Ⅰ 數據分析的案例
沃爾瑪經典營銷案例:啤酒與尿布
「啤酒與尿布」的故事產生於20世紀90年代的美國沃爾瑪超市中,沃爾瑪的超市管理人員分析銷售數據時發現了一個令人難於理解的現象:在某些特定的情況下,「啤酒」與「尿布」兩件看上去毫無關系的商品會經常出現在同一個購物籃中,這種獨特的銷售現象引起了管理人員的注意,經過後續調查發現,這種現象出現在年輕的父親身上。
在美國有嬰兒的家庭中,一般是母親在家中照看嬰兒,年輕的父親前去超市購買尿布。父親在購買尿布的同時,往往會順便為自己購買啤酒,這樣就會出現啤酒與尿布這兩件看上去不相乾的商品經常會出現在同一個購物籃的現象。如果這個年輕的父親在賣場只能買到兩件商品之一,則他很有可能會放棄購物而到另一家商店, 直到可以一次同時買到啤酒與尿布為止。沃爾瑪發現了這一獨特的現象,開始在賣場嘗試將啤酒與尿布擺放在相同的區域,讓年輕的父親可以同時找到這兩件商品,並很快地完成購物;而沃爾瑪超市也可以讓這些客戶一次購買兩件商品、而不是一件,從而獲得了很好的商品銷售收入,這就是「啤酒與尿布」 故事的由來。
當然「啤酒與尿布」的故事必須具有技術方面的支持。1993年美國學者Agrawal提出通過分析購物籃中的商品集合,從而找出商品之間關聯關系的關聯演算法,並根據商品之間的關系,找出客戶的購買行為。艾格拉沃從數學及計算機演算法角度提 出了商品關聯關系的計算方法——Aprior演算法。沃爾瑪從上個世紀 90 年代嘗試將 Aprior 算 法引入到 POS機數據分析中,並獲得了成功,於是產生了「啤酒與尿布」的故事。
Suncorp-Metway使用數據分析實現智慧營銷
Suncorp-Metway是澳大利亞一家提供普通保險、銀行業、壽險和理財服務的多元化金融服務集團, 旗下擁有5個業務部門,管理著14類商品,由公司及共享服務部門提供支持,其在澳大利亞和紐西蘭的運營業務與900多萬名客戶有合作關系。
該公司過去十年間的合並與收購,使客戶群增長了200%,這極大增加了客戶群數據管理的復雜性,如果解決不好,必將對公司利潤產生負面影響.為此,IBM公司為其提供了一套解決方案,組件包括:IBM Cognos 8 BI、IBMInitiate Master Data Service諛IBM Unica。
採用該方案後,Suncorp-Metway公司至少在以下三項業務方面取得顯著成效:
1、顯著增加了市場份額,但沒有增加營銷開支;
2、每年大約能夠節省1000萬美元的集成與相關成本;
3、避免向同一戶家庭重復郵寄相同信函並且消除冗餘系統,從而同時降低直接郵寄與運營成本。
由此可見,Suncorp-Metway公司通過該方案將此前多個孤立來源的數據集成起來,實現智慧營銷,對控製成本,增加利潤起到非常積極的作用。
數據分析幫助辛辛那提動物園提高客戶滿意度
辛辛那提動植物園成立於1873年,是世界上著名的動植物園之一,以其物種保護和保存以及高成活率繁殖飼養計劃享有極高聲譽。它佔地面積71英畝,園內有500種動物和3000多種植物,是國內遊客人數最多的動植物園之一,曾榮獲Zagat十佳動物園,並被《父母》(Parent)雜志評為最受兒童喜歡的動物園,每年接待遊客130多萬人。
辛辛那提動植物園是一個非營利性組織,是俄亥州同時也是美國國內享受公共補貼最低的動植物園,除去政府補貼,2600萬美元年度預算中,自籌資金部分達到三分之二以上。為此,需要不斷地尋求增加收入。而要做到這一點,最好辦法是為工作人員和遊客提供更好的服務,提高游覽率。從而實現動植物園與客戶和納稅人的雙贏。
藉助於該方案強大的收集和處理能力、互聯能力、分析能力以及隨之帶來的洞察力,在部署後,企業實現了以下各方面的受益:
·幫助動植物園了解每個客戶瀏覽、使用和消費模式,根據時間和地理分布情況採取相應的措施改善遊客體驗,同時實現營業收入最大化。
·根據消費和游覽行為對動植物園遊客進行細分,針對每一類細分遊客開展營銷和促銷活動,顯著提高忠誠度和客戶保有量。.
