CPDA那些事|上海37期大數據沙龍回顧三
四. 數據分析案例分享
4.1 老生常談RFM客戶價值分析
當具備了基本的分析能力以后，你就會開始去尋找數據分析的方法論，而且同時你還會徘徊在業務適用與理論結論的矛盾之間。
為了便于描述這種現象，我拿RFM客戶價值分析舉例。
參加過CPDA培訓的人或者數據分析的愛好者對RFM模型并不生疏，因為它是由統計方法衍生出來的，所以很多工具都能實現，很多工具書中都會有記載，所以很多人都能夠快速上手。（現場就如何使用RFM客戶價值分析做了簡要說明）
值得注意的是，當理論的結論不適用我們時，我們是否具有勇氣，嘗試組合方法。畢竟組合方法存在一定的爭議，又不被知名人士驗證，所以不同的人可能會有不同的看法，所以顯然會被告知不嚴謹。
我們看看PPT中右邊的方法：與原理不一樣的地方是，在進行數據標準化以后，我們進行了聚類，加了聚類算法能夠很好的幫助我們根據某個目標目的將數據進行分類，這里加入聚類就是為了能夠更好的幫助我們進行群的分類。在分類完成后，我們才會基于群的均值去判斷客戶所處的網絡位置和價值得分，還有群間的對比，最后輸出結果。因為客戶是在群中比較的，所以也顯得相對公平。
顯然后者的方法看起來更符合業務使用，但會存在爭議。
有人問：當我們知道了某貨品的近3年每月銷售量情況，請預測該貨品2021年7~12月銷量總和時，我們該如何去做預測？
也許有人會說：可以通過時間序列搞搞，也許有人會說通過環比同比綜合判斷，也會有人說通過回歸算法算算等等。
可以跟大家分享一下，當我遇到這道題時的做法：當我遇到這個問題時，我首先會跳出預測所為我設計的路線。我不會問自己這種業務用哪種算法合適，而是會先問自己，在這個場景下，預測的本質是什么？是求附加參考值，還是目標范圍值，還是概率發生值。
只要當你明確了你所想要的結果，那么你就知道你所要采取的方法，這里我想著是求一個附加參考值，畢竟目標值業務已經基于常態決策思路初步鎖定。
竟然業務已經鎖定目標值，那么在知識有差異的前提下，貿然采用算法去計算，業務也很難理解，于是我對所要求的結果定義為求附加參考值，所以我就沒有把它當成算法題來看待，而是把它當成數組題來看待。
轉為數據來看待后，其實就得看每年的結果的形成（也就是月度指標）是否穩定，如果每月的指標相對穩定，那么那年的值是具備參考意義的。
經統計發現對比，形成了右側的結果。透過標準差、最大最小值、平均值來看歷年值的穩定程度，綜合得知2018年的值是較具有參考意義的。
假如非得用算法去計算，其實也可以，比如說用時間序列算法，那就把季節影響的考慮給排除，只取同結果月份一樣的數據進行計算，這樣子也會求得一個附加參考值。
當你具備了基本分析能力，你就會想著在企業中能有更大的發揮空間，那么基于這種情況，我們小結了一下，可以從這4點突破，也是許多企業家比較樂于見到的。
第一點就是要使企業內的各部門人員，更高效的觀察數據，我們可以通過各種數據分析工具，去建立模型，讓人員不用在做表，優化他們的時間，讓他們能夠有更多的時間在做決策上，在做業務分析上。
當完成了第一點，你就會收獲來自于團隊的信任，你就可以對業務進行進一步了解。可以通過協助某業務部門做關鍵指標的異動查因，然后找出規律，提供嘗試辦法。當小辦法獲得驗證后，可以順著了解更多的關鍵指標，去理解業務思維中所理解的指標本質，而此時因為進一步的信任，你會與業務溝通更加緊密，你有發現告訴他，他描述不清晰的地方也會補充告知你。
當完成了前兩項，你會收到更重要的任務，就是開始對一些策略進行評估。而此時你也不需要太過于擔心，只要基于業務經驗的基礎上，融入數理進行科學約束步驟，量化過程即可。
當完成幾個策略評估后，對于在公司中建立立體化的運營管理體系，就會了然于胸了。
當然，想要完成這些，我們勢必需要借助工具進行實現，在沒有技術的支持下，除了SQL、python等技術語言，我們建議可以通過kettle去做ETL，做數據處理方面的工作，也可以通過IBM Spss Modeler來進行數據挖掘，最后通過PowerBI來搭建報表服務器，制作內外網訪問的網頁端、APP端的數據可視化作品。
我們在給企業制定過渡解決方案時，會通過這些工具來進行處理事務，只有當業務明確后，才會去寫腳本，去用技術語言構建模型與程序。
周師兄滿滿正能量的干貨分享，可以直接掃碼觀看回放（回看截止日期為2021年1月21日，抓緊時間哦！）
国产精品一区二区久久不卡
