数据分析案例（值得膜拜的三个数据分析案例）

本文目录

• 值得膜拜的三个数据分析案例
• 电商销售数据分析案例（Oracle）
• 大数据那些神奇或哭笑不得的案例
• 数据分析的案例
• 有哪些大数据分析案例
• 大数据时代的案例分析
• 案例 如何利用数据分析目标客户群
• 有哪些大数据分析案例
• 数据分析进阶必看干货！销售额下滑详细分析案例
• 某网站电商运营数据分析案例

值得膜拜的三个数据分析案例

值得膜拜的三个数据分析案例
今天给大家分享三个数据分析的经典案例，主要是学习其中的思路，当故事看吧，不要拘泥于文中故事的真实性。每个故事我简单的做一个点评吧
1、数据分析大神 高手在民间
这天，新上任的邢县长到小吃摊吃早餐，刚找个板凳坐下，就听炸油条的胡老头一边忙活一边唠叨：“大家吃好喝好哦，城管要来撵摊儿了，起码三天你们捞不着吃咱炸的油条了！”
邢县长心里一惊：省卫生厅领导最近要来视察，昨天下午县里才决定明后两天开展突击整治，这老头儿怎么今天一早就知道了？
哪料这件事还没弄明白，另一件事儿让县长脑袋里的问号更大了。一天，他照例到胡老头这儿吃油条。没想到，老头居然又在发布消息：“上面马上要来青天大老爷了！谁有什么冤假，就去县府宾馆等着吧！”
邢县长又是吃惊，又是恼怒。省高院的工作组星期三要来清查积案，这个消息昨天晚上才在常委会上传达，这老儿咋这么快就知道了呢？让他更吃惊的是，这老家伙不但对大领导们的行程了如指掌，就连派出所要突击检查娱乐场所这样的绝密行动，他都知道得清清楚楚。
一个大字不识的老头儿，居然能知道这么多政府内部消息，毫无疑问，定是某些政府工作人员保密意识太差，嘴巴不紧。于是，他立即召开会议，把那些局长、主任狠批了一通。与会领导个个低着头、不敢出声。
还是公安局长胆大，忍不住问道：“邢县长，这胡老头儿的事是您亲眼所见，还是道听途说来的？”
邢县长声色俱厉地一拍桌子：“都是我亲耳听到的！我问你，你们城关派出所今天晚上是不是要清查娱乐城？”
公安局长一脸尴尬，楞在那里。邢县长气恼地当即下令：“你亲自去查查这老头儿到底什么背景，明天向我汇报！”公安局长赶紧换上便装，立马跑到胡老头那儿进行暗访。没想到，老家伙正在向大伙儿发布新闻：“城关镇的镇长最近要倒霉了。大伙等着瞧，事儿不会小的……”
公安局长一听，很是诧异。于是，他运了口气，腆着笑脸，装傻卖呆似的问道：“你咋知道的？难道你儿子是纪委书记？”
胡老头呵呵一笑：“我咋知道的？那孙子以前吃我的油条，都是让司机开专车来买，这两天一反常态，竟然自己步行来吃，还老是一脸愁容。那年他爹死，都没见他那么难受过。能让那孙子比死了爹还难受的事，除了丢官儿，还能是啥？”
局长听了，暗自吃惊，这老头儿还真有两下子。于是他不动声色继续问道：“那昨天派出所清查娱乐城，你是咋知道的？”
胡老头又是一笑：“你没见那几家娱乐城一大早就挂出了停业修缮的牌子？人家有眼线，消息比咱灵通！”
“那卫生厅领导来视察，你是咋知道的？”
胡老头儿说：“除了上面来人检查，你啥时见洒水车出来过？”。
最后，局长问了个他最想不通的问题：“上次省高院的工作组来指导工作，你咋那么快就得到消息了呢？”
胡老头撇了撇嘴说：“那就更简单了。俺邻居家有个案子，法院拖了八年不办。那天，办案的法官突然主动来访，满脸笑容问长问短，还再三保证案子马上解决。这不明摆着上面来了人，怕他们上访嘛！”
局长佩服得五体投地，连忙一路小跑赶回去，把情况向邢县长汇报。县长听了，大动肝火，马上再次召开会议，做了四个小时的训话：“同志们，一个炸油条的都能从一些简单现象中，看出我们的工作动向，这说明了什么？说明我们存在太多的形式主义。这种恶习不改，怎么能提升政府形象？从今天开始，哪个部门再因为这种原因泄密，让那老头‘未卜先知’，我可就不客气！”
次日一早，邢县长又来到胡老头儿这儿吃油条，想验证一下开会的效果。没想到胡老头居然又在发布最新消息：“今天，上面要来大领导了，来的还不止一个！”
邢县长这一惊，真是非同小可。下午，市长要陪同省领导来检查工作，自己昨晚才接到通知，这老头咋又提前知道了？
邢县长强压怒火，问胡老头：“你说要来大领导，到底有多大呢？”
胡老头儿头也不抬地回答：“反正比县长还大！”
邢县长又问：“你说要来的不止一个，能说个准数吗，到底来几个？”
胡老头儿仰起头想了想，确定地回答：“四个！”
邢县长目瞪口呆，上级领导还真是要来四个！他心里怦怦直跳，又问：“胡……胡师傅，这些事儿你是怎么知道的？而且知道的这么准确。”
胡老头儿淡淡一笑：“这还不容易？我早上出摊儿，见县府宾馆的保安都戴上了白手套，一个个如临大敌，肯定是上面来人了。再看看停车场，书记、县长的车都停在了角落里，肯定是来了比他们大的官儿。再仔细看看，书记、县长停的车位是5号、6号，说明上面来了四个领导。你信不信？当官儿的和咱老百姓不一样，上厕所都要讲究个级别、排个先后顺序呢！”
邢县长听罢，张着塞满油条的大嘴，一动不动，好像僵化了似的…
（本故事来自于网络）
启示：
与其说高手来自于民间，还不如说生活是我们数据分析的基本素材，善于观察、善于整理关联信息才是我们做数据分析人员应该掌握的基本技能。可是啊，很多人忽略了我们身边的生活常识，不去思考，人云亦云，就像网上的这个全国离婚率排行榜数据，很多人首先不是思考数据的准确性，而是感叹世风日下。

