商务数据算法模型

① 商务数据分析是什么

商务数据分析是当用户在电子商务网站上有了购买行为之后，就从潜在客户变成了网站的价值客户。电子商务网站一般都会将用户的交易信息，包括购买时间、购买商品、购买数量支付金额等信息保存在自己的数据库里面，所以对于这些客户我们可以基于网站的运营数据对他们的交易行为进行分析，以估计每位客户的价值，及针对每位客户的扩展营销的可能性。

电子商务相对于传统零售业来说，最大的特点就是一-切都可以通过数据化来监控和改进。通过数据可以看到用户从哪里来、如何组织产品可以实现很好的转化率、你投放广告的效率如何等等问题。基于数据分析的每一点点改变，就是一点点提升你赚钱的能力，所以，电子商务网站的数据分析显得尤为重要。

② 商业数据分析有哪些应用

有数据的地方就有信息，有需求的地方就要用到数据分析，这样想来，应用就广泛了，比如以前看过某银行利用FineBI来重点研究目标客户寻找和现有客户的维护和二次开发，主要通过对优质客户群体的各种来采取差异化的销售策略，提供个性化的金融产品及服务。诸如此类的应用还有很多，你可以搜相关案例。

③ 大数据分析中，有哪些常见的大数据分析模型

对于互联网平台而言的产品，主要可以分为两大类：商品和服务。想要通过数据分析提高产品的销量，首先要了解哪些数据需要分析？

哪些数据需要分析？

一、运营模块

从用户的消费流程来看，可以划分为四个部分：引流，转化，消费，存留。

• 流量

流量主要体现在引流环节，按照流量结构可以分为渠道结构，业务结构以及地区结构等。渠道结构，可以追踪各个渠道的流量情况，通过渠道流量占比来分析各渠道的质量。业务结构，根据指定业务对活动的流量进行追踪，观察活动前，中，后流量的变化情况，对活动效果做出评估。

• 转化率

转化率=期望行为人数/作用总人数。提升转化率意味着更低的成本，更高的利润, 最经典的分析模型就是漏斗模型。

• 流失率和留存率

通过各个渠道或者活动把用户引流过来，但过一段时间就会有用户流失掉，这部分用户就是流失用户，而留下来的这部分用户就是留存用户。流失可以分为刚性流失，体验流失和竞争流失，虽然流失是不可避免的，但可以根据对流失的分析，做出相应的对策来挽留用户。关于留存，通过观察存留的规律，定位存留阶段，可以辅助市场活动、市场策略定位等，同时还可以对比不同用户、产品的功能存留情况，分析产品价值，及时对产品做出调整。

• 复购率

复购率可以分为“用户复购率”和“订单复购率”，通过分析复购率，可以进一步对用户粘性进行分析，辅助发现复购率问题，制定运营策略， 同事还可以进行横向（商品、用户、渠道）对比分析， 细化复购率，辅助问题定位。

二、销售模块

销售模块中有大量的指标，包括同环比、完成率、销售排行、重点商品占比、平台占比等等。

三、商品模块

重要指标分析：包括货龄、动销率、缺货率、结构指标、价格体系、关联分析、畅滞销分析等， 用来评判商品价值，辅助调整商品策略

四、用户模块

重点指标分析：包括新增用户数、增长率、流失率、有效会员占比、存留情况等

用户价值分析：可以根据RFM模型，再融入其他个性化参数，对用户进行价值的划分，并针对各等级用户做出进一步分析。

用户画像：根据固有属性、行为属性、交易属性、兴趣爱好等维度，来为用户添加标签与权重，设计用户画像，提供精准营销参考依据。

根据需要分析的数据选择分析模型

一、用户模型

用户模型是一种在营销规划或商业设计上描绘目标用户的方法，经常有多种组合，方便规划者用来分析并设置其针对不同用户所展开的策略。传统的用户模型构建方法有两种：基于访谈和观察构建用户模型（严谨可靠但费时）、临时用户模型（基于行业专家或者市场调查数据构建，快速但不够可靠）。

