- 相關(guān)推薦
數(shù)據(jù)分析常用方法(熱)
數(shù)據(jù)分析常用方法 篇1
1、未被滿足的需求分析
商業(yè)可以簡(jiǎn)單的理解為滿足客戶需求的全部。未被滿足的需求分析指的是揭示你的產(chǎn)品、服務(wù)、客戶滿意度以及收入方面是否還有未被滿足的需求。對(duì)于未被滿足的需求分析，有效的工具包括產(chǎn)品評(píng)價(jià)，定性調(diào)查，小組討論和訪談。你也可以使用類似于Google Trends這樣的工具來幫助識(shí)別客戶都在搜索什么。
提示：現(xiàn)在向你的客戶提問是一個(gè)非常經(jīng)濟(jì)實(shí)惠而又快速的辦法。例如創(chuàng)建一個(gè)論壇，在線小組討論，亦或是邀請(qǐng)客戶關(guān)注你的Facebook頁面并加入到一個(gè)反饋小組里面。
2、市場(chǎng)規(guī)模分析
如果對(duì)自己的市場(chǎng)規(guī)模和潛力不夠了解，我們很容易對(duì)商業(yè)決策的可行性妄下結(jié)論。市場(chǎng)規(guī)模分析指的是評(píng)估你的產(chǎn)品以及服務(wù)市場(chǎng)規(guī)模有多大，是否有足夠的增長(zhǎng)潛力。衡量指標(biāo)包括產(chǎn)量（售出多少）、產(chǎn)值、頻率（一個(gè)產(chǎn)品或服務(wù)的出售頻率）。有效數(shù)據(jù)包括政府公布的數(shù)據(jù)，行業(yè)協(xié)會(huì)數(shù)據(jù)，競(jìng)爭(zhēng)對(duì)手財(cái)務(wù)數(shù)據(jù)以及客戶調(diào)查。
提示：僅因?yàn)槟硞�(gè)市場(chǎng)大并不意味著它是有利可圖的——特別地，如果大多數(shù)客戶想要的某個(gè)產(chǎn)品或者服務(wù)市場(chǎng)上已經(jīng)有了，那么他們不太可能會(huì)接受另一個(gè)產(chǎn)品或服務(wù)了。
3、需求預(yù)測(cè)
了解需求對(duì)于保持企業(yè)的競(jìng)爭(zhēng)力是至關(guān)重要的。需求預(yù)測(cè)屬于預(yù)測(cè)分析領(lǐng)域，旨在預(yù)估消費(fèi)者可能會(huì)購買的產(chǎn)品數(shù)量或服務(wù)。不同于簡(jiǎn)單猜測(cè)，它是基于過去市場(chǎng)上的歷史數(shù)據(jù)或當(dāng)前數(shù)據(jù)作出的估計(jì)。此時(shí)，分析技術(shù)（如時(shí)間序列分析）就顯得非常有用了。
提示：用于需求預(yù)測(cè)的數(shù)據(jù)必須是干凈并且準(zhǔn)確的。如果不是這樣的話，得到的結(jié)果將不準(zhǔn)確，并且有可能導(dǎo)致你誤入歧途。
4、市場(chǎng)趨勢(shì)分析
每個(gè)企業(yè)都需要知道它自己的一個(gè)市場(chǎng)前進(jìn)方向。市場(chǎng)趨勢(shì)分析指的是確定市場(chǎng)是否在增長(zhǎng)，停滯還是衰落，以及市場(chǎng)變化的快慢。了解市場(chǎng)的規(guī)模大小很重要，但了解的市場(chǎng)正趨勢(shì)上漲還是下跌同樣也很重要。為了監(jiān)測(cè)市場(chǎng)動(dòng)向，你可以做一些商業(yè)推演或情景分析以此判斷市場(chǎng)未來的一個(gè)大概樣子�？蛻粽{(diào)查或小組討論有一定的幫助作用。
提示：始終警惕外部環(huán)境，如立法的修改，社會(huì)期望。
5、非客戶分析
傳統(tǒng)地，我們被告知我們需要了解我們的客戶，以便于我們知道他們是怎樣的一些人并找出更多跟他們相似的人。道理雖這樣，但另一方面可能更重要——非客戶分析。非客戶分析指的是了解那些目前還不是你的客戶對(duì)你的產(chǎn)品，服務(wù)或品牌的看法。通過識(shí)別出那些不買你產(chǎn)品的人，以此來擴(kuò)大市場(chǎng)。訪談，問卷調(diào)查，焦點(diǎn)小組可以提供幫助。
提示：通過社交媒體的力量，我們可以輕松的獲取那些不是你的客戶的意見反饋。
6、競(jìng)爭(zhēng)對(duì)手分析