想想吧，在你的生活圈子中，每3对夫妻就有1对离婚的吗？如果答案为“是”，我只能说，贵圈真乱！哈哈哈
2、林彪的数据挖掘本领
1948年辽沈战役开始之后，在东北野战军前线指挥所里面，每天深夜都要进行例常的“每日军情汇报”：由值班参谋读出下属各个纵队、师、团用电台报告的当日战况和缴获情况。
那几乎是重复着千篇一律的枯燥无味的数据：每支部队歼敌多少、俘虏多少；缴获的火炮、车辆多少、枪支、物资多少….
司令员林彪的要求很细，俘虏要分清军官和士兵，缴获的枪支，要统计出机枪、长枪、短枪；击毁和缴获尚能使用的汽车，也要分出大小和类别。
经过一天紧张的战斗指挥工作，人们都非常疲劳。整个作战室里面估计只有定下这个规矩的司令员林彪本人、还有那个读电报的倒霉参谋在用心留意。
1948年10月14日，东北野战军以迅雷不及掩耳之势，仅用了30小时就攻克了对手原以为可以长期坚守的锦州并全歼了守敌十余万之后，不顾疲劳，挥师北上与从沈阳出援的敌精锐廖耀湘基团二十余万在辽西相遇，一时间形成了混战。战局瞬息万变，谁胜谁负实难预料。
在大战紧急中，林彪无论有多忙，仍然坚持每晚必作的“功课”。一天深夜，值班参谋正在读着下面某师上报的其下属部队的战报。说他们下面的部队碰到了一个不大的遭遇战，歼敌部分、其余逃走。与其它之前所读的战报看上去并无明显异样，值班参谋就这样读着读着，林彪突然叫了一声“停！”他的眼里闪出了光芒，问：“刚才念的在胡家窝棚那个战斗的缴获，你们听到了吗？”
大家带着睡意的脸上出现了茫然，因为如此战斗每天都有几十起，不都是差不多一模一样的枯燥数字吗？林彪扫视一周，见无人回答，便接连问了三句：
“为什么那里缴获的短枪与长枪的比例比其它战斗略高”？
“为什么那里缴获和击毁的小车与大车的比例比其它战斗略高”？
“为什么在那里俘虏和击毙的军官与士兵的比例比其它战斗略高”？
人们还没有来得及思索，等不及的林彪司令员大步走向挂满军用地图的墙壁，指着地图上的那个点说：“我猜想，不，我断定！敌人的指挥所就在这里！”
随后林彪口授命令，追击从胡家窝棚逃走的那部分敌人，并坚决把他们打掉。各部队要采取分割包围的办法，把失去指挥中枢后会变得混乱的几十万敌军切成小块，逐一歼灭。司令员的命令随着无线电波发向了参战的各部队….
而此时的廖耀湘，正庆幸自己刚刚从偶然的一场遭遇战中安全脱身并与自己的另外一支部队汇合。他来不及休息就急于指令各部队尽快调整部署，为下一阶段作准备。可是好景不长，紧追而来的解放军迅速把他的新指挥部团团围住，拼命攻击，漫山遍野的解放军战士中，不断有人喊着：“矮胖子，白净脸；金丝眼镜湖南腔，不要放走廖耀湘！”
把对方指挥官的细节特征琢磨到如此细微，并变成如此威力巨大的顺口溜，穿着满身油渍伙夫服装的廖耀湘只好从俘虏群中站出来，无奈的说“我是廖耀湘”，沮丧的举手投降。
廖耀湘对自己静心隐蔽的精悍野战司令部那么快就被发现、打掉，觉得实在不可思议，认为那是一个偶然事件，输得不甘心。当他得知林彪是如何得出判断之后，这位出身黄埔军校并留学法国著名的圣西尔军校，参加过滇缅战役，在那里把日本鬼子揍得满地乱爬的新六军军长说，“我服了，败在他手下，不丢人。”
取得这场重要战役胜利的其中一个关键因素，居然出于获胜方的统帅夜半时分，对一份普通遭遇战之后的战报的数据分析，来源于他“从红军带兵时起，身上有个小本子，上面记载着每次战斗的缴获、歼敌数量”的优良军事素养。
（本故事来源于黄勇－丰沃华的博客）
启示：
林彪问的三个问题其实就是根据自己的数据库做的对比、细分、溯源。我们很多人把数据分析完全交给机器了，忘了我们自己的大脑也是一台紧密的数据分析机器。
数据的积累、数据的挖掘，分析、归纳、整理，是数据分析师所必须俱备的基本素养，没有它，你永远是匹夫之勇。
3、蛋挞与曼城队
2011年夏天，曼城队助理教练大卫·普拉特决定利用数据分析来解决球队在表现方面遇到的一个棘手难题。普拉特发现，尽管球队阵容中拥有多名高大强壮的球员，但他们的角球得分情况却不尽如人意。
在征求了俱乐部内部数据分析师的意见后，该队增加了对内旋角球（球转向守门员方向）的使用。战术转变产生了惊人的效果。在整个赛季中，曼城队依靠角球打入15个进球，成为英超角球得分效率最高的球队，其中2/3的进球采用的是内旋角球。
这一实践为数据驱动型决策提供了强有力的支撑。但是，还有一个附加因素需要考虑：主教练曼奇尼最初对数据的实际价值持怀疑态度。事实上，早在两年前，曼奇尼曾就球队角球的使用情况咨询过俱乐部的数据分析师。分析师回应，他依靠直觉偏爱采用的战术——外旋角球（球飞向远离守门员的方向）从数据统计上看并不理想。
曼奇尼选择相信自己的直觉而非数据分析的导向性建议。因为直觉告诉他，球旋向远离门将的方向减小了门将触球的概率，同时增加了进攻队员冲顶时争到头球的概率。但当曼奇尼发现两种变数存在某种联系的时候，直觉却模糊了他对两者关联程度的判断能力。换句话说，外旋角球和进球数可能存在着某种关联，但数据表明，内旋角球和进球数存在着更为直接的因果关系。
这一案例研究为我们改善商业决策带来哪些启示？一家美国零售商最近发现，两种不同变数之间存在着某种有趣的联系。当天气变冷，肉桂葡式蛋挞的销量上升500%——并非所有的葡式蛋挞，只是肉桂这一个品种。面对这种零星数据，零售商要做出抉择。每当预测天气即将转冷时，应该储备多少肉桂葡式蛋挞？还有一家零售商发现，羊奶干酪打折似乎能促进红酒的销售。希望减小红酒库存的时候，是不是应考虑羊奶干酪打折这种方法？
这两个问题的答案取决于大数据分析的核心问题：弄清相关性与因果关系之间的区别。人类善于发现事物的相关性——这是进化的特征——但是却在发掘直接相关事物的关系时显得有些笨拙。将相关性误解为因果关系所做出的决策是危险的，可能会遭受惨败，因为你所期待看到的影响可能并不会发生。
最近的一项研究显示，某国的巧克力销量与诺贝尔奖的人均比例之间呈现明显的相关性。各国是不是都该鼓励公民增加巧克力的消费来提高获得诺贝尔奖的人数呢？
为有效利用大数据，相关性分析应仅作为一个出发点去考虑。如果两个变量存在关联，我们该如何应对？当然，政府在推行“巧克力替代教育”的政策之前，应当首先考虑一下其他因素。比方说，看看那些获得诺贝尔奖人数较多的国家相对教育水平和研究预算，与巧克力消费相比，这两个变量与获诺奖的因果关系显然更大。
同样，那些葡式蛋挞和羊奶干酪的零售商们在拥有十足把握以前，需要对他们的假设进行验证。比如说，在确定因果关系存在以前，考察一些商店肉桂葡式蛋挞的“库存积压”情况；或者采取打折销售羊奶干酪的方式，看看红酒销量是否真的增加。
事物之间可能存在着一些简单的因果关系，但公司需要清楚每种因果关系都可能产生意想不到的结果。肉桂葡式蛋挞销量的增加是否意味着其他产品销量的减少？红酒销量的增加是否也意味着啤酒销量的减少或者牛排销量的增加？影响现代供应链的因素很多，而且还在不断增加：天气、社交媒体、特价商品、食品安全新闻等，都会影响消费者的行为，以及零售商应该购置多大规模的存货。这基本上就是一个混沌系统，完全准确地预测将来要发生的事情是不可能的。但模型越完善，预测就越准确，预测越准确，行动结果就越理想。
数据分析就像一幅印象派油画。当你退后观察，并把各个部分视作一个整体时，这幅画的意境才开始浮现，近距离观察是无法理解其中内涵的。这可以帮助我们解释为什么曼城队的新角球战术不太可能会长久取得良好的结果。实施从外旋角球到内旋角球的简单战术转变：多开点内旋球，少开点外旋球，这一简单的战术转变，亦会忽略了每场比赛中每次出现破门机会时的某些独特变数。
（这部分来源：商业价值）
结尾：
很多人把数据分析看的很难，其实数据分析存在于我们生活工作的每个角落。给大家几条建议：
1、多观察、善积累、勤思考。
2、不懂业务就不要做数据分析。
3、分析工具不要贪多，精通1-2个工具就行了。
4、数据分析是良心工程（自己理解）

