数据分析-思维分析逻辑day02

一、数据分析多元思维模型

背景

瓶颈、职业发展不顺利、掌握好哪些能力

中观能力

真正的专业度，能够很好的发现其他分析师中的问题；需要长期总结和思考，但多数同学没掌握

中观能力：专业度、包括技术理解、逻辑性、价值点三个点。反应分析师基本功，套路熟练、思考到位与否一种标准
- 技术理解：对分析师需要的技术是否理解到位，是停留在理论阶段还是实践阶段
- 逻辑性：整体思考的逻辑性是否欠缺
- 价值点：做出来的东西价值在哪，如果你是决策者，你敢不敢立马规划落地。
技术理解：
- 数据处理中，有一个是数据标准化，常见的都是max-min方法、z-score方法，指数对数法，一定要理解这个只是理论上的方法，只有理解到数据标准化的本质目的是去除量纲量级的差异性。
- 真实案例：对to B公司来说，往往都是除去头部几个很大的客户，剩下的都是中小客户，以max-min方法为例，如果直接用这种方法，会造成除了头部几个数据有数值外，其他基本为0，数据非常稀疏，可用性和理解性很困难。
- 两个解法：① 对客户进行先分群，再max-min方法进行标准化；② 以90%中位数替代max，消除头部影响。
逻辑性：
- 真实案例：数据分析师研究最近一个月的数据，发现所有与留存相关的因素中，留存和自媒体文章下发的占比存在高度相关，于是建议多下发自媒体文章，结果执行开始几天微涨，后续大跌。
- 解释：相关性是一种基于向量的伴随关系，不代表直接的因果关系（但确实是因果关系的一种可能性），具体到这个例子，留存的影响因素本身就非常多，不可能是因为某一中两个指标就能很好提升留存的，后来复盘发现，最近刚好有一些重大热点导致留存提升，而这些重大热点文章是以自媒体文章为主，最终造成文章下发占比能提升留存的假象。
价值点
- 数据分析中，有些就是描述性统计，这没办法，能做的就是快速解决这种，不要耽误时间
- 对于指导性、预测性分析、价值最大，最花时间，但一定要注意到价值点，即使只有1个
- 有没有价值不是分析师说了算，是业务方说了算，有些点很好但暂时无法落地，就不要管他。

微观能力

有效沟通力+快速发散收敛力，能够从业务的交流中发现问题

背景：中观能力相同的情况下，有些分析师总是表现得比其他分析师更加优秀，比如：
- 很多想法，找到切入点——想象力
- 最短时间给业务方一个较好的答复——解决问题能力
- 更好的数据敏感度，能够第一个发现数据问题并给出解法——敏感度
- 会议上，总是能提出自己的独到观点，让别人觉得他很聪明——快速发现提问
- 总是能很好的知道业务在干啥，而他的视角又一直高于业务，所有人认可——高维视角
- 始于经验，终于沉淀，注重点点滴滴，思维高度活跃，总是能找到一些线索
微观能力理解
- 微观能力：包括有效沟通能力和快速发散收敛能力
- 前提：先知道业务怎么想的，怎么做的，然后从中发现问题或者切入点，解决问题，这样就能高于业务
- 有效沟通能力：与业务狠心人员沟通，从谈话中捕捉到很多有用的信息。两个技巧：
  - 黄金思维圈法则：在了解业务的情况下，反问业务方为何要做这件事，基本上，业务方都会有一个很具体的回答，往往都能在这里找到切入点。
  - 做一些准备工作再沟通：再业务沟通中，如果没有提前准备一些业务知识和数据，整个过程中就是业务在主导，你还怎么发现问题呢？
- 快速发散收敛能力：基于沟通中的有效信息，快速提炼总结找到最好的分析切入点。
  - 举例：在制定公司级KPI的时候，业务分析师需要预估下一年年中的MAU和DAU，该问题有很多种解法：时间序列、行业环境、渠道分析都可以作为切入点
  - 最终觉得渠道分析切入点会更加合理：
    MAU=MAU新用户+MAU老用户
    MAU新用户：明年渠道侧每个月能够带来的新增量多少（这个与明年预算高度相关）
    MAU老用户=MAU上月新次月老（基于渠道）+MAU上月老次月老（历史数据）+MAU回流（历史数据）
微观能力培养
- 尽可能多和业务核心人员，特别是业务leader沟通，看他们如何思考业务
- 多看心理学、社交学、记忆力、科普类、经济学的书籍
- 刻意练习、慢慢养成习惯