·識別消費支出低的遊客,針對他們發送具有戰略性的直寄廣告,同時通過具有創意性的營銷和激勵計劃獎勵忠誠客戶。
· 360度全方位了解客戶行為,優化營銷決策,實施解決方案後頭一年節省40,000多美元營銷成本,同時強化了可測量的結果。
·採用地理分析顯示大量未實現預期結果的促銷和折扣計劃,重新部署資源支持產出率更高的業務活動,動植物園每年節省100,000多美元。
·通過強化營銷提高整體游覽率,2011年至少新增50,000人次「游覽」。
·提供洞察結果強化運營管理。例如,即將關門前冰激淋銷售出現高潮,動植物園決定延長冰激淋攤位營業時間,直到關門為止。這一措施夏季每天可增加2,000美元收入。
·與上年相比,餐飲銷售增加30.7%,零售銷售增加5.9%。
·動植物園高層管理團隊可以制定更好的決策,不需要 IT 介入或提供支持。
·將分析引入會議室,利用直觀工具幫助業務人員掌握數據。
Ⅱ 數據分析到底是怎麼個分析法能不能有個具體的例子說說
大數據分析與數據分析這幾年一直都是個高頻詞,很多人都開始紛紛轉行到這個領域,也有不少人開始躍躍欲試,想找准時機進到大數據或數據分析領域。如今大數據分析和數據分析火爆,要說時機,可謂處處都是時機,關鍵要明了的一點是,大數據分析和數據分析兩者的根本區別在哪裡,只有真正了解了,才會知曉更加適合自己的領域是大數據分析師還是數據分析師。畢竟職場如戰場,時間就是生活,不容兒戲,更不容怠慢。
常見的數據分析方法有哪些?
1.趨勢分析
當有大量數據時,我們希望更快,更方便地從數據中查找數據信息,這時我們需要使用圖形功能。所謂的圖形功能就是用EXCEl或其他繪圖工具來繪制圖形。
趨勢分析通常用於長期跟蹤核心指標,例如點擊率,GMV和活躍用戶數。通常,只製作一個簡單的數據趨勢圖,但並不是分析數據趨勢圖。它必須像上面一樣。數據具有那些趨勢變化,無論是周期性的,是否存在拐點以及分析背後的原因,還是內部的或外部的。趨勢分析的最佳輸出是比率,有環比,同比和固定基數比。例如,2017年4月的GDP比3月增加了多少,這是環比關系,該環比關系反映了近期趨勢的變化,但具有季節性影響。為了消除季節性因素的影響,引入了同比數據,例如:2017年4月的GDP與2016年4月相比增長了多少,這是同比數據。更好地理解固定基準比率,即固定某個基準點,例如,以2017年1月的數據為基準點,固定基準比率是2017年5月數據與該數據2017年1月之間的比較。
2.對比分析
水平對比度:水平對比度是與自己進行比較。最常見的數據指標是需要與目標值進行比較,以了解我們是否已完成目標;與上個月相比,要了解我們環比的增長情況。
縱向對比:簡單來說,就是與其他對比。我們必須與競爭對手進行比較以了解我們在市場上的份額和地位。
許多人可能會說比較分析聽起來很簡單。讓我舉一個例子。有一個電子商務公司的登錄頁面。昨天的PV是5000。您如何看待此類數據?您不會有任何感覺。如果此簽到頁面的平均PV為10,000,則意味著昨天有一個主要問題。如果簽到頁面的平均PV為2000,則昨天有一個跳躍。數據只能通過比較才有意義。
3.象限分析
根據不同的數據,每個比較對象分為4個象限。如果將IQ和EQ劃分,則可以將其劃分為兩個維度和四個象限,每個人都有自己的象限。一般來說,智商保證一個人的下限,情商提高一個人的上限。
說一個象限分析方法的例子,在實際工作中使用過:通常,p2p產品的注冊用戶由第三方渠道主導。如果您可以根據流量來源的質量和數量劃分四個象限,然後選擇一個固定的時間點,比較每個渠道的流量成本效果,則該質量可以用作保留的總金額的維度為標准。對於高質量和高數量的通道,繼續增加引入高質量和低數量的通道,低質量和低數量的通過,低質量和高數量的嘗試策略和要求,例如象限分析可以讓我們比較和分析時間以獲得非常直觀和快速的結果。
4.交叉分析
比較分析包括水平和垂直比較。如果要同時比較水平和垂直方向,則可以使用交叉分析方法。交叉分析方法是從多個維度交叉顯示數據,並從多個角度執行組合分析。
分析應用程序數據時,通常分為iOS和Android。
交叉分析的主要功能是從多個維度細分數據並找到最相關的維度,以探究數據更改的原因。
Ⅳ 數據分析與處理的案例
以自己加點文字敘述
Ⅳ 數據分析常用的4大分析方法
1. 描述型分析:發生了什麼?
