数据分析思维(四)|分类/矩阵思维

简介: 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

分类与矩阵思维

1、概念

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)。

举个最常见的例子,销售商品时我们可以统计销售额和销量作为核心指标,对于这两个指标我们可以设定一个标准线去划分销售额和销量的高低,再根据高低的组合划分每个区域的销售水平。示例如下:

在这里插入图片描述

2、举个例子(矩阵思维)

(1)概念

上文中提到的销售额和销量的例子就是一种矩阵思维,《波士顿矩阵》则是矩阵思维的代表,下面来简单介绍一下波士顿矩阵。

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%

举例(对某商品):(今年3月份销售500件-今年2月份销售300件)/今年2月份销售300件*100%

  • 市场份额(市场占有率)

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。通常有如下三种市场份额的计算方法:

  1. 总体市场份额:某企业销售量(额)在整个行业中所占比重;
  2. 目标市场份额:某企业销售量(额)在其目标市场,即其所服务的市场中所占比重;
  3. 相对市场份额:指某企业销售量(额)与市场上最大竞争者销售量(额)之比,若高于1,表明其为这一市场的领导者。

在构建波士顿矩阵的时候,对于市场份额我们可以使用相对市场份额或者总体市场份额。

根据市场增长率和相对市场份额由低到高进行组合,我们可以得到如下的波士顿矩阵:

请添加图片描述

对于四种产品的描述如下:

  • 瘦狗产品:相对市场份额低,市场增长机会也没有,拖累公司发展的产品。
  • 问题产品:问题产品的问题在于未来,该类型产品有很多不确定性,可能会成为其余三种产品中的任意一种。
  • 明星产品:明星产品通常是有前景的新业务,用于抛头露面,开始时期需要大量的投入,是公司的未来(变成成熟的金牛产品)
  • 金牛产品:公司中的稳定收入来源,销售增长率低证明其稳定,属于已经进入成熟期的产品。
对于上述四种产品,金牛产品是最好的,接下来是明星、问题、瘦狗。

(2)策略

  • 瘦狗产品(撤退战略)):该类型产品没有前景,通常采用放弃策略将资源释放给其他产品,或者先采取“割韭菜”战略再放弃。
  • 问题产品(选择性投资战略):谨慎投资,规划中心放在如何拓宽市场上,对于该类产品也可以先“割韭菜”然后放弃。
  • 明星产品(发展战略):该类产品是未来之星,应该加大投资支持该产品的发展,以长远的利益作为目标,给予其最好的条件。
  • 金牛产品(收获战略):减少(压缩)投资,维持市场份额,充分发挥其获取“现金”的能力,争取在短时间内获取更多的利益,处境不佳时进行“割韭菜”。

(3)扩展链接

3、举个例子(分类思维)

(1)概念

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。

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,消费金额为1W元。

(2)RFM分层方式

一般情况下,在具体分层的时候,我们可以从RFM三个不同的维度进行高或低的评分,最终得到8种不同的结果(2*2*2=8),不同组合对应的分层类型如下表所示:

R(时间间隔) F(消费频率) M(消费金额) 分层结果
重要价值用户
重要发展用户
重要保持用户
重要挽留用户
一般价值用户
一般发展用户
一般保持用户
一般挽留用户

(3)扩展链接

相关文章
|
3月前
|
机器学习/深度学习 算法 数据挖掘
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
本文介绍了2023年第二届钉钉杯大学生大数据挑战赛初赛A题的Python代码分析,涉及智能手机用户监测数据分析中的聚类分析和APP使用情况的分类与回归问题。
84 0
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
|
25天前
|
数据采集 机器学习/深度学习 数据可视化
|
3月前
|
数据采集 自然语言处理 数据挖掘
【NLP-新闻文本分类】1 数据分析和探索
文章提供了新闻文本分类数据集的分析,包括数据预览、类型检查、缺失值分析、分布情况,指出了类别不均衡和句子长度差异等问题,并提出了预处理建议。
46 1
|
3月前
|
机器学习/深度学习 自然语言处理 数据挖掘
【NLP】讯飞英文学术论文分类挑战赛Top10开源多方案--2 数据分析
讯飞英文学术论文分类挑战赛数据集的分析,包括数据加载、缺失值检查、标签分布、文本长度统计等内容,并总结了数据的基本情况。
22 0
|
算法 数据挖掘 大数据
到底什么才是数据分析思维? by彭文华
到底什么才是数据分析思维? by彭文华
|
6月前
|
机器学习/深度学习 数据可视化 算法
python数据分析——在面对各种问题时,因如何做分析的分类汇总
Python数据分析是指使用Python编程语言对数据进行收集、处理、分析和可视化的过程。Python是一种非常流行的编程语言,具有简单易学、代码可读性高、生态系统强大的特点,因此在数据科学领域得到广泛应用。
200 0
|
6月前
|
SQL 算法 数据可视化
什么是数据分析思维
什么是数据分析思维
|
数据挖掘 Python
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。
数据分析思维(二)|相关思维
|
供应链 数据挖掘
数据分析五大指标分类
数据分析中常见的指标分类方法
|
数据挖掘 大数据
数据分析的思维有那些?
数据分析的思维有那些?在很多企业中都存在着很大的数据分析问题,如何进行数据分析?数据挖掘的结果要如何展示?企业中各个部门要如何才能最大化的利用数据分析结果?这些一直困扰着企业数据团队。也是咱们大数据需要解决的问题,后续规划的方面
79 2