商务分析应用 8

项目7以“场”为维度的店铺分析项目导入-统计分析的分类课前自学-假设检验7.1推广效果分析

相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。1.相关分析与相关关系（1）含义按相关程度

按相关程度完全相关不完全相关不相关1.相关分析与相关关系（2）分类按相关方向

按相关方向正相关负相关1.相关分析与相关关系（2）分类按相关形式

按相关形式线性相关非线性相关1.相关分析与相关关系（2）分类2.相关关系的测量r>0，代表正相关；r<0负相关；r=0无线性相关。|r|>0.95存在显著性相关；|r|≥0.8高度相关。0.5≤|r|<0.8中度相关；0.3≤|r|<0.5低度相关。|r|<0.3关系极弱，认为不相关。r分别为1、0.8、0.4、0、-0.4、-0.8、-1时，散点的分布趋势：2.相关关系的测量1.任务背景在数字经济蓬勃发展的当下，电子商务领域竞争逐渐白热化，广告成为企业争夺流量的关键战场。××电子商务企业为精准把握市场脉搏，特梳理2023—2025年期间每个店铺详细的广告投入情况，但对于广告投入的实际效能尚缺乏系统性评估。为深入剖析广告投入与订单转化的内在关联，精准衡量广告对业务的拉动作用，该公司委托你挖掘广告投入和销售数量之间的关系，为店铺决策提供数据支撑。任务内容：通过相关分析，识别广告投入和销售数量之间关系的强弱。7.2销售预测分析

1877年，英国统计学家弗朗西斯·高尔顿研究亲子身高数据，发现身高偏高父母的子女身高趋低、偏矮父母的子女身高趋高，均向群体平均身高靠拢，此为回归现象。该规律让人类身高分布趋于稳定，1888年他正式提出回归概念，后续据此衍生出借变量推测另一变量的回归分析法。1.回归分析预测（1）回归的起源

“回归”是一种统计方法，用于研究自变量（或多个自变量）与因变量之间的关系。回归分析可以帮助我们预测因变量的值，或者解释因变量的变异情况，进而研究自变量对因变量的影响程度。自变量：解释因变量的变异情况的变量。因变量：需要被解释的变量。（2）回归的含义和分类1.回归分析预测

回归分析根据自变量的多少一元回归分析多元回归分析根据自变量与因变量之间的关系线性回归分析非线性回归分析（2）回归的含义和分类1.回归分析预测

回归分析一元一元线性回归一元非线性回归多元多元线性回归多元非线性回归（2）回归的含义和分类1.回归分析预测

预测问题：根据自变量和因变量之间的关系来预测因变量的值。探究问题：探究自变量与因变量之间的关系。排除干扰：排除一些影响因变量的干扰因素，以便更准确地估计自

变量与因变量之间的关系。模型选择：比较不同模型的拟合优度，通过选择最优模型更好地解

释变量之间的关系。（3）回归分析的作用1.回归分析预测

（4）相关分析与回归分析之间的关系1.回归分析预测

当回归分析中只涉及一个自变量时称为一元回归，同时，因变量y与自变量x之间关系为线性关系时称为一元线性回归。一元线性回归模型可以表示为:y=β0+β1x+ε其中，β0常数项，表示截距；β1回归系数，表示斜率；ε误差项（残差），反映除x和y之间的线性关系之外的随机因素对y的影响。（1）一元线性回归预测2.线性回归预测

（2）评价与检验2.线性回归预测根据预测目标确定自变量和因变量绘制散点图，确定回归模型类型估计模型参数建立回归模型对回归模型进行检验利用回归模型进行预测1.任务背景在数字经济浪潮发展的时代背景下，电子商务行业步入白热化竞争阶段，广告投放作为流量博弈的核心战场，其效能直接关乎企业生存发展。××电子商务企业已系统归集2023—2025年度各店铺的广告投入明细数据。然而，面对这些数据，尚未形成对广告转化效果的深度量化认知。本任务旨在深入探究广告投入与销售数量之间的内在关联机制，为企业精准配置广告预算、提升营销效益提供科学的数据支持。任务内容：分析预测企业的销售数量。7.3

支出预测分析

时间序列分析离不开时间序列数据，时间序列数据是指随时间顺序记录的数据。时间序列分析是指对按时间顺序排列的数据进行分析，以揭示数据背后的模式、趋势和周期性。1.时间序列分析（1）含义

