 0 评论 -
数据分析思维(二)|相关思维
相关思维是数据分析中最常见的思维之一,在我们观察指标变化的时候,往往需要观察指标之间的相关关系,比如观察自己身高和体重的变化,这就是一种相关思维的体现。由上述的条件可知,广告只有A和B两种,结果也只有点击与未点击两种,因此我们需要使用卡方检验的方式来进行相关性的判断。由结果可见,广告和利润之间的相关系数为0.952,由相关系数的判断标准来衡量,从数据上看他们二者是极强相关的。根据Python计算的结果,P值>0.05,因此我们得到的结论为广告和点击不相关。根据表格可以得到,我们计算的统计量的结果为。原创 2022-12-09 14:34:46 · 825 阅读 · 0 评论 -
数据分析思维(一)|信度与效度思维
信度与效度思维通常用于在数据分析中进行更有价值的指标选择。信度:指标的可靠程度。包括一致性及稳定性。(口径是否一致,是否具有波动性)效度:指标的有效性。一个数据或指标的生成,是否贴合它所要衡量的事物,也就是说指标的变化能代表该事物的变化。总结:信度能够反映数据的稳定性和集中程度,效度能够反映数据的准确性。要衡量A公司的广告投放效果好坏,选择广告点击数作为指标,从不同的投放渠道来看,相同的广告点击数所对应的曝光量可能是不同的,这就使得指标的一致性变的很差;换个角度,因为曝光量的提高从而带来了广告点击数的提高,原创 2022-12-05 16:50:35 · 1222 阅读 · 0 评论 -
数据分析五大指标分类
指标分类定性和定量对于这两个指标,通常在不同的考核场景下进行设定。定性:非结构化的、经验性的、揭示性的、难以归类的指标普通员工:适宜采用定性成分多、需要上下级随时充分沟通、主要以工作过程为导向的考核指标。定量:可以被计数和衡量的指标管理层:适宜采用定量成分较多、约束力较强、独立性较高、以最终结果为导向的考核指标。虚荣和北极星虚荣:容易给人留下印象,但是无法用于决策的指标总注册用户数北极星:可以指明工作方向,帮助改进商业模式,决策下一步行动的指标总活跃用户数原创 2022-10-24 22:10:46 · 1618 阅读 · 0 评论 -
AIPL模型|从分群到策略
如何进行用户分群?分群后的策略如何进行?原创 2022-08-29 16:38:26 · 3530 阅读 · 0 评论 -
数据分析面试手册《SQL篇》
数据分析面试题——MySQL系列常考题目。原创 2022-08-11 00:04:55 · 520 阅读 · 0 评论 -
数据分析面试手册《统计篇》
Q1:描述假设检验?Q2:简述假设检验的两类错误?Q3:如何进行相关性分析?Q4:如何理解置信区间和置信度?Q5:估算2030年高考生的数量?原创 2022-08-05 15:51:19 · 592 阅读 · 0 评论 -
数据分析面试手册《指标篇》
最近互联网行业进入了工作变动的高峰期,很多读者对于数据分析的面试题不知道如何进行解答,本文开始二师兄将连载《数据分析面试手册》来帮助大家!除了手册之外,二师兄也建立了个人的数据分析交流群,群内将会进行不定期的干货分享、视频直播、模拟面试等福利,同时也会不定期的空降业内精英给大家进行知识分享,感兴趣的小伙伴关注二哥公众号“数据山谷”添加二哥个人微信备注入群就可以进群了!...原创 2022-07-29 12:07:42 · 536 阅读 · 0 评论 -
Python|Plotly数据可视化一网打尽(代码+应用场景)
Python数据可视化一网打进数据可视化作为数据分析最直接的结果呈现方式,了解其制作方式和应用场景是很有必要的,本文来了解一下各个图标的应用场景及代码实现。本文使用的代码主要基于做图库plotly如果使用中有不懂的内容,联系二哥!可以先收藏点赞,后面掏出来直接用!一、可视化绘制思维导图二、比较类图创建示例数据如下:import pandas as pddata = pd.DataFrame({ 'name': ['Bob', 'Mary', 'Peter', 'Ben'原创 2022-05-04 19:13:22 · 4524 阅读 · 6 评论 -
AARRR(海盗模型)|原理+Python可视化实现
AARRR模型对于大量的用户数据,我们通常要进行用户生命周期建设去理解和维护用户,这时就需要用到大名鼎鼎的AARRR模型了。AARRR概念AARRR模型因为其爆炸性的增长方式通常又被称为海盗模型,其本质由获客、激活、留存、收益、传播5个阶段组成,对这五个阶段的解释如下:Acquisition(获客):用户从不同的渠道进入产品;Activation(激活):用户在产品内部使用核心功能(完成某个特定任务);Retention(留存):用户连续性的使用产品;Revenue(收益):用户对产品产生了原创 2022-04-22 14:22:18 · 11693 阅读 · 1 评论 -
波士顿矩阵|原理+Python全流程实现
波士顿矩阵很多公司中都有着不同的产品或者是业务线,但是对于繁琐的业务来说通常我们希望根据业务的好坏进行合理的资源分配,对于这种“好坏”的判断,波士顿矩阵出现了。一、概念波士顿矩阵又称市场(销售)增长率-相对市场份额矩阵,先来解释一下二者的概念。市场增长率计算方式:比较期市场销售量(额)−前期市场销售量(额)前期市场销售量(额)∗100\frac{比较期市场销售量(额)-前期市场销售量(额)}{前期市场销售量(额)}*100%前期市场销售量(额)比较期市场销售量(额)−前期市场销售量(额)原创 2022-04-13 15:00:59 · 4866 阅读 · 2 评论 -
RFM用户分层模型|原理+Python全流程实现
RFM 模型在数据分析中经常会进行用户分层,本文我们来了解一下常见的用户分层模型RFM。RFM概念RFM是由R(Recency)、F (Frequency)、 M(Monetary) 三个维度构成的,其具体含义如下:R:最近一次消费时间间隔F:消费频率M:消费金额这里对于这三个维度的概念简单的做一个说明:R:当前日期为3.25日,上一次消费日期3月20日,消费时间间隔为5天。F:一年内去某商场消费100次,消费频率为100次。M:一年内去某商场消费总额为1W元,消原创 2022-03-26 18:32:49 · 8676 阅读 · 3 评论