任何業(yè)務(wù)都是在競(jìng)爭(zhēng)環(huán)境中成長(zhǎng)的。競(jìng)爭(zhēng)對(duì)手分析對(duì)市場(chǎng)營銷和戰(zhàn)略規(guī)劃非常重要，它指的是識(shí)別你的競(jìng)爭(zhēng)者是誰，他們的市場(chǎng)定位是怎樣的，他們的業(yè)務(wù)跟自己的業(yè)務(wù)有什么關(guān)系。通過了解自己的優(yōu)勢(shì)和劣勢(shì)，你利用對(duì)方的弱點(diǎn)來尋找機(jī)會(huì)。收集競(jìng)爭(zhēng)對(duì)手?jǐn)?shù)據(jù)的方法有很多種，例如商業(yè)期刊和報(bào)紙，年度報(bào)告，產(chǎn)品說明書和營銷活動(dòng)。你甚至可以讓你的一個(gè)員工、朋友或者家庭成員從你的競(jìng)爭(zhēng)對(duì)手那里購買他們的產(chǎn)品或者服務(wù)進(jìn)行比較。
提示：競(jìng)爭(zhēng)對(duì)手分析的最有用的技巧是去做這件事情！可悲的是，大多數(shù)企業(yè)沒有這樣做。
7、定價(jià)分析
定價(jià)分析指的是在產(chǎn)品發(fā)布之前找出你的客戶愿意為你的產(chǎn)品支付多少錢。它涉及細(xì)分市場(chǎng)價(jià)格靈敏度分析，尤其在高度競(jìng)爭(zhēng)的市場(chǎng)非常有用。定價(jià)分析需要數(shù)據(jù)挖掘，預(yù)測(cè)模型和算法的開發(fā)。同時(shí)，它還涉及多個(gè)并行的商業(yè)實(shí)驗(yàn)，以此來測(cè)量?jī)r(jià)格變動(dòng)所帶來的變化。
提示：如果你希望通過定價(jià)分析來提升收入，請(qǐng)確保給那些為你的產(chǎn)品支付了更多錢的客戶提供了更高的價(jià)值。
8、銷售渠道分析
有數(shù)以百計(jì)的渠道和市場(chǎng)可以用來推廣你的產(chǎn)品和服務(wù)。銷售渠道分析可以幫助你評(píng)估現(xiàn)有銷售渠道的有效性。你可能會(huì)通過不同的渠道來達(dá)到您的不同細(xì)分市場(chǎng)，但我們有必要知道哪些渠道是有效的，哪些渠道可以到達(dá)事半功倍的效果。對(duì)于每個(gè)現(xiàn)有的市場(chǎng)營銷渠道以及那些潛在的尚未使用的渠道，你最好設(shè)置一些轉(zhuǎn)化率目標(biāo)，以便于了解各個(gè)渠道的推廣效果。
提示：銷售渠道分析顯然是線上比線下更適合。在線渠道具有數(shù)字化的`特征，并且經(jīng)常是構(gòu)建在市場(chǎng)和銷售平臺(tái)之上的。
9、品牌分析
品牌分析旨在確定你跟競(jìng)爭(zhēng)對(duì)手相比你的品牌實(shí)力如何。品牌不是簡(jiǎn)單的商品標(biāo)識(shí)和包裝，它還包含了客戶對(duì)你的產(chǎn)品的感受以及它們對(duì)客戶的寓意。真正的了解客戶如何看待自己的品牌很重要，因?yàn)檫@會(huì)影響到你的決策和戰(zhàn)略方向。你需要從各種渠道來獲取客戶以及那些潛在客戶的數(shù)據(jù)來進(jìn)行數(shù)據(jù)分析，如客服服務(wù)記錄，銷售記錄，網(wǎng)絡(luò)論壇，博客，評(píng)論網(wǎng)站和社交媒體等。
提示：互聯(lián)網(wǎng)為人們?nèi)绾慰创愕钠放埔约澳愕臉I(yè)務(wù)提供了是一個(gè)豐富的信息源。人們樂于去分享他們的想法和感受，所以我們應(yīng)該努力挖掘這樣一個(gè)豐富的信息金礦。
數(shù)據(jù)分析對(duì)市場(chǎng)營銷的益處
為什么要在市場(chǎng)營銷中使用數(shù)據(jù)分析？ 因?yàn)樗梢越o你的市場(chǎng)營銷工作帶來很多的幫助。
假設(shè)你發(fā)起了一個(gè)電子郵件營銷活動(dòng)，你怎么知道你的郵件列表上有多少人打開了郵件？ 在電子郵件營銷活動(dòng)中，有些人可能已經(jīng)決定不再和你做生意了———你如何追蹤這些取消訂閱的用戶？數(shù)據(jù)分析為電子郵件營銷平臺(tái)提供了解決這些問題的答案。
數(shù)據(jù)分析也可以幫助營銷人員做出更好的決策。你知道哪種廣告方法的投資回報(bào)率最高嗎？ 通過對(duì)不同渠道的數(shù)據(jù)監(jiān)測(cè)分析，你可以辨別出更有效的推廣方式和渠道。你可能會(huì)發(fā)現(xiàn)，把錢投到CPC廣告（點(diǎn)擊付費(fèi)廣告）中并不能產(chǎn)生你所希望的投資回報(bào)。然而，也許電子郵件營銷活動(dòng)比你意識(shí)到的要成功得多。
