如何用数据来分析用户的消费行为

1. 如何用数据来分析用户的消费行为

　　这就是数据分析前期数据搜集的作用。
　　互联网的数据越来越多，包括行为数据交易数据等。分析这些数据有以下几个大的作用
　　1.分析用户的行为数据，设计和完善互联网产品
2.分析用户的消费数据，拉广告主，并且设计出更好的付费产品；
3.分析用户的潜在行为数据，建立模型挖掘，找到市场未来的发展方向
等等
　　数据分析就像巡航导弹上的卫星定位系统，能帮助我们精确地分析：竞争对手的信息，自家产品的优缺点，用户喜恶程度，可以分析我们为何没成功？ 为何为我们带来收入？等等
　　不过数据分析，关键是要分析人员对业务非常自家熟悉，并且能建立一个有效的分析模型，并且不停用采集的数据去验证模型的算法，最后给出指导性建议和报告，帮助产品设计和运营人员改善产品，增强用户体验，针对性地营销，更多地为公司make money！数据分析是一个非常消耗公司人力和物理资源的事情，所以必须控制投入产出，若是投入产出比率对，必须重新评估分析负责人能力？ 或对数据分析报告的执行力？
　数据分析总是要从无数个偶然性数据，分析出可能的内在必然性关联事件！
数据相对论，数据对需要的人有用，对不需要的人无用。
分析要主动，被动的接受一些分析结果是无意义的。数据分析的结果是给出结论。

2. 用户行为分析的重点分析的数据

用户行为分析应该包含以下数据重点分析：* 用户的来源地区、来路域名和页面；* 用户在网站的停留时间、跳出率、回访者、新访问者、回访次数、回访相隔天数；* 注册用户和非注册用户，分析两者之间的浏览习惯；* 用户所使用的搜索引擎、关键词、关联关键词和站内关键字；* 用户选择什么样的入口形式（广告或者网站入口链接）更为有效；* 用户访问网站流程，用来分析页面结构设计是否合理；* 用户在页面上的网页热点图分布数据和网页覆盖图数据；* 用户在不同时段的访问量情况等：* 用户对于网站的字体颜色的喜好程度。

3. 一步一步教你分析消费者大数据

一步一步教你分析消费者大数据 
做过面向消费者产品解决方案的人都知道，每个项目开始前，客户都会提一些要求或者对现在营销状况的顾虑，比如我们想了解一下我们潜在消费者是谁；怎么发优惠券效果最好；或者，我们应该推出什么样子的新产品，能够赢得消费者口碑和青睐。在量化决策分析法中，这一系列的前期需求，我们把他称作为：客户需求或未来期望。
接下来，你需要了解该问题的现状，比如现有产品或服务的消费者是怎么样的，以前发的优惠券效果怎么样，现在市场的销量趋势如何等等。
当了解了客户需求和现在的现状后，我们需要慢慢抽丝剥茧，找出解决方案，填补这个空档。
一般来说，没有任何方法论或者经验的咨询员或者分析师听到客户的这些期望后，他们会开始不知所措，无从下手。他们完全不知道该从哪个角度切入，收集哪些数据，做哪些假设，用什么方法分析。
其实像这类问题是有方法论的，我们可以用四步循序渐进的方法来搭建现状与未来的桥梁。
 
第一步：描述性分析－What
 
发现问题。我们可以用看病的场景来类比下，病人去看病，说最近不舒服。于是医生让病人进一步描述一下怎么不舒服。这里也是一样，拿优惠促销的案例来说，我们会先了解客户以往有没有做过类似的促销案例，什么时候做的，效果怎么样。经由这些的问题产生一系列的KPI。
KPI产生的方法有以下几种：
1）我们提问，客户解答
2）从客户公司数据库获得信息（SQL）
3）从外部数据获得信息（第三方数据加强）
4）竞争伙伴信息
5）政策信息
6）语义分析
7）其他
获得KPI的工具：
1）问答（座谈，电话，Email，短信，问卷）
2）数据库（SQL）
3）Excel
4）R，Python等软件
5）网站搜索资料
6）自然语言学习
7）其他
分析这些KPI变量：
 
