正文

經(jīng)典數(shù)據(jù)分析方法（經(jīng)典數(shù)據(jù)分析方法的5個(gè)過(guò)程）

發(fā)布時(shí)間：2023-03-26 06:35:52 稿源：創(chuàng)意嶺閱讀： 1308 問(wèn)大家

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于經(jīng)典數(shù)據(jù)分析方法的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

開(kāi)始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫(xiě)出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶(hù)端

官網(wǎng)：https://ai.de1919.com

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀企業(yè)，服務(wù)客戶(hù)遍布全國(guó)，網(wǎng)絡(luò)營(yíng)銷(xiāo)相關(guān)業(yè)務(wù)請(qǐng)撥打175-8598-2043，或微信：1454722008

本文目錄:

1、數(shù)據(jù)分析的幾種經(jīng)典的理論
2、大數(shù)據(jù)分析中，有哪些常見(jiàn)的大數(shù)據(jù)分析模型
3、數(shù)據(jù)分析方法3—RFM分析模型
4、數(shù)據(jù)分析師常用的思維分析方式是什么?

經(jīng)典數(shù)據(jù)分析方法（經(jīng)典數(shù)據(jù)分析方法的5個(gè)過(guò)程）

一、數(shù)據(jù)分析的幾種經(jīng)典的理論

數(shù)據(jù)分析理論導(dǎo)航頁(yè)收錄已經(jīng)發(fā)布的工作生活用到的數(shù)據(jù)分析思路及理論方法。例如數(shù)據(jù)分析師基本技能、時(shí)間序列分析、分析軟件功能介紹等。

1 大數(shù)據(jù)時(shí)代：數(shù)據(jù)分析能力重要性

2 大數(shù)據(jù)時(shí)代：數(shù)據(jù)分析基礎(chǔ)

3 正態(tài)性檢驗(yàn)方法介紹

4 數(shù)據(jù)分析技術(shù)：數(shù)據(jù)差異的顯著性檢驗(yàn)

5 數(shù)據(jù)分析方法：非正態(tài)數(shù)據(jù)轉(zhuǎn)化成正態(tài)數(shù)據(jù)

6 均值差異性檢驗(yàn)：Z檢驗(yàn)和T檢驗(yàn)綜述

7 均值差異性檢驗(yàn)：方差分析綜述

8 數(shù)據(jù)分析方法：非參數(shù)檢驗(yàn)

9 數(shù)據(jù)分析技術(shù)：擬合優(yōu)度檢驗(yàn)

10 數(shù)據(jù)分析技術(shù)：數(shù)據(jù)關(guān)聯(lián)性分析綜述

11 數(shù)據(jù)分析技術(shù)：數(shù)據(jù)的歸納分析

12 數(shù)據(jù)分析技術(shù)：?jiǎn)柧恚季恚┑男哦扰c效度

13 數(shù)據(jù)分析技術(shù)：相關(guān)關(guān)系分析

14 數(shù)據(jù)分析技術(shù)：數(shù)據(jù)分類(lèi)很重要

15 數(shù)據(jù)分析技術(shù)：回歸分析

16 數(shù)據(jù)分析技術(shù)：非參數(shù)檢驗(yàn)

二、大數(shù)據(jù)分析中，有哪些常見(jiàn)的大數(shù)據(jù)分析模型

對(duì)于互聯(lián)網(wǎng)平臺(tái)而言的產(chǎn)品，主要可以分為兩大類(lèi)：商品和服務(wù)。想要通過(guò)數(shù)據(jù)分析提高產(chǎn)品的銷(xiāo)量，首先要了解哪些數(shù)據(jù)需要分析？

哪些數(shù)據(jù)需要分析？

一、運(yùn)營(yíng)模塊

從用戶(hù)的消費(fèi)流程來(lái)看，可以劃分為四個(gè)部分：引流，轉(zhuǎn)化，消費(fèi)，存留。

流量

流量主要體現(xiàn)在引流環(huán)節(jié)，按照流量結(jié)構(gòu)可以分為渠道結(jié)構(gòu)，業(yè)務(wù)結(jié)構(gòu)以及地區(qū)結(jié)構(gòu)等。渠道結(jié)構(gòu)，可以追蹤各個(gè)渠道的流量情況，通過(guò)渠道流量占比來(lái)分析各渠道的質(zhì)量。業(yè)務(wù)結(jié)構(gòu)，根據(jù)指定業(yè)務(wù)對(duì)活動(dòng)的流量進(jìn)行追蹤，觀察活動(dòng)前，中，后流量的變化情況，對(duì)活動(dòng)效果做出評(píng)估。