如何在市場(chǎng)營銷中成功地使用數(shù)據(jù)分析
雖然數(shù)據(jù)分析可以改善營銷活動(dòng)的效果，但前提是你必須遵循一些最佳實(shí)踐方法。
首先，你應(yīng)該設(shè)定明確的目標(biāo)。數(shù)據(jù)是海量的，你不可能分析所有的數(shù)據(jù)，你也不應(yīng)該分析所有的數(shù)據(jù)，畢竟不是每個(gè)數(shù)據(jù)都會(huì)對(duì)你產(chǎn)生益處。你需要且應(yīng)該分析的是那些對(duì)你有益的數(shù)據(jù)。而這些都要求你明確自己想要完成的事情（如接觸不活躍的客戶，提高客戶的參與度，決定銷售到成交的比率等等），并找到合適的數(shù)據(jù)。
另一個(gè)最佳實(shí)踐方法是保持?jǐn)?shù)據(jù)“干凈”。有時(shí)，信息可能有誤。例如，如果一個(gè)電話號(hào)碼的兩位數(shù)被調(diào)換，你就不會(huì)找到合適的人。確保你的數(shù)據(jù)是無誤的，這將幫助你更好地進(jìn)行用戶行為分析，從而更好地指導(dǎo)產(chǎn)品運(yùn)營。
最后，使用合適的工具進(jìn)行工作。市場(chǎng)上有許多數(shù)據(jù)分析解決方案，例如，開源私有化部署的Cobub Razor，它可以幫助你采集用戶行為數(shù)據(jù)，并且提供可視化的報(bào)表，許多市場(chǎng)營銷人員都認(rèn)為它是有用的。盡管市場(chǎng)上的數(shù)據(jù)分析產(chǎn)品這么多，但最終你的團(tuán)隊(duì)需要找到適合其需求的數(shù)據(jù)分析工具，從而產(chǎn)生最佳的結(jié)果。
數(shù)據(jù)分析常用方法 篇2
一、面板數(shù)據(jù)
面板數(shù)據(jù)：其有時(shí)間序列和截面兩個(gè)維度，當(dāng)這類數(shù)據(jù)按兩個(gè)維度排列時(shí)，是排在一個(gè)平面上，與只有一個(gè)維度的數(shù)據(jù)排在一條線上有著明顯的不同，整個(gè)表格像是一個(gè)面板,所以把panel data譯作“面板數(shù)據(jù)”。但是,如果從其內(nèi)在含義上講,把panel data譯為“時(shí)間序列—截面數(shù)據(jù)” 更能揭示這類數(shù)據(jù)的本質(zhì)上的特點(diǎn)。也有譯作“平行數(shù)據(jù)”或“TS-CS數(shù)據(jù)（Time Series - Cross Section）”。
線性面板線性面板數(shù)據(jù)里面各種估計(jì)量的關(guān)系，每個(gè)箭頭都是可以證明的，感興趣的可以自己證明：
二、離散選擇模型和受限因變量模型
在實(shí)證微觀計(jì)量經(jīng)濟(jì)學(xué)分析當(dāng)中，我們常常會(huì)碰到這樣一類計(jì)量經(jīng)濟(jì)模型，其中的.因變量或者是定性的，或者是取值范圍受到限制。在這兩種情形下，必須要使用特殊的方法才能對(duì)這類計(jì)量經(jīng)濟(jì)模型進(jìn)行有效分析，才能獲得其中參數(shù)的一致估計(jì)。
當(dāng)因變量是定性的時(shí)候，某些場(chǎng)合我們可以給它賦予諸如LL,,,2,1,0n等數(shù)值。但是，前提必須是有意義的。在實(shí)證微觀計(jì)量經(jīng)濟(jì)學(xué)分析當(dāng)中，我們常常會(huì)碰到這樣一類計(jì)量經(jīng)濟(jì)模型，其中的因變量或者是定性的，或者是取值范圍受到限制。在這兩種情形下，必須要使用特殊的方法才能對(duì)這類計(jì)量經(jīng)濟(jì)模型進(jìn)行有效分析，才能獲得其中參數(shù)的一致估計(jì)。當(dāng)因變量是定性的時(shí)候，某些場(chǎng)合我們可以給它賦予諸如0,1，...,n...等數(shù)值。但是，前提必須是有意義的。二元選擇模型的特點(diǎn)就是其因變量?jī)H有二個(gè)結(jié)果。
三、靜態(tài)面板數(shù)據(jù)
我們一般所說的靜態(tài)面板數(shù)據(jù)模型，是指解釋變量中不包含被解釋變量的滯后項(xiàng)（通常為一階滯后項(xiàng)）的情形。但嚴(yán)格地講，隨機(jī)干擾項(xiàng)服從某種序列相關(guān)的模型，如AR(1)，AR(2)，MA(1)等，也不是靜態(tài)模型。動(dòng)態(tài)和靜態(tài)模型在處理方法上往往有較大的差異。用靜態(tài)面板數(shù)據(jù)建立的模型通常有三種，即混合模型、固定效應(yīng)模型和隨機(jī)效應(yīng)模型。
