Python数据分析与数据化运营：商品数据化运营3-分析小技巧

作者：宋天龙（TonySong），资深大数据技术专家，历任软通动力集团大数据研究院数据总监、Webtrekk（德国最大的网站数据分析服务提供商）中国区技术和咨询负责人、国美在线大数据中心经理。

本文来自《Python数据分析与数据化运营》配套书籍第5章节内容，机械工业出版社华章授权发布，未经允许，禁止转载！此书包含 50个数据工作流知识点，14个数据分析和挖掘主题，8个综合性运营案例。涵盖了会员、商品、流量、内容4大数据化运营主题，360°把脉运营问题并贴合数据场景落地。

课程学习链接：网站数据分析场景和方法——效果预测、结论定义、数据探究和业务执行https://edu.hellobi.com/course/221

前文传送门：

本节中我们将介绍一些商品运营分析中的小技巧，包括层次分析法、假设检验、BCG矩阵分析分析法和4P分析等。

6.5.1 使用层次分析法将定量与定性分析结合

层次分析法（Analytic Hierarchy Process，AHP）是将与决策总目标相关的细分元素进行分解，在此基础上做层次权重的方法，这是一种将定性分析和定量分析相结合的方法。

这种方法可以广泛用于多种将定性与定量分析结合的商品运营决策场景中，例如：

• 商品资源位的决策中，到底哪些商品应该放到最好的位置上？

• 商品流量导航的入口，哪些品类应该放在最明显的位置？

• 公司在天猫上争取到了几个资源位，应该投放哪些商品？

• 商品贡献价值衡量，除了销量、利润等数字可衡量的因素以外，增加商品标杆、商品品牌价值的提升、企业战略合作商品、投资者关注品类等因素，如何选出贡献最大的商品？

层次分析法是不仅能用于不确定性和主观信息的整合，还可以将以往经验和洞察应用到权重评估过程中，这种基于层次划分的方法，可以使评估人员能有效衡量不同指标间的相对重要性。

层次分析法的完整步骤如下：

步骤1 构建层次分析结构，确定决策目标，然后对影响决策目标的因素归类并建立一个多层次结构。

步骤2 构造决策因素判断矩阵，比较同一层次中各因素关于上一层次的同一个因素的相对重要性，构造成对比较矩阵，该矩阵是一个正互反矩阵，然后做一致性检验。

步骤3 构造方案判断矩阵，然后一致性检验。

步骤4 计算决策因素权重，并结合对比方案矩阵计算各个方案的总得分并排序，得到决策方案。

使用APH做决策的核心是确定不同方案在不同因素上的加权得分总和，然后对综合做排序找到得分最大的方案。

为了能使该过程更通俗易懂，这里使用稍微简化一点的方法来说明AHP决策过程，忽略其中的一致性检验过程。假设现在有3个商品要做资源推广，现在考虑选择商品的因素包括：引入流量能力、转化率、毛利价值、品牌价值、标杆价值。其中前三个指标可以通过数字衡量的，后两个指标则是相对感性且无法具体量化的。

构建层次分析结构。分析结构分为3层，目标是选择最优商品，判断维度是引入流量能力、转化率、毛利价值、品牌价值、标杆价值，最终方案是从商品A、B、C中选择最优商品。

图6-2 决策层次分析结构

构造决策因素判断矩阵。通过两两对比做重要性评估时，一般采用1~9标度法，即最重要为9，最不重要为1/9，如果为1则说明同等重要。由表6-4的得分，看到左上到右下的对角线是1，沿对角线的值是对称互为倒数。

表6-4 决策因素重要性对比矩阵

指标权重计算，这里采用规范列平均法（和法）。先对表6-4的每一列做标准化，然后将标准化后的值沿行求均值，得到每个决策因素的权重，标准化方法这里选择0-1标准化，最终得分如表6-5。

表6-5 决策因素标准化得分和权重矩阵

构造方案判断矩阵。对每个商品在不同决策因素下的相对重要性对比，形成如表6-6~6-10数据。

表6-6不同商品引入流量能力对比矩阵

表6-7不同商品转化率对比矩阵

表6-8不同商品毛利价值对比矩阵

表6-9不同商品品牌价值对比矩阵

表6-10不同商品标杆价值对比矩阵

接着按照指标权重计算中的方法，计算每个方案在每个指标下的得分。具体过程略过，这里只给出具体结果，如表6-11。

表6-11 方案在不同决策因素下的得分矩阵

总排序权重计算及决策。现在我们已经有了三套方案（商品A、B、C）分别在不同因素下的得分以及各得分的权重，接下来要做的就是将表6-5中不同因素的权重均值与表6-11中不同商品在各个因素上的权重相乘并得到最终加权的总得分。过程如下：

