HOME 首頁(yè)
SERVICE 服務(wù)產(chǎn)品
XINMEITI 新媒體代運(yùn)營(yíng)
CASE 服務(wù)案例
NEWS 熱點(diǎn)資訊
ABOUT 關(guān)于我們
CONTACT 聯(lián)系我們
創(chuàng)意嶺
讓品牌有溫度、有情感
專注品牌策劃15年

    經(jīng)典數(shù)據(jù)分析方法(經(jīng)典數(shù)據(jù)分析方法的5個(gè)過程)

    發(fā)布時(shí)間:2023-03-26 06:35:52     稿源: 創(chuàng)意嶺    閱讀: 1308        問大家

    大家好!今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于經(jīng)典數(shù)據(jù)分析方法的問題,以下是小編對(duì)此問題的歸納整理,讓我們一起來看看吧。

    開始之前先推薦一個(gè)非常厲害的Ai人工智能工具,一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

    只需要輸入關(guān)鍵詞,就能返回你想要的內(nèi)容,越精準(zhǔn),寫出的就越詳細(xì),有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端

    官網(wǎng):https://ai.de1919.com

    創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀企業(yè),服務(wù)客戶遍布全國(guó),網(wǎng)絡(luò)營(yíng)銷相關(guān)業(yè)務(wù)請(qǐng)撥打175-8598-2043,或微信:1454722008

    本文目錄:

    經(jīng)典數(shù)據(jù)分析方法(經(jīng)典數(shù)據(jù)分析方法的5個(gè)過程)

    一、數(shù)據(jù)分析的幾種經(jīng)典的理論

    數(shù)據(jù)分析理論導(dǎo)航頁(yè)收錄已經(jīng)發(fā)布的工作生活用到的數(shù)據(jù)分析思路及理論方法。例如數(shù)據(jù)分析師基本技能、時(shí)間序列分析、分析軟件功能介紹等。

    1  大數(shù)據(jù)時(shí)代:數(shù)據(jù)分析能力重要性

    2  大數(shù)據(jù)時(shí)代:數(shù)據(jù)分析基礎(chǔ)

    3  正態(tài)性檢驗(yàn)方法介紹

    4  數(shù)據(jù)分析技術(shù):數(shù)據(jù)差異的顯著性檢驗(yàn)

    5  數(shù)據(jù)分析方法:非正態(tài)數(shù)據(jù)轉(zhuǎn)化成正態(tài)數(shù)據(jù)

    6  均值差異性檢驗(yàn):Z檢驗(yàn)和T檢驗(yàn)綜述

    7  均值差異性檢驗(yàn):方差分析綜述

    8  數(shù)據(jù)分析方法:非參數(shù)檢驗(yàn)

    9  數(shù)據(jù)分析技術(shù):擬合優(yōu)度檢驗(yàn)

    10 數(shù)據(jù)分析技術(shù):數(shù)據(jù)關(guān)聯(lián)性分析綜述

    11 數(shù)據(jù)分析技術(shù):數(shù)據(jù)的歸納分析

    12 數(shù)據(jù)分析技術(shù):?jiǎn)柧恚季恚┑男哦扰c效度

    13 數(shù)據(jù)分析技術(shù):相關(guān)關(guān)系分析

    14 數(shù)據(jù)分析技術(shù):數(shù)據(jù)分類很重要

    15 數(shù)據(jù)分析技術(shù):回歸分析

    16 數(shù)據(jù)分析技術(shù):非參數(shù)檢驗(yàn)

    二、大數(shù)據(jù)分析中,有哪些常見的大數(shù)據(jù)分析模型

    對(duì)于互聯(lián)網(wǎng)平臺(tái)而言的產(chǎn)品,主要可以分為兩大類:商品和服務(wù)。想要通過數(shù)據(jù)分析提高產(chǎn)品的銷量,首先要了解哪些數(shù)據(jù)需要分析?

    哪些數(shù)據(jù)需要分析?