轉(zhuǎn)化率

轉(zhuǎn)化率=期望行為人數(shù)/作用總?cè)藬?shù)。提升轉(zhuǎn)化率意味著更低的成本，更高的利潤(rùn), 最經(jīng)典的分析模型就是漏斗模型。

流失率和留存率

通過(guò)各個(gè)渠道或者活動(dòng)把用戶(hù)引流過(guò)來(lái)，但過(guò)一段時(shí)間就會(huì)有用戶(hù)流失掉，這部分用戶(hù)就是流失用戶(hù)，而留下來(lái)的這部分用戶(hù)就是留存用戶(hù)。流失可以分為剛性流失，體驗(yàn)流失和競(jìng)爭(zhēng)流失，雖然流失是不可避免的，但可以根據(jù)對(duì)流失的分析，做出相應(yīng)的對(duì)策來(lái)挽留用戶(hù)。關(guān)于留存，通過(guò)觀察存留的規(guī)律，定位存留階段，可以輔助市場(chǎng)活動(dòng)、市場(chǎng)策略定位等，同時(shí)還可以對(duì)比不同用戶(hù)、產(chǎn)品的功能存留情況，分析產(chǎn)品價(jià)值，及時(shí)對(duì)產(chǎn)品做出調(diào)整。

復(fù)購(gòu)率

復(fù)購(gòu)率可以分為“用戶(hù)復(fù)購(gòu)率”和“訂單復(fù)購(gòu)率”，通過(guò)分析復(fù)購(gòu)率，可以進(jìn)一步對(duì)用戶(hù)粘性進(jìn)行分析，輔助發(fā)現(xiàn)復(fù)購(gòu)率問(wèn)題，制定運(yùn)營(yíng)策略，同事還可以進(jìn)行橫向（商品、用戶(hù)、渠道）對(duì)比分析，細(xì)化復(fù)購(gòu)率，輔助問(wèn)題定位。

二、銷(xiāo)售模塊

銷(xiāo)售模塊中有大量的指標(biāo)，包括同環(huán)比、完成率、銷(xiāo)售排行、重點(diǎn)商品占比、平臺(tái)占比等等。

三、商品模塊

重要指標(biāo)分析：包括貨齡、動(dòng)銷(xiāo)率、缺貨率、結(jié)構(gòu)指標(biāo)、價(jià)格體系、關(guān)聯(lián)分析、暢滯銷(xiāo)分析等，用來(lái)評(píng)判商品價(jià)值，輔助調(diào)整商品策略

四、用戶(hù)模塊

重點(diǎn)指標(biāo)分析：包括新增用戶(hù)數(shù)、增長(zhǎng)率、流失率、有效會(huì)員占比、存留情況等

用戶(hù)價(jià)值分析：可以根據(jù)RFM模型，再融入其他個(gè)性化參數(shù)，對(duì)用戶(hù)進(jìn)行價(jià)值的劃分，并針對(duì)各等級(jí)用戶(hù)做出進(jìn)一步分析。

用戶(hù)畫(huà)像：根據(jù)固有屬性、行為屬性、交易屬性、興趣愛(ài)好等維度，來(lái)為用戶(hù)添加標(biāo)簽與權(quán)重，設(shè)計(jì)用戶(hù)畫(huà)像，提供精準(zhǔn)營(yíng)銷(xiāo)參考依據(jù)。

根據(jù)需要分析的數(shù)據(jù)選擇分析模型

一、用戶(hù)模型

用戶(hù)模型是一種在營(yíng)銷(xiāo)規(guī)劃或商業(yè)設(shè)計(jì)上描繪目標(biāo)用戶(hù)的方法，經(jīng)常有多種組合，方便規(guī)劃者用來(lái)分析并設(shè)置其針對(duì)不同用戶(hù)所展開(kāi)的策略。傳統(tǒng)的用戶(hù)模型構(gòu)建方法有兩種：基于訪談和觀察構(gòu)建用戶(hù)模型（嚴(yán)謹(jǐn)可靠但費(fèi)時(shí)）、臨時(shí)用戶(hù)模型（基于行業(yè)專(zhuān)家或者市場(chǎng)調(diào)查數(shù)據(jù)構(gòu)建，快速但不夠可靠）。

改進(jìn)的用戶(hù)模型構(gòu)建方法：基于用戶(hù)行為數(shù)據(jù)的用戶(hù)模型

優(yōu)勢(shì)：對(duì)傳統(tǒng)方式進(jìn)行簡(jiǎn)化，降低數(shù)據(jù)分析的門(mén)檻；讓數(shù)據(jù)分析更科學(xué)、高效、全面，可以更直接地應(yīng)用于業(yè)務(wù)增長(zhǎng)，指導(dǎo)運(yùn)營(yíng)策略。

