CDA Level 1 业务数据分析

目录

理解业务数据分析方法、掌握业务数据分析流程、能够使用及设计创建业务指标、能够结合业务模型及业务分析方法正确理解业务问题,找到问题原因,并能够提出解决问题建议,这个章节的应用会考的比较多(终于正经起来了呢,毕竟真正的大哥来了)

业务数据分析(30%)

数据驱动型业务管理方法(3%)

销售漏斗模型:关系型销售业务中最有效的销售管理方法,它是将销售业务与数据分析完美结合的产物,它的本质是对销售过程的风险控制;

先将发现潜在商业机会开始到现金回收为止的整个销售过程分为不同销售阶段;
再对每一个销售阶段进行有针对性的细致管理;
最终达到及早发现并回避潜在商业风险的目的
销售漏斗模型中的业务及数据都是动态变化的,将每个不确定性尽可能变为确定性,用正确的销售决策最大限度地降低销售风险是设计及管理销售漏斗模型的目的所在;

数据规范:应保证销售漏斗数据的准确性与时效性;

准确性:销售阶段内容准确、上级金额准确、角色准确、时间准确、商机规模准确、其他维度数据准确;

时效性:销售阶段、商机金额、角色、时间、商机规模、其他维度数据。

有效数据 为企业创建宝贵销售资源库;有效数据积累越多价值越高;

指标的应用与设计(12%)

=>指标:

1、定义:用简约的汇总数据量化业务强弱

2、理解:对度量的汇总,即数据的汇总规则(需要和维度结合)

3、分类:

                求和类:

                        常规:对度量求和计数得到的指标

                        累计:随时间维度变化,从时间初值至当前时间点,时间段内度量的累加值

                        (本身已经是累计值的无需累计计算,如:库存数量,银行储值) 

                计数类:对度量计算得到的指标,数据唯一性

                比较类:

                        差异百分比:指定维度下指标的某个值为基准点,比较当前值和指定值的差异变化率,用以帮助决策者了解当前数值的好坏

                        均比:与维度下指标的平均值比较(确认哪些拉高了均值,哪些拉低了均值)

                                (公式:(当前值-均值)/均值*100%)

                        定基比增长率:当前值与某一固定时期值对比,用以描述当期值的发展水平

                                (公式:(当期值-固定时期值)/固定时期值*100%)

                        同环比增长率:时间维度下某两个时间项对应指标值对比,用以描述当期值的发展水平,同比公式:(当期值-去年同期值)/去年同期值*100%;环比公式:(当期值-上期值)/上期值*100%;

=>流量指标:

1、常用计费方式:CPM(cost per mille)按每千次曝光收费、CPS(cost per sales)按实际销售收费、CPC(cost per click)按点击次数收费;

2、量:访客数(UV):访问对应维度的非重复用户数;浏览量(PV):维度下浏览页面的总次数;访问次数(Visits):统计会话数,一个会话内用户可访问多个页面;新访客数:新进访客数;

3、质:平均访问深度:浏览量/访问次数;跳失率:跳出次数/访问次数;新访客占比:新访客数/访客数;

=>转化指标:

转化率:根据业务流程观测阶段间流转后的留存比率,用以辅助决策者了解阶段间衔接的流畅性;公式:当前阶段/初始阶段(或上一阶段)*100%;

=>营运、销售类指标:

成交额:GMV、实际销售额、税后销售额、退款额;

成交量:实际订单量、销量、退款订单量、上架数量;

完成情况:目标达成率、退货率;

效果:屏效、商品关联性;

=>库存指标:

库存周转天数=库存量/最近N天平均销量>=安全库存天数

库龄:存放仓库时长;

库存周转次数=平均库存量/出库总量;

订货满足率=按合理需求正常供货次数/产品被要求供货的总次数;

缺货率=缺货次数/总订货次数;

售罄率=1-库存金额/进货金额;

=>绩效类指标:

绩效计划--绩效监控--绩效评价--绩效反馈;

=>客户相关指标:

注册用户数、浏览用户数、登录用户数;活跃用户数、留存率、在线时长、复购用户数;

推广渠道、注册、使用、离开;

=>指标分析方法:

1、纵向分析:时间周期下指标的变化规律(例:每月注册用户数变化趋势)

2、横向分析:指定维度下不同项的指标值的差异(例:1月各销售人员业绩比较)

3、预警分析:提供当前时间点对应维度的指标累计值、瞬间值、对比基准值(例:内存报警)

业务分析方法(15%)

行为效果分析:

