数据分析八大模型:详解PEST模型

简介: 上一篇为大家分享了行业分析的基本做法(一文看懂:行业分析怎么做?),很多小伙伴在问:有没有个分析模型可以用?今天介绍一个行业分析的业务模型:PEST模型。

一、什么是PEST


PEST是指影响行业发展的四个关键因素:


  • 政策(Political):政府对行业监管政策
  • 经济(Economic):宏观经济形势
  • 社会(Social):社会发展趋势
  • 技术(Technological):新技术出现

四个因素合成PEST。即使不是专业做数据分析的人,也能感受到:政策、经济、社会、技术会影响到行业发展。问题是在,怎么把这四个因素,量化成可分析的指标呢?


二、P的量化方式


首先,政策(P)的影响是最难量化、最难预计,也最重要的(特别是在我们国家,你懂得)比如2021年,K12课外辅导行业,就被政策直接干没了。课外辅导行业从业人员数以百万计,也没有谁能分析出来。


因此政策影响只能做趋势性判断,很难直接量化。除非是一个行业经历过政策周期性调整,才能一定程度量化出,政策宽松/收紧的时候,行业发展趋势如何。类似课外辅导这种被政策直接干没的,就没法分析了,只能想办法收集政策风声……


三、E的量化方式


经济E是比较容易量化。因为宏观经济形势,会在上游、下游企业,以及行业自身的新进入/退出玩家身上,得到充分的表现。并且,这种表现一定会反映到自己企业里。


比如2021年,很多地方限电,导致工厂无法正常开工,订单交付延迟。很多原材料涨价,导致商品成本上升,这些都是宏观经济的影响。


量化E的时候,一般从以下三个角度来看


  • 上游企业的经营更好/更难→导致我司的成本更高/更低


  • 下游企业的经营更好/更难→导致我司的销售更好/更差


  • 较其他行业,我行业更好/更差→导致进入行业的玩家更多/更少


(如下图)


image.png


四、S的量化方式


社会S是比较难量化的。因为社会上总是有各种新思潮、新流行文化、新风尚出现,且这些玩意很难具体到,比如时尚指数,爱好指数这种指标。


因此,想要量化S,建议直接看行业的终端用户群体,通过对终端用户需求的了解,来判断社会变化可能对行业的影响。


常用的指标,包括:


  • 用户数量:增加还是减少
  • 用户喜好的购物渠道:线上/线下,比例变化
  • 用户喜好的信息渠道:传统媒体/新媒体,比例变化
  • 用户喜好的商品类型:爆款商品的特征


(如下图)


image.png


在分析以前,一定要先把自己企业的目标用户设定好,比如分布在1、2、3线城市、年龄在25-45岁之间女性。有了这个设定,就可以分头找数据了。


用户数量可以从国家统计局获得,用户喜好,可以通过市场调查抽样获得,或者通过天猫/京东/抖音/快手等平台发布的平台用户画像数据来获得。


五、T的量化方式


T是相对容易量化的,因为T的变化,会反映到商品新卖点/生产成本的变化。因此不用管具体的新技术是啥,只要请教我们的供应链/开发工程师们,是否这个新技术能影响收入/成本即可。


有可能,新技术还停留在概念阶段,没有明确表现为某个商品功能点/生产工艺的改进。此时不太容易下判断,最好等有相对明确的商品功能点/生产工艺出来以后,再做评估。



image.png


六、PEST的综合应用


注意:PEST作为影响行业的宏观因素,一般情况下不会剧烈变化,会有一个循序渐进的变化过程。比如政策出台前,媒体会有风声透出。比如上游行业的变化,一般是现有部分企业出现变化,之后是全行业性变化。


因此,PEST的分析,不需要每日/每周的追数据。本身指标变化就不是很大,采集数据难度又很高。一般是在月度复盘的时候,把变化的苗头提示出来,在季度复盘的时候,如果PEST某方面放生重大变化,再单独列数据进行分析。这样既能满足需求,又不增加很大工作量。


相关文章
|
2月前
|
SQL 存储 数据挖掘
大模型与数据分析:探索Text-to-SQL(下)
大模型与数据分析:探索Text-to-SQL(下)
294 3
|
2月前
|
SQL 自然语言处理 数据挖掘
大模型与数据分析:探索Text-to-SQL(上)
大模型与数据分析:探索Text-to-SQL(上)
1070 0
|
2月前
|
SQL 自然语言处理 数据挖掘
大模型与数据分析:探索Text-to-SQL(中)
大模型与数据分析:探索Text-to-SQL(中)
426 0
|
2月前
|
机器学习/深度学习 存储 人工智能
TableAgent数据分析智能体——数据分析师的大模型
TableAgent数据分析智能体——数据分析师的大模型
|
2月前
|
供应链 搜索推荐 数据挖掘
数据分析方法与模型
数据分析方法与模型
|
8月前
|
数据挖掘
87 网站点击流数据分析案例(统计分析-Visit分析【点击流模型】)
87 网站点击流数据分析案例(统计分析-Visit分析【点击流模型】)
48 0
87 网站点击流数据分析案例(统计分析-Visit分析【点击流模型】)
|
2月前
|
资源调度 自然语言处理 数据可视化
【数据分析与可视化】Matplotlib中十大绘图模型的讲解及实现(图文解释 附源码)
【数据分析与可视化】Matplotlib中十大绘图模型的讲解及实现(图文解释 附源码)
90 1
|
6天前
|
数据采集 机器学习/深度学习 数据挖掘
Python基于波动率模型(ARCH和GARCH)进行股票数据分析项目实战
Python基于波动率模型(ARCH和GARCH)进行股票数据分析项目实战
|
10天前
|
数据采集 机器学习/深度学习 数据可视化
关于Python数据分析项目的简要概述:从CSV加载数据,执行数据预处理,进行数据探索,选择线性回归模型进行训练,评估模型性能并优化,最后结果解释与可视化。
【7月更文挑战第5天】这是一个关于Python数据分析项目的简要概述:从CSV加载数据,执行数据预处理(填充缺失值,处理异常值),进行数据探索(可视化和统计分析),选择线性回归模型进行训练,评估模型性能并优化,最后结果解释与可视化。此案例展示了数据科学的典型流程。
32 2
|
20天前
|
机器学习/深度学习 自然语言处理 数据挖掘
使用Python和大模型进行数据分析和文本生成
Python语言以其简洁和强大的特性,成为了数据科学、机器学习和人工智能开发的首选语言之一。随着大模型(Large Language Models, LLMs)如GPT-4的崛起,我们能够利用这些模型实现诸多复杂任务,从文本生成到智能对话、数据分析等等。在这篇文章中,我将介绍如何用Python连接和使用大模型,并通过示例展示如何在实际项目中应用这些技术。