《数据分析思维:分析方法和业务知识》阅读心得分享
2022-10-26 16:06:43 0 举报
AI智能生成
登录查看完整内容
《数据分析思维:分析方法和业务知识》阅读心得分享
作者其他创作
大纲/内容
阿里巴巴
企业卖家 - 企业买家 (Bussiness to Bussiness,B2B)
亚马逊、天猫
淘宝
个人卖家 - 个人卖家 (Consumer to Consumer, C2C)
优衣库天猫新零售
卖家线上售卖 - 买家线下门店提货/换货 (Offline to Online, O2O)
从卖家(Bussiness)与买家(Consumer)组合维度划分
业务模式
通过向卖家收取服务费、广告费、分成等形式盈利
电商平台
例如店铺代运营公司,他们通过帮助企业运营店铺收取服务费盈利,一般包括店铺装修、设计、客服、仓储等系列服务。
再例如增值服务公司,为企业提供专业的销售分析报告、内容广告投放、直播承接等衍生服务。
向企业卖家提供服务的第三方公司
电商服务商
电商相关公司
流量下滑
市场下沉,小城市用户需要新的洞察
电商行业重视打造“会员”概念,培养核心用户
用户运营重要性原因
曝光
点击
浏览
1)认知:用户可能在微博、优酷、B站等媒体中看到产品的推荐,有了印象;
关注互动
搜索
收藏加购
(2)兴趣:经过多次曝光,用户逐渐积累了对产品的好感,于是在淘宝、京东等电商平台上搜索,加购了想拥有的宝贝,或者只是进店铺领取了会员卡或者优惠券;
支付
(3)购买:等待大促好时机,终于“剁手”;
正向评论
重复购买
(4)忠诚:对产品满意,赏个好评,可能还会重复购买。
用户运营细化
推广部门:负责电商广告的投放,通过广告曝光加深用户印象、吸引下单
活动运营:规划店铺的具体售卖活动,包括大促活动和日常活动。
产品运营:负责店铺参与活动的产品选款、规划产品布局、负责产品上新、拟定产品介绍等。
沟通需求
活动规划
活动运营
卖家
业务执行
季度复盘
聚划算复盘
对某一段时间或者某档活动的销售效果进行分析评价
店铺活动总结
近期会议券使用下降原因查找
问题原因分析
业务分析
新(老)用户数量占比:新(老)用户成交人数/总成交用户数;
新(老)用户金额占比:新(老)用户成交额/总成交额。
对于新店铺(3年以下),一般可以采取累计,首次交易就算新用户,再次交易的就算老用户;
对于开店较久的店铺(3年以上),由于持续累计会使老用户数值不断增大,而忽略了用户的流失,不利于长期监控,这时采用滚动周期累计更好。
注意新老用户的定义
注意成交要定义清楚订单状态
新老用户
短周期例如三五天的复购率通常没有意义,因为时间太短产品没有消耗完,用户也不会产生复购需求。所以,复购率监控的时间较长。例如,把复购率的监测时间定义为1年,
复购率能够反映用户的忠诚度
复购率
同一用户在同一天发生的多笔交易在电商行业中通常被合并为一次,不计入复购
没有复购行为的用户不计算平均复购周期
平均复购周期
在电商中有很多大促节日,例如“618”“双11”等,每场大促持续时间只有1~5天,这种情况下使用复购率是不合适的,要使用回购率
回购率仅关注用户在“双11”当天是否“复购”,而复购率体现用户在一整年的复购表现,不限于“双11”当天。因此回购率更适合总结大促效果。
回购率与复购率的区别
回购率
复购率和回购率
UV
加购数
收藏数
进店流量指标
GMV
客单价
支出转化率
折扣率
购买指标
拒退量:拒收和退货的总数量
拒退额:拒收和退货的总金额
实销额:GMV减去拒退额。
退货指标
用户交易常用指标
SPU
SKU
备货指标
售卖比用来看商品流转情况,可以对库存进行优化
售卖比/售罄率
动销率
发货售后指标
商品管理常用指标
“人”与“货”两类指标
业务指标
CRM部门:CRM(Customer Relationship Management)是指用户关系管理。