四、動(dòng)態(tài)面板數(shù)據(jù)
動(dòng)態(tài)面板數(shù)據(jù)是研究現(xiàn)象動(dòng)態(tài)行為的一種重要方式，在一個(gè)模型中添加動(dòng)態(tài)因素，是對(duì)方程理解上的一個(gè)變化。在方程中添加滯后變量即右邊變量的整個(gè)歷史，所以所觀測(cè)的任何影響都以這個(gè)歷史為條件。假如在面板數(shù)據(jù)模型右端加入滯后因變量的話，則模型變?yōu)閯?dòng)態(tài)面板數(shù)據(jù)模型。
數(shù)據(jù)分析常用方法 篇3
一、數(shù)據(jù)分析很普及
以往的數(shù)據(jù)分析在今天的各類型企業(yè)中，數(shù)據(jù)分析非常的普及，并且得到認(rèn)可，數(shù)據(jù)分析的核心任務(wù)往往是支撐運(yùn)營和營銷，將企業(yè)內(nèi)部的數(shù)據(jù)，客戶的數(shù)據(jù)進(jìn)行分析和總結(jié)，形成以往工作情況的量化表現(xiàn)，以及客戶的行為趨勢(shì)或特征等。
如果從更宏觀的角度來認(rèn)識(shí)數(shù)據(jù)要達(dá)到的目標(biāo)就是希望通過數(shù)據(jù)來發(fā)現(xiàn)潛在的規(guī)律，進(jìn)而幫助預(yù)測(cè)未來，這一點(diǎn)同數(shù)據(jù)挖掘的目標(biāo)一致。今天我們還是在反復(fù)提到數(shù)據(jù)挖掘這個(gè)概念，我們就需要來看看數(shù)據(jù)分析都有哪些是沒有做到的內(nèi)容。
1) 數(shù)據(jù)分散
多數(shù)數(shù)據(jù)分析崗位在公司中的崗位設(shè)置是隸屬在單一業(yè)務(wù)部門中作為一個(gè)支撐崗，只有少數(shù)的公司是將數(shù)據(jù)分析作為一個(gè)獨(dú)立的部門。其差異性在于，前者的數(shù)據(jù)分析所能分析的內(nèi)容僅限于自身部門所輸出的指標(biāo)，比如投訴部門只看投訴處理過程中的數(shù)據(jù)，銷售部門只看銷售過程中的數(shù)據(jù)，一旦涉及到需要將各類指標(biāo)匯總分析的情況，這種組織架構(gòu)就會(huì)帶來極大的負(fù)面影響，由于不同部門具備自己部門指標(biāo)導(dǎo)出的權(quán)限，且與其他部門的配合并不影響績(jī)效任務(wù)，所以這種跨部門采集數(shù)據(jù)的過程往往效率奇低。而數(shù)據(jù)分析最關(guān)鍵的就在于匯集更多的數(shù)據(jù)和更多的維度來發(fā)現(xiàn)規(guī)律，所以以往的數(shù)據(jù)分析多是做最基礎(chǔ)的對(duì)比分析以及帕累托分析，少有使用算法來對(duì)數(shù)據(jù)進(jìn)行挖掘的動(dòng)作，因?yàn)樵缴俚闹笜?biāo)以及越少的維度將會(huì)使得算法發(fā)揮的效果越差。
2) 指標(biāo)維度少
在以往的企業(yè)中，數(shù)字化管理更多的體現(xiàn)在日常運(yùn)維工作中，對(duì)于客戶端的數(shù)據(jù)采集雖然從很早以前就已經(jīng)開展，CRM系統(tǒng)的誕生已經(jīng)有很久的時(shí)間了，但是一直以來客戶端的數(shù)據(jù)維度卻十分缺失，其原因在于上述這些途徑所獲得的數(shù)據(jù)多為客戶與企業(yè)產(chǎn)生交互之后到交互結(jié)束之間的數(shù)據(jù)，但是這段時(shí)間只是這個(gè)客戶日常生活中很少的一部分內(nèi)容，客戶在微博，微信上的行為特點(diǎn)，關(guān)注的領(lǐng)域或是品牌，自身的性格特點(diǎn)等，可以說一個(gè)客戶真正的特點(diǎn)、習(xí)慣，僅通過與企業(yè)的交互是無從知曉的，因此難以挖掘出有效的結(jié)論。
3) 少使用算法
在上述制約條件下，可想而知數(shù)據(jù)分析人員對(duì)于算法的使用必然是較少的，因?yàn)閿?shù)據(jù)分析依賴于大量的指標(biāo)、維度以及數(shù)據(jù)量，沒有這三個(gè)條件是難以發(fā)揮算法的價(jià)值的，而在排除掉算法后，數(shù)據(jù)分析人員更多的只能是針對(duì)有限的數(shù)據(jù)做最為簡(jiǎn)單的分析方法，得出淺顯易懂的分析結(jié)論，為企業(yè)帶來的價(jià)值則可以想象。