改进的用户模型构建方法：基于用户行为数据的用户模型

优势：对传统方式进行简化，降低数据分析的门槛；让数据分析更科学、高效、全面，可以更直接地应用于业务增长，指导运营策略。

方法：

1. 整理、收集对用户的初始认知

2. 对用户进行分群

3. 分析用户的行为数据

4. 推测目标动机

5. 对用户进行访谈调查验证

6. 用户模型建立修正

同时，还可以将收集到的用户信息映射成为用户的属性或用户的行为信息，并存储起来形成用户档案；实时关注自身数据的波动，及时做出战略性调整。

二、事件模型

事件模型是用户行为数据分析的第一步，也是分析的核心和基础，它背后的数据结构、采集时机以及对事件的管理是事件模型中的三大要素。

什么是事件？

事件就是用户在产品上的行为，它是用户行为的一个专业描述，用户在产品上所有获得的程序反馈都可以抽象为事件，由开发人员通过埋点进行采集。举个例子：用户在页面上点击按钮就是一个事件。

事件的采集

事件-属性-值的结构：事件（用户在产品上的行为），属性（描述事件的维度），值（属性的内容）

在事件采集过程中，灵活运用事件-属性-值的结构，不仅可以最大化还原用户使用场景，还可以极大地节省事件量，提高工作效率。

采集的时机：用户点击、网页加载完成、服务器判断返回。在设计埋点需求文档时，采集时机的说明尤为重要，也是保证数据准确性的核心。

举个例子：电商销售网页的事件采集

上图中，每一环代表用户的一步，不同的颜色代表不同的行为，同一环颜色占比越大代表在当前步骤中用户行为越统一，环越长说明用户的行为路径越长。

八、用户分群模型

用户分群即用户信息标签化，通过用户的历史行为路径、行为特征、偏好等属性，将具有相同属性的用户划分为一个群体，并进行后续分析。

基于用户行为数据的分群模型：当回归到行为数据本身，会发现对用户的洞察可以更精细更溯源，用历史行为记录的方式可以更快地找到想要的人群。

四个用户分群的维度：

• 用户属性：年龄、性别、城市、浏览器版本、系统版本、操作版本、渠道来源等；

• 活跃于：通过设置活跃时间，找到指定之间段内的活跃用户；

• 做过/没做过：通过用户是否进行某行为，分析用户与产品交互的“亲密度”；

• 新增于：通过设置时间段，精确筛选出新增用户的时间范围；

如何提高产品销量是一个综合性的问题，需要结合多种模型进行数据分析，以上内容是对一些知识的归纳，希望能够对您有所帮助。

④ 电子商务数据分析的电子商务数据分析的五个指标

电子商务数据分析体系包括网站运营指标、经营环境指标、销售业绩指标、运营活动指标和客户价值指标五个一级指标。
网站运营指标这里定为一个综合性的指标，其下面包括有网站流量指标、商品类目指标以及（虚拟）供应链指标等几个二级指标。经营环境指标细分为外部经营环境指标和内部经营环境指标两个二级指标。销售业绩指标则根据网站和订单细分为2个二级指标，而营销活动指标则包括市场营销活动指标、广告投放指标和商务合作指标等三个二级指标。客户价值指标包括总体客户指标以及新老客户指标等三个二级指标。 网站运营指标主要用来衡量网站的整体运营状况，这里Ec数据分析联盟暂将网站运营指标下面细分为网站流量指标、商品类目指标、以及供应链指标。
1.网站流量指标
