我手里没有多少数据可以供分析，怎么办？

对于小喵来说，上面的问题都是伪命题，很多时候，我们在做数据的时候，手里的数据总是比我需要的多，深入了解业务之后，方法总是比问题多；有了方法，工具的使用总比想象的简单多了~好了，先看一个栗子，看完你就知道小喵为什么这么说了。一、背景话说，某年某月，某外地零食O2O品牌，想要开拓上海市场，本着“稳扎稳打，循序渐进”的“精益创业”方针，该品牌准备先在上海几个有代表性的区域进行试运行。选择了三个区域——杨浦区、长宁区、徐汇区，在这三个区域人流较大、办公楼密集的区域，重点设置了三个实体经营网点，分别位于五角场地铁站、松虹路地铁站、泾河泾地铁站附近，并以这三个地铁站为辐射推广点，上下班高峰时间在地铁入口附近进行DM推广。(Recency)、消费频率(Frequency)和消费金额(Monetary)。RFM三维含义对该模型的解释，小喵只在某一百科全书上搬出关键语句，想要进一步了解该模型的同学自己去网上搜哈~某一百科全书上关于RFM模型原理的解释，其中各个维度的“深层次”含义是：客户消费频率越高，代表客户对品牌或产品的忠诚度越高，当然，这类客户也更有维持价值，即使平时消费金额不多，但谁知道以后会不会有大笔钱；消费金额(这里指的是“累计消费金额”)表示消费者的购买力大小，消费金额越大，这类客户的质量越高，当然我们要把他们当宝贝来照顾~这种客户价值分析模型虽然很好，但存在以下几个问题：每个维度都可以分为五个层次，那么最终的结果就是5*5*5=125个层次，客户群体分得越好！每个客户群体都要有一套针对性的方法，但这样就要求人们去做，这样才能在一定程度的情况下，对上述三个维度的消费总数据进行过于“大杀戮”的深度的分析，但在一定程度上述问题，在一定程度上述问题，一定程度的基本分析中存在一定程度的问题。UserID”、“关键区块”的两个基本信息也应保留和深入“沉淀”和R、F、M这三个维度的几个相关指标:从“实付金额”指标中，通过相关函数计算，可以获得“最小消费金额”、“最大消费金额”、“平均消费金额”和“累计消费金额”四个指标；通过相关函数计算“订单日期”，可以获得“初始订单日期”、“最后下单日期”、“从最初的订单日期到今天的间隔天数”、“从最后一次订单到今天的间隔天数”和“累计购买频率”五个指标。重要分析指标及相关指标的“从属关系”中，上述衍生指标的计算公式/方法分别为“最大/最小消费金额”=MAX/MIN(IF(原始数据！$A$1:$A$7028=Sheet1！A2，原始数据！$H$1:$H$7028)获得；通过公式“最初/最后订单日期”获得“最初/最后订单日期”=MAX/MIN(IF(原始数据！$A$1:$A$7028=Sheet1！A2，原始数据！$N$1:$N$7028)”获得；“累计购买频率”由透视表获得。在相同的USERID下，可以通过“计数”任何指标来获得频率。“最终订单到今天的间隔天数”由公式“DATEDIF(E2,TODAY(),”d)获得；从最初的订单到今天的间隔天数由公式“公式”“=DATEDIF(D2,TODAY(),”d“)”获得，E列代表最终订单日期，D列代表最初(第一次)订单日期。值得注意的是，上述公式是在新的sheet中构建的，引用了原始表单中的数据。之后的间隔天数需要等到最初/最后的订单日期确定后才能计算出来。计算上述指标后，获得以下客户信息价值表，可作为下一步分析的原始数据。处理后的客户价值信息表，然后将excel表输入SPSS系统。详细的聚类分析方法可以参考喵的最后一篇文章:数据操作的实际操作 |如何利用聚类分析优化企业微信官方账号的内容。操作结束后，您可以得到以下新表：SPSS输出数据的聚类分析可以看到，上表中有一列关于“分类”的数据，即SPSS软件根据用户购买信息（购买金额和购买日期等）分为四类（由于操作喵使用K-means聚类法，需要人工设置分为几类，所以在确定4类之前，需要反复测试2、3、5类数据，直到每个分类之间有明显的差异和良好的集中度），然后用透视表处理，将每个类数据的“值字段”显示为“平均值”，并获得“用户价值分类特征表”。