这些仪表板常用的数据分析模型,你都见过吗?
##前言
在数字化时代,数据已经成为了企业决策和管理的重要依据。而仪表板作为一种数据可视化工具,则可以帮助企业更加直观地了解和分析数据,从而作出更准确和有效的决策。然而,仪表板中使用的数据分析模型却是非常重要的。不同的数据分析模型,可以应对不同的数据类型和问题,在实际应用中也会产生不同的效果。因此,本文小编将为大家介绍仪表板中常用的几种数据分析模型以及它们的适用场景。
##RFM 分析模型
在众多的客户关系管理(CRM)的分析模式中,RFM 模型是被广泛提到的。RFM 模型是衡量客户价值和客户创利能力的重要方式。该模型通过一个客户的近期购买行为、购买的总体频率以及消费额度三个指标来描述该客户的价值状况:
- 客户最近一次交易的时间间隔(Recency, R),考察客户购买的沉默期
- 客户最近一段时间内的交易次数(Frequency, F),考察客户的忠诚度
- 客户最近一段时间的交易金额(Monetary, M),考察客户的消费能力
R、F、M 这三项指标,为对客户个性沟通和服务提供了依据,也能够精准地判断用户价值。同时也可以通过提高这三项指标来为营销决策提供支持。
通过一个客户的近期购买行为、购买的总体频率以及消费额度三个指标来描述该客户的价值状况。
分析步骤:
- 收集数据。
- 处理数据,添加所需要的计算列。
- 通过和平均值比较,向量化三个指标。
- 根据特征向量进行客户分类。
- 绘制 RFM 分析图。
划分客户类型:
- 首先,计算 R、F 和 M 的分值,计算方法是在各自的维度上分为高低两类,分值高记为 2,分值低记为 1;
- R、F和 M 三个指标两两组合,可以得出 8 个不同的 RFM 值,按照实际情况分为 8 大客户群体类型;
具体分类规则如下所示:
用户类型 | RFM分组 | 客户分析 |
---|---|---|
重要价值会员 | 2 2 2 | 最近有交易,交易频次高,消费金额多 |
潜力会员 | 2 2 1 | 最近有交易,交易次数多,金额小,需要挖掘 |
重要深耕会员 | 2 1 2 | 最近有交易,金额高,但频次相对较低,需要重点识别 |
新会员 | 2 1 1 | 最近有交易,但频次不高,金额小,容易丢失,有推广价值 |
重要唤回会员 | 1 2 2 | 最近无交易,金额高,次数多,需要唤回 |
一般保持会员 | 1 2 1 | 最近无交易,次数多,金额小,一般维持 |
重要挽留会员 | 1 1 2 | 最近无交易,做出过最大的购买,可能流失,需要挽留 |
流失会员 | 1 1 1 | 最近无交易,金额小,订单数量少,流失会员 |
##销售漏斗分析模型
销售漏洞分析模型,通俗点说,就是从起点到终点的各个环节,每个环节都会产生用户流失,依次递减,每一步都会有一个转化率。通过转化率分析整个业务流程中的转化和流失情况,针对每个环节的流失用户再进行精准营销。
阶段转化
对于需要进行逐级转化的平台运营,首先可以通过用户转化漏斗图进行宏观的流程转化数据分析找出目前阶段最需要优化的运营环节和平台,有效地进行针对性治理,最终提高整体平台用户转化率。
针对上面数据分析:
- 用户从浏览商品行为到添加购物车行为这一流程,其转化率为 51.22%,反映出该平台的商品介绍、图片描述等对用户有较强的吸引力;
- 添加购物车到下单的转化率,其转化率高达 99.66%;
- 但付款的转化率仅 50.34%,这是一个值得反思的转化节点;
- 通过数据分析推测该平台商铺支付渠道不完善,需要增加例如支付宝、微信等快捷支付渠道,降低平台因为没有提供用户习惯性的支付渠道而导致用户放弃购买行为的概率。
事件转化
事件转化通常指的是平台或商铺通过一系列的运营推广活动以及由于公共事件影响所带来的额外价值,例如网络营销中的 SEO 关键词投放、折扣促销活动、邮件营销等等效果跟踪。通常可关注于营销渠道转化率等指标进行活动的推广营销效果评估。
- 目前平台的转化率最高的渠道主要是基础上线工作、论坛、贴吧推广、微信推广、品牌基础推广几个渠道。