宏观能力

洞见的全局观，能够从社会事件、整个行业发展中找到业务的决策方向（极难，平台和天赋缺一不可）

二、电商数据分析—以京东APP为例

1、如何去看京东APP

用户视角

搜素：流量最大的一个入口
广告banner：各种活动宣传
导航：十宫格、相对比骄稳定
Feeds流：电商+内容
个性化推荐：千人千面

分析师视角

作为一名数据分析师，应该要能更深入，并且有层次的去看这个APP数据，有三个问题需要大家思考：

1、引流（场）：首页作为最大的带量位，分发效率怎么评估
2、漏斗（货）：北极星指标交易额只是一个数字，更加重要的是理解这个数字转化的过程
3、用户（人）：作为一款非常成熟的APP，老用户相对比较稳定，但新用户获取应该怎么优化。

2、首页的分发效率

分发效率评估

除了要关注日活、留存、渗透率这些常规指标外，更加重要的是找到一些能够反映产品问题的指标
CTR：点击UV/曝光UV，反应用户点击欲望的指标，非常重要，只有点击才能产生交易，如果较小，首页问题较大。
人均访问（点击）页面数：总访问页面数（pv）/总访问uv，只有多访问页面，才可能产生交易。
而围绕这两个指标，按照维度拆解方法，可以发现更多问题，比如CTR突然低了，那么是所有坑位的ctr均低还是个别引起的

分发效率举例—人均访问页面数

首页对搜素的分发能力最强
618主要影响的是搜素这个坑位，因此在活动期间，要把资源和人力都往这块投入

分发效率总结

基于日活、留存、渗透、分发效率，基本上能够对app的整体数据有个大概了解
作为一名优秀的分析师，除了要把自己负责的产品做好外，更加重要的是不要设定边界，主动去了解整体数据，在这个过程中，你需要找到负责的产品跟大盘的数据关系：
- 1）该产品确实很好的带来了大盘的提升
- 2）该产品只是在抢大盘的流量
- 3）该产品部分抢大盘的流量，部分提升，那么提升度到底多少
找到：业务功能与产品核心指标的管联系，量化、量化、量化

3、绕不过的漏斗分析

背景

了解完整的整体数据后，肯定要看具体细分数据，虽然整体APP坑位很多，但一切都是围绕交易额这个目标，而电商交易额的本质是转化率，所以任何一个坑位都绕不开漏斗模型。
在所有的坑位中，搜索是最大的一个流量入口，因此以搜索为例：

了解每层漏斗的影响因素

1、请教老同事 2、买电商书籍回来查看 3、多机型体验产品

搜索主界面全部UV：引流渠道：桌面图标打开进入搜索还是其他
店面页UV：搜索框搜索、热点搜索、语音搜索
详情页查看UV：客服、评论、店铺设计、商品属性
加入购物车UV：尺寸、颜色、数量
提交订单UV：物流、是否支持7天无理由退货、发票、运费
收银台UV：支付方式多样性
交易成功UV：密码错误、冲动消费、界面异常、其他打断

举个例子

问题：最后一步转化率太低，经排查用户还没到输入支付密码那一步，所以支付侧的问题不会很大，所以要去研究这部分用户在收银台界面还做了什么

发现有很多用户去点击右上角的订单中心，并且回到订单中心时，通过热力图模型发现很多用户在点击地址这个位置
猜测：很多用户因为地址错误又无法修改直接放弃支付
整个分析逻辑虽然简单，实际中非常考研分析师

总结

应该说电商的大部分数据分析都会跟漏斗有关，除了经验之外，更加重要的是对产品本身的多体验，以及对竞品的学习，保持好奇心和敬畏心，也只有这样，才能慢慢关注到其他同学关注不到的点，而这些是培养良好微观体感的重要一步

4、新用户分析

背景

作为一款非常成熟，在一线城市很多忠实用户的app，当前在用户体量上与手淘相差仍然较大，因此我们会看到京东与各方app战略性合作，共同拉新。
拉新必然就要衡量拉新效果和拉新优化，拉新效果内部数据不太清楚，但是作为一名分析师，可以去看整个app在拉新上可以优化的点。实际上拉新如果做的好，比老用户分析更容易出成绩。