网站流量指标主要用从网站优化，网站易用性、网站流量质量以及顾客购买行为等方面进行考虑。流量指标的数据来源通常有两种，一种是通过网站日志数据库处理，另一种则是通过网站页面插入JS代码的方法处理（二种收集日志的数据更有长、短处。大企业都会有日志数据仓库，以共分析、建模之用。大多数的企业还是使用GA来进行网站监控与分析。）。网站流量指标可细分为数量指标、质量指标和转换指标，例如我们常见的PV、UV、Visits、新访客数、新访客比率等就属于流量数量指标，而跳出率、页面/站点平均在线时长、PV/UV等则属于流量质量指标，针对具体的目标，涉及的转换次数和转换率则属于流量转换指标，譬如用户下单次数、加入购物车次数、成功支付次数以及相对应的转化率等。
2.商品类目指标
商品类目指标主要是用来衡量网站商品正常运营水平，这一类目指标与销售指标以及供应链指标关联慎密。譬如商品类目结构占比，各品类销售额占比，各品类销售SKU集中度以及相应的库存周转率等，不同的产品类目占比又可细分为商品大类目占比情况以及具体商品不同大小、颜色、型号等各个类别的占比情况等。
3.供应链指标
这里的供应链指标主要指电商网站商品库存以及商品发送方面，而关于商品的生产以及原材料库存运输等则不在考虑范畴之内。这里主要考虑从顾客下单到收货的时长、仓储成本、仓储生产时长、配送时长、每单配送成本等。譬如仓储中的分仓库压单占比、系统报缺率（与前面的商品类目指标有极大的关联）、实物报缺率、限时上架完成率等，物品发送中的譬如分时段下单出库率、未送达占比以及相关退货比率、COD比率等等。 一个客户的价值通常由三部分组成：历史价值（过去的消费）、潜在价值（主要从用户行为方面考虑，RFM模型为主要衡量依据）、附加值（主要从用户忠诚度、口碑推广等方面考虑）。这里客户价值指标分为总体客户指标以及新、老客户价值指标，这些指标主要从客户的贡献和获取成本两方面来衡量。譬如，这里用访客人数、访客获取成本以及从访问到下单的转化率来衡量总体客户价值指标，而对老顾客价值的衡量除了上述考虑因素外，更多的是以RFM模型为考虑基准。
数据分析体系建立之后，其数据指标并不是一成不变的，需要根据业务需求的变化实时的调整，调整时需要注意的是统计周期变动以及关键指标的变动。通常，单独的分析某个数据指标并不能解决问题，而各个指标间又是相互关联的，将所有指标织成一张网，根据具体的需求寻找各自的数据指标节点。

⑤ 商务数据分析中常被用作内部环境分析、竞争环境分析的模型是什么

SWOT模型。商务数据分析是指以商业理论为基础，从数据分析出发，依靠统计工具，以决策优化为目的，洞察数据背后的规律，为商业创造最大价值的方法。在该方法中内部环境分析，竞争环境分析最常用的模型为SWOT模型。同时该模型就是将与研究对象密切相关的各种主要内部优势、劣势和外部的机会和威胁等进行列举出来的模型。

⑥ 数据的算法都有哪些……

A*搜寻算法
俗称A星算法。这是一种在图形平面上，有多个节点的路径，求出最低通过成本的算法。常用于游戏中的 NPC的移动计算，或线上游戏的 BOT的移动计算上。该算法像 Dijkstra算法一样，可以找到一条最短路径；也像BFS一样，进行启发式的搜索。

Beam Search
束搜索(beam search)方法是解决优化问题的一种启发式方法，它是在分枝定界方法基础上发展起来的，它使用启发式方法估计k个最好的路径，仅从这k个路径出发向下搜索，即每一层只有满意的结点会被保留，其它的结点则被永久抛弃，从而比分枝定界法能大大节省运行时间。束搜索于20 世纪70年代中期首先被应用于 人工智能领域,1976 年Lowerre在其称为 HARPY的语音识别系统中第一次使用了束搜索方法。他的目标是并行地搜索几个潜在的最优决策路径以减少回溯，并快速地获得一个解。