- 根据基础线上工作渠道随时间的转化率走势情况,可以推测出平台在 2015 年 12 月(因为从 2015 年 12 月用户的下单转化率有所下降,一般用户在知道近期即将有促销活动的时候,往往会收藏商品从而产生延迟消费,所以活动开始前的时间转化率会降低)左右发布了即将要开始的商品促销活动,同时活动日期在 2016 年 1 月左右(转化率提升明显),属于跨年的大型活动促销,同时也取得了较好的活动效果。
服务转化
服务转化通常指的是用户在网上购买商品时,良好的服务自然能够提高顾客的购买率。对于平台的客户人员,可以统计出其咨询到下单的节点转化情况,并且以咨询到下单的转换率指标作为 KPI 指标之一来评价客服人员的工作绩效。
通过客服咨询转化条形图的可以发现,该平台的 David、molly、Jack、Lisa、peter 这五名客服的转化比较优秀,其他的客服员工的转化率则相对较低,故而这方面可以让转化最为优秀的 David 客服给其他客服做一次服务培训,整体上提升平台的服务水平,进而提升用户的下单转化。
##用户行为分析模型
用户行为是指从用户看到你 -> 点你 -> 产生兴趣 -> 购买这一行为过程。重要指标是认知(Awareness)、兴趣(Interest)、购买(Purchase)和忠诚(Loyalty)。通过用户行为分析模型,可以帮助商家通过不同的付费工具、匹配不同的场景和不同的策略,满足不同阶段客户的需求。
从上面的数据分析可以看出:
- 认知 -> 兴趣 -> 购买 -> 忠诚的转换占比是 3:2,认为是健康的,否则是不健康状态。当前认知兴趣比较小,状态不讲课,则需分析是认知用户少,还是认知到兴趣的转换率存在问题。
- 通过对比发现,认知 -> 兴趣在四个季度的转化率都是不健康的状态,购买 -> 忠诚的转化率在第三、四季度是不健康的状态。
##5W2H 分析模型
5W2H 分析也叫做 7 问分析,这 7 个问题包括:
- What:何事,是什么?
- Why:何因,目的是什么?
- Who:何人,谁来执行?
- When:何时,什么时间完成?
- Where:何处,从哪里来,到哪里去?
- How:怎么做,如果提高效率,如果实施?
- How much:做多少,数量、质量如何?
通过这 7 个问题可以辅助数据分析,发现解决问题的线索。梳理业务流程是数据分析中一个比较复杂的过程,需要我们根据具体的业务场景和业务知识来完成,然后抽象成 5W2H 分析模型中的具体每一步,完美的展示出来,比如下面的针对产品营销购买的 5W2H 数据分析:
##累计值分析模型
累积分析是一种分析各个不同分类对最终结果贡献程度的分析方法。比如,在业务场景中,我们可以通过计算每个月的年度销售目标完成率,就能直观地看出每个月份对全年销售业绩的贡献程度,进而进行该月份销售情况的原因分析,为其余月份销售策略改进提供依据。此外,也可以根据每月的累计销售情况实时跟踪年度销售目标的进度。
比如,从 1 月到 12 月或者到现在的累计销售率分析:
- 今年的销售完成率:也即全年的 Sum(Cost)/Sum(Budget)
- 到目前为止的销售完成率:也即到现在为止的 Sum(Cost)/Sum(Budget)
在本例中,我们要累计的值为订单金额,维度为年份 ,实现步骤如下:
- 新建计算列 订购日期-年份,使用 Year() 函数来拿到日期字段的年份:Year('Demo_销售明细'[订购日期]);
- 新建度量值 累积值,使用 SumW() 函数来计算年度累积订单金额:SumW('Demo_销售明细','Demo_销售明细'[订单金额],OrderBy('Demo_销售明细'[订购日期-年份]));
- 将新建的度量值累积值绑定在组件的数值中,将日期字段的值绑定在组件的分类中。
##ABC 分析模型
ABC 分析法又称帕累托分析法,是一种根据帕累托最优原则设计的分类方法,是确定库存等级的技术,常用于物资管理中,也称为选择性库存控制。