电商销售数据分析案例（Oracle）

数据来源于Kaggle的电商数据集 The UCI Machine Learning Repository ，英国在线零售商在2010年12月1日到2011年12月9日的在线销售数据，该电商公司主要以销售各类礼品为主，多数客户都是批发商。

使用Oracle 对数据进行处理与清洗，通过RFM模型、复购率、消费生命周期等对用户维度进行分析，利用ABC分类、退货率等维度展开剖析，结合Excel图表进行可视化展示，为精准营销与个性化服务提供支持。

根据分析目的选择字段，数据集共8个字段，如果表格字段较多，视情根据分析目的的需要选择合适的字段。

创建备用表new_ecommerce，将旧表的数据去重添加进备用表。原有数据541909条， 去重后数据536641条，删除重复值5268条。

检查缺失值

CustomerID存在缺失值135037条，Description出现缺失值1454条。数据都很大，不可能全部删除。Description产品描述不是项目分析，不用处理。

在实际工作中，像CustomerID客户ID缺失，首先找业务部门或者数据来源部门确认信息并且补上。本项目只有单一数据，无法找到相关人员确认，暂且把NULL值替换为0。

5.1检查日期是否在范围内（2010年12月1日到2011年12月9日）

交易成功，销量不可能为负值或零值。如果销量为零或者负值情况，那么需要和业务/数据来源部门确认具体的原因。这里假设出现负值是客户退货情况。

检查发现交易销量小于0的发票编号大都是"C”开头的，有部分异常销量小于0但不是以"C"开头，这里做删除处理。

检查发现有单价为0的免费单，共计1174。暂且不分析免费单，直接删除免费单的数据。

检查发现两笔坏账，单价都是负值，故把它删除。

根据分析目的，我们处理InvoiceDate日期数据。这里只做日期分析，不分析小时分钟，故转换为日期格式。

根据分析目的，本次分析将采用RFM模型
在RFM模式中：
R：最近一次消费时间（最近一次消费到参考时间的间隔）
F：消费的频率(消费了多少次）
M：消费的金额 （总消费金额）
一般的分析型RFM强调以客户的行为来区分客户。

根据最近一次消费与客户数的分析结果显示最长的天数差是373天，最短0天；80%的客户在200天内都有交易记录，说明客户忠诚度不错。

分析显示，10次交易记录以内的客户占绝大部分，说明客户是很认可产品和服务。

在2010年12月1日到2011年12月9日期间，交易金额主要集中在 1000英镑以内和1000-3000英镑这两个范围内。

分析发现，该电商平台总交易客户数4372位。交易客户中，一般发展客户（可以说是新客户）最多，占总数的34%，其次是一般挽留客户(流失客户)29%，重要发展客户22%，重要价值客户10%，重要挽留客户5%和重要挽回客户0.16%。

每月新客数量及其占比

每月的新老客户的销售数量与销售金额

用户生命周期 = 最近一次购买时间 - 第一次购买时间

商品退货分析

结合ABC分类进行分析，选取退货率大于均值且为A级的商品（主要是综合上文提及的ABC分类和退货率计算，通过创建view的形式进行联结后筛选，创建退货率视图为view_return_rate，ABC分类视图为view_class），这里筛选出64个商品。

大数据那些神奇或哭笑不得的案例

大数据那些神奇或哭笑不得的案例

 互联网时代每天都有巨量的数据产生，信息技术也随之飞速发展。大数据已经渗透进我们生活的方方面面，其实我们也时时刻刻在接触这些大数据带给我们的服务。接下来我们看看那些大数据挖掘出来的一些神奇或哭笑不得的案例。
　　1啤酒+尿布（神方案）
　　全球零售业巨头沃尔玛在对消费者购物行为分析时发现，男性顾客在购买婴儿尿片时，常常会顺便搭配几瓶啤酒来犒劳自己，于是尝试推出了将啤酒和尿布摆在一起的促销手段。没想到这个举措居然使尿布和啤酒的销量都大幅增加了。如今，“啤酒＋尿布”的数据分析成果早已成了大数据技术应用的经典案例，被人津津乐道。
　　2数据新闻让英国撤出伊拉克
　　2010年10月23日《卫报》利用维基解密的数据做了一篇“数据新闻”。将伊拉克战争中所有的人员伤亡情况均标注于地图之上。地图上一个红点便代表一次死伤事件，鼠标点击红点后弹出的窗口则有详细的说明：伤亡人数、时间，造成伤亡的具体原因。密布的红点多达39万，显得格外触目惊心。一经刊出立即引起朝野震动，推动英国最终做出撤出驻伊拉克军队的决定。
　　3C罩杯都在新疆
　　淘宝数据平台显示，购买最多的文胸尺码为B罩杯。B罩杯占比达41.45%，其中又以75B的销量最好。其次是A罩杯，购买占比达25.26%，C罩杯只有8.96%。在文胸颜色中，黑色最为畅销。以省市排名，胸部最大的是新疆妹子。
　　4QQ圈把前女友介绍给未婚妻
　　2012年3月腾讯推出QQ圈子，按共同好友的连锁反应摊开用户的人际关系网，把用户的前女友推荐给未婚妻，把同学同事朋友圈子分门别类，利用大数据处理能力给人带来“震撼”。
　　5首款“魔镜”预知市场走向
　　在现在，“魔镜”可以通过数据的整合分析可视化不仅可以得出谁是世界上最美的女人，还能通过价量关系得出市场的走向。在不久前，“魔镜”帮助中石等企业分析数据，将数据可视化，使企业科学的判断、决策，节约成本，合理配置资源，提高了收益。
　　6Google数字模型预测流感
　　2009年，Google通过分析5000万条美国人最频繁检索的词汇，将之和美国疾病中心在2003年到2008年间季节性流感传播时期的数据进行比较，并建立一个特定的数学模型。最终google成功预测了2009冬季流感的传播甚至可以具体到特定的地区和州。
　　7数据文档帮乔布斯延长生命
　　乔布斯是世界上第一个对自身所有DNA和肿瘤DNA进行排序的人。为此，他支付了高达几十万美元的费用。他得到的不是样本，而是包括整个基因的数据文档。医生按照所有基因按需下药，最终这种方式帮助乔布斯延长了好几年的生命。
　　8大数据让奥巴马连任成功
　　2012年11月奥巴马大选连任成功的胜利果实也被归功于大数据，因为他的竞选团队进行了大规模与深入的数据挖掘。时代杂志更是断言，依靠直觉与经验进行决策的优势急剧下降，在政治领域，大数据的时代已经到来；各色媒体、论坛、专家铺天盖地的宣传让人们对大数据时代的来临兴奋不已，无数公司和创业者都纷纷跳进了这个狂欢队伍。
　　9大数据成功预测21项大奖
　　2013年，微软纽约研究院的经济学家大卫?罗斯柴尔德（David Rothschild）利用大数据成功预测24个奥斯卡奖项中的19个，成为人们津津乐道的话题。今年罗斯柴尔德再接再厉，成功预测第86届奥斯卡金像奖颁奖典礼24个奖项中的21个，继续向人们展示现代科技的神奇魔力。
　　10购物数据预测高中生怀孕
　　明尼苏达州一家塔吉特门店被客户投诉，一位中年男子指控塔吉特将婴儿产品优惠券寄给他的女儿——一个高中生。但没多久他却来电道歉，因为女儿经他逼问后坦承自己真的怀孕了。塔吉特百货就是靠着分析用户所有的购物数据，然后通过相关关系分析得出事情的真实状况。
　　人类已进入大数据时代，国际数据公司的研究结果表明，近几年全球产生的数据量高达数个ZB。基于这样一个大数据的概念，我们会在各行各业，比如医疗行业，将迎来深度的行业变革，甚至颠覆性的变革。

