一步一步教你分析消费者大数据
发布网友
发布时间：2022-04-29 03:11
共1个回答
热心网友
时间：2023-10-08 22:25
做过面向消费者产品解决方案的人都知道，每个项目开始前，客户都会提一些要求或者对现在营销状况的顾虑，比如我们想了解一下我们潜在消费者是谁；怎么发优惠券效果最好；或者，我们应该推出什么样子的新产品，能够赢得消费者口碑和青睐。在量化决策分析法中，这一系列的前期需求，我们把他称作为：客户需求或未来期望。
接下来，你需要了解该问题的现状，比如现有产品或服务的消费者是怎么样的，以前发的优惠券效果怎么样，现在市场的销量趋势如何等等。
当了解了客户需求和现在的现状后，我们需要慢慢抽丝剥茧，找出解决方案，填补这个空档。
一般来说，没有任何方*或者经验的咨询员或者分析师听到客户的这些期望后，他们会开始不知所措，无从下手。他们完全不知道该从哪个角度切入，收集哪些数据，做哪些假设，用什么方法分析。
其实像这类问题是有方*的，我们可以用四步循序渐进的方法来搭建现状与未来的桥梁。
第一步：描述性分析－What
发现问题。我们可以用看病的场景来类比下，病人去看病，说最近不舒服。于是医生让病人进一步描述一下怎么不舒服。这里也是一样，拿优惠促销的案例来说，我们会先了解客户以往有没有做过类似的促销案例，什么时候做的，效果怎么样。经由这些的问题产生一系列的KPI。
KPI产生的方法有以下几种：
1）我们提问，客户解答
2）从客户公司数据库获得信息（SQL）
3）从外部数据获得信息（第三方数据加强）
4）竞争伙伴信息
5）*信息
6）语义分析
7）其他
获得KPI的工具：
1）问答（座谈，电话，Email，短信，问卷）
2）数据库（SQL）
3）Excel
4）R，Python等软件
5）网站搜索资料
6）自然语言学习
7）其他
分析这些KPI变量：
这些KPI可以是绝对数，百分数，也可以是指数。可以是过去不同时期的对比数据，也可以是不同分组（如：人群分组，模式分组）的对比数据，或者和竞争对手的对比数据等。
通常 KPI分析的方法有：
1）单变量分析（univariate）
2）双变量分析（bivariate）
3）多变量分析（multivariate）
4）假设验证（hypothesis）
5）简单建模（clustering分组）
经过对这些KPI的分析，可以帮助我们形成：
1）已有消费者人物画像
2）潜在消费者人物画像
3）忠诚客户画像
4）消费者价值分组
5）其他
第二步：诊断性分析（why）
回答问题。我们同样用医生看病的例子来类比一下，当医生问完病人问题，通过问诊，X光等等，医生开始利用自己掌握的知识来对病人的病情做出诊断。
放到分析法中，这一步通常我们需要：
1）了解因果关系
2）了解各因素间敏感性如何
我们需要了解是由哪个原因，或者哪些原因造成了现在的市场现状。比如在前一个阶段，我们得到了50个非常有用的KPI，通过因果关系分析，我们确定了，其中有10个KPI起着重要的作用。结下来，我们会问，这10个因素中，每个因素单独的贡献是多少，有些可能非常高，有些可能相对较低。
那这个问题，我们可以通过建模来得到每个因素的贡献大小，同时模型还能起到剔除高相关变量的作用。还有一种用到模型的原因是，当因素达到上百，上千个的时候，很难用传统方法在如此多的因素中，甄别出最有用的事那些，这种情况下，也需要用到模型来帮助选变量，最后一个原因是我们可以甄别这个因素是正向促进因素，还是反向促进因素。
通过建模的结果，我们可以得到以下以下关于消费者的模型：
1）忠诚度模型
2）满意度模型
3）价格敏感度模型
4）归因模型
5）客户流失模型
产生这些模型背后的算法有：
1）线性回归
2）逻辑回归
3）决策树
4）时间序列
5）Random forest，boosting，SVM，PCA等等
第三步：预测分析
