数据分析,常见的模型:RFM模型,TGI模型,CA模型,AB模型等详细介绍和案例演示

数据分析常用的模型:RFM模型,TGI模型,A/B模型,同期群模型等

qq_55006020

1152人浏览 · 2024-09-26 19:34:11

qq_55006020 · 2024-09-26 19:34:11 发布

一、RFM 模型

二、TGI 模型

三、同期群分析（Cohort Analysis）

四、A/B 测试（A/B Testing）

五、其他数据分析模型

一、RFM 模型

此模型下数仓+帆软实现的案例链接:

数据分析项目: 数仓+帆软完成 RFM用户分群分析并报表展示-CSDN博客

RFM 模型是衡量客户价值和客户创利能力的重要工具和手段。

R（Recency）：最近一次消费时间。客户最近一次购买的时间距离现在越近，R 值越小，通常表明客户对产品或服务的关注度越高，也更有可能再次购买。比如，一个客户在一周内购买了产品，其 R 值就比较小；而如果一个客户已经几个月没有购买了，R 值就较大。企业可以针对不同 R 值的客户采取不同的营销策略，对于 R 值小的客户，可以提供个性化的推荐和优惠，以保持他们的活跃度；对于 R 值大的客户，可以通过促销活动等方式吸引他们回来。
F（Frequency）：消费频率。指客户在一定时间内购买的次数。F 值越大，说明客户的忠诚度越高，与企业的互动也越频繁。例如，一个客户在一个月内购买了三次产品，其 F 值为 3。对于高 F 值的客户，可以给予会员特权、积分奖励等，以鼓励他们继续购买；对于低 F 值的客户，可以通过营销活动提高他们的购买频率。
M（Monetary）：消费金额。客户在一定时间内的消费总金额。M 值越大，客户的价值通常越高。例如，一个客户在一年内消费了 10000 元，其 M 值为 10000。针对高 M 值的客户，可以提供高端的服务和专属的优惠，以提升他们的满意度和忠诚度；对于低 M 值的客户，可以通过推荐更适合他们的产品来提高消费金额。

企业可以根据 RFM 三个指标的不同组合，将客户分为不同的价值群体，如高价值客户（R 值小、F 值大、M 值大）、潜力客户（R 值小、F 值小、M 值大）等，从而采取不同的营销策略，提高客户的满意度和忠诚度，增加企业的收入。

二、TGI 模型

TGI（Target Group Index）即目标群体指数，可反映目标群体在特定研究范围（如地理区域、人口统计领域、媒体受众、产品消费者）内的强势或弱势。

计算公式：TGI = [目标群体中具有某一特征的群体所占比例 / 总体中具有相同特征的群体所占比例]×100。

例如，如果在某一地区，18 - 24 岁的人群中使用某种社交媒体平台的比例为 60%，而该地区总体人群中使用该平台的比例为 40%，则该地区 18 - 24 岁人群对该社交媒体平台的 TGI 为（60% / 40%）×100 = 150。这表明 18 - 24 岁人群在使用该社交媒体平台方面相对强势。

TGI 模型可以帮助企业了解特定目标群体在某个特征上的突出程度，从而有针对性地制定营销策略。比如，如果发现某个年龄段的人群对某一产品的 TGI 较高，可以针对这个年龄段进行广告投放和市场推广；如果某个地区的人群对某一服务的 TGI 较低，可以进一步分析原因并采取措施提高该地区的市场份额。

TGI公式中有3个核心要素需要进一步拆解：某一特征、总体和目标群体。举个例子，假设我们要研究A公司的脱发TGI，则对应的3个核心要素如下。

某一特征：我们想要分析的某种行为或者状态，这里是脱发或者受脱发困扰的状态。

总体：我们研究的所有对象，即A公司所有人。

目标群体：总体中我们感兴趣的一个分组。

假设我们关注的分组是数据部，那么目标群体就是数据部。

TGI公式中的分子“目标群体中具有某一特征的群体所占比例”可以理解为“数据部脱发人数占数据部的比例”

