拆解商業分析模型,打造業務分析勝任力的方法「模型機拆解」

內部交流│17期

拆解商業分析模型

打造業務分析勝任力data analysis●●●●分享人：許申平

數據分析少不了商業分析模型，當分析沒有思路，其實都可以借助分析模型的學習來彌補不足，來加速分析的成功以及結果落地。大家在工作中或許接觸過一些經典的商業分析模型，也曾照貓畫虎式的用其分析過一些商業現象，但如何使用，在什么場景下使用，可能會有些模糊的界限。

那么，本期邀請了有著10年數據分析經驗，現任吉利汽車.數據分析經理許申平老師，多年數據分析經驗，有這多個實戰項目經歷，將為大家分享商業分析模型，打造業務分析勝任力！！

數據分析學習，在于將別人的知識轉化成自己的知識，食之化盡，舉一反三。今天將會拆解六個商業分析模型?來深?探討《拆解商業分析模型，打造業務分析勝任力》。

1、常用分析模型

2、常用模型理論&案例分享

3、模型&答疑

為了更好的后面做好小飛象內部交流會，需要您幫忙做兩件事情：第一，您想想這次為什么想參加這一期的交流會，以及希望在交流會中希望收獲到什么？第二，在交流會結束后，請和我說一下您的收獲和感受。（可以在公眾號留言交流，小飛象內部交流會往期回顧）

做一個對世界充滿好奇的人！在分享之前，我們可以先思考幾個問題：

★你了解多少數據模型，到底數據分析要懂多少模型？★實際工作中真的要用到那么多模型？★在什么場景下使用什么數據分析模型？

......

這次分享將為大家打開一扇窗，從新的視角去認知數據分析，拆解商業分析模型，提升業務分析能力。在分享的過程中，建議全程認真聽，帶著思考來聽（去看），希望通過本次分享，來給大家做一次系統的數據分析可視化分享，來解答大家對于可視化的疑點，并給做數據分析的人員提供一些思路，有任何問題都可以隨時交流哦！

正式分享

—▼—

▼

大家好，今天的分享主要從兩個方向展開，第一常用的分析模型有哪些；第二如何理解這些模型，并使用到實際業務中。很多同學都會有這個疑問：

·到底數據分析要懂多少模型

·工作中真的要用到那么多模型？

·我干的到底算不算模型？

來帶著這3個問題，來聽這次分享。

1、“模型”全盤梳理

根據一共大佬梳理的模型，主要是4個方面，基于理論的、基于指標計算的、基于運籌學數學方法的、基于機器學習的，這里舉例了一些常用模型，或多或少大家都有聽過。比如16期黃佳老師分享的AARRR海盜模型。如圖：

2、常用的分析模型

其實這些模型也用很多使用場景，比如從事咨詢、戰略工作的，經常用到Swot 分析，而今天我們主要從下面三模從選擇常用的分析模型進行分享。如圖：

—▼—

那我們就來看看今天給大家帶來的6個常用分析模型：漏斗模型、層次分析模型、Osm模型、RFM模型、聚類分析、判別分析。

1、漏斗模型

1898 年，美國有一個叫 Elmo Lewis 的人，提出了漏斗模型的概念，后來被總結為 AIDA 模型，也稱為「愛達」公式，首字母分別代表：

（1）注意 Attention

（2）興趣 Interest

（3）欲望 Desire

（4）行動 Action

從吸引客戶的注意，到引起客戶的興趣，再到產生擁有的欲望，最后形成購買的行動，每個環節都會有客戶流失，越靠后的環節，客戶數量往往就越少，畫出來的圖形，就像一個漏斗，所以叫作“漏斗圖”。

漏斗模型，指多個自定義事件序列按照指定順序依次觸發的流程中的量化轉化模型。也就是從起點到終點有多個環節，每個環節都會產生用戶流失，依次遞減，每一步會有一個轉化率。

如下圖就是經典的漏斗模型應用案例，比如電商購買漏斗，比如上期的AARRR模型，等等，基于不同應用場景的漏斗應用。

· 傳統的銷售漏斗難以應對新變化

但實際上隨著業務的變化，傳統的銷售漏斗也很難應對。比如車企銷售管理中經常使用銷售漏斗模型（面對消費者鏈路加速分化的趨勢，漏斗管理的局限性也日益顯現）。所以，車企需要從用戶角度出發，圍繞銷售鏈路升級管理體系，構建全新的鏈路管理體系。

