谢邀。您好，我是一名专注研究电商图表、软件、算法的商业智能数据分析师。我自己作为消费者，其实不太在意支付宝是不是会挪用什么之类的，只要能正常消费，就行了。我平时，比较喜欢资金放在银行卡里面，支付宝、余额宝的，都是有意识的放进去一些。比如说这段时间要购物，我就放一点进去，没有什么投资意识。人家作为全国知名的企业，世界首屈一指的大公司做后盾，我信得过。
背后的运作逻辑我不是很清楚，不过简单理解应该不难想到，光是在银行生利息就可以生很多钱了。想想就行了，毕竟也不会分给自己。
我觉得，光明正大的拿去投资不大现实，毕竟这些钱都是属于老百姓的。只能说，靠银行给的利息，拿利息去投资可能才是正道。现在这年头，这么多钱同时放在一个户口，生出来的钱拿去投资股票，或者给员工发福利都可以发到手抽筋。
这些都是个人的臆想，纯属娱乐。我本人其实是一名电商数据分析师，由于支付宝是电商领域里头的首选支付工具，因此我还算比较了解的。
关于数据
既然聊到电商支付工具，就不得不提电商数据。实际上支付宝背后的数据，承载了整个中国的国民基本生活，很多人经常在上面交水电费，手机充值，购物等等，遗留下来的数据非常庞大。有太多方面的数据可供分析。我自己现在在做电商数据分析，平日里会在自己的知乎专栏花随花心写点电商数据分析方面的文章，现摘取一部分内容进来观看，如果您不喜欢，可直接忽略。
![]()
商业智能数据分析师，花随花心。
大家好，我是花老师。今天，这堂课是整个PBI系列的第12课，核心关键词正如本文名字一样，权重、相关系数、指标关联。当然，这么讲肯定是不好理解的，不过没关系，稍后我会好好给大家分享。
还没有看过上11堂课的同学，要记得提前预习，文章名如下：
《PBI系列 车图 色彩搭配 数据分析 01》花随花心著
《PBI系列 竞品评论 流量 词云分析 02》花随花心著
《PBI系列 快选 人气新品池 品质档 03》花随花心著
《PBI系列 天猫国际 搜索 属性分析 04》花随花心著
《PBI系列 京东 词根分析 时段流量 05》花随花心著
《PBI系列 关键词 多维度 市场分析 06》花随花心著
《PBI系列 类目大词 群店 竞争透视 07》花随花心著
《PBI系列 搜索环境 竞店 二维矩阵 08》花随花心著
《PBI系列 店铺分类 地区透视 关系 09》花随花心著
《PBI系列 象限分析 雷达 区间分段 10》花随花心著
《PBI系列 搜索环境 波动性 集中度 11》花随花心著
那么，接下来，就让我们正式进入主题。
正文
中秋一过，人就变得有点懒散。整体感觉，还是放假的时候最舒心了。可以不用理会太多琐碎的事情，身心放松的过过假日。
实际上，今天的第12堂课，本来是昨天就想分享出来的，但鉴于假日的关系，我就没有这么做。有别于之前的11堂课，今天的主题的确是可以做到分析指标之间的关联度。
不知道大家有没有一种感觉，老是被一些机构忽悠，从头到尾的说权重，可权重到底是什么，却没有几个人能说的出来。要么就说是点击率啦，要么就说转化率啦，要么就说复购率啦。。。实际上，到目前为止，官方有把权重的因素说出来吗？
为什么不说？因为权重被分析的太透，只会导致免费流量被懂技术的商家截取，到时候那些什么都不会的小白，就只能任人宰割了。
如果您是平台，会选择怎么做呢？肯定是增加更多的维度，让大家各自去猜。在多维度的情况下，实际上即使您技术再好，也抵不过那个体量。。。
再说，纯粹的技术本来就是不入流卖家的把戏，真正的品牌，是靠资本和团队的。我之前无论讲过哪些知识点，都是建立在某个场景下，所得出来的一些结论，脱离了那个环境，很多时候结论就失效了。
简单来说，数据分析，是一杆秤，帮助我们更好的做事情，而非事情的本身。请记住我说的这句话！
![]()
就好比如这个，我如果想要分析手淘无线端关键词的市场环境的话，实际上可以通过今天的数据图表做出来。上面这个图这样看肯定是乱七八糟的，我简单解释一下逻辑，如图所示
![]()
我现在随时可以获取这样一份搜索数据，然后我希望可以分析出到底影响付款人数这个指标的因素都有哪些？
实际上，数据源当中，由于本身平台的数据限制，只能获取到一部分数据指标，不过没关系，我们姑且来分析看看。
上面这个数据源，是来自PBI生成的表格，然后我结合Excel的官方数据挖掘插件进行分析的。我们可以看出，这个软件自动把付款人数进行分段，比如小于14、14-47、47-175、175-696、大于或等于696，一共有5个分段区间。
然后不同的区间，我们可以看到影响因素的权重占比不同，比如我们来看看175-696这个付款人数区间的情况，如图所示
![]()
月销件数这个维度可以剔除，因为肯定是高度相关的。我们来看看，描述、物流、服务这3项在付款人数175-696这个区间的权重最大，相比于月销件数，我们可以看出其中的比例大概是接近40%，而在这个维度下的收藏和累计评论反而影响不大。
![]()
而在14-47区间的，反而影响因素最大的是打折价格跟累计评论。大家能看出来是为什么吗？这个例子可以告诉我们，就是当产品的销量不够的时候，买家更看重低价和买家秀。当销量上去之后，买家更看重服务体验
![]()
当然，数据这块我只是下载了前5页，剔除掉一些错误的数据，最终只有109个产品，并且是关键词[红酒 干红]的综合排序下的数据。
而被列入分析的还是红色框框里头的数据，这部分数据和销量比较挂钩。也就是说我们在进行数据处理的时候，必须先思考，到底哪些指标可能有关联度，然后再进行数据分析。
否则，出来的结果可能是南辕北辙。
说到关联度，那就不得不提Excel的相关系数，这个功能很强大，基本上可以批量判断出指标之间的关联度是多少，如图所示
![]()
我简单解释一下这里的数据，最大值是1.0，最小值是-1.0，在这个区间里头，分为强相关、弱相关和不相关，结合正负值，一共有5种不同的情况，比如说
正向强相关（0.7,1.0）
正向弱相关（0.3,0.7）
不相关（0.0,0.3）（-0.3,0.0）
负向弱相关（-0.7,-0.3）
负向强相关（-1.0,-0.7）
所谓的强相关，比如指标A和B，如果是正向的话，那么A的值越大，B就越大；反之，则B越小。就好像下面这个图里头，付款人数和累计评论之间的关系，就是0.767189952，如图所示
![]()
我们可以猜的出来，就是付款人数越多，自然累计评论越多。那为什么不能倒过来呢？这里头就涉及到所谓的思维逻辑问题了。也就是我们在进行指标分析之前，一定要知道哪些指标是因，哪些是果，否则就会出现结论说，累计评论越多，付款人数越多的悖论。
相比于累计评论，收藏人气对付款人数的影响也是正向的，但是明显比前者弱。如果这里头的数据指标再多一些的话，相信数据会表现的更明显了。
为了获取到这样一份数据，花老师研发的数据分析工具箱里头就刚好有这个功能，如图所示
![]()
![]()
目前为止，这个是第5代版本，一共有15个免费功能，当然随着我后面的不断更新，肯定会加入更多实用功能进来，尽请期待！
![]()
希望我今天的分享能对大家有所帮助，谢谢！不废话，关注知乎专栏花随花心，送数据分析工具箱！
|
转播