方法：

1. 整理、收集對(duì)用戶(hù)的初始認(rèn)知

2. 對(duì)用戶(hù)進(jìn)行分群

3. 分析用戶(hù)的行為數(shù)據(jù)

4. 推測(cè)目標(biāo)動(dòng)機(jī)

5. 對(duì)用戶(hù)進(jìn)行訪談?wù){(diào)查驗(yàn)證

6. 用戶(hù)模型建立修正

同時(shí)，還可以將收集到的用戶(hù)信息映射成為用戶(hù)的屬性或用戶(hù)的行為信息，并存儲(chǔ)起來(lái)形成用戶(hù)檔案；實(shí)時(shí)關(guān)注自身數(shù)據(jù)的波動(dòng)，及時(shí)做出戰(zhàn)略性調(diào)整。

二、事件模型

事件模型是用戶(hù)行為數(shù)據(jù)分析的第一步，也是分析的核心和基礎(chǔ)，它背后的數(shù)據(jù)結(jié)構(gòu)、采集時(shí)機(jī)以及對(duì)事件的管理是事件模型中的三大要素。

什么是事件？

事件就是用戶(hù)在產(chǎn)品上的行為，它是用戶(hù)行為的一個(gè)專(zhuān)業(yè)描述，用戶(hù)在產(chǎn)品上所有獲得的程序反饋都可以抽象為事件，由開(kāi)發(fā)人員通過(guò)埋點(diǎn)進(jìn)行采集。舉個(gè)例子：用戶(hù)在頁(yè)面上點(diǎn)擊按鈕就是一個(gè)事件。

事件的采集

事件-屬性-值的結(jié)構(gòu)：事件（用戶(hù)在產(chǎn)品上的行為），屬性（描述事件的維度），值（屬性的內(nèi)容）

在事件采集過(guò)程中，靈活運(yùn)用事件-屬性-值的結(jié)構(gòu)，不僅可以最大化還原用戶(hù)使用場(chǎng)景，還可以極大地節(jié)省事件量，提高工作效率。

采集的時(shí)機(jī)：用戶(hù)點(diǎn)擊、網(wǎng)頁(yè)加載完成、服務(wù)器判斷返回。在設(shè)計(jì)埋點(diǎn)需求文檔時(shí)，采集時(shí)機(jī)的說(shuō)明尤為重要，也是保證數(shù)據(jù)準(zhǔn)確性的核心。

舉個(gè)例子：電商銷(xiāo)售網(wǎng)頁(yè)的事件采集

事件的分析

對(duì)事件的分析通常有事件觸發(fā)人數(shù)、次數(shù)、人均次數(shù)、活躍比四個(gè)維度的計(jì)算。

事件的管理

當(dāng)事件很多時(shí)，對(duì)事件進(jìn)行分組，重要事件進(jìn)行標(biāo)注，從而分門(mén)別類(lèi)地管理。同時(shí)，可以從產(chǎn)品業(yè)務(wù)角度將重要的用戶(hù)行為標(biāo)注出來(lái)，以便在分析時(shí)方便、快捷地查找使用常用、重要的事件。

三、漏斗模型

漏斗模型最早起源是從傳統(tǒng)行業(yè)的營(yíng)銷(xiāo)商業(yè)活動(dòng)中演變而來(lái)的，它是一套流程式數(shù)據(jù)分析方法。

主要模型框架：通過(guò)檢測(cè)目標(biāo)流程中起點(diǎn)（用戶(hù)進(jìn)入）到最后完成目標(biāo)動(dòng)作。這其中經(jīng)歷過(guò)的每個(gè)節(jié)點(diǎn)的用戶(hù)量與留存量，來(lái)考核每個(gè)節(jié)點(diǎn)的好壞，來(lái)找到最需要優(yōu)化的節(jié)點(diǎn)。漏斗模型是用戶(hù)行為狀態(tài)以及從起點(diǎn)到終點(diǎn)各階段用戶(hù)轉(zhuǎn)化率情況的重要分析模型。

四、熱圖分析 —— 畫(huà)出用戶(hù)行為

熱圖，是記錄用戶(hù)與產(chǎn)品界面交互最直觀的工具。熱圖分析，就是通過(guò)記錄用戶(hù)的鼠標(biāo)行為，并以直觀的效果呈現(xiàn)，從而幫助使用者優(yōu)化網(wǎng)站布局。無(wú)論是Web還是App的分析，熱圖分析都是非常重要的模型。

在實(shí)際的使用過(guò)程中，常常用幾種對(duì)比熱圖的方法，對(duì)多個(gè)熱圖進(jìn)行對(duì)比分析，解決問(wèn)題：

多種熱圖的對(duì)比分析，尤其是點(diǎn)擊熱圖（觸摸熱圖）、閱讀熱圖、停屏熱圖的對(duì)比分析；
細(xì)分人群的熱圖對(duì)比分析，例如不同渠道、新老用戶(hù)、不同時(shí)段、AB測(cè)試的熱圖分析等；
深度不同的互動(dòng)，所反映的熱圖也是不同的。例如點(diǎn)擊熱圖和轉(zhuǎn)化熱圖的對(duì)比分析；