这些KPI可以是绝对数，百分数，也可以是指数。可以是过去不同时期的对比数据，也可以是不同分组（如：人群分组，模式分组）的对比数据，或者和竞争对手的对比数据等。
通常 KPI分析的方法有：
1）单变量分析（univariate）
2）双变量分析（bivariate）
3）多变量分析（multivariate）
4）假设验证（hypothesis）
5）简单建模（clustering分组）
经过对这些KPI的分析，可以帮助我们形成：
1）已有消费者人物画像
2）潜在消费者人物画像
3）忠诚客户画像
4）消费者价值分组
5）其他
第二步：诊断性分析（why）
 
回答问题。我们同样用医生看病的例子来类比一下，当医生问完病人问题，通过问诊，X光等等，医生开始利用自己掌握的知识来对病人的病情做出诊断。
放到分析法中，这一步通常我们需要：
1）了解因果关系
2）了解各因素间敏感性如何
我们需要了解是由哪个原因，或者哪些原因造成了现在的市场现状。比如在前一个阶段，我们得到了50个非常有用的KPI，通过因果关系分析，我们确定了，其中有10个KPI起着重要的作用。结下来，我们会问，这10个因素中，每个因素单独的贡献是多少，有些可能非常高，有些可能相对较低。
那这个问题，我们可以通过建模来得到每个因素的贡献大小，同时模型还能起到剔除高相关变量的作用。还有一种用到模型的原因是，当因素达到上百，上千个的时候，很难用传统方法在如此多的因素中，甄别出最有用的事那些，这种情况下，也需要用到模型来帮助选变量，最后一个原因是我们可以甄别这个因素是正向促进因素，还是反向促进因素。
通过建模的结果，我们可以得到以下以下关于消费者的模型：
1）忠诚度模型
2）满意度模型
3）价格敏感度模型
4）归因模型
5）客户流失模型
产生这些模型背后的算法有：
1）线性回归
2）逻辑回归
3）决策树
4）时间序列
5）Random forest，boosting，SVM，PCA等等
 
第三步：预测分析
 
预测正确的时机，得到先发制人的营销效果。有了第一步和第二步的准备，我们需要预测一下，如果我做一些调整，将会有什么变化和影响。
用到的模型有：
1）意向打分模型
2）品牌忠诚度打分
3）购买渠道偏好模型
4）触媒使用习惯
6）销量预测
5）生存分析模型
比如： 意向打分模型 。我们发现，如果用现有的因素，消费者会转换的倾向可能是60%，但是如果我对一些因素做了一些调整，如：我给现有客户多发2个广告，客户会购买的可能性上升到65%；如果，给客户多发5个广告，客户会购买的可能性上升到85%。通过这样的调整，我能够预估，将来的广告成本，或者转化带来的收入等。
又比如： 通过时间序列模型，我们可以预测到明年购买某品牌车型的消费者有10万人，这样对明年的生产计划和营销计划就能有一个前期的应对准备。
 