客服部门:包括售前部门和售后部门,售前解答用户咨询、引导用户参与活动;售后解决用户下单后遇到的问题。
设计部门:负责店铺视觉素材设计。
BI部门的职能是为其他业务部门提供报表支持,以及收集可视化的行业数据。
BI部门:BI(Business Intelligence)是指建立数据仓库,存储电商业务产生的各种数据,例如订单数据、ERP发货数据等。
用户状态与电商部门对应图
业务知识
明确问题
多维度拆解方法拆解用户
对比分析不同层次用户的回购率编号 - 缩小目标范围后继续拆解
使用假设检验分析方法确认原因
分析思路
分析原因
外部(电商平台)包括分析已有的电商平台资源、未来可争取的电商平台资源、竞品有但我们没有的资源。
内部(卖家店铺)主要从推广策略、用户运营策略、商品策略、活动策略来考虑。
提出建议要注意落地可执行性,可以从外部(电商平台)和内部(卖家店铺)自身两个大角度去思考
通方面可优化的方向包括沟通对象分组、沟通渠道筛选、对不同用户沟通内容的定制;
权益可优化的方向有实物奖励、服务体验、特权身份、趣味互动等。
提建议时,可以从沟通与权益两大块思考
例子:根据分析结果,问题出在该店铺在今年平台大促引入购买一次的新用户后续复购转化不足。建议为这家店铺设计一次专门针对新用户的店铺首页,并且仅对新用户展示。这版页面强化“即时激励+复购挑战+长期复购”的权益,具体包含①可立刻领取首次购物积分,并参与100%中奖的幸运转盘,获得积分、优惠券或周边商品;②激励用户在45天内产生复购(该店前十名畅销商品的平均复购周期是40天),赠送精美礼品与包邮特权;③推出积分卡、兑换卡等一次充值、多次优惠返利的权益。除页面外,通过短信、手机淘宝等沟通渠道在新用户首购的7天后邀请返店领取会员卡,及时送上复购券等权益。
提出建议
回购率下降分析
流程
促销活动流程
销售额、售卖比、UV、转化率
指标
总体运营
不同价格区间的转化率
价格区间
把数据按折扣维度来拆解,可以对本次活动的折扣结构有一个整体的了解
对比两个表格,0.25~0.3折扣区间在表4-8中的售卖比为27%,转化率为0.7%,以此数值为分类标准,在表4-9中找出售卖比大于27%且转化率大于0.7%的商品予以保留,用于参加下次活动,其余进行清仓处理。
折扣区间
复盘内容
活动复盘
案例分析
第4章 国内电商行业
卖家、买家、跨境电商平台的关系图
阿里巴巴国际站
ebay
天猫国际
平台型
兰亭集势
考拉海购
小红书
自营型
亚马逊
混合型
经营主体电商模式分类
关键词 - 系统设定
关键词出价- 系统设定
自动模式
关键词 - 自己设定
关键词出价- 自己设定
手动模式
Portfolio是亚马逊提供的一种广告设置模式
提供了一种新的方式来创建关于SP广告系列和Sponsored Brand广告系列的自定义分组。
通过该功能,卖家可以根据自己的业务结构进行选择。
根据品牌、类别、季节或任何你选择的方式来组织广告系列,当Portfolio预算达到上限或者到达结束日期时,相关的广告系列将会暂停,并会通知广告商增加预算或延长结束日期以恢复广告系列。
Portfolio name
Currency
Campaign name 广告活动
Ad group name 广告组
Advertised SKU
Advertised ASIN 产品编码
Impressions
Clicks
CTR(Click-Thru Rate) 点击转化率
报表单词
Sponsored 站内广告(亚马逊)
亚马逊广告
曝光数量
点击数量
点击转化率
订单数量
购买转化率
订单
销售额
广告费
广告成本 (Advertising Cost of Sales,ACoS)
排名
广告漏斗模型
货品未及时送达导致会员活动效果不好
导出会员数据
未及时打单 - 占比2.4% - 说明未及时发货没有问题,主要问题在未及时送达
