商務數據演算法模型

① 商務數據分析是什麼

商務數據分析是當用戶在電子商務網站上有了購買行為之後，就從潛在客戶變成了網站的價值客戶。電子商務網站一般都會將用戶的交易信息，包括購買時間、購買商品、購買數量支付金額等信息保存在自己的資料庫裡面，所以對於這些客戶我們可以基於網站的運營數據對他們的交易行為進行分析，以估計每位客戶的價值，及針對每位客戶的擴展營銷的可能性。

電子商務相對於傳統零售業來說，最大的特點就是一-切都可以通過數據化來監控和改進。通過數據可以看到用戶從哪裡來、如何組織產品可以實現很好的轉化率、你投放廣告的效率如何等等問題。基於數據分析的每一點點改變，就是一點點提升你賺錢的能力，所以，電子商務網站的數據分析顯得尤為重要。

② 商業數據分析有哪些應用

有數據的地方就有信息，有需求的地方就要用到數據分析，這樣想來，應用就廣泛了，比如以前看過某銀行利用FineBI來重點研究目標客戶尋找和現有客戶的維護和二次開發，主要通過對優質客戶群體的各種來採取差異化的銷售策略，提供個性化的金融產品及服務。諸如此類的應用還有很多，你可以搜相關案例。

③ 大數據分析中，有哪些常見的大數據分析模型

對於互聯網平台而言的產品，主要可以分為兩大類：商品和服務。想要通過數據分析提高產品的銷量，首先要了解哪些數據需要分析？

哪些數據需要分析？

一、運營模塊

從用戶的消費流程來看，可以劃分為四個部分：引流，轉化，消費，存留。

• 流量

流量主要體現在引流環節，按照流量結構可以分為渠道結構，業務結構以及地區結構等。渠道結構，可以追蹤各個渠道的流量情況，通過渠道流量佔比來分析各渠道的質量。業務結構，根據指定業務對活動的流量進行追蹤，觀察活動前，中，後流量的變化情況，對活動效果做出評估。

• 轉化率

轉化率=期望行為人數/作用總人數。提升轉化率意味著更低的成本，更高的利潤, 最經典的分析模型就是漏斗模型。

• 流失率和留存率

通過各個渠道或者活動把用戶引流過來，但過一段時間就會有用戶流失掉，這部分用戶就是流失用戶，而留下來的這部分用戶就是留存用戶。流失可以分為剛性流失，體驗流失和競爭流失，雖然流失是不可避免的，但可以根據對流失的分析，做出相應的對策來挽留用戶。關於留存，通過觀察存留的規律，定位存留階段，可以輔助市場活動、市場策略定位等，同時還可以對比不同用戶、產品的功能存留情況，分析產品價值，及時對產品做出調整。

• 復購率

復購率可以分為「用戶復購率」和「訂單復購率」，通過分析復購率，可以進一步對用戶粘性進行分析，輔助發現復購率問題，制定運營策略， 同事還可以進行橫向（商品、用戶、渠道）對比分析， 細化復購率，輔助問題定位。

二、銷售模塊

銷售模塊中有大量的指標，包括同環比、完成率、銷售排行、重點商品佔比、平台佔比等等。

三、商品模塊

重要指標分析：包括貨齡、動銷率、缺貨率、結構指標、價格體系、關聯分析、暢滯銷分析等， 用來評判商品價值，輔助調整商品策略

四、用戶模塊

重點指標分析：包括新增用戶數、增長率、流失率、有效會員佔比、存留情況等

用戶價值分析：可以根據RFM模型，再融入其他個性化參數，對用戶進行價值的劃分，並針對各等級用戶做出進一步分析。

用戶畫像：根據固有屬性、行為屬性、交易屬性、興趣愛好等維度，來為用戶添加標簽與權重，設計用戶畫像，提供精準營銷參考依據。

根據需要分析的數據選擇分析模型

一、用戶模型

用戶模型是一種在營銷規劃或商業設計上描繪目標用戶的方法，經常有多種組合，方便規劃者用來分析並設置其針對不同用戶所展開的策略。傳統的用戶模型構建方法有兩種：基於訪談和觀察構建用戶模型（嚴謹可靠但費時）、臨時用戶模型（基於行業專家或者市場調查數據構建，快速但不夠可靠）。

