-
让品牌有温度、有情感
专注品牌策划15年
数据分析实际案例（数据分析实际案例pdf）
发布时间：2023-04-21 21:57:20
稿源：
创意岭 阅读：
64
大家好！今天让创意岭的小编来大家介绍下关于数据分析实际案例的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。
开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等
只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端
创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008
本文目录:
一、小数据时代随机采样案例分析有哪些?
如下：
第一个经典的例子是预测女孩怀孕“大数据”，2012年2月16日《纽约时报》刊登了一篇题为《这些公司是如何知道您的秘密的》报道。
文中介绍了这样一个故事：一天一位男性顾客怒气冲冲地来到一家折扣连锁店“塔吉特”这是一家仅次于沃尔玛的全美第二大零售商向经理投诉因为该店竟然给他还在读高中的的女儿邮寄婴儿服装和孕妇服装的优惠券。但随后这位父亲与女儿进一步沟通发现自己女儿真的已经怀孕了。
于是致电塔吉特道歉说他误解商店了女儿的预产期确实是8月份。这里用到的就是大数据“关联规则+预测推荐”技术。
第二个是经典的“啤酒和尿布”的例子，这个例子比较早，讲的是基于关联规则分析来预测超市里面顾客购买行为规律。
20世纪90年代美国沃尔玛超市中，超市管理人员分析销售数据时发现了一个令人难以理解的现象：
在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中，这种独特的销售现象引起了管理人员的注意，经过后续调查发现，这种现象出现在年轻的父亲身上。
在美国有婴儿的家庭中，一般是母亲在家中照看婴儿，年轻的父亲去超市买尿布。父亲在购买尿布的同时，往往会顺便为自己购买啤酒。
如果这个年轻的父亲在卖场只能买到两件商品之一，则他很有可能会放弃购物而去另一家可以一次同时买到啤酒与尿布的商店。
由此，沃尔玛发现了这一独特的现象，开始在卖场尝试将啤酒与尿布摆放在相同区域，让年轻的父亲可以同时找到这两件商品，并很快地完成购物，从而获得了很好的商品销售收入。
第三个案例是近年来才炒得比较火热的例子“谷歌预测流感”，是谷歌通过搜索引擎里面的关键词检索日志的时间序列数据成功预测了流感爆发的时间和规模。人们输入的搜索关键词代表了他们的即时需要，反映出用户情况。
为便于建立关联，设计人员编入“一揽子”流感关键词，包括温度计、流感症状、肌肉疼痛、胸闷等。只要用户输入这些关键词，系统就会展开跟踪分析，创建地区流感图表和流感地图。
为验证“谷歌流感趋势”预警系统的正确性，谷歌多次把测试结果与美国疾病控制和预防中心的报告做比对，证实两者结论存在很大相关性。
第一个例子背后是基于精准营销，是大数据针对个人级别的应用，第二个例子能够有效预测零售商需求，属于企业级别应用，而第三个例子则是地区级别和国家级别的应用。由此可看出，当大数据真正走进生活、走进社会，其施展能量的力度越来越大，越来越强。
所以国家、教育部和企业越来越重视大数据和人工智能的开发和应用，让我们跟随趣学人工智能一起学习它吧！更多内容请关注趣学人工智能公众号，微信搜索趣学人工智能里面有更多视频、音频和文字内容。
数据时代为适应不同类型、不同发展阶段企业或者个人的上网要求，提供有包括域名注册、主机、企业邮局、系统集成在内的完整的网络平台服务。
构建有自己的电子商务寄放平台；网络系统均以高速独享带宽连接在骨干网上，服务器托管在电信品质的数据中心内，全面的备份系统、防火墙系统、负载平衡系统，专业人员全天候监控、维护，保证网站快速、可靠、稳定地运行。
数据时代秉承客户至上、服务至上的经营理念，以卓越的网络服务品质、专业的技术服务实力、职业的客户服务团队保障您在21世纪的信息高速路上驰骋。
又以稳固与发展、求实与创新的精神，尊重人才、注重技术，使用户在享受信息科技发展最新成果的同时不断获得最大的收益，为推动中国信息产业的发展、促进知识经济的崛起作出最大的贡献。
