九大数据分析方法-单指标分析方法与多指标分析方法

简介: 九大数据分析方法-单指标分析方法与多指标分析方法

本文来源,为接地气的陈老师的知识星球,以及付同学的观看笔记。


1 单指标分析方法


顾名思义,用单个数据指标进行数据分析

适应场景:接触新任务,不了解数据情况,不了解业务形态

优先看KPI指标(收入/成本等)关键指标,再看细节


1.1 周期性分析法

收入的产生,一般有周期性,有自然周期、生命周期和主动行为周期。


自然周期:春夏秋冬、工作日/节假日,由此可分为淡旺季等

生命周期:新产品上市、推广、热销、下架,可分析在此期间核心指标的变化

主动行为周期:上个新活动,持续影响多少天


使用周期分析法可以识别这种期性波动导致的数据变化。识别周期是看清正常走势、评估问题的起点。

寻找周期性要从大到小找出业务发展的周期性规律:


先看最大、最关键的收入指标,从月到日,逐步缩小范围。在日期上,标注会影响整体收入的重大举措(促销/政策)。区分新老,新地区、新产品、新用户关注其生命周期。

指标异常时,先看是否是正常周期变化,剔除周期因素后,才是真正的问题。


1.2 结构分析法

结构分析法:通过观察内部结构,来分析指标走势的方法。

通过周期分析知道指标是怎么变化的,通过看内部结构可以知道它为什么这么变化,即:总收入 = A部分收入 + B部分收入 + C部分收入。

通过结构分析法,能直观地看到收入/成本构成,从而对收入/成本变化进行解读,进一步发现问题。

案例:

a9031093a5f6cc712cd95eb07fc522dc_3ac04df1a5784f1698846c8ab9e7b50f.png


只看整体业绩可以看出业绩是在下降的,但是不能看出来是如何下降的。

而对业务进行细分,分成实体店、电商平台和小程序商城,可以看出,实体店从3月开始是一直在跌的,这导致整体业绩下滑。

有两种典型的结构变化:


1.一般认为同涨同跌,代表动力在外(大环境、整体政策…)

2.有涨有跌,则是某些部分有问题,某些部分有机会


结构性分析法应用场景:


1.定年度计划时,按照结果拆解目标,下放到城市;

2.监控指标走势时,先看整体变化,再看哪个部分引起的变化。

结构分析法的关键是要做好清晰的结构分类,这样才能快速锁定问题

经典的分类维度:人(用户年龄/性别)、货(商品大类/细类)、场(区域/城市/推广渠道)


1.3 分层分析法

分层分析法就是要暴露出个体差异。可以利用二八定律进行分层。在数据差异非常大的时候,可以利用平均数倍数分层。

作用:


在制定策略时,考虑做大优秀个体/降低差劲个体;在实地执行时,关注优秀是否流失,差劲是否闯祸;在经营分析时,通过优秀/差劲个体结构变化,解读数据。从广大的子个体中找到能力最优秀/最差劲的个人


分层分析法的关键:


1.对个体做分层,找关键指标(收入/成本)

2.分层过程中,关注极端个案,关注平均值差异

3.跟踪分析结果是否稳定,与业务讨论是否值得进一步深挖


2 多指标分析方法


使用多指标分析法,可以综合收入与成本两个指标,评价业务,并了解收入/成本是怎么产生的,给出业务建议。

从单指标变成多指标,要先做矩阵分析,综合评价好/坏,先拆解过程,再看细节。


2.1 矩阵分析法

矩阵分析法就是把两个独立出现的事交叉组合:


1.用两个相关度较低的指标描述一个事务;

2.将两个指标进行交叉分类,区分事物类型;

3.用图形(散点图)表示分类结果。


1.两个指标,至多会产生四个组合。


如,高、帅:

高 + 帅、矮 + 帅、高 + 丑、矮 + 丑


2.制作矩阵:


1.明确对象与评价指标,准备数据;

2.计算平均值,进行分类;

285a3e77fcc789c53105f1f1ef08c5e7_6638c1fcf3bd4513beb91e60e1ba6e85.png


3.做出散点图,观察数据形态;

07795f24411c04405eaab117d7171976_362e9a99d759475192399c55c8c72d05.png


4.给每个分类命名,找出业务含义,利用矩阵提建议;

c4835583af26e5cb6b222c18f6d947b3_303877d7f5944dbfa231c3876a187ad7.png


矩阵分析法自带标准,可以对大部分业务进行评价,结论清晰,业务指向明确,适合向业务提建议。

矩阵分析法的关键:


1.清晰评估对象,选相关度低但重要的指标;

2.重点专注左上、右下的特殊区域,了解背后业务问题;

3.持续跟踪业务表现,发现产生了效果的业务动作,检测变化。

个别样本太突出,剩下样本指标太过接近时不适合用矩阵分析法,应用分层分析法。


2.2 指标拆解法

指标拆解法是将一个大指标(通常是收入、成本这种关键指标)拆成若干个新的、有业务含义的子指标,通过解读子指标来分析问题的方法。拆解一个指标,能解读出更多信息。


指标拆解与结构分析的区别:


