因子分析主要用于分析商戶O2O運營數(shù)據(jù)，了解商家的行為信息，找出數(shù)據(jù)背后的共性，最終對商家進行綜合評價，挖掘商家特點。

應用背景

獲得企業(yè)所屬的商戶O2O運營數(shù)據(jù)后，通過分析它們在一段時間內(nèi)的線上線下行為信息，找出這些變量的共性，降低分析維度，對商戶進行綜合評價，可以知道產(chǎn)品運營效果是否達到預期。

分析方法

因子分析(探索結構，簡化數(shù)據(jù)，綜合評價)

分析工具

SPSS(數(shù)據(jù)分析的重量級應用，與SAS二選一)

實例：100個商戶的O2O運營數(shù)據(jù)

一、基礎知識講解

因子分析的目的是什么?

探索結構：在變量之間存在高度相關性的時候，我們希望用較少的因子數(shù)目來概括其信息。

簡化數(shù)據(jù)：把原始變量轉(zhuǎn)化為因子后，使用因子得分進行分析，比如聚類分析、回歸分析等。

綜合評價：通過每個因子得分計算出綜合得分，對分析對象進行綜合評價。

因子分析的步驟

判斷數(shù)據(jù)是否適合因子分析

構造因子變量

利用銀子旋轉(zhuǎn)方法使得因子更有實際意義

計算每個個案的因子得分

如何判斷數(shù)據(jù)是否適合因子分析?

因子分析的變量要求為連續(xù)變量，分類變量不適合直接進行因子分析。

建議個案個數(shù)為變量個數(shù)的5倍以上，這只是參考值，不是絕對標準。

KMO檢驗統(tǒng)計量：小于0.5時不適合因子分析;大于0.5小于0.7時，尚可以接受因子分析;大于0.7小于0.8時，比較適合因子分析;大于0.8時非常適合因子分析。

二、如何展開因子分析

不瞎逼逼，直接開干。

【描述】

勾選“KOM和巴特利特球形度檢驗”，目的是用于生成檢驗因子分析適合度的統(tǒng)計指標。

【提取】

方法選擇“主成分”，這是最常用的提取因子的方法;

勾選“碎石圖”，用于輔助判斷因子個數(shù)。

【旋轉(zhuǎn)】

選擇“大方差法”，用于更好的解釋因子所包含的意義。

大方差法師最常用的，該方法能夠使每個變量盡可能的在一個引子上有較高的載荷，在其余因子上載荷較低，從而方便對因子進行解釋。

【得分】

勾選“保存為變量”，方法選擇“回歸”，用于保存計算的到的因子得分。

【選項】

勾選系數(shù)顯示格式中的“按大小排序”，是為了讓系數(shù)大小有序，方便觀察;勾選“排除小系數(shù)”，輸入0.4，這樣在結果中相關系數(shù)小于0.4的會被排除，不再顯示，也是為了方便觀察(因為我們是尋找相關系數(shù)高的)

注意：這里不必生搬硬套，也不必也定時0.4，可視具體情況而定

分析結果解讀：

該結果主要用來檢驗數(shù)據(jù)是否適合因子分析，主要參考KMO統(tǒng)計量即可。

KMO統(tǒng)計量為0.627，大于0.5小于0.7，尚可以接受因子分析。

這個結果是“變量共同度”，顯示了原始變量能被提取的因子解釋的程度。

本例中所有變量共同度都在60%以上，可以認為所提取的因子對各變量的解釋能力是可以接受的。

該圖是“總方差解釋”，顯示了通過分析所提起的因子數(shù)量，以及所提取的因子對所有變量的累計方差貢獻率。

累計方差貢獻率大于60%，則說明因子對變量的解釋能力尚可接受，達到80%，說明因子對變量的解釋能力非常好。

本例根據(jù)“初始特征值”大于1的標準提取了兩個因子，旋轉(zhuǎn)之后累計方差貢獻率達到72.367%，因子的解釋能力較好。

碎石圖”能輔助我們判斷好因子個數(shù)，通常是選區(qū)取現(xiàn)中比較陡峭的位置所對應的因子個數(shù)。

本例前三個音字都在較陡峭的曲線上，所以提取2~~3個因子都可以對原始變量有較好的解釋。

如何確定提取的因子個數(shù)?

初始特征值(總方差解釋圖)大于1的因子個數(shù)

累計方差貢獻率(總方差解釋圖)達到一定水平的因子個數(shù)(如60%)

碎石圖中處于陡峭曲線上的對應因子個數(shù)。

根據(jù)經(jīng)驗或研究，指定個數(shù)。

這是旋轉(zhuǎn)之前的因子載荷矩陣，難以對因子進行明確定義，可以忽略不看，直接看旋轉(zhuǎn)后的因子載荷矩陣。

“旋轉(zhuǎn)后的成分矩陣”顯示的是旋轉(zhuǎn)后的因子載荷矩陣，這個結果能夠凸顯因子含義。

第一個因子：載荷較大的變量是“網(wǎng)店瀏覽量”、“論壇瀏覽量”、“線上廣告費用”、“實體店訪客數(shù)”，說明這四個變量與該因子的相關程度較高，其中前三個是反映的是線上數(shù)據(jù)，“實體店訪客數(shù)”放映的雖然是線下數(shù)據(jù)，但是與第一個因子呈現(xiàn)反向關系。綜上所述可以吧第一個因子命名為“線上商務”。

第二個因子：載荷較大的是“實體店鋪貨數(shù)”、“線下廣告費用”、“地面推廣引入量”，說明這個變量與因子的先關程度較高，并且反映的都是線下情況。綜上所述可以命名為“線下商務”。

注意：系數(shù)是按我們設置的降序排列，并且有的為空，是因為我們設置的排除小于0.4的系數(shù)是因子結果更加清晰，可讀。

這個圖沒什么卵用，忽略不計。

新生成了兩個變量就是每個商戶在兩個因子上的得分：第一個因子的得分，第二個因子的得分。

三、如何計算綜合得分

下面我們計算綜合得分。

公式：第一個因子占的加權比重數(shù)*第一個因子得分+第二個因子占的加權比重數(shù)*第二個因子得分

本例中旋轉(zhuǎn)后的方差解釋圖知：

因子1貢獻率為38.968%，因子2貢獻率為33.399，累積貢獻率為72.367

所以因子1占的加權比重數(shù)=38.968/72.367

因子2所占的加權比重數(shù)=33.399/72.367

對綜合得分進行將序排列，就能知道哪些商戶在O2O的運營方式下表現(xiàn)優(yōu)異。

知道了那些商家表現(xiàn)優(yōu)異，那些商戶表現(xiàn)比較差，就可以進行后的詳細分析，以提升企業(yè)的商業(yè)價值，達到某些商業(yè)目的。

網(wǎng)頁名稱：O2O商戶運營成效評價
網(wǎng)站地址：http://jinyejixie.com/news20/167870.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供App設計、外貿(mào)建站、網(wǎng)頁設計公司、網(wǎng)站維護、建站公司、服務器托管

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)