二、案例分享：如何通过数据分析进行活动效果评估
作者介绍
@郝笑笑 微信号：hao-xiao-xiao。
目前在互联网公司担任数据分析师，并负责DAU流量的增长策略与数据监控。
希望可以和各位一起交流学习。
1 导语
相信对于很多刚入门的分析师小白来说，评估活动效果、洞察业务机会，是所有工作中最可以体现价值感的事情，但也可能是令我们最头疼的事情。本文作者基于自身的实际工作经历，结合一个真实的运营活动，对活动评估中可以复用的数据分析“套路”进行总结和整理，希望能够给初接触数据分析的同学带来帮助。
一般来说，互联网公司的运营活动按照目的可以分为3种：拉新、促活、品牌宣传，尽管每种活动关注的核心绩效指标完全不同，但是分析的思路还是可以套路化的。接下来，本文将以某次促活活动为案例，分享下如何对一场活动的效果进行量化评估。
2 活动背景
伴随着移动互联网用户的增速越来越趋于饱和，用户增长的破局方法不得不从拉新获客转换为如何促活存量用户。
通过第三方广告媒体app（比如微信、抖音等）投放针对老用户的素材对用户促活，已经成为很多公司用来提升存量老用户活跃度的有效方法（后续会统称为“渠道拉活”）
某公司的市场投放部门也开始投入预算试水「渠道拉活」这一项目，在项目启动一段时间后，已经回收累积了大量的用户数据，但是：
渠道拉活对于DAU的带动贡献究竟有多大？
是否值得持续投入更多的资源？
活动情况的ROI如何？是否符合预期？
活动是否存在改进空间？
这些领导和业务方非常关注的问题，需要分析师基于数据给出公正和客观的答复。
3 分析框架和指标体系
3.1 分析框架
活动整体增量效果评估 (包括短期效果分析、长期效果分析)
ROI 核算（计算单用户的拉新或者促活成本）
参活用户质量评估
活动存在问题分析
3.2指标体系
3.21 流量规模
数据指标：
DAU
参与活动的用户数（举例：渠道拉活成功召回的用户数）
通过活动首次调起app的uv（举例：通过渠道拉活首次调起app的uv）
通过活动首次调起app的uv占day的比例（举例：通过渠道拉活首次调起uv的dau占比）
可解决的问题：
通过对比事先制定好的活动KPI指标，评估目标完成率；
与其他活动对比，评估促活的核心指标（通常是DAU）是否达到预期；
评估渠道拉活能够召回的用户量级有多大；
评估对DAU的净增量贡献有多大；
3.22用户质量、用户画像
数据指标：
留存率（次日回访率、7日回访率、30日回访率）
日均使用时长
核心功能渗透率
核心功能人均PV
人群画像（性别、城市、消费能力）
可解决的问题：
评估渠道召回用户的质量
监测是否存在刷量作弊渠道
3.23用户行为
数据指标：
站外转化漏斗（举例：广告曝光-广告点击-成功调起app-deeplink抵达特定页面）
站内核心行为的转化漏斗（举例：活动页-列表页-详情页）
可解决的问题：
评估用户从站外渠道到抵达App的路径是否顺畅，发现产品bug或者可以改善的机会点
评估活动的站内承接策略是否合理
4 分析过程
4.1活动效果评估以及活动ROI分析
在量化DAU (或者活跃天数) 贡献时，需要减去用户的自然活跃量，即计算“净增量”贡献。该贡献可以分为当日贡献和长期贡献。
当日贡献是指：当日的召回用户对于当日DAU的增量贡献
长期贡献是指：由于召回用户的后续回流，在后续特定时间范围还会持续贡献的用户天数增量。比如，活动后的50个参与用户，在后续30天内人均活跃天数比活动前提高10天，那么促活的增量贡献就是1500天。
不得不承认，AB实验最擅长处理归因和量化的问题。它的思想是，将流量随机分为数量均匀和特征均匀的两组（即对照组和实验组），实验组用户只有在产品策略上与对照组不同，因此我们可以认为两组用户在同一时间维度上的指标差异，可以完全归因于策略上的差异。
然而，该广告拉活项目无法设计对应的AB实验，但我们可以基于AB测试的思想，构造与实验组“相似”的用户群体作为对照组。具体过程如下：
将拉活渠道唤起app的用户作为实验组，未曾被拉活召回的存量用户作为对照组；
选取可能影响用户未来活跃度的特征（比如机型、新增渠道、历史活跃度、…），基于“特征相同”的原则，对两组用户划分为 N 对实验组和对照组。注意尽量将特征通过区间离散化，避免划分出的某一组落入的样本数过少，导致两组样本的指标差异不可信，比如特征「新增日期间隔」可以离散化为：7天内、8-14天、14天以上；
