商品预测是数据挖掘总有一天绕不开的劳特尔,但是许多人在对商品展开预测的时候,会因为难上加难而产生许多疑点,比如说怎么预测每一种商品对于使用者的吸重力?怎样来衡量商品的占比?怎样精确掌控商品更替速率?怎样对其展开有计划的资金投入呢?

众所周知范例比如说某家智能手机国际品牌,其母公司智能手机的种类价格定位许多,而智能手机商品更替速率之快也不必多说,为了实现国际品牌的综合性化必定要不断面世新机,这就带来了难题:到底是要大量资金投入新机还是骨螺科呢?如果资金投入的商品显然不畅销,就会无利可图,这也是许多B2C遭遇的难题。

今天我们要如是说的那个数据挖掘数学模型——芝加哥行列式,正可以轻松化解那个难题!

重新认识芝加哥行列式

芝加哥行列式(BCG Matrix),又称为消费市场增幅-相对消费市场占有率行列式,由美国知名的政治学家、芝加哥咨询公司创办人韦恩·沙利文于1970年首开,它是通过产品销售增幅(化学反应消费市场重力的分项)和市占率(化学反应民营企业整体实力的分项)来预测下定决心民营企业的商品内部结构。

  • 消费市场吸重力主要包括民营企业产品销量增幅、最终目标消费市场耗电量、市场竞争者多寡、利润率多寡等。当中最重要的是充分反映消费市场重力的综合性分项——产品销售增幅,这是下定决心民营企业商品内部结构与否科学合理的外在不利因素。
  • 民营企业整体实力主要包括市占率、技术、设备、资金利用能力等,当中市占率是下定决心民营企业商品内部结构的外在不利因素,他直接显示出民营企业的市场竞争整体实力。
波斯顿矩阵(波士顿矩阵四种类型)-第1张

芝加哥行列式将商品类别分成三种:

1,歌星类商品:高增长且幌向占,市场前景好,市场竞争优势强,需加强投资以全力支持其发展;

2,难题类商品:高增长但低市占,市场前景好但消费市场开拓不足,需谨慎投资;

3,现金牛商品:低增长但幌向占,成熟消费市场的领导者,应降低投资,维持市占并延缓衰退;

4,瘦狗类商品:低增长且低市占,理论率低甚至亏损,应采取撤退战略。

Excel做芝加哥行列式的难点

在现实中,我们也常利用芝加哥行列式预测一些其他的样本,比如说在本篇中,我们利用芝加哥行列式尝试预测下使用者数据。

如果使用传统的方法,针对数据挖掘场景,大家不约而同想到的都会是——Excel,但Excel在面对芝加哥行列式这样的预测时,就会显得力不从心,为什么这么说,看两张图你们就懂了:

波斯顿矩阵(波士顿矩阵四种类型)-第2张
波斯顿矩阵(波士顿矩阵四种类型)-第3张

没错,使用Excel展开芝加哥行列式的预测,不仅步骤繁杂,而且预测的维度在制表的时候就已经固定了。随着公司消费市场的不断扩大,业务不断增多,在繁多的维度和数据体量下,制作一张静态图表已经满足不了预测需求。

比如说我们想快速的做出2019年6、7、8月,上海、广州、深圳地区,可乐、芬达、雪碧的芝加哥行列式图,仅仅是提到的这几个时间、地点、商种类类维度,就可以组合出3x3x3=27种不同的可能,难道我们要像上面填表的方法重复制作27遍?如果维度更多,定期制表,那个工作量简直是难以想象!

至此,我们迫切的需要一种更方便的,更灵活的预测工具来预测数据。因此现代商业智能(BI)软件应运而生。

芝加哥行列式实操

什么是商业智能(BI)?简单点说,商业智能是使用数据为业务决策提供动力的一种概念,它可以是一种数据化解方案,也可以是一种数据挖掘技术,但其本质都是发挥数据隐藏的价值。