    一、運(yùn)營(yíng)模塊

    從用戶的消費(fèi)流程來看,可以劃分為四個(gè)部分:引流,轉(zhuǎn)化,消費(fèi),存留。

    • 流量

    流量主要體現(xiàn)在引流環(huán)節(jié),按照流量結(jié)構(gòu)可以分為渠道結(jié)構(gòu),業(yè)務(wù)結(jié)構(gòu)以及地區(qū)結(jié)構(gòu)等。渠道結(jié)構(gòu),可以追蹤各個(gè)渠道的流量情況,通過渠道流量占比來分析各渠道的質(zhì)量。業(yè)務(wù)結(jié)構(gòu),根據(jù)指定業(yè)務(wù)對(duì)活動(dòng)的流量進(jìn)行追蹤,觀察活動(dòng)前,中,后流量的變化情況,對(duì)活動(dòng)效果做出評(píng)估。

    • 轉(zhuǎn)化率

    轉(zhuǎn)化率=期望行為人數(shù)/作用總?cè)藬?shù)。提升轉(zhuǎn)化率意味著更低的成本,更高的利潤(rùn), 最經(jīng)典的分析模型就是漏斗模型。

    • 流失率和留存率

    通過各個(gè)渠道或者活動(dòng)把用戶引流過來,但過一段時(shí)間就會(huì)有用戶流失掉,這部分用戶就是流失用戶,而留下來的這部分用戶就是留存用戶。流失可以分為剛性流失,體驗(yàn)流失和競(jìng)爭(zhēng)流失,雖然流失是不可避免的,但可以根據(jù)對(duì)流失的分析,做出相應(yīng)的對(duì)策來挽留用戶。關(guān)于留存,通過觀察存留的規(guī)律,定位存留階段,可以輔助市場(chǎng)活動(dòng)、市場(chǎng)策略定位等,同時(shí)還可以對(duì)比不同用戶、產(chǎn)品的功能存留情況,分析產(chǎn)品價(jià)值,及時(shí)對(duì)產(chǎn)品做出調(diào)整。

    • 復(fù)購(gòu)率

    復(fù)購(gòu)率可以分為“用戶復(fù)購(gòu)率”和“訂單復(fù)購(gòu)率”,通過分析復(fù)購(gòu)率,可以進(jìn)一步對(duì)用戶粘性進(jìn)行分析,輔助發(fā)現(xiàn)復(fù)購(gòu)率問題,制定運(yùn)營(yíng)策略, 同事還可以進(jìn)行橫向(商品、用戶、渠道)對(duì)比分析, 細(xì)化復(fù)購(gòu)率,輔助問題定位。

    二、銷售模塊

    銷售模塊中有大量的指標(biāo),包括同環(huán)比、完成率、銷售排行、重點(diǎn)商品占比、平臺(tái)占比等等。

    三、商品模塊

    重要指標(biāo)分析:包括貨齡、動(dòng)銷率、缺貨率、結(jié)構(gòu)指標(biāo)、價(jià)格體系、關(guān)聯(lián)分析、暢滯銷分析等, 用來評(píng)判商品價(jià)值,輔助調(diào)整商品策略

    四、用戶模塊

    重點(diǎn)指標(biāo)分析:包括新增用戶數(shù)、增長(zhǎng)率、流失率、有效會(huì)員占比、存留情況等

    用戶價(jià)值分析:可以根據(jù)RFM模型,再融入其他個(gè)性化參數(shù),對(duì)用戶進(jìn)行價(jià)值的劃分,并針對(duì)各等級(jí)用戶做出進(jìn)一步分析。

    用戶畫像:根據(jù)固有屬性、行為屬性、交易屬性、興趣愛好等維度,來為用戶添加標(biāo)簽與權(quán)重,設(shè)計(jì)用戶畫像,提供精準(zhǔn)營(yíng)銷參考依據(jù)。

    根據(jù)需要分析的數(shù)據(jù)選擇分析模型

    一、用戶模型

    用戶模型是一種在營(yíng)銷規(guī)劃或商業(yè)設(shè)計(jì)上描繪目標(biāo)用戶的方法,經(jīng)常有多種組合,方便規(guī)劃者用來分析并設(shè)置其針對(duì)不同用戶所展開的策略。傳統(tǒng)的用戶模型構(gòu)建方法有兩種:基于訪談和觀察構(gòu)建用戶模型(嚴(yán)謹(jǐn)可靠但費(fèi)時(shí))、臨時(shí)用戶模型(基于行業(yè)專家或者市場(chǎng)調(diào)查數(shù)據(jù)構(gòu)建,快速但不夠可靠)。

    改進(jìn)的用戶模型構(gòu)建方法:基于用戶行為數(shù)據(jù)的用戶模型

    優(yōu)勢(shì):對(duì)傳統(tǒng)方式進(jìn)行簡(jiǎn)化,降低數(shù)據(jù)分析的門檻;讓數(shù)據(jù)分析更科學(xué)、高效、全面,可以更直接地應(yīng)用于業(yè)務(wù)增長(zhǎng),指導(dǎo)運(yùn)營(yíng)策略。