未及时发货
不同仓库发货效率不一样 - 把发货效率按仓库分
找到不能按时送达的区域,将这些区域从会员活动中剔除
商品发货延迟
未及时送达
分析未送达数据
(1)店铺一共有648条数据,可通过整理分析列出图表;
(2)造成未及时送达的主要原因在于快递公司未及时发货;
(3)部分未及时打单数据的主要原因在于订单接收系统有延迟,可以通过优化系统后在规定时间内完成;
(4)分析打单到发货时间在两天以上的数据,发现06和07仓库的发货效率比较低,需要进行问责;
(5)店铺之前做的会员活动范围里面有18个城市是快递公司无法保证两日达的,所以店铺需要把这18个城市剔除。
要点
首先,要优化订单接收系统,保证所有订单能在第一时间完成录入打单;
其次,需要和快递公司沟通,保证商品及时发货;
最后,针对部分地区收货延迟高的问题,考虑这些地区不做会员活动,以免因为发货延迟导致整体活动受影响。
案例分析过程
通过图5-4可以看清楚这个案例的分析过程,先通过假设检验分析方法得出结论,后面拓展问题和更新结论这两部分需要通过和同事、领导交流后得出。
针对分析结论,做出实际可落地的方案如下:
结论分析
会员分析
分支主题
广告分析
第5章 跨境电商行业
第6章 金融信贷行业
第7章 金融第三方支付行业
第8章 家政行业
第9章 旅游行业
第10章 在线教育行业
第11章 运营商行业
产品设计
技术开发
版本迭代
运营维护
产品部门
渠道推广
用户转化
用户活跃
用户留存
运营部门
活动
PR
品牌
市场部门
内容行业公司
发布、曝光、点击、阅读、评论和转发
内容状态
用于衡量一个内容平台的内容生产健康度。
内容生产者比例
UGC
PGC
内容更新总数
1)内容生产指标
整体日活占比
人均曝光次数
2)内容曝光指标
内容平均点击数
体现了内容标题对用户的吸引力。
内容曝光点击率
3)内容点击指标‘
它体现的是某个内容的质量
完成阅读率
4)内容阅读指标
用户评论率
5)内容评论指标
内容用户分享率
6)内容分享指标
日均回答量=日均回答人数×人均回答数量
DAU(日活跃用户数)
“差值占比”指所属一级领域的差值占所有一级领域差值的比例
7) 其他
第12章 内容行业
第13章 房产行业
第14章 汽车行业
完成率
退货率
销售指标
家电商品一般库龄不允许大于240天。通过对仓库中商品库龄进行分析,可以指导采购部门进行合理优化商品结构,提高实体店资金的利用率。
库龄
平均库存=(期初库存+期末库存)/2
现金流
周转率
存销比过高--说明商品库存总量或者库存的结构占比不合理
存销比过低--意味着商品的库存不足。
存销比
表示从商品入库到销售出去所经历的天数。如果分析的是年度周转天数,那么分析周期天数是365天(1年有365天);如果分析的是月度周转天数,那么分析周期天数是30天(1个月有30天)
电商平台从进货到卖出需要的周转天数是30天左右
大部分实体店要1~2个月。
周转天数
库存指标
经营面积是指实体店建筑面积扣除消防梯、电梯、卫生间及设备间等剩余用于经营的实际面积。
坪效通常用来衡量实体店的经营效益,也就是实体店通过销售商品所带来的收益。坪效越大,说明实体店的经营效益越高。
坪效
动销比看的就是有产生销售的SKU的比率,一般用于新品上市期间的分析。
动销比
罄率根据销售周期的不一样,一般可分为周售罄率、月售罄率、季售罄率等。
售罄率表示商品库存的消化速度,售罄率高表示商品销售好,库存低;
售罄率低表示商品销售差,库存高。
售罄率
订单执行率
运营指标
费率比
毛利率
净利率
财务指标
①从员工的维度出发,可以从新老员工占比来分析
②从用户的维度出发,可以从新老用户占比来分析
(1)“人”的分析包括员工和用户
①畅滞销分布
正价销售的店铺,新品占比要高
折扣店,老品占比要高
②新品分布
(2)“货”的分析可以从以下几个方面进行