以上是小编为大家分享的关于大数据那些神奇或哭笑不得的案例的相关内容，更多信息可以关注环球青藤分享更多干货

数据分析的案例

沃尔玛经典营销案例：啤酒与尿布
“啤酒与尿布”的故事产生于20世纪90年代的美国沃尔玛超市中，沃尔玛的超市管理人员分析销售数据时发现了一个令人难于理解的现象：在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中，这种独特的销售现象引起了管理人员的注意，经过后续调查发现，这种现象出现在年轻的父亲身上。
在美国有婴儿的家庭中，一般是母亲在家中照看婴儿，年轻的父亲前去超市购买尿布。父亲在购买尿布的同时，往往会顺便为自己购买啤酒，这样就会出现啤酒与尿布这两件看上去不相干的商品经常会出现在同一个购物篮的现象。如果这个年轻的父亲在卖场只能买到两件商品之一，则他很有可能会放弃购物而到另一家商店， 直到可以一次同时买到啤酒与尿布为止。沃尔玛发现了这一独特的现象，开始在卖场尝试将啤酒与尿布摆放在相同的区域，让年轻的父亲可以同时找到这两件商品，并很快地完成购物；而沃尔玛超市也可以让这些客户一次购买两件商品、而不是一件，从而获得了很好的商品销售收入，这就是“啤酒与尿布” 故事的由来。
当然“啤酒与尿布”的故事必须具有技术方面的支持。1993年美国学者Agrawal提出通过分析购物篮中的商品集合，从而找出商品之间关联关系的关联算法，并根据商品之间的关系，找出客户的购买行为。艾格拉沃从数学及计算机算法角度提 出了商品关联关系的计算方法——Aprior算法。沃尔玛从上个世纪 90 年代尝试将 Aprior 算 法引入到 POS机数据分析中，并获得了成功，于是产生了“啤酒与尿布”的故事。
Suncorp-Metway使用数据分析实现智慧营销
Suncorp-Metway是澳大利亚一家提供普通保险、银行业、寿险和理财服务的多元化金融服务集团, 旗下拥有5个业务部门，管理着14类商品，由公司及共享服务部门提供支持,其在澳大利亚和新西兰的运营业务与900多万名客户有合作关系。
该公司过去十年间的合并与收购,使客户群增长了200%,这极大增加了客户群数据管理的复杂性,如果解决不好,必将对公司利润产生负面影响.为此,IBM公司为其提供了一套解决方案,组件包括:IBM Cognos 8 BI、IBMInitiate Master Data Service谀IBM Unica。
采用该方案后，Suncorp-Metway公司至少在以下三项业务方面取得显著成效：
1、显著增加了市场份额，但没有增加营销开支；
2、每年大约能够节省1000万美元的集成与相关成本；
3、避免向同一户家庭重复邮寄相同信函并且消除冗余系统，从而同时降低直接邮寄与运营成本。
由此可见，Suncorp-Metway公司通过该方案将此前多个孤立来源的数据集成起来，实现智慧营销，对控制成本，增加利润起到非常积极的作用。
数据分析帮助辛辛那提动物园提高客户满意度
辛辛那提动植物园成立于1873年，是世界上著名的动植物园之一，以其物种保护和保存以及高成活率繁殖饲养计划享有极高声誉。它占地面积71英亩，园内有500种动物和3000多种植物，是国内游客人数最多的动植物园之一，曾荣获Zagat十佳动物园，并被《父母》（Parent）杂志评为最受儿童喜欢的动物园，每年接待游客130多万人。
辛辛那提动植物园是一个非营利性组织，是俄亥州同时也是美国国内享受公共补贴最低的动植物园，除去政府补贴，2600万美元年度预算中，自筹资金部分达到三分之二以上。为此，需要不断地寻求增加收入。而要做到这一点，最好办法是为工作人员和游客提供更好的服务，提高游览率。从而实现动植物园与客户和纳税人的双赢。
借助于该方案强大的收集和处理能力、互联能力、分析能力以及随之带来的洞察力，在部署后，企业实现了以下各方面的受益：
·帮助动植物园了解每个客户浏览、使用和消费模式，根据时间和地理分布情况采取相应的措施改善游客体验，同时实现营业收入最大化。
·根据消费和游览行为对动植物园游客进行细分，针对每一类细分游客开展营销和促销活动，显著提高忠诚度和客户保有量。.
·识别消费支出低的游客，针对他们发送具有战略性的直寄广告，同时通过具有创意性的营销和激励计划奖励忠诚客户。
· 360度全方位了解客户行为，优化营销决策，实施解决方案后头一年节省40,000多美元营销成本，同时强化了可测量的结果。
·采用地理分析显示大量未实现预期结果的促销和折扣计划，重新部署资源支持产出率更高的业务活动，动植物园每年节省100,000多美元。
·通过强化营销提高整体游览率，2011年至少新增50,000人次“游览”。
·提供洞察结果强化运营管理。例如，即将关门前冰激淋销售出现高潮，动植物园决定延长冰激淋摊位营业时间，直到关门为止。这一措施夏季每天可增加2,000美元收入。
·与上年相比，餐饮销售增加30.7%，零售销售增加5.9%。
·动植物园高层管理团队可以制定更好的决策，不需要 IT 介入或提供支持。
·将分析引入会议室，利用直观工具帮助业务人员掌握数据。

有哪些大数据分析案例

三个领域大数据应用案例分析
1、无人驾驶汽车。汽车非常昂贵，然而在欧洲，人们只有4%的时间在使用汽车，96%的时间把车停在停车场，这是非常不高效的系统。如果未来普及了无人驾驶的汽车，我们就可以过上另一种生活。
　　我们将只需要在手机上点一个按键，车就会自己开过来，把我们带去目的地。这种车就像没有驾驶员的出租车，可以被反复使用，效率和可持续性都得到了提升，也避免了资源浪费。
　　有研究发现，如果自动机动车得到普及，可以减少25%的交通拥堵，减少30%的城市停车场面积。如果北京减少30%的停车场需求，城市生活将大不一样。
2、医疗行业。我们的寿命现在都比较长了，但仍然希望能够更长。现在，我们的医疗水平并不是很好，由于我们忽视了每一个人的个体差异，医生会用通常的方法治疗每一个人。然而，基于大数据，我们可以做精确医疗，通过大数据分析每个人的差异，进行精确的治疗、剂量、用量，让患者更快恢复健康。
3、教育行业。我们要让下一代有能力了解这个世界。然而，因为没有数据，我们难以做到因材施教，所有孩子获得同样的教学，学习同样的书本。低效率的教学就是在浪费脑力、知识和我们解决问题的能力。
　　如果我们用大数据去分析孩子在发展学习能力时遇到的问题，就可以进行个性化的学习，就可以释放知识和理解力的力量，让每一个孩子充分开发潜能。
-