    方法:

    1. 整理、收集對(duì)用戶的初始認(rèn)知

    2. 對(duì)用戶進(jìn)行分群

    3. 分析用戶的行為數(shù)據(jù)

    4. 推測(cè)目標(biāo)動(dòng)機(jī)

    5. 對(duì)用戶進(jìn)行訪談?wù){(diào)查驗(yàn)證

    6. 用戶模型建立修正

    同時(shí),還可以將收集到的用戶信息映射成為用戶的屬性或用戶的行為信息,并存儲(chǔ)起來形成用戶檔案;實(shí)時(shí)關(guān)注自身數(shù)據(jù)的波動(dòng),及時(shí)做出戰(zhàn)略性調(diào)整。

    二、事件模型

    事件模型是用戶行為數(shù)據(jù)分析的第一步,也是分析的核心和基礎(chǔ),它背后的數(shù)據(jù)結(jié)構(gòu)、采集時(shí)機(jī)以及對(duì)事件的管理是事件模型中的三大要素。

    什么是事件?

    事件就是用戶在產(chǎn)品上的行為,它是用戶行為的一個(gè)專業(yè)描述,用戶在產(chǎn)品上所有獲得的程序反饋都可以抽象為事件,由開發(fā)人員通過埋點(diǎn)進(jìn)行采集。舉個(gè)例子:用戶在頁(yè)面上點(diǎn)擊按鈕就是一個(gè)事件。

    事件的采集

    事件-屬性-值的結(jié)構(gòu):事件(用戶在產(chǎn)品上的行為),屬性(描述事件的維度),值(屬性的內(nèi)容)

    在事件采集過程中,靈活運(yùn)用事件-屬性-值的結(jié)構(gòu),不僅可以最大化還原用戶使用場(chǎng)景,還可以極大地節(jié)省事件量,提高工作效率。

    采集的時(shí)機(jī):用戶點(diǎn)擊、網(wǎng)頁(yè)加載完成、服務(wù)器判斷返回。在設(shè)計(jì)埋點(diǎn)需求文檔時(shí),采集時(shí)機(jī)的說明尤為重要,也是保證數(shù)據(jù)準(zhǔn)確性的核心。

    舉個(gè)例子:電商銷售網(wǎng)頁(yè)的事件采集

    事件的分析

    對(duì)事件的分析通常有事件觸發(fā)人數(shù)、次數(shù)、人均次數(shù)、活躍比四個(gè)維度的計(jì)算。

    事件的管理

    當(dāng)事件很多時(shí),對(duì)事件進(jìn)行分組,重要事件進(jìn)行標(biāo)注,從而分門別類地管理。同時(shí),可以從產(chǎn)品業(yè)務(wù)角度將重要的用戶行為標(biāo)注出來,以便在分析時(shí)方便、快捷地查找使用常用、重要的事件。

    三、漏斗模型

    漏斗模型最早起源是從傳統(tǒng)行業(yè)的營(yíng)銷商業(yè)活動(dòng)中演變而來的,它是一套流程式數(shù)據(jù)分析方法。

    主要模型框架:通過檢測(cè)目標(biāo)流程中起點(diǎn)(用戶進(jìn)入)到最后完成目標(biāo)動(dòng)作。這其中經(jīng)歷過的每個(gè)節(jié)點(diǎn)的用戶量與留存量,來考核每個(gè)節(jié)點(diǎn)的好壞,來找到最需要優(yōu)化的節(jié)點(diǎn)。漏斗模型是用戶行為狀態(tài)以及從起點(diǎn)到終點(diǎn)各階段用戶轉(zhuǎn)化率情況的重要分析模型。

    四、熱圖分析 —— 畫出用戶行為

    熱圖,是記錄用戶與產(chǎn)品界面交互最直觀的工具。熱圖分析,就是通過記錄用戶的鼠標(biāo)行為,并以直觀的效果呈現(xiàn),從而幫助使用者優(yōu)化網(wǎng)站布局。無論是Web還是App的分析,熱圖分析都是非常重要的模型。

    在實(shí)際的使用過程中,常常用幾種對(duì)比熱圖的方法,對(duì)多個(gè)熱圖進(jìn)行對(duì)比分析,解決問題:

    • 多種熱圖的對(duì)比分析,尤其是點(diǎn)擊熱圖(觸摸熱圖)、閱讀熱圖、停屏熱圖的對(duì)比分析;