假设数据部有15人，其中有9人受脱发困扰，那么数据部脱发人数占比就是9/15，即60%。

分母“总体中具有相同特征的群体所占比例”，等同于“全公司受脱发困扰人数占公司总人数的比例”。

假设公司共500人，有120人受脱发困扰，那么这个比例就是24%。

数据部脱发TGI为 60% / 24% × 100=250。其他部门脱发TGI的计算逻辑是一样的，为本部门脱发人数占比/公司脱发人数占比×100。

TGI具体数值是围绕100这个值来解读的：

TGI=100，表示目标群体和总体在某特征或行为上的表现相同。

TGI>100，表示目标群体在某特征或行为上的表现高于总体，具有较高的偏好程度，数值越大偏好越强。

TGI<100，表示目标群体在某特征或行为上的表现低于总体，具有较低的偏好程度，数值越小偏好越弱。

刚才的例子中，数据部脱发TGI是250，远远高于100，看来在该公司做数据工作的人脱发风险较高。

三、同期群分析（Cohort Analysis）

同期群分析是一种将用户按特定时间段进行分组，然后分析每个组的行为和趋势的方法。

例如，对于一个在线教育平台，可以将用户按照注册月份分为不同的同期群。然后观察每个同期群在后续几个月内的活跃程度、付费情况等指标。通过同期群分析，可以了解不同时间段加入的用户在平台上的行为变化，发现用户留存和转化的规律。

比如，如果发现某个月份注册的用户在后续几个月内的留存率明显高于其他月份，可以进一步分析这个月份平台的营销策略、产品功能等方面的因素，以找出提高用户留存的方法。同时，同期群分析也可以帮助企业评估产品改进和营销策略的效果，通过比较不同同期群的指标变化，判断新的功能或营销活动是否对用户行为产生了积极影响。

同期群分析是数据分析中的经典思维，其核心逻辑是将用户按初始行为的发生时间划分为不同的群组，进而分析相似群组的行为如何随时间变化

举例：下表记录了每个月新购买的用户数，并统计每个月的新增用户在之后月份的复购情况

数据截止到2023年7月，如图下所示。

数据的第一行，2023年1月有97个新用户

之后的+1月（2023年2月）有46%的用户再次光顾

+2月（2023年3月）仍有39%的回头客

第一行的46%、39%都是对应复购人数占2023年1月新增购买用户的比重，这些人属于2023年1月同一期的新增用户

其他行也是一样的道理，每一行为同一个群组，反映同一期新增用户在之后一段时间复购行为的变化趋势。

上表的百分比为留存率，留存率=某月复购用户数/对应期新增用户数

四、A/B 测试（A/B Testing）

A/B 测试是一种对比试验方法，将用户随机分为 A、B 两组，分别给予不同的处理（如不同的页面设计、营销策略等），然后根据一些关键指标（如转化率、点击率等）来评估哪个方案更优。

例如，一个电商网站想要测试两种不同的商品推荐算法对用户购买转化率的影响。将用户随机分为 A 组和 B 组，A 组用户看到的是基于算法 A 的推荐商品，B 组用户看到的是基于算法 B 的推荐商品。经过一段时间的观察，比较两组用户的购买转化率。如果 A 组的转化率高于 B 组，那么可以认为算法 A 更优，可以在全站推广使用。

A/B 测试可以帮助企业在做出决策时更加科学和准确，避免仅凭主观判断而导致的错误决策。同时，A/B 测试也可以不断优化产品和营销策略，提高企业的竞争力。

五、其他数据分析模型

PEST 分析模型：PEST 分析是指宏观环境的分析，P 是政治（Politics），E 是经济（Economy），S 是社会（Society），T 是技术（Technology）。在分析一个企业集团所处的背景的时候，通常是通过这四个因素来进行分析企业集团所面临的状况。
5W2H 分析模型：5W2H 分析法又叫七问分析法，广泛用于企业管理和技术活动，对于决策和执行性的活动措施也非常有帮助，也有助于弥补考虑问题的疏漏。包括 What、Why、Who、When、Where、How、How much 七个方面。
杜邦分析模型：杜邦分析法是一种用来评价公司盈利能力和股东权益回报水平，从财务角度评价企业绩效的一种经典方法。核心公式为：净资产收益率 = 销售净利率 × 资产周转率 × 权益乘数。
漏斗分析模型：漏斗分析是一套流程分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。
KANO 模型：KANO 模型是对用户需求分类和优先排序的有用工具，以分析用户需求对用户满意的影响为基础，体现了产品性能和用户满意之间的非线性关系。分为魅力属性、期望属性、必备属性、无差异属性和反向属性。