CDA Level 1 业务数据分析

目录

理解业务数据分析方法、掌握业务数据分析流程、能够使用及设计创建业务指标、能够结合业务模型及业务分析方法正确理解业务问题,找到问题原因,并能够提出解决问题建议,这个章节的应用会考的比较多(终于正经起来了呢,毕竟真正的大哥来了)

业务数据分析(30%)

数据驱动型业务管理方法(3%)

**销售漏斗模型:**关系型销售业务中最有效的销售管理方法,它是将销售业务与数据分析完美结合的产物,它的本质是对销售过程的风险控制;

先将发现潜在商业机会开始到现金回收为止的整个销售过程分为不同销售阶段;

再对每一个销售阶段进行有针对性的细致管理;
最终达到及早发现并回避潜在商业风险的目的;

销售漏斗模型中的业务及数据都是动态变化的,将每个不确定性尽可能变为确定性,用正确的销售决策最大限度地降低销售风险是设计及管理销售漏斗模型的目的所在;

**数据规范:**应保证销售漏斗数据的准确性与时效性;

**准确性:**销售阶段内容准确、上级金额准确、角色准确、时间准确、商机规模准确、其他维度数据准确;

时效性:销售阶段、商机金额、角色、时间、商机规模、其他维度数据。

有效数据为企业创建宝贵销售资源库;有效数据积累越多价值越高;

指标的应用与设计(12%)

=>指标:

1、定义:用简约的汇总数据量化业务强弱

2、理解:对度量的汇总,即数据的汇总规则(需要和维度结合)

3、分类:

求和类:

常规:对度量求和计数得到的指标

累计:随时间维度变化,从时间初值至当前时间点,时间段内度量的累加值

(本身已经是累计值的无需累计计算,如:库存数量,银行储值)

计数类:对度量计算得到的指标,数据唯一性

比较类:

差异百分比:指定维度下指标的某个值为基准点,比较当前值和指定值的差异变化率,用以帮助决策者了解当前数值的好坏

均比:与维度下指标的平均值比较(确认哪些拉高了均值,哪些拉低了均值)

(公式:(当前值-均值)/均值*100%)

定基比增长率:当前值与某一固定时期值对比,用以描述当期值的发展水平

(公式:(当期值-固定时期值)/固定时期值*100%)

同环比增长率:时间维度下某两个时间项对应指标值对比,用以描述当期值的发展水平,同比公式:(当期值-去年同期值)/去年同期值*100%;环比公式:(当期值-上期值)/上期值*100%;

=>流量指标:

1、常用计费方式:CPM(cost per mille)按每千次曝光收费、CPS(cost per sales)按实际销售收费、CPC(cost per click)按点击次数收费;

2、量:访客数(UV):访问对应维度的非重复用户数;浏览量(PV):维度下浏览页面的总次数;访问次数(Visits):统计会话数,一个会话内用户可访问多个页面;新访客数:新进访客数;

3、质:平均访问深度:浏览量/访问次数;跳失率:跳出次数/访问次数;新访客占比:新访客数/访客数;

=>转化指标:

转化率:根据业务流程观测阶段间流转后的留存比率,用以辅助决策者了解阶段间衔接的流畅性;公式:当前阶段/初始阶段(或上一阶段)*100%;

=>营运、销售类 指标:

成交额:GMV、实际销售额、税后销售额、退款额;

成交量:实际订单量、销量、退款订单量、上架数量;

完成情况:目标达成率、退货率;

效果:屏效、商品关联性;

=>库存 指标:

库存周转天数=库存量/最近N天平均销量>=安全库存天数

库龄:存放仓库时长;

库存周转次数=平均库存量/出库总量;

订货满足率=按合理需求正常供货次数/产品被要求供货的总次数;

缺货率=缺货次数/总订货次数;

售罄率=1-库存金额/进货金额;

=>绩效类指标:

绩效计划--绩效监控--绩效评价--绩效反馈;

=>客户相关指标:

注册用户数、浏览用户数、登录用户数;活跃用户数、留存率、在线时长、复购用户数;

推广渠道、注册、使用、离开;

=>指标分析方法:

1、纵向分析:时间周期下指标的变化规律(例:每月注册用户数变化趋势)

2、横向分析:指定维度下不同项的指标值的差异(例:1月各销售人员业绩比较)

3、预警分析:提供当前时间点对应维度的指标累计值、瞬间值、对比基准值(例:内存报警)

业务分析方法(15%)

行为效果分析:

行为效果分析:人--货--场

活动效果分析:前提是数据可获取;活动目的(人、物、绩效)---活动形式(发优惠券、营销小游戏)---量化效果(用指标值量化活动目标,同时需量化业务流程中的关键节点);

日常销售分析:在指定时间范围内,回顾日常经营性行为;

业务分析模型:

RFM模型:(R:最近一次消费时间差 ;F:消费的频次 ,M:消费金额)

1、核心:用户分类

2、背诵重点:

用户忠诚度模型:

漏斗模型:

业务分析方法:

1、树状结构分析:

梳理行业内经营谈及的指标;

将指标拆解为另外多个指标的和或乘积(或同一指标不同维度),逐层下钻,直至无法快速理解;

将指标按拆解思路排放成树状结构,增加对比指标,如同比或环比值,通过观察变化比率快速定位问题

2、二八分析(帕累托分析):主要用于定位重点(核心)用户

3、四象限分析(代表:波士顿矩阵):

4、同期群分析:衡量指定对象组在某一段时期内的持续性行为差异

相关推荐
jia V iuww5201 分钟前
数据分析
人工智能·数据挖掘·数据分析
叫我:松哥1 小时前
基于机器学习的癌症数据分析与预测系统实现,有三种算法,bootstrap前端+flask
前端·python·随机森林·机器学习·数据分析·flask·bootstrap
Kenneth風车2 小时前
【机器学习(九)】分类和回归任务-多层感知机 (MLP) -Sentosa_DSML社区版
人工智能·算法·低代码·机器学习·分类·数据分析·回归
凑齐六个字吧4 小时前
单样本Cellchat(V2)细胞通讯分析学习和整理
数据分析
新榜有数4 小时前
品牌建设是什么?怎么做好品牌建设?
大数据·矩阵·数据分析·新媒体运营·流量运营·媒体·内容运营
qingyunliushuiyu6 小时前
企业如何使用数据分析管理系统
数据分析·数据采集·bi·数据分析系统·数据分析管理系统
叫我:松哥7 小时前
基于python flask的高血压疾病预测分析与可视化系统的设计与实现,使用随机森林、决策树、逻辑回归、xgboost等机器学习库预测
python·决策树·随机森林·机器学习·数据分析·flask·逻辑回归
friklogff7 小时前
【C#生态园】从数据分析到机器学习:掌握C#统计学库的核心功能
机器学习·数据分析·c#
零澪灵8 小时前
ChartLlama: A Multimodal LLM for Chart Understanding and Generation论文阅读
论文阅读·python·自然语言处理·数据分析·nlp