产品分析模型分析怎么做(学会这个数据模型,就能做出完美的产品分析)

seoxin 06-08 10:10 8次浏览

产品分析是数据分析永远绕不开的一环,但是很多人在对产品进行分析的时候,会因为无从下手而产生很多疑问,比如怎么分析每一种产品对于用户的吸引力?如何衡量产品的比重?如何准确掌握产品更迭速度?如何对其进行有计划的投入呢?

典型例子比如某家手机品牌,其旗下手机的品种档次很多,而手机产品更迭速度之快也不用多说,为了实现品牌的差异化必然要不断推出新品,这就带来了问题:究竟是要大量投入新品还是旧品呢?如果投入的产品根本不受欢迎,就会血本无归,这也是很多电商面临的问题。

今天我们要介绍的这个数据分析模型——波士顿矩阵,正可以完美解决这个问题!

认识波士顿矩阵

波士顿矩阵(BCG Matrix),又称市场增长率-相对市场份额矩阵,由美国著名的管理学家、波士顿咨询公司创始人布鲁斯·亨德森于1970年首创,它是通过销售增长率(反应市场引力的指标)和市场占有率(反应企业实力的指标)来分析决定企业的产品结构。

  • 市场吸引力包括企业销售量增长率、目标市场容量、竞争对手强弱、利润高低等。其中最重要的是反映市场引力的综合指标——销售增长率,这是决定企业产品结构是否合理的外在因素。
  • 企业实力包括市场占有率、技术、设备、资金利用能力等,其中市场占有率是决定企业产品结构的内在因素,他直接显示出企业的竞争实力。

波士顿矩阵将产品类型分为四种:

1,明星类产品:高增长且高市占,发展前景好,竞争力强,需加大投资以支持其发展;

2,问题类产品:高增长但低市占,发展前景好但市场开拓不足,需谨慎投资;

3,现金牛产品:低增长但高市占,成熟市场的领导者,应降低投资,维持市占并延缓衰退;

4,瘦狗类产品:低增长且低市占,理论率低甚至亏损,应采取撤退战略。

Excel做波士顿矩阵的难点

在现实中,我们也常利用波士顿矩阵分析一些其他的样本,比如在本篇中,我们利用波士顿矩阵尝试分析下用户数据。

如果使用传统的方法,针对数据分析场景,大家不约而同想到的都会是——Excel,但Excel在面对波士顿矩阵这样的分析时,就会显得力不从心,为什么这么说,看两张图你们就懂了

没错,使用Excel进行波士顿矩阵的分析,不仅步骤繁杂,而且分析的维度在制表的时候就已经固定了。随着公司市场的不断扩大,业务不断增多,在繁多的维度和数据体量下,制作一张静态图表已经满足不了分析需求。

比如我们想快速的做出2019年6、7、8月,上海、广州、深圳地区,可乐、芬达、雪碧的波士顿矩阵图,仅仅是提到的这几个时间、地点、商品种类维度,就可以组合出3x3x3=27种不同的可能,难道我们要像上面填表的方法重复制作27遍?如果维度更多,定期制表,这个工作量简直是难以想象!

至此,我们迫切的需要一种更方便的,更灵活的分析工具来分析数据。因此现代商业智能(BI)软件应运而生。

波士顿矩阵实操

什么是商业智能(BI)?简单点说,商业智能是使用数据为业务决策提供动力的一种概念,它可以是一种数据解决方案,也可以是一种数据分析技术,但其本质都是发挥数据隐藏的价值。

本文我们就以国内BI市场占有率第一的FineBI,作为样本数据的分析工具。

1、准备样本数据。这里还是采用某餐厅的客户数据(Excel)作为样本,新建一个业务包,方便我们对数据进行分门别类的管理。同时将数据导入到FineBI中

2、数据字典

3、使用FineBI的计算指标功能。计算出客单价(平均每个客户每笔订单的单价),客单价的含义是每个客户的平均消费金额

公式:客单价=sum_agg(消费金额)/count_agg(客户名称),这里的难点是聚合函数(_agg)的使用

聚合函数:

当在添加计算指标、汇总、二次计算时,在添加计算字段的时候通过聚合函数提供了不同汇总方式选择,包括求和,平均,中位数等等。当将包含聚合函数的计算指标添加到组件的指标栏后,随着用户分析维度的切换,计算字段数据会自动跟随维度动态调整。

放在本例中,sum_agg算出的是根据维度(客户名称)汇总过的消费金额之和,而count_agg则是按照客户名称进行汇总过后的订单数量,他们相除的结果就是每一个客户,消费额之和除以消费笔数之和,即为客户的单笔销售额(客单价)。

FineBI的计算指标页面

4、利用FineBI的散点图制作波士顿矩阵图

观察给定的数据,系统中客户中存在客户的名称,与对应的客户类别。这种结构我们称之为树结构,本例中的树型结构比较简单,只有客户分类-客户名称两级。

因此我们想要在波士顿矩阵图中体现出这种层级关系,先查看ABCDE五个分类的总体情况,再根据需要查询每个分类下的客户情况

在FineBI中,实现这样的效果也非常的简单,只需要将客户名称,拖动到客户分类字段上,系统就会自动的生成带有层级关系的客户分类-名称组合字段了:

之后再拖动记录数(依赖于总行数)进入横轴,客户每消费一次,就会产生一行订单数据,因此这个数据胶囊的含义为客户消费的次数。

拖动刚才计算好的客单价计算指标进入纵轴:

增加两个辅助线:a:平均金额=消费平均金额,b:消费次数=消费平均次数:

调整颜色为蓝色,最后我们得到的散点图如下:

根据波士顿分析,我们就把频次和力度两个属性不同的用户分析出来了,如:

消费次数超过平均值,每次消费力度也超过平均水平是明星客户,需要重点关注和最高的礼遇;

消费次数超过平均值,但每次消费力度未达到平均水平为现金牛客户,消费频次比较频繁,能带来较为稳定的现金流,这类客户是企业利润基石;

消费未达到平均值,但每次消费力度超过平均水平是问题客户,有希望转化为明星客户,但是存在潜在问题,消费频次不高,需要重点跟进和长期跟踪;

消费未达到平均值,消费力度也未达到平均水平属于瘦狗客户,不需要投入重点维系;

数据分析进阶

在刚刚介绍的波士顿矩阵图的基础上,FineBI工具还可以根据其他维度对客户进行多维分析:

比如消费力度和消费周期,用来找到最近消费的客户,以及最近不常来的客户,配合时间、树过滤、滑块过滤等不同的组件,分析明星客户是否在流失,现金牛客户是否在增长。

FineBI制作的客户分析dashboard

在企业中如果能够充分利用波士顿矩阵这个模型,就可以大大提高管理人员的分析决策能力,帮助他们以前瞻性的眼光看问题;同时一个好工具是非常必要的,FineBI这样的BI工具最大的优点就是简洁易用,可以更深刻地理解业务之间的联系,挖掘数据潜能!

  • 暂无推荐