分析师常用商业分析模型

本文主要是介绍分析师常用商业分析模型，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、背景

在用户调研中，我们发现分析师对商业分析模型的使用还是比较频繁。本文主要对用户调研结果中的分析师常用商业分析模型以及一些业界经典的商业分析模型进行分析，并梳理出执行落地流程，以此来指导分析师工具设计分析功能的引导性。

二、分析师常用商业分析模型列表

用户调研结果，略

分析师需要掌握的35个商业模型（一）

三、商业分析模型流程

3.1 RFM客户价值模型

3.1.1 定位与目的

• 定义：RFM模型是衡量客户价值和客户创利能力的重要工具和手段。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。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花了多少钱3项指标来描述该客户的价值状况。

• 根本目的：用户分群

• 基础定义：

  • R（Recency）：最近一次消费与上一次消费的时间差，R值越大，说明用户上一次交易的时间越久远，也证实了用户与产品亲密度的下降。

  • F（Frequency）：消费频率，可以理解为某一时间段内的消费次数，具体的时间段需要依据产品特性而定，F值越大，说明用户活跃度越高，是个正向反馈。

  • M（Monetary）：消费金额，用户在某一时间段内的消费总金额，**越大，说明用户带来的价值越大。

  • R、F、M三个值，R与效果成反比，其他两个均成正比。

• 后续操作：

  • 分群用户的价值衡量 =》 找到对我们价值最大的目标用户，价值最大靠M衡量，针对这一波用户指定策略

  • 选择某一类型的用户进行精准投放 =》获取目标用户群的明细信息，执行运营策略

• 参考资料：

  • RFM模型及python实现

  • 如何通俗易懂的理解和应用RFM分析方法（模型）？

  • 下篇 | 前百度大牛运用RFM模型、同期群分析等方法，手把手教你分析每道菜背后的数据！- 3.如何在海致BDP上建立RFM模型，帮助用户分群

3.1.2 计算流程（模型）

1. 获取客户基础明细表

2. 四则计算：计算客户的R值的基础数据DIFF（最近一次消费与上一次消费的时间差）：今天-该用户最后一次交易时间

3. 维度分组（不聚合的分组，相当于if else）：

   1. 设定R值的评估策略，eg，DIFF值在0~10时评分为5，DIFF值在10~20时评分为10等等

   2. F值类似

   3. **类似

4. R、F、M阈值计算（一般用均值作为阈值，也可以根据RFM的分布手动划分）：

   1. SUM(R) / COUNT(用户数) = R阈值 （依次类推）

5. 运用RFM分出8种客户价值类型（各种if else）（相当于给每一个用户打了一个标签）（高于阈值⏫，低于阈值⤵️）

6. 根据用户标签进行分组查看不同类型客户所产生的价值，找出最有价值的用户

   1. select group by

7. 导出指定标签的用户明细，用于下一步运营策略（push红包、投放广告等等）

3.1.3 基础分析实现路径（非模型）

参考：BDP实现RFM模型，整体思路为：不通过R和F进行衡量，而是直接通过选定R和F的基础值，圈定一部分用户，直接用M来划分用户。由于只有一个分组维度M，这里只能划分出2种类型的用户。

3.1.4 依赖组件及计算方法

• 依赖组件：柱线图

  • 查看RFM的分布（有可能不会用）

  • 最终用户分群的价值对比

• 计算方法：

  • 四则（算R的基础数据）

  • if else

    • 算RFM的等级

    • 对比RFM和阈值，产出0或1标识

    • 根据RFM的标准，产出用户标签-3个标签组合8个用户分类

  • 参考值-手动选择或是均值（算RFM的分级阈值）

3.2 逻辑树分析模型

3.2.1 定位与目的

• 定义：逻辑树又称问题树、演绎树或分解树等。很多咨询公司分析问题最常使用的工具就是“逻辑树”。逻辑树是将问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展。

  把一个已知问题当成树干，然后开始考虑这个问题和哪些相关问题或者子任务有关。每想到一点，就给这个问题（也就是树干）加一个“树枝”，并标明这个“树枝”代表什么问题。一个大的“树枝”上还可以有小的“树枝”，如此类推，找出问题的所有相关联项目。逻辑树主要是帮助你理清自己的思路，不进行重复和无关的思考。