预测正确的时机，得到先发制人的营销效果。有了第一步和第二步的准备，我们需要预测一下，如果我做一些调整，将会有什么变化和影响。
用到的模型有：
1）意向打分模型
2）品牌忠诚度打分
3）购买渠道偏好模型
4）触媒使用习惯
6）销量预测
5）生存分析模型
比如： 意向打分模型 。我们发现，如果用现有的因素，消费者会转换的倾向可能是60%，但是如果我对一些因素做了一些调整，如：我给现有客户多发2个广告，客户会购买的可能性上升到65%；如果，给客户多发5个广告，客户会购买的可能性上升到85%。通过这样的调整，我能够预估，将来的广告成本，或者转化带来的收入等。
又比如： 通过时间序列模型，我们可以预测到明年购买某品牌车型的消费者有10万人，这样对明年的生产计划和营销计划就能有一个前期的应对准备。
第四步：决策分析应用
1）提供战略推荐
2）优化
3）市场模拟
4）A／B测试
第三步的例子提到多发2个广告，转化率为65%；多发5个广告转化率为85%。那么如果多发3个？多发4个广告，结果又会如何呢？学术界一直在寻找最优化完美的答案来解决这个问题：我到底发几个广告，才能让我的利润达到最大化呢？
我们都知道在做回归模型的时候，有以下几个假设条件：
1、随机误差项是一个期望值或平均值为0的随机变量；
2、对于解释变量的所有观测值，随机误差项有相同的方差；
3、随机误差项彼此不相关；
4、解释变量是确定性变量，不是随机变量，与随机误差项彼此之间互相独立
5、解释变量之间不存在精确的线性关系，即解释变量的样本观测值矩阵是满秩矩阵
6、随机误差项服从正态分布
实际上，现实生活中很难达到这种理想的状态，而且最大化这个概念，从数学角度讲，会涉及到优化求极值的问题，很多情况下，我们实际上求到是局部优化（localoptimization）的解，而不是全局优化（globaloptimization）的解。
所以在这种情况下，管理学中衍生出了市场模拟方法来决定最后方案，最有名的一个方法是沙盘模拟，但是这些模拟往往到了真正落地的时候，又会和之前的结果有差距。
所以近些年来，越来越多的公司选择做A/B测试。当你对几个方案没有很大的把握，或者对预测结果不是特别自信的时候，A／B测试的出现，解决了这些顾虑。最近的一个成功的案例是Amazon通过A/B测试的方法，把“order”从账户栏，放入了主页的菜单栏，为公司带来的非常可观的营收增长。
A/B测试需要注意的是：
1）样本的数量
2）人群的选择
3）时间的跨度
4）显著性统计
整个决策分析法即是阶梯又是一个闭环，根据实际的市场反应，再进行进一步的分析与迭代优化。
读完整个量化决策分析法后，你应该对以消费者为核心的大数据解决方案有了一定的思路框架。
热心网友
时间：2023-10-08 22:25
做过面向消费者产品解决方案的人都知道，每个项目开始前，客户都会提一些要求或者对现在营销状况的顾虑，比如我们想了解一下我们潜在消费者是谁；怎么发优惠券效果最好；或者，我们应该推出什么样子的新产品，能够赢得消费者口碑和青睐。在量化决策分析法中，这一系列的前期需求，我们把他称作为：客户需求或未来期望。
接下来，你需要了解该问题的现状，比如现有产品或服务的消费者是怎么样的，以前发的优惠券效果怎么样，现在市场的销量趋势如何等等。
当了解了客户需求和现在的现状后，我们需要慢慢抽丝剥茧，找出解决方案，填补这个空档。
一般来说，没有任何方*或者经验的咨询员或者分析师听到客户的这些期望后，他们会开始不知所措，无从下手。他们完全不知道该从哪个角度切入，收集哪些数据，做哪些假设，用什么方法分析。
其实像这类问题是有方*的，我们可以用四步循序渐进的方法来搭建现状与未来的桥梁。
第一步：描述性分析－What
发现问题。我们可以用看病的场景来类比下，病人去看病，说最近不舒服。于是医生让病人进一步描述一下怎么不舒服。这里也是一样，拿优惠促销的案例来说，我们会先了解客户以往有没有做过类似的促销案例，什么时候做的，效果怎么样。经由这些的问题产生一系列的KPI。