行为效果分析:人--货--场

活动效果分析:前提是数据可获取;活动目的(人、物、绩效)---活动形式(发优惠券、营销小游戏)---量化效果(用指标值量化活动目标,同时需量化业务流程中的关键节点);

日常销售分析:在指定时间范围内,回顾日常经营性行为;

业务分析模型:

RFM模型:(R:最近一次消费时间差 ;F:消费的频次 ,M:消费金额)

        1、核心:用户分类

        2、背诵重点:

用户忠诚度模型:

漏斗模型:

业务分析方法:

1、树状结构分析:

        梳理行业内经营谈及的指标;

        将指标拆解为另外多个指标的和或乘积(或同一指标不同维度),逐层下钻,直至无法快速理解;

        将指标按拆解思路排放成树状结构,增加对比指标,如同比或环比值,通过观察变化比率快速定位问题

2、二八分析(帕累托分析):主要用于定位重点(核心)用户

3、四象限分析(代表:波士顿矩阵):

4、同期群分析:衡量指定对象组在某一段时期内的持续性行为差异

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.xdnf.cn/news/145364.html

如若内容造成侵权/违法违规/事实不符,请联系一条长河网进行投诉反馈,一经查实,立即删除!

相关文章

Vue 项目中引入 Axios 详解

Vue 项目中引入 Axios 详解 在 Vue 项目中,axios 是一个非常流行的 HTTP 客户端,用于向服务器发送请求并处理响应。本文将详细说明如何在 Vue 项目中引入 Axios 插件,以及如何进行基本的配置,包括构建、配置域名、设置全局错误拦…

【PyTorch】autograd与逻辑回归

autograd – 自动求导系统 torch.autograd autograd torch.autograd.backward 功能:自动求取梯度 tensor:用于求导的张量,如lossretain_graph:保存计算图create_graph:创建导数计算图,用于高阶求导gra…

Superset 使用指南之优化数据可视化性能与扩展

1. Superset 概述 什么是 Apache Superset? Apache Superset 是一个开源、现代化的数据可视化和数据探索平台。它通过提供直观的用户界面,使用户能够轻松创建复杂的图表和仪表板,探索海量数据,同时避免传统商业智能(…

vue项目引入比较独特的字体的方法

引入字体的步骤 前言(步骤一)引入的文件OPPOSans-M.ttf,TencentSans-W3.ttf,TencentSans-W7.ttf,YouSheBiaoTiHei.ttf (步骤二)font.css(步骤三) 全局引入在使用的地方的展示效果展示 前言 公司这边开发一个可视化大屏,UI小姐姐设置了很多比…

安卓13修改设置设备型号和设备名称分析与更改-android13设置设备型号和设备名称更改

总纲 android13 rom 开发总纲说明 文章目录 1.前言2.问题分析3.代码分析4.代码修改5.编译6.彩蛋1.前言 用户要定制一些系统显示的设备型号和设备名称,这就需要我们分析设置里面的相关信息来找到对应的位置进行修改了。 2.问题分析 像这种信息要么是config.xml里面写死了,要…

ES6 -- 2015

学习视频 1. let和const 1.1 let 变量必须先声明再使用同一变量不能重复声明变量有块级作用域 1.2 const 声明常量,常量不能改变常量必须有初始值,不能先声明再赋值 2. 解构 1 数组解构 保持左右的结构一样,安装顺序一一对应 完全解构…

Knife4j 一款基于Swagger的开源文档管理工具

一、简单介绍 1.1 简介 Knife4j 是一款基于Swagger的开源文档管理工具&#xff0c;主要用于生成和管理 API 文档 二、使用步骤&#xff1a; 2.1 添加依赖&#xff1a; <dependency><groupId>com.github.xiaoymin</groupId><artifactId>knife4j-spr…

三维手势 handpose 3D RGB 手势3D建模 三维建模-手势舞 >> DataBall

请关注即将发布 handpose x plus 项目 三维手势 handpose 3D RGB 单目相机手势识别 手语 歌曲 Friends 手势检测 手势3D建模 三维建模 咨询合作 DataBall 项目&#xff0c;欢迎加以下微信。 助力快速掌握数据集的信息和使用方式。

记录|C#的资源路径设置的资料整理

目录 前言一、在这里插入图片描述 https://bbs.csdn.net/topics/360001606 二、三、添加到资源文件中四、获得图片的三种路径方法五、给资源文件添加文件夹更新时间 前言 参考文章&#xff1a; 原本以为C# winform中进行图片等文件的路径的读取是直接可以按照资源文件中显示的来…

powerbi-L8-导入数据时候的动态列

背景&#xff1a; 在数据导入之后刷新的过程中出现了无法刷新的异常报错&#xff0c; 检查后发现是由于原始数据的列的名字变化导致了power BI在处理数据类型的时候 需求 处理方法是什么&#xff0c; &#xff1f; 方法 动态获取表格的列&#xff1a; 获取数据的时候&#xff…