  逻辑树分析模型，在数据分析方法中，等同于公式拆解。

• 根本目的：公式拆解寻找根因，根据指标拆解和维度拆解不断细分问题，找到核心问题所在

• 基础定义：

• 后续操作：找到根因后制定策略

• 参考资料：数据分析基础—2.2.3 逻辑树分析法 七种常见的数据分析法（二）：公式拆解法

3.2.2 计算流程（模型）

HotSpot、AD、Dear实现的公式拆解

模型类型的实现方案，目标是通过给定的全量嵌套公式，自动发掘出引起异常的维度、指标

3.2.3 基础分析实现路径（非模型）

逻辑树的费模型实现方法，主要可以分为公式拆解。

天璇2.0中支持的树组件实现了静态的公式拆解，即PM在数据探查时，预先将逻辑树的拆解思维固化下来，引导用户进行思考分析。

但注意，交互式的分析探索工具，无法提前预设分析路径，探索的目的就是为了实现[PM经过数据探查将逻辑树的拆解思维固化下来]这一步骤，我们需要在每一个节点向下扩展时将所有可能的路径枚举出来让用户选择。

灵活的公式拆解，关键点在于在分析前，我们必须把全部的指标维度构成关系预先获取：

1. 指标的嵌套构成公式 a = b + c， b = e + f

2. 维度的汇总路径：日>周>月 / 一级品类>二级品类>三级品类

分析流程

1. 选定初始指标，进行全量汇总，产生一个根节点

2. 在每个节点上向下扩展时，弹出当前可选的扩展方法

   1. 指标扩展：当前节点指标的公式构成，若已经为原子指标则不可再扩展

   2. 维度扩展：当前节点可允许的维度扩展列表

注意事项：

1. 每条路径中，都需要记录全维度的扩展记录，如当前路径已经按照一级品类进行扩展了，那么子路径将会携带一级品类的一个具体维值作为过滤条件，且不可再次在一级品类维度上进行扩展了。

2. 每个节点都是携带一系列维度属性的指标

3. 如何提前获取所有的指标公式和维度汇总路径？？？谁来配置？？？

4. 当按照维度扩展时维值基数太大，则需要结合排序规则和topN，谁来定义排序规则和topN？？？

公式拆解在交互式分析中需要大量的预配置工作量，对分析师不太友好。

3.2.4 依赖组件及计算方法

依赖组件：树组件（复杂组件，需要有历史路径记录，和基于历史路径的独立交互）

计算方法：标准查询即可

3.3 其他（分析方法论，不涉及计算）

	模型	说明	备注
	5W2H分析模型	比如你是一个大疆无人机（最近我在钻研无人机，哈哈）的分析师，你来来运用5W2H分析法 why：你的购买动机/目的是什么？比如企业运用（拍电影、宣传片）、个人运用（玩家，拍照）————新用户注册获取 What：用户主要购买的产品是哪些———产品销量获取 Who：用户特征：性别构成、年龄分布、地域分布、学历分布、收入分布、注册时间 When：购买时间分布、购买间隔分布 Where：购买渠道，例如：官网、app、天猫旗舰店、京东、苏宁、线下线上代理商 How：用户的支付方式销量分布，用户更喜欢用什么支付？ How much：价格段销量分布（用户更容易接受那个价位）
	SWOT分析模型	SWOT这种常见的战略模型，数据分析师要不要掌握，回答是：当然！在现在的战略规划报告里，SWOT分析应该算是一个众所周知的工具。来自麦肯锡咨询公司的SWOT分析，包括分析企业的优势(Strengths)、劣势(Weaknesses）、机会（Opportunities）和威胁(Threats)。因此，SWOT分析实际上是将对企业内外部条件各方面内容进行综合和概括，进而分析组织的优劣势、面临的机会和威胁的一种方法。通过SWOT分析，可以帮助企业把资源和行动聚集在自己的强项和有最多机会的地方；并让企业的战略变得明朗。
	波士顿 三四矩阵	三四矩阵是由BCG提出的。这个模型用于分析一个成熟市场中企业的竞争地位。在一个稳定的竞争市场中，参与市场竞争的参与者一般分为三类，领先者、参与者、生存者。优胜者一般是指市场占有率在15％以上，可以对市场变化产生重大影响的企业，如在价格、产量等方面；参与者一般是指市场占有率介于5％～15％之间的企业，这些企业虽然不能对市场产生重大的影响，但是它们是市场竞争的有效参与者；生存者一般是局部细分市场填补者，这些企业的市场份额都非常低，通常小于5％。

这篇关于分析师常用商业分析模型的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---