前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【零一】#操作教程贴#从0开始,教你如何做数据分析#初阶#第四篇

【零一】#操作教程贴#从0开始,教你如何做数据分析#初阶#第四篇

作者头像
CDA数据分析师
发布2018-02-08 15:20:03
8190
发布2018-02-08 15:20:03
举报
文章被收录于专栏:CDA数据分析师CDA数据分析师

大家好,我是零一,今天继续我们的话题,从0开始,教你做数据分析。我的公众微信号是start_data,欢迎大家关注。

现在已经是第四篇了,不知道前三篇大家消化得怎么样。

其实大家不必太在意数据源,你有了数据源不会分析,是浪费资源,而数据源是迟早会有的。独立电商就不用说了,如果是平台,无论是哪个平台未来都会逐渐开放数据给卖家们,让卖家们自己分析数据做相应的营销推广决策。

从另一个角度讲,电商数据分析,是为了降低电商的成本,提高电商的营收能力。

所以今天,无论是产品经理还是店长,都越来越需要数据分析的能力,面对日益庞大的数据却不懂得利用,有如是在暴殄天物。而普通的数据分析师,却不懂业务,不懂平台,不懂买家,缺乏对市场的嗅觉。因此,应用在电商的数据分析既要懂得分析也要懂得业务,甚至还要懂得平台。

因此,有以下两种方案 一丶店长或经理进修学习,以获得数据分析的能力。 二丶店长或经理和数据分析师搭配,以弥补数据分析的能力,但要有点基本的数据功底,否则跟数据分析师交流起来会非常困难。

大家智者见智,仁者见仁。

下面,我们回到今天的主题,这篇开始,可能理论性的东西会逐渐增多。

上一篇给大家介绍了波动系数,公式是==STDEV.S()/AVEDEV(),我们可以把波动系数做成一个条形图,这样方便我们观察。(大家可以想一下,为什么我要选择条形图,而不选择柱形图或者折线图)

可以看出,这一组数据不存在大的差异,那么就是说,大家的波动性都是差不多的。

跟波动系数密切相关的指标,是增幅,也就是增长速度。增幅有分两种,一种是环比增幅,一种是同比增幅。下面了解一下这两个指标的公式

环比增幅=(本期数上期数)上期数100% 同比增幅=(本期数同期数)同期数100%

后面的乘以100%是将这个值化成百分比的数字格式,在EXCEL中,我们不需要乘上这个指了,那么公式就简化为

环比增幅=(本期数上期数)上期数 同比增幅=(本期数同期数)同期数

注意:期的单位,是自己界定的。可以是世纪,可以是年,可以是月,可以是周,可以是天,也可以是小时丶分丶秒丶毫秒。

环比增幅和同比增幅这两者所反映的虽然都是变化速度,但由于采用基期的不同,其反映的内涵是完全不同的;一般来说,环比可以与环比相比较,而不能拿同比与环比相比较。

波动系数是反映波动的幅度,环比增幅和同比增幅反映的是波动的变化速度。其实有时用其中一个就好了,快速的方法是看波动系数,因为他就是一个系数,而环比增幅和同比增幅要稍微复杂一点,更加具体一点。

下面实践一下。

我还是拿上周拿过的T区护理来做示例。

先算环比增幅

大家思考一下,为什么2012年1月我没有算环比增幅,还有,环比增幅会出现负数,是代表什么?

我们接着算同比增幅

为了方便作图,这里我要把数据整理一下

插入一个折线图看看

结果如上图所示,这里麻烦来了,环比因为数值太小,显示不出来。这个处理的思路和步骤上一篇已经给大家介绍过了。大家自行操作。

先把增幅转变成百分比格式

首先,我们要观察这些数字,他们的单位不同。增幅是百分比,而销量是以件为单位的,那么我观察到以大部分数据都是十万级别的,那么,我就可以把数据单位定制成100000,上限设置成百万(提示,主次坐标轴都要设置最大值才能跟我的图一样)

接着,我们把环比和同比的标签加上去,并调整一下。

最终,我们就可以在一张图表中看清楚这三个维度的数据

就今年的5-9月份来讲,是相对平稳的。

一个图,其实可以展示很多很多的信息,就看你有没有那个思路了。数字别说一般人看不懂,就是我们经常做数据分析的人,都很难用眼睛在一大堆数字里面发现信息。基本只看图。

接下来,要给大家介绍波士顿矩阵图。第一篇和第三篇没有好好看的朋友,可能会跟不上的。

先给出波士顿矩阵的定义(来自百度百科)

波士顿矩阵(BCG Matrix: Boston Consulting Group), 又称市场增长率-相对市场份额矩阵丶波士顿咨询集团法丶四象限分析法丶产品系列结构管理法等,是由美国着名的管理学家丶波士顿咨询公司创始人布鲁斯亨德森于1970年首创的一种用来分析和规划企业产品组合的方法。同时,如何将企业有限的资源有效地分配到合理的产品结构中去,以保证企业收益,是企业在激烈竞争中能否取胜的关键。

下面动手实践吧!

