午后的分析项目回顾
0 views
Skip to first unread message
Qing
Oct 21, 2008, 2:22:34 AM10/21/08
to tt...@googlegroups.com
眼前一个分析项目告一段落，有了结论，即将开始应用，嘘了一口气。在此，总结回顾一下。前些日子都一直都没闲工夫来沉下心来思考这件事情。本来，我以为这事儿干得还行，思路很明确，要什么结论，也有个大概。但分析结果出来之后，仍然发现一些不太令人满意的地方。
在之前，多多少少已经涉及到这事儿，比如关于动静的分析，比如简明因果分析方法等，都是从这事儿考虑出来的。
这个项目是分析电信客户价值变化的原因，目的是为了做一些价值提升的营销活动。当初设想的就有三块分析内容，第一是分析究竟哪些因素对价值波动产生影响，强烈程度。第二是能够对整体客户群的价值波动进行一些细分。第三，是分析不同的营销刺激手段都能造成什么样的波动。
看起来还算明确吧。在需求书里面，我用了基于假设的需求表达方法，从这三个分析目标开始，设想最后可能的分析结论形式，并且逐层细化假设（可惜，并没有迭代）。后来，分析人员易手，换了个同事来做分析。进度则有些迟缓。
我期望能够快点出东西，不赞成用挖掘模型来建模。其实，这个题目更多就是分析因果关系，只要得出这个结论，细分也好办了，我想，即便用业务经验去观察重要因素的分布情况，也能细分出若干群体。更重要的应该是将问题定义清楚。
比如，什么叫做波动。
客户消费产生的变化就是波动，可以是上升的，可以是下降的，也可以是平稳的。每个客户都可以计算出来这个量化值，但，需要去掉宏观波动。因此，波动的计算要不仅涉及客户自己的消费，还要考虑总体的消费。
波动是"果"，而"因"的定义，也同样需要逐个来考验。变量，是挖掘的术语。而在分析层面，我尽量用因素这个词。每个因素最后都需要落到一个变量上去。在以前的一片文章中，我试图将因素分成静态和动态的。
确实是如此分了。但后来发现，即便是如此区分以后，结论仍然不好解释。
静态因素反映某个时点的状态，而动态因素反映不同时点的变化。静态因素容易定义一些，比如你的性别、消费额，比较客观。而动态因素，不太容易定义。最需要注意的是，动态变化所取的时点得讲究。他的发生应该在果之前。可惜，我们这次分析，因为这点开始没考虑细，并非如此。动态因和果是在同一个周期里面发生的，如此，你根本就无法判定究竟是这个因导致了果，还是果导致了因。
并非所有前的都是因，因果跟关联的关系很容易混淆。但对于我们平常的理解，如果不追求本质的话，关联已经能够起到很大作用，即便不是因果也无所谓。比如A和B，可能是一种因果关系，如果A那么B，但也可能根本不是，只是一种关联，A和B可能被另一个莫名的因素决定。但在实际的决策当中，完全可以不求甚解地判定，发生了A的，会发生B。
为了简化分析过程，我构想了"简化因果分析法"，请参见结尾的链接。所以，只需要将对因果数据形成一种多维的视图，也就是诸如（因素1、因素2、因素3...果、客户数）这样的数据集。然后在excel里面进行分析、作图。结论是很容易解读的。除了上面所说，有些动态因素的时间点取得不是很好。因此，不能轻易得出因果关系。一定要用，那是一种虚假的结论。事已至此，只能这种动态因素解释成为关联因素。
得是前因导致后果，这是一个教训。我很奇怪为什么在挖掘技术里面，为什么没有在变量周期选择上的一些规矩。
因果分析的结论还算凑合，也不要求完美了。接着是细分。同事一上来就说要聚类，但我很害怕，因为不知道会聚出什么，所以，宁愿通过统计数字来认为切割。不过后来证明，当变量比较少，业务含义比较清楚的时候，聚类还是蛮有效的。
只有四个因素用来细分，其中一个是价值波动，另外是对波动影响比较大的三个因素。我开始想用价值波动跟其他因素，逐个进行二维分析，做成泡泡图，看分布，通过图形来划分群体。不过效果不好，而同事在旁边看我折腾，说，就这四个变量，用聚类很快的。
我问，结论容易解释么？其实这个问题也是白问，主要我是以前给几百个变量的聚类结果给搞怕了。
他说，聚出来，也可以两两交叉看分布情况。
好，那就动手吧。
