数据分析方法有哪些?

2023-06-01 0 610

产品目录

统计数据这类是有准入门槛的,许多人读书的这时候就怕上课时,更千万别说繁杂的方法论了。

因此,那时的科学普及,他们不牵涉逻辑学、语言学、软件工程、演算法基本原理,也不牵涉繁杂的销售业务方法论、自然法则推测方法论…

咱最终目标多于两个:天下人都看不懂最合适。

下列是我归纳的9种此基础统计数据挖掘方式,他们详尽瞧瞧。

数据分析方法有哪些?

一、单分项方式

1、持续性预测方式

最此基础的预测方式,能从两个分项已经开始,这是“持续性预测方式”。

简而言之“持续性预测方式”,操作方式上比较单纯,就是把两个分项的检视天数变长,看它与否有周期性变动趋势。

此种方式预测单纯,但十分新颖。即使初学者时常即使要学看周期性变动,引起段子。

诸如:

“我发现昨天分项大跌”——昨天是周末,本来就该跌(自然周期性变动)

“我发现A产品卖得很好”——A产品刚上市,它就该卖得好(产品生命周期性

许多这时候,他们看的分项是总体分项,而总体分项是由若干部分组成的,比如:

总公司-分公司A、分公司B、分公司C

总销售-商品A、商品B、商品C

因此看到两个总体分项以后,能根据它的组成部分,对总体做拆解,了解各部分组成,是为结构预测方式(预测总体的内部结构)。

2、结构预测方式

结构预测方式顾名思义,通过结构预测,找到问题发生点。

结构预测方式在许多时候都好用,比如问:“为什么业绩下滑呀!”

答:“即使XX区域没有做好!”通过看结构,能很快找到责任人。

3、分层预测方式

除了单纯地看结构,人们也喜欢做排名,区分个高中低,这是分层预测方式。

许多同学会把分层和结构搞混,大家只要记得下列两句:

结构是客观存在的,问清楚即可

分层是主观的,要定个高低出来

这三种方式,是此基础中的此基础。一来,它们都是在预测两个分项;二来,它们都是基于事实陈述,不需要啥计算。

当他们初到一个公司,初接触两个新统计数据,都能用这三种方式,建立此基础认知。

二、多分项方式

1、从两个分项到2个分项

矩阵预测方式

当分项从两个增加到2个的这时候,最合适的方式是矩阵预测方式。

矩阵预测方式,通过两个分项的交叉,构造预测矩阵,利用平均值切出四个象限,从而发现问题。

矩阵预测方式的最大优势,在于:直观易懂,能很容易从两个分项的交叉对比中发现问题。

特别是当这两个分项是投入/成本分项的这时候,成本高+收入低,成本低+收入与高两个类别,能直接为销售业务指示出改进方向,因此极大避免了:“不知道如何评价好坏”的问题。

许多咨询公司都喜欢用此种方式,类似KANO模型或者波士顿矩阵,本质是找到了两个很好的评价分项,通过两分项交叉构造矩阵,对销售业务分类。分类的区分效果很好,就广为流传了。

数据分析方法有哪些?

2、从2个分项到多个分项

当预测分项变得更多的这时候,最重要的工作,是弄清楚:到底这些分项是什么关系。

典型的关系有两种。

第一种:并列关系。

几个分项相互独立,且是上一级分项的组成部分。

比如他们常说的:业绩=客户数*消费率*客单价

在这个公式里:

a.一级分项:业绩

b.二级分项:客户数、消费率、客单价

c.客户数、消费率、客单价相互独立

此时,客户数、消费率、客单价是并列的三个分项,并且都是业绩的子分项。

第二种:串行关系。

几个分项相互关联,有前后顺序关系。

比如他们常说的:新注册用户数=广告浏览人数*落地页转化率*注册页转化率。

a.一级分项:新注册用户数

b.二级分项:广告浏览人数、落地页转化率、注册页转化率

c.用户要先看到广告,再点击广告进入落地页,再完成注册

此时,广告页、落地页、注册页的分项相互关联,用户要一步步走。

数据分析方法有哪些?

这两种关系,分别对应两种此基础预测方法:

并列关系:分项拆解法,通过拆解两个一级分项,从二级分项里发现问题。 漏斗预测方式:通过检视一串流程,了解其流程转化率,发现转化率短点。

1)分项拆解法

分项拆解法,一般在经营预测中使用较多。

举个单纯的例子,两个小程序商城,上月销售业绩150万,本月120万。如果只看结果,除了少了30万以外啥也不知道。但进行分项拆解以后,就能发现许多东西。

数据分析方法有哪些?