二分取中查找算法
一种在有序数组中查找某一特定元素的搜索算法。搜素过程从数组的中间元素开始，如果中间元素正好是要查找的元素，则搜素过程结束；如果某一特定元素大于或者小于中间元素，则在数组大于或小于中间元素的那一半中查找，而且跟开始一样从中间元素开始比较。这种搜索算法每一次比较都使搜索范围缩小一半。

Branch and bound
分支定界算法是一种在问题的解空间树上搜索问题的解的方法。但与回溯算法不同，分支定界算法采用广度优先或最小耗费优先的方法搜索解空间树，并且，在分支定界算法中，每一个活结点只有一次机会成为扩展结点。

数据压缩
数据压缩是通过减少计算机中所存储数据或者通信传播中数据的冗余度，达到增大数据密度，最终使数据的存储空间减少的技术。数据压缩在文件存储和分布式系统领域有着十分广泛的应用。数据压缩也代表着尺寸媒介容量的增大和网络带宽的扩展。

Diffie–Hellman密钥协商
Diffie–Hellman key exchange，简称“D–H”，是一种安全协议。它可以让双方在完全没有对方任何预先信息的条件下通过不安全信道建立起一个密钥。这个密钥可以在后续的通讯中作为对称密钥来加密通讯内容。

Dijkstra’s 算法
迪科斯彻算法（Dijkstra）是由荷兰计算机科学家艾兹格·迪科斯彻发明的。算法解决的是有向图中单个源点到其他顶点的最短路径问题。举例来说，如果图中的顶点表示城市，而边上的权重表示着城市间开车行经的距离，迪科斯彻算法可以用来找到两个城市之间的最短路径。

动态规划
动态规划是一种在 数学和计算机科学中使用的，用于求解包含重叠子问题的最优化问题的方法。其基本思想是，将原问题分解为相似的子问题，在求解的过程中通过子问题的解求出原问题的解。 动态规划的思想是多种算法的基础，被广泛应用于计算机科学和工程领域。比较着名的应用实例有：求解最短路径问题，背包问题，项目管理，网络流优化等。这里也有一篇文章说得比较详细。

欧几里得算法
在 数学中，辗转相除法，又称 欧几里得算法，是求 最大公约数的算法。辗转相除法首次出现于 欧几里得的《几何原本》（第VII卷，命题i和ii）中，而在中国则可以追溯至 东汉出现的《九章算术》。

快速傅里叶变换(FFT)
快速傅里叶变换（Fast Fourier Transform，FFT），是离散傅里叶变换的快速算法，也可用于计算离散傅里叶变换的逆变换。快速傅里叶变换有广泛的应用，如数字信号处理、计算大整数乘法、求解偏微分方程等等。

哈希函数
HashFunction是一种从任何一种数据中创建小的数字“指纹”的方法。该 函数将数据打乱混合，重新创建一个叫做散列值的指纹。散列值通常用来代表一个短的随机字母和数字组成的字符串。好的散列 函数在输入域中很少出现散列冲突。在散列表和数据处理中，不抑制冲突来区别数据，会使得数据库记录更难找到。

堆排序
Heapsort是指利用堆积树（堆）这种 数据结构所设计的一种排序算法。堆积树是一个近似完全二叉树的结构，并同时满足堆积属性：即子结点的键值或索引总是小于（或者大于）它的父结点。

归并排序
Merge sort是建立在归并操作上的一种有效的排序算法。该算法是采用分治法（Divide and Conquer）的一个非常典型的应用。

RANSAC 算法
RANSAC 是”RANdom SAmpleConsensus”的缩写。该算法是用于从一组观测数据中估计 数学模型参数的迭代方法，由Fischler and Bolles在1981提出，它是一种非确定性算法，因为它只能以一定的概率得到合理的结果，随着迭代次数的增加，这种概率是增加的。该算法的基本假设是观测数据集中存在”inliers”（那些对模型参数估计起到支持作用的点）和”outliers”（不符合模型的点），并且这组观测数据受到噪声影响。RANSAC 假设给定一组”inliers”数据就能够得到最优的符合这组点的模型。

