数据分析面试必看!某指标下降了,应该怎么办?

教育   2024-12-23 16:16   黑龙江  
来源:数据分析与统计学之美



用数据分析解决问题的过程



明确问题

通过观察现象,把问题定义清楚。


分析原因
  • 哪里出现问题?

  • 为什么会出现这个问题?


1、使用“多维度拆解分析方法”,对问题进行拆解,将一个复杂的问题细化成各个子问题

按照“多维度拆解分析方法”,我们可以按照用户、产品、竞品这三个维度来拆解。分别对应公司的三个部门。用户对应运营部、产品对应产品部、竞品对应市场部。

  • 用户(运营):画出用户使用产品的路径图,然后从AARRR分析方法的5个环节去分析原因。

  • 产品(产品部):这段时间销售的产品是否满足用户的需求。

  • 竞品(市场部):竞品是不是在搞什么优惠活动,用户跑到竞争对手那里了


2、对拆解的每个部分,使用“假设检验分析方法”,找到哪里出现问题。分析的过程可以用对比分析方法等分析方法来辅助完成。

3、在找到哪里出现问题后,多问自己几个为什么出现这个问题。然后使用相关性分析找出问题的原因。



决策

找到原因,并给出建议和可以实施的解决方案。

案例1:汽车销量下降问题分析

1、明确问题
问题:与去年一年的月平均销售额相比,本年度最近一个月的新车销售额降低了大约15%。

下图是最近2年新车销售额变化


2、分析原因
(1)多维度拆解数据层
按照指标定义,将“新车销售总额”拆解为“新车销售数量”与“平均单价”。
新车销售额 = 新车销售数量*平均单价

从“用户是否首次购买”这个维度,将“新车销售数量”拆解为“本品牌首次购买数量”和“本品牌再次购买数量”。

“本品牌首次购买数量”,可以拆解为“从其他品牌流入”的用户(之前在其他品牌买过车)和“首次购买车辆”的用户。

“本品牌再次购买数量”拆解为“再次购买时仍然选择了本品牌产品”的老用户,和“转为购买其他品牌用户”的老用户。

客户忠诚度 = 老用户“再次购买时仍然选择本品牌产品”的车辆数/ “老用户再次购买的车辆总数”。

这样,“本品牌再次购买数量”= “老用户再次购买车辆总数”* 客户忠诚度。

如下所示:
根据“多维度拆解”图,我们可以对数据进行清洗,得到拆解后的各个细分数据。

(2)假设检验方法,分析原因
根据以上“多维度拆解图”,下面用“假设检验方法”对每个部分进行验证。

a.提出假设:问题出在平均单价
收集证据:下图是平均单价的随时间变化的折线图

得出结论:从图表可以看出,“平均单价”在这两年期间比较稳定,基本在平均值(200万日元)上下5%的范围内。至少在过去的一年里,没有出现过价格明显下降的情况。

b.新车销售数量:
  • 提出假设:问题出现在新车销售数量

  • 收集证据:下图是“新车销售数量”随时间变化的折线图

  • 得出结论:从图表中,我们可以看出,“新车销售数量”与销售总额一样,也减少了近15%。由数据可知,问题出现在“新车销售数量”上。


c.收集证据
得出结论:从图表可以看出,本品牌首次购买数量基本维持稳定,而再次购买数量在过去的一年出现了减少。从数据上可以确定,“本品牌再次购买数量”是“新车销售总额”减少的主要原因之一。

d.接下来对“本品牌内再次购买数量”的拆解对象进行分析
  • 提出假设:问题出现在客户忠诚度上

  • 收集证据:下图是客户忠诚度随时间的变化

  • 得出结论:从图表可以看出,导致“本品牌再次购买数量减少”的是客户忠诚度的下降。也就是老客户中选择了其他品牌人数的比例增加了。


e.按某个维度对客户忠诚度进行拆解

一般拆解的维度可以是用户(年龄、职业、性别等),产品(车型),竞品(研究竞品是不是在搞什么优惠活动,用户跑到竞争对手那里了)。

从哪个维度来比较客户忠诚度,才能找到问题发生的原因呢?
作为这个例子的可靠假设,可以展开以下讨论:

按照不同的客户群体,例如不同年龄层的客户来分析客户忠诚度,会发现对不同的车型来说,人们的评价或喜爱程度并不一定与年龄有关。

也就是说,不同的车型更能体现出人们对其评价或喜爱程度的不同。
根据这一假设,可以从“产品(车型)”的维度来比较不同产品的客户忠诚度,在进行”产品(车型)”的维度来比较不同产品的客户忠诚度“时,我们要用到对比分析方法,下图是比较表格:从产品(车型)维度比较不同产品的客户忠诚度。


根据这个比较表格,我们展开对比分析。

a.衡量整体的大小:平均值

对不同车型的销售量和忠诚度的平均值进行比较。

对销售总额这个最根本的问题来说,是否存在对其影响较大的车型和并无太大影响的车型呢?