拆解以后能明显看出:本月虽然注册用户人数增加了,但消费率大幅度降低,因此收入少了。后续能进一步思考:如何提高消费率。

2)漏斗预测方式

漏斗预测方式,则在互联网产品/推广/运营预测中使用较多,即使互联网产品能记录较多用户统计数据,因此能呈现整个用户转化流程,从而进行预测。

举个单纯例子,在网上看到两个商品广告,他们很感兴趣,点击进入购买。需要经历广告页→详情页→购物车→支付几个步骤,每多两个步骤,就会有一些用户流失,如同漏斗一样。

此时能用两个转化漏斗,形象地表示此种关系(如下图)。

数据分析方法有哪些?

有了转化漏斗以后,就能进一步基于漏斗预测,从而指导销售业务改善:

a.哪个环节漏掉的用户最多,需要改善?

b.不同的商品,漏斗形态如何,哪个更适合推广?

c.新的产品改版后,与否减少了漏掉的用户数量?

3)相关预测方式

当然,还有一些分项,可能不是直接的并行/串行关系,但在工作中,也很想知道他们有没有关系,比如:

a.广告投入与销售业绩

b.下雨刮风和门店人流

c.用户点击和消费行为

此时,需要掌握相关预测方式。注意:分项之间可能天生存在相关关系。

常见的天生相关,有三种形态:

a.在结构预测方式中,整体分项与部分分项之间关系

b.在分项拆解法中,主分项与子分项之间的关系

c.在漏斗预测方式中,前后步骤分项之间的关系

这三种情况,称为:直接相关。

直接相关不需要统计数据计算,通过分项梳理就能看清楚关系。

相关预测方式,更多是利用散点图/相关系数,找到潜在的相关关系(如下图)。

数据分析方法有哪些?

但要注意:相关不等于自然法则,到底如何解读相关系数,需要结合具体销售业务含义,不能胡乱下结论哦~

三、综合性预测方式(从分项到销售业务方法论)

1、标签预测方式

以上所有方式,都是基于统计数据分项计算,但实际销售业务中,许多关系并不能直接用统计数据分项表示。

比如:

● 是不是社区店比步行街店,生意更好?

● 是不是私域流量比公域流量,转化更佳?

● 是不是刮风下雨比晴空万里,销售更好?

社区店/私域流量/刮风下雨,很难用两个统计数据分项来衡量。但这些因素,又确实会对企业经营产生影响,该怎么预测呢?这就需要采用:标签预测方式。

数据分析方法有哪些?

举个单纯的例子,南方某省,8月份时常下暴雨。大家都觉得:下雨会影响门店业绩。那么怎么预测呢?按照五步法,能针对该省份门店,做预测如下图:

数据分析方法有哪些?

那么能得出结论:下雨对业绩影响不大,这就做完了。

注意,上边的小例子里,标签做的很粗糙,多于单纯粗暴的下雨/没下雨两类。除了下雨以外,还可能有台风、冰雹、高温等等情况。因此,做标签的精细程度,决定了标签预测的准确度。而能否选取到合适的标签,则考验的是预测人员对销售业务的理解程度。

数据分析方法有哪些?

到这里,一共介绍了八种此基础方式。在实际工作中,一般都是多种方式综合使用的。即使销售业务提的问题会很繁杂,很有可能牵涉多个分项,多个标签。此时千头万绪,要理清思路,就得祭出第九种方式:MECE法。

2、MECE法

MECE是(Mutually Exclusive Collectively Exhaustive)的缩写,指的是“相互独立,完全穷尽”的分类原则。

通过MECE方式对问题进行分类,能做到清晰准确,从而容易找到答案。

数据分析方法有哪些?

MECE法是此基础预测和高级预测的分水岭,也是从此基础提升到高级的通道。

所有繁杂的问题,都需要经过认真的梳理和分解,才能成为两个个能解决的小问题。简而言之的销售业务预测模型,其实是对销售业务问题的MECE分解。

由于篇幅关系,有关统计数据挖掘方法论的部分他们就暂时讲到这里啦~

如果你还想尝试下此基础的统计数据挖掘实操内容,能查看以往内容

如何制作有趣好看的统计数据可视化图表?3 赞同 · 0 评论回答数据分析方法有哪些?

以上内容由@伙伴云 整理汇总,欢迎大家前来交流哟~

想要免费体验的话,能戳下方尝试

注册即可免费使用app.huoban.com/cra/CRA_register?v5=1&mt=&utm_source=zhihu&utm_medium=zhuceye&utm_campaign=%E7%9F%A5%E4%B9%8E&_channel_track_key=nUw5jjhD

相关文章

发表评论
暂无评论
官方客服团队

为您解决烦忧 - 24小时在线 专业服务