五、自定義留存分析

關(guān)于留存率的概念，在前文中的已經(jīng)有所介紹。對(duì)于產(chǎn)品而言，留存率越高，說(shuō)明產(chǎn)品的活躍用戶(hù)越多，轉(zhuǎn)化為忠實(shí)用戶(hù)的比例會(huì)越大，越有利于產(chǎn)品變現(xiàn)能力的提升。

自定義留存：基于自己業(yè)務(wù)場(chǎng)景下用戶(hù)的留存情況，也即對(duì)留存的行為進(jìn)行自定義?？梢酝ㄟ^(guò)對(duì)初始行為和回訪行為進(jìn)行設(shè)定來(lái)對(duì)留存行為進(jìn)行自定義。

舉個(gè)例子：搶到券的用戶(hù)使用哈羅共享單車(chē)的5日留存率

初始行為：搶到券

回訪行為：使用哈羅共享單車(chē)

六、粘性分析

粘性：以用戶(hù)視角，科學(xué)評(píng)估產(chǎn)品的留存能力

通過(guò)用戶(hù)粘性分析，可以了解到一周內(nèi)或一個(gè)月內(nèi)用戶(hù)到底有多少天在使用你的產(chǎn)品甚至是某個(gè)功能，進(jìn)一步分析出用戶(hù)使用產(chǎn)品的習(xí)慣。

粘性分析是諸葛io的特色功能之一，其中包括產(chǎn)品整體粘性、功能粘性、粘性趨勢(shì)以及用戶(hù)群對(duì)比，具體可以參考https://docs.zhugeio.com/advanced/stickiness.html

七、全行為路徑分析

全行為路徑分析是互聯(lián)網(wǎng)產(chǎn)品特有的一類(lèi)數(shù)據(jù)分析方法，它主要根據(jù)每位用戶(hù)在App或網(wǎng)站中的行為事件，分析用戶(hù)在App或網(wǎng)站中各個(gè)模塊的流轉(zhuǎn)規(guī)律與特點(diǎn)，挖掘用戶(hù)的訪問(wèn)或?yàn)g覽模式，進(jìn)而實(shí)現(xiàn)一些特定的業(yè)務(wù)用途，如對(duì)App核心模塊的到達(dá)率提升、特定用戶(hù)群體的主流路徑提取與瀏覽特征刻畫(huà)，App產(chǎn)品設(shè)計(jì)的優(yōu)化等。

在可視化過(guò)程中常用的全行為路徑模型有兩種：

樹(shù)形圖：以樹(shù)形結(jié)構(gòu)體現(xiàn)用戶(hù)的行為路徑

太陽(yáng)圖：以環(huán)形圖體現(xiàn)用戶(hù)的行為路徑

上圖中，每一環(huán)代表用戶(hù)的一步，不同的顏色代表不同的行為，同一環(huán)顏色占比越大代表在當(dāng)前步驟中用戶(hù)行為越統(tǒng)一，環(huán)越長(zhǎng)說(shuō)明用戶(hù)的行為路徑越長(zhǎng)。

八、用戶(hù)分群模型

用戶(hù)分群即用戶(hù)信息標(biāo)簽化，通過(guò)用戶(hù)的歷史行為路徑、行為特征、偏好等屬性，將具有相同屬性的用戶(hù)劃分為一個(gè)群體，并進(jìn)行后續(xù)分析。

基于用戶(hù)行為數(shù)據(jù)的分群模型：當(dāng)回歸到行為數(shù)據(jù)本身，會(huì)發(fā)現(xiàn)對(duì)用戶(hù)的洞察可以更精細(xì)更溯源，用歷史行為記錄的方式可以更快地找到想要的人群。

四個(gè)用戶(hù)分群的維度：

用戶(hù)屬性：年齡、性別、城市、瀏覽器版本、系統(tǒng)版本、操作版本、渠道來(lái)源等；
活躍于：通過(guò)設(shè)置活躍時(shí)間，找到指定之間段內(nèi)的活躍用戶(hù)；
做過(guò)/沒(méi)做過(guò)：通過(guò)用戶(hù)是否進(jìn)行某行為，分析用戶(hù)與產(chǎn)品交互的“親密度”；
新增于：通過(guò)設(shè)置時(shí)間段，精確篩選出新增用戶(hù)的時(shí)間范圍；