改進的用戶模型構建方法：基於用戶行為數據的用戶模型

優勢：對傳統方式進行簡化，降低數據分析的門檻；讓數據分析更科學、高效、全面，可以更直接地應用於業務增長，指導運營策略。

方法：

1. 整理、收集對用戶的初始認知

2. 對用戶進行分群

3. 分析用戶的行為數據

4. 推測目標動機

5. 對用戶進行訪談調查驗證

6. 用戶模型建立修正

同時，還可以將收集到的用戶信息映射成為用戶的屬性或用戶的行為信息，並存儲起來形成用戶檔案；實時關注自身數據的波動，及時做出戰略性調整。

二、事件模型

事件模型是用戶行為數據分析的第一步，也是分析的核心和基礎，它背後的數據結構、採集時機以及對事件的管理是事件模型中的三大要素。

什麼是事件？

事件就是用戶在產品上的行為，它是用戶行為的一個專業描述，用戶在產品上所有獲得的程序反饋都可以抽象為事件，由開發人員通過埋點進行採集。舉個例子：用戶在頁面上點擊按鈕就是一個事件。

事件的採集

事件-屬性-值的結構：事件（用戶在產品上的行為），屬性（描述事件的維度），值（屬性的內容）

在事件採集過程中，靈活運用事件-屬性-值的結構，不僅可以最大化還原用戶使用場景，還可以極大地節省事件量，提高工作效率。

採集的時機：用戶點擊、網頁載入完成、伺服器判斷返回。在設計埋點需求文檔時，採集時機的說明尤為重要，也是保證數據准確性的核心。

舉個例子：電商銷售網頁的事件採集

上圖中，每一環代表用戶的一步，不同的顏色代表不同的行為，同一環顏色佔比越大代表在當前步驟中用戶行為越統一，環越長說明用戶的行為路徑越長。

八、用戶分群模型

用戶分群即用戶信息標簽化，通過用戶的歷史行為路徑、行為特徵、偏好等屬性，將具有相同屬性的用戶劃分為一個群體，並進行後續分析。

基於用戶行為數據的分群模型：當回歸到行為數據本身，會發現對用戶的洞察可以更精細更溯源，用歷史行為記錄的方式可以更快地找到想要的人群。

四個用戶分群的維度：

• 用戶屬性：年齡、性別、城市、瀏覽器版本、系統版本、操作版本、渠道來源等；

• 活躍於：通過設置活躍時間，找到指定之間段內的活躍用戶；

• 做過/沒做過：通過用戶是否進行某行為，分析用戶與產品交互的「親密度」；

• 新增於：通過設置時間段，精確篩選出新增用戶的時間范圍；

如何提高產品銷量是一個綜合性的問題，需要結合多種模型進行數據分析，以上內容是對一些知識的歸納，希望能夠對您有所幫助。

④ 電子商務數據分析的電子商務數據分析的五個指標

電子商務數據分析體系包括網站運營指標、經營環境指標、銷售業績指標、運營活動指標和客戶價值指標五個一級指標。
網站運營指標這里定為一個綜合性的指標，其下麵包括有網站流量指標、商品類目指標以及（虛擬）供應鏈指標等幾個二級指標。經營環境指標細分為外部經營環境指標和內部經營環境指標兩個二級指標。銷售業績指標則根據網站和訂單細分為2個二級指標，而營銷活動指標則包括市場營銷活動指標、廣告投放指標和商務合作指標等三個二級指標。客戶價值指標包括總體客戶指標以及新老客戶指標等三個二級指標。 網站運營指標主要用來衡量網站的整體運營狀況，這里Ec數據分析聯盟暫將網站運營指標下面細分為網站流量指標、商品類目指標、以及供應鏈指標。
1.網站流量指標
