数据分析基本思路、模型与指标拆解方法

一、数据分析基本思路1. 概述

在使用数据进行数据分析时，经常要使用到一些基本的分析思维，比如时间趋势、下钻查询、对比等等。

本文说明一些常用的数据分析基本思路。

1.1 说明

在开始进行数据分析之前，需要思考分析的用途以及希望传达给查看者的信息。

进行数据分析时，明确分析目的才能直观展示分析结果。

画出思维脑图也是一个很好的方案。

2. 数据分析基本思路的七种类型

下表描述了可以采用的七种不同的数据分析基本思路，并为每种方法提供了示例。

数据故事类型	说明
随着时间而改变	作用：使用时间段来说明一个趋势。 示例：采购降本分析 ：供应商采购金额分析查看时间趋势下的单价数据情况。
下钻查询	作用：设置上下文，以便查看者更好地了解更细粒度特定类别下的数据信息。 示例：营销组织销售分析：从小组绩效下钻到个人绩效得分情况。
缩小	作用：描述查看者关注的内容与大局的关系，某个具体内容对大局的影响。 示例：客户数下滑分析 ：哪些客户类型和层级的大量下滑影响了总客户数。
对比	作用：表明两个或多个主题的差异。 示例：客户数下滑分析 ：对比两个年度（2017、2018）客户类型和层级的下滑情况。
十字路口	作用：当一种类别超过另一种类别时突出重要的转变。
因素	作用：通过将主题分成不同类型或类别来解释主题。 示例：2020 上半年经营分析报告：从销售额、毛利率、费用及人力成本三个方面分析上边年的经营状况。
离群值	作用：显示异常或事件的特别异常之处。 示例：毛利率异常分析 ：通过定位异常毛利月份、异常门店、异常商品/类别、异常订单明细找出问题。

3. 注意事项3.1 简洁明了、突出重点

数据展示邀请其简洁。确保每个组件都是有用的，且如果不需要说明、标题、图例或网格线，可进行取消设置。

之前	之后

3.2 设置组件的适应方式

组件是 FineBI 数据分析常见组成部分。对于这些数据组件，可以使用 自适应显示 。它会调组件大小，以使其大小适合要创建的仪表板，如下图所示：

3.3 提升组件数据加载显示速度

若您在仪表板使用了过多的计算、或者是使用了实时数据，可能会出现查看仪表板时加载速度慢的问题。

可查看 仪表板展示速度慢排查步骤 进行处理优化。

二、数据分析指标拆解方法

1. 概述

使用 FineBI 能方便的帮助用户进行数据处理和数据可视化展示，洞察数据背后的意义。

但进行数据分析的第一步就是在拿到数据后从哪些角度进行分析，也就是如何进行数据指标的拆解。建立自己的指标体系，达到分析目的。

本文浅析如何寻找分析角度，对要分析的对象进行数据指标拆解。

2. 拆解流程

流程如下图所示：

3. 示例

本文以两个示例进行讲解。

3.1 明确分析目标

进行数据指标拆解的第一步就是明确要分析的目标。

例如现在有两个目标需要达成：

3.2 确定问题

在明确分析目标后，就需要确定为了达成该目标，需要提出围绕该目标需要解决的问题，可以使用思维脑图，写出在看到该目标后产生的问题。

3.3 拆解问题（确定计算公式）

在确定问题后，就需要找到能够数值化衡量这些问题的指标，以及它们的计算方式。

3.4 拆解指标&拓展维度布局

• 计算方式确定，就可通过分析组成这些计算公式的指标来探究影响其的原因，比如销售额=单价*数量，那么就可从「单价」、「数量」来分析销售额变动，以一个指标为定量，分析对比其他指标变化。
• 同时以计算公式结果为指标，拓展维度（比如地区、时间、品类等等）来探究不同维度下的指标差异。
  
  

3.5 最终结果展示

展示结果按照总—分方式，如下图所示：

三、常用数据分析模型与方法

1. 索引

在进行数据分析过程中，通常需要使用各种模型来证明自己的分析观点，一是为了使自己的结论更具备说服力，二是让自己的论证过程更具备逻辑性和条理性。

FineBI 推出部分数据分析方法，帮助用户更好的使用 BI 进行数据分析。

分析类型	模型/方法
对外用户分析	RFM 分析
	ABC分析
	波士顿矩阵图
	转化分析
	购物篮分析-关联规则
	复购率分析
	留存分析
	用户画像分析
内部营运分析	库存周转分析
	杜邦分析

2. RFM模型

1）概述

RFM 用于对用户进行分类，并判断每类细分用户的价值。

通过

• 最近一次消费时间（R）：客户距离最近的一次采购时间的间隔。
• 最近一段时间内消费频次（F）：指客户在限定的期间内所购买的次数。
• 最近一段时间内消费金额（M）:客户的消费能力，通常以客户单次的平均消费金额作为衡量指标。
  
  

