期刊信息
曾用名:现代图书情报技术;计算机与图书馆
主办:中国科学院文献情报中心
主管:中国科学院
ISSN:2096-3467
CN:10-1478/G2
语言:中文
周期:月刊
影响因子:0.912234
数据库收录:
北大核心期刊(2004版);北大核心期刊(2008版);北大核心期刊(2011版);北大核心期刊(2017版);中国科学引文数据库(2017-2018);中国科学引文数据库(2019-2020);中文社会科学引文索引-来源(2017-2018);中文社会科学引文索引-来源(2019-2020);国家哲学社会科学学术期刊数据库;中国人文社科核心期刊;中国科技核心期刊;期刊分类:图书情报与数字图书馆
期刊热词:
研究论文
一文读懂业务数据的分析思路(2)
【作者】网站采编
【关键词】
【摘要】(1)结构化拆解:不只对比整体,还要看内部的构成差异 结构化拆解对比,是对业务问题进行原因分析过程中最常用的分析方法。 只对比数据整体,无法
(1)结构化拆解:不只对比整体,还要看内部的构成差异
结构化拆解对比,是对业务问题进行原因分析过程中最常用的分析方法。
只对比数据整体,无法注意到数据内部各个部分构成的差异。如果忽略这种差异进行比较,就有可能导致无法察觉该差异所造成的影响。比如,某产品销售额下降20%,背后的原因是什么,该如何分析?
从用户角度来拆解:例如,该产品用户由新用户和老用户构成,可以拆解为新用户销售额和老用户销售额,来看销售额下降是否跟用户类型有关。
还可以把用户拆解为不同年龄组、不同的性别、不同地区、不同等级等属性,可参考数据类型中的用户数据包含内容。
从产品角度来拆解:例如,该产品的销售包含了不同的产品版本,可以拆解为不同的版本对比销售额,来看销售额下降是否跟产品版本有关。当然还有其他产品相关的属性,可参考数据类型中的产品数据包含内容。
从数据结构角度来拆解:例如,某产品销售额按照一定区间分组对比,某产品满意度按照不同满意层级拆解对比,来了解不同结构数据下的用户占比分布。
交叉分析也是非常常见的对比分析方法,就是讲拆解后的多个维度结合进行对比,从而发现更深层次的差异。
(2)公式化拆解:对数据指标进行拆解
结构化的拆解可以帮助我们得到一个有逻辑的分析框架,在具体执行原因分析时,我们还需要对变量进行层层拆解才能找到问题产生的根源。例如在上述销售额下降的案例中,通过对用户类型进行结构化拆解对比,发现新用户的销售额明显下降,那么如果业务继续追问:为什么新用户的销售额下降了呢?
此时,我们就可以把销售额(数据指标)进行公式拆解,拆解成多个细分指标后,再针对细分指标进行对比分析。
比如,销售额=销量×客单价,在拆解之后就可以再从客单价和销量两个角度去进行对比分析,深挖销售额下降的原因。是新用户的销量变少了,还是新用户的客单价变低了导致新用户销售额下降的?
假设对比后发现客单价没有变化,主要是销量变少导致销售额下降。还可以继续对销量进行拆解:销量=人均购买数×购买人数,进而分析是购买人数下降了,还是人均购买数下降了呢?通过公式化的对指标剥离拆解,就可以实现层层深入到问题本质。
结构化和公式化拆解还可以应用在我们对业务进行分析时的思路梳理中,比如当我们要去对某个业务的的GMV为什么高或者低进行原因分析时,我们可以对GMV进行公式化拆解,分别从流量×转化率×客单价三个具体的方面着手,去罗列出影响这些指标的因素,逐渐完善我们的数据分析网络。
三、常见的数据分析技巧
(1)对比分析法
在前文业务现状分析中,已经有详细阐述,是描述现象和发现问题最基本的分析方法。
从对比对象上来看,可以和目标比、和同类比、和不同时期的自己比;从对比方式上来看,可以整体对比,也可以通过变量拆解后分组对比、多维交叉对比。
(2)象限法
象限法常用在需要进行落地推动的策略分析上,是通过将多个因变量因变量进行不同属性的划分,生成多个具备不同价值的象限,通过考察对象在象限中的位置来明确进一步的业务策略。象限分析法
举例:
RFM模型:把客户按照不同的维度进行划分,区分出不同价值的客户,从而针对不同价值的客户进行精细化运营。
(图片来源于网络)
行动优化矩阵:对多个待优化模块的具体优化优先级进行评估时,可以结合两个关键变量来构建出4个不同象限以进行优先级的区分。常用的变量有满意度和重要性,当然也可以根据具体的场景选择其他合适的变量(如下图选择了满意度和优化意愿两个变量)。
(3)漏斗分析法
漏斗分析主要应用在一个有起点和终点的业务流程分析中,用来定位问题发生的具体环节,分析指标一般为转化率或者流失率,转化率=某环节的用户数量/上环节的用户数量;流失率=1-某环节的用户数量/上环节的用户数量。
文章来源:《数据分析与知识发现》 网址: http://www.sjfxyzsfx.cn/zonghexinwen/2021/0910/1455.html
上一篇:思考:数据分析与数据后台设计
下一篇:一文带你分辨数据分析与数据挖掘的区别