如何提高產(chǎn)品銷(xiāo)量是一個(gè)綜合性的問(wèn)題，需要結(jié)合多種模型進(jìn)行數(shù)據(jù)分析，以上內(nèi)容是對(duì)一些知識(shí)的歸納，希望能夠?qū)δ兴鶐椭?/p>

三、數(shù)據(jù)分析方法3—RFM分析模型

對(duì)于一個(gè)新上線產(chǎn)品的前期運(yùn)營(yíng)，我們一般的做法都是做活動(dòng)、上新品、蹭熱點(diǎn)、做營(yíng)銷(xiāo)、不斷地去拓展新的客戶(hù)。但是這種做法收效卻不容樂(lè)觀，真正獲取的用戶(hù)沒(méi)有幾個(gè)，最終都便宜了羊毛黨。其實(shí)客戶(hù)在不同階段的需求是不一樣的，有的客戶(hù)圖便宜，有的客戶(hù)看新品，有的客戶(hù)重服務(wù)。所以我們想要運(yùn)營(yíng)好一個(gè)產(chǎn)品，就需要對(duì)客戶(hù)精細(xì)化運(yùn)營(yíng)。

精細(xì)化運(yùn)營(yíng)最經(jīng)典的用戶(hù)分群工具就是RFM模型，RFM模型是衡量用戶(hù)價(jià)值和用戶(hù)創(chuàng)新能力的經(jīng)典工具，主要是由用戶(hù)最近一次購(gòu)買(mǎi)時(shí)間、消費(fèi)頻次、消費(fèi)金額組成。

RFM模型是衡量客戶(hù)價(jià)值和客戶(hù)潛在價(jià)值的重要工具和手段，RFM是Rencency（最近一次消費(fèi)），F(xiàn)requency（消費(fèi)頻率），Monetary（消費(fèi)金額）組合而成，此模型對(duì)于運(yùn)營(yíng)、銷(xiāo)售、財(cái)務(wù)、市場(chǎng)來(lái)說(shuō)都比較重要。

R值（Recency）： 最近一次消費(fèi)

表示用戶(hù)最近一次消費(fèi)距離現(xiàn)在的時(shí)間，消費(fèi)時(shí)間越近的客戶(hù)價(jià)值越大，1年前消費(fèi)過(guò)的用戶(hù)肯定沒(méi)有1月前消費(fèi)過(guò)的用戶(hù)價(jià)值大，是衡量用戶(hù)價(jià)值的一個(gè)指標(biāo)。

基于R值的大小，可以看出上表中的客戶(hù)2是最有價(jià)值的，客戶(hù)3是最沒(méi)有價(jià)值的，但是如果就此說(shuō)明客戶(hù)2是最有價(jià)值，而客戶(hù)3是沒(méi)有價(jià)值的是不成立的，對(duì)于客戶(hù)價(jià)值我們不能僅看R值，還需要考慮F值和M值。這里我們只舉出4個(gè)客戶(hù)為例，但在真實(shí)的客戶(hù)場(chǎng)景中，我們可以把客戶(hù)按照周、月、季、年等維度的占比詳細(xì)來(lái)觀察出R的趨勢(shì)變化。

F值（Frequency）： 消費(fèi)頻率

消費(fèi)頻率是指用戶(hù)在統(tǒng)計(jì)周期內(nèi)購(gòu)買(mǎi)商品的次數(shù)，經(jīng)常購(gòu)買(mǎi)的用戶(hù)也就是熟客，其價(jià)值比偶爾來(lái)一次的客戶(hù)價(jià)值大

基于F值的大小，可以看出客戶(hù)4的價(jià)值最大，客戶(hù)1的價(jià)值最小，但是如果考慮R值和M值就不能這樣認(rèn)為。其實(shí)客戶(hù)對(duì)于產(chǎn)品的復(fù)購(gòu)的核心因素是類(lèi)目。有的類(lèi)目產(chǎn)品復(fù)購(gòu)率高（食品類(lèi)）主要是食品屬于易耗品，消耗周期短，購(gòu)買(mǎi)的頻率高，相對(duì)容易產(chǎn)生重復(fù)性購(gòu)買(mǎi)。而有的類(lèi)目產(chǎn)品復(fù)購(gòu)率低（家電類(lèi)），消耗周期長(zhǎng)，購(gòu)買(mǎi)頻次低。建議在對(duì)F值進(jìn)行統(tǒng)計(jì)時(shí)對(duì)于不同的類(lèi)目要有相應(yīng)的統(tǒng)計(jì)周期。

M值（Monetary）： 消費(fèi)金額

消費(fèi)金額是指用戶(hù)在統(tǒng)計(jì)周期內(nèi)消費(fèi)的總金額，體現(xiàn)了消費(fèi)者對(duì)于企業(yè)的價(jià)值。