第四步：决策分析应用
 
1）提供战略推荐
2）优化
3）市场模拟
4）A／B测试
 
第三步的例子提到多发2个广告，转化率为65%；多发5个广告转化率为85%。那么如果多发3个？多发4个广告，结果又会如何呢？学术界一直在寻找最优化完美的答案来解决这个问题：我到底发几个广告，才能让我的利润达到最大化呢？
我们都知道在做回归模型的时候，有以下几个假设条件：
1、随机误差项是一个期望值或平均值为0的随机变量；
2、对于解释变量的所有观测值，随机误差项有相同的方差；
3、随机误差项彼此不相关；
4、解释变量是确定性变量，不是随机变量，与随机误差项彼此之间互相独立
5、解释变量之间不存在精确的线性关系，即解释变量的样本观测值矩阵是满秩矩阵
6、随机误差项服从正态分布
实际上，现实生活中很难达到这种理想的状态，而且最大化这个概念，从数学角度讲，会涉及到优化求极值的问题，很多情况下，我们实际上求到是局部优化（localoptimization）的解，而不是全局优化（globaloptimization）的解。
所以在这种情况下，管理学中衍生出了市场模拟方法来决定最后方案，最有名的一个方法是沙盘模拟，但是这些模拟往往到了真正落地的时候，又会和之前的结果有差距。
所以近些年来，越来越多的公司选择做A/B测试。当你对几个方案没有很大的把握，或者对预测结果不是特别自信的时候，A／B测试的出现，解决了这些顾虑。最近的一个成功的案例是Amazon通过A/B测试的方法，把“order”从账户栏，放入了主页的菜单栏，为公司带来的非常可观的营收增长。
A/B测试需要注意的是：
1）样本的数量
2）人群的选择
3）时间的跨度
4）显著性统计
整个决策分析法即是阶梯又是一个闭环，根据实际的市场反应，再进行进一步的分析与迭代优化。
读完整个量化决策分析法后，你应该对以消费者为核心的大数据解决方案有了一定的思路框架。

4. 如何在庞大的用户中分析数据，分析用户的消费习惯，从而靠数据赚钱

　　分析大量资料，找出其中的相互关系，再根据这些相互关系做出预测，正是大数据的核心所在。2009年发生的 H1N1禽流感病毒事件，就是说明运用大数据的好例子：
　　传统上，美国疾病控制及预防中心追踪病毒的方法，是搜集医师出诊的数据，然后用 2 星期左右的时间完成图表编制及公告。但Google提出了另一种完全不同的方法。它根据人们感冒时上Google搜寻治疗方法的数据，藉此追踪H1N1的病毒传播。接着又从Google过去和流行性感冒传播的相关史料中，整理出有相互关系的搜寻用语。这使得卫生官员不用再花几个星期等待美国疾病控制及预防中心的资料更新，便可以实时追踪H1N1的散播程度并且迅速提出因应之道。
　　了解数据的相互关系可能不会精确地告诉我们事情发生的原因，也不是提供终极答案的工具，但却可以提供我们各种新的见解和效益，帮助我们更贴近现实。
　　继数字革命后，大数据潮流再度颠覆我们的生活、经济、社会、科学各层面，造成巨大转变、势不可挡的趋势以及随之而来的种种隐忧。但在不久的将来，当数据化更为普遍，我们一定会把它视为理所当然。


　　在模拟时代，资料的搜集和分析异常昂贵且相当耗时。数字化已经在根本上扭转了这种局势，因此在不久的将来，3项新兴趋势将显着成长：
　　趋势 1 数据化将更普遍

　　大数据的核心信念之一是提出，巨大量体的数据有其特殊价值存在。有了这层认识，“数据化”就是要从没人认为有任何价值的材料中发掘数据的过程。
　　当大数据的好处得到更多认可和重视时，更多现实世界的现象就会被数据化，或转换成可以让计算机分析的有用数据。最明显的应用将是：
　　1、真实世界的度量指标──时间、距离、区域、音量和重量，现在都能以更高的正确性和精确性，进行度量及追踪。
　　2、文字──谷歌和其他公司正努力将印刷书籍变成数据化内容，以供机器搜寻、索引和处理。
　　3、地点──在 1990 年代，价值数百美元的全球定位系统模块，如今可以花不到 1 美元大量生产。此外，无线科技也更为广泛流传、广泛使用。
　　4、互动──FaceBook在 2012年大约拥有 10 亿用户，意味仅只一家公司有办法取得超过全世界 10% 人口的资料。但FaceBook数据能做的不只是追踪 1000 亿条友谊链接，对于信用记录和未来各种商业的应用，都可能具有极大的价值。
　　趋势 2 资料将成为关键资产