例如有些实体店新品刚刚上市的时候,动销比很差,可能就是因为实体店没有及时把新品陈列出来,导致新品没有销售。
①实体店的陈列
②竞品活动力度
(3)“场”的分析可以从以下几个方面进行
人货场分析方法
分析方法
第15章 零售行业
第2篇 实战
弄清楚每一列的含义
性别
年龄
地区
用户数据:我是谁
点击某个菜单的次数
分享量
行为数据:我做了什么
文章标题
日期
阅读量
产品数据:卖什么
对数据进行分类
如何理解数据
一个产品如果没有用户增长,,用户就会慢慢减少
日新增用户数
日活跃用户数
周活跃用户数
月活跃用户数
= 活跃用户数/总用户数
注意:统计人数要去掉重复的数据,同一个人在一个区间里面只计算一次
活跃率
次日留存率(N=2)
第7日留存率(N=7)
第30天留存率(N=30)
= 第1天新增用户中,在第N天使用过产品的用户数/第1天使用过产品的用户数
留存可以评估产品功能对用户的粘性
留存低 - 粘性小 - 就要找到用户流失的原因
为什么关注留存
留存率
用户数据指标
PV - Page View 访问次数
UV - Unique View 访问人数
= 转发某功能的用户数/看到该功能的用户数
转发率
店铺转化率= 购买产品的人数/到店铺的人数
广告转化率= 点击广告的人数/看到广告的人数
转化率
平均每个用户向多少人发出邀请*接收到邀请到人转化为新用户的转化率
当K>1时 - 新增用户数就会像雪球一样增大
当K<1时 - 新增用户数到某个规模时就会停止通过自传播增长
K因子 - K factor
行为数据指标
成交总量
成交数量
= 销售额+取消订单金额+拒收订单金额+退货订单金额
成交总额GMV - Gross merchandise volume - 流水
访问时长
总量
ARPU - Average revenue per user
人均付费(ARPU 或 客单价)= 总收入/总用户数
ARPPU = Average revenue per paying user
付费用户人均付费(ARPPU) = 总收入/付费人数
人均访问时长 = 总时长/总用户数
人均
= 付费人数/总用户数
付费率
=消费两次以上的人数/付费人数
付费
热销产品数 Top N
好评产品数 Top N
差评产品数 Top N
产品
产品数据指标
per Mille 每千
CPM - Cost Per Mille - 千人展现成本
按展示次数付费(CPM)
即有多少人看了该广告
展示位广告
Cost Per Click
按点击次数付费(CPC)
即有多少人点击了该广告
搜索广告
按点击次数(CPC)
一般推广新的产品选CPD
CPD - Cost Per Download
CPI - Cost Per Install
CPS - Cost Per Sales
CPA - Click Per Action - 按投放数据效果付费
或按投放效果(CPA)
信息流广告
推广付费指标
常用的指标
好的数据指标应该是比例
北极星指标 - 衡量业务的核心指标
根据现在的业务重点找到北极星指标
如何选择指标
指标体系是从不同纬度梳理业务,把指标有系统地组织起来。
什么是指标体系
监控业务情况
通过拆解指标寻找当前的业务问题
评估业务可改进的地方,找出下一步工作的方向
指标体系有什么用
往往是业务流程最终结果
2.了解业务运营情况,找到二级指标
指标业务含义
指标定义
数据来源
每个指标可以从3个方面确定统计口径
3.梳理业务流程,找到三级指标
需求分析
建立指标体系
设计展现形式
编写需求文档报表开发
报表制作步骤
4. 通过报表监控指标,不断更新指标体系
步骤
积分抵扣金额
一级指标
积分抵扣的订单数
平均订单抵扣金额
积分抵扣的会员数
人均抵扣金额
二级指标
酒店订单数
机票订单数
跟团游订单数
自由行订单数
LV1级会员数
LV2级会员数 ...
