数据分析系列课第二堂《常用数据分析与预测方法》全纪录

    大家下午好，我们又见面了，这几周我们正在开展与数据分析紧密相关的系列课，本次是系列课的第二堂课—常用数据分析与预测方法。

    课前我们先看几个问题，评估一下在座的各位同学是否需要听这次课，大家可以自我回忆一下，看是否遇到过、或正在遇到这些问题：

    1、面对一堆数据，找不到分析要领。常常觉得数据又多又乱、没有规律，同时个人思维逻辑不清晰、无法快速抓到分析要领

    2、终于找到了问题重点，却不知该用哪种控件？花了很多时间整理数据、整理思维，整理出重点后却不知该如何分析、如何展现

    3、老板让你做个预测，发现函数好难写？老板看重数据分析，需要你对现状进行分析，同时参考历史数据优化预测模型，此时你却发现连预测函数都写不出来，何谈优化

    4、如何将分析工具应用在数据实例上？分析工具学的熟练，制作报表易如反掌，但是拿到真实数据的时候却发现无从下手

    如果你们遇到过这些问题一个或多个的，那么就需要好好学习这次课了哦~

    上次课我们学习了思维养成方法与模板设计技巧，课后留给同学们两个小问题，其内容正和我们本次课的内容相关，不知道大家还记不记得？

    问：学会了分析工具常用技巧后，该如何应用在数据实例上？

    答：理论应用于实际通常都是有一定的套路可循，比如常规的应用过程：首先有工具、在其基础上掌握用法与技巧、最后结合系统理论付诸于实际。遵循这种套路，并将信息重点突出反映出来基本上就可以了。

    至于这种方法与实际结合的过程如何实现，我们看第二个问题。

    问：常用的数据分析方法、数据预测方法有哪些？

    答：这是方法与实际结合的过程，我们可以通过数据分析方法、预测方法将数据应用于分析、将理论应用于实际。

    上期回顾请点击：http://www.powerbibbs.com/thread-419803-1-1.html

    常用的方法有哪些？我们将在本次课里寻找。

课程简介

    本次课我们主要以常用数据分析、常用数据预测方法为主要学习内容，结合实际数据案例，与大家分享这些数据方法的应用目的与效果。

常用分析与预测方法

    本次课程基本上以实操为主，利用分析工具将数据分析、预测方法从纸上搬到现实。本次课一共介绍七个常用的分析与预测方法，每个方法都会结合实际的数据来操作，建议大家跟我一起动手，会对实现过程与效果记忆更深刻。

基础数据

    动手之前我们先简单看下Excel数据源，看下我们等会儿需要用到哪几个数据表。

    为了方便区分，尽量将工作表名和数据方法对应上了，可以看到我们需要使用的数据源有：多指标管理、二八法则应用、四象限分析、漏斗模型应用、价格带三度分析、数据预测。这个数据源与上次课是同一个，上次课时已经分享过了，这里就不一一详细说明了。

    接下来我们打开数据分析工具进行操作，由于本次课使用的数据源与上次课是一样的，因此我们可以在上次课的数据基础上直接进行操作。这里需要注意，后面做预测的那张表需要用到时间年，所以我们进入编辑视图设置一下时间列。

多指标排行榜

    任一行业都具有相应的分析体系，不同的指标能反映不同的信息，在本案例中销售数据涉及指标：销售额、销售完成率、平均折扣、会员贡献率、连带率、成交率等。从公司层面来看，各门店的指标对比是衡量门店业绩的重要内容，因此分析不同指标下的门店排行是比较常见的方法应用。

在分析工具中添加条形图，并配合筛选控件共同使用，可以随时查看不同指标下的门店排行榜。同时，若希望将当前筛选序列从标题突出显示，还可以使用标题绑定的功能。

    当然，如果老板只希望看前十名，这个上次课学过，只要选中维度值并设置TOP10即可。

    这个是最常用的对比分析法，有效结合分析工具中的筛选控件和TOP值功能，将不同指标下的门店排名一一展现，这下无论换哪个指标，都能立即展现排名情况。

门店排名对比

    销售分析中第二个常用的数据分析方法是门店排名对比，这个和前面的方法有所不同，前面的方法主要是看某一指标下各门店的对比，侧重点在多个门店的差异上；现在这个方法则是看同一门店在各指标中的排名，侧重点在单个门店的综合能力上。

    新建雷达图，并将各指标排名一一放入，筛选出想看的门店情况即可。

    这个雷达图就是我们所说的门店排名对比，可以通过点到图心的距离直观反映排名大小，距离越短表示排名靠前。由此，某一门店在各方面的能力展现一目了然。

二八法则分析

    第三个常用分析方法是二八法则，相信大家都听说过，它是销售分析中很常用到的一个内容。从管理学角度来说，通常一个企业80%的利润来自它20%的项目，我们上一张图：

    这张图里展现的是某个企业的销售占比和产品占比，其中销售收入的80%基本来自它20%的产品，相反，销售收入的另外20%则来自于它占了多数（80%）的产品。

    这也就说明这20%的产品是销售贡献较大的产品。当然这里的20%和80%不是一个严格比例，大致相当即可。打个比方，若80%~90%的销售仅仅是由10%左右的产品产生，同样符合二八法则，此时，这10%的产品则很可能是爆款。

    那么我们了解下如何通过分析工具，将二八法则应用到实际案例中：

    柱线图中通过柱子高度反映各商品销售数据，对销售收入做降序排序后，会将带来最大销售收入的产品摆放在前面，此时做累计占比，则可以自动计算出销售占比达到80%左右时对应商品的情况。