RSA加密算法
这是一个公钥加密算法，也是世界上第一个适合用来做签名的算法。今天的RSA已经 专利失效，其被广泛地用于 电子商务加密，大家都相信，只要密钥足够长，这个算法就会是安全的。

并查集Union-find
并查集是一种树型的 数据结构，用于处理一些不相交集合（Disjoint Sets）的合并及查询问题。常常在使用中以森林来表示。

Viterbi algorithm
寻找最可能的隐藏状态序列
等等这些，算法很多。

⑦ 什么是商务数据分析

商务数据分析与应用，加上了数据，跟大数据挂钩，是近年来的经管商贸类专业的新热门专业。数据分析是实用性技术，而商务是给数据分析明确了方向，这是一个综合型专业。

⑧ 常见的商务数据的分析方法

常见的商务数据的分析方法：
1、公式法。所谓公式法就是针对某一个指标，用公式层层分解该指标的影响因素。
2、对比法。对比法就是用两组或两组以上的数据进行比较，是最通用的办法。
3、象限法。通过对两种及以上维度的划分，运用坐标的方式表达出想要的价值，由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，常于产品分析、市场分析、客户管理、商品管理等。

⑨ 电子商务行业大数据分析采用的算法及模型有哪些

通过了解在网站有过购买行为的客户，通过分析客户的购买行为来描述客户的价值，就是时间、频率、金额等几个方面继续进行客户区分，通过这个模型进行的数据分析，网站可以区别自己各个级别的会员、铁牌会员、铜牌会员还是金牌会员就是这样区分出来的。同时对于一些长时间都没有购买行为的客户，可以对他们进行一些针对性的营销活动，激活这些休眠客户。使用RFM模型只要根据三个不同的变量进行分组就可以实现会员区分。

第二、RFM模型

这个应该是属于数据挖掘工具的一种，属于关联性分析的一种，就可以看出哪两种商品是有关联性的，例如衣服和裤子等搭配穿法，通过Apriori算法，就可以得出两个商品之间的关联系，这可以确定商品的陈列等因素，也可以对客户的购买经历进行组套销售。

第三、Spss分析

主要是针对营销活动中的精细化分析，让针对客户的营销活动更加有针对性，也可以对数据库当中的客户购买过的商品进行分析，例如哪些客户同时购买过这些商品，特别是针对现在电子商务的细分越来越精细，在精细化营销上做好分析，对于企业的营销效果有很大的好处。

第四、网站分析

访问量、页面停留等等数据，都是重要的流量指标，进行网站数据分析的时候，流量以及转化率也是衡量工作情况的方式之一，对通过这个指标来了解其他数据的变化也至关重要。

⑩ 如何着手商业数据分析

商业分析的流程一般分为5个步骤

明确问题-拆解问题-安排工作任务-推进工作任务-输出分析报告

1、明确问题

首先在解决问题前，我们一定要知道问题到底是什么？这样我们就知道了后期工作的方向，避免了以后出现的没必要的争论。对于如何明确问题，可以用SMART法则来说明

S——Specific 具体明确的，不能将问题说得太抽象

比如小米手机想要卖的好，就不能简单的说成小米手机要做成让每个人都喜欢的产品，而是应该说成小米手机的出货量要达到去年的150%

M——Measurable 可衡量的，不管是问题的本身还是目标要量化出来

还是小米的例子，出货量达到到去年的150%，那么150%就是可以量化的标准

A——Action-oriented 行动导向 就是说明问题时，必须要有解决的方向

比如小米通过销售改进、加大市场推广、增强产品研发能力这三种方式使出货量要达到去年的150%。

R——Relevant 相关联的，行动与问题存在相关性

小米通过销售改进、加大市场推广、增强产品研发能力对提升出货量是有相关性的，不能说小米通过进入笔记本电脑领域的方式去增加手机的出货量，开发笔记本电脑这个产品线这个行动跟提升手机出货量没有任何关联