大数据时代的案例分析

个案一
你开心他就买你焦虑他就抛
华尔街“德温特资本市场”公司首席执行官保罗·霍廷每天的工作之一，就是利用电脑程序分析全球3.4亿微博账户的留言，进而判断民众情绪，再以“1”到“50”进行打分。根据打分结果，霍廷再决定如何处理手中数以百万美元计的股票。
霍廷的判断原则很简单：如果所有人似乎都高兴，那就买入；如果大家的焦虑情绪上升，那就抛售。
这一招收效显著——当年第一季度，霍廷的公司获得了7%的收益率。
个案二
国际商用机器公司（IBM）估测，这些“数据”值钱的地方主要在于时效。对于片刻便能定输赢的华尔街，这一时效至关重要。曾经，华尔街2%的企业搜集微博等平台的“非正式”数据；如今，接近半数企业采用了这种手段。
●“社会流动”创业公司在“大数据”行业生机勃勃，和微博推特是合作伙伴。它分析数据，告诉广告商什么是正确的时间，谁是正确的用户，什么是应该发表的正确内容，备受广告商热爱。
●通过乔希·詹姆斯的Omniture（著名的网页流量分析工具）公司，你可以知道有多少人访问你的网站，以及他们呆了多长时间——这些数据对于任何企业来说都至关重要。詹姆斯把公司卖掉，进账18亿美元。
●微软专家吉拉德喜欢把这些“大数据”结果可视化：他把客户请到办公室，将包含这些公司的数据图谱展现出来——有些是普通的时间轴，有些像蒲公英，有些则是铺满整个画面的泡泡，泡泡中显示这些客户的粉丝正在谈论什么话题。
●“脸谱”数据分析师杰弗逊的工作就是搭建数据分析模型，弄清楚用户点击广告的动机和方式。
处理和分析工具
用于分析大数据的工具主要有开源与商用两个生态圈。
开源大数据生态圈：
1、Hadoop HDFS、HadoopMapReduce, HBase、Hive 渐次诞生，早期Hadoop生态圈逐步形成。
2、. Hypertable是另类。它存在于Hadoop生态圈之外，但也曾经有一些用户。
3、NoSQL，membase、MongoDb
商用大数据生态圈：
1、一体机数据库/数据仓库：IBM PureData(Netezza), OracleExadata, SAP Hana等等。
2、数据仓库：TeradataAsterData, EMC GreenPlum, HPVertica 等等。
3、数据集市：QlikView、 Tableau 、 以及国内的Yonghong Data Mart 。

案例 如何利用数据分析目标客户群

案例：如何利用数据分析目标客户群

传统线下渠道获取消费者信息的方式一般是通过向数据公司购买数据，或者委托调研公司经过周密漫长的用户调研得出一份报告。而电商模式下，我们可以用更小成本获取海量交易数据，进而分析消费者特征，定位目标消费人群。

　　魔方的大量数据都是源自成交，可以帮助商家理解消费行为。举一个实际的案例：我们来查看“面膜”类目的成交数据，包括标价分布和客单价分布之间的对比。一个月内，面膜的成交商品标价分布最多区间是5.5~7元，而成交人数的客单价（消费者累计购买金额）分布最多的区间是58~67元，就可算出平均一个用户会购买的面膜数量为10片。

　　继续查看消费者的购买频次分布：在该时段内购买的消费者数量占8成，我们可得出大致的结论：一般购买面膜的消费者通常在一个月内购买一次，并且一次购买的面膜片数大概是10片。因此搭配销售、组合销售时推出10片装优惠套装，或者关联其他不同类的面膜，最符合消费者购物特性。大多数消费者在网上一次购买的片数是10片，只要套装组合不偏离太多，消费者在潜意识里就更容易接受卖家的商品。

　　而实际的抽样采访结论是：一般的女性消费者一个月内的面膜使用量约为4~8片。

　　再来看买家来访时间：不同类目的来访和购买时间还是有明显差异的，针对面膜类目买家的来访时间，就可以做出对应的限时打折或者定向促销，甚至可据此安排上下架时间。

　　面膜类目买家的来访高峰时段是下午14:00~15:00，次高来访时段是上午10:00~11:00，成交高峰时段方面，第一成交高峰是上午10：00~11:00，第二位的时段是下午14:00~15:00，来访和成交的高峰时段并不是一一对应。

致宁
　　我们更换一个类目查看，比如住宅家具行业的餐桌子类，可以看到来访和成交的高峰时段都在深夜。揣测消费者的购买常理就可以得到答案，那就是一般大件物品购买都以家庭为单位，不是下单者一人做出决策。所以掌握不同类目消费者的购物习惯，调整推广时段，对提升整个网店的转化率有很好的效果。

　　消费者数据中其他的重要维度，包括性别、年龄、地域分布，决定了消费群体的人口统计属性。在数据魔方里我们不仅可以查看某行业的人口统计数据，还可以查看某个具体品牌、产品以及属性下商品的消费者数据。以iPhone4S和SamsungGalaxy3为例，三星的男性消费者比例比苹果高；苹果的主力购买人群是18~24岁，和三星的25岁以上相比更年轻；江浙沪和珠三角地区对苹果的钟爱度更高。

　　而偏爱三星的人群更多分布在北方和西南等地区的城市，地域的差异性也是非常大的。

　　卖家想要更多地挖掘人群细分数据，可以关注魔方团队产出的免费数据产品“淘宝指数”（shu.taobao.com）。这个产品公布的一些数据可以简单分析出淘宝买家的人群细分，告诉卖家消费者都是谁，喜欢什么。

　　我们搜索“爱情公寓”这个前段时间比较热门的网络词语，可以看到以下数据：

　　首先是该词搜索和成交的消费人群层级处于中等，因为“爱情公寓”这个关键词下的很多商品都是电视剧《爱情公寓》演员的同款服饰，而且是夏季服饰，所以这部分商品本身单价就不高，消费也偏向中等消费能力的人。

　　买家等级和人群身份中，新手和初级买家较多，白领和学生占比较大，这个数据印证了上图的中等水平消费能力。

致宁
　　指数还提供了一些消费者的星座分布数据，该数据用于直接分析的可能性不大，但可以从这里挖掘一些数据的趣味性。

　　最后我们看消费者的爱好，其实这部分数据就是通过该消费者的关联收藏、购买的信息多维度定义消费者的兴趣点。通过打标签，帮助卖家更好地理解消费者形象。比如搜“爱情公寓”一词的人最多的是爱美女生（会买很多女装、女鞋等类目）；同时她也是宠物一族（购买过宠物用品）等等。