    • 細(xì)分人群的熱圖對(duì)比分析,例如不同渠道、新老用戶、不同時(shí)段、AB測(cè)試的熱圖分析等;

    • 深度不同的互動(dòng),所反映的熱圖也是不同的。例如點(diǎn)擊熱圖和轉(zhuǎn)化熱圖的對(duì)比分析;

    五、自定義留存分析

    關(guān)于留存率的概念,在前文中的已經(jīng)有所介紹。對(duì)于產(chǎn)品而言,留存率越高,說明產(chǎn)品的活躍用戶越多,轉(zhuǎn)化為忠實(shí)用戶的比例會(huì)越大,越有利于產(chǎn)品變現(xiàn)能力的提升。

    自定義留存:基于自己業(yè)務(wù)場(chǎng)景下用戶的留存情況,也即對(duì)留存的行為進(jìn)行自定義??梢酝ㄟ^對(duì)初始行為和回訪行為進(jìn)行設(shè)定來對(duì)留存行為進(jìn)行自定義。

    舉個(gè)例子:搶到券的用戶使用哈羅共享單車的5日留存率

    初始行為:搶到券

    回訪行為:使用哈羅共享單車

    六、粘性分析

    粘性:以用戶視角,科學(xué)評(píng)估產(chǎn)品的留存能力

    通過用戶粘性分析,可以了解到一周內(nèi)或一個(gè)月內(nèi)用戶到底有多少天在使用你的產(chǎn)品甚至是某個(gè)功能,進(jìn)一步分析出用戶使用產(chǎn)品的習(xí)慣。

    粘性分析是諸葛io的特色功能之一,其中包括產(chǎn)品整體粘性、功能粘性、粘性趨勢(shì)以及用戶群對(duì)比,具體可以參考https://docs.zhugeio.com/advanced/stickiness.html

    七、全行為路徑分析

    全行為路徑分析是互聯(lián)網(wǎng)產(chǎn)品特有的一類數(shù)據(jù)分析方法,它主要根據(jù)每位用戶在App或網(wǎng)站中的行為事件,分析用戶在App或網(wǎng)站中各個(gè)模塊的流轉(zhuǎn)規(guī)律與特點(diǎn),挖掘用戶的訪問或?yàn)g覽模式,進(jìn)而實(shí)現(xiàn)一些特定的業(yè)務(wù)用途,如對(duì)App核心模塊的到達(dá)率提升、特定用戶群體的主流路徑提取與瀏覽特征刻畫,App產(chǎn)品設(shè)計(jì)的優(yōu)化等。

    在可視化過程中常用的全行為路徑模型有兩種:

    • 樹形圖:以樹形結(jié)構(gòu)體現(xiàn)用戶的行為路徑

    • 太陽圖:以環(huán)形圖體現(xiàn)用戶的行為路徑

    上圖中,每一環(huán)代表用戶的一步,不同的顏色代表不同的行為,同一環(huán)顏色占比越大代表在當(dāng)前步驟中用戶行為越統(tǒng)一,環(huán)越長(zhǎng)說明用戶的行為路徑越長(zhǎng)。

    八、用戶分群模型

    用戶分群即用戶信息標(biāo)簽化,通過用戶的歷史行為路徑、行為特征、偏好等屬性,將具有相同屬性的用戶劃分為一個(gè)群體,并進(jìn)行后續(xù)分析。

    基于用戶行為數(shù)據(jù)的分群模型:當(dāng)回歸到行為數(shù)據(jù)本身,會(huì)發(fā)現(xiàn)對(duì)用戶的洞察可以更精細(xì)更溯源,用歷史行為記錄的方式可以更快地找到想要的人群。

    四個(gè)用戶分群的維度:

    • 用戶屬性:年齡、性別、城市、瀏覽器版本、系統(tǒng)版本、操作版本、渠道來源等;

    • 活躍于:通過設(shè)置活躍時(shí)間,找到指定之間段內(nèi)的活躍用戶;

    • 做過/沒做過:通過用戶是否進(jìn)行某行為,分析用戶與產(chǎn)品交互的“親密度”;

    • 新增于:通過設(shè)置時(shí)間段,精確篩選出新增用戶的時(shí)間范圍;

    如何提高產(chǎn)品銷量是一個(gè)綜合性的問題,需要結(jié)合多種模型進(jìn)行數(shù)據(jù)分析,以上內(nèi)容是對(duì)一些知識(shí)的歸納,希望能夠?qū)δ兴鶐椭?/p>