三级指标
例子
如何建立指标体系
没有一级指标,抓不住重点
指标之间没有逻辑关系
拆解的指标没有意义
一个人就完成了指标体系和报表,也不和业务部门沟通
建立指标体系有哪些注意事项
指标体系和报表
第1章 业务指标
what
when
where
why
who
how
how much
是什么 - 追问5个问题
解决简单的问题,但复杂的商业问题解决不了
有什么用
5W2H分析方法
把复杂问题拆解成若干个简单的字问题,然后像树枝那样逐步展开
注意:逻辑树分析方法通常会融合在其他分析方法里面,辅助解决问题,而不是单独存在的。
逻辑树分析方法 - 将复杂问题变简单
是对公司发展宏观环境的分析,通常是从政策、经济、社会和技术这数据方面来分析的
概念
P - 政策(policy)
E - 经济(economy)
S - 社会(society)
T - 技术(technology)
方法
PEST分析方法 - 行业分析
理解两个关键词:纬度(不同的角度)、拆解(多个维度的加法)
在有些情况下,考察数据整体和考察数据的不同部分,会得到相反的结论。
辛普森悖论(Simpson's Paradox)
多维度拆解可以避免辛普森悖论
整体拆解成部分可以看到内部的差异
将负责问题拆解成简单问题
作用
销售=新客户销售额+老客户销售额
老客户销售额= 老客户数*复购率*老用户客单价
新用户销售额= 新用户数*转化率*新用户客单价
例如
从指标构成来拆解
看到渠道广告
被广告吸引入店铺
在店铺选择感兴趣的商品
最终决定购买
例如:用户购买的业务流程
从业务流程来拆解
多维度拆解分析方法 - 多角度思考
例如 杂志预定案例中设置一个别人绝对不会选的价格项,以让顾客选择更高的预定额
价格锚定
追踪业务是否有问题
A/B测试
自己
行业
和谁比
平均值
中位数
数据整体大小
变异系数
数据整体波动
时间折线图
环比
同比
趋势变化
如何比较
注意事项:比较对象规模要一致
对比分析方法 - 对比
用户
竞品
从三个维度提出
包装
样式
服务
技术
产品 - Product
基本价格
折扣价格
付款期限
定价方法
定价技巧
价格 - Price
渠道 - Place
广告
人员推销
营业推广
促销 - Promotion
4P营销理论
从业务流程提出假设
客观提出假设
提出假设
收集证据
得出结论
步骤
提高逻辑思维能力
分析问题发生的原因(归因分析)
得出的结论要靠证据证明
不断重复假设分析的过程,直到找到问题
可以靠假设检验分析图将问题、假设、数据从事国内至下连起来
注意
假设检验分析方法 - 如何分析原因
研究两种或两种以上数据之间的关系或影响
扩大思路
通俗易懂
数值的大小可以表示两种数据的相关性
两种数据是同方向变化
完全正相关(相关系数= 1)
另种数据是反方向变化
完全负相关(相关系数= -1)
不是线性相关,但有可能是其他方式的相关(例曲线方式)
非线性相关(相关系数=0)
正相关(相关系数>0)
负相关(相关系数<0)
相关关系类型
低度相关:相关系数绝对值中0-0.3
中度相关:相关系数绝对值在0.3-0.6
高度相关:相关系数绝对值在0.6-0.1
相关系数绝对值越大,说明来给你种数据的相关成都越高
相关系数正负,可以反映两种数据之间的相关方向
相关关系判断
加载‘分析工具库‘
选择‘相关系数’分析
相关分析工具
绘制散点图
用excel实现相关分析
数值的正负可以反映两种数据之间的相关方向
相关系数
相关关系不等于因果关系
使用‘单变量控制法’
也就是,控制其他因素不变,只改变其中一个因素,然后观察这个因素对实验结果的影响
如何判断两种数据之间是相关关系,还是因果关系
注意事项
相关分析方法 - A和B有什么关系
也叫同期群分析方法,按某个特征,将数据分为不同组,然后比较各组数据,也就是分组对比。
先使用群组分析方法,找到留存率低或留存率高的组;
然后使用假设检验、相关分析等方法,研究为什么这些组留存率低或留存率高。
找到原因以后,就可以对应地优化产品。
当群组分析表格里的数据比较多的时候,直接分析起来比较困难,这时可以把数据绘制成折线图,这样就可以很容易地发现数据发现了哪些变化。
