數(shù)據(jù)分析經(jīng)典案例（數(shù)據(jù)分析經(jīng)典案例范文）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于數(shù)據(jù)分析經(jīng)典案例的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

• 1、可視化數(shù)據(jù)分析有什么好的案例

• 2、《利用Python進行數(shù)據(jù)分析》——案例1從Bitly獲取數(shù)據(jù)

• 3、如何用SQL分析電商用戶行為數(shù)據(jù)（案例）

• 4、【第1周】數(shù)據(jù)分析慣用的5種分析方法

一、可視化數(shù)據(jù)分析有什么好的案例

這樣的實例有很多

下面這個就是如何以令人信服的方式呈現(xiàn)一種單一的數(shù)據(jù)的好榜樣。Pew Research創(chuàng)造了這個GIF動畫，顯示隨著時間推移的人口統(tǒng)計數(shù)量的變化。這是一個好方法，它將一個內(nèi)容較多的故事壓縮成了一個小的package。

此外，這種類型的微內(nèi)容很容易在社交網(wǎng)絡(luò)上分享或在博客中嵌入，擴大了內(nèi)容的傳播范圍。如果你想自己用Photoshop做GIF，這里有一個詳細的教程。

二、《利用Python進行數(shù)據(jù)分析》——案例1從Bitly獲取數(shù)據(jù)

這個案例主要目的是轉(zhuǎn)換json類型的數(shù)據(jù)，利用python和pandas方法進行計數(shù)。

step1:獲取數(shù)據(jù)

將json格式數(shù)據(jù)轉(zhuǎn)化成python對象

step2純python時區(qū)計數(shù)

1.獲取時區(qū)+計數(shù)

2.對以上字典形式進行計數(shù)

3.更更簡單的方法，直接用python標(biāo)準(zhǔn)庫的collections.Counters類

從僅獲取時區(qū)后開始

step3 使用pandas計數(shù)

step4 可視化 seaborn

5.補充一些語句

三、如何用SQL分析電商用戶行為數(shù)據(jù)（案例）

        

本文以“淘寶用戶行為數(shù)據(jù)集”的分析全過程為例，展示數(shù)據(jù)分析的全過程

——使用工具：MySQL，Excel，Navicat，PowerBI

——分析類型：描述分析，診斷分析

——分析方法：漏斗分析，用戶路徑分析，RFM用戶價值分析，活躍/存留分析，帕累托分析，假設(shè)驗證分析。

（考慮到閱讀體驗文章中只放了SQL截圖，如需PDF版本，再公眾號后臺回復(fù)“用戶行為分析”領(lǐng)?。?/p>

（目錄如下）

       

1.分析流程和方法

當(dāng)沒有清晰的數(shù)據(jù)看板時我們需要先清洗雜亂的數(shù)據(jù)，基于分析模型做可視化，搭建描述性的數(shù)據(jù)看板。

然后基于描述性的數(shù)據(jù)挖掘問題，提出假設(shè)做優(yōu)化，或者基于用戶特征數(shù)據(jù)進行預(yù)測分析找規(guī)律，基于規(guī)律設(shè)計策略。簡單來說：

——描述性分析就是：“畫地圖”

——診斷性分析就是：“找問題”

——預(yù)測性分析就是 ：“找規(guī)律”

在數(shù)據(jù)分析中有兩個典型的場景：

一種是有數(shù)據(jù)，沒有問題：需要先整體分析數(shù)據(jù)，然后再根據(jù)初步的描述分析，挖掘問題做診斷性分析，提出假設(shè)，設(shè)計策略解決問題。

 

另一種是已經(jīng)發(fā)現(xiàn)了問題，或者已經(jīng)有了假設(shè)，這種做數(shù)據(jù)分析更偏向于驗證假設(shè)。

 

2.淘寶用戶行為分析

本次是對“淘寶用戶行為數(shù)據(jù)集”進行分析，在分析之前我們并不知道有什么問題，所以需要先進行描述性分析，分析數(shù)據(jù)挖掘問題。

我們首先來看下這個數(shù)據(jù)集的元數(shù)據(jù)：

       