新用户产品体验

新用户优惠策略思考

逻辑性：作为一个新用户，对任何APP都不熟悉，第一感觉就是先浏览。给用户发优惠券固然可以提高第一天消费的概率，但用户首先想到的是先浏览。结果你引导用户注册，从用户的角度来看，这有点不合理，点击率也不会很高
优惠券分发：首页上曝光了6元京东支付券和35元全类券，而188元礼盒中实际有8元运费券、40元电子娱乐券和20元超市券。对于新用户来说，京东支付很陌生。 35元的全品类券使用费用是500元，要求有点高。能否做两个优化：
- 1)首页优惠券曝光，将京东6元支付券换成每个用户都知道和关心的8元运费券
- 2)京东本身的主要用户群体是电子的，因此，用40元的电子娱乐优惠券代替35元的全品类优惠券，一方面会给用户带来更大的折扣，另一方面也会带来一定的惊喜感。当然，推荐优惠券时最好加上个性化(肯定有数据)
- 文案：在第二张图片中，除了优惠券占据了中间的坑位外，上下两个位置都没有有效的内容。增加更多的坑暴露，植入识别度高的词:“可用”换成立减（“可用”为描述性词，“立减”为动作词）。

新用户分析建议

新用户与老客户相比，由于对APP不熟悉，所以在漏斗环节上，可能有几个特点：

1）用户行为比较离散化，数据可能有几个主要的漏斗
2）某一点的转化率远远低于老用户
3）新用户当天以逛为主，不下订单，一段时间后再下订单。
数据分析师能做的是: 把自己想象成一个新用户去体验各种各样的路径，以及异常的漏斗进行维度拆解(例如，是不是某个渠道的新用户转化率低导致整体低)

三、互联网金融行业to C授信模型—以芝麻信用为例

1、背景介绍

互联网金融行业数据分析师的角色

互联网金融的本质是风控，数据分析师在这个行业基本上有两种角色：

风控分析师：除了一定的模型理解能力，还需大量的行业和法律法规经验
数据建模师：要求对算法的理解较深，相对来说对行业经验要求不是很高
基本上数据挖掘分析师，数据建模师和产品经理都会去兼职这块
而在产品对象上分为toB和toC：
- toB：定量打分卡+定性行业经验
- toC：个人行用分
- 而无论toB和toC，在决策上当前最依赖的是央行征信报告。

数据建模师到底干什么活

2、授信模型

芝麻信用分结构

身份：小学毕业还是博士毕业——稳定新
履约能力：有没有房车——兜底性
信用历史：信用卡有无预期——历史性
人脉关系：你的支付宝朋友是不是土豪——稳定性验证+弱价值性
行为偏好：喜欢买奢侈品还是地摊货——真正价值

数据源

数据变量为何那么多

数据变量分为原始变量和衍生变量

原始变量：直接存储在数据库里的最基础变量，比如你的每天的交易额
衍生变量：因为金融的本质是风险，所以都要对原始变量进行加工转化，一般是三种
- 时间维度衍生：最近1个月交易额，最近3个月交易额
- 函数衍生：最大交易额、最小交易额、交易额方差
- 比率衍生：最近1个月交易额/最近3个月交易额
选择变量的时候：基于RFM原则，即最近、频次、钱，所有跟这三个属性相关的变量都要先保留

数据处理

实际上所有的数据处理，数据建模都是为业务服务，真实工作中，数据处理和数据建模都是慢慢迭代优化的，所以数据处理在前期不会搞的很负责，一般就3种：

数值型和字符串型字段缺失性和合理性检验，剔除无效字段（50%以上即可去掉）
数值型字段的相关性验证：前期基本上所有的字段都会拿出来，肯定有非常多的变量相关性非常强，而这个对于模型训练是没有帮助的，因此会把相关性强的先过滤掉
- 一般0.7以上就是高度相关，型惯性非常简单，同时也非常实用
字符串字段的离散化处理：一般按照常识理解，直接分段取值，在模型前期，只要大的逻辑没有问题即可

数据标准化

所有的变量都已经数值化了，但是在量级和量纲上相差很大，如交易额和交易次数，这就没有可比性，所以要对所有的字段进行标准化，标准化的方法很多，选择合适的都行，这块对后面的模型效果没有影响。无论是max-min还是z-score
数据标准化之后（假设就是max-min），所有的变量取值区间都在【0，1】范围内了，这个时候就可以数据建模了

数据建模前思考

由于身份特质、履约能力、信用历史、人脉关系、行为偏好5大模块，在不同时期权重不一样，所以每个模块都要单独建模。
在建模之前，一定要把业务目标先理一理，这样才能找到用什么模型，就芝麻信用来说，我们的目的是希望根据用户在这5个模块的综合芝麻分开给用户一些其他额外服务，比如花呗借呗免押金，同时保证用户不违约
因此逻辑上就是：根据用户的数据，算出用户违约的概率，而这个概率也可以和转化为用户的分数，所以逻辑回归模型就自然而然用上了