4) 數(shù)據(jù)分析系統(tǒng)較弱
目前的數(shù)據(jù)分析多采用excel，部分?jǐn)?shù)據(jù)分析人員能夠使用到R或SPSS等軟件，但當(dāng)數(shù)據(jù)量達(dá)到TB或PB單位級(jí)別時(shí)，這些軟件在運(yùn)算時(shí)將會(huì)消耗大量時(shí)間，同時(shí)原始的數(shù)據(jù)庫系統(tǒng)在導(dǎo)出數(shù)據(jù)時(shí)所花費(fèi)的時(shí)間也是相當(dāng)長(zhǎng)的，因此對(duì)大數(shù)據(jù)量的分析工作，常規(guī)的系統(tǒng)支撐難以到達(dá)要求。（目前市面上較好的有紐帶線CRM系統(tǒng)的數(shù)據(jù)分析工具）
二、技術(shù)革命與數(shù)據(jù)挖掘
得益于互聯(lián)網(wǎng)對(duì)于人們生活的影響逐漸增大，我們發(fā)現(xiàn)數(shù)據(jù)正在瘋狂的增長(zhǎng)。今天一個(gè)人一天的時(shí)間中有將近一半是在互聯(lián)網(wǎng)中度過的，一方面這些使用互聯(lián)網(wǎng)的交互都是能夠被捕捉記錄的，一方面由于碎片化時(shí)間的使用，客戶與企業(yè)交互的機(jī)會(huì)也變的越來越頻繁，進(jìn)一步保障了客戶數(shù)據(jù)的豐富。同時(shí)在大數(shù)據(jù)技術(shù)的支撐下，今天的系統(tǒng)能夠允許對(duì)這些大規(guī)模的數(shù)據(jù)量進(jìn)行高效的分析。
因此數(shù)據(jù)分析人員也能夠開始使用一些較為抽象的算法來對(duì)數(shù)據(jù)做更為豐富的分析。所以數(shù)據(jù)分析正式進(jìn)入到了數(shù)據(jù)分析2.0的時(shí)代，也就是數(shù)據(jù)挖掘的時(shí)代了。
三、數(shù)據(jù)處理流程
數(shù)據(jù)分析也即是數(shù)據(jù)處理的過程，這個(gè)過程是由三個(gè)關(guān)鍵環(huán)節(jié)所組成：數(shù)據(jù)采集，數(shù)據(jù)分析方法選取，數(shù)據(jù)分析主題選擇。這三個(gè)關(guān)鍵環(huán)節(jié)呈現(xiàn)金字塔形，其中數(shù)據(jù)采集是最底層，而數(shù)據(jù)分析主題選擇是最上層。
四、數(shù)據(jù)采集
數(shù)據(jù)采集即是如何將數(shù)據(jù)記錄下來的環(huán)節(jié)。在這個(gè)環(huán)節(jié)中需要著重說明的是兩個(gè)原則，即全量而非抽樣，以及多維而非單維。今天的技術(shù)革命和數(shù)據(jù)分析2.0主要就是體現(xiàn)在這個(gè)兩個(gè)層面上。
1. 全量而非抽樣
由于系統(tǒng)分析速度以及數(shù)據(jù)導(dǎo)出速度的制約，在非大數(shù)據(jù)系統(tǒng)支撐的公司中，做數(shù)據(jù)分析的人員也是很少能夠做到完全全量的對(duì)數(shù)據(jù)進(jìn)行收集和分析。在未來這將不再成為問題。
2. 多維而非單維
另一方面則在于數(shù)據(jù)的維度上，這在前邊同樣提及。總之針對(duì)客戶行為實(shí)現(xiàn)5W1H的全面細(xì)化，將交互過程的什么時(shí)間、什么地點(diǎn)、什么人、因?yàn)槭裁丛�、做了什么事情全面記錄下來，并將每一個(gè)板塊進(jìn)行細(xì)化，時(shí)間可以從起始時(shí)間、結(jié)束時(shí)間、中斷時(shí)間、周期間隔時(shí)間等細(xì)分；地點(diǎn)可以從地市、小區(qū)、氣候等地理特征、渠道等細(xì)分；人可以從多渠道注冊(cè)賬號(hào)、家庭成員、薪資、個(gè)人成長(zhǎng)階段等細(xì)分；原因可以從愛好、人生大事、需求層級(jí)等細(xì)分；事情可以從主題、步驟、質(zhì)量、效率等細(xì)分。通過這些細(xì)分維度，增加分析的多樣性，從而挖掘規(guī)律。
五、數(shù)據(jù)分析方法選取