　　如果你觉得这些数据还不够具体，不能落地到某个具体的宝贝和品牌的话，你可以查看“相关品牌”和“相关商品”，这些都能让你更进一步了解这群消费者的兴趣点。

　　可以查看到关联品牌下的相关宝贝，点击每个宝贝即可查看在淘宝上的链接。

　　除了上面说到的通过数据去做消费者研究以外，一些店铺、宝贝的图片页面展示也需要仔细研究。数据分析最终要落地到提高成交转化，所以对于网店而言，装修风格就是一种销售的语言，在你定位清楚你的目标人群是谁的时候，你需要知道他们喜欢什么风格，然后找到最适合他们的视觉系，这样子你所做的一切工作才会落地到转化。

　　互联网时代，做电商除了要熟知规则和数据分析外，最终落地还是宝贝陈列和描述。淘宝这么多消费者当中，女性居多，而女性多数是视觉系动物，如何引导她们去对你的商品感兴趣，除了强大的品牌背书以外，做好消费者研究，做好营销传播都是非常非常重要的。

　　希望本次探寻消费数据和定位目标人群，能为大家抛砖引玉，多提供一些思路去提升网店的运营。接下来我们还将努力挖掘淘宝行业数据的价值，为大家继续解析数据、诊断店铺。

有哪些大数据分析案例

如下：

1. 大数据应用案例之：医疗行业

1）Seton Healthcare是采用IBM最新沃森技术医疗保健内容分析预测的首个客户。该技术允许企业找到大量病人相关的临床医疗信息，通过大数据处理，更好地分析病人的信息。

在加拿大多伦多的一家医院，针对早产婴儿，每秒钟有超过3000次的数据读取。通过这些数据分析，医院能够提前知道哪些早产儿出现问题并且有针对性地采取措施，避免早产婴儿夭折。

它让更多的创业者更方便地开发产品，比如通过社交网络来收集数据的健康类App。也许未来数年后，它们搜集的数据能让医生给你的诊断变得更为精确，比方说不是通用的成人每日三次一次一片，而是检测到你的血液中药剂已经代谢完成会自动提醒你再次服药。

2）大数据配合乔布斯癌症治疗

乔布斯是世界上第一个对自身所有DNA和肿瘤DNA进行排序的人。为此，他支付了高达几十万美元的费用。他得到的不是样本，而是包括整个基因的数据文档。医生按照所有基因按需下药，最终这种方式帮助乔布斯延长了好几年的生命。

2. 大数据应用案例之：能源行业

1）智能电网现在欧洲已经做到了终端，也就是所谓的智能电表。在德国，为了鼓励利用太阳能，会在家庭安装太阳能，除了卖电给你，当你的太阳能有多余电的时候还可以买回来。

通过电网收集每隔五分钟或十分钟收集一次数据，收集来的这些数据可以用来预测客户的用电习惯等，从而推断出在未来2~3个月时间里，整个电网大概需要多少电。有了这个预测后，就可以向发电或者供电企业购买一定数量的电。

因为电有点像期货一样，如果提前买就会比较便宜，买现货就比较贵。通过这个预测后，可以降低采购成本。

2）丹麦的维斯塔斯风能系统(Vestas Wind Systems)运用大数据，系统依靠的是BigInsights软件和IBM超级计算机，分析出应该在哪里设置涡轮发电机，事实上这是风能领域的重大挑战。在一个风电场20多年的运营过程中，准确的定位能帮助工厂实现能源产出的最大化。

为了锁定最理想的位置，Vestas分析了来自各方面的信息：风力和天气数据、湍流度、地形图、公司遍及全球的2.5万多个受控涡轮机组发回的传感器数据。这样一套信息处理体系赋予了公司独特的竞争优势，帮助其客户实现投资回报的最大化。

3. 大数据应用案例之：通信行业—通过大数据分析挽回核心客户

法国电信-Orange集团旗下的波兰电信公司Telekomunikacja Polska是波兰最大的语音和宽带固网供应商，希望有效的途径来准确预测并解决客户流失问题。

他们决定进行客户细分，方法是构建一张“社交图谱”- 分析客户数百万个电话的数据记录，特别关注 “谁给谁打了电话”以及“打电话的频率”两个方面。“社交图谱”把公司用户分成几大类，如：“联网型”、“桥梁型”、“领导型”以及“跟随型”。

这样的关系数据有助电信服务供应商深入洞悉一系列问题，如：哪些人会对可能“弃用”公司服务的客户产生较大的影响?挽留最有价值客户的难度有多大?运用这一方法，公司客户流失预测模型的准确率提升了47%。

4、大数据应用案例之：零售业—大数据帮零售企业制定促销策略

北美零售商百思买在北美的销售活动非常活跃，产品总数达到3万多种，产品的价格也随地区和市场条件而异。由于产品种类繁多，成本变化比较频繁，一年之中，变化可达四次之多。

结果，每年的调价次数高达12万次。最让高管头疼的是定价促销策略。公司组成了一个11人的团队，希望透过分析消费者的购买记录和相关信息，提高定价的准确度和响应速度。

定价团队的分析围绕着三个关键维度：

1）数量：团队需要分析海量信息。他们收集了上千万的消费者的购买记录，从客户不同维度分析，了解客户对每种产品种类的最高接受能力，从而为产品定出最佳价位。

2）多样性：团队除了分析了购买记录这种结构化的数据外，他们也利用社交媒体发帖这种新型的非结构化数据。由于消费者需要在零售商专页上点赞或留言以获得优惠券，团队利用情感分析公式来分析专页上消费者的情绪，从而判断他们对于公司的促销活动是否满意，并微调促销策略。

3）速度：为了实现价值最大化，团队对数据进行实时或近似实时的处理。他们成功地根据一个消费者既往的麦片购买记录，为身处超市麦片专柜的他/她即时发送优惠券，为客户带来便利性和惊喜。

透过这一系列的活动，团队提高了定价的准确度和响应速度，为零售商新增销售额和利润数千万美元。

5、大数据应用案例之：网络营销行业（SEM）

很多企业在做SEM的过程中，都有这样的感触：每年都会花费大量的预算在SEM推广中，但是因为关键词投入产出无法可视化，常常花了很多钱却不见具体的回报。

在竞争如此激烈的SEM市场中，企业需要一个高效的数据分析工具来尽可能地帮企业优化SEM推广，例如BDP，来帮企业节省不必要的支出，提升整体的经营绩效。

企业可借助数据平台提供的网络营销整合解决方案，打通各个搜索引擎营销（SEM）、在线客服系统和CRM系统，营销竞价人员无需掌握复杂的编程技术，简单拖拽即可生成报表，观察每一个关键词的投入和产出，分析每一个页面的转化，有效降低投放成本。

通过BDP实况分析数据，可以快速洞悉对手关键词的投放时段、地域及排名，并对其进行可视化的分析，实时监控自己和竞争对手的投放情况，了解对手的投放策略，支持自定义设置数据更新的时间点、监控频次和时段，及时调整策略。知已知彼，才能百战不殆。

6、大数据应用案例之：电商行业

意料之外：胸部最大的是新疆妹子。曾经淘宝平台显示，中国女性购买最多的文胸尺码为B罩杯。B罩杯占比达41.45%，其中又以75B的销量最好，其次是A罩杯，购买占比达25.26%，C罩杯只有8.96%。

虽然淘宝数据平台不能代表一切，但是结合现实来看，这个也具有普遍的代表性，只能感慨中国女性普遍size。在文胸颜色中，黑色最为畅销，黑色绝对是百搭，每个女性必备。

从省市排名，胸部最大的是新疆妹子。这些数据都对于文胸店铺而言是很好的参考，为店铺的库存、定价、款式选择等策略都有奠定数据基础。

7、大数据应用案例之：娱乐行业

微软大数据成功预测奥斯卡21项大奖。2013年，微软纽约研究院的经济学家大卫•罗斯柴尔德（David Rothschild）利用大数据成功预测24个奥斯卡奖项中的19个，成为人们津津乐道的话题。