KPI产生的方法有以下几种：
1）我们提问，客户解答
2）从客户公司数据库获得信息（SQL）
3）从外部数据获得信息（第三方数据加强）
4）竞争伙伴信息
5）*信息
6）语义分析
7）其他
获得KPI的工具：
1）问答（座谈，电话，Email，短信，问卷）
2）数据库（SQL）
3）Excel
4）R，Python等软件
5）网站搜索资料
6）自然语言学习
7）其他
分析这些KPI变量：
这些KPI可以是绝对数，百分数，也可以是指数。可以是过去不同时期的对比数据，也可以是不同分组（如：人群分组，模式分组）的对比数据，或者和竞争对手的对比数据等。
通常 KPI分析的方法有：
1）单变量分析（univariate）
2）双变量分析（bivariate）
3）多变量分析（multivariate）
4）假设验证（hypothesis）
5）简单建模（clustering分组）
经过对这些KPI的分析，可以帮助我们形成：
1）已有消费者人物画像
2）潜在消费者人物画像
3）忠诚客户画像
4）消费者价值分组
5）其他
第二步：诊断性分析（why）
回答问题。我们同样用医生看病的例子来类比一下，当医生问完病人问题，通过问诊，X光等等，医生开始利用自己掌握的知识来对病人的病情做出诊断。
放到分析法中，这一步通常我们需要：
1）了解因果关系
2）了解各因素间敏感性如何
我们需要了解是由哪个原因，或者哪些原因造成了现在的市场现状。比如在前一个阶段，我们得到了50个非常有用的KPI，通过因果关系分析，我们确定了，其中有10个KPI起着重要的作用。结下来，我们会问，这10个因素中，每个因素单独的贡献是多少，有些可能非常高，有些可能相对较低。
那这个问题，我们可以通过建模来得到每个因素的贡献大小，同时模型还能起到剔除高相关变量的作用。还有一种用到模型的原因是，当因素达到上百，上千个的时候，很难用传统方法在如此多的因素中，甄别出最有用的事那些，这种情况下，也需要用到模型来帮助选变量，最后一个原因是我们可以甄别这个因素是正向促进因素，还是反向促进因素。
通过建模的结果，我们可以得到以下以下关于消费者的模型：
1）忠诚度模型
2）满意度模型
3）价格敏感度模型
4）归因模型
5）客户流失模型
产生这些模型背后的算法有：
1）线性回归
2）逻辑回归
3）决策树
4）时间序列
5）Random forest，boosting，SVM，PCA等等
第三步：预测分析
预测正确的时机，得到先发制人的营销效果。有了第一步和第二步的准备，我们需要预测一下，如果我做一些调整，将会有什么变化和影响。
用到的模型有：
1）意向打分模型
2）品牌忠诚度打分
3）购买渠道偏好模型
4）触媒使用习惯
6）销量预测
5）生存分析模型
比如： 意向打分模型 。我们发现，如果用现有的因素，消费者会转换的倾向可能是60%，但是如果我对一些因素做了一些调整，如：我给现有客户多发2个广告，客户会购买的可能性上升到65%；如果，给客户多发5个广告，客户会购买的可能性上升到85%。通过这样的调整，我能够预估，将来的广告成本，或者转化带来的收入等。
又比如： 通过时间序列模型，我们可以预测到明年购买某品牌车型的消费者有10万人，这样对明年的生产计划和营销计划就能有一个前期的应对准备。
第四步：决策分析应用
1）提供战略推荐
2）优化
3）市场模拟
4）A／B测试
第三步的例子提到多发2个广告，转化率为65%；多发5个广告转化率为85%。那么如果多发3个？多发4个广告，结果又会如何呢？学术界一直在寻找最优化完美的答案来解决这个问题：我到底发几个广告，才能让我的利润达到最大化呢？
我们都知道在做回归模型的时候，有以下几个假设条件：
1、随机误差项是一个期望值或平均值为0的随机变量；
2、对于解释变量的所有观测值，随机误差项有相同的方差；