结果确实很快就出来，半小时的功夫。去看结果，那个工具可以选择两两变量看二维的群分布情况。稍微看了一下，用很早以前设想的分群图形解读方法，嘿，群体的分布还算可以，基本上可以分成三大类，稳定、上升和下滑，然后每种还可以细分成好几种。当然，大部分都是平稳型的。
细分的事情还算顺利。得感谢少变量的聚类细分，效果不错。看来，如果用聚类的话，最好得精选一些变量。
最后还有个刺激因素分析。这事儿有点棘手。
原本，我想着运营商的刺激因素应该挺有作用才是，比如赠送了话费，应该可以让有些敏感客户的消费明显提升的。但用简明因果分析的方法并没有发现这个规律，反而发现，凡是遭受刺激的，大多都是趋于平稳。真让人恼火。本来我希望能够找到一类刺激手段，他对促进客户价值是作用明显的，那根红色的柱子一柱擎天最好。可惜找不到。
为什么呢？难道以往的营销活动都只是稳定客户消费么？这也不是不可能，也许正是如此。但毕竟，这跟我们业务上的感觉和期望不一致，如果有更多的数据来验证这个结论，也许我可以理直气壮地阐述一个出乎意料的结论。但这里，我没有那个底气。因为也许这里面我们观察的周期不够，或者是我们的波动定义，因为取得是多月平均，却消化了这种刺激因素导致的突然波动。总之，有很多疑点没有深入。
而因为找不到一个有效的刺激手段，我却又发现了一个新的问题。那就是这个项目的最初分析逻辑，其实并不完整。
这里说"分析逻辑"，是一个新词，指的是如何利用分析结论，通过什么手段达成业务目的的逻辑。或者大家也可以理解成为"分析思路"，但后面这个词的含义太模糊，所以我先不用它。
我们的逻辑——找到可以价值提升客户。于是，可以先找到不同波动幅度的客户，看波动是如何引起的。找到因素后，可以基于这些因素，定位目标客户，看看有什么手段可以提升他们的价值。
要针对目标客户进行营销刺激，这种刺激本身就是一种影响因素。分析结论表示，不同的波动是由一些静态因素引起的，或者是客户自己主动发生的动态因素引起。这对营销策略没有直接的用处。只能从这种结论得到一种业务知识——哦，这类客户容易波动。但容易波动并不代表他就响应你的刺激。
看吧，分析逻辑并不清晰，或者说很牵强。
一次分析，如果分析逻辑不清楚，恐怕结果并不会好。而相比之下，想想客户流失预警模型，它的逻辑倒是清楚的。目的：要避免客户流失，那就找到可能会流失的客户，挽留。虽然，挽留这种措施是一种刺激，但这里分析的不是挽留刺激是否对即将流失客户有效。更重要的是找到可能流失的。这个应用的目的是一种预防。而价值提升是一种刺激。目的不同，分析逻辑也不同。当然，离网这块也可以考虑挽留策略的刺激效果，但那是预防之后的事情。
在价值提升这个分析里面。其实也有挽留的部分，看那些可能价值降低的，可以采取一些措施来激励他。这时候，判断客户自然的上升还是下降，有意义。而对于提升，也许更加合理的是采用响应分析的方法，来预测客户是否对某种刺激手段有某种响应。
分析逻辑可以如此三段表达：
目的 - 期望的分析结论 - 你达到目的的策略
比如我们这个项目，可以如此表达分析逻辑——（要进行价值提升， 对刺激手段不同响应类型的细分，对有提升潜力的群体进行提升而对可能价值流失的群体进行挽留）
而对于这个逻辑是否通顺，可能还是得好好判断一下，即便形式上看着蛮符合逻辑的。甚至，也许更本就不是分析逻辑在先，而是分析方法在先。就是如此，其实最早就是已经确定了三个分析方向，但之间的逻辑却没有好好琢磨。如果那时候好好想想这个问题，可能会有更直接的方法。但也可能，为了方法，而制造出一串看起来蛮合理的逻辑。这可没法说，就像是为事务冠以美名一样，做婊子都可以立牌坊呢。所以，虽然我这里提出分析逻辑的重要，但也没有说明什么才是一个合理的分析逻辑。
好了，一中午的时间，回顾地不多。这个项目好歹已经用了以往说的若干方法，基于假设的需求表达、简明因果分析法、静态动态分析还有分群图形解读的方法，也算不虚此分了。
而回顾中得出三个教训，是之前没有想到或少想到的：
1、注意前因导致后果；
2、用聚类来细分，慎选变量；
3、在数据分析之前，注重分析逻辑的合理性；
下面给出其中用到的一些方法的相关链接：
在之前，多多少少已经涉及到这事儿，比如关于动静的分析，比如简明因果分析方法等，都是从这事儿考虑出来的。