今年罗斯柴尔德再接再厉，成功预测第86届奥斯卡金像奖颁奖典礼24个奖项中的21个，继续向人们展示现代科技的神奇魔力。

总的来说，大数据的终极目标并不仅仅是改变竞争环境，而是彻底扭转整个竞争环境，带来新机遇，企业需要应势而变。企业只有认识到这一点，使用合适的数据分析产品、聪明地使用和管理数据，才能在长期竞争中成为终极赢家。

数据分析进阶必看干货！销售额下滑详细分析案例

公司发现汽车销售额自一年前开始逐渐减少，想让你帮忙找找汽车销量下滑的原因，最好能提出一些解决方案。

最近感冒了去了医院，和医生发生了下列对话：
医生："感冒了多久了？"
我："一个星期左右, 一直流鼻涕，嗓子疼"
医生观察了一下说："这是风寒感冒哈。"
我："什么原因风寒感冒呢？"
医生："最近降温了，可能着凉了"
我:"那如何应对呢？"
医生:"我给你开点感冒药，注意多穿点衣服"

首先要将问题定义清楚，这是数据分析的第一步。

需要注意的两点：如果问题定义错了，后面的分析毫无意义。比如：老板告诉你：“可能是客单价高，最近利润下降了”，听到这番话，你将问题定位为“高客单价导致利润下滑了，怎么办”，这样错误的定义会缩小你的分析范围，导致最终结果出现偏差；另外一种情况，分析者根据自己过往的经验来定位问题，把思考限定在：“我觉得”，数据分析不是主观的臆断，而是一种客观的分析。

不要急于分析，首先要和相关人员确认"下滑"，并有数据佐证。要保证数据本身是准确的，才能进行后面的步骤。在本案例中，可与相关人员沟通，了解清楚"销售额下滑"具体表现为哪些现象。

例如：通过分析业务数据，发现汽车销售额在这两年确实下降了15%左右。

目前要解决的问题是：销售额逐渐下降的原因是什么，怎么解决？

对于业务指标，首先要确定分析指标的含义。
在这个案例中，是用"销售额"这个关键指标，销售额这个指标是怎么定义的？
通过和业务部门沟通，明确了指标的定义：
销售额=销售量 * 平均单价
销售量=首次购买量 + 再次购买量
再次购买量=客户忠诚度 * 再次购买人数

影响销售额下降的原因有很多，如果把所有原因都分析一遍，那么这个工作量是非常大的。所以，在分析原因的过程中，要优先分析关键因素。

多维度拆解分为维度（角度）和拆解，实质上是做加法。比如用户下降了 = 新用户数量 + 老用户数量

拆解整体数据内部各个部分的构成差异进行细分
将一个复杂的问题拆分成可以逐渐解决的子问题

可以通过指标构成或者业务流程来拆解

对于本案例，我们是通过指标构成拆解，对问题进行拆解，将复杂问题细化成各个子问题。为了找到"哪里出了问题"，可以对"销售额"这个指标进行拆解。至于拆解到什么程度，没有统一的标准，要根据对业务的理解和实际问题灵活把握，本案例拆解如图所示：

假设检验实质上是逻辑推理，使用数据来做决策的过程

可以分析出问题出现的原因，适用于归因分析场景，比如：分析产品DAU下降原因是什么？

根据业务流程，提出假设——收集证据——得出结论，在业务中这三步是不断重复的过程。不断重复这个过程，直到找到问题的根源。
接下来使用假设检验分析方法对多维度拆解后的每个业务流程提出假设，并加以验证。

得出结论：销售数量与销售总额一样，也减少了近 15%。由此可见，我们应该优先关注 销售数量 的数据， 假设成立 。
平均单价在 2 年期间比较稳定，基本在平均值（200 万元）上下 5%（190 万 ~ 210 万元）的范围内。至少在过去的一年里，没有出现过价格明显上升的情况，所以 假设不成立 。

得出结论：虽然两者在数量上没有太大差异，但首次购买量基本维持稳定，而再次购买量却在过去一年出现了减少。因此，可以确定， 再次购买量 应该是新车销售总额下滑的原因之一， 假设成立 。

得出结论：可以发现导致“再次购买量”减少的是 客户忠诚度 的下降所导致， 假设成立 。

至此，我们发现了导致销售额下降的关键因素是受到再次购买量以及用户忠诚度的影响。
分析到这儿，可能会有人觉得结束了！实际上并没有，现在的分析结果无法产生实际的意义。仅仅看到用户忠诚度下降还不能决定"接下来要采取哪些具体措施才能解决问题"。所以，接下来要分析为什么客户的忠诚度下降，有什么改进措施。

现在将忠诚度再进行拆解，并不断提出假设，作出验证。

得出结论：对销量的构成比例进行比较，发现车型 A 的比例明显小于其他车型，那么如果将问题锁定为车型 A，即使采取了有效的对策，对解决整体问题的影响仍然是有限的。因此 可以暂且降低车型 A 的优先顺序 。

按照不同车型，对客户忠诚度在 2 年期间的平均值进行比较，只有车型 A 的客户忠诚度显著偏低，其他车型之间没有太大差别。

接下来，暂且将车型 A 从比较对象中剔除，对其余 3 个车型进行比较忠诚度变化比较。

发现车型 B 和车型 C 的客户忠诚度从年前开始逐渐降低。可能选择了竞品公司。具体数字是 2 年期间从约 80%～90% 减至 50%～60%，降低了 30-40 个百分点。表明： 产品B、产品C的客户忠诚度出现了问题 ， 假设成立 。

通过分析竞品公司推新情况，发现并没有新产品上市，假设不成立。但是，从客户的综合满意度趋势图看出明显下降了，那么说明综合满意度影响了客户忠诚度。
两者是否具有相关性，如何来验证两种数据的相关性，可以通过相关分析法。如果相关，那么忠诚度和综合满意度有多大程度上的相关，如何衡量。

相关性分析是研究两种或两种以上的变量之间有什么关系。如果变量间有关系，叫作有相关关系；如果没有关系，叫作没有相关关系。比如：学习时长和成绩有相关关系。

在研究变量间有什么关系或者判断某个事情是否受到其他事情影响时，不仅能帮助我们扩大思路，还能通过相关分析来衡量两个变量因素的相关密切程度。比如判断客户忠诚度和客户满意度这两个变量有多大程度的相关？

如何衡量两个变量的密切程度？通过"相关系数"，它就是专门用来衡量两种变量的相关程度的，并且相关系数数值的正负可以反映两种数据的相关方向，也就是说两种变量在过程中是同方向变化还是反方向变化。

通常用字母 r 来表示 。可以用来快速锁定问题。
相关系数 r 介于 之间，相关系数的绝对值｜r | 越大，表明变量间的相关程度越强。
如果 r = 1，数据点都在一条直线上，表示两个变量完全正相关（假设有a，b两种变量），a的值越大，b的值也会越大；如果 r = -1,数据点都在一条直线上，表示两个变量完全负相关，a的值越大，b的值反而会越小。