這是最常見的分析方法。在業務中,這種方法向數據分析師提供了重要指標和業務的衡量方法。
例如,每月的營收和損失賬單。數據分析師可以通過這些賬單,獲取大量的客戶數據。了解客戶的地理信息,就是“描述型分析”方法之一。利用可視化工具,能夠有效的增強描述型分析所提供的信息。
2. 診斷型分析:為什麼會發生?
描述性數據分析的下一步就是診斷型數據分析。通過評估描述型數據,診斷分析工具能夠讓數據分析師深入地分析數據,鑽取到數據的核心。
良好設計的BI dashboard能夠整合:按照時間序列進行數據讀入、特徵過濾和鑽取數據等功能,以便更好的分析數據。
3. 預測型分析:可能發生什麼?
預測型分析主要用於進行預測。事件未來發生的可能性、預測一個可量化的值,或者是預估事情發生的時間點,這些都可以通過預測模型來完成。
預測模型通常會使用各種可變數據來實現預測。數據成員的多樣化與預測結果密切相關。在充滿不確定性的環境下,預測能夠幫助做出更好的決定。預測模型也是很多領域正在使用的重要方法。
4. 指令型分析:需要做什麼?
數據價值和復雜度分析的下一步就是指令型分析。指令模型基於對“發生了什麼”、“為什麼會發生”和“可能發生什麼”的分析,來幫助用戶決定應該採取什麼措施。通常情況下,指令型分析不是單獨使用的方法,而是前面的所有方法都完成之後,最後需要完成的分析方法。
關於數據分析常用的4大分析方法的內容,青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣,希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容,可以點擊本站的其他文章進行學習。
Ⅵ 值得膜拜的三個數據分析案例
值得膜拜的三個數據分析案例
今天給大家分享三個數據分析的經典案例,主要是學習其中的思路,當故事看吧,不要拘泥於文中故事的真實性。每個故事我簡單的做一個點評吧
1、數據分析大神 高手在民間
這天,新上任的邢縣長到小吃攤吃早餐,剛找個板凳坐下,就聽炸油條的胡老頭一邊忙活一邊嘮叨:「大家吃好喝好哦,城管要來攆攤兒了,起碼三天你們撈不著吃咱炸的油條了!」
邢縣長心裡一驚:省衛生廳領導最近要來視察,昨天下午縣里才決定明後兩天開展突擊整治,這老頭兒怎麼今天一早就知道了?