數(shù)據(jù)分析方法是通過什么方法去組合數(shù)據(jù)從而展現(xiàn)規(guī)律的環(huán)節(jié)。從根本目的上來說，數(shù)據(jù)分析的任務(wù)在于抽象數(shù)據(jù)形成有業(yè)務(wù)意義的結(jié)論。因?yàn)閱渭兊臄?shù)據(jù)是毫無意義的，直接看數(shù)據(jù)是沒有辦法發(fā)現(xiàn)其中的規(guī)律的，只有通過使用分析方法將數(shù)據(jù)抽象處理后，人們才能看出隱藏在數(shù)據(jù)背后的規(guī)律。
數(shù)據(jù)分析方法選取是整個(gè)數(shù)據(jù)處理過程的核心，一般從分析的方法復(fù)雜度上來講，我將其分為三個(gè)層級(jí)，即常規(guī)分析方法，統(tǒng)計(jì)學(xué)分析方法跟自建模型。我之所以這樣區(qū)分有兩個(gè)層面上的考慮，分別是抽象程度以及定制程度。
其中抽象程度是說，有些數(shù)據(jù)不需要加工，直接轉(zhuǎn)成圖形的方式呈現(xiàn)出來，就能夠表現(xiàn)出業(yè)務(wù)人員所需要的業(yè)務(wù)意義，但有些業(yè)務(wù)需求，直接把數(shù)據(jù)轉(zhuǎn)化成圖形是難以看出來的，需要建立數(shù)據(jù)模型，將多個(gè)指標(biāo)或一個(gè)指標(biāo)的多個(gè)維度進(jìn)行重組，最終產(chǎn)生出新的數(shù)據(jù)來，那么形成的這個(gè)抽象的結(jié)果就是業(yè)務(wù)人員所需要的業(yè)務(wù)結(jié)論了�；谶@個(gè)原則，可以劃分出常規(guī)分析方法和非常規(guī)分析方法。
那么另一個(gè)層面是定制程度，到今天數(shù)學(xué)的'發(fā)展已經(jīng)有很長(zhǎng)的時(shí)間了，其中一些經(jīng)典的分析方法已經(jīng)沉淀，他們可以通用在多用分析目的中，適用于多種業(yè)務(wù)結(jié)論中，這些分析方法就屬于通用分析方法，但有些業(yè)務(wù)需求確實(shí)少見，它所需要的分析方法就不可能完全基于通用方法，因此就會(huì)形成獨(dú)立的分析方法，也就是專門的數(shù)學(xué)建模，這種情況下所形成的數(shù)學(xué)模型都是專門為這個(gè)業(yè)務(wù)主題定制的，因此無法適用于多個(gè)主題，這類分析方法就屬于高度定制的，因此基于這一原則，將非常規(guī)分析方法細(xì)分為統(tǒng)計(jì)學(xué)分析方法和自建模型類。
1) 常規(guī)分析方法
常規(guī)分析方法不對(duì)數(shù)據(jù)做抽象的處理，主要是直接呈現(xiàn)原始數(shù)據(jù)，多用于針對(duì)固定的指標(biāo)、且周期性的分析主題。直接通過原始數(shù)據(jù)來呈現(xiàn)業(yè)務(wù)意義，主要是通過趨勢(shì)分析和占比分析來呈現(xiàn)，其分析方法對(duì)應(yīng)同環(huán)比及帕累托分析這兩類。同環(huán)比分析，其核心目的在于呈現(xiàn)本期與往期之間的差異，如銷售量增長(zhǎng)趨勢(shì)；而帕累托分析則是呈現(xiàn)單一維度中的各個(gè)要素占比的排名，比如各個(gè)地市中本期的銷售量增長(zhǎng)趨勢(shì)的排名，以及前百分之八十的增長(zhǎng)量都由哪幾個(gè)地市貢獻(xiàn)這樣的結(jié)論。常規(guī)分析方法已經(jīng)成為最為基礎(chǔ)的分析方法，在此也不詳細(xì)介紹了。
2) 統(tǒng)計(jì)學(xué)分析方法
統(tǒng)計(jì)學(xué)分析方法能夠基于以往數(shù)據(jù)的規(guī)律來推導(dǎo)未來的趨勢(shì)，其中可以分為多種規(guī)律總結(jié)的方式。根據(jù)原理多分為以下幾大類，包括有目標(biāo)結(jié)論的有指導(dǎo)學(xué)習(xí)算法，和沒有目標(biāo)結(jié)論的無指導(dǎo)學(xué)習(xí)算法，以及回歸分析。
