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
|
1月前
|
机器学习/深度学习 数据采集 数据挖掘
实战派教学:掌握Scikit-learn,轻松实现数据分析与机器学习模型优化!
【10月更文挑战第4天】Scikit-learn凭借高效、易用及全面性成为数据科学领域的首选工具,简化了数据预处理、模型训练与评估流程,并提供丰富算法库。本文通过实战教学,详细介绍Scikit-learn的基础入门、数据预处理、模型选择与训练、评估及调优等关键步骤,助你快速掌握并优化数据分析与机器学习模型。从环境搭建到参数调优,每一步都配有示例代码,便于理解和实践。
89 2
|
6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)
3288 0
|
6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)
1162 0
|
3月前
|
数据采集 机器学习/深度学习 算法
"揭秘数据质量自动化的秘密武器:机器学习模型如何精准捕捉数据中的‘隐形陷阱’,让你的数据分析无懈可击?"
【8月更文挑战第20天】随着大数据成为核心资源,数据质量直接影响机器学习模型的准确性和效果。传统的人工审查方法效率低且易错。本文介绍如何运用机器学习自动化评估数据质量,解决缺失值、异常值等问题,提升模型训练效率和预测准确性。通过Python和scikit-learn示例展示了异常值检测的过程,最后强调在自动化评估的同时结合人工审查的重要性。
96 2
|
3月前
|
机器学习/深度学习 前端开发 数据挖掘
基于Python Django的房价数据分析平台,包括大屏和后台数据管理,有线性、向量机、梯度提升树、bp神经网络等模型
本文介绍了一个基于Python Django框架开发的房价数据分析平台,该平台集成了多种机器学习模型,包括线性回归、SVM、GBDT和BP神经网络,用于房价预测和市场分析,同时提供了前端大屏展示和后台数据管理功能。
103 9
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
【python】python母婴数据分析模型预测可视化(数据集+论文+PPT+源码)【独一无二】
【python】python母婴数据分析模型预测可视化(数据集+论文+PPT+源码)【独一无二】
|
4月前
|
机器学习/深度学习 算法 数据挖掘
从零到精通:Scikit-learn在手,数据分析与机器学习模型评估不再难!
【7月更文挑战第25天】在数据科学中,模型评估是理解模型泛化能力的关键。对新手来说,众多评估指标可能令人困惑,但Scikit-learn简化了这一过程。
59 2
|
3月前
|
机器学习/深度学习 搜索推荐 数据挖掘
【深度解析】超越RMSE和MSE:揭秘更多机器学习模型性能指标,助你成为数据分析高手!
【8月更文挑战第17天】本文探讨机器学习模型评估中的关键性能指标。从均方误差(MSE)和均方根误差(RMSE)入手,这两种指标对较大预测偏差敏感,适用于回归任务。通过示例代码展示如何计算这些指标及其它如平均绝对误差(MAE)和决定系数(R²)。此外,文章还介绍了分类任务中的准确率、精确率、召回率和F1分数,并通过实例说明这些指标的计算方法。最后,强调根据应用场景选择合适的性能指标的重要性。
470 0
|
4月前
|
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
292 4
|
4月前
|
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。
76 2