根據(jù)以上數(shù)據(jù)字段我們可以拿用戶行為為主軸從縱深方向提出一些問題，然后再從數(shù)據(jù)中找答案

       

縱向：

——這個數(shù)據(jù)集中用戶的日活躍和周活躍時間有什么規(guī)律嗎？

——在當(dāng)日活躍的用戶次日，三日，四日……還有多少活躍？

深向：

——用戶從瀏覽到購買的整體轉(zhuǎn)化率怎么樣？

——用戶從瀏覽到購買的路徑是怎么樣子的？ 

——平臺主要會給用戶推送什么商品？

——用戶喜歡什么類目？喜歡什么商品？ 

——怎么判斷哪些是高價值用戶 ？ 

 

 

下面是叮當(dāng)整理的常用分析方法：      

我們可以給前面的問題匹配一下分析方法，便于后面的分析：

為了便于后面的數(shù)據(jù)分析，在分析之前我們需要先對做一下清洗

看元數(shù)據(jù)（字段解釋，數(shù)據(jù)來源，數(shù)據(jù)類型，數(shù)據(jù)量……）初步發(fā)現(xiàn)問題為之后的處理做準(zhǔn)備。

       

確定缺失值范圍，去除不需要字段，填充缺失內(nèi)容    

根據(jù)元數(shù)據(jù)格式和后續(xù)分析需要的格式對數(shù)據(jù)進行處理

  

去除重復(fù)值，異常值

——去除重復(fù)值：并把用戶ID,商品ID，時間戳設(shè)置為主鍵

——異常值處理：查詢并刪除2017年11月25日至2017年12月3日之外的數(shù)據(jù)

     

查詢并刪除小于2017-11-25的

——驗證數(shù)據(jù)：      

——分析思路：

——SQL提數(shù)：

       

       

——Excel可視化：

       

活躍曲線整體為上升狀態(tài)，同為周六日，12月2號，3號相比11月25日，26日活躍度更高。

用戶在周六周日相比其他時間更活躍（周六周日為休息日，用戶有更多時間）

      

一天內(nèi)用戶活躍的最高峰期為21點（用戶在這個時間段空閑較多）

 

——分析思路：

——SQL提數(shù)：

列出每用戶每天及當(dāng)天后面又活躍的日期，并創(chuàng)建“活躍時間間隔表”用于后面求次日存留，三日存留……

       

對“活躍時間間隔表視圖”引用進行分組統(tǒng)計，計算每日存留人數(shù)并創(chuàng)建視圖

對存留人數(shù)表進行計算，統(tǒng)計活躍用戶留存率

——Excel可視化：

       

——分析思路：

——SQL提數(shù)：

-把各種用戶行為分離出來并創(chuàng)建視圖方便后續(xù)查詢用戶行為數(shù)據(jù)

查詢整體數(shù)據(jù)漏斗

——Excel可視化：

       

用戶從瀏覽到購買整體轉(zhuǎn)化率2.3%，具體主要在哪個環(huán)節(jié)流失還需要再細分用戶路徑分析

 

——分析思路：

       

——SQL提數(shù)：

——PowerBI可視化：

       

用戶從瀏覽到購買的路徑主要有4條，路徑越長轉(zhuǎn)化率越底

路徑1：瀏覽→購買：轉(zhuǎn)化率1.45%

路徑2：瀏覽→加購物車→購買：轉(zhuǎn)化率0.33

路徑3：瀏覽→收藏→購買：轉(zhuǎn)化率0.11%

路徑4：瀏覽→收藏→加購物車→購買：轉(zhuǎn)化率0.03%

——分析思路：

——SQL提數(shù)：

——Excel可視化：

       

——描述性分析：

瀏覽量top100的商品瀏覽量呈階梯分布，越靠前的階梯之間的落差相對越大在這個階梯中的商品越少，越靠后商品瀏覽量階梯之間的落差相對越小，同階梯內(nèi)的商品越多。

