Python版本
我们先用Pandas构造数据：
具体画图，线性回归拟合这里也一气呵成：
import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression plt.figure(figsize = (10,6)) plt.scatter(data['提示后知名度'],data['提示前知名度'],color = 'black',alpha = 0.8) plt.xlabel('提示后知名度',size = 13) plt.ylabel('提示前知名度',size = 13) reg = LinearRegression() reg.fit(data['提示后知名度'].values.reshape(-1,1),data['提示前知名度'].values.reshape(-1,1)) pred = reg.predict(data['提示后知名度'].values.reshape(-1,1)) c = 0 for i,j in zip(data['提示后知名度'],data['提示前知名度']): plt.text(i - 0.06,j + 0.02,s = data['品牌'][c],size = 11) c += 1 plt.plot(data['提示后知名度'],pred,color = 'red') plt.title('奶茶知名度Grave Yard模型',size = 18) plt.show()
So Easy！
模型分析
Graveyard模型实现非常简单，分析则需要特殊的视角。
体量视角
根据不同奶茶品牌提示前/提示后知名度的分布，我们可以很容易的从体量划分出三个对应的区域。
像coco奶茶品牌知名度处于吊车尾的位置，喜茶的体量中规中矩，而蜜雪冰城可能因为最近的“甜蜜蜜”过于出圈，知名度爆棚。
回归视角
我们通过Excel或者Python拟合出来了一条回归线，这条线的倾斜程度，代表着行业各品牌提示前知名度和提示后知名度的比值关系，是一种平均关系。
若品牌围绕且几乎附着在回归线上，则说明品牌提示前、提示后知名度的关系，与市场平均水平相对一致，算是知名度关系上的正常品牌。
从这个角度上看，coco、茶颜悦色（其实离的有一丢丢远，这里暂且算上）、古茗、茶百道都属于紧贴回归线的“正常品牌”。
当品牌处于回归线右下方区域，意味着品牌提示前知名度，较提示后知名度过低。
什么意思呢？
以喜茶为例，他对应的提示后知名度是65%，当我们基于喜茶提示后知名度画一条垂直线：
这条垂直线和回归线的交点是在50%左右，意味着以65%提示后品牌知名度来考量，市场合理的提示前知名度是50%，而喜茶提示前知名度只有40%。
这10%的提示前份额差距，说明了喜茶有被消费者淡忘的趋势（毕竟提示前知名度才是消费者心智中的知名度）。
与之对应的，当品牌位于回归线左上方，代表着相对于提示后知名度，提示前知名度是高于市场表现的。
结合体量来看，甜蜜蜜的蜜雪冰城是知名度强势品牌，提示前、提示后知名度都是碾压的态势，表现亮眼。
奈雪的茶在知名度量级上中规中矩，但提示前知名度高于市场平均表现，说明消费者忠诚度不错，换句话说，知道奈雪这个品牌的消费者，不用提示就能够说出来。
总结
我们以提示前品牌知名度为纵轴，提示后品牌知名度为横轴，把各品牌对应的数值映射到二维图上。
随后，用最朴实无华的拟合，得到一条回归线，亦可以说是一杆标尺。
在标尺的度量之下，将品牌分为几大类：
- 贴近回归线的正常品牌
- 回归线右下方的知名度衰退品牌
- 回归线右上方的强势品牌
- 回归线左上方的潜力忠诚品牌
- 以及位于左下角的知名度尾部品牌
如此，分析聚沙成塔，各品牌知名度表现如何，一目了然。
对了，品牌知名度我提到的一切分析方法，全部可以套用在广告知名度的分析之上，是谓同宗同源。