计算 N 对实验组和对照组的每一组的指标差异值，以及实验组的总指标差异（等于每一组指标差异*人群占比的相乘结果求和）
通过以上方法，可以计算出拉活对于当日DAU的贡献、以及拉活对于未来30天DAU的总增量贡献。
实际上，对于拉活对DAU的单次短期贡献，有更为简便的方法，即基于“首次归因”的思想，通过“拉活首次调起app的uv”进行量化评估，即如果用户多次启动过app，那么只有当通过促活广告首次调起app了，才会计入到促活广告的功劳。
值得一提的是，“首次归因”的方法也可以应用至“产品新上线功能评估”的效果量化中，通常我们可以将“启动app后首次访问该功能的用户量”作为该功能对dau的贡献量。
对于活动成本的核算，我们可以通过 “总成本消耗量 / 总DAU增量”，计算每个DAU增量的成本，以评估ROI是否符合预期。
4.2用户行为分析、和用户质量评估
可以以「大盘未参活用户」、「同期同类活动」、「往期同类活动」分别作为对比基准，基于用户行为漏斗、留存率、核心行为pv、人均使用时长等指标，识别本次促活策略是否有薅羊毛或者作弊严重的渠道，并评估活动拉来的用户质量好坏。但这里不作为本次分享重点，因此不再展开赘述。
5 结语
作为数据分析师，实际工作中遇到的促活策略往往是五花八门，但是活动效果好坏的评估过程依然是有章可循的。最后，简单总结下本文对于后续活动评估的可复用之处：
如何构建活动评估的指标体系；
如何量化归因活动的短期贡献（即“首次归因”法）；
如何在无法开展AB测试的情况下，通过构造对照组的方式，快速地量化评估长期的增量贡献；
1、回“数据产品”，获取<大厂数据产品面试题>
2、回“数据中台”，获取<大厂数据中台资料>
3、回“商业分析”，获取<大厂商业分析面试题>；
4、回“交个朋友”，进交流群，认识更多的数据小伙伴。
三、数据分析思维——用这样的分析思维驱动业务 | 附实际案例
这两天老板让我分析一个之前没听过的业务，在与运营的交谈过程中，逐渐理清了分析框架，在处理数据的过程中，又逐渐补充了之前没有想到的分析维度。
从这件事，我回想起刚入门的时候，请教过一个朋友，数据分析师所具备的能力有哪些。其中她说了一个点，而且后面不论在网上查资料还是面试，都被着重强调的——分析思维。
那么什么是分析思维？想转行数据分析师又如何培养这种思维呢？以下内容分为：什么是分析思维、如何培养分析思维、实际案例。
小李啊，1月份的推广活动，帮我复盘一下。
小美啊，这个月要做个营销活动，你总结一下之前的数据，看看有什么点可以支持。
这些是不是经常碰到？或者，面试的时候，会被临时想象在某个场景下，问你如何分析。
可能这些分析主题是经常分析的，也可能是压根没接触过的。之前我面试的时候，就被问过：怎么看待我们APP的支付率是高是低，如果低了，怎么分析为什么低？如何分析天气对业务的影响？
老板或面试官给的主题，都是非常宽泛的，考验的点在于，你作为分析师，如何利用自己的经验，从多方面且有用的去分析各种问题。
这就是作为分析师，必须具备的分析思维。
拿到一个问题或者主题，要先知道从哪方面入手，以及这块业务所涉及的核心指标。
其次，在分析的过程中，不断丰富维度，找到之前做框架时没想到过的细节。最后，从整个分析过程中，如何结合实际业务，去发现问题，并且提出自己的观点。
Excel、SQL、Python、SPSS、R、PowerBI......这些不论是数据处理还是可视化，只要想学，基本上都能学会，这属于硬技能。但数据分析师不仅仅是需要会这些，更看重的是软技能： 沟通表达能力、业务洞察力，当然还有最基本的分析思维 。
刚入行的时候，每次朋友给我强调分析思维分析思维分析思维，我就很头疼，到底分析思维怎么提高啊？
现在回过头来，我的分析思维，应该是在工作当中，不知不觉就提升了。每遇到一个新业务、新挑战，也就多补充了一些分析能力。
1.多问
2. 了解业务
如果能做到第一点的多问，那么随着时间的积累，业务的了解会逐渐加深。但是在去问别人之前，要自己先了解得足够过。还是那个会员业务，在问之前，自己可以先去走一下流程。看看会员的权益有哪些、会员的月费是多少、卖会员的入口是否明显等等。然后有不明白的地方，再去问。久而久之，也就有了对业务的理解。