    三、數(shù)據(jù)分析方法3—RFM分析模型

            對(duì)于一個(gè)新上線產(chǎn)品的前期運(yùn)營(yíng),我們一般的做法都是做活動(dòng)、上新品、蹭熱點(diǎn)、做營(yíng)銷、不斷地去拓展新的客戶。但是這種做法收效卻不容樂觀,真正獲取的用戶沒有幾個(gè),最終都便宜了羊毛黨。其實(shí)客戶在不同階段的需求是不一樣的,有的客戶圖便宜,有的客戶看新品,有的客戶重服務(wù)。所以我們想要運(yùn)營(yíng)好一個(gè)產(chǎn)品,就需要對(duì)客戶精細(xì)化運(yùn)營(yíng)。

         精細(xì)化運(yùn)營(yíng)最經(jīng)典的用戶分群工具就是RFM模型,RFM模型是衡量用戶價(jià)值和用戶創(chuàng)新能力的經(jīng)典工具,主要是由用戶最近一次購(gòu)買時(shí)間、消費(fèi)頻次、消費(fèi)金額組成。

            RFM模型是衡量客戶價(jià)值和客戶潛在價(jià)值的重要工具和手段,RFM是Rencency(最近一次消費(fèi)),F(xiàn)requency(消費(fèi)頻率),Monetary(消費(fèi)金額)組合而成,此模型對(duì)于運(yùn)營(yíng)、銷售、財(cái)務(wù)、市場(chǎng)來說都比較重要。

    R值(Recency): 最近一次消費(fèi)

            表示用戶最近一次消費(fèi)距離現(xiàn)在的時(shí)間,消費(fèi)時(shí)間越近的客戶價(jià)值越大,1年前消費(fèi)過的用戶肯定沒有1月前消費(fèi)過的用戶價(jià)值大,是衡量用戶價(jià)值的一個(gè)指標(biāo)。

            基于R值的大小,可以看出上表中的客戶2是最有價(jià)值的,客戶3是最沒有價(jià)值的,但是如果就此說明客戶2是最有價(jià)值,而客戶3是沒有價(jià)值的是不成立的,對(duì)于客戶價(jià)值我們不能僅看R值,還需要考慮F值和M值。這里我們只舉出4個(gè)客戶為例,但在真實(shí)的客戶場(chǎng)景中,我們可以把客戶按照周、月、季、年等維度的占比詳細(xì)來觀察出R的趨勢(shì)變化。

    F值(Frequency): 消費(fèi)頻率

            消費(fèi)頻率是指用戶在統(tǒng)計(jì)周期內(nèi)購(gòu)買商品的次數(shù),經(jīng)常購(gòu)買的用戶也就是熟客,其價(jià)值比偶爾來一次的客戶價(jià)值大

            基于F值的大小,可以看出客戶4的價(jià)值最大,客戶1的價(jià)值最小,但是如果考慮R值和M值就不能這樣認(rèn)為。其實(shí)客戶對(duì)于產(chǎn)品的復(fù)購(gòu)的核心因素是類目。有的類目產(chǎn)品復(fù)購(gòu)率高(食品類)主要是食品屬于易耗品,消耗周期短,購(gòu)買的頻率高,相對(duì)容易產(chǎn)生重復(fù)性購(gòu)買。而有的類目產(chǎn)品復(fù)購(gòu)率低(家電類),消耗周期長(zhǎng),購(gòu)買頻次低。建議在對(duì)F值進(jìn)行統(tǒng)計(jì)時(shí)對(duì)于不同的類目要有相應(yīng)的統(tǒng)計(jì)周期。

    M值(Monetary): 消費(fèi)金額

    消費(fèi)金額是指用戶在統(tǒng)計(jì)周期內(nèi)消費(fèi)的總金額,體現(xiàn)了消費(fèi)者對(duì)于企業(yè)的價(jià)值。

            基于M值的大小,可以看出客戶4的價(jià)值最高,客戶1的價(jià)值最低,M值同上面的R值、F值類似,單一的值并不能說明客戶的好壞,三者結(jié)合才能更好地精細(xì)化用戶,對(duì)購(gòu)買產(chǎn)品的用戶合理的分隔,采用不同的機(jī)制去運(yùn)營(yíng)。

    RFM模型的主觀細(xì)分

            根據(jù)RFM模型值得大小對(duì)客戶進(jìn)行細(xì)分,如下表所示,將客戶分為了8部分去運(yùn)營(yíng),對(duì)于不同的細(xì)分人群采取不同的運(yùn)營(yíng)策略,在實(shí)際的應(yīng)用場(chǎng)景中,店鋪可以根據(jù)自己店鋪的實(shí)際情況來細(xì)分人群,購(gòu)買人群多的就分多個(gè)人群,購(gòu)買人群少的就少分幾個(gè)人群,具體的情況根據(jù)店鋪來定。