· 重新定義消費者購車鏈路

歸納總結出消費者購車旅程的“5R”模型，包含觸達、種草、探索、交易、推薦五大環節，結合傳統基礎指標，新增了運營指標，更全面的監控各鏈路的數據運營情況。

集合5R模型與現在各鏈路的情況，可以看到購車鏈路全景圖，這是一共升級版的漏斗模型。

沉淀形成全新的消費者購車鏈路聚類方法論：

第一步，基于大規模調研和專項用戶訪談形成的品牌用戶購車行為的結構化數據；

第二步，通過全鏈數據差異化分析，梳理和總結目標消費者購車鏈路的重要分化；

第三步，對具有不同特征和一定人群覆蓋的消費者購車鏈路進行歸納與聚類。

此前BCG總結了當前市場最典型的五大消費者購車鏈路，大家可以對照看下自己屬于哪類人群，以及的關鍵特征是不是相似的，通過人群的劃分，有利于更精準實施用戶廣告投放、用戶運營等策略。

2、層次分析

層次分析模型可能工作中大家用的比較少，其實有學過數學建模的同學應該知道層次分析模型還是非常有用的。

層次分析，又名專家判別法，簡稱AHP，這是為了解決某一問題，而該問題會受到多種因素的影響，通過系統性的給各因素賦予權重值，最后通過量化的方式決策出合理的方案。一般我們分三層：目標層、準則層、方案層，其中準則層可能有多層。

·AHP層次分析法—旅游景點選擇

我們來看一個例子，度蜜月，現在要選擇一個最合適的旅游景點，我們根據影響因素，可選的方案，以及自身對這些影響因素的打分，得到判別矩陣。

大家可以結合右表中對數據重要程度的定義，得到左圖的判別矩陣。

再根據各影響因素，對不同方案的判別矩陣。

最后我們計算一致性比例，如果不能通過一次性檢驗，就需要去修正前面的判別矩陣。如果通過了一次性檢驗，我們就可以計算出各準確層的權重，從而計算不同方案的得分。

3、OSM模型

顧名思義，O是Objective，目標的縮寫；S是Strategy，策略的縮寫

；M是Measurement，度量的縮寫；

Osm是一套業務分析框架，非算法模型；適用于：目標已經清晰，行動方向已經明確的情況。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。

·OSM模型-案例

我們來看一個生鮮電商App的案例，老板給運營部門一個目標：提升沉睡用戶付費激活率，至少提高一倍吧。

所以，我們第一步是要先把語文變成數學，定義O，其中數據統計口徑要和業務方確認清楚。

做數據計劃，第一步就是把語文變為數據，用準確的描述替代朦朧的文字，不然沒法監控也沒法落地。注意：數據統計口徑要和業務方確認清楚。

第二步是找到可以改善目標的 策略S，大家可以看到用戶登錄到付款轉化流程圖 ，實際上是一個漏斗模型，那 對應的策略分別有。。。其中我們 把直接作用于用戶 的叫一級策略 ，離用戶遠的是二級策略。

OSM模型有正向和反向使用兩種用法：

1）正向使用：在項目開始前，分解大目標，明確行動和每個行動考核指標；即上述案例的工作流程。

2）反向使用：項目前期沒有做啥籌備，事后復盤發現一堆問題；這時候想要檢討為啥做爛了，也能按這個思路，把項目中做的事一一梳理出來，看這些事能影響什么子指標，實際影響到了沒有，這些子指標和大目標之間有啥聯系。