指标拆解是将一个指标拆解成两个新的指标;

结构分析

是将一个指标的结构进行拆解,如总消费=食物消费+饮料消费,但是指标还是消费,并没有改变。

每个拆解后的指标,对应一个业务动作。拆解后看哪个指标低了,则让相应的业务部门跟进。


指标分解的关键:


1.分解指标不是盲目的分解,而是分解成有业务含义、业务部门容易执行的指标;

2.最常见的分解:一个数量指标 * 一个质量指标


2.3 漏斗分析法

漏斗是对一个连续的操作步骤的形象称呼

如:


网上买东西:广告页->详情页->购物车->支付页->付款成功

每增加一个步骤,即会流失一些用户,因此形如漏斗


漏斗分析法:


对整个流程中,每个环节参与人数、流失人数、上下环节之间转化人数进行计算,从而发现流程问题的方法。


影响漏斗转化的两类因素:


局部变量和全局变量,局部变量一般影响的是转化漏斗开头的位置。


漏斗分析的作用:


1.漏斗分析可以找出哪里差,之后补哪里,从最弱的开始一直补过去,结合每个步骤的业务含义,提出最优化建议。

2.利用漏斗分析可以挑选出更好的产品,有时候优化方式不是头疼医头、脚疼医脚而是颠覆式的整体改变,因此,可以在多个转化方案之间进行比较,直接挑选效果更好的方案。

案例:

b40c703e088616d3050061be4daba55f_d9811520cbbc472dace5f2ef1fa846b0.png

可以直接看最终转化率,A、B都不合格,其中B的问题发生在事件末端。

3.对比多个版本,观察效果,很可能短期内业务能力有上限,怎么改也就那样,给每个转化流程圈定能力上下限,判断是否稳定,就非常重要。漏斗的上下差别越小,说明越稳定,越值得信任。

相关文章
|
23天前
|
机器学习/深度学习 数据采集 算法
机器学习在医疗诊断中的前沿应用,包括神经网络、决策树和支持向量机等方法,及其在医学影像、疾病预测和基因数据分析中的具体应用
医疗诊断是医学的核心,其准确性和效率至关重要。本文探讨了机器学习在医疗诊断中的前沿应用,包括神经网络、决策树和支持向量机等方法,及其在医学影像、疾病预测和基因数据分析中的具体应用。文章还讨论了Python在构建机器学习模型中的作用,面临的挑战及应对策略,并展望了未来的发展趋势。
77 1
|
2月前
|
数据挖掘 UED
ChatGPT数据分析——探索性分析
ChatGPT数据分析——探索性分析
50 1
|
2月前
|
数据可视化 数据挖掘 数据处理
ChatGPT数据分析应用——热力图分析
ChatGPT数据分析应用——热力图分析
107 1
|
2月前
|
数据挖掘
ChatGPT在常用的数据分析方法中的应用(分组分析)
ChatGPT在常用的数据分析方法中的应用(分组分析)
67 1
|
2月前
|
数据挖掘 数据处理
ChatGPT在常用的数据分析方法中的应用(交叉分析)
ChatGPT在常用的数据分析方法中的应用(交叉分析)
47 1
|
2月前
|
机器学习/深度学习 数据采集 数据可视化
如何理解数据分析及数据的预处理,分析建模,可视化
如何理解数据分析及数据的预处理,分析建模,可视化
62 0
|
2月前
|
数据挖掘
ChatGPT在常用的数据分析方法中的应用(对比分析)
ChatGPT在常用的数据分析方法中的应用(对比分析)
59 0
|
20天前
|
机器学习/深度学习 算法 数据挖掘
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
59 4
数据分析的 10 个最佳 Python 库
|
4月前
|
数据采集 数据可视化 数据挖掘
数据分析大神养成记:Python+Pandas+Matplotlib助你飞跃!
在数字化时代,数据分析至关重要,而Python凭借其强大的数据处理能力和丰富的库支持,已成为该领域的首选工具。Python作为基石,提供简洁语法和全面功能,适用于从数据预处理到高级分析的各种任务。Pandas库则像是神兵利器,其DataFrame结构让表格型数据的处理变得简单高效,支持数据的增删改查及复杂变换。配合Matplotlib这一数据可视化的魔法棒,能以直观图表展现数据分析结果。掌握这三大神器,你也能成为数据分析领域的高手!
89 2
|
4月前
|
机器学习/深度学习 数据采集 数据可视化
基于爬虫和机器学习的招聘数据分析与可视化系统,python django框架,前端bootstrap,机器学习有八种带有可视化大屏和后台
本文介绍了一个基于Python Django框架和Bootstrap前端技术,集成了机器学习算法和数据可视化的招聘数据分析与可视化系统,该系统通过爬虫技术获取职位信息,并使用多种机器学习模型进行薪资预测、职位匹配和趋势分析,提供了一个直观的可视化大屏和后台管理系统,以优化招聘策略并提升决策质量。
214 4