網站流量指標主要用從網站優化，網站易用性、網站流量質量以及顧客購買行為等方面進行考慮。流量指標的數據來源通常有兩種，一種是通過網站日誌資料庫處理，另一種則是通過網站頁面插入JS代碼的方法處理（二種收集日誌的數據更有長、短處。大企業都會有日誌數據倉庫，以共分析、建模之用。大多數的企業還是使用GA來進行網站監控與分析。）。網站流量指標可細分為數量指標、質量指標和轉換指標，例如我們常見的PV、UV、Visits、新訪客數、新訪客比率等就屬於流量數量指標，而跳出率、頁面/站點平均在線時長、PV/UV等則屬於流量質量指標，針對具體的目標，涉及的轉換次數和轉換率則屬於流量轉換指標，譬如用戶下單次數、加入購物車次數、成功支付次數以及相對應的轉化率等。
2.商品類目指標
商品類目指標主要是用來衡量網站商品正常運營水平，這一類目指標與銷售指標以及供應鏈指標關聯慎密。譬如商品類目結構佔比，各品類銷售額佔比，各品類銷售SKU集中度以及相應的庫存周轉率等，不同的產品類目佔比又可細分為商品大類目佔比情況以及具體商品不同大小、顏色、型號等各個類別的佔比情況等。
3.供應鏈指標
這里的供應鏈指標主要指電商網站商品庫存以及商品發送方面，而關於商品的生產以及原材料庫存運輸等則不在考慮范疇之內。這里主要考慮從顧客下單到收貨的時長、倉儲成本、倉儲生產時長、配送時長、每單配送成本等。譬如倉儲中的分倉庫壓單佔比、系統報缺率（與前面的商品類目指標有極大的關聯）、實物報缺率、限時上架完成率等，物品發送中的譬如分時段下單出庫率、未送達佔比以及相關退貨比率、COD比率等等。 一個客戶的價值通常由三部分組成：歷史價值（過去的消費）、潛在價值（主要從用戶行為方面考慮，RFM模型為主要衡量依據）、附加值（主要從用戶忠誠度、口碑推廣等方面考慮）。這里客戶價值指標分為總體客戶指標以及新、老客戶價值指標，這些指標主要從客戶的貢獻和獲取成本兩方面來衡量。譬如，這里用訪客人數、訪客獲取成本以及從訪問到下單的轉化率來衡量總體客戶價值指標，而對老顧客價值的衡量除了上述考慮因素外，更多的是以RFM模型為考慮基準。
數據分析體系建立之後，其數據指標並不是一成不變的，需要根據業務需求的變化實時的調整，調整時需要注意的是統計周期變動以及關鍵指標的變動。通常，單獨的分析某個數據指標並不能解決問題，而各個指標間又是相互關聯的，將所有指標織成一張網，根據具體的需求尋找各自的數據指標節點。

⑤ 商務數據分析中常被用作內部環境分析、競爭環境分析的模型是什麼

SWOT模型。商務數據分析是指以商業理論為基礎，從數據分析出發，依靠統計工具，以決策優化為目的，洞察數據背後的規律，為商業創造最大價值的方法。在該方法中內部環境分析，競爭環境分析最常用的模型為SWOT模型。同時該模型就是將與研究對象密切相關的各種主要內部優勢、劣勢和外部的機會和威脅等進行列舉出來的模型。

⑥ 數據的演算法都有哪些……

A*搜尋演算法
俗稱A星演算法。這是一種在圖形平面上，有多個節點的路徑，求出最低通過成本的演算法。常用於游戲中的 NPC的移動計算，或線上游戲的 BOT的移動計算上。該演算法像 Dijkstra演算法一樣，可以找到一條最短路徑；也像BFS一樣，進行啟發式的搜索。

Beam Search
束搜索(beam search)方法是解決優化問題的一種啟發式方法，它是在分枝定界方法基礎上發展起來的，它使用啟發式方法估計k個最好的路徑，僅從這k個路徑出發向下搜索，即每一層只有滿意的結點會被保留，其它的結點則被永久拋棄，從而比分枝定界法能大大節省運行時間。束搜索於20 世紀70年代中期首先被應用於 人工智慧領域,1976 年Lowerre在其稱為 HARPY的語音識別系統中第一次使用了束搜索方法。他的目標是並行地搜索幾個潛在的最優決策路徑以減少回溯，並快速地獲得一個解。