    RFM模型的量化細(xì)分

            上面的模型細(xì)分主要是根據(jù)RFM值的大小進(jìn)行模糊的細(xì)分,而如果想要更細(xì)地對(duì)人群進(jìn)行劃分,就需要對(duì)RFM進(jìn)行量化處理,一般采用的方式有

    1、根據(jù)經(jīng)驗(yàn)定義權(quán)重

    RFM值=a*R值+b*F值+c*M值

    對(duì)于其中的權(quán)重a,b,c則需要經(jīng)驗(yàn)豐富的業(yè)務(wù)人員來判斷

    2、歸一化處理

    將RFM的值進(jìn)行歸一化處理,公式為

    RFM值=R1值+F1值+M1值

    上面的R1,F1,M1都是歸一化處理過后的值

    3、AHP層次分析得出權(quán)重值

    RFM值=a1*R值+a2*F值+a3*M值

    a1,a2,a3的值是AHP層次分析得出的權(quán)向量值

    具體參考鏈接

    最終按照得出值的大小進(jìn)行人群細(xì)分,得出不同的人群

    四、數(shù)據(jù)分析師常用的思維分析方式是什么?

    1. 對(duì)比思維

    對(duì)比這兩個(gè)字大家肯定都不陌生,比如買東西我們會(huì)貨比三家,其實(shí)生活中處處有對(duì)比。

    比如說,小芳一直成績(jī)優(yōu)異,但是末次考試發(fā)揮失常,數(shù)學(xué)只考了40分,班主任找到小芳談話,問她說:“你最近怎么回事,上次你數(shù)學(xué)考了80分,全班前十,這次怎么考的這么差?你看看你的同桌,這次都考了73分?!?/p>

    從這個(gè)小故事中可以看出,對(duì)比一般有兩種方式,橫向?qū)Ρ群涂v向?qū)Ρ取M向?qū)Ρ纫簿褪桥c同類對(duì)比,比如班主任拿小芳的成績(jī)跟她同桌的成績(jī)做對(duì)比??v向?qū)Ρ仁侵竿活愋筒煌瑫r(shí)間的對(duì)比,比如班主任拿小芳這次的成績(jī)和上次的成績(jī)做對(duì)比。

    2. 細(xì)分思維

    細(xì)分思維很多人可能乍一聽不太明白,其實(shí)生活中很多小事都體現(xiàn)了細(xì)分思維。就比如我們?nèi)梭w是由九大系統(tǒng)構(gòu)成的,系統(tǒng)又是由器官構(gòu)成的,器官是由組織構(gòu)成的、細(xì)胞又構(gòu)成了組織,層層細(xì)分。

    再拿剛剛的例子來說,還是我們的小芳同學(xué),還是剛剛那場(chǎng)考試,班主任讓小芳對(duì)自己這考試的總成績(jī)做一個(gè)總結(jié),小芳拿著成績(jī)單仔細(xì)研究,發(fā)現(xiàn)這次總成績(jī)不是很好,但是仔細(xì)一看,發(fā)現(xiàn)除了數(shù)學(xué)成績(jī)只考了40分以外,其他科目的成績(jī)都名列前茅,數(shù)學(xué)成績(jī)拉低了小芳的整體成績(jī)。

    在這里我們就是把整體考試成績(jī)細(xì)分為具體的科目來總結(jié)歸因。在數(shù)據(jù)分析的工作中,細(xì)分的緯度主要包括時(shí)間、地區(qū)、渠道、產(chǎn)品、員工、客戶等。杜邦分析法、麥肯錫的 MECE 分析法本質(zhì)上都屬于細(xì)分思維。

    3. 溯源思維

    前兩個(gè)思維能夠?qū)?yīng)一部分?jǐn)?shù)據(jù)分析工作要求,但是如果有一些數(shù)據(jù)不能用前兩種思維來處理怎么辦呢?