具体方案的反推：以终为始

综合芝麻分—>综合概率—>5个模块各自的概率加权—>每个模块的逻辑回归模型—>每个模块的训练集和测试集
以历史信用为例，假设该模块包含的字段有最近一个月主动查询金融机构信用次数x1，最近一个月需还贷款总额x2，最近一个月逾期总额x3，那么其违约概率就为：

具体例子

A用户：身份特质、履约能力、信用历史、人脉关系、行为偏好分别算出的概率为0.1, 0.2 , 0.3 , 0.4 ,0.5
根据当前产品所处的阶段，觉得信用历史和履约能力，那么这两个模块的影响权重就是0.35，其他都是0.1
那么小A违约的概率就是：
P=0.1×0.1+0.35×0.2+0.35×0.3+0.1×0.4+0.1×0.5=0.275
分数公式：score=（1-P）×A+B，区间为[300,900]，可以算出A=600，B=300
所以A的芝麻综合分=0.725×600+300=735

模型离线效果指标

混淆矩阵：查准率和查全率
ROC曲线：根据混淆矩阵做出的，区分模型是否能较好把好坏样本分开的一个图，一般嗾使取ROC下面的面积AUC，来衡量模型效果，越大越好，一般至少0.6以上
离线模型看着两个参数就够了，这块本身有点难理解，特别是ROC曲线不太好举例，真实工作中最重要的还是坏账率这个评估指标

模型运行周期

产品初期，因为模型的变量太多,所以模型迭代的速度非常快,几乎每个月跑一次分数,这一时候可能有用户分数奇高,这些都是正常的，而这些需要不断调整重量和系数,逐步优化, 但最重要的还是落地效果，就是使用模型后的坏账率如何，这就是模型的落地了

3、模型落地

落地前

有了这样一套模型后，你要出去找落地场景，我们看到芝麻信用围绕吃喝玩乐进行各种产品服务，举例：
如何根据芝麻信用分就可以申请招联金融信用额度，那么这就涉及到两个公司的产品合作了。金融行业的合作都是非常小心的，所以在正式合作前：

招联金融会提供一批样本给芝麻这边，芝麻这边数据建模师根据模型给出这批用户的违约概率
招联金融根据芝麻给出的用户违约概率，算模型的准确度
如果模型准确度还可以，双方才会正式展开合作（用户群覆盖度和模型准确度）

落地中

正式落地时，招联在给每个用户评估信用时，实际上芝麻信用分只是一个参考维度而已。一般都是这样：

1、机器调用该用户的央行征信报告评估值X，这个是最重要的
2、接口调用用户的芝麻信用分Y
3、该用户在招联的信用评估情况Z
基于XYZ，内部再根据专家规则法出一套授信方案（很灵活），到这一步，基本上模型就正式使用了

落地后

前期一般都是每一周，招联金融都会和芝麻这边对一次坏账情况，只有到这个时候，模型的参数调整才是最有意义的，这个时候也是很考验数据分析师的时候，调参方法：

1、先找出是因为某个子模型引起的还是所有模型引起的
2、如果是子模型引起的，直接调整该模型的参数即可，如果是整体模型都有问题，那就要重新进行数据处理了，如WOC分组，更换衍生变量，字符型字段重新打分等等

在前期，数据建模师是最忙的一个人，一旦模型稳定后，数据建模师更多的时候就是兼职数据挖掘师。

4、总结

授信模型：数据源、数据处理、数据标准化、数据建模、模型落地，模型优化，这一套跟数据分析标准化流程非常像，模型最终的评估指标就是坏账率
数据建模师：数据源在前期就已经决定了模型的效果，要具备良好的沟通能力和反馈能力，金融行业本身比较成熟，比模型更加重要的是分析师自身的想法和验证。在前期重点围绕数据源和数据处理，模型无论是逻辑回归决策树GBDT随机森林神经网络问题都不会很大，与纯互联网行业相比，金融行业数据建模师的价值更容易体现，而且相对更有趣

四、游戏付费数据分析—以欢乐斗地主为例

背景

电商——非常互联网
互联网金融——直接就是跟钱打交道
游戏——互联网思维+钱都要具备
游戏行业用户两极分化比较严重：要么快速流失，要么就是玩的时间很长
所以重点围绕俩个目标：
- 1、尽量让用户晚点流失——流失分析
- 2、让花时间的用户多变现——商业分析