二分取中查找演算法
一種在有序數組中查找某一特定元素的搜索演算法。搜素過程從數組的中間元素開始，如果中間元素正好是要查找的元素，則搜素過程結束；如果某一特定元素大於或者小於中間元素，則在數組大於或小於中間元素的那一半中查找，而且跟開始一樣從中間元素開始比較。這種搜索演算法每一次比較都使搜索范圍縮小一半。

Branch and bound
分支定界演算法是一種在問題的解空間樹上搜索問題的解的方法。但與回溯演算法不同，分支定界演算法採用廣度優先或最小耗費優先的方法搜索解空間樹，並且，在分支定界演算法中，每一個活結點只有一次機會成為擴展結點。

數據壓縮
數據壓縮是通過減少計算機中所存儲數據或者通信傳播中數據的冗餘度，達到增大數據密度，最終使數據的存儲空間減少的技術。數據壓縮在文件存儲和分布式系統領域有著十分廣泛的應用。數據壓縮也代表著尺寸媒介容量的增大和網路帶寬的擴展。

Diffie–Hellman密鑰協商
Diffie–Hellman key exchange，簡稱「D–H」，是一種安全協議。它可以讓雙方在完全沒有對方任何預先信息的條件下通過不安全信道建立起一個密鑰。這個密鑰可以在後續的通訊中作為對稱密鑰來加密通訊內容。

Dijkstra』s 演算法
迪科斯徹演算法（Dijkstra）是由荷蘭計算機科學家艾茲格·迪科斯徹發明的。演算法解決的是有向圖中單個源點到其他頂點的最短路徑問題。舉例來說，如果圖中的頂點表示城市，而邊上的權重表示著城市間開車行經的距離，迪科斯徹演算法可以用來找到兩個城市之間的最短路徑。

動態規劃
動態規劃是一種在 數學和計算機科學中使用的，用於求解包含重疊子問題的最優化問題的方法。其基本思想是，將原問題分解為相似的子問題，在求解的過程中通過子問題的解求出原問題的解。 動態規劃的思想是多種演算法的基礎，被廣泛應用於計算機科學和工程領域。比較著名的應用實例有：求解最短路徑問題，背包問題，項目管理，網路流優化等。這里也有一篇文章說得比較詳細。

歐幾里得演算法
在 數學中，輾轉相除法，又稱 歐幾里得演算法，是求 最大公約數的演算法。輾轉相除法首次出現於 歐幾里得的《幾何原本》（第VII卷，命題i和ii）中，而在中國則可以追溯至 東漢出現的《九章算術》。

快速傅里葉變換(FFT)
快速傅里葉變換（Fast Fourier Transform，FFT），是離散傅里葉變換的快速演算法，也可用於計算離散傅里葉變換的逆變換。快速傅里葉變換有廣泛的應用，如數字信號處理、計算大整數乘法、求解偏微分方程等等。

哈希函數
HashFunction是一種從任何一種數據中創建小的數字「指紋」的方法。該 函數將數據打亂混合，重新創建一個叫做散列值的指紋。散列值通常用來代表一個短的隨機字母和數字組成的字元串。好的散列 函數在輸入域中很少出現散列沖突。在散列表和數據處理中，不抑制沖突來區別數據，會使得資料庫記錄更難找到。

堆排序
Heapsort是指利用堆積樹（堆）這種 數據結構所設計的一種排序演算法。堆積樹是一個近似完全二叉樹的結構，並同時滿足堆積屬性：即子結點的鍵值或索引總是小於（或者大於）它的父結點。

歸並排序
Merge sort是建立在歸並操作上的一種有效的排序演算法。該演算法是採用分治法（Divide and Conquer）的一個非常典型的應用。

RANSAC 演算法
RANSAC 是」RANdom SAmpleConsensus」的縮寫。該演算法是用於從一組觀測數據中估計 數學模型參數的迭代方法，由Fischler and Bolles在1981提出，它是一種非確定性演算法，因為它只能以一定的概率得到合理的結果，隨著迭代次數的增加，這種概率是增加的。該演算法的基本假設是觀測數據集中存在」inliers」（那些對模型參數估計起到支持作用的點）和」outliers」（不符合模型的點），並且這組觀測數據受到雜訊影響。RANSAC 假設給定一組」inliers」數據就能夠得到最優的符合這組點的模型。

