商業數據分析模型_持續更新

• 一、AARRR模型
• 二、PEST模型
• • 理論
  • 醫美行業應用案例
• 三、RFM模型
• • 理論
  • Python實戰_核心指標計算
• 四、SWOT模型
• 五、5W1H模型
• 六、流程拆解法
• 七、二分法
• 八、象限拆解法
• 九、杜邦分析法

一、AARRR模型

理論

案例（各類指標計算方式_Python實現）

1. 獲取

日新增用戶數（DNU）：每日注冊并登陸的用戶數。 在這里插入代碼片

2. 激活

日活躍用戶數（DAU）：每天登陸過產品的用戶數（還有周活（WAU）、月活（MAU）） 在這里插入代碼片 日均使用時長（DAOT）：平均每天每個用戶使用時間（日 總 計 在 線 時 長 日 活 躍 用 戶 數 \frac{日總計在線時長}{日活躍用戶數}

日活躍用戶數
日總計在線時長）

在這里插入代碼片

3. 留存

次日留存率：前一天新增的用戶數在第二天使用的比例（還有三日留存率、七日留存率等）。 在這里插入代碼片 日流失率：統計日使用產品，但隨后7日未使用產品的用戶占統計日活躍用戶的比例。 在這里插入代碼片 周流失率：上周使用過產品，但本周未使用產品的用戶占上周活躍用戶的比例。 在這里插入代碼片 月流失率：上個月使用過產品，但是本月未使用產品的用戶占上月活躍用戶的比例。 在這里插入代碼片

4. 收益

付費率（PR）：付費用戶占活躍用戶的比例。 在這里插入代碼片 活躍付費用戶數（APA）：在統計時間區間內，成功付費的用戶數。 在這里插入代碼片 平均每用戶收入（ARPU）：在統計時間內，活躍用戶產生的平均收入。 在這里插入代碼片 平均每付費用戶收入（ARPPU）在統計時間內，付費用戶產生的平均收入。 在這里插入代碼片 生命周期價值（LTV）：用戶在生命周期內創造的收入總和。 在這里插入代碼片

5. 傳播

K因子 K=（每個用戶向他的朋友們發出的邀請的數量）×（接收到邀請的人轉化為新用戶的轉化率）

可視化（利用pyecharts庫的Funnel）代碼來源

from pyecharts import options as opts from pyecharts.charts import Funneldata = [13543, 11413, 10982, 7765, 5918] phase = ['新用戶', '激活用戶', '留存用戶', '消費用戶', '傳播用戶']funnel = Funnel(init_opts=opts.InitOpts()) funnel.add("階段", [list(z) for z in zip(phase, data)]) funnel.set_global_opts(title_opts=opts.TitleOpts(title="AARRR模型")) funnel.render("AARRR.html")

二、PEST模型

PEST模型屬于純理論模型，比較難有量化的指標，因此在此不展示代碼案例…

理論

PEST模型，是做行業宏觀環境分析時很常用的一個分析模型。

PEST四個字母，分別代表政治（Political）、經濟（Economic）、社會（Social）和技術（Technological）。

政治（Political）：一般是政策相關的影響，包括國家制度，政策方針，法律等條款。經濟（Economic）：宏觀層面可以是人口數量，國民生產總值，國民可支配收入等大數。微觀層面，是和行業更相關的消費者收入水平、消費偏好等。社會（Social）：離不開文化水平、宗教信仰、風俗習慣等意識形態。技術（Technological）：顧名思義，就是相關技術手段變化和可能帶來的影響。

更詳細的索引，對應PEST每個部分（圖片來源）

PEST理論參考文章_1
PEST理論參考文章_2
PEST理論參考文章_3

醫美行業應用案例

醫美行業分析的PEST模型分析（參考文章）

三、RFM模型

理論

RFM模型能夠很好的發掘不同的用戶群體，針對于不同的客戶群體則需要制定不同的策略，爭取做到每一筆資源成本都能落在刀刃上，以減少運營成本最大化挖掘用戶的價值。（借網圖一用，有侵權請聯系刪除。）

RFM理論參考文章_1
RFM理論參考文章_2

RFM模型由三個基礎指標組成：

R：最近一次消費至今的時間 F：一定時間內重復消費頻率 M：一定時間內累計消費金額

RFM模型里，三個變量的含義是很具體的：

M：消費越多，用戶價值越高，越應該重點關注。 R：離得越遠，用戶越有流失可能，越應該喚醒用戶。 F：頻次越低，越需要用一次性手段（比如促銷、贈禮），頻次越高，越可以用持續性手段（積分） 來維護

Python實戰_核心指標計算

''' ---------------R值計算方式---------------- ''' # 生成客戶最后一次購買時間（一般單位為天） temp = 數據框.groupby('客戶列')['時間列'].max().reset_index() # 設定時間錨點計算最近一次消費至今的天數 temp['R'] = (pd.to_datetime('錨點時間') - temp['時間列']).dt.days''' ---------------F值計算方式---------------- ''' # 用戶統計頻次(一般以一天作為一次消費頻率，一天內購買多次需要合并) temp['F'] = 數據框.groupby('客戶列').count().reset_index()['時間列']''' ---------------M值計算方式---------------- ''' # 每個客戶總消費額 temp = 數據框.groupby('客戶列').sum().reset_index()['消費金額列'] # 客戶平均支付金額（總消費額/消費頻率） temp['M'] = temp['每個客戶總消費額列'] / 數據框['F']''' --------------RFM指標的運用--------------- '''1、利用RFM指標對指標進行分組后對客戶進行粗分類2、利用RFM指標使用聚類算法對客戶進行細致的分類

分類可參考下述圖片（圖片來源）：

四、SWOT模型

理論

案例

五、5W1H模型

理論

案例

六、流程拆解法

理論

案例

七、二分法

理論

案例

八、象限拆解法

理論

案例

九、杜邦分析法

理論

案例

總結

以上是生活随笔為你收集整理的商业数据分析模型及其核心Python代码_持续更新的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。