这些仪表板常用的数据分析模型，你都见过吗？

前言

在数字化时代，数据已经成为了企业决策和管理的重要依据。而仪表板作为一种数据可视化工具，则可以帮助企业更加直观地了解和分析数据，从而作出更准确和有效的决策。然而，仪表板中使用的数据分析模型却是非常重要的。不同的数据分析模型，可以应对不同的数据类型和问题，在实际应用中也会产生不同的效果。因此，本文将为大家介绍仪表板中常用的几种数据分析模型以及它们的适用场景。

RFM 分析模型

在众多的客户关系管理（CRM）的分析模式中，RFM 模型是被广泛提到的。RFM 模型是衡量客户价值和客户创利能力的重要方式。该模型通过一个客户的近期购买行为、购买的总体频率以及消费额度三个指标来描述该客户的价值状况：

客户最近一次交易的时间间隔（Recency, R），考察客户购买的沉默期
客户最近一段时间内的交易次数（Frequency, F），考察客户的忠诚度
客户最近一段时间的交易金额（Monetary, M），考察客户的消费能力

R、F、M 这三项指标，为对客户个性沟通和服务提供了依据，也能够精准地判断用户价值。同时也可以通过提高这三项指标来为营销决策提供支持。

通过一个客户的近期购买行为、购买的总体频率以及消费额度三个指标来描述该客户的价值状况。

分析步骤：

收集数据。
处理数据，添加所需要的计算列。
通过和平均值比较，向量化三个指标。
根据特征向量进行客户分类。
绘制 RFM 分析图。

划分客户类型：

首先，计算 R、F 和 M 的分值，计算方法是在各自的维度上分为高低两类，分值高记为 2，分值低记为 1；
R、F和 M 三个指标两两组合，可以得出 8 个不同的 RFM 值，按照实际情况分为 8 大客户群体类型；

具体分类规则如下所示：

enter image description here

销售漏斗分析模型

销售漏洞分析模型，通俗点说，就是从起点到终点的各个环节，每个环节都会产生用户流失，依次递减，每一步都会有一个转化率。通过转化率分析整个业务流程中的转化和流失情况，针对每个环节的流失用户再进行精准营销。

阶段转化

对于需要进行逐级转化的平台运营，首先可以通过用户转化漏斗图进行宏观的流程转化数据分析找出目前阶段最需要优化的运营环节和平台，有效地进行针对性治理，最终提高整体平台用户转化率。

针对上面数据分析：

用户从浏览商品行为到添加购物车行为这一流程，其转化率为 51.22%，反映出该平台的商品介绍、图片描述等对用户有较强的吸引力；
添加购物车到下单的转化率，其转化率高达 99.66%；
但付款的转化率仅 50.34%，这是一个值得反思的转化节点；
通过数据分析推测该平台商铺支付渠道不完善，需要增加例如支付宝、微信等快捷支付渠道，降低平台因为没有提供用户习惯性的支付渠道而导致用户放弃购买行为的概率。

事件转化

事件转化通常指的是平台或商铺通过一系列的运营推广活动以及由于公共事件影响所带来的额外价值，例如网络营销中的 SEO 关键词投放、折扣促销活动、邮件营销等等效果跟踪。通常可关注于营销渠道转化率等指标进行活动的推广营销效果评估。

目前平台的转化率最高的渠道主要是基础上线工作、论坛、贴吧推广、微信推广、品牌基础推广几个渠道。
根据基础线上工作渠道随时间的转化率走势情况，可以推测出平台在 2015 年 12 月（因为从 2015 年 12 月用户的下单转化率有所下降，一般用户在知道近期即将有促销活动的时候，往往会收藏商品从而产生延迟消费，所以活动开始前的时间转化率会降低）左右发布了即将要开始的商品促销活动，同时活动日期在 2016 年 1 月左右（转化率提升明显），属于跨年的大型活动促销，同时也取得了较好的活动效果。

服务转化

服务转化通常指的是用户在网上购买商品时，良好的服务自然能够提高顾客的购买率。对于平台的客户人员，可以统计出其咨询到下单的节点转化情况，并且以咨询到下单的转换率指标作为 KPI 指标之一来评价客服人员的工作绩效。

通过客服咨询转化条形图的可以发现，该平台的 David、molly、Jack、Lisa、peter 这五名客服的转化比较优秀，其他的客服员工的转化率则相对较低，故而这方面可以让转化最为优秀的 David 客服给其他客服做一次服务培训，整体上提升平台的服务水平，进而提升用户的下单转化。

用户行为分析模型

用户行为是指从用户看到你 -> 点你 -> 产生兴趣 -> 购买这一行为过程。重要指标是认知（Awareness）、兴趣（Interest）、购买（Purchase）和忠诚（Loyalty）。通过用户行为分析模型，可以帮助商家通过不同的付费工具、匹配不同的场景和不同的策略，满足不同阶段客户的需求。