RSA加密演演算法
這是一個公鑰加密演算法，也是世界上第一個適合用來做簽名的演算法。今天的RSA已經 專利失效，其被廣泛地用於 電子商務加密，大家都相信，只要密鑰足夠長，這個演算法就會是安全的。

並查集Union-find
並查集是一種樹型的 數據結構，用於處理一些不相交集合（Disjoint Sets）的合並及查詢問題。常常在使用中以森林來表示。

Viterbi algorithm
尋找最可能的隱藏狀態序列
等等這些，演算法很多。

⑦ 什麼是商務數據分析

商務數據分析與應用，加上了數據，跟大數據掛鉤，是近年來的經管商貿類專業的新熱門專業。數據分析是實用性技術，而商務是給數據分析明確了方向，這是一個綜合型專業。

⑧ 常見的商務數據的分析方法

常見的商務數據的分析方法：
1、公式法。所謂公式法就是針對某一個指標，用公式層層分解該指標的影響因素。
2、對比法。對比法就是用兩組或兩組以上的數據進行比較，是最通用的辦法。
3、象限法。通過對兩種及以上維度的劃分，運用坐標的方式表達出想要的價值，由價值直接轉變為策略，從而進行一些落地的推動。象限法是一種策略驅動的思維，常於產品分析、市場分析、客戶管理、商品管理等。

⑨ 電子商務行業大數據分析採用的演算法及模型有哪些

通過了解在網站有過購買行為的客戶，通過分析客戶的購買行為來描述客戶的價值，就是時間、頻率、金額等幾個方面繼續進行客戶區分，通過這個模型進行的數據分析，網站可以區別自己各個級別的會員、鐵牌會員、銅牌會員還是金牌會員就是這樣區分出來的。同時對於一些長時間都沒有購買行為的客戶，可以對他們進行一些針對性的營銷活動，激活這些休眠客戶。使用RFM模型只要根據三個不同的變數進行分組就可以實現會員區分。

第二、RFM模型

這個應該是屬於數據挖掘工具的一種，屬於關聯性分析的一種，就可以看出哪兩種商品是有關聯性的，例如衣服和褲子等搭配穿法，通過Apriori演算法，就可以得出兩個商品之間的關聯系，這可以確定商品的陳列等因素，也可以對客戶的購買經歷進行組套銷售。

第三、Spss分析

主要是針對營銷活動中的精細化分析，讓針對客戶的營銷活動更加有針對性，也可以對資料庫當中的客戶購買過的商品進行分析，例如哪些客戶同時購買過這些商品，特別是針對現在電子商務的細分越來越精細，在精細化營銷上做好分析，對於企業的營銷效果有很大的好處。

第四、網站分析

訪問量、頁面停留等等數據，都是重要的流量指標，進行網站數據分析的時候，流量以及轉化率也是衡量工作情況的方式之一，對通過這個指標來了解其他數據的變化也至關重要。

⑩ 如何著手商業數據分析

商業分析的流程一般分為5個步驟

明確問題-拆解問題-安排工作任務-推進工作任務-輸出分析報告

1、明確問題

首先在解決問題前，我們一定要知道問題到底是什麼？這樣我們就知道了後期工作的方向，避免了以後出現的沒必要的爭論。對於如何明確問題，可以用SMART法則來說明

S——Specific 具體明確的，不能將問題說得太抽象

比如小米手機想要賣的好，就不能簡單的說成小米手機要做成讓每個人都喜歡的產品，而是應該說成小米手機的出貨量要達到去年的150%

M——Measurable 可衡量的，不管是問題的本身還是目標要量化出來

還是小米的例子，出貨量達到到去年的150%，那麼150%就是可以量化的標准

A——Action-oriented 行動導向 就是說明問題時，必須要有解決的方向

比如小米通過銷售改進、加大市場推廣、增強產品研發能力這三種方式使出貨量要達到去年的150%。

R——Relevant 相關聯的，行動與問題存在相關性

小米通過銷售改進、加大市場推廣、增強產品研發能力對提升出貨量是有相關性的，不能說小米通過進入筆記本電腦領域的方式去增加手機的出貨量，開發筆記本電腦這個產品線這個行動跟提升手機出貨量沒有任何關聯