    二八法则在实际应用上可选方式较多，除了柱线图还可考虑用简表或其它形式体现。

四象限分析法

    第四个方法是四象限分析法，这个方法是在散点图的基础上演化而来的，散点图本身是通过两组数据构成多个坐标点，通过考察这些坐标点的分布来判断两变量之间是否存在某种关联、或是总结分布模式的图表。

    四象限分析则是在该基础上进行分区，通过平均值或其它划分点将整个散点图分成四块，并结合划分点、行列维度共同来分析各个区域里分布的散点的意义。

    我们尝试通过现有数据制作一个商品销存分析。

    该散点图中用到的指标有库存量、周销量，维度是商品。先来解读一下这个散点图。

图中Y轴对应的是库存量、X轴对应的是周销量，并且Y轴越往上数据越大，X轴越往右数据越大，说明：图中若散点分布越往上，对应商品的库存量越大；散点分布越往右，对应商品的周销量越高。

    商品的销售管理需要同时考量商品的销售热度与库存量，其中较常被关注的问题是：哪些商品是卖的好但库存不够的？哪些商品是卖的不好但库存还剩余很多的？若想回答这些问题，就需要使用自定义分割线，这里我们选择添加平均值分割线。

    分割线将整张图划分成四块，我们以分割点为中心，横纵分割线为分界线，将四块内容分别定义为第一、二、三、四象限。

    通过划分后的散点图，我们来找一下哪些商品是卖的好但库存不够的？按散点分布的特色--越往右则周销量越高，越往下则库存量越低，可以找到商品卖的好但库存量较低的区域是第四象限。

    该区域内的商品有必要调整对应的库存量，尤其是周销量接近甚至超赶当前库存量的商品，如SKU27（本周销量达322，当前库存量仅剩223）。

   

    我们再看一下哪些商品是卖的不好但库存还剩余很多的？同样按散点分布的特点--越往左则周销量越低，越往上则库存量越高，可以找到商品卖的不好但库存量还剩余较多的区域是第二象限。

    该区域内的商品周销量普遍在0~300之间，对应的库存量基本都在1200以上，针对该情况建议在考虑商品储存期的情况下，适当调整销售策略。

漏斗转化模型

    接下来我们再学习一个实用的分析方法--漏斗转化模型，该模型常见于各类转化率分析，以本数据为例，分析的是销售各阶段客户转化率，如：路过人数、进店人数、触摸人数、成交人数等。

    漏斗模型的操作较为简便，添加漏斗图并加入相关数据即可。

    通过漏斗转化率，可以清晰的看见最初路过的人数里有多少成为了进店人数，有多少成为了成交人数，又有多少成为了回头客。这种转化分析有利于我们做客户跟踪销售，对后期客户维护及产品推送都具有非常强的可依据性。

商品价格带三度分析

    我们结合示例数据来介绍商品的价格带三度分析是什么。

    价格带(Price Zone)：指同一类商品销售价格的上限与下限之间的范围。假设大型超市里卖的裤子最低价是100元，最高价是500元，价格带就是100~500元。

    价格带三度分别为宽度、广度、深度。

    价格带宽度，即价格上下限的差值，如裤子的例子中，最低价是100元，最高价是500元，则对应的价格带宽度为400元。价格带与其宽度共同决定了该类别商品满足的消费者的层次与数量，如A、B两超市售卖的裤子价格带同为400元，A超市价格带是100~500元，B超市是200~600元，二者对比下，A超市满足的消费层次会低一些。

    价格带广度，即可选的价格选项的统计，如裤子的例子中，出售3条裤子，标价分别是100,200,200元，则可选的价格选项就有2种，100或者200，那对应的价格带广度就是2。

    结合图表来看，图中X轴表示商品价格，Y轴表示商品数量，每一条竖线都是价格线，对应的是一个不重复的价格，因此统计每个散点图的价格线即可了解价格带广度。商品的价格线越多，客户可选择的空间越大。

    价格带深度，即可选的商品数量，如示例中可选的商品数量达到78个，对应深度为78。

    与价格带相关的还有价格点，所谓价格点即是在价格带中最容易被顾客接受的某一个价格，在该点附近准备多些商品，能给客户造成一种商品丰富、价格合理的感觉。如示例中的两个价格点分别是200元、400元，在这两个点附近围绕着较多的价格线，是较合理的做法。

数据预测方法

    最后一个实用分析方法是数据预测，这里需要依靠函数来做预测：在数据分析工具中新增柱状图，并通过趋势预测功能拟合序列趋势。

    可在工具的趋势线类型中选择不同的函数类型：线性函数、指数函数、对数函数，并根据R2的大小选择最佳拟合函数，R2越接近1，则拟合效果越好。

    由此可见，如果能熟练掌握、合理利用分析工具，则可轻松依靠其中的预测模型计算数据预测值，无需手动编程或撰写函数。

课程回顾

    好啦，那么以上就是几个工作中常用的数据分析与预测方法，不知道大家学会了吗？另外我在PPT里放了这些方法对应的操作截图，大家可以课后跟着视频和截图再消化一下。

    我们的课也接近尾声了，现在一起来回顾一下今天主要讲了哪些内容：

    1、常用的数据分析方法

    如：多指标排行榜、二八法则、四象限分析、漏斗转化模型等

    2、常用的函数预测方法

    如：线性函数预测、指数函数预测、对数函数预测

课后小问

    这次课我们同样给小伙伴们留了两个小问题，同时也会是我们下节课学习的内容，希望大家课后抽时间思考一下：

    1、学会了分析工具与分析方法，该如何与实际场景结合？

    2、结合实际业务场景的数据分析，如何快速找到问题所在？（若需要数据，可使用共享数据源-”饮品销售数据” ）