其中有指導(dǎo)的學(xué)習(xí)算法簡(jiǎn)單說就是有歷史數(shù)據(jù)里邊已經(jīng)給出一個(gè)目標(biāo)結(jié)論，然后分析當(dāng)各個(gè)變量達(dá)到什么情況時(shí)，就會(huì)產(chǎn)生目標(biāo)結(jié)論。比如我們想判斷各項(xiàng)指標(biāo)需要達(dá)到什么水平時(shí)我們才認(rèn)定這個(gè)人患有心臟病的話，就可以把大量的心臟病人的各項(xiàng)指標(biāo)數(shù)據(jù)和沒有心臟病的正常人的各項(xiàng)指標(biāo)數(shù)據(jù)都輸入到系統(tǒng)中，目標(biāo)結(jié)論就是是否有心臟病，變量就是各項(xiàng)指標(biāo)數(shù)據(jù)，系統(tǒng)根據(jù)這些數(shù)據(jù)算出一個(gè)函數(shù)，這個(gè)函數(shù)能夠恰當(dāng)?shù)拿枋龈鱾�(gè)指標(biāo)的數(shù)據(jù)與最終這個(gè)是否是心臟病人之間的關(guān)系，也就是當(dāng)各個(gè)指標(biāo)達(dá)到什么臨界值時(shí)，這個(gè)人就有心臟病的判斷，這樣以后再來病人，我們就可以根據(jù)各項(xiàng)指標(biāo)的臨界值。這個(gè)案例中的函數(shù)就是算法本身了， 這其中的算法邏輯有很多種，包括常見的貝葉斯分類、決策樹、隨機(jī)森林樹以及支持向量機(jī)等，有興趣的朋友可以在網(wǎng)上看看各種算法的邏輯是怎么樣的。
另外無指導(dǎo)的學(xué)習(xí)算法因?yàn)闆]有一個(gè)給定的目標(biāo)結(jié)論，因此是將指標(biāo)之中所有有類似屬性的數(shù)據(jù)分別合并在一起，形成聚類的結(jié)果。比如最經(jīng)典的啤酒與尿布分析，業(yè)務(wù)人員希望了解啤酒跟什么搭配在一起賣會(huì)更容易讓大家接受，因此需要把所有的購買數(shù)據(jù)都放進(jìn)來，然后計(jì)算后，得出其他各個(gè)商品與啤酒的關(guān)聯(lián)程度或者是距離遠(yuǎn)近，也就是同時(shí)購買了啤酒的人群中，都有購買哪些其他的商品，然后會(huì)輸出多種結(jié)果，比如尿布或者牛肉或者酸奶或者花生米等等，這每個(gè)商品都可以成為一個(gè)聚類結(jié)果，由于沒有目標(biāo)結(jié)論，因此這些聚類結(jié)果都可以參考，之后就是貨品擺放人員嘗試各種聚類結(jié)果來看效果提升程度。在這個(gè)案例中各個(gè)商品與 啤酒的關(guān)聯(lián)程度或者是距離遠(yuǎn)近就是算法本身了，這其中的邏輯也有很多中，包括Apriori等關(guān)聯(lián)規(guī)則、聚類算法等。
另外還有一大類是回歸分析，簡(jiǎn)單說就是幾個(gè)自變量加減乘除后就能得出因變量來，這樣就可以推算未來因變量會(huì)是多少了。比如我們想知道活動(dòng)覆蓋率、產(chǎn)品價(jià)格、客戶薪資水平、客戶活躍度等指標(biāo)與購買量是否有關(guān)系，以及如果有關(guān)系，那么能不能給出一個(gè)等式來，把這幾個(gè)指標(biāo)的數(shù)據(jù)輸入進(jìn)去后，就能夠得到購買量，這個(gè)時(shí)候就需要回歸分析了，通過把這些指標(biāo)以及購買量輸入系統(tǒng)，運(yùn)算后即可分別得出，這些指標(biāo)對(duì)購買量有沒有作用，以及如果有作用，那么各個(gè)指標(biāo)應(yīng)該如何計(jì)算才能得出購買量來。回歸分析包括線性及非線性回歸分析等算法。
統(tǒng)計(jì)學(xué)分析方法還有很多，不過在今天多用上述幾大類分析方法，另外在各個(gè)分析方法中，又有很多的不同算法，這部分也是需要分析人員去多多掌握的。
3) 自建模型
自建模型是在分析方法中最為高階也是最具有挖掘價(jià)值的，在今天多用于金融領(lǐng)域，甚至業(yè)界專門為這個(gè)人群起了一個(gè)名字叫做寬客，這群人就是靠數(shù)學(xué)模型來分析金融市場(chǎng)。由于統(tǒng)計(jì)學(xué)分析方法所使用的算法也是具有局限性的，雖然統(tǒng)計(jì)學(xué)分析方法能夠通用在各種場(chǎng)景中，但是它存在不精準(zhǔn)的問題，在有指導(dǎo)和沒有指導(dǎo)的學(xué)習(xí)算法中，得出的結(jié)論多為含有多體現(xiàn)在結(jié)論不精準(zhǔn)上，而在金融這種錙銖必較的領(lǐng)域中，這種算法顯然不能達(dá)到需求的精準(zhǔn)度，因此數(shù)學(xué)家在這個(gè)領(lǐng)域中專門自建模型，來輸入可以獲得數(shù)據(jù)，得出投資建議來。在統(tǒng)計(jì)學(xué)分析方法中，回歸分析最接近于數(shù)學(xué)模型的，但公式的復(fù)雜程度有限，而數(shù)學(xué)模型是 完全自由的，能夠?qū)⒅笜?biāo)進(jìn)行任意的組合，確保最終結(jié)論的有效性。
