基于数据发现或分析取得创新性成果的案例.pdfVIP

基于数据发现或分析取得创新性成果的案例

数据分析工作中遇到很多业务问题，虽然每个案例业务背景不同，

但是大致能够分为3种不同的场景。

1、犯罪现场调查——描述性分析

该场景是针对业务问题，通过数据分析确认问题的本质、问题异变的原

因，同时给出问题改善方案。方法：做好数据呈现，深入理解业务，找

出业务异变关键点。

业务案例：某生鲜电商平台用户复购率过低，在流量愈加昂贵的情况下，

无法实现部门年度目标，希望定位复购率不足的原因。

解决步骤：

（1）复购率的定义是什么？

A公司的复购率和B公司的复购率定义不同，甚至同一公司C部门和D

部门关于复购率放入定义都有差异。首选搞清楚复购率的定义口径是什

么。

（2）复购率过低，目前值是多少？业务方想要的复购率是多少？

如果上个月的复购率是10%，业务方需要一周内将指标就提升至90%，

那大概率异想天开。

复购率过低，横向对比，是针对不同生鲜电商平台进行对比，其他平台

的复购率是20%，而自己平台只有10%。纵向对比，是针对自己不同

月份的复购率对比，上一个月还是22%，这个月就掉到10%。

备注：数据皆为虚构

查看数据趋势，发现数据在3月份发生突变，将问题定位到二月、三月

2个月份。

第三步：数据分析

第四步：结论

因3月新用户增加较多，新用户的复购率较低，导致影响大盘的复购率。

影响复购率的因素还有很多，比如竞品在烧钱做活动，抢走了平台用户。

自己平台APP发布了新版本，有卡顿现象，影响用户体验，导致复购

率降低。

复购率存在虚低情况，用户中存在多个账号对应同一收货地址，可能用

家人手机号注册，薅平台新用户羊毛。

2、疯狂科学家——规范性分析

该场景需要通过对比找出业务的最优解决方案，常用的方法是A/B测

试，类似于高中实验方法论——控制变量法。

方法：明确目标—控制单一变量——谨慎评估效果（假设检验）——

形成策略沉淀。

业务案例：电商流失用户挽回A/B测试。通过推荐用户最需求的商品，

引导用户完成下单，挽回用户。

第一步：认识问题

业务目标：召回流失客户召回率=召回刺激后购买转化的用户/接受召

回措施的总用户规模

变量差异：不同商品测试召回用户

对象：近2个月无购买行为的流失男性客户。

第二步：召回选品研究

既然是男士用户，根据成本等因素举例2个产品。例如：男生洗面奶（商

品A）、剃须刀（商品B）。

第三步：建模与数据收集

任务触发方式：优惠券

核心指标收集：（1）用户规模：优惠券触发量；（2）使用优惠券人

数（即召回用户数）：优惠券使用量；（3）召回率：优惠券使用率

A/B测试数据收集时，需要明确数据产生的方式，确保样本的一致性和

分类性。

第四步：分析结果传达和采取行动

针对此次活动，发现针对流失男性用户，男士洗面奶免单券召回效果更

好。可以将本次A/B测试流程进行总结、复盘，做到策略沉淀。便于到

后续同类型流失问题，可以做到经验复用。

3、预测未来——预测分析

该场景需要基于历史数据，针对业务需求进行预测。

方法：相关性分析、回归分析、时间序列、机器学习预测模型

业务问题：电商双十一大促前，关于销售额目标的制定，各类商品的

选品备货，人力、物流等资源的分配需要明确。所以需要对促销期间

GMV（销售额）进行预测。

双十一的销售额，淘宝等公司肯定会对销售额进行预测，老板也会提前

知道今年大概的销售额。从而对人力等资源进行协调。所以有人怀疑双

十一销售额其实是可以操控的，反正退货金额等背后的数据，一般级别

的人并不会知道。

第一步：认识问题

预测目标：GMV预测时段：2020.11.1~2020.11.11

第二步：回顾过去，展望未来

（1）过去几年GMV趋势

（2）业务经验：相比平销期，促销期间的流水爆发度。促销GMV=

促销前平销GMV*促销期爆发系数（按照业务经验制定，比如系数为3。

指促销期的单天销售额是平销期单天销售额的3倍）

（3）拆分法：GMV=支付用户数*人均支付金额

第三步：模型及特征选择

（1）模型选择

线性回归（LR，lineregrssion）：可解释性好，运算快，对变量个数

及质量要求高。

(GBDT)：树模型，不容易过拟合，准确度高，受异常值影响小。

（2）特征选择

性别、年龄、近30天是否支付、近