數(shù)倉要了解的BI數(shù)據(jù)分析方法

點擊上方“數(shù)據(jù)管道”，選擇“置頂星標”公眾號

干貨福利，第一時間送達

數(shù)倉開發(fā)經(jīng)常需要與數(shù)據(jù)表打交道，那么數(shù)倉表開發(fā)完成之后就萬事大吉了嗎？顯然不是，還需要思考一下如何分析數(shù)據(jù)以及如何呈現(xiàn)數(shù)據(jù)，因為這是發(fā)揮數(shù)據(jù)價值很重要的一個方面。通過數(shù)據(jù)的分析與可視化呈現(xiàn)可以更加直觀的提供數(shù)據(jù)背后的秘密，從而輔助業(yè)務(wù)決策，實現(xiàn)真正的數(shù)據(jù)賦能業(yè)務(wù)。通過本文你可以了解到：

• 帕累托分析方法與數(shù)據(jù)可視化
• RFM分析與數(shù)據(jù)可視化
• 波士頓矩陣與數(shù)據(jù)可視化

帕累托分析與數(shù)據(jù)可視化

基本概念

帕累托(Pareto)分析法，又稱ABC分析法，即我們平時所提到的80／20法則。關(guān)于帕累托(Pareto)分析法，在不同的行業(yè)都有不同的應(yīng)用。

• 舉個栗子

在企業(yè)的庫存管理中，可以發(fā)現(xiàn)少數(shù)品種在總需用量(或是總供給額、庫存總量、儲備金總額)中，占了很大的比重，但在相應(yīng)的量值中所占的比重很少。因此可以運用帕累托分析法，將企業(yè)所需的各種物品，按其需用量的大小、物品的重要程度、資源短缺和采購的難易程度、單價的高低、占用儲備資金的多少等因素分為若干類，實施分類管理。

商品銷售額分析中，某些商品的銷售額占了總銷售額的很大部分，某些商品的銷售額僅占很小的比例，這樣就可以將其分為A、B、C幾大類，對銷售額占比較多的分類進行投入，以獲得更多的銷售額。

在質(zhì)量分析中，對某種原因?qū)е庐a(chǎn)品質(zhì)量不合格的產(chǎn)品數(shù)量進行分析，使用帕累托(Pareto)分析法，可以很直觀的看出哪些原因造成了產(chǎn)品質(zhì)量不合格以及哪些原因比較嚴重。這樣就可以著重解決重要的問題，明確目標，更易于操作。

• 另一種表述方式

根據(jù)事物在技術(shù)或經(jīng)濟方面的主要特征，進行分類，分清重點與非重點。對每一種分類進行區(qū)別對待管理，把被分析的對象分成 A、B、C 三類，三類物品沒有明確的劃分數(shù)值界限。

分類的核心思想：少數(shù)貢獻了大部分價值。以商品品類和銷售額為例：A 品類數(shù)量占總體 10% ，卻貢獻了 80% 的銷售額。

數(shù)據(jù)分析案例

• 效果圖

• 實現(xiàn)步驟

假設(shè)有如下數(shù)據(jù)集格式：

需要將數(shù)據(jù)加工成下面的格式：

具體的SQL實現(xiàn)如下：

SELECT?
?????brand,?--?品牌
?????total_money,?--?銷售額
?????sum(total_money)?over()?AS?sum_total_money,--?銷售總額
?????sum(total_money)?over(ORDER?BY?total_money?DESC?ROWS?BETWEEN?UNBOUNDED?PRECEDING?AND?CURRENT?ROW)?AS?acc_sum_total_money?--?累計銷售額
FROM?sales_money

上面給出了具體的SQL實現(xiàn)，其實BI工具已經(jīng)內(nèi)置了許多的處理函數(shù)和拖拽式的數(shù)據(jù)處理，不需要寫SQL也可以將一份明細數(shù)據(jù)加工成上面的形式。

• 結(jié)論分析

從上面的帕累托圖中可以看出：A類的(綠色部分)占了總銷售額的80%左右，B類(黃色部分)占總銷售額的10%,C類(紅色部分)占總銷售額的10%。接下來可以進行長尾分析，制定營銷策略等等。

RFM分析與數(shù)據(jù)可視化

基本概念

RFM模型是在客戶關(guān)系管理(CRM)中常用到的一個模型,RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段。該模型通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢三項指標來描述該客戶的價值狀況。

RFM模型較為動態(tài)地層示了一個客戶的全部輪廓，這對個性化的溝通和服務(wù)提供了依據(jù)，同時，如果與該客戶打交道的時間足夠長，也能夠較為精確地判斷該客戶的長期價值(甚至是終身價值)，通過改善三項指標的狀況，從而為更多的營銷決策提供支持。