ABC 提出企业的库存管理不应只存在一个等级,根据重要性,库存定义为三个等级(A, B 和 C):
- A 物品非常重要,严格控制、准确记录
- B 物品比较重要,稍松控制、良好记录
- C 物品不太重要,简单控制、最少记录
通过对产品进行区别和分类,反映出每类产品的价值对库存、销售、成本等总价值的影响。
上图展示了根据供应商和销售额之间的关系,分成了 ABC 三类:
- A 类销售总金额:1.8M
- B 类销售总金额:380.1K
- C 类销售总金额:312.6K
分类 | 供应商 | 销售额占比 |
---|---|---|
A类 | Adventure Works、Wide World importers | 80% |
B类 | Contoso, Ltd | 10% |
C类 | Southridge Video、Northwind Traders | 10% |
并组合图展示供应商和销售额的关系,进行以下分类:
- 0 -80% A 类
- 80%-90% B 类
- 90%-100% C类
##同比分析模型
同比和环比是按照时间周期来统计数据变化的常用方法。
- 同比:与历史同时期比较,例如 2022 年3 月份与 2021 年 3 月份相比,叫同比。同比发展速度主要是为了消除季节变动的影响,用以说明本期发展水平与去年同期发展水平对比而达到的相对发展速度。常用于分析数据的长期趋势。
- 环比:与上一个统计周期比较,例如 2022 年 4 月份与 2022 年 3 月份相比较,称为环比。环比包括两种:环比增长速度和环比发展速度。常用于分析数据的短期趋势。
通过不同呈现方式展示了订单金额周期变化,反映出销售数据的变化趋势和增长速度。
##用户黏性分析模型
用户黏度是指用户对于品牌或产品的忠诚、信任与良性体验等结合起来形成的依赖程度和再消费期望程度。在业务场景中, 可根据用户的连续登录次数来判断产品的健康程度。
用户黏性分析:帮助运营团队了解现有用户规模, 追踪运营活动拉新效果, 为活动复盘分析提供决策依据。
在本例网站登录数据检测场景中, 认定每周登录天数超过 2 次的客户为该周的具有粘性群体。可以在现有登录数据以每周粒度来计算每周登录超过 2 次人数。
可以看到 2022-19 周到 2022-21 周 用户登录超过两次的人数持续上涨。在右侧的图中也可以看到上升最明显的是潜在客户, 说明该阶段的活动或者产品能力在持续吸引客户方面的反馈是相当有效的, 对潜在客户的吸引尤其有所增益。
但看到整体的登录次数人数分布方面, 绝大部分都是只有 1 天登录时间, 所以在客户粘性方面还有很大提升空间。
##波特五力分析模型
波特五力分析模型是影响行业的吸引力和现有企业的竞争战略决策的重要工具和手段。波特五力模型将大量不同的因素汇集在一个简便的模型中,以此分析一个行业的基本竞争态势。五种力量模型确定了竞争的五种主要来源,即供应商和购买者的讨价还价能力,潜在进入者的威胁,替代品的威胁,以及最后一点,来自在同一行业的公司间的竞争。
五力分析:
数据:目标行业在 5个方向的能力评级(1-5)。可根据不同行业分类的面积图大小判断公司进入该行业的盈利空间,以及行业内部的竞争空间大小。
数据获取:分别对 5 个能力进行单独分析,得出影响对应能力的要素以及要素评级,再根据这些要素评级得出对应能力的相对评级。
##杜邦分析模型
杜邦分析是主要用来分析公司的财务报告,以评估该公司的盈利能力和股东权益的收益水平,主要财务指标包括权益净利率、资产净利率、销售净利率、资产周转率等等, 现在甚至用来估计销售增长率。
将公司净资产收益率进行逐级的分解,以此来深入呈现和分析整个公司的业绩状况。
下图是在仪表板中制作的一个杜邦分析的示例:
##区间分析模型
区间分析模型,通过将数据的值划分成不同的区间,通过区间分析方法,展示不同区间数据的分布规律和情况。这里介绍的区间字段类似于数据集中的分类字段,将数据分组并标记,从而形成的新的字段。如右柱状图,将各大区的销售总额按照 800 万、1200 万的区间进行划分,然后将区间字段作为维度分析数据。