本文我们就以国内BI市占率第一的FineBI,作为样本数据的预测工具。

1、准备样本数据。这里还是采用某餐厅的客户数据(Excel)作为样本,新建一个业务包,方便我们对数据展开分门别类的管理。同时将数据导入到FineBI中

波斯顿矩阵(波士顿矩阵四种类型)-第4张

2、数据字典

波斯顿矩阵(波士顿矩阵四种类型)-第5张

3、使用FineBI的计算分项功能。计算出客单价(平均每个客户每笔订单的单价),客单价的含义是每个客户的平均消费金额

公式:客单价=sum_agg(消费金额)/count_agg(客户名称),这里的难点是聚合函数(_agg)的使用

聚合函数:

当在添加计算分项、汇总、二次计算时,在添加计算字段的时候通过聚合函数提供了不同汇总方式选择,主要包括求和,平均,中位数等等。当将包含聚合函数的计算分项添加到组件的分项栏后,随着使用者预测维度的切换,计算字段数据会自动跟随维度动态调整。

放在本例中,sum_agg算出的是根据维度(客户名称)汇总过的消费金额之和,而count_agg则是按照客户名称展开汇总过后的订单数量,他们相除的结果就是每一个客户,消费额之和除以消费笔数之和,即为客户的单笔产品销售额(客单价)。

波斯顿矩阵(波士顿矩阵四种类型)-第6张

FineBI的计算分项页面

4、利用FineBI的散点图制作芝加哥行列式图

观察给定的数据,系统中客户中存在客户的名称,与对应的客户类别。这种内部结构我们称之为树内部结构,本例中的树型内部结构比较简单,只有客户分类-客户名称两级。

波斯顿矩阵(波士顿矩阵四种类型)-第7张

因此我们想要在芝加哥行列式图中体现出这种层级关系,先查看ABCDE五个分类的总体情况,再根据需要查询每个分类下的客户情况

在FineBI中,实现这样的效果也非常的简单,只需要将客户名称,拖动到客户分类字段上,系统就会自动的生成带有层级关系的客户分类-名称组合字段了:

波斯顿矩阵(波士顿矩阵四种类型)-第8张

之后再拖动记录数(依赖于总行数)进入横轴,客户每消费一次,就会产生一行订单数据,因此那个数据胶囊的含义为客户消费的次数。

拖动刚才计算好的客单价计算分项进入纵轴:

波斯顿矩阵(波士顿矩阵四种类型)-第9张

增加两个辅助线:a:平均金额=消费平均金额,b:消费次数=消费平均次数:

波斯顿矩阵(波士顿矩阵四种类型)-第10张

调整颜色为蓝色,最后我们得到的散点图如下:

波斯顿矩阵(波士顿矩阵四种类型)-第11张

根据芝加哥预测,我们就把频次和力度两个属性不同的使用者预测出来了,如:

消费次数超过平均值,每次消费力度也超过平均水平是歌星客户,需要重点关注和最高的礼遇;

消费次数超过平均值,但每次消费力度未达到平均水平为现金牛客户,消费频次比较频繁,能带来较为稳定的现金流,这类客户是民营企业利润率基石;

消费未达到平均值,但每次消费力度超过平均水平是难题客户,有希望转化为歌星客户,但是存在潜在难题,消费频次不高,需要重点跟进和长期跟踪;

消费未达到平均值,消费力度也未达到平均水平属于瘦狗客户,不需要资金投入重点维系;

数据挖掘进阶

在刚刚如是说的芝加哥行列式图的基础上,FineBI工具还可以根据其他维度对客户展开多维预测:

比如说消费力度和消费周期,用来找到最近消费的客户,以及最近不常来的客户,配合时间、树过滤、滑块过滤等不同的组件,预测歌星客户与否在流失,现金牛客户与否在增长。

波斯顿矩阵(波士顿矩阵四种类型)-第12张

FineBI制作的客户预测dashboard

在民营企业中如果能够充分利用芝加哥行列式那个数学模型,就可以大大提高管理人员的预测决策能力,帮助他们以前瞻性的眼光看难题;同时一个好工具是非常必要的,FineBI这样的BI工具最大的优点就是简洁易用,可以更深刻地理解业务之间的联系,挖掘数据潜能!

另外,本篇的案例数据和模板都是免费的,就连使用工具FineBI个人版也是免费的,可以私信我芝加哥行列式获取案例模板和FineBI免费版。