想成为数据产品经理，先掌握这些数据分析方法论

一个杰出的统计数据商品副经理必须要具有各种专业技能， 要介绍自己的使用者，明确使用者的核心理念需求，而最重要的是一定要掌控统计数据发掘专业技能、会用统计数据发掘辅助工具。让我们透过该文来看看：有什么样新颖的统计数据发掘方式吧。

商品副经理的基本概念在不断普遍化。近些年，随着网络金融行业的产业发展，愈来愈多的企业意识到了大统计数据和系统化营运的必要性，为了更快地发掘统计数据的价值，辅导销售业务的强化和产业发展，统计数据商品副经理不断涌现，他们如前所述统计数据发掘方式发现难题，并提炼出关键性基本要素，设计商品来实现品牌价值。

虽为商品副经理，但要真正解决核心理念难题，难免要在后期和后期展开大量的统计数据发掘工作，所以，新颖的统计数据发掘方式有什么样呢？

一、销售业务预测类

1.1 强生预测方式

强生预测方式目前主要用于财务领域，透过财务管理比例的关系来预测财务管理状况，其核心理念关键性点是将一个大的难题拆分为更小发射率的分项，以介绍难题出在了哪里，从而对症。

以B2C金融行业为例，GMV（中文网站成交量数额）是考评业绩最简单的分项，当GMV同比或同比出现大幅下滑时候，须要找出影响GMV的因素并逐个回收。

GMV上升假如是因下单使用者增加所造成的，所以是来访者数（网络流量）增加了，却是转换率上升了呢？假如是来访者数增加了，那原因在于大自然网络流量增加了，还原因在于营销网络流量严重不足？

假如是大自然网络流量上升的话，可能须要在使用者营运和商品营运端加码，假如是网络营销网络流量严重不足，所以可以透过网络营销活动或者站内导流的形式增加曝光量。

同样，假如是转换率的难题，所以须要对使用者展开行业龙头，特别针对不同

最后，假如原因在于客单价相对较低，所以须要展开订价及打折的计划强化，比如说辨识具有GMV提升潜力的商品展开订价强化，评估当前打折的ROI，特别针对选品、力度和打折形式展开强化。同时透过关联商品的推荐或商品套装打折的形式，激发使用者购买多件商品，也可以有效提高客单价。

1.2 同比热力图预测方式

同比热力图预测方式这个名称是我自己造的，其实无非是把各个销售业务线的同比统计数据放到一起展开比较，这样能更为简单地介绍各个销售业务的状况。

构建一张同比热力图大致须要三步：

透过同比热力图的预测，首先，可以透过纵向对比介绍销售业务自身的同比趋势，其次，可以透过横向对比介绍自身在同类销售业务中的位置，此外，还可以综合预测GMV等核心理念分项变动的原因。

除了B2C销售业务的预测以外，同比热力图同样适用于网络商品统计数据分项的监控及预测，该预测方式的关键性点在于回收核心理念分项，在本文后面的商品营运类方式中将会介绍相关分项的回收方式。

1.3 类BCG矩阵

BCG矩阵大家都非常熟悉了，以市场占有率和增长率为轴，将坐标系划分为四个象限，用于判断各项销售业务所处的位置。

这里想讲的并非传统的BCG矩阵，而是BCG矩阵的变阵，或者叫类BCG矩阵。

根据不同的销售业务场景和销售业务需求，我们可以将任意两个分项作为坐标轴，从而把各类销售业务或者使用者划分为不同的类型。

比如说可以以品牌GMV增长率和占有率构建坐标系，来预测各品牌的状况，从而帮助业务方介绍到什么样品牌是未来的明星品牌，可以重点加码，什么样品牌处于弱势且增长匮乏，须要强化品牌内的商品布局。

除此之外，我们还可以根据以下场景构建类BCG矩阵：

按照上述方式，大家可以根据需求大开脑洞，按照一定标准对研究对象展开分类预测。

二、使用者预测类

2.1 TGI指数

在预测用户时，通常的做法是将目标使用者展开分类，然后对比各类使用者与总体之间的差异性，TGI指数提供了一个很好的方式，来反映各类使用者群体在特定研究范围(如地理区域、人口统计、媒体偏好等)内的强势或弱势。