哪料這件事還沒弄明白,另一件事兒讓縣長腦袋裡的問號更大了。一天,他照例到胡老頭這兒吃油條。沒想到,老頭居然又在發布消息:「上面馬上要來青天大老爺了!誰有什麼冤假,就去縣府賓館等著吧!」
邢縣長又是吃驚,又是惱怒。省高院的工作組星期三要來清查積案,這個消息昨天晚上才在常委會上傳達,這老兒咋這么快就知道了呢?讓他更吃驚的是,這老傢伙不但對大領導們的行程了如指掌,就連派出所要突擊檢查娛樂場所這樣的絕密行動,他都知道得清清楚楚。
一個大字不識的老頭兒,居然能知道這么多政府內部消息,毫無疑問,定是某些政府工作人員保密意識太差,嘴巴不緊。於是,他立即召開會議,把那些局長、主任狠批了一通。與會領導個個低著頭、不敢出聲。
還是公安局長膽大,忍不住問道:「邢縣長,這胡老頭兒的事是您親眼所見,還是道聽途說來的?」
邢縣長聲色俱厲地一拍桌子:「都是我親耳聽到的!我問你,你們城關派出所今天晚上是不是要清查娛樂城?」
公安局長一臉尷尬,楞在那裡。邢縣長氣惱地當即下令:「你親自去查查這老頭兒到底什麼背景,明天向我匯報!」公安局長趕緊換上便裝,立馬跑到胡老頭那兒進行暗訪。沒想到,老傢伙正在向大夥兒發布新聞:「城關鎮的鎮長最近要倒霉了。大夥等著瞧,事兒不會小的……」
公安局長一聽,很是詫異。於是,他運了口氣,腆著笑臉,裝傻賣呆似的問道:「你咋知道的?難道你兒子是紀委書記?」
胡老頭呵呵一笑:「我咋知道的?那孫子以前吃我的油條,都是讓司機開專車來買,這兩天一反常態,竟然自己步行來吃,還老是一臉愁容。那年他爹死,都沒見他那麼難受過。能讓那孫子比死了爹還難受的事,除了丟官兒,還能是啥?」
局長聽了,暗自吃驚,這老頭兒還真有兩下子。於是他不動聲色繼續問道:「那昨天派出所清查娛樂城,你是咋知道的?」
胡老頭又是一笑:「你沒見那幾家娛樂城一大早就掛出了停業修繕的牌子?人家有眼線,消息比咱靈通!」
「那衛生廳領導來視察,你是咋知道的?」
胡老頭兒說:「除了上面來人檢查,你啥時見灑水車出來過?」。
最後,局長問了個他最想不通的問題:「上次省高院的工作組來指導工作,你咋那麼快就得到消息了呢?」
胡老頭撇了撇嘴說:「那就更簡單了。俺鄰居家有個案子,法院拖了八年不辦。那天,辦案的法官突然主動來訪,滿臉笑容問長問短,還再三保證案子馬上解決。這不明擺著上面來了人,怕他們上訪嘛!」
局長佩服得五體投地,連忙一路小跑趕回去,把情況向邢縣長匯報。縣長聽了,大動肝火,馬上再次召開會議,做了四個小時的訓話:「同志們,一個炸油條的都能從一些簡單現象中,看出我們的工作動向,這說明了什麼?說明我們存在太多的形式主義。這種惡習不改,怎麼能提升政府形象?從今天開始,哪個部門再因為這種原因泄密,讓那老頭『未卜先知』,我可就不客氣!」
次日一早,邢縣長又來到胡老頭兒這兒吃油條,想驗證一下開會的效果。沒想到胡老頭居然又在發布最新消息:「今天,上面要來大領導了,來的還不止一個!」
邢縣長這一驚,真是非同小可。下午,市長要陪同省領導來檢查工作,自己昨晚才接到通知,這老頭咋又提前知道了?
邢縣長強壓怒火,問胡老頭:「你說要來大領導,到底有多大呢?」
胡老頭兒頭也不抬地回答:「反正比縣長還大!」
邢縣長又問:「你說要來的不止一個,能說個准數嗎,到底來幾個?」
胡老頭兒仰起頭想了想,確定地回答:「四個!」
邢縣長目瞪口呆,上級領導還真是要來四個!他心裡怦怦直跳,又問:「胡……胡師傅,這些事兒你是怎麼知道的?而且知道的這么准確。」
胡老頭兒淡淡一笑:「這還不容易?我早上出攤兒,見縣府賓館的保安都戴上了白手套,一個個如臨大敵,肯定是上面來人了。再看看停車場,書記、縣長的車都停在了角落裡,肯定是來了比他們大的官兒。再仔細看看,書記、縣長停的車位是5號、6號,說明上面來了四個領導。你信不信?當官兒的和咱老百姓不一樣,上廁所都要講究個級別、排個先後順序呢!」
邢縣長聽罷,張著塞滿油條的大嘴,一動不動,好像僵化了似的…
(本故事來自於網路)
啟示:
與其說高手來自於民間,還不如說生活是我們數據分析的基本素材,善於觀察、善於整理關聯信息才是我們做數據分析人員應該掌握的基本技能。可是啊,很多人忽略了我們身邊的生活常識,不去思考,人雲亦雲,就像網上的這個全國離婚率排行榜數據,很多人首先不是思考數據的准確性,而是感嘆世風日下。
想想吧,在你的生活圈子中,每3對夫妻就有1對離婚的嗎?如果答案為「是」,我只能說,貴圈真亂!哈哈哈
2、林彪的數據挖掘本領
1948年遼沈戰役開始之後,在東北野戰軍前線指揮所裡面,每天深夜都要進行例常的「每日軍情匯報」:由值班參謀讀出下屬各個縱隊、師、團用電台報告的當日戰況和繳獲情況。
那幾乎是重復著千篇一律的枯燥無味的數據:每支部隊殲敵多少、俘虜多少;繳獲的火炮、車輛多少、槍支、物資多少….