基于M值的大小，可以看出客戶(hù)4的價(jià)值最高，客戶(hù)1的價(jià)值最低，M值同上面的R值、F值類(lèi)似，單一的值并不能說(shuō)明客戶(hù)的好壞，三者結(jié)合才能更好地精細(xì)化用戶(hù)，對(duì)購(gòu)買(mǎi)產(chǎn)品的用戶(hù)合理的分隔，采用不同的機(jī)制去運(yùn)營(yíng)。

RFM模型的主觀細(xì)分

根據(jù)RFM模型值得大小對(duì)客戶(hù)進(jìn)行細(xì)分，如下表所示，將客戶(hù)分為了8部分去運(yùn)營(yíng)，對(duì)于不同的細(xì)分人群采取不同的運(yùn)營(yíng)策略，在實(shí)際的應(yīng)用場(chǎng)景中，店鋪可以根據(jù)自己店鋪的實(shí)際情況來(lái)細(xì)分人群，購(gòu)買(mǎi)人群多的就分多個(gè)人群，購(gòu)買(mǎi)人群少的就少分幾個(gè)人群，具體的情況根據(jù)店鋪來(lái)定。

RFM模型的量化細(xì)分

上面的模型細(xì)分主要是根據(jù)RFM值的大小進(jìn)行模糊的細(xì)分，而如果想要更細(xì)地對(duì)人群進(jìn)行劃分，就需要對(duì)RFM進(jìn)行量化處理，一般采用的方式有

1、根據(jù)經(jīng)驗(yàn)定義權(quán)重

RFM值=a*R值+b*F值+c*M值

對(duì)于其中的權(quán)重a,b,c則需要經(jīng)驗(yàn)豐富的業(yè)務(wù)人員來(lái)判斷

2、歸一化處理

將RFM的值進(jìn)行歸一化處理，公式為

RFM值=R1值+F1值+M1值

上面的R1,F1,M1都是歸一化處理過(guò)后的值

3、AHP層次分析得出權(quán)重值

RFM值=a1*R值+a2*F值+a3*M值

a1,a2,a3的值是AHP層次分析得出的權(quán)向量值

具體參考鏈接

最終按照得出值的大小進(jìn)行人群細(xì)分，得出不同的人群

四、數(shù)據(jù)分析師常用的思維分析方式是什么?

1. 對(duì)比思維

對(duì)比這兩個(gè)字大家肯定都不陌生，比如買(mǎi)東西我們會(huì)貨比三家，其實(shí)生活中處處有對(duì)比。

比如說(shuō)，小芳一直成績(jī)優(yōu)異，但是末次考試發(fā)揮失常，數(shù)學(xué)只考了40分，班主任找到小芳談話，問(wèn)她說(shuō)：“你最近怎么回事，上次你數(shù)學(xué)考了80分，全班前十，這次怎么考的這么差？你看看你的同桌，這次都考了73分?！?/p>

從這個(gè)小故事中可以看出，對(duì)比一般有兩種方式，橫向?qū)Ρ群涂v向?qū)Ρ?。橫向?qū)Ρ纫簿褪桥c同類(lèi)對(duì)比，比如班主任拿小芳的成績(jī)跟她同桌的成績(jī)做對(duì)比?？v向?qū)Ρ仁侵竿活?lèi)型不同時(shí)間的對(duì)比，比如班主任拿小芳這次的成績(jī)和上次的成績(jī)做對(duì)比。

2. 細(xì)分思維

細(xì)分思維很多人可能乍一聽(tīng)不太明白，其實(shí)生活中很多小事都體現(xiàn)了細(xì)分思維。就比如我們?nèi)梭w是由九大系統(tǒng)構(gòu)成的，系統(tǒng)又是由器官構(gòu)成的，器官是由組織構(gòu)成的、細(xì)胞又構(gòu)成了組織，層層細(xì)分。

再拿剛剛的例子來(lái)說(shuō)，還是我們的小芳同學(xué)，還是剛剛那場(chǎng)考試，班主任讓小芳對(duì)自己這考試的總成績(jī)做一個(gè)總結(jié)，小芳拿著成績(jī)單仔細(xì)研究，發(fā)現(xiàn)這次總成績(jī)不是很好，但是仔細(xì)一看，發(fā)現(xiàn)除了數(shù)學(xué)成績(jī)只考了40分以外，其他科目的成績(jī)都名列前茅，數(shù)學(xué)成績(jī)拉低了小芳的整體成績(jī)。

在這里我們就是把整體考試成績(jī)細(xì)分為具體的科目來(lái)總結(jié)歸因。在數(shù)據(jù)分析的工作中，細(xì)分的緯度主要包括時(shí)間、地區(qū)、渠道、產(chǎn)品、員工、客戶(hù)等。杜邦分析法、麥肯錫的 MECE 分析法本質(zhì)上都屬于細(xì)分思維。