T——Time-bound 時間限制

計劃使出貨量增加到去年的150%，可能過了兩年手機的出貨量也沒有提升到150%，所以明確時間尤其重要 ，比如我計劃用8個月的時間使手機出貨量達到去年的150%。當然，時間的限定一定要從實際情況出發，要具備一定的合理性

2、拆分問題

拆分問題需要用到邏輯樹模型

邏輯樹分析模型顧名思義，就是把一個已知明確的問題作為樹干，分析哪些問題跟這個問題有關，把相關的問題作為樹枝加入到樹干當中，由此不斷向下拓展，就會將問題拓展成一個邏輯樹

使用邏輯樹模型的優點：

● 保證了解決問題的完整性

● 理清了所有的思路

● 避免了重復和無關的思考

除此之外，還有2個法則能更好的幫你理清思路，分別是MECE分析法和二八法則

MECE分析法即把一個工作項目分解為若干個更細的工作任務的方法

它主要有兩條原則：

完整性

分解工作的過程中不要漏掉某項，要保證完整性

比如市場推廣和提升產品研發能力就是2個不同的解決問題方向，漏掉某一項都會使解決問題的方向不完整

獨立性

每項工作之間要獨立，每項工作之間不要有交叉重疊

比如小米手機想要增加出貨量可以提升產品研發能力和把手機設計得更好看，那麼這2個子問題就重合了，因為產品研發能力包含了手機設計能力

二八法則，通俗理解就是在任何一組東西中，最重要的只佔其中一小部分，約20%，其餘80%盡管是多數，卻是次要的

邏輯樹分析模型中也是一樣，要時刻關注重點問題，對於一些非重點的問題舍棄掉，減少工作量的同時集中力量解決重點問題

3、安排工作任務

將相互關系緊密的問題作為一個獨立項目-確定項目負責人和工作推進計劃表；特別是重要節點-負責人不時檢查工作，按計劃推進工作

4、推進執行任務

既然是商業分析，那麼我們就要知道從哪幾個維度去分析，以及如何獲取有用的信息。明確這兩個問題，我們就能很好的推進執行任務

3個分析維度

市場分析-競爭者分析-用戶分析

以小米案例說明：

首先我們要了解整個手機市場的概況，對於手機市場的規模多大，供應鏈上下游的情況一一了解清楚，根據手機市場的環境來預測未來手機市場的發展趨勢，做到快人一步

對於競爭者分析，我們要知道整個手機市場的幾個大的玩家，以及他們的市場佔有率是多少，還要具體分析每個競爭對手的概況和優劣勢，包括渠道、供應鏈、產品等等方面。對於手機行業來說，蘋果、華為、OPPO、vivo這幾個大玩家是一定要仔細研究

最後是用戶分析，要從用戶屬性、購買產品的決策等等因素上精準定位粉絲，了解用戶需求，抓住用戶痛點，幫助公司獲取和留存用戶。手機行業，OPPO和vivo因為渠道優勢，對於目標人群的需求抓得非常精準

3種獲取信息的方式

案頭研究-用戶調研-實地考察

案頭研究，互聯網時代，我們可以從網路獲得相關新聞和一些專業的資料庫，但是由於信息量極大，我們也要注意篩選出可靠准確的目標信息

用戶調查可以分為線上調查和線下調查，線上我們可以通過網路/電話的形式調研，能得到大量的一手信息，但是不一定能得到你想要的全部信息。線下我們可以通過拜訪的形式交流調研，線下調查能直接觸達用戶，了解到你想要的全部信息，但是時間經濟成本太高

實地調研一般會和用戶調查相結合，能得到一些隱藏但是非常重要的信息，當然，時間經濟成本也是非常高

5、輸出分析報告

這一步是整個商業分析過程的復盤總結，決定著你的分析結果是否能給企業做出正確的決策

一般來說，輸出分析報告可以分為4個步驟

總體概要-整個商業分析的主要內容，包公整體的框架和邏輯

填充整理PPT信息-將信息填充到每個獨立的項目，清楚解決問題的細節

溝通優化-內部溝通保證報告的完整性，用戶溝通包含用戶想要的信息

定稿匯報-對報告內容做到瞭然於胸，根據不同受眾，報告稱顯得內容和形式不同。