3. 形成分析模式
接触了不同的业务之后，对它们的业务重点、关注的指标都明确了。再接手到一个分析主题，也就能够一下子想到这个主题该从哪些维度去分析，该提取多久的数据，哪些是运营可能关注的重点，哪些是值得着重深挖的方面。
于是，就形成了一个完整的分析流程：
明确分析目的→列出分析框架→提取/清洗数据→数据可视化→写明数据变化原因→提出见解→完成一份报告 。
4. 提升改进
形成模式之后，能够轻松的完成一项分析报告。但这只是最基本的，在分析数据的过程中，也需要思维发散，想到之前没想过的。
比如：1月份的会员比例提升了，是因为1-7号做了会员促销活动，那么可以继续分析，这个促销活动引流进来的会员，后续的购买情况，购买热门产品，产品评价如何，这批会员与之前的会员客单价有没有区别，活跃度怎么样。当然，也可以继续跟进，下个月这些会员的续费情况等等。
可能数据需求方并不需要你这些指标，或者压根没想过这些问题。你自己可以去尝试，分析出来的结果可能并不那么完美，只要你能够多想多尝试，分析思维也就能提升。
数据分析，就是在业务的理解之上，利用数据证实或推翻自己的推测。前提是，你要先有这些推测。
03 实际案例
饿了么弹窗路径
1.走一下路径
每次打开饿了么app，都会见到这个弹窗。以我个人的使用来说，通常我打开这个app是为了点外卖吃嘛，如果品质联盟的红包≥5元，我会直接点品质联盟红包，如果红包小，我会关掉弹窗。
这个弹窗，可走路径有4部分：顶部的会员、品质联盟红包、下午茶红包、推荐单独店铺的红包。各个部分如上图所示。
弹窗每天只出现一次，不论用户点击哪一块，返回弹窗都消失。所以弹窗的路径是一次性、四选一的。
2. 关注指标
现在知道了这块业务的路径，那么先想一下如果我是这个运营，我会关注哪些数据呢？其实大部分都主要关注：流量、订单、金额、转化率。
也就是：弹窗推送人数（即弹窗曝光数），4个路径的点击人数，进入各个路径之后的转化情况。
订单这块：会员路径是购买会员人数，当然会员页面底下也有外卖推荐，也可以继续分析这块的外卖订单。品质联盟、下午茶、店铺，这三块基本上就是看外卖订单及金额了。
当然还有可能关注其他的重点指标，此处只是根据我个人的经验去看的，大家可以继续发散。
3. 各个维度细分
可以先关注整体：弹窗曝光人数10000，点击弹窗人数8000，购买会员人数50，外卖下单4000，外卖金额80000。成交转化率、客单价、均单价等等。
再在此基础上再细分：
推送人群是圈的全部人群还是历史消费大于某个金额的？红包金额与点开率是否有关系？红包越大，点开率越高？这四个路径，点击排行是怎样的？品质联盟>下午茶>店铺红包>会员？每个页面的跳出率各是多少？
点击弹窗的用户，每日留存怎样？会不会很多用户每天/每次进入app都是直接点弹窗的？
点了弹窗之后，这些用户是直接在这几个路径当中产生下单了，还是跳出弹窗，搜索自己喜爱的店铺进行下单？
这些问题，需要用数据去解答。解答之后，可能得出一些结论。比如推送的红包大，用户下单率高，那么如何衡量红包成本与用户下单之间的ROI，寻求收益最大化。
比如店铺的点击率，可以判断出推荐的这个店铺是否符合用户预期。比如用户每次都点击了弹窗，但从别的路径购买了品质联盟店铺的外卖，是不是说明品质联盟推荐的店铺没有猜中用户心思，需不需要在品质联盟这里加个搜索？或者推荐算法是否需要优化？
以上呢，是根据个人经验来写的。案例那块，因为没有实际的数据，也没接触过外卖业务，所以看法比较片面，但分析步骤基本上就是那样的。大家可以自己找一些例子，去思考，如果我是他们的运营者或者分析师，我会关注什么，怎么从分析当中提升我的收益。
四、请举例说明，数据分析在商业、生活等方面运用的例子
比如淘宝上推荐的就是根据平时购买的东西而推荐的，还有汽车厂商现在都喜欢生产SUV，这些都是根据市场而定，而市场肯定是分析数据而来的，阿里云也是因为数据的重要性而创立的…数据太重要了
以上就是关于数据分析实际案例相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。
推荐阅读：
赣公网安备 50019002502384号