六、數(shù)據(jù)分析主題選取
在數(shù)據(jù)分析方法的基礎(chǔ)上，進(jìn)一步是將分析方法應(yīng)用在業(yè)務(wù)需求中，基于業(yè)務(wù)主題的分析可以涉及太多的領(lǐng)域，從客戶的參與活動(dòng)的轉(zhuǎn)化率，到客戶的留 存時(shí)長(zhǎng)分析，再到內(nèi)部的各環(huán)節(jié)銜接的及時(shí)率和準(zhǔn)確度等等，每一種都有獨(dú)特的指標(biāo)和維度的要求，以及分析方法的要求，以我個(gè)人的經(jīng)驗(yàn)來看，主要分析主題都是圍繞著營銷、運(yùn)營、客戶這三大角度來開展的。
1. 營銷/運(yùn)營分析
營銷運(yùn)營分析多從過程及最終的成效上來進(jìn)行分析，包括營銷活動(dòng)從發(fā)布到客戶產(chǎn)生購買的過程的分析，運(yùn)營從客戶開始使用到停止使用為止的過程中的分析，前者更傾向于分析客戶行為的變動(dòng)趨勢(shì)，以及不同類型的客戶之間的行為差異，后者更傾向于分析在過程中服務(wù)的及時(shí)率和有效率，以及不同類型的客戶之間對(duì)于服務(wù)需求的差異。
在針對(duì)這部分分析主題時(shí)，多采用常規(guī)分析方法，通過同環(huán)比以及帕累托來呈現(xiàn)簡(jiǎn)單的變動(dòng)規(guī)律以及主要類型的客戶，但通過統(tǒng)計(jì)學(xué)分析方法，營銷分析可以根據(jù)有指導(dǎo)的學(xué)習(xí)算法，得出營銷成功與營銷失敗之間的客戶特征的差異，而運(yùn)營分析則可以根據(jù)無指導(dǎo)的學(xué)習(xí)算法，得出哪些特征的客戶對(duì)哪些服務(wù)是有突出的需求的，另外營銷和運(yùn)營分析都可以通過回歸分析來判斷，各項(xiàng)績(jī)效指標(biāo)中，哪些指標(biāo)是對(duì)購買以及滿意度有直接影響的。通過這些深入的挖掘，可以幫助指導(dǎo)營 銷及運(yùn)營人員更好的完成任務(wù)。
2. 客戶分析
客戶分析除了與營銷和運(yùn)營數(shù)據(jù)關(guān)聯(lián)分析時(shí)候使用，另外單獨(dú)對(duì)于客戶特征的分析也是有很大價(jià)值的。這一部分分析更多需要通過統(tǒng)計(jì)學(xué)分析方法中的有指導(dǎo)和無指導(dǎo)的學(xué)習(xí)算法，一方面針對(duì)高價(jià)值客戶，通過有指導(dǎo)的學(xué)習(xí)算法，能夠看到哪些特征能夠影響到客戶的價(jià)值高低，從而為企業(yè)鎖定目標(biāo)客戶提供指導(dǎo)；另一方面針對(duì)全體客戶，通過無指導(dǎo)的學(xué)習(xí)算法，能夠看到客戶可以大概分為哪幾種群落，針對(duì)每個(gè)群落的客戶展開焦點(diǎn)討論和情景觀察，從而挖掘不同群落客戶之間的需求差異，進(jìn)而為各個(gè)群落的客戶提供精準(zhǔn)營銷服務(wù)。通過以上這些的操作，一個(gè)企業(yè)的數(shù)據(jù)分析或者說數(shù)據(jù)挖掘工作的完整流程就呈現(xiàn)了出來。可以看到，無論是數(shù)據(jù)采集，還是分析方法，亦或是分析主題，在大數(shù)據(jù)和互聯(lián)網(wǎng)的支撐基礎(chǔ)上，在未來都將有大幅度的增加，數(shù)據(jù)分析人員將成為下一個(gè)階段的關(guān)鍵企業(yè)支撐人員，也即是在未來，在各個(gè)領(lǐng)域中，都將產(chǎn)生大量的寬客，或者增長(zhǎng)黑客這樣的數(shù)據(jù)分析人員，來帶動(dòng)企業(yè)的發(fā)展。
今天的企業(yè)數(shù)據(jù)分析的架構(gòu)和方法就到這里了，我們只有不斷的理論聯(lián)系實(shí)際，在實(shí)踐中掌握方法和技巧，在不斷的實(shí)踐中得到啟發(fā)，做好企業(yè)數(shù)據(jù)分析，推動(dòng)企業(yè)高速發(fā)展，順應(yīng)市場(chǎng)和時(shí)代發(fā)展。
【數(shù)據(jù)分析方】相關(guān)文章：
數(shù)據(jù)分析報(bào)告07-28
大數(shù)據(jù)分析07-20
大數(shù)據(jù)分析07-25
多維數(shù)據(jù)分析方法04-07
數(shù)據(jù)分析常用方法07-26