这三个关键指标判断客户价值并对客户进行观察和分类，针对不同的特征的客户进行相应的营销策略，如下图所示：

2）实现方式

FineBI 实现效果如下图所示：

帮助文档请点击：RFM 分析

仪表板查看请点击：RFM分析

3. 帕累托分析

1）概述

帕累托分析又叫 ABC 分析，分类的核心思想：少数项目贡献了大部分价值。以款式和销售量为例：A 款式数量占总体 10% ，却贡献了 80% 的销售额。

把产品或业务分为A、B、 C三类，用于分清业务的重点和非重点，反映出每类产品的价值对库存、销售、成本等总价值的影响，从而实现差异化策略和管理。

2）实现方式

FineBI 实现效果如下图所示：

帮助文档请点击：ABC分析

仪表板查看请点击：ABC分析

4. 波士顿矩阵

1）概述

波士顿矩阵通过销售增长率（反映市场引力的指标）和市场占有率（反映企业实力的指标）来分析决定企业的产品结构。

波士顿矩阵将产品类型分为四种，如下图所示：

2）实现方式

FineBI 实现效果如下图所示：

帮助文档请点击：波士顿矩阵图

5. 转化分析

1）概述

转化漏斗模型，是分析用户使用某项业务时，经过一系列步骤转化效果的方法。

转化分析可以分析多种业务场景下转化和流失的情况，不仅找出产品潜在问题的位置，还可以定位每个环节流失用户，进而定向营销促转化。

2）实现方式

FineBI 实现效果如下图所示：

帮助文档请点击：转化分析

仪表板查看请点击：转化分析

6. 购物篮分析-关联规则

1）概述

大家应该都听过这样一个经典案例：超市里经常会把婴儿的尿不湿和啤酒放在一起售卖，原因是经过数据分析发现，买尿不湿的家长以父亲居多，如果他们在买尿不湿的同时看到了啤酒，将有很大的概率购买，从而提高啤酒的销售量。

这种通过研究用户消费数据，将不同商品之间进行关联，并挖掘二者之间联系的分析方法，就叫做商品关联分析法，即「购物篮分析」

通过「支持度」、「置信度」、「提升度」三个指标判断商品见的关联。

2）实现方式

FineBI 实现效果如下图所示：

帮助文档请点击：购物篮分析-关联规则

仪表板查看请点击：购物篮分析

7. 复购率分析

1）概述

复购率是指最近一段时间购买次数，用于说明用户的忠诚度，反向则说明商品或服务的用户黏性。

2）实现方式

FineBI 实现效果如下图所示：

帮助文档请点击：复购率分析

仪表板查看请点击：复购分析

8. 留存分析

1）概述

留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考查看进行初始行为后的用户中， 经过一段时间后仍然存在客户行为（如登录、消费）。

计算公式：某一段时间内（时间段a）的新增用户在若干天后的另一段时间（时间段b）的留存数量 / （时间段a）的新增用户总量

2）实现方式

FineBI 实现效果如下图所示：

帮助文档请点击：留存分析

仪表板查看请点击：留存分析

9. 库存周转分析

1）概述

库存周转率是企业在一定时期销货成本与平均存货余额的比率，用于反映库存周转快慢程度。周转率越高表明存货周转速度越快，从成本到商品销售到资金回流的周期越短，销售情况越好。

库存周转天数是企业从取得存货开始，至消耗、销售为止所经历的天数。周转天数越少，说明存货变现速度越快，销售状况越良好。

2）实现方式

FineBI 实现效果如下图所示：

帮助文档请点击：库存周转分析

仪表板查看请点击：库存周转分析

10. 杜邦分析

1）概述

杜邦分析法利用几种主要的财务比率之间的关系来综合地分析企业的财务状况，用来评价公司盈利能力和股东权益回报水平，从财务角度评价企业绩效。

其基本思想是将企业净资产收益率逐级分解为多项财务比率乘积，这样有助于深入分析比较企业经营业绩。

2）实现方式

FineBI 实现效果如下图所示：

帮助文档请点击：杜邦分析

仪表板查看请点击：杜邦分析

11. 用户画像分析

1）概述

用户画像就是与该用户相关联的数据的可视化的展现；一句话来总结就是：用户信息标签化。

通过对用户人口属性：用户的年龄、性别、所在的省份和城市、教育程度、婚姻情况、生育情况、工作所在的行业和职业等和行为特征：活跃度、忠诚度等指标进行分析，从而帮助企业对用户进行精准营销、辅助业务决策。

2）实现方式

FineBI 实现效果如下图所示：

仪表板查看请点击：用户画像分析

12. 同环比分析

1）概述

同比发展速度主要是为了消除季节变动的影响，用以说明本期发展水平与去年同期发展水平对比的相对发展速度。

环比表示连续2个统计周期（比如连续两月）内的量的变化比。

计算公式：

同比：（本期销售额-去年同期销售额）/去年同期销售额

环比：（本期销售额-上个周期销售额）/上个周期销售额

2）实现方式

FineBI 实现效果如下图所示：

帮助文档请点击：求同比和环比-表维度非日期、求同比和环比-表维度为日期

仪表板查看请点击：同环比分析