3、随机误差项彼此不相关；
4、解释变量是确定性变量，不是随机变量，与随机误差项彼此之间互相独立
5、解释变量之间不存在精确的线性关系，即解释变量的样本观测值矩阵是满秩矩阵
6、随机误差项服从正态分布
实际上，现实生活中很难达到这种理想的状态，而且最大化这个概念，从数学角度讲，会涉及到优化求极值的问题，很多情况下，我们实际上求到是局部优化（localoptimization）的解，而不是全局优化（globaloptimization）的解。
所以在这种情况下，管理学中衍生出了市场模拟方法来决定最后方案，最有名的一个方法是沙盘模拟，但是这些模拟往往到了真正落地的时候，又会和之前的结果有差距。
所以近些年来，越来越多的公司选择做A/B测试。当你对几个方案没有很大的把握，或者对预测结果不是特别自信的时候，A／B测试的出现，解决了这些顾虑。最近的一个成功的案例是Amazon通过A/B测试的方法，把“order”从账户栏，放入了主页的菜单栏，为公司带来的非常可观的营收增长。
A/B测试需要注意的是：
1）样本的数量
2）人群的选择
3）时间的跨度
4）显著性统计
整个决策分析法即是阶梯又是一个闭环，根据实际的市场反应，再进行进一步的分析与迭代优化。
读完整个量化决策分析法后，你应该对以消费者为核心的大数据解决方案有了一定的思路框架。
热心网友
时间：2023-10-08 22:25
做过面向消费者产品解决方案的人都知道，每个项目开始前，客户都会提一些要求或者对现在营销状况的顾虑，比如我们想了解一下我们潜在消费者是谁；怎么发优惠券效果最好；或者，我们应该推出什么样子的新产品，能够赢得消费者口碑和青睐。在量化决策分析法中，这一系列的前期需求，我们把他称作为：客户需求或未来期望。
接下来，你需要了解该问题的现状，比如现有产品或服务的消费者是怎么样的，以前发的优惠券效果怎么样，现在市场的销量趋势如何等等。
当了解了客户需求和现在的现状后，我们需要慢慢抽丝剥茧，找出解决方案，填补这个空档。
一般来说，没有任何方*或者经验的咨询员或者分析师听到客户的这些期望后，他们会开始不知所措，无从下手。他们完全不知道该从哪个角度切入，收集哪些数据，做哪些假设，用什么方法分析。
其实像这类问题是有方*的，我们可以用四步循序渐进的方法来搭建现状与未来的桥梁。
第一步：描述性分析－What
发现问题。我们可以用看病的场景来类比下，病人去看病，说最近不舒服。于是医生让病人进一步描述一下怎么不舒服。这里也是一样，拿优惠促销的案例来说，我们会先了解客户以往有没有做过类似的促销案例，什么时候做的，效果怎么样。经由这些的问题产生一系列的KPI。
KPI产生的方法有以下几种：
1）我们提问，客户解答
2）从客户公司数据库获得信息（SQL）
3）从外部数据获得信息（第三方数据加强）
4）竞争伙伴信息
5）*信息
6）语义分析
7）其他
获得KPI的工具：
1）问答（座谈，电话，Email，短信，问卷）
2）数据库（SQL）
3）Excel
4）R，Python等软件
5）网站搜索资料
6）自然语言学习
7）其他
分析这些KPI变量：
这些KPI可以是绝对数，百分数，也可以是指数。可以是过去不同时期的对比数据，也可以是不同分组（如：人群分组，模式分组）的对比数据，或者和竞争对手的对比数据等。
通常 KPI分析的方法有：
1）单变量分析（univariate）
2）双变量分析（bivariate）
3）多变量分析（multivariate）
4）假设验证（hypothesis）
5）简单建模（clustering分组）
经过对这些KPI的分析，可以帮助我们形成：
1）已有消费者人物画像
2）潜在消费者人物画像
3）忠诚客户画像
4）消费者价值分组
5）其他
第二步：诊断性分析（why）
回答问题。我们同样用医生看病的例子来类比一下，当医生问完病人问题，通过问诊，X光等等，医生开始利用自己掌握的知识来对病人的病情做出诊断。