我先拿出需要的数据,今年8,9月的数据。

我要先算出两个数据,9月环比增幅和9月市场相对占比,环比增幅不用说了,9月市场相对占比就是各个子行业的销量占了整个大行业的百分之多少。

然后,拿出我们计算出来的两个数据,做散点图。注意下图,两列数据位置必须这么排放,占比作为X轴,增幅作为Y轴。

插入散点图后,看到下图。现在要设置下格式。

右击纵坐标轴就可以设置了

删掉网格线

填充图片,这个我提前PS做好的图片。

效果如下图

然后设置一下标题

最终效果如下

这个就是所谓的四象限法,是不是非常简单?通过这个图就能够直观的看出各个行业的分布。这个应用在选款/测款方面是非常好的分析方法,

下面给出各个现象的定义

(1)明星(stars)。它是指处于高增长率丶高市场占有率象限内的产品群,这类产品可能成为企业的现金牛产品,需要加大投资以支持其迅速发展。采用的发展战略是:积极扩大经济规模和市场机会,以长远利益为目标,提高市场占有率,加强竞争地位。发展战略以及明星产品的管理与组织最好采用事业部形式,由对生产技术和销售两方面都很内行的经营者负责。

(2)金牛(cash cow),又称厚利产品。它是指处于低增长率丶高市场占有率象限内的产品群,已进入成熟期。其财务特点是销售量大,产品利润率高丶负债比率低,可以为企业提供资金,而且由于增长率低,也无需增大投资。因而成为企业回收资金,支持其它产品,尤其明星产品投资的后盾。①把设备投资和其它投资尽量压缩;②采用榨油式方法,争取在短时间内获取更多利润,为其它产品提供资金。对于这一象限内的销售增长率仍有所增长的产品,应进一步进行市场细分,维持现存市场增长率或延缓其下降速度。对于现金牛产品,适合于用事业部制进行管理,其经营者最好是市场营销型人物。

(3)问题(question marks)。它是处于高增长率丶低市场占有率象限内的产品群。前者说明市场机会大,前景好,而后者则说明在市场营销上存在问题。其财务特点是利润率较低,所需资金不足,负债比率高。例如在产品生命周期中处于引进期丶因种种原因未能开拓市场局面的新产品即属此类问题的产品。对问题产品应采取选择性投资战略。因此,对问题产品的改进与扶持方案一般均列入企业长期计划中。对问题产品的管理组织,最好是采取智囊团或项目组织等形式,选拔有规划能力,敢于冒风险丶有才干的人负责。

(4)瘦狗(dogs),也称衰退类产品。它是处在低增长率丶低市场占有率象限内的产品群。其财务特点是利润率低丶处于保本或亏损状态,负债比率高,无法为企业带来收益。对这类产品应采用撤退战略:首先应减少批量,逐渐撤退,对那些销售增长率和市场占有率均极低的产品应立即淘汰。其次是将剩余资源向其它产品转移。第三是整顿产品系列,最好将瘦狗产品与其它事业部合并,统一管理。

说明:事业部制,就是指针对不同的产品线设定不同的部门。

简单总结一下

1丶明星区间的产品要增加投资力度,让其快速发展

2丶金牛区间的产品是主要的盈利产品,想办法让其创造更多的利润

3丶问题区间的前景较好,但可能未受市场认可或者在策略上没有重视这个产品,要调整策略,增加投资力度

4丶瘦狗区间的,一般失败的爆款,就到这里来了。后者称之为打酱油的。

=======================================

可能有人会有疑问,这个不是针对产品的吗?但你这里是行业?

其实针对行业也是一样的,可以直观给予参考。搞明白交叉的两个维度代表什么就可以了。

数据分析,是为了降低我们的风险,一般决策者不会用单一维度来参考。可以拿来参考的数据有很多,通过处理后,都是简单易懂的图表,决策者再结合图表和分析师做好的报告或建议,来参考决策。最终决策的是人,而不是数据。

再回到这个波士顿矩阵中来,我们要怎么运用?

运用到行业分析,可以根据自己的实力情况,可以对应关注相应的行业。运用到选款/测款上,相信不用我多说了,哪些产品可以加大投资力度,哪些可以放弃。话又说回来,这只是一种维度。如果是自己家的数据,还要参考流量价值等其他维度。

这个波士顿矩阵,我只是用9月的数据,这里仅作为示例,不具有参考性的。

本文中,原始数据看整体趋势,同比增幅看大趋势,环比增幅看小趋势,波士顿矩阵协助分配产品结构。

大家自己动手,丰衣足食。 最后,给大家个游戏,如何用excel画出下面这张图呢?大家动手玩一下吧。非常简单的哦!(提示:用散点图)

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2013-12-26,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 CDA数据分析师 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
大数据
全栈大数据产品,面向海量数据场景,帮助您 “智理无数,心中有数”!
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档