指标口径

重要指标业务理解——常规指标

1、DAU WAU MAU
- 一个产品的日活、周活、月活
- 以欢乐斗地主为例，日活就是每天打开该app的用户数
2、留存率
- 一般看次留、7留、30留存率
- 次留率：第一天打开欢乐斗地主并且第二天也打开欢乐斗地主的人数/第一天打开欢乐斗地主的人数
3、渗透率
- 某功能模块的使用人数/该产品的日活
- 欢乐斗地主商城渗透率=进入商城的用户数/DAU
4、转化率
- 针对某个连贯路径，使用下一个节点的用户数/使用上一个节点的用户数
- 打开app–进入房间–参加比赛

重要指标业务理解——商业化指标

1、ARPU
- 一个时间段内的每用户平均收入
- ARPU=付费金额/活跃人数（非付费人数）
- 欢乐斗地主付费金额200万，活跃人数100万，每个用户平均收入2元
2、CPM
- 千次曝光的成本
- CPM=（广告投入总额/所投广告的展示次数）×1000
- 某广告主在欢乐斗地主的闪屏界面投入一个广告10万，共1000万次展示，CPM=10
3、CPC
- 每个点击用户的成本
- CPC=（广告投入总额/所投广告带来的点击用户数）
- - 某广告主在欢乐斗地主里面投入一个闪屏广告100万，共产生点击50万，CPC=2
4、ROI
- 投资回报率
- ROI=收入/支出=ARPU×用户数/所有支出
- 双11在欢乐斗地主内部投放一个广告100万，最终带来收入200万，ROI=2

用户流失分析

流失定义

行业内用户流失的一般定义是: 一个月不使用该产品被定义为流失
事实上,不同的产品形式用户行为差别很大,像住宿类app低频高价值用户,欢乐斗地主7天不在线可能就已经流失了,所以要合理的定义的用户流失,流失的用户, 越快越好。
我们看看问题在哪里:
不能很好定义的流失是因为用户有可能回流，比如拍脑袋30天，结果为30天，大量用户回流

实际上流失周期确定=回流率稳定，一旦这个指标稳定，就定义这个时间段天数为用户流失周期
回流率=回流的用户/流失用户数=某个周期内的流失用户数在周期结束后又回来了/某个周期内流失的用户数
所以，只要根据枚举方法,周期= 1、2… 30、再计算回流率，一旦回流率趋于收敛，该周期就是流失周期

欢乐斗地主用户流失分析

对于游戏行业的用户流失分析，即有其他行业的类似套路但又有一些差异化很大的点

类似套路：看流失前最后一步在干撒
差异化很大的点：最为一款非常复杂，需要花费用户大量实时间的app，分析师要想好好研究用户为何流失，也必须要去很深入的玩游戏，找到游戏的快感和痛点，跟其他玩家多交流，否则就是脱离业务。

类似套路：看流失前最后一步在干撒

差异化很大的点：深入玩游戏

经过多轮的游戏体验和玩家交流，返现一下问题比较严重：

每天就送2次3000豆，基本上几分钟就输完了，没有找到快感，所以觉得没意思
一旦豆子积累很多之后，输的会非常快，让人很气愤
感觉作弊机制比较严重，有合伙坑人的可能性
任务越来越多，越来越看不懂，可以直接换豆子的越来越少；头衔玩法好鸡肋
商城内的豆子好贵，没有1元试用的吗

总结

游戏行业非常注重收入，分析师要每天看收入数据，所做的各种分析都要与收入挂钩
除了互联网行业那些分析方法，游戏行业更加注重分析师的深度体验，单纯的数据分析只能解决交互式的失误，而不能让游戏变得更好玩，所以分析师最大的价值是让用户玩得更爽，只有到这一步，才能实现真正的成长

付费分析

背景

游戏行业前期投入大，本身迭代快，所以对付费变现又非常高的要求。在付费分析上，整体思路：

1、以付费金额分布和付费模块为切入点
2、根据2确定未来重点是在高、中、低哪个群体
进行AB测试，并每天看收入情况

付费分析

很奇怪为何没有5元的付费金额？
无论是信息还是坑位都出现较大问题，只能说产品功能没有体验到为

1、当前用户付费金额以3、10元为主，也就是超过10元就很敏感
2、贫农和富农是两个重要付费等级节点
3、以欢乐豆充值为主，进一步看钻石坑位点击发现点击的人占比不高

