业务分析的三个基本原则
业务分析的方法主要有三类,下面是简单介绍:
描述性分析Descriptive analytics
预测性分析Predictive analytics
规范性分析Prescriptive analytics
∙主要解决的问题类型
描述性分析: 解决的是 “what has happened?"的问题,也就是来回答历史事件发生的原因。
比如上季度销售额较大幅度下降,我们需要知道为什么。通过查看公司的历史销售数据,通过对比发现产品A上季度(如第二季度)的销量远远低于第一季度的销量,这也是导致公司销售业绩下滑的主要问题。再往下分析,发现产品A在线下的销售还算稳定,但在手机端的
销售额大幅度下降。然后我们就要分析为什么客户端的销售额会出现这种情况,层层分析之后,确定最终导致销售额大幅度下降的原因,到最主要的原因,才能有效解决问题。
预测性分析:解决的是“what could happen" 的问题,也就是将来会发生什么样的结果,对未来的估计。
比如,我们想知道下一季度产品B的需求有多少?
举个简单的例子,如果产品B的价格调整了,那么市场对B的需求有多少。
我们知道,影响产品B的需求的诸多因素,比如消费者偏好,互补品,替代品,人们的预期收入,季节等等,当然还包括价格。比如,我们现在就只想通过价格来预测需求。好了,我们可用通过拿到价格和需求的数据,通过简单的回归分析,构建出了价格和需求的关系的回归模型,之后,我们就可以借用这个模型来预测,当产品B的价格为x的时候,对应的需求为y。
再举个例子,我们不考虑各种影响因素了,就单单从历史的需求变化来预测下一季度产品B的需求。怎么做呢?我们可用通过计算过去不同需求发生的概率来预测,来构建需求概率
模型,然后通过这个模型来预测,下一季度的需求的最有可能的结果。
发现没有,上面两个例子分析的结果都有一个统计模型的产出,为什么要有模型呢?
彼得·德鲁克曾说:如果你不能衡量它,就无法有效增长它。通过统计模型,既能有效,简单的衡量问题的关系,也就能帮助我们有效的预测和增长。
这里我们只是做个简单的介绍什么是预测分析,构建出来的模型还需要经过验证和修改,是一个不断迭代的过程,这里就多说了。
规范性分析:解决的是“what should we do?”的问题,一般针对问题的优化。
(在《决战大数据-大数据的关键思考》一书中看到这类分析方法,也叫指导性分析,我觉得这个更贴切)
可能有人和我一样,不是很好区分这个问题和前面提到的两个问题。这三个分析方法是互相共存,相互补充的。规范性分析,其实也是解决怎么做才好的问题。
比如第一个例子,分析销售下降的原因,通过描述性分析,我们到了最主要的原因了,
那接下来我们就要解决“what should we do”的问题。
比如第二个例子,我们还想知道,怎样才能利润最大化呢?显然不能为了提高销量,而大幅度降低单价,这样也收不回利润。那我们又要怎么去定价呢?
季度怎么分这里有一种定价方式,叫做捆绑定价,比如飞机票的单程票和往返双程票的定价。
发布评论