这个项目是分析电信客户价值变化的原因，目的是为了做一些价值提升的营销活动。当初设想的就有三块分析内容，第一是分析究竟哪些因素对价值波动产生影响，强烈程度。第二是能够对整体客户群的价值波动进行一些细分。第三，是分析不同的营销刺激手段都能造成什么样的波动。
看起来还算明确吧。在需求书里面，我用了基于假设的需求表达方法，从这三个分析目标开始，设想最后可能的分析结论形式，并且逐层细化假设（可惜，并没有迭代）。后来，分析人员易手，换了个同事来做分析。进度则有些迟缓。
我期望能够快点出东西，不赞成用挖掘模型来建模。其实，这个题目更多就是分析因果关系，只要得出这个结论，细分也好办了，我想，即便用业务经验去观察重要因素的分布情况，也能细分出若干群体。更重要的应该是将问题定义清楚。
比如，什么叫做波动。
客户消费产生的变化就是波动，可以是上升的，可以是下降的，也可以是平稳的。每个客户都可以计算出来这个量化值，但，需要去掉宏观波动。因此，波动的计算要不仅涉及客户自己的消费，还要考虑总体的消费。
波动是"果"，而"因"的定义，也同样需要逐个来考验。变量，是挖掘的术语。而在分析层面，我尽量用因素这个词。每个因素最后都需要落到一个变量上去。在以前的一片文章中，我试图将因素分成静态和动态的。
确实是如此分了。但后来发现，即便是如此区分以后，结论仍然不好解释。
静态因素反映某个时点的状态，而动态因素反映不同时点的变化。静态因素容易定义一些，比如你的性别、消费额，比较客观。而动态因素，不太容易定义。最需要注意的是，动态变化所取的时点得讲究。他的发生应该在果之前。可惜，我们这次分析，因为这点开始没考虑细，并非如此。动态因和果是在同一个周期里面发生的，如此，你根本就无法判定究竟是这个因导致了果，还是果导致了因。
并非所有前的都是因，因果跟关联的关系很容易混淆。但对于我们平常的理解，如果不追求本质的话，关联已经能够起到很大作用，即便不是因果也无所谓。比如A和B，可能是一种因果关系，如果A那么B，但也可能根本不是，只是一种关联，A和B可能被另一个莫名的因素决定。但在实际的决策当中，完全可以不求甚解地判定，发生了A的，会发生B。
为了简化分析过程，我构想了"简化因果分析法"，请参见结尾的链接。所以，只需要将对因果数据形成一种多维的视图，也就是诸如（因素1、因素2、因素3...果、客户数）这样的数据集。然后在excel里面进行分析、作图。结论是很容易解读的。除了上面所说，有些动态因素的时间点取得不是很好。因此，不能轻易得出因果关系。一定要用，那是一种虚假的结论。事已至此，只能这种动态因素解释成为关联因素。
得是前因导致后果，这是一个教训。我很奇怪为什么在挖掘技术里面，为什么没有在变量周期选择上的一些规矩。
因果分析的结论还算凑合，也不要求完美了。接着是细分。同事一上来就说要聚类，但我很害怕，因为不知道会聚出什么，所以，宁愿通过统计数字来认为切割。不过后来证明，当变量比较少，业务含义比较清楚的时候，聚类还是蛮有效的。
只有四个因素用来细分，其中一个是价值波动，另外是对波动影响比较大的三个因素。我开始想用价值波动跟其他因素，逐个进行二维分析，做成泡泡图，看分布，通过图形来划分群体。不过效果不好，而同事在旁边看我折腾，说，就这四个变量，用聚类很快的。
我问，结论容易解释么？其实这个问题也是白问，主要我是以前给几百个变量的聚类结果给搞怕了。
他说，聚出来，也可以两两交叉看分布情况。
好，那就动手吧。
结果确实很快就出来，半小时的功夫。去看结果，那个工具可以选择两两变量看二维的群分布情况。稍微看了一下，用很早以前设想的分群图形解读方法，嘿，群体的分布还算可以，基本上可以分成三大类，稳定、上升和下滑，然后每种还可以细分成好几种。当然，大部分都是平稳型的。
细分的事情还算顺利。得感谢少变量的聚类细分，效果不错。看来，如果用聚类的话，最好得精选一些变量。
最后还有个刺激因素分析。这事儿有点棘手。
原本，我想着运营商的刺激因素应该挺有作用才是，比如赠送了话费，应该可以让有些敏感客户的消费明显提升的。但用简明因果分析的方法并没有发现这个规律，反而发现，凡是遭受刺激的，大多都是趋于平稳。真让人恼火。本来我希望能够找到一类刺激手段，他对促进客户价值是作用明显的，那根红色的柱子一柱擎天最好。可惜找不到。