放到分析法中，这一步通常我们需要：
1）了解因果关系
2）了解各因素间敏感性如何
我们需要了解是由哪个原因，或者哪些原因造成了现在的市场现状。比如在前一个阶段，我们得到了50个非常有用的KPI，通过因果关系分析，我们确定了，其中有10个KPI起着重要的作用。结下来，我们会问，这10个因素中，每个因素单独的贡献是多少，有些可能非常高，有些可能相对较低。
那这个问题，我们可以通过建模来得到每个因素的贡献大小，同时模型还能起到剔除高相关变量的作用。还有一种用到模型的原因是，当因素达到上百，上千个的时候，很难用传统方法在如此多的因素中，甄别出最有用的事那些，这种情况下，也需要用到模型来帮助选变量，最后一个原因是我们可以甄别这个因素是正向促进因素，还是反向促进因素。
通过建模的结果，我们可以得到以下以下关于消费者的模型：
1）忠诚度模型
2）满意度模型
3）价格敏感度模型
4）归因模型
5）客户流失模型
产生这些模型背后的算法有：
1）线性回归
2）逻辑回归
3）决策树
4）时间序列
5）Random forest，boosting，SVM，PCA等等
第三步：预测分析
预测正确的时机，得到先发制人的营销效果。有了第一步和第二步的准备，我们需要预测一下，如果我做一些调整，将会有什么变化和影响。
用到的模型有：
1）意向打分模型
2）品牌忠诚度打分
3）购买渠道偏好模型
4）触媒使用习惯
6）销量预测
5）生存分析模型
比如： 意向打分模型 。我们发现，如果用现有的因素，消费者会转换的倾向可能是60%，但是如果我对一些因素做了一些调整，如：我给现有客户多发2个广告，客户会购买的可能性上升到65%；如果，给客户多发5个广告，客户会购买的可能性上升到85%。通过这样的调整，我能够预估，将来的广告成本，或者转化带来的收入等。
又比如： 通过时间序列模型，我们可以预测到明年购买某品牌车型的消费者有10万人，这样对明年的生产计划和营销计划就能有一个前期的应对准备。
第四步：决策分析应用
1）提供战略推荐
2）优化
3）市场模拟
4）A／B测试
第三步的例子提到多发2个广告，转化率为65%；多发5个广告转化率为85%。那么如果多发3个？多发4个广告，结果又会如何呢？学术界一直在寻找最优化完美的答案来解决这个问题：我到底发几个广告，才能让我的利润达到最大化呢？
我们都知道在做回归模型的时候，有以下几个假设条件：
1、随机误差项是一个期望值或平均值为0的随机变量；
2、对于解释变量的所有观测值，随机误差项有相同的方差；
3、随机误差项彼此不相关；
4、解释变量是确定性变量，不是随机变量，与随机误差项彼此之间互相独立
5、解释变量之间不存在精确的线性关系，即解释变量的样本观测值矩阵是满秩矩阵
6、随机误差项服从正态分布
实际上，现实生活中很难达到这种理想的状态，而且最大化这个概念，从数学角度讲，会涉及到优化求极值的问题，很多情况下，我们实际上求到是局部优化（localoptimization）的解，而不是全局优化（globaloptimization）的解。
所以在这种情况下，管理学中衍生出了市场模拟方法来决定最后方案，最有名的一个方法是沙盘模拟，但是这些模拟往往到了真正落地的时候，又会和之前的结果有差距。
所以近些年来，越来越多的公司选择做A/B测试。当你对几个方案没有很大的把握，或者对预测结果不是特别自信的时候，A／B测试的出现，解决了这些顾虑。最近的一个成功的案例是Amazon通过A/B测试的方法，把“order”从账户栏，放入了主页的菜单栏，为公司带来的非常可观的营收增长。
A/B测试需要注意的是：
1）样本的数量
2）人群的选择
3）时间的跨度
4）显著性统计
整个决策分析法即是阶梯又是一个闭环，根据实际的市场反应，再进行进一步的分析与迭代优化。
读完整个量化决策分析法后，你应该对以消费者为核心的大数据解决方案有了一定的思路框架。