有助于基于历史数据预测未来的发展趋势。分析可以识别出数据中的异常值。预测成本支出、产品销量和市场需求等，从而更好地规划生产计划和营销策略。1.时间序列分析（2）作用2.时间序列分析的方法

时间序列分析的方法移动平均法指数平滑法

是指随着时间的推进，依次计算一段时间内（间隔）的平均值形成平均序列，从而反映发展趋势，实现预测未来的方法。基本原理：通过消除时间序列资料不规则和其他的变动，反映长期趋势。若序列包含周期变动，间隔数应与周期长度基本一致，才能较好地消除周期波动。2.时间序列分析的方法（1）移动平均法

通过调整平滑参数对原始数据进行平滑处理，以消除随机波动，并提取出潜在趋势信息。

基本思想：引入一个平滑指数来控制平滑的程度。当平滑指数为0时，表示不对数据进行任何平滑处理；当平滑指数为1时，表示对数据进行完全平滑处理。2.时间序列分析的方法（2）指数平滑平均法1.任务背景临近年末，××电子商务企业处在承前启后的关键节点。过往经验表明，精准把握年度支出趋势对企业稳定运营至关重要。基于此，该企业计划以2025年实际支出数据为基础，展开对2026年支出的科学预判，旨在提前洞察各项费用走向，为新一年的预算编制提供可靠依据，助力企业合理调配资源。任务内容1：根据2025年企业费用支出数据，通过时间序列的移动平均法，预测2026年的费用支出。任务内容2：根据2025年企业费用支出数据，通过时间序列的指数平滑法，预测2026年的费用支出。7.4销售渠道决策分析

20世纪70年代初，美国匹茨堡大学教授萨蒂在为美国国防部研究“根据各个工业部门对国家福利的贡献大小而进行电力分配”的课题时，应用了网络系统理论和多目标综合评价方法。1.AHP层次分析法（1）起源

根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个多层次的分析结构模型。1.AHP层次分析法（1）起源

AHP层次分析法是一种系统化的、层次化的决策方法，它结合了定性和定量分析，将与决策有关的元素分解成目标、准则、方案等多个层次，并在此基础上进行定性和定量分析。核心思想：将一个复杂的问题分解成多个层次，然后对每个层次进行比较和评估，最终得出最优的决策方案。1.AHP层次分析法（2）含义

旅游目的地风景费用交通人文2.AHP分析的步骤（1）建立层次结构模型

业务视角：由牵头专家组基于业务重点、产品发展阶段的动态变化、部门业务差异等因素考虑来设定指标权重，并用科学的方法进行统筹计算，最终获得各个指标的权重系数。用户视角：在采集用户对各指标的评价数据后，进行权重计算。通过权重排序，选择最优方案。2.AHP分析的步骤（1）建立层次结构模型2.AHP分析的步骤（2）构造判断矩阵和数据采集标度重要程度1同样重要3行指标对列指标稍微重要5行指标对列指标比较重要7行指标对列指标非常重要9行指标对列指标绝对重要2、4、6、8以上两两判断中间的重要程度*9和1/9：A指标比B指标绝对重要，打9分，反之B指标相比A指标绝对重要，打1/9；3和1/3：A指标相比B指标稍微重要，打3分，反之B指标相比A指标稍微重要，打1/3；A和B一样重要，打1。

和积法：先将矩阵的每列进行标准化，将标准化后的各元素按行求和，再将求和结果进行标准化。方根法：计算每行乘积的m次方，得到一个m维向量，将向量标准化即为权重向量，得到权重。2.AHP分析的步骤（3）指标层权重确定

①计算出矩阵A与矩阵W的乘积，得出λ值（D矩阵每行的值除以W矩

阵对应的值之和，再除以指标个数）②计算出CI值（n代表指标个数）③计算CR值2.AHP分析的步骤（4）指标层一致性检验

在所有层次的单排序完成后，将同一层次所有因素对于最高层（总目标）的重要性进行排序，并进行一致性检验。2.AHP分析的步骤（5）层次总排序及其一致性检验1.任务背景在全球化贸易浪潮下，××电子商务企业洞察到海外市场潜力，决意借跨境电商拓展业务版图。然而，面对速卖通、亚马逊与eBay三大主流平台，抉择难题横亘眼前。各平台特性迥异，知名度关乎品牌初始影响