陈留
擅长统计分析，熟悉描述性统计学和回归检验，正在学习A/B测试，熟悉数学模型建立，正在学习机器学习，目前已经掌握了python和sql，可以熟练的利用excel函数处理数据，清楚pandas数据清洗方法，熟悉matlab和spss
获得徽章 0
#新人报道#
数据分析专题分析之业务逻辑设计
在做数据分析的时候，我们不免需要和大量的数据打交道，要么是全量数据的统计分析，要么是抽样数据的样本分析，对应采用的技术方案和需求设计截然不同，本篇仅仅讨论样板数据分析。
对于业务人员，可实施的业务逻辑通常需要经过场景验证下的业务节点上下游对接以及业务领域的规则设计。因此，我们可以从最简单的销售场景来进行举例。如同我之前写的《精益数据分析》学习笔记第二篇，当我们在讨论如何定义销售指标的时候我们在谈论什么——如何拆分和建立指标。
在销售过程中，可以分为基础几个步骤：用户浏览-用户点击-用户收藏-用户下单-确认收货。从浏览到下单的过程可以利用用户转化来拆分，可以通过设置用户行为转化漏斗来进行分析，对于每一次行为的转化都可以通过转化率来定位出现的场景和潜在问题。
比如浏览到点击，转化效率可能的影响因素有SKU产品简介、页面基本功能、平台用户浏览习惯、推荐机制等。其他环节也可以做类似拆分，推荐看看《精益数据分析》，可以获得很多启发。
当我们确定了影响因素，就可以开始构建指标体系了。首先可以通过影响因素类型进行类型区分，可以分为产品类、页面类、用户类、平台类。产品类可以进一步分为产品特征、产品价格、产品分类等；页面类可以分为页面动作、页面功能、页面板块等；用户类可以分为用户特征、用户行为、用户信息等；平台类可以分为平台机制、引流规则、内容规则等。
然后就可以根据每一种分层设置关系指标，如：SKU链接的价格分组，页面功能按钮的具体标签，用户浏览习惯路径，平台流量分配特征。将关系指标建立A/B测试或者回归分析，进一步了解转化率变化的原因。
本篇分析仅仅作为方法论简述，仅供参考，下一篇预计从数据入手详细分析一下具体的分析方法设计，如果有兴趣和我讨论以及商业合作的朋友，欢迎关注我的公众号：陈留的数据分析小岛
数据分析专题分析之业务逻辑设计
在做数据分析的时候，我们不免需要和大量的数据打交道，要么是全量数据的统计分析，要么是抽样数据的样本分析，对应采用的技术方案和需求设计截然不同，本篇仅仅讨论样板数据分析。
对于业务人员，可实施的业务逻辑通常需要经过场景验证下的业务节点上下游对接以及业务领域的规则设计。因此，我们可以从最简单的销售场景来进行举例。如同我之前写的《精益数据分析》学习笔记第二篇，当我们在讨论如何定义销售指标的时候我们在谈论什么——如何拆分和建立指标。
在销售过程中，可以分为基础几个步骤：用户浏览-用户点击-用户收藏-用户下单-确认收货。从浏览到下单的过程可以利用用户转化来拆分，可以通过设置用户行为转化漏斗来进行分析，对于每一次行为的转化都可以通过转化率来定位出现的场景和潜在问题。
比如浏览到点击，转化效率可能的影响因素有SKU产品简介、页面基本功能、平台用户浏览习惯、推荐机制等。其他环节也可以做类似拆分，推荐看看《精益数据分析》，可以获得很多启发。
当我们确定了影响因素，就可以开始构建指标体系了。首先可以通过影响因素类型进行类型区分，可以分为产品类、页面类、用户类、平台类。产品类可以进一步分为产品特征、产品价格、产品分类等；页面类可以分为页面动作、页面功能、页面板块等；用户类可以分为用户特征、用户行为、用户信息等；平台类可以分为平台机制、引流规则、内容规则等。
然后就可以根据每一种分层设置关系指标，如：SKU链接的价格分组，页面功能按钮的具体标签，用户浏览习惯路径，平台流量分配特征。将关系指标建立A/B测试或者回归分析，进一步了解转化率变化的原因。
本篇分析仅仅作为方法论简述，仅供参考，下一篇预计从数据入手详细分析一下具体的分析方法设计，如果有兴趣和我讨论以及商业合作的朋友，欢迎关注我的公众号：陈留的数据分析小岛
展开
评论
点赞