##关联分析模型
关联分析法:通过研究已经产生的数据,将不同目标关联起来并挖掘二者之间联系的分析方法。关联分析法的一个典型是购物篮分析。
购物篮分析关键衡量指标:
- 支持度:指 A 和 B 同时被购买的概率,代表这个组合的可靠程度。支持度 =P(A∩B)。
- 置信度:A 对 B 的置信度指先购买 A 之后又购买了 B 的条件概率,表示在购买 A 商品的情况下,有多大概率再买 B 商品。A 对 B 的置信度 = P(A|B) = P(A∩B)/(P(A)。
- 提升度:A 对 B 的提升度 = A 对 B 的置信度 / P(B) = P(A∩B)/(P(A)*P(B))。
当置信度 >P(B) 时,A 对 B 的提升度 >1,则表示买 A 再买 B 的概率大于本身买 B 的概率,表示用户买了 A 之后再买 B 的意愿比自然情况下买 B 的意愿要强烈,组合 AB 商品会对 B 商品的销量带来提升。
当置信度 <P(B) 时,A 对 B 的提升度 <1,则表示买 A 再买 B 的概率小于本身买 B 的概率,表示用户买了 A 之后再买 B 的意愿比自然情况下买 B 的意愿要低,组合 AB 商品会对 B 商品的销量带来降低。
当置信度 =P(B) 时,A 对 B 的提升度 =1,则表示买 A 对买 B 没有影响。
##KANO 分析模型
KANO 模型是东京理工大学教授狩野纪昭(Noriaki Kano)发明的对用户需求分类和排序的有用工具通过分析用户对产品功能的满意程度,对产品功能进行分级,从而确定产品实现过程中的优先级。
比如,通过对不同功能调研分析,将结果汇总到,兴奋型、期望型、无差异、必备型四个象限。得出必备型的功能点,需要优先满足。
##AARRR分析模型
AARRR 分析 AARRR 是一个产品生长的 5 个重要环节:
- 获取 Acquisition
- 激活 Activation
- 留存 Retention
- 传播 Referral
- 收益 Revenue
通过这 5 个类别,我们可以将产品成长的阶段可视化,以便我们逐个部分进行商业分析,以及做出相应的调整。
应用场景:
- 通过可视化各个环节的数据指标,获取产品的运营情况
- 分别展开分析各个环节的明细,量化分析未来的关注点
- 调整各个环节的关注指标,分析产品生命周期与客户维护的作用
以 App 的数据为例,我们通过以下几个方式来分析:
- 获取 Acquisition:各个渠道对比分析,用户是从什么渠道获得的软件?
- 激活 Activation:获取到的用户是否激活? 软件对于客户是否能激发兴趣?我们通过激活比例来评估这个阶段。激活比例通常会基于用户的行为来评价,例如登录满某个次数,或是在线时长满足某个阈值等等。
- 留存 Retention:我们通过当日/一周/两周等多个节点来判断客户的留存情况,关注用户是否能够长期、持续的使用产品。例如对于社交软件,我们通常会通过简化注册步骤,推荐关注等方式来提升当日留存率。用户的活跃也就意味着社区的活跃、产品的活跃。
- 传播 Referral:这里展示的是用户传播的指标,鼓励用户分享、邀请新人都可以有效增加传播度。
- 收益 Revenue:这里将根据用户的购买活跃度,将用户分为三组:
- 低活跃客户、普通用户、会员
- 目前低活跃用户数量占比最大,因此可以通过增加促进这部分客户转换率
- 通常通过 会员与非会员的差别化、合理的价格设定等来调整各个分组的人数
##总结
在本文中,我们回顾了仪表板常用的数据分析模型,包括RFM分析模型、ABC分析模型、杜邦分析模型和5W2H分析模型等。这些模型可以帮助我们深入了解数据,发现数据背后的规律和趋势,从而做出更明智的决策,如果您想了解更多关于数据分析模型的资料,欢迎点击这里。
扩展链接:
如何在前端系统中使用甘特图
窗口函数大揭秘!轻松计算数据累计占比,玩转数据分析的绝佳利器
探秘移动端BI:发展历程与应用前景解析
Redis从入门到实践
一节课带你搞懂数据库事务!