　　随着大数据的应用，数据的价值正在改变。在数字时代，数据褪除它支持交易的角色，并且往往变成交易的商品本身。在大数据的世界，情况再度有了变化。数据的价值从原本的用途转移为未来的可能用途。你可以对它进行很多不同的操作：
　　1、以不同的方式再次使用──一旦数据被计算机取得并储存，就可以透过各式各样的创新方法再次使用。完全在于企业如何看待数据。
　　2、和其他数据结合──因特网上的“混搭”概念，是以新奇的方法结合两种或多种数据源，将是某些重大分析研究的前身，也正是大数据未来将促成的结果。
　　3、寻找新奇的用途或“废物利用”──随着科技进步，追踪人们进行数字活动留下的踪迹愈来愈容易，许多企业也更精于取得废弃或二手数据，再透过其他方式使用。
　　在大数据的世界，了解愈多就愈有竞争优势。数据可以形成强大的进入门坎。例如，假设有某个更好的 Google、更进步的FaceBook或是更聪明的亚马逊出现，它必须奋力赢得注意，因为那些企业从他们既有顾客的互动中，已经搜集到如此多的数据，它们可以精确了解顾客想要的是什么。很难想象会有更好的科技或更好的经验，足以抵销这些市场龙头早已搜集到关于什么最有效的庞大资料。
　　趋势 3 分析将凌驾专业知识

　　大数据的价值链通常类似下方描述的一样：
　　1、握有大量信息的数据持有者会试着从数据中萃取价值，但是他们有时会欠缺必要的技巧和专业知识。
　　2、数据专家就是拥有必要的专业知识和技术，可以执行复杂资料分析的企业。
　　3、在大数据价值链中通常会出现的第三方，就是那些具有大数据心态的企业和个人，因此可以在其他人之前发现机会。这些个体或许没有存取资料的管道或采取行动的必要技术，但是身为机灵的先驱行动家，他们会看到可以掌握价值的机会。
　　大数据产生的最大冲击是数据导向的决策将可以用来强化或推翻人为的判断。主题领域专家、实务专家和统计学家、资料分析师相形之下，将会丧失他们的部分光芒，后者将不受旧的做事方法制约，而让资料发声。这种新架构依靠的是数据的相互关系，而没有预判或成见。
　　专家的影响力正在消退，不受旧的做事方法制约的统计学家及资料分析师将异军突起。

5. 如何分析个人消费数据?

1、信用卡消费
90后不同于其他，先消费后还贷的观念上越来越没有抵抗意识，有钱就花，下个月还信用卡。月光族转变成月初光，发工资、还信用卡、再刷信用卡。同时以卡还卡。有趣的是，央行公布最新信用卡征信制度，信用卡消费两天内上传征信，相较以前一个月上传征信制度，以卡还卡基本要消失了，一堆以卡还卡的年轻人经济要崩盘了。
2、互联网消费
用支付宝花钱越来越没有金额的观念这是多数人的共识，一扫码，钱花出去了。花呗、白条、借呗等等都可以透支支付，透支买手机、衣服、旅游等等，个人额度不同，欠的债务也不同，多的几万，少的也有500，花完又是一笔债务。
3、各种网络贷、套路贷套牢90后
近日，有新闻报道，一男子在200多个平台借贷，侧面反应出网络贷、套路贷的审核宽松，只要有身份证基本就可以贷。同时也套牢了大多数年轻人，以贷还贷，贷款越来越多，欠债越来越多。
4、房贷、车贷
走上社会，基本和车贷房贷挂钩，买车成为标配，即使没有钱，也好贷款买一辆车。买房成为结婚的标准，家庭好的由父母承担，家庭不好的只能靠贷款。