1. 使用群组分析方法,找到留存率低/高的组
2.分析为什么这个组留存率低/高,可以使用假设检验、相关分析等方法进一步研究
图
案例 - 留存率
风控提高后产品逾期率的变化,以便查看风控是否有效
案例 - 金融逾期
除了按时间分组,还可以根据具体的业务场景来确定。
群组分析方法 - 留存和流失分析
对于最近1次消费时间间隔(R),上一次消费离得越近,也就是R的值越小,用户价值越高。
消费时间间隔 R (Recency)
对于消费频率(F),购买频率越高,也就是F的值越大,用户价值越高。
消费频率 F (Frequency)
对于消费金额(M),消费金额越高,也就是M的值越大,用户价值越高。
消费金额 M (Monetary)
通过这三个指标对用户分类的方法称为RFM方法
用户分类
精细化运营,针对不同的用户实行不同的运营策略
要得到R、F、M这3个指标,一般需要数据的3个字段:用户ID或者用户名称、消费时间、消费金额。从这3个字段可以计算出R、F、M这3个指标
第1步:计算R、F、M的值。
注意这里是按指标的价值打分,不是按指标数值大小打分。对于最近1次消费时间间隔(R),上一次消费离得越近,也就是R的值越小,用户价值越高。
将R、F、M 3个指标分别按价值从小到大分为1~5分。
第2步:给R、F、M值按价值打分(图2-135)。
分别计算出R值打分、F值打分、M值打分这3列的平均值
第3步:计算价值平均值。
在表格里增加3列,分别用于记录R、F、M 3个值是高于平均值,还是低于平均值。
如果一行里的R值打分大于平均值,就在R值高低列里记录为“高”,否则记录为“低”。F值、M值也这样比较,最终得到了表2-20里的值。
第4步:和用户分类规则表比较,得出用户分类
RFM分析方法步骤
1)重要价值用户,RFM三个值都很高,要提供VIP服务;
(2)重要发展用户,消费频率低,但是其他两个值很高,要想办法提高他的消费频率;
(3)重要保持用户,最近消费时间距离现在较远,也就是R值低,但是消费频率和消费金额高。这种用户,是一段时间没来的忠实客户。应该主动和客户保持联系,提高复购率;
(4)重要挽留客户,最近消费时间距离现在较远,消费频率低,但消费金额高。这种用户即将流失,要主动联系用户,调查清楚哪里出了问题,并想办法挽回。
精细化运营策略
RFM分析方法 - 用户价值分类
渠道曝光量
渠道转换率
日应用下载量
获客成本
获取用户 - Acquisition -用户如何找到我们
要想激活用户,需要绘制一幅通往“啊哈时刻”的路径图
可以计算每个节点用户的转化率(也就是完成每个步骤的用户比例),看用户是在哪个阶段流失的,以此来优化产品,改提高用户体验。
激活用户 - Activation - 用户首次体验如何
可以用群组分析方法来找到原因
提高留存 - Retention - 用户会回来吗?
用来衡量业务总量的指标:成交额,成交量
用来衡量每个人平均情况的指标:客单价
用来衡量付费情况的指标:付费率, 复购率
“夹点”:它指的是损失潜在收益的地方
增加收入 - Revenue - 如何赚到更多钱
指要对自己的产品有足够的了解
传染物本身
指用户所在的环境,对应前面讲的AARRR模型的第一环节“获取用户”。要思考使用产品的用户经常在哪些环境(如社区、大学等)出现。
传染物发挥作用所需的环境
在对自己的产品有了深刻洞察,同时找了目标用户后,还要考虑人们会因为什么目的去分享你的产品,让更多的人看到你的产品。
人们传播传染物的行为
推荐 - Referral - 用户会告诉其他人吗
对应产品运营的5个重要环节
分析用户行为,为产品运营指定决策,实现用户增长
AARRR模型分析方法 - 用户行为分析
从业务流程起点开始到最后目标完成的每个环节都会有用户流失,因此需要一种分析方法来衡量业务流程每一步的转化效率,漏斗分析方法就是这样的分析方法。
“定位问题节点”,即找到出问题的业务环节在哪。漏斗分析常用于用户转化分析或者用户流失分析
用户转化率
用户流失率。
分拆各个业务流程
漏斗分析的环节转化率可以评估各业务环节之间的转化情况,通过比较各环节转化率,从而寻找业务瓶颈点,也就是找到最低转化率对应的业务环节。