Chrome开发者工具使用教程
推荐阅读
-
反传销网8月30日发布:视频区块链里的骗子,币里的韭菜,杜子建骂人了!金融大V周召说区块链!——“一小帮骗子玩一大帮小白,被割韭菜,小白还轮流被割,割的就是你!” 什么区块链,统统是骗子 作者:周召(知乎金融领域大V,毕业于上海财经大学,目前任职上海某股权投资基金合伙人) 有人问我,区块链现在这么火,到底是不是骗局? 我的回答是: 是骗局。而且我并不是说数字货币是骗局,而是说所有搞区块链的都是骗局。 -01- 区块链是一种鸡肋技术 人类社会任何技术的发明应用,本质都是为了提高社会的生产效率。而所谓区块链技术本质不过是几种早已成熟的技术的大杂烩,冗余且十分低效,除了提高了洗钱和诈骗的效率以外,对人类社会的进步毫无贡献。 真正意义上的区块链得包含三个要素:分布式系统(包括记账和存储),无法篡改的数据结构,以及共识算法,三者互为基础和因果,就像三体世界一样。看上去挺让人不明觉厉的,而经过几年的瞎折腾,稍微懂点区块链的碰了几次壁后都已经渐渐明白区块链其实并没有什么卵用,区块链技术已经名存实亡,沦为了营销工具和传销组织的画皮。 因为符合上述定义的、以比特币为代表的原教旨区块链技术,是反效率的,从经济学角度来说,不但不是一种帕累托改进,甚至还可以说是一种帕累托倒退。 原教旨区块链技术的效率十分低下,因为要遍历所有节点,只能做非常轻量级的数据应用,一旦涉及到大量的数据传输与更新,区块链就瞎了。 一方面整条链交易速度会极慢,另一方面数据库容量极速膨胀,考虑到人手一份的存储机制,区块链其实是对存储资源和能源的一种极大的浪费。 这里还没有加上为了取得所谓的共识和挖矿消耗的巨大的能源,如果说区块链技术是屎,那么这波区块链投机浪潮可谓人类历史上最大规模的搅屎运动。 区块链也验证不了任何东西。 所谓的智能合约,即不智能,也非合约。我看有人还说,如果有了智能合约,就可以跟老板签一份放区块链上,如果明年销售业绩提升30%,就加薪10%,由于区块链不能篡改,不能抵赖,所以老板必须得执行,说得有板有眼,不懂行的愣一看,好像还真是那么回事。 但仔细一想,问题就来了。首先,在区块链上如何证明你真的达到了30%业绩提升?即便真的达到老板耍赖如何执行? 也就是说,如果区块链真这么厉害,要法院和仲裁干什么。 人类社会真正的符合成本效益原则的是代理制度。之前有人说要用区块链改造注册会计师行业,我不知道他准备怎么设计,我猜想他思路大概是这样的,首先肯定搞去中心化,让所有会计师到链上来,然后一个新人要成为注册会计师就要所有会计师同意并记录在链上。 那我就请问了,我每天上班累死累活,为什么还要花时间去验证一个跟我无关的的人的专业能力?最优做法当然是组织一个委员会,让专门的人来负责,这不就是现在注册会师协会干的事儿吗?区块链的逻辑相当于什么事情都要拿出来公投,这个绝对是扯淡的。 当然这么说都有点抬举区块链了,区块链技术本身根本没有判断是非能力,如果这么高级的人工智能,靠一个无脑分布式记账就能实现的话,我们早就进入共产主义社会了。 虽然EOS等数字货币采用了超级节点,通过再中心化的方式提高效率,有点行业协会的意思,是对区块链原教旨主义的一种修正,但是依然无法突破区块链技术最本质的局限性。有人说,私有链和联盟链是区块链技术的未来,也是扯淡,因为区块链技术没有未来。如果有,说明他是包装成区块链的伪区块链技术。 区块链所涉及的所有底层技术,不管是分布式数据库技术,加密技术,还是点对点传输技术等,基本都是早已存在没什么秘密可言的技术。 比特币系统最重要的特性是封闭性和自洽性,他验证不了任何系统自身以外产生的信息的真实性。 