    那我們就可以用到另一種溯源思維。俗話說追根溯源,很多時(shí)候我們要想知道事物背后的邏輯原因,最好的方法可能是去探究事物發(fā)生的原因,來幫助我們分析。

    繼續(xù)拿小芳舉例,她放學(xué)回家把成績(jī)單交給媽媽,媽媽通過對(duì)比、細(xì)分的思維方法知道了小芳這次考試的大概情況,也知道是數(shù)學(xué)失利了。但是小芳的數(shù)學(xué)一向是強(qiáng)項(xiàng),媽媽還是無法理解為什么會(huì)在這里出問題,于是媽媽找來小芳談心,詳細(xì)了解了考試時(shí)的情況,才發(fā)現(xiàn)是因?yàn)樾》伎紨?shù)學(xué)的那天中午吃壞了肚子,下午的數(shù)學(xué)考試剛好發(fā)作,疼痛難忍,以至于很多本來會(huì)做的題目都做錯(cuò)了。媽媽也理解了小芳,并且向小芳表達(dá)了歉意,也會(huì)更注重小芳的飲食問題。

    上面的例子里,小芳的媽媽無法從表面的數(shù)據(jù)上分析出事情發(fā)生的原因,于是采用了溯源思維,找到了真正的原因。如果數(shù)據(jù)分析師在工作中也能利用好溯源思維,那么對(duì)數(shù)據(jù)的敏感和業(yè)務(wù)的理解也能逐步加深。

    4. 相關(guān)思維

    上面幾種思維是比較常用的思維方式,下面我們就來說說相關(guān)思維,這也是數(shù)據(jù)分析的核心思維能力。

    很多人可能都知道著名的啤酒與尿布的故事,在業(yè)界是一個(gè)相關(guān)分析的經(jīng)典案例。故事背景是20世紀(jì)90年代的美國(guó)沃爾瑪超市,當(dāng)時(shí)沃爾瑪擁有世界上最大的數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng),為了能夠準(zhǔn)確了解顧客在其門店的購(gòu)買習(xí)慣,沃爾瑪對(duì)其顧客的購(gòu)物行為進(jìn)行購(gòu)物籃分析,想知道顧客經(jīng)常一起購(gòu)買的商品有哪些。

    沃爾瑪數(shù)據(jù)倉(cāng)庫(kù)里集中了其各門店的詳細(xì)原始交易數(shù)據(jù)。在這些原始交易數(shù)據(jù)的基礎(chǔ)上,沃爾瑪利用數(shù)據(jù)挖掘方法對(duì)這些數(shù)據(jù)進(jìn)行分析和挖掘。一個(gè)意外的發(fā)現(xiàn)是:跟尿布一起購(gòu)買最多的商品竟是啤酒。

    經(jīng)過大量實(shí)際調(diào)查和分析,揭示了一個(gè)隱藏在“尿布與啤酒”后的美國(guó)人的一種行為模式:在美國(guó),一些年輕的父親下班后經(jīng)常要到超市去買嬰兒尿布,而他們中有30%~40%的人同時(shí)也為自己買一些啤酒。產(chǎn)生這一現(xiàn)象的原因是:美國(guó)的妻子們常叮囑她們的丈夫下班后為小孩買尿布,而丈夫們?cè)谫I尿布后又隨手帶回了他們喜歡的啤酒。

    如果數(shù)據(jù)分析師能夠熟練靈活的將相關(guān)分析運(yùn)用到工作中,就能從僅僅知道數(shù)據(jù)分析的結(jié)果是什么進(jìn)階到知道呈現(xiàn)這個(gè)結(jié)果的原因是為什么。

    5. 假設(shè)思維

    之前的思維模式都是建立在我們有大量的已知數(shù)據(jù)可以進(jìn)行分析論證的時(shí)候,那么如果我們還沒有足夠的數(shù)據(jù)量或者證據(jù)來驗(yàn)證這件事,我們應(yīng)該怎么辦呢?這種時(shí)候就可以用到我們的假設(shè)思維。先對(duì)大膽進(jìn)行假設(shè),然后再小心求證,最后去想辦法驗(yàn)證假設(shè)是否成立。

    比如,小芳想吃荔枝,于是下樓去買,跟賣荔枝的阿姨之間有這樣一段對(duì)話:

    小芳:“阿姨,你這荔枝甜不甜?”