用户群体针对性建议

1、当前app的用户群体对钱很敏感，高端用户并不多，并且高端群体整体价值也不大——直接结论
2、剩下80%未付费用户中，必然存在一部分群体欢乐豆少于3000无法游戏，同时也去了商城查看，但未消费（假设比例）——数据结论
3、玩游戏都是有兴奋点的，兴奋点是多久，用户在什么级别最想充值？——体验结论
因此结合1、2、3，是否可以：
- 推出0.99元15000欢乐豆限名额抢卡片，同时在首界面就提示充值9.5折，进一步让用户觉得有便宜可占
- 对于日活少豆用户，可以多送几次欢乐豆，让他体验时久一点，先兴奋起来
- 当用户在贫农和富农等级左右时，加强付费引导，满足其成就感。

五、传统销售行业数据分析案例

原始需求

以下，提供的具体表格
1、门店信息表，包括维度：省份、城市、门店编码、大区、销售目标
2、产品信息表，包括产品编号、产品名称、品类、单价、产品经理、销售目标
3、销售经理表，包括销售经理，大区，销售目标
4、销售数据表，包括年份、月份、门店编码、产品编号、销售金额、订单数、销售数量、单价、客单价、省份、城市、大区；
具体如附件excel
任务需求：
一、2016全国销售状况报告（1-7月）
1、目的：展示2016年全国的销售状况
2、维度：细分维度包括但不限于时间、地域、产品等
二、2016年全国销售状况报告框架（1-7月）
1、展示形式：xmind导出框架图片
2、目的：结构化展示报告的整体逻辑

需求解读

原始需求往往都是模糊的，但是：
分析师不要带着不好的态度去推拖业务方的需求，而应该跟业务方良好沟通，有些业务方就是表达能力不好，销售行业的核心就是销售额完成率：按照正常业务理解进行维度拆解

销售额完成率—区域完成率—门店完成率—销售经理完成率—产品、时段

总销售完成率

假设上年末定的7月份预期完成目标50%，那么当前实际上是完成目标的，这里需要总结：哪些点做的好，哪些点做的不好，从而超额完成目标

区域完成率

西南地区出乎意料的排在第二，华北地区不到50%，因此可以针对这两个地区挑选门店单独分析

各门店完成率

对于top10门店，必然有一些点做的好，所以要进一步挖掘，以门店58为例（西南地区）
对于最差的10家门店，也要分析差在哪里，提升空间大不大，如果不大，从减少支出角度算建议关闭门店，以门店3为例（华北地区）

门店58分析：

门店58分析：时段产品交叉分析

所有产品趋势基本一致：2月高峰，6月回暖，也就是行业有这种周期性
不同产品间销售额差异较大，用户偏爱产品4

门店58分析：产品单价和销售额相关性

落地项：该地区用户整体更加偏爱高价格产品，可进一步优化产品结构，产品偏高端
产品4和产品2表现最佳，产品经理可进一步该类产品特征

门店58分析：产品单价和客单价相关性

落地项：业务排查该类case，看用户为何有订单但未产生消费额，是哪个环节出问题，后续规避

门店3分析：

门店3分析：时段产品交叉分析

门店3的销售目标是20亿，是门店58的4倍，但是在同产品的实际销售额上均达不到4倍：
门店3完成率差，产品不是主要影响因素，很有可能是跟外部政策有关（北京市）

门店3分析：产品单价和销售额相关性

产品4和产品6相对表现最佳，进一步加大该类产品的资源

门店3分析：产品单价和客单价相关性

在订单上比较正常，而且客单价是单价的两倍，后期可以捆绑销售
更加可以说明门店58在部分订单上有问题

跟进项

门店58地区用户整体比较偏爱高端价格产品，可优化产品结构，在产品特征上参考产品4和2
门店58部分订单未产生消费额，需要进一步排查，在下半年规避此类情况
门店3整体受外部影响较大，完成率低，可以进一步：
- 查看地区竞品的销售额
- ROI
- 外部影响持续性评估
- 结合1、2、3，考虑下半年是否关门门店3，减少支出

思考

门店3和门店58在用户偏好上差异较大，那么作为集团的boss，肯定更加关心的是区域性的用户产品偏好特征，而从进行针对性的产品投放优化
所以猜想：不同区域产品差异较大
接下来就是从数据上去验证

区域产品特征

提炼：如何去分析一个陌生行业

感到无从下手是因为：1、没有找到切入点；2、没有具体生动案例