如果相关系数》0,说明两个变量是正相关，是同方向变化，也就是一个变量的值越大，另一个变量的值就越大；
如果相关系数《0,说明两个变量是负相关，是反方向变化，也就是一个变量的值越大，另一个变量的值反而越小；
如果相关系数=0,说明两个变量是不相关（无线性相关），有可能是其它方式相关，比如曲线方式。

业务中，如何计算具体的相关系数？现在excel 或 Python都有相应的功能或函数，我们只要知道怎么用，懂内部原理就够用了。以学习时长和成绩为例，利用Excel 计算相关系数。流程如下：

下面计算本案例中综合满意度（月份平均）与客户忠诚度的相关性系数，同样利用Excel的数据分析功能。计算结果如下：

得出结论：整体客户忠诚度与综合满意度之间的相关系数为 0.64，由此可知一般来说（不区分产品），两者之间存在相关关系。再看不同产品的客户忠诚度与综合满意度的相关性， B 和 C 与综合满意度的相关系数分别为 075、0.69，数值较高，可以确认为相关， 假设成立 。

再回到问题，只看综合满意度，还不能决定“应该釆取哪些措施”。这样的话仍然无法对实际业务产生意义，所以接下来还要再次应用相关分析来探讨“服务”、“产品”、“价格”不同维度与综合满意度之间的相关程度。定位产品B和C的综合满意度下降的根本原因是什么。

分别对两种产品的综合满意度和三种不同维度的相关性分析，结果如下：

对于B 来说，同类产品的价格比（相对而言是贵还是便宜）对综合满意度的影响较大。二者的相关系数为 -0.72，表示价格越高，顾客满意度就会越低。需要注意其变化趋势是相反的，也就是说， B 的用户对价格比较敏感。对于C，售后满意服务度对综合满意度的影响较大。二者相关系数为0.59，说明C的用户比较在意售后服务体验。

通过相关分析，发现跟销售总额相关度最高的因素是用户满意度，尤其是产品B，优先调整同类产品价格比；产品C提升售后服务水平，可以显著提升整体销售额。

现在复盘一下这个案例是如何分析的。分析流程如下：

前面我们根据多维度拆解、假设检验、相关分析方法最终定位到销量下滑的根本原因。接下来也就是根据找到的原因提出建议。那么在提出建议这一步经常用的分析方法之一是回归分析。比如本案例知道需要提升满意度，但是将满意度具体改善到什么程度，才能提升销售额。这时候就需要用回归分析来计算出某个原因能够对目标造成多大程度的影响。

回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。

这个方程可以理解为：Y(利润) = 0.1445X(销售额)-31.938。前面说过期望的利润目标是5000万，也就是利润Y = 5000万，代入回归方程就可以算出具体销售额= 34,823.41万元。u额就是说，根据公司下半年想要实现5000万的目标，我们需要将销售额达到34823.41万元。

以上就是使用回归分析的整体流程。简单回顾下回归分析：回归方程里面有一种自变量的，这种回归叫一元线性回归；那么使用线性回归的前提是两个变量（因变量和自变量）要有相关关系，这样才能使用一元线性回归；线性回归实质上在帮助我们解决资源合理分配的问题。比如销售案例，知道了Y值，想知道X的值是多少。还有另外一种情况就是咱们的汽车销售额下滑的案例，例如Y是综合满意度，X是售后满意度，这样我们就知道售后满意度达到多少分时，综合满意度才能提升。当决策者有多种方案要选择的时候，就可以根据回归分析，知道把有限的资源投入到哪里才能发挥出最好的效果。

回到案例中：继续解决产品B 的价格满意度提升到多少；产品C的售后满意度提升到多少，才能提高综合满意度，进一步提升客户忠诚度。首先制定业务目标，也就是回归方程的Y值。那么我们可以追溯到客户忠诚度，会发现客户忠诚度75%才是一个正常趋势，所以我们确定过了要将产品B 和 C 的忠诚度提升到 75%。

通过回归方程，得出产品B 要想达到忠诚度到75%的目标，必须将综合满意度达到75以上。
接下来提升B产品客户忠诚度：综合满意度与同类产品价格比的关系

最后提升C产品客户忠诚度：客户忠诚度与售后服务满意度的关系

如何提高售后服务满意度？

到这里，分析结束。通过回归分析，最终得出可落地的建议如下：
影响销售额下滑的主要定位到B产品的同类价格比 、C 产品的售后满意度出现问题
1）产品B ： 价格波动不要高于同类产品 2%
2）产品C ： 要重点抓售后服务，尤其是服务态度要达到76分

以上是本次通过汽车销量下滑案例，映射一个完整的在工作中利用数据分析解决问题的过程。

某网站电商运营数据分析案例

某网站电商运营数据分析案例

PHPStat是目前国内最专业的电子商务数据分析运营平台，专注为电子商务企业提供网站访客转化行为、订单分析、商品分析、页面转化分析、营销转化分析的整体优化解决方案。目前PHPStat已经成功为苏宁易购、湖南卫视快乐购、天天网、某网站、鸿星尔克、高鸿商城、以纯旗舰店、海尔商城、天极网等在内的50家电子商务企业提供数据分析服务。下面是PHPStat为一家绿色食品网站某网站提供的数据分析的案例。

某网站在使用PHPStat之前遇到的问题

1.数据非实时，很难根据数据的变化来调整业务；

2.商品转化率低，无法快速的了解每个品类以及该品类下的具体商品转化情况；

3.同一个商品分布在不同的页面，不能够了解每个页面对该商品的转化贡献；

4.商品临时组活动全靠手工添加，低效并且费力，无法保证效果的真实性；

5.营销广告无法跟踪到产生的订单、注册数据，不能够进行效果评估；

6.首页轮播广告点击量无法监测，更不能分析广告带来的订单、注册数据；

7.想要得到首页个区块的点击量，却无法统计到；

PHPStat提供解决方案以及效果评估

PHPStat根据该某网站当前面临的主要问题和实际运营状况，为其制定了对应的解决方案，解决方案分为两个部分，一部分是通过“PHPStat标准化电商数据采集方案”对某网站站设置正确的数据采集方式，从而对转化率、动销率和客单价等各项转化指标进行跟踪，另一部分是通过“专业excel报表”解决某网站数据分析报告效率低下的问题。

了解产品

开始试用

规范报表

阅读案例

专家帮助

借助PHPStat细致的数据报表，中小型电商网站只需一键就可满足网站数据分析需求；

PHPStat支持saas服务模式或者本地部署，并帮助业务运营人员更高效的响应业务需求；

PHPStat数据提供访客、订单、商品、活动页面以及营销方案五大类数据的监测，并提供图文并茂的xls文件；

PHPStat帮助某网站最大化的满足其业务需求，并有效降低了数据获取的难度，减轻数据分析人员工作压力；

数位技术专家以及分析精英实时提供在线支持，帮助您最有效的应用PHPStat解决网站存在的实际问题；

下载

注册

范例

阅读

咨询

1.电商数据采集

类型

说明

商品浏览采集

商品最终页面的浏览来源，分析不同页面对商品的转化贡献；

购物车采集

分析购物车商品的添加和移除现象，了解购物车使用情况；

订单采集

采集订单以及订单包括商品的信息，分析商品的转化情况；

订单支付采集

分析订单的支付转化情况，发现支付瓶颈；

2.案例截图

3.报表截图

经过PHPStat专业的数据分析以及高效的excel报表，某网站内部团队可以专注于网站运营数据的分析，关注网站业务的发展。