張松聊數據分析_數據科學家常用的分析模型

2020-12-16 騰訊網

數據分析沒頭緒？推薦5個萬能分析模型

數據不吹牛 今天

提到數據分析，肯定要提到數據分析模型，在進行數據分析之前，先搭建數據分析模型，根據模型中的內容，具體細分到不同的數據指標進行細化分析，最終得到想要的分析結果或結論。

01

數據分析模型

要進行一次完整的數據分析，首先要明確數據分析思路，如從那幾個方面開展數據分析，各方面都包含什麼內容或指標。是分析框架，給出分析工作的宏觀框架，根據框架中包含的內容，再運用具體的分析方法進行分析。數據分析方法論的作用：

理順分析思路，確保數據分析結構體系化

把問題分解成相關聯的部分，並顯示他們的關係

為後續數據分析的開展指引方向

確保分析結果的有效性和正確性

02

五大數據分析模型

1.PEST 分析模型 政治環境 包括一個國家的社會制度，執政黨性質，政府的方針、政策、法令等。不同的政治環境對行業發展有不同的影響。 關鍵指標 政治體制，經濟體制，財政政策，稅收政策，產業政策，投資政策，專利數量，國防開支水平，政府補貼水平，民眾對政治的參與度。 經濟環境 宏觀和微觀兩個方面。宏觀：一個國家國民收入，國民生產總值以及變化情況，以通過這些指標反應國民經濟發展水平和發展速度。微觀：企業所在地區的消費者收入水平、消費偏好、儲蓄情況、就業程度等因素，這些因素決定著企業目前以及未來的市場大小。GDP 及增長率、進出口總額及增長率、利率、匯率、通貨膨脹率、消費價格指數、居民可支配收入、失業率、勞動生產率等。 社會環境 包括一個國家或地區的居民受教育程度和文化水平、宗教信仰、風俗習慣、審美觀點、價值觀等。文化水平營銷居民的需求層次，宗教信仰和風俗習慣會禁止或抵制某些活動的進行，價值觀會影響居民對組織目標和組織活動存在本身的認可，審美觀點則會影響人們對組織活動內容、活動方式以及活動成果的態度。人口規模、性別比例、年齡結構、出生率、死亡率、種族結構、婦女生育率、生活方式、購買習慣、教育狀況、城市特點、宗教信仰狀況等因素。 技術環境 企業所處領域直接相關的技術手段發展變化，國家對科技開發的投資和支持重點，該領域技術發展動態和研究開發費用總額，技術轉移和技術商品化速度，專利及其保護情況。新技術的發明和進展、折舊和報廢速度、技術更新速度、技術傳播速度、技術商品化速度、國家重點支持項目、國家投入的研發費用、專利個數、專利保護情況。2.5W2H分析模型

5W2H 分析法主要針對5個W以及2個H提出的 7 個關鍵詞進行數據指標的選取，根據選取的數據進行分析。3.邏輯樹分析模型將問題的所有子問題分層羅列，從最高層開始，並逐步向下擴展。把一個已知問題當作樹幹，考慮這個問題和哪些問題有關，將相關的問題作為樹枝加入到樹幹，一次類推，就會將問題擴展成一個問題樹。邏輯樹能保證解決問題的過程完整性，將工作細化成便於操作的具體任務，確定各部分優先順序，明確責任到個人。邏輯樹分析法三原則：

要素化：把相同問題總結歸納成要素

框架化：將各個要素組成框架，遵守不重不漏原則

關聯化：框架內的各要素保持必要的相互關係，簡單而不孤立

4.4P 營銷理論模型

產品 能提供給市場，被人們使用和消費並滿足人們某種需求的任何東西，包括有形產品、服務、人員、組織、觀念和它們的組合。 價格 購買產品時的價格，包括基本價格、折扣價格、支付期限等。影響價格的主要因素有需求、成本和競爭。 渠道 產品從生產企業流轉到用戶手上全過程所經歷的各個環節。 促銷 企業通過銷售行為的改變來激勵用戶消費，以短期的行為促進消費的增長，吸引其他品牌用戶或導致提錢消費來促進銷售增長。5.用戶行為模型用戶行為指用戶為獲取、使用產品或服務才去的各種行動，首先要認知熟悉，然後試用，再決定是否繼續消費使用，最後成為產品或服務的忠實用戶。行為軌跡：認知 ->熟悉 ->試用 ->使用 ->忠誠

03

寫在最後

五大數據分析模型的應用場景根據數據分析所選取的指標不同也有所區別：

PEST 分析模型：主要針對宏觀市場環境進行分析，從政治、經濟、社會以及技術四個維度對產品或服務是否適合進入市場進行數據化的分析，最終得到結論，輔助判斷產品或服務是否滿足大環境

