数据分析八大模型:详解PEST模型
大家好,我是爱学习的小xiong熊妹。
上一篇为大家分享了行业分析的基本做法(一文看懂:行业分析怎么做?),很多小伙伴在问:有没有个分析模型可以用?今天介绍一个行业分析的业务模型:PEST模型。
一、什么是PEST
PEST是指影响行业发展的四个关键因素:
政策(Political):政府对行业监管政策
经济(Economic):宏观经济形势
社会(Social):社会发展趋势
技术(Technological):新技术出现
四个因素合成PEST。即使不是专业做数据分析的人,也能感受到:政策、经济、社会、技术会影响到行业发展。问题是在,怎么把这四个因素,量化成可分析的指标呢?
二、P的量化方式
首先,政策(P)的影响是最难量化、最难预计,也最重要的(特别是在我们国家,你懂得)比如2021年,K12课外辅导行业,就被政策直接干没了。课外辅导行业从业人员数以百万计,也没有谁能分析出来。
因此政策影响只能做趋势性判断,很难直接量化。除非是一个行业经历过政策周期性调整,才能一定程度量化出,政策宽松/收紧的时候,行业发展趋势如何。类似课外辅导这种被政策直接干没的,就没法分析了,只能想办法收集政策风声……
三、E的量化方式
经济E是比较容易量化。因为宏观经济形势,会在上游、下游企业,以及行业自身的新进入/退出玩家身上,得到充分的表现。并且,这种表现一定会反映到自己企业里。
比如2021年,很多地方限电,导致工厂无法正常开工,订单交付延迟。很多原材料涨价,导致商品成本上升,这些都是宏观经济的影响。
量化E的时候,一般从以下三个角度来看
上游企业的经营更好/更难→导致我司的成本更高/更低
下游企业的经营更好/更难→导致我司的销售更好/更差
较其他行业,我行业更好/更差→导致进入行业的玩家更多/更少
(如下图)
四、S的量化方式
社会S是比较难量化的。因为社会上总是有各种新思潮、新流行文化、新风尚出现,且这些玩意很难具体到,比如时尚指数,爱好指数这种指标。
因此,想要量化S,建议直接看行业的终端用户群体,通过对终端用户需求的了解,来判断社会变化可能对行业的影响。
常用的指标,包括:
用户数量:增加还是减少
用户喜好的购物渠道:线上/线下,比例变化
用户喜好的信息渠道:传统媒体/新媒体,比例变化
用户喜好的商品类型:爆款商品的特征
(如下图)
在分析以前,一定要先把自己企业的目标用户设定好,比如分布在1、2、3线城市、年龄在25-45岁之间女性。有了这个设定,就可以分头找数据了。
用户数量可以从国家统计局获得,用户喜好,可以通过市场调查抽样获得,或者通过天猫/京东/抖音/快手等平台发布的平台用户画像数据来获得。
五、T的量化方式
T是相对容易量化的,因为T的变化,会反映到商品新卖点/生产成本的变化。因此不用管具体的新技术是啥,只要请教我们的供应链/开发工程师们,是否这个新技术能影响收入/成本即可。
有可能,新技术还停留在概念阶段,没有明确表现为某个商品功能点/生产工艺的改进。此时不太容易下判断,最好等有相对明确的商品功能点/生产工艺出来以后,再做评估。
六、PEST的综合应用
注意:PEST作为影响行业的宏观因素,一般情况下不会剧烈变化,会有一个循序渐进的变化过程。比如政策出台前,媒体会有风声透出。比如上游行业的变化,一般是现有部分企业出现变化,之后是全行业性变化。
因此,PEST的分析,不需要每日/每周的追数据。本身指标变化就不是很大,采集数据难度又很高。一般是在月度复盘的时候,把变化的苗头提示出来,在季度复盘的时候,如果PEST某方面放生重大变化,再单独列数据进行分析。这样既能满足需求,又不增加很大工作量。
以上就是今天的分享,喜欢的小伙伴们,记得转发+在看+点赞三连,支持下小熊妹哦,谢谢大家。
作者:小熊妹。公众号:码工小熊。数据界新人,喜欢数据分析、数据挖掘。
数据分析八大模型:详解PEST模型相关推荐
- ER模型详解-陈氏模型
转载自: http://blog.163.com/magicc_love/blog/static/18585366220142125836878/ Entity Relationship Model ...
- alexnet 模型详解以及模型的可视化
Alex在2012年提出的alexnet网络结构模型引爆了神经网络的应用热潮,并赢得了2012届图像识别大赛的冠军,使得CNN成为在图像分类上的核心算法模型. 接下来本文对该网络配置结构中各个层进行详 ...
- Reactor 模型详解
研究背景 其实我们在研究netty的时候我们必定绕不过NIO的,也必定必须研究一下这个Reactor模型的,如果不进行这个Reactor模型和NIO知识点的研究,那么我们必定掌握不了Netty的精髓, ...
- 【后端开发】Reactor 模型详解
研究背景 其实我们在研究netty的时候我们必定绕不过NIO的,也必定必须研究一下这个Reactor模型的,如果不进行这个Reactor模型和NIO知识点的研究,那么我们必定掌握不了Netty的精髓, ...
- 图解机器学习算法(6) | 决策树模型详解(机器学习通关指南·完结)
作者:韩信子@ShowMeAI 教程地址:https://www.showmeai.tech/tutorials/34 本文地址:https://www.showmeai.tech/article-d ...
- 公开课报名 | 详解CNN-pFSMN模型以及在语音识别中的应用
近年来,在深度学习技术的帮助下,语音识别取得了极大的进展,从实验室开始走向市场,走向实用化.基于语音识别技术的输入法.搜索和翻译等人机交互场景都有了广泛的应用. Librispeech是当前衡量语音识 ...
- 公开课 | 详解CNN-pFSMN模型以及在语音识别中的应用
近年来,在深度学习技术的帮助下,语音识别取得了极大的进展,从实验室开始走向市场,走向实用化.基于语音识别技术的输入法.搜索和翻译等人机交互场景都有了广泛的应用. Librispeech是当前衡量语音识 ...
- 使用pickle保存机器学习模型详解及实战(pickle、joblib)
使用pickle保存机器学习模型详解及实战 pickle模块实现了用于序列化和反序列化Python对象结构的二进制协议. "Pickling"是将Python对象层次结构转换为字节 ...
- Transformer 模型详解
Transformer 是 Google 的团队在 2017 年提出的一种 NLP 经典模型,现在比较火热的 Bert 也是基于 Transformer.Transformer 模型使用了 Self- ...
最新文章
- MySQL数据库多种安装方法及企业级安装实践
- 如何在Windows下使用Linux系统来编译和运行程序?
- let/var的使用详解
- BZOJ 1821: [JSOI2010]Group 部落划分 Group【MST】
- java注解简单实例
- MYSQL-show engine innodb status
- mysqldumper 与 Innobackupex的备份和恢复操作实验过程
- REST面向资源架构 RESTful架构
- Linux 查找指定文件并删除
- ICCV 2019 | Adobe 无需大量数据训练,内部学习机制实现更好的视频修补
- js获取页面URL地址并判断URL是否包含具体值
- 公众号发布代码最好的工具markdown语法
- Python接口自动化之Token详解及应用
- java代码块执行顺序_JAVA代码块执行顺序分析测试
- 2017CCPC哈尔滨 M:Geometry Problem(随机)
- 深入探索Java泛型
- python 如何判断字典存在key
- Log4j漏洞及解决方案,亲测
- 读书笔记——好句摘抄
- oracle linux 退格,oracle database for linux 不能使用退格键