虽然深入分析是好事,但如果分析的对象对问题整体的影响微不足道,这个工作就不会产生任何意义。根据对问题影响的大小来决定优先顺序和关注程度,也决定了根据分析结果采取的措施能够对解决问题产生多大贡献。

我们看下每种车型占销售数量的比较(下图)
从图表中,我们可以发现只有车型A的比例明显小于其他车型。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。

我们再来比较对不同车型客户忠诚度(下图)

从图表中,我们发现只有车型A的客户忠诚度显著偏低,其他车型之间没有太大差别。

b.衡量波动:变异系数

接下来对不同车型客户忠诚度的变异系数进行比较,得到下图里的数据。
从图表可以发现,虽然车型A的变异系数明显高于其他车型,但该车型数量较少,对整体的影响很小,因此在此就不涉及。

从其他车型来看,车型D的波动较大。车型D的客户忠诚度与车型B、车型C几乎没有差别,所以很难将其认定为直接影响问题的关键。但从波动程度来看,车型D极有可能含有其他问题或风险,需要引起注意。

c.衡量趋势变化:时间折线图

根据前面确认的结果,暂且将车型A从比较对象中剔除,对其余3个车型的客户忠诚度随时间变化进
从图片中可以发现,车型B和车型C的客户忠诚度均自一年前开始逐渐降低。也就是说,转为购买其他公司产品的比例提高了。

具体数字是最近2年从约80%~90%减至50%~60%,降低了30~40个百分点。可见,拥有本品牌产品但需要再次购买车辆的人中,这2年期间有近30%被其他公司夺走了。

d.汇总对比分析结果

我们将前面的比较结果,填到下面的“比较表格”里。
从上面的分析结果,车型B与车型C是重点进一步分析的对象。

分析到这一步,可以问自己一个问题:为什么车型B和车型C的客户忠诚度会出现下降?

e.下图从“车型B的客户忠诚度为什么会下降“的疑问开始,提出假设,最终将问题归纳为“售后服务”“产品”和“价格”3个因素。

在上图中,有一个原因是“因为其他公司推出了具有竞争力的产品”。对这个原因,无论如何深入分析,解决方法也只能是“开发更有竞争力的产品”等中长期措施,不能成为尽快增加销售的方法。因此,可以暂且将其优先顺序推后。

也有可能这才是根本原因,所以我们不是无计可施就忽视它的存在,而是因为目前需要优先调查能在短期内采取对策的原因。与那些需要严密调查理论上的所有原因,写成报告的情况不同,工作中需要根据目的、制约条件和实际情况,采取灵活的措施。

下面我们用假设检验分析方法来验证上面提出的假设。

1、假设1
车型B和车型C的客户忠诚度下降是因为综合满意度下降。两者有相关性。

证据:那么,根据前面的图,先来看综合满意度(月份平均)与客户忠诚度是否相关。因为没有区分不同车型的满意度数据,只有包括所有车型的综合满意度,所以需要计算.综合满意度与各车型客户忠诚度之间的相关系数。(下图是不同车型客户忠诚度与综合满意度的相关系数)
结论从上图可以发现:
  • 体的客户忠诚度与综合满意度之间的相关系数为0.64,由此可知两者之间存在相关关系。

  • 再看不同车型客户忠诚度与综合满意度的相关,车型B和车型C与综合满意度的相关系数分别为0.75、0.69,数值较高,可以确认为相关。


但是如果只分析到这里,只看综合满意度,并不能决定“接下里应该采取哪些措施”。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综合满意度之间和“售后服务”“产品”“价格”之间的相关程度。

2、假设2
综合满意度和售后服务、产品、价格的相关。

(1)车型B
证据:下图是车型B的综合满意度和售后服务、产品、价格的相关系数。
结论:通过上图可以发现,对车型B来说,综合满意度和价格高度相关(相关系数是-0.72),表示价格越高,顾客满意度就会越低。也就是说,与同类产品的价格比(相对而言是贵还是便宜)对综合满意度的影响较大。车型B的用户对价格比较敏感。

下图是车型B的综合满意度和售后服务、产品、价格的相关系数。

(2)车型C
证据:下图是车型C的综合满意度和售后服务、产品、价格的相关系数


结论:通过上图可以发现,对车型C来说,综合满意度高度和售后服务满意度高度相关(相关系数是0.59),表示售后服务越高,综合满意度高度也越高。

同样是综合满意度,车型B的用户与车型C的用户所重视的关键点完全不同。当然,我们也可以越过综合满意度,直接考察每个车型的客户忠诚度与“售后服务”“产品”“价格”等数据的相关系数。


总结

我们将前面所有的分析组织起来,就是下面这个图。它体现了对问题进行深入分析的整个过程。
这个图还体现出,分析者并不是只分析了偶然想到的某些项目,而是通过这个构造避免了遗漏或重复,并对那些最终确定并非问题或原因的项目也进行了检验。

另外,图片里对话框的内容解释了停止深入分析的原因。这样一来,听众就可以明白,分析者说到解决问题、进行分析或企划的目标时,“该工作的最终目的”这一重要始点始终没有动摇。锁定原因之后,接下来就是制定改进(解决)措施了。

-END-

最后,为了让大家能够以最低的时间成本和经济成本,成功入职数据分析师。今天,小编给大家准备了一份《数据分析求职面试攻略》:


  • 简历:17份数据岗简历模板

  • 面试题:10+大厂数据分析岗面试题+SQL面试题合集(数据库/MySQL55题...)+Python题库(100道真题)

  • 面经:大厂面经合集(字节/拼多多/腾讯/阿里/百度...)


扫描/识别下方二维码后

回复【520】即可领取


简历概览


面试题概览


面经概览




点击【阅读原文】,咨询数据分析就业课程

爱数据LoveData
国内领先数据分析社区,专注数据分析知识分享及求职辅导。爱数据作为一线数据厂商(帆软、观远、永洪等)培训合作伙伴,曾联合阿里、美团、滴滴等一线公司开展数据领域专题分享会。积累10年+行业经验,链接千人数据分析高端人脉,累计服务15w+用户。
 最新文章