商品A = 1.00*0.00 + 0.49*1.00 + 0.00*1.00 + 0.11*1.00 + 0.14*0.40 = 0.656

商品B = 1.00*0.26 + 0.49*0.32 + 0.00*1.00 + 0.11*0.04 + 0.14*0.04 = 0.4268

商品C = 1.00*1.00 + 0.49*0.00 + 0.00*0.00 + 0.11*0.39 + 0.14*0.89 = 1.1675

由此，我们看到商品C的总得分是最高的，主要取胜的原因是其引入流量的能力明显。上述只是简单的过程，并没有做一致性检验，追求严谨性的读者可以将一致性检验加入到决策因素和方案对比矩阵中做一致性验证。

层次分析法非常好用且实用，但也存在一定缺点：

• 不能使用太多的决策变量，否则计算起来会比较费时

• 决策变量间应该具有相对独立的特征，不能存在高度线性相关关系，否则得到的计算会出现偏差

6.5.2 通过假设检验做促销拉动分析

在做运营效果评估时，往往第一步是判断运营效果是否显著，这一点对于促销活动尤其是对于销售的拉动分析尤为重要。一般情况下，企业做促销活动都会同时产生销售额提升的现象，但是这种现象是由于促销活动的拉动导致还是自然波动，需要通过数据来论证，不能盲目的看到销售提升就下结论是促销活动导致的。

在做这种结论定性时，可以通过多种假设检验的方式做显著性分析。

假设检验（Hypothesis Testing）是数理统计中常用的方法，它实现的是根据一定假设条件由样本推断总体。假设检验的基本实现思路是：根据研究课题的需要对研究总体作某种假设，记作H0；选取合适的统计样本，其选取结果要使得在假设H0成立时，其分布情况已知；然后由实测的样本，计算出统计量的值，并根据预先给定的显著性水平进行检验，作出拒绝或接受假设H0的判断。常用的假设检验方法有卡方检验、T检验法、F检验法、U检验法、Z检验法、方差分析法等。

• 卡方检验属于非参数假设检验，适用于布尔型或二项分布数据，基于两个概率间的比较，早期用于生产企业的产品合格率等，在网站分析中可以用于目标转化率等有比率度量的比较分析。

• T检验属于参数假设检验，所以它适用的范围是数值型的数据。T检验的需要总体样本符合正态分布特征，主要用于样本含量较小（例如n<30），总体标准差σ未知的数据。T检验广泛应用于医学统计等领域。

• F检验又叫方差齐性检验。在判断两种样本检验方差是否相等时，需要使用F检验做验证。因此，它是一种基础的检验方法。至于两组数据之间是否存在系统误差，则在进行F检验并确定它们的精密度没有显著性差异之后，再进行T检验。

• U检验是在大样本（n>30）的情况下，检验随机变量的数学期望是否等于某一已知值的一种假设检验方法。U检验适用于样本量n较大且符合正态分布的情况。

• Z检验一般用于大样本（即样本容量大于30）平均值差异性检验的方法，比较两个平均数的差异是否显著。

• 方差分析法常用来分析多个（2个以上）群体中的计量型数据，以便比较变异的意义和分析其来源。方差分析要求观察样本的分布符合正态分布或近似正态分布，并且各组数据之间的方差具有齐性。

在做假设检验时，经常用到的Python库是scipy中的stats，里面包含了各种参数和非参数检验方法以及用于评估数据分布模型的检验方法。

6.5.3 使用BCG矩阵做商品结构分析

BCG矩阵又称为波士顿矩阵，它是波士顿咨询集团提出的一种分析方法。该方法常用来分析如何将企业有限的资源有效地分配到合理的产品结构中去，以保证企业利益的最大化，因此这是一种宏观分析方法。

BCG矩阵认为决定商品结构的基本因素有两个：市场引力和企业实力。

• 市场引力指的是企业销售量、增长率、目标市场容量、竞争对手强弱等市场因素，其中最能反映市场引力的指标是销售增长率，这是决定商品结构的外部因素。

• 企业实力包括市场占有率，资金、技术等方面的能力，其中市场占有率是决定企业商品结构的内在因素。

基于销售增长率和市场占有率这两个维度，BCG矩阵将商品组合分为4种类型：

• 明星型商品（Stars）：指高增长率，高市场份额的商品，这类商品可能成为企业的现金牛商品。

• 问题型商品（Question Marks ）：指高增长率，低市场份额的商品。这类商品虽然市场增长较快，但是一般利润率较低，所需资金支持和资源投入较大。

• 现金牛型商品（Cash Cows）：指低增长率，高市场份额商品，这类商品能帮助企业回收资金并加速资金流转，可以支持其他商品和业务的发展，是公司发展的基石和后盾。