在分析用户价值分类特征表之前，喵需要指出的是，上述指标的重要性不在同一水平，其中每个指标的权重大小不一，权重系数需要根据以往的经验和业务情况进行分配。这里只给出喵的判断:累计购买频率的权重最大，因为即使平均/累计消费金额不多，然而，重复的购买行为代表了用户对品牌/产品的认可，这可以反映用户的忠诚度；其次，如果最近的订单日期不太长，使用客户召回策略的成功率会很高；然后是平均消费量。单一的高消费或单一的低消费不能准确地反映客户在本产品中的购买力水平。只有通过历史平均水平，我们才能看到他在本产品中的消费能力，但要结合最低和最高消费金额，看两者之间的差距是否太大，稳定性如何；第二，累计消费金额反映了客户在一定时间内的累计消费情况，也反映了客户对产品/品牌的持续价值。根据上述判断，第二类和第三类属于相对高质量的客户。他们在购买频率、最新购买时间、累计消费金额和平均消费金额方面的价值水平均衡且良好。他们是需要维护的关键对象。今后，他们可以向这两类用户推送价值较高的优惠活动/信息，以促进其后续购买行为。第一类客户属于“土豪劣绅”。虽然购买频率很低，但购买量很大。与其他类型的客户相比，他们的购买力相当强大，富有和反复无常，但很难留住。第一类客户属于“土豪劣绅”。虽然购买频率很低，但购买量很大。与其他类型的客户相比，他们的购买力相当强大，富有和反复无常，但很难留住。。。另外，第四类用户数量较多，是有潜力挖掘的客户群。这类群体的特点是平均消费金额和累计消费金额低，购买次数少，很长一段时间没有购买产品，召回概率很小，可以回访这部分客户，发现产品和服务问题，优化，练习内部技能，以便下次推广“按”客户。综上所述，第二类和第三类客户是我们接下来关注大腿的目标，这是“节流”；根据第四类客户的回访，建议改进产品和服务，在下一步的运营工作中吸引新客户，这是“开源”。看到这里，你以为已经结束了？NO，youtoonaive~喵喵应该榨干数据，尽可能多地获取有用的操作信息！以下是透视表处理后各区三类用户的比例：各区三类客户的分布是各区三类客户的分布。由此可见，松虹路的整体订单客户数量最大，其次是泾河泾，再次是五角场。此外，以上数据还可以得出以下概况：利用excel中的多个判断函数公式，将客户的单个平均消费金额分为7个等级。如果函数公式太反人类，喵喵就不会被列出来。只要知道原理。建议等级分太多，excelif嵌套最多7层。。。从而获得每个消费金额范围的客户比例，我们可以了解试运行期间客户的整体消费结构。表格看起来不直观，直接转换成以下两张图，上图定量比较，下图定性分析比例。在分析上述两张图片之前，需要指出的是，O2O零食品牌绝大多数单一产品的价格在3~15元之间。从上图可以看出，绝大多数客户在下订单时购买不止一种商品，这表明连带率（连带率是服装行业销售的指标，描述了客户在一次购买过程中同时购买几种商品，反映了商品搭配的有效性。这是一个暴露的背景。小喵来自服装）很好。例如，当顾客购买香肠时，他们同时购买鸡翅、可乐和薯条，这表明此类产品的组合是可以接受的。当然，还有很大的改进空间~购买频率客户数量分布图最后是购买频率客户数量分布图，可以反映用户的忠诚度。其中，大多数用户只买了一次。看到这样的数据，运营商应该思考为什么这么多客户只买一次。他们自己的东西不好吃吗？因此，今后要研究市场，研究客户，研究竞争对手，练好自己的内功。4、结论很好。操作喵的分享已经结束。当然，上面也可以使用数据地图将客户的位置分布成热地图和身体（geng）现（hao）专（de）业（zhuang）性（bi），为了了解整个客户的区域分布，进行有效的二次重点推广，具体操作方法请参考喵喵之前的另一篇文章：操作实践｜学习15分钟的数据地图分析。从这个例子中，小苗想说的是：当我们拥有原始数据时，我们应该利用自己的数据分析经验和储备的理论知识，结合当前的业务，尽量“榨干”这些数据并吸收它们