司令員林彪的要求很細,俘虜要分清軍官和士兵,繳獲的槍支,要統計出機槍、長槍、短槍;擊毀和繳獲尚能使用的汽車,也要分出大小和類別。
經過一天緊張的戰斗指揮工作,人們都非常疲勞。整個作戰室裡面估計只有定下這個規矩的司令員林彪本人、還有那個讀電報的倒霉參謀在用心留意。
1948年10月14日,東北野戰軍以迅雷不及掩耳之勢,僅用了30小時就攻克了對手原以為可以長期堅守的錦州並全殲了守敵十餘萬之後,不顧疲勞,揮師北上與從沈陽出援的敵精銳廖耀湘基團二十餘萬在遼西相遇,一時間形成了混戰。戰局瞬息萬變,誰勝誰負實難預料。
在大戰緊急中,林彪無論有多忙,仍然堅持每晚必作的「功課」。一天深夜,值班參謀正在讀著下面某師上報的其下屬部隊的戰報。說他們下面的部隊碰到了一個不大的遭遇戰,殲敵部分、其餘逃走。與其它之前所讀的戰報看上去並無明顯異樣,值班參謀就這樣讀著讀著,林彪突然叫了一聲「停!」他的眼裡閃出了光芒,問:「剛才念的在胡家窩棚那個戰斗的繳獲,你們聽到了嗎?」
大家帶著睡意的臉上出現了茫然,因為如此戰斗每天都有幾十起,不都是差不多一模一樣的枯燥數字嗎?林彪掃視一周,見無人回答,便接連問了三句:
「為什麼那裡繳獲的短槍與長槍的比例比其它戰斗略高」?
「為什麼那裡繳獲和擊毀的小車與大車的比例比其它戰斗略高」?
「為什麼在那裡俘虜和擊斃的軍官與士兵的比例比其它戰斗略高」?
人們還沒有來得及思索,等不及的林彪司令員大步走向掛滿軍用地圖的牆壁,指著地圖上的那個點說:「我猜想,不,我斷定!敵人的指揮所就在這里!」
隨後林彪口授命令,追擊從胡家窩棚逃走的那部分敵人,並堅決把他們打掉。各部隊要採取分割包圍的辦法,把失去指揮中樞後會變得混亂的幾十萬敵軍切成小塊,逐一殲滅。司令員的命令隨著無線電波發向了參戰的各部隊….
而此時的廖耀湘,正慶幸自己剛剛從偶然的一場遭遇戰中安全脫身並與自己的另外一支部隊匯合。他來不及休息就急於指令各部隊盡快調整部署,為下一階段作準備。可是好景不長,緊追而來的解放軍迅速把他的新指揮部團團圍住,拚命攻擊,漫山遍野的解放軍戰士中,不斷有人喊著:「矮胖子,白凈臉;金絲眼鏡湖南腔,不要放走廖耀湘!」
把對方指揮官的細節特徵琢磨到如此細微,並變成如此威力巨大的順口溜,穿著滿身油漬伙夫服裝的廖耀湘只好從俘虜群中站出來,無奈的說「我是廖耀湘」,沮喪的舉手投降。
廖耀湘對自己靜心隱蔽的精悍野戰司令部那麼快就被發現、打掉,覺得實在不可思議,認為那是一個偶然事件,輸得不甘心。當他得知林彪是如何得出判斷之後,這位出身黃埔軍校並留學法國著名的聖西爾軍校,參加過滇緬戰役,在那裡把日本鬼子揍得滿地亂爬的新六軍軍長說,「我服了,敗在他手下,不丟人。」