为什么呢？难道以往的营销活动都只是稳定客户消费么？这也不是不可能，也许正是如此。但毕竟，这跟我们业务上的感觉和期望不一致，如果有更多的数据来验证这个结论，也许我可以理直气壮地阐述一个出乎意料的结论。但这里，我没有那个底气。因为也许这里面我们观察的周期不够，或者是我们的波动定义，因为取得是多月平均，却消化了这种刺激因素导致的突然波动。总之，有很多疑点没有深入。
而因为找不到一个有效的刺激手段，我却又发现了一个新的问题。那就是这个项目的最初分析逻辑，其实并不完整。
这里说"分析逻辑"，是一个新词，指的是如何利用分析结论，通过什么手段达成业务目的的逻辑。或者大家也可以理解成为"分析思路"，但后面这个词的含义太模糊，所以我先不用它。
我们的逻辑——找到可以价值提升客户。于是，可以先找到不同波动幅度的客户，看波动是如何引起的。找到因素后，可以基于这些因素，定位目标客户，看看有什么手段可以提升他们的价值。
要针对目标客户进行营销刺激，这种刺激本身就是一种影响因素。分析结论表示，不同的波动是由一些静态因素引起的，或者是客户自己主动发生的动态因素引起。这对营销策略没有直接的用处。只能从这种结论得到一种业务知识——哦，这类客户容易波动。但容易波动并不代表他就响应你的刺激。
看吧，分析逻辑并不清晰，或者说很牵强。
一次分析，如果分析逻辑不清楚，恐怕结果并不会好。而相比之下，想想客户流失预警模型，它的逻辑倒是清楚的。目的：要避免客户流失，那就找到可能会流失的客户，挽留。虽然，挽留这种措施是一种刺激，但这里分析的不是挽留刺激是否对即将流失客户有效。更重要的是找到可能流失的。这个应用的目的是一种预防。而价值提升是一种刺激。目的不同，分析逻辑也不同。当然，离网这块也可以考虑挽留策略的刺激效果，但那是预防之后的事情。
在价值提升这个分析里面。其实也有挽留的部分，看那些可能价值降低的，可以采取一些措施来激励他。这时候，判断客户自然的上升还是下降，有意义。而对于提升，也许更加合理的是采用响应分析的方法，来预测客户是否对某种刺激手段有某种响应。
分析逻辑可以如此三段表达：
目的 - 期望的分析结论 - 你达到目的的策略
比如我们这个项目，可以如此表达分析逻辑——（要进行价值提升， 对刺激手段不同响应类型的细分，对有提升潜力的群体进行提升而对可能价值流失的群体进行挽留）
而对于这个逻辑是否通顺，可能还是得好好判断一下，即便形式上看着蛮符合逻辑的。甚至，也许更本就不是分析逻辑在先，而是分析方法在先。就是如此，其实最早就是已经确定了三个分析方向，但之间的逻辑却没有好好琢磨。如果那时候好好想想这个问题，可能会有更直接的方法。但也可能，为了方法，而制造出一串看起来蛮合理的逻辑。这可没法说，就像是为事务冠以美名一样，做婊子都可以立牌坊呢。所以，虽然我这里提出分析逻辑的重要，但也没有说明什么才是一个合理的分析逻辑。
好了，一中午的时间，回顾地不多。这个项目好歹已经用了以往说的若干方法，基于假设的需求表达、简明因果分析法、静态动态分析还有分群图形解读的方法，也算不虚此分了。
而回顾中得出三个教训，是之前没有想到或少想到的：
1、注意前因导致后果；
2、用聚类来细分，慎选变量；
3、在数据分析之前，注重分析逻辑的合理性；
下面给出其中用到的一些方法的相关链接：
- 一种可操作的分析方法论：http://groups.google.com/group/ttnn/browse_thread/thread/f09292f6674f8311/2617e68d61a6130c
- 简明因果判定法 ： http://groups.google.com/group/ttnn/browse_thread/thread/7d9f8c6533d93d4a/e1d8684cb11db5f1
- 静的分析 动的分析 ： http://groups.google.com/group/ttnn/browse_thread/thread/bac3477c3343900a/9955fc4feb83abb1
- 分群解读之小技 ： http://groups.google.com/group/ttnn/browse_thread/thread/9c87800d7a2d4d5c/a2da58e5787c1022
Reply all
Reply to author
Forward
0 new messages