从上面的数据分析可以看出：

认知 -> 兴趣 -> 购买 -> 忠诚的转换占比是 3:2，认为是健康的，否则是不健康状态。当前认知兴趣比较小，状态不讲课，则需分析是认知用户少，还是认知到兴趣的转换率存在问题。
通过对比发现，认知 -> 兴趣在四个季度的转化率都是不健康的状态，购买 -> 忠诚的转化率在第三、四季度是不健康的状态。

5W2H 分析模型

5W2H 分析也叫做 7 问分析，这 7 个问题包括：

What：何事，是什么？
Why：何因，目的是什么？
Who：何人，谁来执行？
When：何时，什么时间完成？
Where：何处，从哪里来，到哪里去？
How：怎么做，如果提高效率，如果实施？
How much：做多少，数量、质量如何？

通过这 7 个问题可以辅助数据分析，发现解决问题的线索。梳理业务流程是数据分析中一个比较复杂的过程，需要我们根据具体的业务场景和业务知识来完成，然后抽象成 5W2H 分析模型中的具体每一步，完美的展示出来，比如下面的针对产品营销购买的 5W2H 数据分析：

累计值分析模型

累积分析是一种分析各个不同分类对最终结果贡献程度的分析方法。比如，在业务场景中，我们可以通过计算每个月的年度销售目标完成率，就能直观地看出每个月份对全年销售业绩的贡献程度，进而进行该月份销售情况的原因分析，为其余月份销售策略改进提供依据。此外，也可以根据每月的累计销售情况实时跟踪年度销售目标的进度。

比如，从 1 月到 12 月或者到现在的累计销售率分析：

今年的销售完成率：也即全年的 Sum(Cost)/Sum(Budget)
到目前为止的销售完成率：也即到现在为止的 Sum(Cost)/Sum(Budget)

在本例中，我们要累计的值为订单金额，维度为年份，实现步骤如下：

新建计算列订购日期-年份，使用 Year() 函数来拿到日期字段的年份：Year('Demo_销售明细'[订购日期])；
新建度量值累积值，使用 SumW() 函数来计算年度累积订单金额：SumW('Demo_销售明细','Demo_销售明细'[订单金额],OrderBy('Demo_销售明细'[订购日期-年份]))；
将新建的度量值累积值绑定在组件的数值中，将日期字段的值绑定在组件的分类中。

ABC 分析模型

ABC 分析法又称帕累托分析法，是一种根据帕累托最优原则设计的分类方法，是确定库存等级的技术，常用于物资管理中，也称为选择性库存控制。

ABC 提出企业的库存管理不应只存在一个等级，根据重要性，库存定义为三个等级（A, B 和 C）：

A 物品非常重要，严格控制、准确记录
B 物品比较重要，稍松控制、良好记录
C 物品不太重要，简单控制、最少记录

通过对产品进行区别和分类，反映出每类产品的价值对库存、销售、成本等总价值的影响。

上图展示了根据供应商和销售额之间的关系，分成了 ABC 三类：

A 类销售总金额：1.8M
B 类销售总金额：380.1K
C 类销售总金额：312.6K

enter image description here

并组合图展示供应商和销售额的关系，进行以下分类：

0 -80% A 类
80%-90% B 类
90%-100% C类

同比分析模型

同比和环比是按照时间周期来统计数据变化的常用方法。

同比：与历史同时期比较，例如 2022 年3 月份与 2021 年 3 月份相比，叫同比。同比发展速度主要是为了消除季节变动的影响，用以说明本期发展水平与去年同期发展水平对比而达到的相对发展速度。常用于分析数据的长期趋势。
环比：与上一个统计周期比较，例如 2022 年 4 月份与 2022 年 3 月份相比较，称为环比。环比包括两种：环比增长速度和环比发展速度。常用于分析数据的短期趋势。

通过不同呈现方式展示了订单金额周期变化，反映出销售数据的变化趋势和增长速度。

用户黏性分析模型

用户黏度是指用户对于品牌或产品的忠诚、信任与良性体验等结合起来形成的依赖程度和再消费期望程度。在业务场景中, 可根据用户的连续登录次数来判断产品的健康程度。

用户黏性分析：帮助运营团队了解现有用户规模, 追踪运营活动拉新效果, 为活动复盘分析提供决策依据。

在本例网站登录数据检测场景中, 认定每周登录天数超过 2 次的客户为该周的具有粘性群体。可以在现有登录数据以每周粒度来计算每周登录超过 2 次人数。

可以看到 2022-19 周到 2022-21 周用户登录超过两次的人数持续上涨。在右侧的图中也可以看到上升最明显的是潜在客户, 说明该阶段的活动或者产品能力在持续吸引客户方面的反馈是相当有效的, 对潜在客户的吸引尤其有所增益。