取得這場重要戰役勝利的其中一個關鍵因素,居然出於獲勝方的統帥夜半時分,對一份普通遭遇戰之後的戰報的數據分析,來源於他「從紅軍帶兵時起,身上有個小本子,上面記載著每次戰斗的繳獲、殲敵數量」的優良軍事素養。
(本故事來源於黃勇-豐沃華的博客)
啟示:
林彪問的三個問題其實就是根據自己的資料庫做的對比、細分、溯源。我們很多人把數據分析完全交給機器了,忘了我們自己的大腦也是一台緊密的數據分析機器。
數據的積累、數據的挖掘,分析、歸納、整理,是數據分析師所必須俱備的基本素養,沒有它,你永遠是匹夫之勇。
3、蛋撻與曼城隊
2011年夏天,曼城隊助理教練大衛·普拉特決定利用數據分析來解決球隊在表現方面遇到的一個棘手難題。普拉特發現,盡管球隊陣容中擁有多名高大強壯的球員,但他們的角球得分情況卻不盡如人意。
在徵求了俱樂部內部數據分析師的意見後,該隊增加了對內旋角球(球轉向守門員方向)的使用。戰術轉變產生了驚人的效果。在整個賽季中,曼城隊依靠角球打入15個進球,成為英超角球得分效率最高的球隊,其中2/3的進球採用的是內旋角球。
這一實踐為數據驅動型決策提供了強有力的支撐。但是,還有一個附加因素需要考慮:主教練曼奇尼最初對數據的實際價值持懷疑態度。事實上,早在兩年前,曼奇尼曾就球隊角球的使用情況咨詢過俱樂部的數據分析師。分析師回應,他依靠直覺偏愛採用的戰術——外旋角球(球飛向遠離守門員的方向)從數據統計上看並不理想。
曼奇尼選擇相信自己的直覺而非數據分析的導向性建議。因為直覺告訴他,球旋向遠離門將的方向減小了門將觸球的概率,同時增加了進攻隊員沖頂時爭到頭槌的概率。但當曼奇尼發現兩種變數存在某種聯系的時候,直覺卻模糊了他對兩者關聯程度的判斷能力。換句話說,外旋角球和進球數可能存在著某種關聯,但數據表明,內旋角球和進球數存在著更為直接的因果關系。
這一案例研究為我們改善商業決策帶來哪些啟示?一家美國零售商最近發現,兩種不同變數之間存在著某種有趣的聯系。當天氣變冷,肉桂葡式蛋撻的銷量上升500%——並非所有的葡式蛋撻,只是肉桂這一個品種。面對這種零星數據,零售商要做出抉擇。每當預測天氣即將轉冷時,應該儲備多少肉桂葡式蛋撻?還有一家零售商發現,羊奶乾酪打折似乎能促進紅酒的銷售。希望減小紅酒庫存的時候,是不是應考慮羊奶乾酪打折這種方法?
這兩個問題的答案取決於大數據分析的核心問題:弄清相關性與因果關系之間的區別。人類善於發現事物的相關性——這是進化的特徵——但是卻在發掘直接相關事物的關系時顯得有些笨拙。將相關性誤解為因果關系所做出的決策是危險的,可能會遭受慘敗,因為你所期待看到的影響可能並不會發生。
最近的一項研究顯示,某國的巧克力銷量與諾貝爾獎的人均比例之間呈現明顯的相關性。各國是不是都該鼓勵公民增加巧克力的消費來提高獲得諾貝爾獎的人數呢?