    阿姨:“甜啊,我這有切好的,你先嘗一嘗試試?!?/p>

    小芳:“好,那我嘗一個(gè)?!?/p>

    小芳拿來一個(gè)荔枝,嘗了一口:“嗯,不錯(cuò),確實(shí)挺甜的,給我稱兩斤吧。”

    上面這個(gè)看似簡(jiǎn)單的小故事,其實(shí)就隱藏了簡(jiǎn)單的假設(shè)檢驗(yàn)。首先,小芳提出假設(shè):荔枝是甜的;其次,隨機(jī)抽取一個(gè)樣本;然后,檢驗(yàn)是否是甜的;最后,作出判斷,確認(rèn)荔枝真的是甜的,所以就購(gòu)買了。

    在數(shù)據(jù)分析中,假設(shè)思維的專業(yè)術(shù)語叫假設(shè)檢驗(yàn),一般包括四個(gè)步驟,即:提出假設(shè)、抽取樣本、檢驗(yàn)假設(shè)、作出判斷。數(shù)據(jù)分析師可以充分利用這一思維模式。

    6. 逆向思維

    逆向思維這個(gè)詞大家一定都不陌生,很多著名企業(yè)家的演講中就常常提到這個(gè)詞,他們都提倡打破常規(guī)的思維模式,從相反的方向來思考問題。

    下面我們邀請(qǐng)小芳同學(xué)再次登場(chǎng)。

    有一次,小芳去買辣椒,跟阿姨之間又有一段對(duì)話。

    小芳:“阿姨,你這辣椒多少錢一斤?”

    阿姨:“一塊五?!?/p>

    小芳挑了 3 個(gè)放到秤盤:“阿姨,幫我稱一下?!?/p>

    阿姨:“一斤半,兩 塊 2 毛?!?/p>

    小芳去掉其中最大的辣椒:“做湯不用那么多?!?/p>

    攤主:“一斤二兩,一塊6毛。”

    小芳拿起剛剛?cè)サ舻哪莻€(gè)最大的辣椒,付了 6毛錢,笑著跟阿姨說了再見。

    你看,運(yùn)用逆向思維,有時(shí)可能會(huì)起到意想不到的效果。

    7. 演繹思維

    演繹思維相對(duì)于前面的幾種思維方式可能不是那么好理解。

    演繹思維的方向是由一般到個(gè)別,大家要記住這一點(diǎn),后面我們還會(huì)提到。也就是說,演繹的前提是一般性的抽象知識(shí),而結(jié)論是個(gè)別性的具體知識(shí)。演繹的主要形式是由大前提、小前提、結(jié)論三部分組成的三段論。

    以物理學(xué)上一個(gè)常識(shí)為例。

    大前提:金屬能導(dǎo)電。

    小前提:銀鐵是金屬。

    結(jié)論:銀能導(dǎo)電。

    從這個(gè)例子中可以看出,大前提是已知的一般原理(金屬能導(dǎo)電),小前提是研究的特殊場(chǎng)合(鐵是金屬),結(jié)論是將特殊場(chǎng)合歸到一般原理之下得出的新知識(shí)(銀能導(dǎo)電)。

    8. 歸納思維

    歸納思維的方向與演繹正好相反,歸納的過程是從個(gè)別到一般。

    還是以金屬能導(dǎo)電為例。

    前提:金能導(dǎo)電,銀能導(dǎo)電,銅能導(dǎo)電,鋁能導(dǎo)電。

    結(jié)論:金屬能導(dǎo)電。

    數(shù)據(jù)分析的過程,往往是先接觸到個(gè)別事物,而后進(jìn)行歸納總結(jié),推及一般,再進(jìn)行演繹推理,從一般推及個(gè)別,如此循環(huán)往復(fù),不斷積累經(jīng)驗(yàn)。

    總結(jié)

    本文總結(jié)了數(shù)據(jù)分析的 8 種思維,分別是對(duì)比、細(xì)分、溯源、相關(guān)、假設(shè)、逆向、演繹、歸納。作為一名數(shù)據(jù)分析師,如果在工作中能充分運(yùn)用好這些思維,是對(duì)個(gè)人能力極大地提升,就能夠在工作中創(chuàng)造更多的個(gè)人價(jià)值。

    以上就是關(guān)于經(jīng)典數(shù)據(jù)分析方法相關(guān)問題的回答。希望能幫到你,如有更多相關(guān)問題,您也可以聯(lián)系我們的客服進(jìn)行咨詢,客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。


    推薦閱讀:

    經(jīng)典公園設(shè)計(jì)案例分析(經(jīng)典公園設(shè)計(jì)案例分析論文)

    描寫面條美味誘人的句子(人生如面條的經(jīng)典句子)

    黃巖宋韻拍攝宣傳片(經(jīng)典傳奇之黃巖宋墓)

    杭州圓行文化創(chuàng)意有限公司(杭州圓行文化創(chuàng)意有限公司怎么樣)

    密閉空間施工需要什么資質(zhì)(密閉空間施工需要什么資質(zhì)要求)