但看到整体的登录次数人数分布方面, 绝大部分都是只有 1 天登录时间, 所以在客户粘性方面还有很大提升空间。

波特五力分析模型

波特五力分析模型是影响行业的吸引力和现有企业的竞争战略决策的重要工具和手段。波特五力模型将大量不同的因素汇集在一个简便的模型中，以此分析一个行业的基本竞争态势。五种力量模型确定了竞争的五种主要来源，即供应商和购买者的讨价还价能力，潜在进入者的威胁，替代品的威胁，以及最后一点，来自在同一行业的公司间的竞争。

五力分析：

数据：目标行业在 5个方向的能力评级（1-5）。可根据不同行业分类的面积图大小判断公司进入该行业的盈利空间，以及行业内部的竞争空间大小。

数据获取：分别对 5 个能力进行单独分析，得出影响对应能力的要素以及要素评级，再根据这些要素评级得出对应能力的相对评级。

杜邦分析模型

杜邦分析是主要用来分析公司的财务报告，以评估该公司的盈利能力和股东权益的收益水平，主要财务指标包括权益净利率、资产净利率、销售净利率、资产周转率等等，现在甚至用来估计销售增长率。

将公司净资产收益率进行逐级的分解，以此来深入呈现和分析整个公司的业绩状况。

下图是在仪表板中制作的一个杜邦分析的示例：

区间分析模型

区间分析模型，通过将数据的值划分成不同的区间，通过区间分析方法，展示不同区间数据的分布规律和情况。这里介绍的区间字段类似于数据集中的分类字段，将数据分组并标记，从而形成的新的字段。如右柱状图，将各大区的销售总额按照 800 万、1200 万的区间进行划分，然后将区间字段作为维度分析数据。

关联分析模型

关联分析法：通过研究已经产生的数据，将不同目标关联起来并挖掘二者之间联系的分析方法。关联分析法的一个典型是购物篮分析。

购物篮分析关键衡量指标：

支持度：指 A 和 B 同时被购买的概率，代表这个组合的可靠程度。支持度 =P(A∩B)。
置信度：A 对 B 的置信度指先购买 A 之后又购买了 B 的条件概率，表示在购买 A 商品的情况下，有多大概率再买 B 商品。A 对 B 的置信度 = P(A|B) = P(A∩B)/(P(A)。
提升度：A 对 B 的提升度 = A 对 B 的置信度 / P(B) = P(A∩B)/(P(A)*P(B))。

当置信度 >P(B) 时，A 对 B 的提升度 >1，则表示买 A 再买 B 的概率大于本身买 B 的概率，表示用户买了 A 之后再买 B 的意愿比自然情况下买 B 的意愿要强烈，组合 AB 商品会对 B 商品的销量带来提升。

当置信度 <P(B) 时，A 对 B 的提升度 <1，则表示买 A 再买 B 的概率小于本身买 B 的概率，表示用户买了 A 之后再买 B 的意愿比自然情况下买 B 的意愿要低，组合 AB 商品会对 B 商品的销量带来降低。

当置信度 =P(B) 时，A 对 B 的提升度 =1，则表示买 A 对买 B 没有影响。

KANO 分析模型

KANO 模型是东京理工大学教授狩野纪昭（Noriaki Kano）发明的对用户需求分类和排序的有用工具通过分析用户对产品功能的满意程度，对产品功能进行分级，从而确定产品实现过程中的优先级。

比如，通过对不同功能调研分析，将结果汇总到，兴奋型、期望型、无差异、必备型四个象限。得出必备型的功能点，需要优先满足。

AARRR分析模型

AARRR 分析 AARRR 是一个产品生长的 5 个重要环节：

获取 Acquisition
激活 Activation
留存 Retention
传播 Referral
收益 Revenue

通过这 5 个类别，我们可以将产品成长的阶段可视化，以便我们逐个部分进行商业分析，以及做出相应的调整。

应用场景：

通过可视化各个环节的数据指标，获取产品的运营情况
分别展开分析各个环节的明细，量化分析未来的关注点
调整各个环节的关注指标，分析产品生命周期与客户维护的作用

以 App 的数据为例，我们通过以下几个方式来分析：

获取 Acquisition：各个渠道对比分析，用户是从什么渠道获得的软件？
激活 Activation：获取到的用户是否激活？软件对于客户是否能激发兴趣？我们通过激活比例来评估这个阶段。激活比例通常会基于用户的行为来评价，例如登录满某个次数，或是在线时长满足某个阈值等等。
留存 Retention：我们通过当日/一周/两周等多个节点来判断客户的留存情况，关注用户是否能够长期、持续的使用产品。例如对于社交软件，我们通常会通过简化注册步骤，推荐关注等方式来提升当日留存率。用户的活跃也就意味着社区的活跃、产品的活跃。
传播 Referral：这里展示的是用户传播的指标，鼓励用户分享、邀请新人都可以有效增加传播度。
收益 Revenue：这里将根据用户的购买活跃度，将用户分为三组：