3. 溯源思維

前兩個(gè)思維能夠?qū)?yīng)一部分?jǐn)?shù)據(jù)分析工作要求，但是如果有一些數(shù)據(jù)不能用前兩種思維來(lái)處理怎么辦呢？

那我們就可以用到另一種溯源思維。俗話說(shuō)追根溯源，很多時(shí)候我們要想知道事物背后的邏輯原因，最好的方法可能是去探究事物發(fā)生的原因，來(lái)幫助我們分析。

繼續(xù)拿小芳舉例，她放學(xué)回家把成績(jī)單交給媽媽?zhuān)瑡寢屚ㄟ^(guò)對(duì)比、細(xì)分的思維方法知道了小芳這次考試的大概情況，也知道是數(shù)學(xué)失利了。但是小芳的數(shù)學(xué)一向是強(qiáng)項(xiàng)，媽媽還是無(wú)法理解為什么會(huì)在這里出問(wèn)題，于是媽媽找來(lái)小芳談心，詳細(xì)了解了考試時(shí)的情況，才發(fā)現(xiàn)是因?yàn)樾》伎紨?shù)學(xué)的那天中午吃壞了肚子，下午的數(shù)學(xué)考試剛好發(fā)作，疼痛難忍，以至于很多本來(lái)會(huì)做的題目都做錯(cuò)了。媽媽也理解了小芳，并且向小芳表達(dá)了歉意，也會(huì)更注重小芳的飲食問(wèn)題。

上面的例子里，小芳的媽媽無(wú)法從表面的數(shù)據(jù)上分析出事情發(fā)生的原因，于是采用了溯源思維，找到了真正的原因。如果數(shù)據(jù)分析師在工作中也能利用好溯源思維，那么對(duì)數(shù)據(jù)的敏感和業(yè)務(wù)的理解也能逐步加深。

4. 相關(guān)思維

上面幾種思維是比較常用的思維方式，下面我們就來(lái)說(shuō)說(shuō)相關(guān)思維，這也是數(shù)據(jù)分析的核心思維能力。

很多人可能都知道著名的啤酒與尿布的故事，在業(yè)界是一個(gè)相關(guān)分析的經(jīng)典案例。故事背景是20世紀(jì)90年代的美國(guó)沃爾瑪超市，當(dāng)時(shí)沃爾瑪擁有世界上最大的數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)，為了能夠準(zhǔn)確了解顧客在其門(mén)店的購(gòu)買(mǎi)習(xí)慣，沃爾瑪對(duì)其顧客的購(gòu)物行為進(jìn)行購(gòu)物籃分析，想知道顧客經(jīng)常一起購(gòu)買(mǎi)的商品有哪些。

沃爾瑪數(shù)據(jù)倉(cāng)庫(kù)里集中了其各門(mén)店的詳細(xì)原始交易數(shù)據(jù)。在這些原始交易數(shù)據(jù)的基礎(chǔ)上，沃爾瑪利用數(shù)據(jù)挖掘方法對(duì)這些數(shù)據(jù)進(jìn)行分析和挖掘。一個(gè)意外的發(fā)現(xiàn)是：跟尿布一起購(gòu)買(mǎi)最多的商品竟是啤酒。

經(jīng)過(guò)大量實(shí)際調(diào)查和分析，揭示了一個(gè)隱藏在“尿布與啤酒”后的美國(guó)人的一種行為模式：在美國(guó)，一些年輕的父親下班后經(jīng)常要到超市去買(mǎi)嬰兒尿布，而他們中有30%～40%的人同時(shí)也為自己買(mǎi)一些啤酒。產(chǎn)生這一現(xiàn)象的原因是：美國(guó)的妻子們常叮囑她們的丈夫下班后為小孩買(mǎi)尿布，而丈夫們?cè)谫I(mǎi)尿布后又隨手帶回了他們喜歡的啤酒。

如果數(shù)據(jù)分析師能夠熟練靈活的將相關(guān)分析運(yùn)用到工作中，就能從僅僅知道數(shù)據(jù)分析的結(jié)果是什么進(jìn)階到知道呈現(xiàn)這個(gè)結(jié)果的原因是為什么。

5. 假設(shè)思維

之前的思維模式都是建立在我們有大量的已知數(shù)據(jù)可以進(jìn)行分析論證的時(shí)候，那么如果我們還沒(méi)有足夠的數(shù)據(jù)量或者證據(jù)來(lái)驗(yàn)證這件事，我們應(yīng)該怎么辦呢？這種時(shí)候就可以用到我們的假設(shè)思維。先對(duì)大膽進(jìn)行假設(shè)，然后再小心求證，最后去想辦法驗(yàn)證假設(shè)是否成立。