5W2H 分析模型：應用場景較廣，可用於對用戶行為進行分析以及產品業務分析

邏輯樹分析模型主要針對已知問題進行分析，通過對已知問題的細化分析，通過分析結論找到問題的最優解決方案

4P營銷理論模型：主要用於公司或其中某一個產品線的整體運營情況分析，通過分析結論，輔助決策近期運營計劃與方案

用戶行為分析模型：應用場景比較單一，完全針對用戶的行為進行研究分析

當然，最後還是要說，模型只是前人總結出的方式方法，對於我們實際工作中解決問題有引導作用，但是不可否認，具體問題還要具體分析，針對不同的情況需要進行不同的改進，希望成為一個數據專家，最重要的一點還是多實踐！實踐才是真理！

相關焦點

  • 常用的數據分析工具
    科學技術的發展帶動信息的不斷傳播，信息傳播過程中產生了大量的數據，這些數據對我們的生活產生了很大的影響，比如在某寶上購買產品，會比較店鋪的銷售量、好評等數據。除了這些直觀的數據之外，數據背後隱藏的秘密就需要分析所得。今天從定義、功能、應用領域介紹幾款常用的數據分析工具。
  • 神策數據第九大數據分析模型——間隔分析上線
    在用戶行為分析領域，數據分析方法的科學應用結合理論推導，能夠相對完整地揭示用戶行為的內在規律。圍繞數據分析探索、應用場景拓展，神策數據始終走在領域前沿。近日，神策數據新上線的神策分析1.11版本再添行業力作——間隔分析。
  • 常用的四種大數據分析方法
    本文主要講述數據挖掘分析領域中，最常用的四種數據分析方法：描述型分析、診斷型分析、預測型分析和指令型分析。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。
  • 論文常用數據分析方法分類總結-4
    論文常用數據分析方法分類總結-2論文常用數據分析方法分類總結-316. 模型研究方法模型研究方法-SPSSAU模型研究：當需要研究多個變量之間的關係情況時，通常可構建統計模型用於分析及預測。如果研究一個X或多個X對Y的影響關係，其中Y為定量數據，可使用線性回歸分析，構建回歸模型。如果研究一個X或多個X對Y的影響關係，其中Y為定類數據，可使用Logistic分析，構建Logistic回歸模型。
  • 數據科學家是如何不用ETL工具進行分析數據的?
    圖源：unsplash數據科學家和數據分析師經常需要回答業務問題，常常需要臨時進行分析或創建模型，以應用到公司的工作流程中。對於數據科學家來說，這十分耗時。此外，也不是所有的數據科學家都十分熟悉ETL。在很多情況下，數據工程團隊承擔了這項工作，沒日沒夜把大項目引入基礎數據層。這往往不能契合數據科學家的需求，因為數據科學家的僱主們需要快速得到信息和分析。因此，等數據工程團隊提取新的數據源可不是一個好選擇。
  • 手遊產品最常用的5種玩家行為數據分析模型全解析
    幾百個數據採集點、數百億級數據量，手遊產品的數據分析是怎麼做的?數據分析的基礎模型涵蓋方差分析、因子分析、回歸分析、主成分分析、聚類分析、邏輯回歸、用戶細分等等，遊戲運營的數據分析通常依據AARRR海盜法則相對精簡，業內專注對留存、付費及活躍的幾個常用數據的分析。 這裡我們將介紹在遊戲數據分析領域常用的5種數據分析模型。
  • 9種常用數據分析方法
    數據分析是從數據中提取有價值信息的過程，過程中需要對數據進行各種處理和歸類，只有掌握了正確的數據分類方法和數據處理模式，才能起到事半功倍的效果，以下是數據分析員必備的9種數據分析思維模式：分類分類是一種基本的數據分析方式，數據根據其特點，可將數據對象劃分為不同的部分和類型，再進一步分析，能夠進一步挖掘事物的本質。2.
  • 數據分析師最常用的三大數據分析法,助你搭建數據分析體系
    作為一個數據分析師，最重要的就是先建立起自己的數據分析體系，這個體系可以由很多的數據方法搭建而成，今天我們就來了解一下簡單實用的三大數據分析方法，分別是：對比分析細分分析轉化分析細分分析細分分當中的第一點是分類分析，本質上還是化整為零，通過拆解不同的模塊進行單獨的分析，比如說我們可以劃分產品的類目、價格帶、折扣帶、年份等等，經過這樣劃分之後，什麼時候需要主打什麼樣的產品，就會又一個清晰的概念。
  • 手把手教你Excel構建數據分析預測模型!
    下面是一個教程，介紹如何在Excel中構建線性回歸模型以及如何解釋結果這通常是我提起這個話題時的第一反應。當我演示如何利用Excel的靈活性為我們的數據科學和分析項目構建預測模型時，接下來是一個令人懷疑的眼神。
  • 數據科學家常用的10項統計技術