所谓系统自身产生的信息,就是数据库数据的变动信息,有价值的基本上有且只有交易信息。所以说比特币最初不过是中本聪一种炫技的产物,来证明自己对几种技术的掌握,你看我多牛逼,设计出了一个像三体一样的系统。因此,数字货币很有可能是区块链从始至终唯一的杀手应用。 比特币和区块链概念从诞生到今天已经快10年了,很多人说区块链技术在爆发的前夜,但这个前夜好像是不是有点过长了啊朋友,跟三体里的长夜有一拼啊。都说区块链技术像是90年代初的互联网,可是90年代初的互联网在十年发展后,已经出现了一大批伟大的公司,阿里巴巴在99年都成立了,区块链怎么除了币还是币呢? 正规的数字货币未来发展的形式无外乎几种,要么就是论坛币形式,或者类似股票的权益凭证等。问题是论坛币和股票之前,本来也都电子化了,区块链来了到底改变了什么呢? 所有想把TOKEN和应用场景结合起来的人最后都很痛苦,最后他们会发现区块链技术就是脱裤子放屁,自己辛苦搞半天,干嘛不自己作为中心关心门来收钱?最后这些人都产生了价值的虚无感,最终精神崩溃,只能发币疯狂收割韭菜,一边嘴里还说着我是个好人之类的奇怪的话。 因此,之前币圈链圈还泾渭分明,互相瞧不起,但这两年链圈逐渐坐不住了,想着是不是趁着泡沫没彻底破灭之前赶快收割一波,不然可能什么都捞不着了。 前段时间和一个名校毕业的链圈朋友瞎聊天,他说他们“致力于用区块链技术解决数字版权保护问题”,我就问他一个问题,你们如何保证你链的版权所有权声明是真实的,万一盗版者抢先一步把数据放在链上怎么办。他说他们的解决方案是连入国家数字版权保护中心的数据库进行验证…… 所以说区块链技术就是个鸡肋,研究到最后都会落入效率与真实性的黑洞,很多人一头扎进链圈后才发现,真正意义上的区块链技术,其实什么都干不了。 -02- 不是蠢就是坏的区块链媒体 空气币和区块链的造富神话,让区块链自媒体也开始迎风乱扭。一群群根本不知道区块链为何物的妖魔鬼怪纷纷进驻区块链自媒体战场,开始大放厥词胡编乱造。 任何东西,但凡只要和区块,链,分,分布式,记账,加密,验证,可追溯等等这些个关键词沾到哪怕一点点,这些所谓的区块链媒体人就会像狗闻到了屎了一样疯狂地把区块链概念往上套。 这让我想起曾经一度也是热闹非凡的物联网,我曾经去看过江苏一家号称要改变世界的“物联网”企业,过去一看是生产路由器的,我黑人问号脸,对方解释说没有路由器万物怎么互联,我觉得他说得好有道理,竟无言以对。 好,下面让我们进入奇葩共赏析时间,来看看区城链媒体经常有哪些危言耸听的奇谈怪论 区块链(分布式记账)的典型应用是*?? 正如前面所说,真正意义上的区块链分布式记账,不光包括“记”这个动作,还包括分布式存储和共识机制等。而*诞生远远早于区块链这个词的出现,勉强算是“分布式编辑”吧,就被很多区块链媒体拿来强行充当区块链技术应用的典范。 其实事实恰恰相反,*恰恰是去中心化失败的典范,现在如果没有精英和专业人士的编辑和维护,*早就没法看了。 区块链会促进社会分工?? 罗振宇好像就说过类似的话,虽然罗振宇说过很多没有逻辑的话,但这句话绝对是最没逻辑思维的。很多区块链自媒体也常常用这句话来忽悠老百姓,说分工代表效率提高社会进步,而区块链“无疑”会促进分工,他们的理由仅仅是分工和分布式记账都共用一个“分”字,就强行把他们扯到一起。 实际情况恰恰相反,区块链是逆分工的,区块链精神是号召所有人积极地参与到他不擅长也不想掺合的事情里面去。 区块链不能像上帝一样许诺他的子民死后上天国,只能给他们许诺你们是六度人脉中的第一级,我可以赚后面五级人的钱,你处于金字塔的顶端。
-
这些仪表板常用的数据分析模型,你都见过吗?