计算每个流程的转化率
漏斗分析方法 - 转化分析
第2章 分析方法
时间
地点
1)明确数据来源和准确性
指标含义
2)业务指标理解
明确问题的常见错误。在定义问题时,注意不要加入分析者的“主观猜测”,导致无法分析其他可能的原因。
第1步:明确问题
(1)使用“多维度拆解分析方法”对问题进行拆解,将一个复杂问题细化成各个子问题;
(2)对拆解的每个部分,使用“假设检验分析方法”找到哪里出了问题。分析的过程可以用“对比分析方法”等多个分析方法来辅助完成;
(3)在找到哪里出了问题以后,可以多问自己“为什么出现了这个问题”,然后使用“相关分析方法”进行深入分析。
第2步:分析原因
第1步,单击“数据”选项卡下的“数据分析”功能;
第1步,在“X值输入区域”和“Y值输入区域”选择对应的数据。这里需要注意,一般用横轴的X值表示“输入”(能够控制的数据,也叫作自变量),用纵轴的Y值表示“输出”(预测结果,也叫作因变量)。因为是要通过销售收入来预测出利润,所以,“X值输入区域”选择“销售收入”这一列,“Y值输入区域”选择“利润”这一列。注意,在选择数据的时候不能包括列名,因为列名不是数;
第2步,勾选“线性拟合图”;
第3步,单击“确定”按钮。
这样就得到了图3-29的散点图。选择散点图上任意一个点,右击,在弹出的快捷菜单中选择“添加趋势线”选项。
这样就得到了最佳拟合线,然后在出现的页面中勾选最下面的“显示公式”,就会在散点图上显示回归方程(图3-30)。可以把横轴和纵轴修改成自己想要的名称。
第2步,选择“回归”后单击“确定”按钮,就会跳出回归分析的对话框。
用Excel进行回归分析,得到回归方程里面a和b的值
这个回归方程可以理解为:y(利润)=0.145x(销售收入)-33.306。前面说到,下半年需要完成利润是4008.63万元,也就是y(利润)=4008.63万元。代入回归方程中就可以算出x(销售收入)=27875.42万元。也就是说,根据公司目标,要实现y(利润)=4008.63万元,需要将销售收入提升到27875.42万元(图3-31)。
回归方程的理解
(1)回归分析有很多类型,前面案例里的回归方程只有一种自变量,这种回归分析叫作一元线性回归分析。相比于其他类型的回归分析,一元线性回归分析不仅简单,而且分析结果也容易被非专业的人理解。
(2)一元线性回归分析的前提是两种数据之间要有相关关系。所以,要先判断两种数据有相关关系,才能使用一元线性回归分析。
(3)合理分配资源。前面的案例是知道了y的值,想知道x的值是多少。还有一种情况是,知道了x的值,想知道y的值是多少。例如x是投入广告的费用,y是产生的收益,这样在推广前就可以知道,投入的成本(x,广告费用)能预期产生多少收益(y,产生的收益)。当决策者有多种推广方案要选择的时候,就可以根据回归分析,知道把有限的资源投入到哪里才能发挥出最好的效果。
使用回归分析需要注意
通过分析,为公司下半年的经营提出以下建议:如果想要完成年度的6000万元利润目标,建议在保持目前商品采购成本不变的前提条件下,通过增加销售收入的方式来保证利润目标。下半年需要将销售收入目标设定为27875.42万元,平均每个月销售目标设定为4546.90万元(27875.42万元/6)。下半年需要吸引84338人到店消费,平均每个月到店的用户数是14057人(84338人/6)。根据相关分析方法,要想提高到店用户数,需要优先提升店铺的售后服务水平。建议可将此作为关键绩效指标,细化分解到具体的部门去执行,并与日常考核联系起来,这样才能确保全年利润目标顺利完成(表3-14)。
第3步:提出建议
数据分析解决问题的过程
(1)做决策的选项不能太多。太多的选项不仅会增加决策的成本,还会让人迷失,无从下手。相对简单的问题,需要4个选项左右;相对复杂的问题,需要4~7个选项;
(2)决策要是可以落地的具体措施,这样决策者才能根据措施,合理安排资源,把措施变成行动。
第3章用数据分析解决问题
第1篇 方法
《数据分析思维:分析方法和业务知识》阅读心得分享
0 条评论
回复 删除
下一页