    數據科學家是一個比任何程式設計師都要好的統計學家，而且比任何統計學家都更擅長編程。」，，數據科學家正是站在編程，統計學和批判性思維的交叉點上。但本人也觀察到一些從軟體工程師轉行做數據科學家的朋友，他們雖是編程高手，但也由於不熟悉統計理論而存在盲目使用機器學習框架的情況。
  • 五種常用大數據分析方法
    這些關係可能會導致對數據所代表的總體得出某些推論或結論。結論可能會導致數學模型預測當前不在數據集中的數據結果。但是，在導致決策或行動步驟之前，數據分析無效。這些關係可能會導致對數據所代表的總體得出某些推論或結論。結論可能會導致數學模型預測當前不在數據集中的數據結果。但是，在導致決策或行動步驟之前，數據分析無效。　　在一番掙扎之後，中琛魔方給大家總結了網際網路運營的五大數據分析方法，希望幫助大家在數據分析中越來越遊刃有餘～加油！
  • 分析1400家公司後發現:數據工程師比數據科學家更受歡迎
    以下是本文著重研究的四個典型的職位，我們將簡要的介紹他們的職責：數據科學家，數據科學家通常需要使用統計學和機器學習中的各種技術來處理和分析數據。他們通常負責構建模型，從而研究從某些數據集中能夠學到什麼。科學家嘛，通常做的都是比較前沿和原型的。因此這些工作通常都不是直接落地並應用到實際產品的。也就是說不是生產級別，面向用戶使用的。
  • 大數據分析模型有哪幾種類型
    今天中琛魔方主要為大家講解在做大數據可視化時，有哪些常見得到數據分析模型。 　　數據模型可以從兩個角度來區分：數據和業務。 　　一、數據模型 　　統計數據視角的實體模型通常指的是統計分析或大數據挖掘、深度學習、人工智慧技術等種類的實體模型，這些模型是從科學研究視角去往界定的。
  • 數據分析方法:OSM模型
    編輯導語：OSM模型，就是把宏大的目標拆解，對應到部門內各個小組具體的、可落地、可度量的行為上，從保證執行計劃沒有偏離大方向；本文作者分享了一個簡單的方法論：OSM模型，我們一起來看一下。「你做數據分析的方法論是什麼？」
  • 大數據分析的金字塔模型
    數據分析四個關鍵環節數據分析分為四個環節，數據採集、數據建模、數據分析、指標。他提出了一個觀點，要想做好數據分析，一定要有自底向上的理念。很多公司的數據分析自頂向下推動，用業務分析指標來決定收集什麼數據，這是需求驅動工程師的模式，不利於公司長久的數據採集。而一個健康的自底向上模式，可以幫助公司真正建立符合自己業務的數據流和數據分析體系。
  • 常用數據分析方法:方差分析及實現!
    方差分析是一種常用的數據分析方法，其目的是通過數據分析找出對該事物有顯著影響的因素、各因素之間的交互作用及顯著影響因素的最佳水平等。本文介紹了方差分析的基礎概念，詳細講解了單因素方差分析、雙因素方差分析的原理，並且給出了它們的python實踐代碼。
  • RFM模型數據分析
    在分析人群的時候，我們可以分析到我們店鋪的買家對我們店鋪的忠誠度，對於忠誠度比較高的客戶，我們是一定要想辦法留住他們的，而根據不同的等級給與不同的優惠和營銷活動對於留住老顧客的幫助也是很大的。 在客戶關係管理(CRM)的分析模式中，有一個模式是很經典的，那就是RFM模型，RFM模型的具體內容大家可以百度百科一下，那樣會有詳細的講解，簡單的來說，RFM模型是會員管理中對會員消費行為分析和總結的一種模型，每一個字母代表一種會員的行為要素：R：最近一次消費(Recency)。F：消費頻率(Frequency) 。
  • 數據分析模型:歸因分析
    於是，「歸因分析」便最早應用在了廣告投放行業。（歸因分析能最先應用在廣告行業還有一個原因，就是廣告的目標是單一的。比如：無論多少個渠道商，最後推的都是同一款 App；但是若將在產品內部的運營位進行歸因，就需要考慮這個廣告位和商品是否有關係。）舉個例子：一款 App，投放了三個推廣渠道，最後 App 通過某個渠道商完成了下載。
  • Python數據分析、挖掘常用工具
    、挖掘場景中常用特性：列表（可以被修改），元組（不可以被修改）字典（<k,v>結構）集合（同數學概念上的集合）函數式編程（主要由lambda()、map()、reduce()、filter()構成）Python數據分析常用庫
  • 什麼是數據分析的漏鬥模型?
    本文主要談談漏鬥模型的本質、漏鬥模型案例分析以及如何繪製漏鬥模型。漏鬥模型關於漏鬥模型，我認為本質是分解和量化。為什麼這麼說，這裡以營銷漏鬥模型舉慄。它可以廣泛應用於流量監控、產品目標轉化等日常數據運營工作中，稱之為轉化漏鬥；也可以用於產品、服務銷售，稱之為銷售漏鬥。漏鬥模型案例1. 電商購物流程分析電商的轉化，我們要做的就是監控每個層級上的用戶轉化，尋找每個層級的可優化點。