『三分钟学分析』Graveyard分析模型是真的牛X!(下)

简介: 在上篇品牌知名度实例的基础上,讲一个经典分析模型,对品牌知名度做更立体的分析。

Python版本

 

我们先用Pandas构造数据:


image.png


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()

image.png

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

image.png

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。

image.png

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”。

image.png


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:

image.png

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)。

image.png

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。

相关文章
|
Python
『三分钟学分析』Graveyard分析模型是真的牛X!(上)
在上篇品牌知名度实例的基础上,讲一个经典分析模型,对品牌知名度做更立体的分析。
862 0
『三分钟学分析』Graveyard分析模型是真的牛X!(上)
|
数据挖掘 数据处理 索引
数据分析必知必会 | TGI指数分析实战
TGI指数,全称Target Group Index,可以反映目标群体在特定研究范围内强势或者弱势。
2872 0
数据分析必知必会 | TGI指数分析实战
|
10月前
|
DataWorks 数据可视化 大数据
DataWorks 产品综合评测报告
《DataWorks产品综合评测报告》全面评估了DataWorks这款知名的大数据开发治理平台。报告从用户画像分析实践、日常工作中的应用、产品体验、与其他工具的对比及Data Studio公测体验等多个角度进行了详细评测。DataWorks在数据集成、可视化操作、任务调度等方面表现出色,但也存在一些技术难题和使用门槛。总体而言,DataWorks功能完整、易用性强,适合企业高效处理和分析大数据,助力决策制定和业务优化。
|
11月前
|
大数据 数据挖掘
大数据中配对删除(Pairwise Deletion)
【10月更文挑战第22天】
440 6
|
XML JavaScript 前端开发
JavaWeb基础4——HTML,JavaScript&CSS
HTML,JavaScript&CSS、元素、标签、css 选择器、属性、JavaScript基础语法、JavaScript对象、BOM浏览器对象模型、DOM文档对象模型、事件监听、正则对象RegExp/ES6
JavaWeb基础4——HTML,JavaScript&CSS
|
存储
Stream流中各阶段方法说明及组合示例
Stream流中各阶段方法说明及组合示例
253 1
|
监控 数据挖掘 Linux
探索Linux中的`sort`命令:数据处理与分析的得力助手
`sort`命令是Linux下文本数据排序利器,用于按字典、数字顺序等对行排序。关键参数有:-n(数字排序),-r(逆序),-u(去重),-k(指定字段),-t(字段分隔符)和-o(输出到文件)。在处理大文件时注意内存使用,确保字符编码一致,灵活运用管道和重定向。通过熟练使用`sort`,能提升数据分析效率。
|
安全 C# 开发者
【C# 多线程编程陷阱揭秘】:小心!那些让你的程序瞬间崩溃的多线程数据同步异常问题,看完这篇你就能轻松应对!
【8月更文挑战第18天】多线程编程对现代软件开发至关重要,特别是在追求高性能和响应性方面。然而,它也带来了数据同步异常等挑战。本文通过一个简单的计数器示例展示了当多个线程无序地访问共享资源时可能出现的问题,并介绍了如何使用 `lock` 语句来确保线程安全。此外,还提到了其他同步工具如 `Monitor` 和 `Semaphore`,帮助开发者实现更高效的数据同步策略,以达到既保证数据一致性又维持良好性能的目标。
150 0
|
存储 Ubuntu 网络安全
在 Ubuntu 14.04 服务器上安装和配置 OpenLDAP 和 phpLDAPadmin 的方法
在 Ubuntu 14.04 服务器上安装和配置 OpenLDAP 和 phpLDAPadmin 的方法
122 0