瀏覽量TOP100的商品所屬類目中，4756105，3607361，4357323三個類目瀏覽量遠超其他類目。

——分析思路：

——SQL提數(shù)：

查詢計算商品轉(zhuǎn)化率，升序排列，取前100個

       

——Excel可視化：

       

——描述性分析：

從商品看：有17款商品轉(zhuǎn)化率超過了1。

從類目看：這些商品所屬類目分布均勻，除965809，4801426，2735466，2640118，5063620，4789432，2945933這7個類目之外，其他類目都只有一個商品在轉(zhuǎn)化率TOP100的商品中。

——分析思路：

用戶價值分析常用的分析方式是RFM模型

       

本次分析中的R,F,M具體定義（僅用于演示分析方法，無實際業(yè)務(wù)參考價值）：

 

——SQL取數(shù)與分析：

1）建立打分標(biāo)準(zhǔn)：先計算R,F的值，并排序，根據(jù)R,F值最大值和最小值得區(qū)間設(shè)計本次得打分標(biāo)準(zhǔn)

-查詢并計算R，F(xiàn)值創(chuàng)建視圖

       

-引用RF數(shù)值表，分別查詢R,F的最大值和最小值

       

       

-結(jié)合人工瀏覽的建立打分標(biāo)準(zhǔn)      

2）給R，F(xiàn)按價值打分

3）計算價值的平均值

       

4）用平均值和用戶分類規(guī)則表比較得出用戶分類   

     

——Excel可視化      

 

通過描述性分析得到可視化的數(shù)據(jù)后我們一般會先看一下是否符合業(yè)務(wù)常識

如果符合常識接下來我們會通過與行業(yè)平均數(shù)據(jù)和本產(chǎn)品的同比環(huán)比對比看是否正常，如果不正常就要找原因，設(shè)計解決方案，如果正常那就看是否有可以優(yōu)化的地方。

       

我們首先來看一下這些描述性分析是否符合業(yè)務(wù)常識和指標(biāo)是否正常：

       

1.活躍曲線整體為上升狀態(tài)，同為周六日，12月2號，3號相比11月25日，26日活躍度更高。

2.用戶在周六周日相比其他時間更活躍

3.一天內(nèi)用戶活躍的最高峰期為21點

4.從2017年11月15日致2017年12月3日，活躍用戶新增38%

5.從2017年11月15日致2017年12月3日，活躍用戶次日留存增長18.67%，當(dāng)日的活躍用戶留存也在快速增長，第七日留存比次日留存高18.56%。

6.用戶從瀏覽到購買整體轉(zhuǎn)化率2.3%

7.用戶從瀏覽到購買的路徑主要有4條，路徑越長轉(zhuǎn)化率越低。

8.瀏覽量top100的商品瀏覽量呈階梯分布，越靠前的階梯之間的落差相對越大在這個階梯中的商品越少，越靠后商品瀏覽量階梯之間的落差相對越小，同階梯內(nèi)的商品越多。

9.瀏覽量TOP100的商品所屬類目中，4756105，3607361，4357323三個類目瀏覽量遠超其他類目。

10.從商品看：有17款商品轉(zhuǎn)化率超過了1。

11.從類目看：這些商品所屬類目分布均勻，除965809，4801426，2735466，2640118，5063620，4789432，2945933這7個類目之外，其他類目都只有一個商品在轉(zhuǎn)化率TOP100的商品中。

根據(jù)以上診斷分析我們梳理出了以下假設(shè)，做假設(shè)驗證。

       

 

假設(shè)1：這些商品中有高轉(zhuǎn)化率的爆款商品

       

 

對比瀏覽量TOP5的商品，發(fā)現(xiàn)這些商品轉(zhuǎn)化率在同一類目下并不高，假設(shè)不成立

 

假設(shè)2：4756105，3607361，4357323三個類目屬于高頻剛需類目

-創(chuàng)建類目購買頻次表

       

-計算類目購買頻次平均值

       

-查詢4756105，3607361，4357323三個類目的購買頻次       

4756105，3607361，4357323三個類目的用戶購買頻次明顯高于平均值，假設(shè)成立

 