​OpenAI最强模型o1系列:开启人工智能推理新时代

前不久OpenAI发布全新模型——o1模型&#xff0c;也就是业界说的“草莓模型”&#xff0c;包含三款型号&#xff1a;OpenAI o1、OpenAI o1-preview和OpenAI o1-mini。 其中&#xff0c;OpenAI o1-mini和 o1-preview已经对用户开放使用&#xff1a; OpenAI o1&#xff1a;高级推…

拥塞控制算法的 rtt 公平性

我强调过&#xff0c;拥塞控制的核心在公平可用性&#xff0c;公平性由 buffer 动力学保证&#xff0c;而 buffer 动力学有两种表现形式&#xff1a; buffer 占比决定带宽占比&#xff0c;以 aimd 为例&#xff1b;带宽越小&#xff0c;buffer 挤兑加速比越大&#xff0c;以 b…

AI Agent的20个趋势洞察

结论整理自【QuestMobile2024 AI智能体应用洞察半年报】&#xff1a; AI原生应用&#xff08;APP)一路高歌&#xff1b;豆包用户突破3000万&#xff1b;TOP10 APP以综合类应用为主。无论何种类型的AIGC APP都以智能体为“抓手”&#xff0c;专注于解决各种细分场景中的问题&am…

Opencv+Cuda编译的保姆级别教程

OpencvCuda编译的保姆级别教程 一、环境总览二、环境准备2.1 opencv和opencv扩展2.2 cuda环境下载2.2.1 首先电脑要有英伟达的显卡2.2.2 然后查看显卡驱动版本2.2.3 下载Cuda Toolkit工具包2.2.4 下载Cudnn库 2.3 CMake下载 三、CMake配置步骤3.1 加载路径第一次Configure3.1.1…

influxdb-winsdows电脑用户切换 Unauthorized

如果切换winsdows电脑用户之后启动influxdb出现Unauthorized 1.考虑windows用户的权限问题&#xff0c;给full control 2.要把原来用户下的.influxdb中的sqlite给搬到新用户下&#xff0c;因为里面存了数据库的token&#xff0c;需要认证

C++入门基础知识77(实例)——实例 2【标准输入输出】

成长路上不孤单&#x1f60a;&#x1f60a;&#x1f60a;&#x1f60a;&#x1f60a;&#x1f60a; 【14后&#x1f60a;///C爱好者&#x1f60a;///持续分享所学&#x1f60a;///如有需要欢迎收藏转发///&#x1f60a;】 今日分享关于C 实例 【标准输入输出】相关内容&#…

React学习day08-useReducer、useMemo、memo、useCallback、forwardRef、useInperativeHandle

15、useReducer 1&#xff09;作用&#xff1a;用来管理相对复杂的状态数据&#xff0c;类似于useState 2&#xff09;使用步骤&#xff08;传递一般的参数&#xff09;&#xff08;在APP.js中&#xff09;&#xff1a; ①定义一个reducer函数&#xff0c;在函数中通过switc…

技术美术百人计划 | 《4.4 抗锯齿》笔记

前言&#xff1a;文中补充的内容很多来自链接里的&#xff0c;建议看看链接的文章。 一、锯齿 (一) 什么是锯齿 在学习渲染的旅途中&#xff0c;你可能会时不时遇到模型边缘有锯齿的情况。这些锯齿边缘(Jagged Edges)的产生和光栅器将顶点数据转化为片段的方式有关。在下面的…

Mobile net V系列详解 理论+实战(1)

Mobilenet 系列 论文精讲部分0.摘要1. 引文2. 引文3. MobileNet 模型架构3.0 卷积个人理解3.1 深度可分离卷积3.2 网络结构和训练3.3 宽度乘数&#xff1a;更细的模型 α3.4 分辨率乘数&#xff1a;降低表示的维度ρ 4. 实验4.1 模型选择4.2. 模型缩减超参数4.3. 细粒度识别4.4…

人力资源数据集分析(二)_随机森林与逻辑回归

数据入口&#xff1a;人力资源分析数据集 - Heywhale.com 数据说明 字段说明EmpID唯一的员工IDAge年龄AgeGroup年龄组Attrition是否离职BusinessTravel出差&#xff1a;很少、频繁、不出差DailyRate日薪Department任职部门&#xff1a;研发部门、销售部门、人力资源部门Dista…