在RFM模式中，包括三個關(guān)鍵的因素，分別為：

• R(Recency)：表示客戶最近一次購買的時間有多遠，即最近的一次消費，消費時間越近的客戶價值越大
• F(Frequency)：表示客戶在最近一段時間內(nèi)購買的次數(shù)，即消費頻率，經(jīng)常購買的用戶也就是熟客，價值肯定比偶爾來一次的客戶價值大
• M (Monetary)：表示客戶在最近一段時間內(nèi)購買的金額，即客戶的消費能力，通常以客戶單次的平均消費金額作為衡量指標，消費越多的用戶價值越大。

最近一次消費、消費頻率、消費金額是測算消費者價值最重要也是最容易的方法，這充分的表現(xiàn)了這三個指標對營銷活動的指導意義。而其中，最近一次消費是最有力的預(yù)測指標。

通過上面分析可以對客戶群體進行分類：

數(shù)據(jù)分析案例

• 效果圖

• 實現(xiàn)步驟

假設(shè)有如下的樣例數(shù)據(jù)：

需要將數(shù)據(jù)集加工成如下格式：

具體SQL實現(xiàn)

SELECT?
?????customer_name,--?客戶名稱
?????customer_avg_money,--?當前客戶的平均消費金額
?????customer_frequency,?--?當前客戶的消費頻次
?????total_frequency,--?所有客戶的總消費頻次
?????total_avg_frequency,?--?所有客戶平均消費頻次
?????customer_recency_diff,?--?當前客戶最近一次消費日期與當前日期差值
?????total_recency,?--?所有客戶最近一次消費日期與當前日期差值的平均值
?????monetary,--?消費金額向量化
?????frequency,?--?消費頻次向量化
?????recency,?--?最近消費向量化
?????rfm,?--?rfm
?????CASE
????????WHEN?rfm?=?"111"?THEN?"重要價值客戶"
????????WHEN?rfm?=?"101"?THEN?"重要發(fā)展客戶"
????????WHEN?rfm?=?"011"?THEN?"重要保持客戶"
????????WHEN?rfm?=?"001"?THEN?"重要挽留客戶"
????????WHEN?rfm?=?"110"?THEN?"一般價值客戶"
????????WHEN?rfm?=?"100"?THEN?"一般發(fā)展客戶"
????????WHEN?rfm?=?"010"?THEN?"一般保持客戶"
????????WHEN?rfm?=?"000"?THEN?"一般挽留客戶"
????END?AS?rfm_text
FROM
??(SELECT?
???????customer_name,--?客戶名稱
???????customer_avg_money,--?當前客戶的平均消費金額
???????customer_frequency,?--?當前客戶的消費頻次
???????total_avg_money?,--?所有客戶的平均消費總額
???????total_frequency,--?所有客戶的總消費頻次
???????total_frequency?/?count(*)?over()?AS?total_avg_frequency,?--?所有客戶平均消費頻次
???????customer_recency_diff,?--?當前客戶最近一次消費日期與當前日期差值
???????avg(customer_recency_diff)?over()?AS?total_recency,?--?所有客戶最近一次消費日期與當前日期差值的平均值
???????if(customer_avg_money?>?total_avg_money,1,0)?AS?monetary,?--?消費金額向量化
???????if(customer_frequency?>?total_frequency?/?count(*)?over(),1,0)?AS?frequency,?--?消費頻次向量化
???????if(customer_recency_diff?>?avg(customer_recency_diff)?over(),0,1)?AS?recency,?--?最近消費向量化
???????concat(if(customer_recency_diff?>?avg(customer_recency_diff)?over(),0,1),if(customer_frequency?>?total_frequency?/?count(*)?over(),1,0),if(customer_avg_money?>?total_avg_money,1,0))?AS?rfm
???FROM
?????(SELECT?
???????????customer_name,?--?客戶名稱
???????????max(customer_avg_money)?AS?customer_avg_money?,?--?當前客戶的平均消費金額
???????????max(customer_frequency)?AS?customer_frequency,?--?當前客戶的消費頻次
???????????max(total_avg_money)?AS?total_avg_money?,--?所有客戶的平均消費總額
???????????max(total_frequency)?AS?total_frequency,--?所有客戶的總消費頻次
???????????datediff(CURRENT_DATE,max(customer_recency))?AS?customer_recency_diff?--?當前客戶最近一次消費日期與當前日期差值
??????FROM
????????(SELECT?
???????????????customer_name,?--?客戶名稱
???????????????avg(money)?over(partition?BY?customer_name)?AS????????????????customer_avg_money,?--?當前客戶的平均消費金額
???????????????count(amount)?over(partition?BY?customer_name)?AS?customer_frequency,?--?當前客戶的消費頻次
???????????????avg(money)?over()?AS?total_avg_money,--?所有客戶的平均消費總額
???????????????count(amount)?over()?AS?total_frequency,?--所有客戶的總消費頻次
???????????????max(sale_date)?over(partition?BY?customer_name)?AS?customer_recency?--?當前客戶最近一次消費日期