假設(shè)3：有部分用戶是未點擊商詳直接從收藏和購物車購買的。

       

用戶不是直接從收藏和購物車購買的，只是后續(xù)復(fù)購未點擊商詳，假設(shè)不成立

 

假設(shè)4：淘寶推薦的商品主要是“同一類目下的高轉(zhuǎn)化商品”

       

用Excel對瀏覽量TOP100的商品ID和轉(zhuǎn)化率TOP100的商品ID進行去重，結(jié)果無重復(fù)值，假設(shè)不成立

3.結(jié)論：

1）用戶活躍：用戶活躍曲線整體呈上升趨勢，在一周中周六，周日活躍度比平時更高，在一天中用戶活躍曲線從凌晨4點開始往上升，在中午12點和下午5~6點有兩個小低谷（吃飯），到晚上9點時活躍度達到頂峰。

 

2）用戶留存：從2017年11月15日致2017年12月3日的用戶留存數(shù)據(jù)來看，淘寶的用戶留存數(shù)據(jù)較好，活躍用戶次日留存增長18.67%，當(dāng)日的活躍用戶留存也在快速增長，第七日留存比次日留存高18.56%。

 

3）用戶轉(zhuǎn)化：整體轉(zhuǎn)化2.3%，用戶從瀏覽到購買的路徑主要有4條，路徑越長轉(zhuǎn)化率越低。

4）平臺推薦與用戶偏好：從數(shù)據(jù)集中的數(shù)據(jù)來看，排除用戶興趣偏好標(biāo)簽，淘寶給用戶用戶推送的商品主要是高頻剛需的類目，促使用戶復(fù)購，流量回流平臺。

 

以上結(jié)論受數(shù)據(jù)量和數(shù)據(jù)類型的影響，并不一定準(zhǔn)確，僅用來練習(xí)數(shù)據(jù)分析方法。

（考慮到閱讀體驗文章中只放了SQL截圖，如需PDF版本，再公眾號后臺回復(fù)“用戶行為分析”領(lǐng)?。?/p>

四、【第1周】數(shù)據(jù)分析慣用的5種分析方法

就好比中學(xué)里你要解一元二次方式，可以用公式法、配方法、直接開平方法、因式分解法。

數(shù)據(jù)分析里也有技巧，在一些通用的分析場景下可以快速使用，而且對未來構(gòu)建數(shù)據(jù)分析模型也有幫助。

所謂公式法就是針對某個指標(biāo)，用公式層層分解該指標(biāo)的影響因素

舉例：分析某產(chǎn)品的銷售額較低的原因， 用公式法分解

某產(chǎn)品銷售額=銷售量 X 產(chǎn)品單價

銷售量=渠道A銷售量 + 渠道B銷售量 + 渠道C銷售量 + …

渠道銷售量=點擊用戶數(shù) X 下單率

點擊用戶數(shù)=曝光量 X 點擊率

通過對銷售額的逐層拆解，細化評估以及分析的粒度。

公式拆解法是針對問題的層級式解析，在拆解時，對因素層層分解，層層剝盡。

對比法就是用兩組或兩組以上的數(shù)據(jù)進行比較，是最通用的方法。

我們知道孤立的數(shù)據(jù)沒有意義，有對比才有差異。一些直接描述事物的變量，如長度、數(shù)量、高度、寬度等。通過對比得到比率數(shù)據(jù)，增速、效率、效益等指標(biāo)，這才是數(shù)據(jù)分析時常用的。

比如用于在時間維度上的同比和環(huán)比、增長率、定基比，與競爭對手的對比、類別之間的對比、特征和屬性對比等。對比法可以發(fā)現(xiàn)數(shù)據(jù)變化規(guī)律，使用頻繁，經(jīng)常和其他方法搭配使用。