為有效利用大數據,相關性分析應僅作為一個出發點去考慮。如果兩個變數存在關聯,我們該如何應對?當然,政府在推行「巧克力替代教育」的政策之前,應當首先考慮一下其他因素。比方說,看看那些獲得諾貝爾獎人數較多的國家相對教育水平和研究預算,與巧克力消費相比,這兩個變數與獲諾獎的因果關系顯然更大。
同樣,那些葡式蛋撻和羊奶乾酪的零售商們在擁有十足把握以前,需要對他們的假設進行驗證。比如說,在確定因果關系存在以前,考察一些商店肉桂葡式蛋撻的「庫存積壓」情況;或者採取打折銷售羊奶乾酪的方式,看看紅酒銷量是否真的增加。
事物之間可能存在著一些簡單的因果關系,但公司需要清楚每種因果關系都可能產生意想不到的結果。肉桂葡式蛋撻銷量的增加是否意味著其他產品銷量的減少?紅酒銷量的增加是否也意味著啤酒銷量的減少或者牛排銷量的增加?影響現代供應鏈的因素很多,而且還在不斷增加:天氣、社交媒體、特價商品、食品安全新聞等,都會影響消費者的行為,以及零售商應該購置多大規模的存貨。這基本上就是一個混沌系統,完全准確地預測將來要發生的事情是不可能的。但模型越完善,預測就越准確,預測越准確,行動結果就越理想。
數據分析就像一幅印象派油畫。當你退後觀察,並把各個部分視作一個整體時,這幅畫的意境才開始浮現,近距離觀察是無法理解其中內涵的。這可以幫助我們解釋為什麼曼城隊的新角球戰術不太可能會長久取得良好的結果。實施從外旋角球到內旋角球的簡單戰術轉變:多開點內旋球,少開點外旋球,這一簡單的戰術轉變,亦會忽略了每場比賽中每次出現破門機會時的某些獨特變數。
(這部分來源:商業價值)
結尾:
很多人把數據分析看的很難,其實數據分析存在於我們生活工作的每個角落。給大家幾條建議:
1、多觀察、善積累、勤思考。
2、不懂業務就不要做數據分析。
3、分析工具不要貪多,精通1-2個工具就行了。
4、數據分析是良心工程(自己理解)
Ⅶ 數據分析方法
常見的分析方法有:分類分析,矩陣分析,漏斗分析,相關分析,邏輯樹分析,趨勢分析,行為軌跡分析,等等。 我用HR的工作來舉例,說明上面這些分析要怎麼做,才能得出洞見。
01) 分類分析
比如分成不同部門、不同崗位層級、不同年齡段,來分析人才流失率。比如發現某個部門流失率特別高,那麼就可以去分析。
02) 矩陣分析
比如公司有價值觀和能力的考核,那麼可以把考核結果做出矩陣圖,能力強價值匹配的員工、能力強價值不匹配的員工、能力弱價值匹配的員工、能力弱價值不匹配的員工各佔多少比例,從而發現公司的人才健康度。
03) 漏斗分析
比如記錄招聘數據,投遞簡歷、通過初篩、通過一面、通過二面、通過終面、接下Offer、成功入職、通過試用期,這就是一個完整的招聘漏斗,從數據中,可以看到哪個環節還可以優化。
04) 相關分析
比如公司各個分店的人才流失率差異較大,那麼可以把各個分店的員工流失率,跟分店的一些特性(地理位置、薪酬水平、福利水平、員工年齡、管理人員年齡等)要素進行相關性分析,找到最能夠挽留員工的關鍵因素。
05) 邏輯樹分析
比如近期發現員工的滿意度有所降低,那麼就進行拆解,滿意度跟薪酬、福利、職業發展、工作氛圍有關,然後薪酬分為基本薪資和獎金,這樣層層拆解,找出滿意度各個影響因素裡面的變化因素,從而得出洞見。
06) 趨勢分析
比如人才流失率過去12個月的變化趨勢。
07)行為軌跡分析
比如跟蹤一個銷售人員的行為軌跡,從入職、到開始產生業績、到業績快速增長、到疲憊期、到逐漸穩定。
Ⅷ 如何做數據分析
數據分析行業應用,一般數據來源:智能手機 感知裝置 物聯網 社群媒體等 雲計算存儲.cda官網有很多行業案例,比如
風能發電業務場景
風力發電機有一個葉片,時間長了就要換,否則不安全,過去這個葉片一般10年換一次,因為沒辦法知道具體產品的使用情況,只能根據以往葉片老化的情況來估算。但這家公司在葉片上裝了感測器,就能檢測每個葉片的具體使用情況了,風大的地方,葉片老化快,可能8年就要換,風力均勻的地方,有些葉片可能用15年,這樣就能節省資本更新的成本了。
而且,過去這家公司只生產設備,這些設備被賣到國外,具體安裝到什麼地方,他是不知道的,有了感測器,公司就能知道這些發電機被安裝到哪裡,這些地方的風力是大是小,一年四季哪天有風哪天有雨,這些數據都可以獲取。根據這些數據,就能知道哪些地區風力資源豐富,有重點地規劃未來市場。傳統的行業利用大數據,就能更好地實現市場預判和銷售提升,分分鍾實現逆襲。