???????FROM?customer_sales)?t1
???????GROUP?BY?customer_name)t2)?t3

通過上面的分析，可以為相對應(yīng)的客戶打上客戶特征標簽，這樣就可以針對某類客戶指定不同的營銷策略。

波士頓矩陣與數(shù)據(jù)可視化

基本概念

波士頓矩陣BCG Matrix又稱市場增長率-相對市場份額矩陣、波士頓咨詢集團法、四象限分析法、產(chǎn)品系列結(jié)構(gòu)管理法等。

BCG矩陣區(qū)分出4種業(yè)務(wù)組合:

• 1.明星型業(yè)務(wù)（Stars，指高增長、高市場份額）
• 2.問題型業(yè)務(wù)（Question Marks，指高增長、低市場份額）
• 3.現(xiàn)金牛業(yè)務(wù)（Cash cows，指低增長、高市場份額）
• 4.瘦狗型業(yè)務(wù)（Dogs，指低增長、低市場份額）

波士頓矩陣通過銷售增長率（反映市場引力的指標）和市場占有率（反映企業(yè)實力的指標）來分析決定企業(yè)的產(chǎn)品結(jié)構(gòu)。

案例

• 效果圖

• 實現(xiàn)步驟

本案例以分析客戶為背景，將客戶分類，找到明星客戶、現(xiàn)金牛客戶、問題客戶以及瘦狗客戶。

假設(shè)數(shù)據(jù)集的樣式如下：

• 首先需要計算客單價：每個客戶的平均消費金額，即客單價=某客戶總消費金額)/某客戶消費次數(shù)

• 其次需要計算記錄數(shù)：每個客戶的消費次數(shù)，即某個客戶總共消費的次數(shù)

• 接著需要計算平均消費金額：所有客戶的平均消費金額，即所有客戶的總消費金額/所有客戶消費次數(shù)

• 最后計算平均消費次數(shù)：所有客戶的平均消費次數(shù)，即所有客戶的總消費次數(shù)/總客戶數(shù)

具體SQL實現(xiàn)：

SELECT?
????customer_name,?--?客戶名稱
????customer_avg_money,?--?客單價
????customer_frequency?,?--?當前客戶的消費次數(shù)
????total_avg_money,--?所有客戶的平均消費金額
????total_frequency?/?count(*)?over()?AS?total_avg_frequency?--?平均消費次數(shù)

FROM
??(SELECT?
????????customer_name,?--?客戶名稱
????????max(customer_avg_money)?AS?customer_avg_money,?--?客單價
????????max(customer_frequency)?AS?customer_frequency?,?--?當前客戶的消費次數(shù)
????????max(total_avg_money)?AS?total_avg_money,--?所有客戶的平均消費金額
????????max(total_frequency)?AS?total_frequency?--所有客戶的總消費頻次

???FROM
?????(
????????SELECT
?????????????customer_name,?--?客戶名稱
?????????????avg(money)?over(partition?BY?customer_name)?AS?customer_avg_money,?--?客單價
?????????????count(*)?over(partition?BY?customer_name)?AS?customer_frequency,?--?當前客戶的消費次數(shù)
?????????????avg(money)?over()?AS?total_avg_money,--?所有客戶的平均消費金額
?????????????count(*)?over()?AS?total_frequency?--所有客戶的總消費頻次

????????FROM?customer_sales?)?t1
????GROUP?BY?customer_name)?t2

經(jīng)過上面的分析，大致可以看出客戶畫像：

• 某客戶的消費次數(shù)超過平均值，并且每次消費力度(客單價)也超過平均水平的客戶：判定為明星客戶，這類客戶需要重點關(guān)注；
• 某客戶的消費次數(shù)超過平均值，但每次消費力度未達到平均水平的客戶：被判定為現(xiàn)金?？蛻?，這類客戶通常消費頻次比較頻繁，能給企業(yè)帶來較為穩(wěn)定的現(xiàn)金流，這類客戶是企業(yè)利潤基石；
• 某客戶的消費次數(shù)未達到平均值，但每次消費力度超過平均水平的客戶：是問題客戶，這類客戶最有希望轉(zhuǎn)化為明星客戶，但是因為客戶存在一定的潛在問題，導致消費頻次不高，這類客戶需要進行重點跟進和長期溝通；
• 消費次數(shù)未達到平均值，消費力度也未達到平均水平的客戶：屬于瘦狗客戶，這類客戶通常占企業(yè)客戶的大多數(shù)，只需要一般性維護，如果企業(yè)資源有限，則可以不用投入太多的精力。

總結(jié)

本文主要介紹了數(shù)倉開發(fā)應(yīng)該要了解的常見的數(shù)據(jù)分析方法，主要有三種：帕累托分析、RFM分析以及波士頓矩陣分析。本文分別介紹了三種分析方法的基本概念、操作步驟以及SQL實現(xiàn)，并給出了相應(yīng)的可視化分析圖表，每個案例都是企業(yè)的真實應(yīng)用場景。希望給數(shù)倉開發(fā)的同學提供一些觀察數(shù)據(jù)的分析角度，從而在實際的開發(fā)過程中能夠多思考一下數(shù)據(jù)的應(yīng)用價值以及數(shù)據(jù)如何賦能業(yè)務(wù)，進一步提升自己的綜合能力。