TGI指数=使用者分类中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例*100

比如说在预测使用者的年龄段时，可以透过TGI指数对比各使用者分类与总体在各年龄段的差异，设使用者分类1中16-25岁的使用者占比为4%，而总体中16-25岁的使用者占比为8.3%，所以使用者分类1在16-25岁使用者中的TGI指数为4%/8.3%=48。依照这一方式，我们可以对各类使用者在各年龄段的TGI指数展开对比。

如上图所示，各类目标使用者在16-25岁这个年龄段的占比都比总体小（TGI指数<100），其中分类1的使用者年龄偏大，因为该类使用者在36岁以上各个年龄段的TGI指数都明显高于100，且同时高于其他三类使用者。

当前在网络领域，除了使用者实名统计数据以外，其他使用者的画像维度一般都透过建立模型展开判断，因此无法完全保证准确性，但不同于小样本调研，大统计数据发掘是能容忍一定统计数据误差的，不过，这一切都要建立在对比的基础上。

所以，在预测使用者画像时，须要根据场景展开使用者分类，并对比各类使用者与总体间的差异，这样才能保证预测结果的可信性和适用性，而TGI指数就是很好的对比分项。

2.2 LRFMC模型

RFM模型是客户关系管理中最常用的模型，但这一模型还不够完善，比如说对于M(Money)，即消费数额相等的两个使用者而言，一个是注册两年的老使用者，一个是刚注册的新使用者。对于企业来说，这两个使用者的类型和价值就完全不同，因此我们须要更全面的模型。

LRFMC模型提供了一个更完整的视角，能更全面地介绍一个使用者的特征，LRFMC各个维度的释义如下：

L(lifetime)：代表从使用者第一次消费算起, 至今的时间，代表了与使用者建立关系的时间长度，也反映了使用者可能的活跃总时间。

R(Recency)：代表使用者最近一次消费至今的时间长度，反映了使用者当前的活跃状态。

F(Frequency)：代表使用者在一定时间内的消费频率，反映了使用者的忠诚度。

M(Monetary)：代表使用者在一定时间内的消费数额，反映了使用者的购买能力。

C(CostRatio)：代表使用者在一定时间内消费的折扣系数，反映了使用者对打折的偏好性。

以去哪里的销售业务为例，透过LRFMC模型可以综合预测使用者的习惯偏好和当前状态，从而辅导精准网络营销计划的实施。

L(lifetime):使用者来多久了？

R(Recency) :使用者最近是否有消费，假如来了很长时间都未消费，是否须要展开唤醒？

F(Frequency) :使用者出行的频率如何，假如是固定周期出行，是否应该展开复购提醒？

M(Monetary) :使用者的消费数额是多少，是单价高（购买头等舱），却是频次高？

C(CostRatio):使用者对折扣的偏好如何，是为使用者增加权益却是降价打折？

三、商品营运类

商品营运是一个长期的过程，须要定期对商品的使用统计数据展开监控，以便发现难题，从而确定营运的方向，同时也可以用于评估营运的效果。

商品营运的常用分项如下：

商品所处阶段不同，营运的侧重点也会有

对于不同的商品也需根据商品的性质来确定核心理念分项，比如说，对于社交类商品，使用广度和使用粘性至关重要，而对于一些中台预测类商品，提升使用深度和使用粘性更有意义。

四、结语

在一款统计数据商品诞生前，应该是先有统计数据，再有预测，然后才是商品，预测的广度和深度直接决定了商品的定位和价值。

假如是做一款统计数据报表类的商品，所以须要介绍核心理念分项，并建立综合分项的评估体系。假如是做一款预测决策类商品，所以还须要如前所述销售业务需求，将现有统计数据分项展开解构再重构。

以上内容仅仅是提供了一些基础辅助工具和思考方向，统计数据产品副经理是一个新兴的分支，目前还没有成熟的学习体系，未来还需继续深入浅出，和大家共同成长。

本文由 @Mr.墨叽 原创发布于人人都是商品副经理。未经许可，禁止转载

题图来自 Unsplash ，如前所述 CC0 协议