• 瘦狗型商品（Dogs）：指低增长率，低市场份额的商品。这类商品对企业来讲一般处于亏损或利润贡献比较差的阶段，通常很难为企业带来收益。

在企业中应用这种分析方法做商品结构分析，基本步骤如下：

步骤1 确定企业销售增长率和市场占有率。关于销售增长率的计算可以用本年销售额/上年销售额-1，而市场占有率需要通过市场分析、第三方报告、行业协会等方式获取。

步骤2 绘制四象限图，确定企业不同商品的销售增长率和市场占有率均值，然后基于均值划分为4个象限。

步骤3 将企业内不同品类的名称按照实际销售增长率和市场占有率以散点的方法填到各个象限中。为了增加更多可用于分析的特征，还可以用散点的大小来表示销售额或利润额等其他主要贡献因素。此时可以得到如图6-3所示矩阵信息。

图6-3

如何对矩阵信息做分析？

• 针对明星型商品品类，应当积极扩大经济规模和市场机会，以长远利益为目标，提高市场占有率，加强竞争地位，例如采用事业部形式直接管理。

• 针对问题型商品品类，应当重点考虑市场占有的问题，包括市场营销、客户维系、新产品引入等方式来扩大市场面。

• 针对现金牛型品类，需要重点维持现状，因此单独的事业部以及营销体系是重要措施。

• 针对瘦狗型品类，需要考虑市场撤出、资源整合到其他商品业务或做结构化改革，以降低其对企业的负面效应。

BCG矩阵的优势是能够将不同的商品或业务放到一个平面做对比，并且基于公司的整体触发可以考虑资源间的最优配置和调整方向。在通过矩阵做输出表示时，其具有非常好的可理解性和应用性，是企业战略研究的重要方法支撑。

6.5.4 巧用4P分析建立完善的商品运营分析结构

4P是营销学的一种组合概念，包括产品（product）、价格（price）、渠道（place）、促销（promotion）。

• 产品：包括有关商品的客观实体要素，例如质量、外观、样式、品牌、类别、属性、规格等。

• 价格：有关商品的价值要素，例如基本价格、促销价格、付款价格、毛利、利润率等。

• 渠道：有关商品的分销要素，包括分销渠道、供应商、物流、库存、经销商等。

• 促销：有关商品的促销类要素，包括广告、营销、促销活动、宣传、推广等。

4P理论几乎涵盖了所有商品在市场营销中的关键可控要素，是企业内商品运营的“抓手”和落地点。实际上商品运营所做的所有内容都脱离不了4P理论的内容。

在做商品数据化运营分析过程中，如果在没有成型可用的思路之前，可以考虑从4P的角度去搭建商品运营分析的基本思路，这是非常有效的初始化打破僵局的方法。

当然，经典4P理论都是围绕商品环节的，在实际销售过程中除了商品本身的要素外，还有更多跟商品运营相关的其他要素，包括：

• 人员：人员是做商品运营（也包括所有运营）的基石，任何运营活动的结果都跟人挂钩，因此可以从人员的角度分析对运营效果的影响。

• 资源：资源的支持力度是导致商品运营结果差异的重要因素，不同的促销经费、资源位、站外广告位、活动时间、内部推介等资源支持下，运营效果差异很大。

• 流程和机制：商品运营过程中的流程也是影响运营结果的主要因素，很多情况下甚至会成为关键因素，包括固定性流程（例如每月一次的**活动）、突发或异常应对机制（例如异常订单的隔离）、临时性流程（临时提报活动的影响）等。

活用4P理论能够在商品运营分析中，有效的整合运营的主要要素，并建立完善的分析结构。

提示 跟4P概念相对应的还有4C，消费者（Consumer）、成本（Cost）、便利（Convenience）、沟通（Communication）。4C跟4P的最大不同是，4P是以商品为出发点考虑营销基本面，而4C则是以消费者为导向的组合方法。随着概念的发展，后来又延伸出4S、4R、4V、4I等不同营销理论。

作者好书推荐：《Python数据分析与数据化运营》，小编看过，觉得很不错，难得的技术+业务的好书！

点击阅读原文，立即购买宋天龙老师《Python数据分析与数据化运营》秘籍