在數據驅動氛圍不好的企業里，反向使用的用處更大！因為很多企業就是干事拍腦袋，出事拍大腿。

·OSM模型在共享充電業務中的應用

在小電期間，我們就為了提升各城市毛利，用Osm模型進行目標拆解、策略梳理、指標監控，最后根據不同城市進行策略實施，為運營部門精細化管理提供了數據賦能。

OSM模型：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

4、RFM模型

R就是最近一次消費時間 (Recency)，取數的時候一般取最近一次消費記錄到當前時間的間隔，比如7天、30天、90天未到店消費。

F是一定時間內消費頻率 (Frequency)，取數時，一般是取一個時間段內用戶消費頻率。

M是一定時間內累計消費金額(Monetary) ，取數時，一般是取一個時間段內用戶消費金額。

RFM本質上是一種用三個分類維度，找判斷標準方法。通過三個維度的組合計算，能判定出用戶的好壞，然后采取對應措施。衡量 客戶價值 和 客戶創利能力 的重要工具和手段。在眾多的客戶關系管理（CRM）的分析模式中，RFM模型是被廣泛提到的。該模型通過一個客戶的近期購買行為（Recency）、購買的總體頻率（Frequency）以及花了多少錢（Monetary ）三項指標來描述該客戶的價值狀況。

根據RFM模型的組合，可以得到9種用戶分類，然后根據用戶劃分可以差異化的進行用戶運營管理，比如重要挽留客戶

·RFM模型短板

RFM最大的短板，在于用戶ID統一認證。比如去超市、連鎖店、門店買東西，往往收銀會機械的問一句：有會員卡嗎？如果回答沒有，也放你過去了。導致的結果，是線下門店的訂單，一般有70%-90%無法關聯到用戶ID，進而導致整個用戶數據是嚴重缺失的，直接套RFM很容易誤判用戶行為。

至于用戶一人多張會員卡輪流薅羊毛，多個用戶共同一張VIP卡拿最大折扣，店員自己用親戚的卡把無ID訂單的羊毛給薅了之類的事，更是層出不窮，而且在實體企業、互聯網企業都普遍存在。所以做RFM模型的時候，如果你真看到111類用戶，別高興太早，十有八九是有問題的。現在的企業往往在天貓、京東、自有微商城、有贊等幾個平臺同時運作，更加大了統一認證的難度。如果沒有規劃好，很容易陷入無窮無盡的補貼大坑。

·關于RFM模型的應用思考

單純講RFM，不結合產品、活動，是很容易出BUG的。

R：用戶離得越久就越有流失風險

如果是服裝這種季節性消費，用戶間隔2-3個月是很正常

如果是手機、平板這種新品驅動產品，間隔時間基本跟著產品更新周期走

如果是家居、住房、汽車這種大件耐用品，R就沒啥意義，用戶一輩子就買2次

如果是預付費，后刷卡的模式，R就不存在了，需要用核銷數據代替

所以，R不見得就代表著用戶有流失風險，特別是現在有了埋點數據以后，用戶互動行為更能說明問題。

F：用戶頻次越高越忠誠

如果用戶消費是事件驅動的，比如賽事、節假日、生日、周末……

如果用戶消費是活動驅動的，比如啥時候有優惠啥時候買……

如果用戶消費是固定模式的，比如買藥的用量就是30天……

以上情況都會導致F的數值不固定，可能是隨機產生的，也可能是人為操縱的。很多企業僵硬地執行RFM模型，往往會定一個固定的F值，比如促使用戶買4次，因為數據上看買了4次以上的用戶就很忠誠。結果就是引發用戶人為拆單，最后F值做上去了，利潤掉下來了。

M: 用戶買的越多越有價值

如果用戶是圖便宜，趁有折扣的時候囤貨呢？

如果用戶買了一堆，已經吃膩了、用夠了呢？

如果用戶買的是耐用品，買完這一單就等十幾二十年呢？

如果用戶消費本身有生命周期，比如母嬰，游戲，已經到了生命周期末尾呢？

很多情況下，用戶過去買的多，不代表未來買的多。這兩者不劃等號。因此真看到011、001、101的客人，別急著派券，整明白到底出了啥問題才是關鍵。

綜合RFM失效的場景，可以看出：季節性、商品特征、促銷活動、節假日事件、用戶生命周期，這五大要素，都會影響到用戶的行為。因此不局限于RFM，深入研究用戶場景非常關鍵。

5、聚類分析

人們常說：“物以類聚, 人以群分” ，其實聚類分析就是用一種科學的方法進行非監督性的分類。基本原理是認為研究的樣本或變量之間存在著程度不同的相似程度（親疏關系）。