T——Time-bound 时间限制

计划使出货量增加到去年的150%，可能过了两年手机的出货量也没有提升到150%，所以明确时间尤其重要 ，比如我计划用8个月的时间使手机出货量达到去年的150%。当然，时间的限定一定要从实际情况出发，要具备一定的合理性

2、拆分问题

拆分问题需要用到逻辑树模型

逻辑树分析模型顾名思义，就是把一个已知明确的问题作为树干，分析哪些问题跟这个问题有关，把相关的问题作为树枝加入到树干当中，由此不断向下拓展，就会将问题拓展成一个逻辑树

使用逻辑树模型的优点：

● 保证了解决问题的完整性

● 理清了所有的思路

● 避免了重复和无关的思考

除此之外，还有2个法则能更好的帮你理清思路，分别是MECE分析法和二八法则

MECE分析法即把一个工作项目分解为若干个更细的工作任务的方法

它主要有两条原则：

完整性

分解工作的过程中不要漏掉某项，要保证完整性

比如市场推广和提升产品研发能力就是2个不同的解决问题方向，漏掉某一项都会使解决问题的方向不完整

独立性

每项工作之间要独立，每项工作之间不要有交叉重叠

比如小米手机想要增加出货量可以提升产品研发能力和把手机设计得更好看，那么这2个子问题就重合了，因为产品研发能力包含了手机设计能力

二八法则，通俗理解就是在任何一组东西中，最重要的只占其中一小部分，约20%，其余80%尽管是多数，却是次要的

逻辑树分析模型中也是一样，要时刻关注重点问题，对于一些非重点的问题舍弃掉，减少工作量的同时集中力量解决重点问题

3、安排工作任务

将相互关系紧密的问题作为一个独立项目-确定项目负责人和工作推进计划表；特别是重要节点-负责人不时检查工作，按计划推进工作

4、推进执行任务

既然是商业分析，那么我们就要知道从哪几个维度去分析，以及如何获取有用的信息。明确这两个问题，我们就能很好的推进执行任务

3个分析维度

市场分析-竞争者分析-用户分析

以小米案例说明：

首先我们要了解整个手机市场的概况，对于手机市场的规模多大，供应链上下游的情况一一了解清楚，根据手机市场的环境来预测未来手机市场的发展趋势，做到快人一步

对于竞争者分析，我们要知道整个手机市场的几个大的玩家，以及他们的市场占有率是多少，还要具体分析每个竞争对手的概况和优劣势，包括渠道、供应链、产品等等方面。对于手机行业来说，苹果、华为、OPPO、vivo这几个大玩家是一定要仔细研究

最后是用户分析，要从用户属性、购买产品的决策等等因素上精准定位粉丝，了解用户需求，抓住用户痛点，帮助公司获取和留存用户。手机行业，OPPO和vivo因为渠道优势，对于目标人群的需求抓得非常精准

3种获取信息的方式

案头研究-用户调研-实地考察

案头研究，互联网时代，我们可以从网络获得相关新闻和一些专业的数据库，但是由于信息量极大，我们也要注意筛选出可靠准确的目标信息

用户调查可以分为线上调查和线下调查，线上我们可以通过网络/电话的形式调研，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。线下我们可以通过拜访的形式交流调研，线下调查能直接触达用户，了解到你想要的全部信息，但是时间经济成本太高

实地调研一般会和用户调查相结合，能得到一些隐藏但是非常重要的信息，当然，时间经济成本也是非常高

5、输出分析报告

这一步是整个商业分析过程的复盘总结，决定着你的分析结果是否能给企业做出正确的决策

一般来说，输出分析报告可以分为4个步骤

总体概要-整个商业分析的主要内容，包公整体的框架和逻辑

填充整理PPT信息-将信息填充到每个独立的项目，清楚解决问题的细节

沟通优化-内部沟通保证报告的完整性，用户沟通包含用户想要的信息

定稿汇报-对报告内容做到了然于胸，根据不同受众，报告称显得内容和形式不同。