发帖
雷达卡
好了，废话不多说，接下来就让我们一起去发现一些有趣的事情！
Step 1. 获取数据
1.a 请生成一张报表，
维度(Dimension)：城市(Cities)
指标(Metric)：购买数量/销量(Units)
时间段可根据需要设定，时间粒度(Granularity)在Omniture中选None/aggregate，表示把时间以聚合的方式展现，而不是按daily、monthly等方式来划分，GA中同理。
好了，我们得到了一张关于各个城市的访客所产生的订单数的报告，第三列Ratio是经过计算得到的各城市订单数占总体的比例。这里假定了只有图表中所列出的10个城市，所有数据均为模拟数据。
1.b 类似上一张城市报告，我们再获得一份产品类(Product Category)的报告，维度：Category， 指标：Units，获得的报告如下
* 这里需要注意，你所看到的两张表中的Units总量是一样的，但如果你选择了Orders作为Metric的话，那么品类报告中的Orders应该会大一些，因为有些用户的单个订单横跨了不同的产品类。比如实际情况是你下了一个订单，包含了一台VAIO和一台DSC，那么在产品类报告中这1个订单会被分拆为2个，各自归属到2个品类中。如果Orders总量相差不大，那不用太在意这个差异，如果你觉得差异让你无法接受的话，那也不难，对城市报告中的数据做个简单处理：处理后各城市订单数 = 处理前各城市订单数 * （产品类报告订单总数 / 处理前城市订单总数)。但是这样的处理会稍许影响到后续介绍的计算过程，当然，只要你保持头脑清醒，相信在理解了算法后根据需要来修改也不是难事。
1.c 获得一份Sub-relation的报告，第一个维度选择城市，第二个维度选产品类，指标仍然是Units，报表如下：
City Breakdown by Category
限于篇幅，图中只显示了Shanghai的数据，实际应该是所有其它城市都会得到跟Shanghai类似结构的数据。由于本例中共有10个城市和10个产品类，因此得到的数据应该是10*10=100行。同样，这里的Units总量应该与之前的相同。
从表中我们可以知道，在Shanghai所产生的962个Units中，VAIO占了378个，DSC占了112个，这个很容易理解。
Step 2. 数据处理
Difference
如上图所示，我们在1.c报表的基础上，新增一列Predicted Units，作为我们预测的商品销量，怎么计算呢？Predicted Units = 1.a中Shanghai的 Units * 1.b中VAIO的Ratio（或者1.a中Shanghai 的 Ratio * 1.b中VAIO的Units也是一样的）
然后我们再新增一列Difference，表示实际值与预测值的差异程度，计算方式为：
Difference = (Units – Predicted Units) / Predicted Units
Step 3. 数据解读
不难理解，如果实际值大于预测值，Difference为正，反之为负，实际值与预测值差异越大，Difference的绝对值越大。
既然需要的数据都有了，该怎么看我们用户的偏好呢？如何去发现那些有价值的信息呢？
Difference 一列中，最抓人眼球(eye-catching)的显然是Shanghai-DSC那行了，372%。这表示，Shanghai的用户比我们想象中的更热衷于DSC产品，而且是远远大于预期。同样，VAIO、Tablet等产品在Shanghai用户中的销售情况也比我们的预期要好。而HIFI的-80%，MDR的-59%，说明了Shanghai的用户对这些产品并不是非常感兴趣。当然，如果在做这个分析前，你已经对你的某些产品做了定向投放，那么会一定程度上影响该报告的解读，这时候，我的建议是：
1. case by case的来分析那些定向投放了的产品，需要综合考虑你的投放情况及业务情况
2. 剔除那部分定向投放了的产品及密切相关的产品，从而解读那些未受太大影响的产品数据。
到这里，如果在读这篇文章的你正从事Online Marketing等相关的工作，不知道有没有能够触动到你的神经呢？SEM、adwords等广告投放平台中的地理位置定位，能通过这个分析得到改进吗？花钱买的广告，真的投放给那些感兴趣的用户了吗？……
本文所谓的预测，并没有基于什么很高级的算法，只是先假定了我们的所有用户的偏好是一致的，基于这个假设，两个维度关联后的情况应当与两个维度独立时所推断的情况一致。还是举个简单的例子来说明吧。假定双胞胎姐妹总共吃了4个水果，又知道水果中香蕉被吃了2个，苹果也被吃了2个。如果姐妹俩的偏好一致，我们可以认为姐妹应该各自吃了1个香蕉1个苹果。然而真实的情况是姐姐吃了2两个香蕉，妹妹吃了2两个苹果，也就是说，姐姐比我们所认为的多吃了1个香蕉而少吃了1个苹果，那么她的偏好应该是爱吃香蕉而不爱吃苹果。
当然，这样的预测方法由于少考虑了很多因素而并变得不是很精准，但笔者认为，这不会是什么很大的问题。虽然我们的计算过程是定量的，但我们的目的只是定性而已，380%的Difference在这个方法中跟370%没有什么太大的区别。而且，以损失一些精度为代价，获得更高的效率并非什么不可原谅的事，毕竟我们是在商场里作战，而不是在学校码论文。
最后想说的是，本文所举例子是不同城市用户关于不同产品类的购买偏好分析，实际上，朋友们完全可以根据自己的业务需求来驱动类似的分析，比如关联用户的操作系统(Operating System)和浏览器(Browser)，指标选择访问数(Visits)，便能了解到你网站的用户在不同操作平台上更喜欢用哪种浏览器。
理论上来说，任意两个维度都可以关联起来，且能说明些问题，但不建议强行地去关联两个维度，然后绞尽脑汁地去赋予它某种意义，不要为了分析而分析。还是那句话，以业务需求来确定分析目标，再以分析结果来驱动业务发展。
相关帖子DA内容精选
|
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