通過對兩種及以上維度的劃分，運用坐標(biāo)的方式表達出想要的價值。由價值直接轉(zhuǎn)變?yōu)椴呗裕瑥亩M行一些落地的推動。

象限法是一種策略驅(qū)動的思維，常于產(chǎn)品分析、市場分析、客戶管理、商品管理等。

比如，下圖是一個廣告點擊的四象限分布，X軸從左到右表示從低到高，Y軸從下到上表示從低到高。

還有經(jīng)典的RFM模型 ，把客戶按最近一次消費(Recency)、消費頻率(Frequency)、消費金額 (Monetary)三個維度分成八個象限。

象限法的優(yōu)勢：

1.找到問題的共性原因

通過象限分析法，將有相同特征的事件進行歸因分析，總結(jié)其中的共性原因。例如上面廣告的案例中，第一象限的事件可以提煉出有效的推廣渠道與推廣策略，第三和第四象限可以排除一些無效的推廣渠道；

2.建立分組優(yōu)化策略

針對投放的象限分析法可以針對不同象限建立優(yōu)化策略，例如RFM客戶管理模型中按照象限將客戶分為重點發(fā)展客戶、重點保持客戶、一般發(fā)展客戶、一般保持客戶等不同類型。

二八法也可以叫帕累托法則，源于經(jīng)典的二八法則。在數(shù)據(jù)分析中，則可以理解為20%的數(shù)據(jù)產(chǎn)生了80%的效果需要圍繞這20%的數(shù)據(jù)進行挖掘

二八法是抓重點分析，適用于任何行業(yè)。找到重點，發(fā)現(xiàn)其特征，然后可以思考如何讓其余的80%向這20%轉(zhuǎn)化，提高效果。

一般地，會用在產(chǎn)品分類上，去測量并構(gòu)建ABC模型。比如某零售企業(yè)有500個SKU以及這些SKU對應(yīng)的銷售額，那么哪些SKU是重要的呢，這就是在業(yè)務(wù)運營中分清主次的問題。

常見的做法是將產(chǎn)品SKU作為維度，并將對應(yīng)的銷售額作為基礎(chǔ)度量指標(biāo)，將這些銷售額指標(biāo)從大到小排列，并計算截止當(dāng)前產(chǎn)品SKU的銷售額累計合計占總銷售額的百分比。

百分比在 70%（含）以內(nèi)，劃分為 A 類。

百分比在 70~90%（含）以內(nèi)，劃分為 B 類。

百分比在 90~100%（含）以內(nèi)，劃分為 C 類。

ABC分析模型，不光可以用來劃分產(chǎn)品和銷售額，還可以劃分客戶及客戶交易額等。比如給企業(yè)貢獻80%利潤的客戶是哪些，占比多少。假設(shè)有20%，那么在資源有限的情況下，就知道要重點維護這20%類客戶。

是一個流程化的思考方式，常用于像新用戶的開發(fā)、購物轉(zhuǎn)化率這些有變化和一定流程的分析中。

整體漏斗模型的核心思想其實可以歸為分解和量化。 比如分析電商的轉(zhuǎn)化，我們要做的就是監(jiān)控每個層級上的用戶轉(zhuǎn)化，尋找每個層級的可優(yōu)化點。對于沒有按照流程操作的用戶，專門繪制他們的轉(zhuǎn)化模型，縮短路徑提升用戶體驗。

AARRR模型 ：用戶獲取、用戶激活、用戶留存、用戶收益以及用戶傳播

單一的漏斗分析是沒有用的，不能得出什么結(jié)果，要與其它相結(jié)合，如與歷史數(shù)據(jù)的對比等。

以上就是關(guān)于數(shù)據(jù)分析經(jīng)典案例相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。

推薦閱讀：

抖音第三方數(shù)據(jù)平臺（抖音第三方數(shù)據(jù)平臺免費）

mbr轉(zhuǎn)換gpt分區(qū)數(shù)據(jù)會刪除嗎（mbr轉(zhuǎn)換成gpt磁盤會刪除數(shù)據(jù)嗎）

數(shù)據(jù)庫基于快照的備份（數(shù)據(jù)庫基于快照的備份是什么）

怎么保存別人禁止下載的視頻（視頻號上的視頻怎么保存下來）

私家庭院魚池景觀設(shè)計要求（私家庭院的魚池一般多大）