比如，小芳想吃荔枝，于是下樓去買(mǎi)，跟賣(mài)荔枝的阿姨之間有這樣一段對(duì)話：

小芳：“阿姨，你這荔枝甜不甜？”

阿姨：“甜啊，我這有切好的，你先嘗一嘗試試?！?/p>

小芳：“好，那我嘗一個(gè)?！?/p>

小芳拿來(lái)一個(gè)荔枝，嘗了一口：“嗯，不錯(cuò)，確實(shí)挺甜的，給我稱(chēng)兩斤吧。”

上面這個(gè)看似簡(jiǎn)單的小故事，其實(shí)就隱藏了簡(jiǎn)單的假設(shè)檢驗(yàn)。首先，小芳提出假設(shè)：荔枝是甜的；其次，隨機(jī)抽取一個(gè)樣本；然后，檢驗(yàn)是否是甜的；最后，作出判斷，確認(rèn)荔枝真的是甜的，所以就購(gòu)買(mǎi)了。

在數(shù)據(jù)分析中，假設(shè)思維的專(zhuān)業(yè)術(shù)語(yǔ)叫假設(shè)檢驗(yàn)，一般包括四個(gè)步驟，即：提出假設(shè)、抽取樣本、檢驗(yàn)假設(shè)、作出判斷。數(shù)據(jù)分析師可以充分利用這一思維模式。

6. 逆向思維

逆向思維這個(gè)詞大家一定都不陌生，很多著名企業(yè)家的演講中就常常提到這個(gè)詞，他們都提倡打破常規(guī)的思維模式，從相反的方向來(lái)思考問(wèn)題。

下面我們邀請(qǐng)小芳同學(xué)再次登場(chǎng)。

有一次，小芳去買(mǎi)辣椒，跟阿姨之間又有一段對(duì)話。

小芳：“阿姨，你這辣椒多少錢(qián)一斤？”

阿姨：“一塊五。”

小芳挑了 3 個(gè)放到秤盤(pán)：“阿姨，幫我稱(chēng)一下?！?/p>

阿姨：“一斤半，兩塊 2 毛?！?/p>

小芳去掉其中最大的辣椒：“做湯不用那么多?！?/p>

攤主：“一斤二兩，一塊6毛?！?/p>

小芳拿起剛剛?cè)サ舻哪莻€(gè)最大的辣椒，付了 6毛錢(qián)，笑著跟阿姨說(shuō)了再見(jiàn)。

你看，運(yùn)用逆向思維，有時(shí)可能會(huì)起到意想不到的效果。

7. 演繹思維

演繹思維相對(duì)于前面的幾種思維方式可能不是那么好理解。

演繹思維的方向是由一般到個(gè)別，大家要記住這一點(diǎn)，后面我們還會(huì)提到。也就是說(shuō)，演繹的前提是一般性的抽象知識(shí)，而結(jié)論是個(gè)別性的具體知識(shí)。演繹的主要形式是由大前提、小前提、結(jié)論三部分組成的三段論。

以物理學(xué)上一個(gè)常識(shí)為例。

大前提：金屬能導(dǎo)電。

小前提：銀鐵是金屬。

結(jié)論：銀能導(dǎo)電。

從這個(gè)例子中可以看出，大前提是已知的一般原理（金屬能導(dǎo)電），小前提是研究的特殊場(chǎng)合（鐵是金屬），結(jié)論是將特殊場(chǎng)合歸到一般原理之下得出的新知識(shí)（銀能導(dǎo)電）。

8. 歸納思維

歸納思維的方向與演繹正好相反，歸納的過(guò)程是從個(gè)別到一般。

還是以金屬能導(dǎo)電為例。

前提：金能導(dǎo)電，銀能導(dǎo)電，銅能導(dǎo)電，鋁能導(dǎo)電。

結(jié)論：金屬能導(dǎo)電。

數(shù)據(jù)分析的過(guò)程，往往是先接觸到個(gè)別事物，而后進(jìn)行歸納總結(jié)，推及一般，再進(jìn)行演繹推理，從一般推及個(gè)別，如此循環(huán)往復(fù)，不斷積累經(jīng)驗(yàn)。

總結(jié)

本文總結(jié)了數(shù)據(jù)分析的 8 種思維，分別是對(duì)比、細(xì)分、溯源、相關(guān)、假設(shè)、逆向、演繹、歸納。作為一名數(shù)據(jù)分析師，如果在工作中能充分運(yùn)用好這些思維，是對(duì)個(gè)人能力極大地提升，就能夠在工作中創(chuàng)造更多的個(gè)人價(jià)值。

以上就是關(guān)于經(jīng)典數(shù)據(jù)分析方法相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢(xún)，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。