基本原理是認為研究的樣本或變量之間存在著程度不同的相似程度（親疏關系）。

根據一批樣本的多個觀測指標，找出能夠度量樣本或變量之間相似程度的統計量，把相似程度較大的樣本（或指標）聚合為一類，把另外一些相似程度較大的樣本（或指標）聚合為一類，直到把所有的樣本（或指標）都聚合完畢，形成一個由小到大的分類系統。

聚類分析主要有四步：

·某銀行金融產品用戶聚類分析

很多做金融的同學應該知道，信貸部會對我們的用戶做畫像，從而對用戶貸款額度進行管理。

這里我們根據前面的指標把用戶分成了5類：

如圖：

然后我們針對不同客戶群體，進行理財產品推薦，運營管理等

6、判別分析

和前面非監督性學習的聚類相對的是監督性學習，這里介紹的是判別分析。判別分析，本質上是按照一定的判別準則，建立一個或多個判別函數，用研究對象的大量資料確定判別函數中的待定系數，并計算判別指標。據此即可確定某一樣本屬于何類。

判別分析又稱“分辨法”，是在分類確定的條件下，根據某一研究對象的各種特征值判別其類型歸屬問題的一種多變量統計分析方法。基本原理是按照一定的判別準則，建立一個或多個判別函數，用研究對象的大量資料確定判別函數中的待定系數，并計算判別指標。據此即可確定某一樣本屬于何類。

解決問題：已知某種事物有幾種類型，現在從各種類型中各取一個樣本，由這些樣本設計出一套標準，使得從這種事物中任取一個樣本，可以按這套標準判別它的類型。

判別方法：最大似然法、距離判別、Fisher判別、Bayes判別（Bayes判別比Fisher判別更加完善和先進，它不僅能解決多類判別分析，而且分析時考慮了數據的分布狀態，所以一般較多使用；）

與聚類分析區別

1）聚類分析可以對樣本逬行分類，也可以對指標進行分類；而判別分析只能對樣本。

2）聚類分析事先不知道事物的類別，也不知道分幾類；而判別分析必須事先知道事物的類別，也知道分幾類。

3）聚類分析不需要分類的歷史資料，而直接對樣本進行分類；而判別分析需要分類歷史資料去建立判別函數，然后才能對樣本進行分類。

· bayes判別分析

貝葉斯公式：

P(A|B)=P(B|A)?P(A)/P(B)=P(A∩B)/P(B)

其中P(A)表示事件A發生的概率，稱為先驗概率，P(A|B)表示在事件B已經發生的條件下，事件A發生的概率，稱為后驗概率。

貝葉斯規則盡管它是一個數學公式，但其原理無需數字也可明了。如你看到一個人總是做一些好事，則那個人多半會是一個好人。這就是說，當你不能準確知悉一個事物的本質時，你可以依靠與事物特定本質相關的事件出現的多少去判斷其本質屬性的概率。用數學語言表達就是：支持某項屬性的事件發生得越多，則該屬性成立的可能性就越大。

·bayes判別分析—二手車評估

我曾經做過 一個二手車評估項目，就是基于Bayes判別分析做的，二手車平臺有專業的鑒定師，他們根據經驗對15個指標 進行分析，得出對應的等級，然后因為人物鑒定工作量大、且受個人經驗影響較大，無法規模化。通過判別分析的方法可以把鑒定師歷史的判定結果進行訓練，然后進行機器學習，得到需要評估車輛的等級。

總結

以上就是本次分享的全部內容！分享一句：通過分析發現數據的規律幫助揭示所謂已知的未知正如你所看到的，可能性是無限的！

然而，實際工作中還有跟深層次的問題等待解決。想系統，高效的學習了解數據分析模型，不是一次分享能全部了解的。我們最終的目的是要解決問題，就是發現問題，解決問題就是發現業務中的問題，然后并去解決。學貴在行，需要我們在以后的學習工作中不斷地積累經驗掌握工具，學以致用。能站在多方角度，發現問題，分析問題，解決問題，總結問題。

后期小飛象會繼續為邀請各業的精英分享數據領域的內容。祝愿大家都能在自己所在的領域內，用數據思維，成就更好的自己，在可預見的未來，遇到更好的自己。謝謝大家！