-
2021-07-30 08:04:44
同比增长百分比=(当年的指标值-去年同期的值)÷去年同期的值*100%
某个指标的同期比=(当年的某个指标的值-去年同期这个指标的值)/去年同期这个指标的值
即:同比增长率=(当年的指标值-去年同期的值)÷去年同期的值*100%
一、市场价格分析计算公式
(一)当期环比增长(下降)率计算公式
根据批发市场价格分析需要,环比分为日环比、周环比、月环比和年环比。
当期环比增长(下降)率(%)=[(当期价格/上期价格)-1]*100%
说明:
(1)如果计算值为正值(+),则称增长率;如果计算值为负值(-),则称下降率。
(2)如果当期指当日、当周、当月和当年,则上期相应指昨日、上周、上月和上年。
(二)当期同比增长(下降)率计算公式
当期同比增长(下降)率(%)=[(当期价格/上年年同期价格)-1]*100%
说明:
(1)如果计算值为正值(+),则称增长率;如果计算值为负值(-),则称下降率。
(2)如果当期指当日、当周和当月,则上年同期相应指上年同日、上年同周和上年同月。
同比增长率与增长率的区别
说明:
(1)同比增长率是含有增长率的意思,是另一种方式的增长率。
(2)同比增长率计算时,有特定的时间限制,不像增长率那样,范围大,定义宽泛,而同比增长率,一般是指和去年同期相比较的增长率。
扩展资料:
同比增长分类:
同比发展速度主要是为了消除季节变动的影响,用以说明当期发展水平与Last year同期发展水平对比而达到的相对发展速度。如,当期2月比Last year2月,当期6月比Last year6月等。
其计算公式为:同比发展速度=(当期发展水平/Last year同期发展水平-1)*100% 在实际工作中,经常使用这个指标,如某年、某季、某月与上年同期对比计算的发展速度,就是同比发展速度。
1、环比
环比分为日环比、周环比、月环比和年环比。
环比发展速度是以报告期水平与其前一期水平对比(相邻期间的比较),所得到的动态相对数。表明现象逐期的发展变动程度。如计算一年内各月与前一个月对比,即2月比1月,3月比2月,4月比3月 ……12月比11月,说明逐月的发展程度。
2、定基比
定基比发展速度也叫总速度,是报告期水平与某一固定时期水平之比,表明这种现象在较长时期内总的发展速度。如"九五"期间各年水平都以1995年水平为基期进行对比,一年内各月水平均以上年12月水平为基期进行对比,就是定基发展速度。
更多相关内容 -
劳动生产率计算公式
2020-12-24 20:10:43计算公式为: 全员劳动生产率=工业增加值/全部从业人员平均人数劳动生产率计算公式相关话题社会劳动生产率提高后同一商品新价值量计算公式是什么?假定某商品原来的单位价值量为M,其他条件都不变。假设生产该商品...什么叫做?...目前我国的全员劳动生产率是将工业企业的工业增加值除以同一时期全部从业人员的平均人数来计算的。计算公式为: 全员劳动生产率=工业增加值/全部从业人员平均人数
劳动生产率计算公式相关话题
社会劳动生产率提高后同一商品新价值量计算公式是什么?
假定某商品原来的单位价值量为M,其他条件都不变。
假设生产该商品的社会劳动率提高A,那么现在该商品的单位价值量为:N=M/(1+A)
假设生产该商品的社会劳动率降低A,那么现在该商品的单位价值量为:N=M/(1-A)
什么是价值量:
商品的价值量是由生产商品的劳动运动的时空关系决定的,商品的效用是由劳动对象的自然物质结构和劳动运动空间轨迹共同构成的。商品的价值量不是由各个商品生产者所耗费的个别劳动时间决定的,而是由社会必要劳动时间决定的。 商品是用于交换的劳动产品,商品的价值是由劳动形成的,因而它的价值量要由生产商品所耗费的劳动时间来衡量。 在其他条件不变的情况下,商品的价值量越大,价格越高;商品的价值量越小,价格越低。 若其他因素不变,单位商品的价值量与生产该商品的社会劳动生产率成反比。 价值决定价格,价格是价值的货币表现,价值是价格的基础。
“生产效率”的计算公式是什么?
生产效率=标准总工时÷实际总投入工时×100%
标准总工时=标准工时×实际产出数
实际总投入工时=总投入工时-损失工时-补助工时
生产效率:
生产效率是指固定投入量下,制程的实际产出与最大产出两者间的比率。可反映出达成最大产出、预定目标或是最佳营运服务的程度。亦可衡量经济个体在产出量、成本、收入,或是利润等目标下的绩效。
生产效率 productive efficiency是围绕生态系、群落、种群、个体等的物质、能量的转移效率。广泛应用于生产生态学中,但其内容是多方面的,可分四大类:(1)生态系乃至群落中的效率;(2)个体乃至种群内的效率;(3)捕食者与被捕食者间的效率;(4)围绕种群的效率。
人均生产率指标有哪些?如何计算?
劳动生产率——就是劳动者的生产效果或能力,计算方法如下:
1、 有两种表示方法:一是用单位时间内所生产的产品数量来计算。如:10件/小时;二是用单位产品中所消耗的劳动时间来表示。如:2小时 /件。
2、两种类型:
个别劳动生产率——是指个别企业、个别劳动者生产某种产品的效率。
社会劳动生产率——是指某一部门、某一行业生产某种产品的效果或能力。
3、实物劳动生产率 是指根据某种产品实物量计算的平均每一职工(或工人)在单位时间内生产的产品数量。这是通过产品实物来反映劳动者在生产中的劳动效率指标。我国目前有全员实物劳动生产率(通称全员效率)和工人实物劳动生产率两个指标。其计算公式为:
全员实物劳动生产率(全员效率) = 产品产量/全部职工平均人数
工人实物劳动生产率 = 产品产量/生产工人(包括学徒)平均人数
4、计算实物劳动生产率的产品产量,是报告期生产的,并符合质量标准或合同规定的合格产品产量。不包括不合格品和废品的数量。
大学统计学原理题目,求月平均劳动生产率和劳动力生产率
215+225+250+265+290+300=1545万元人为上月减下月 (137.5+142.5+147.5+152.5+157.5+161)/6=149.75人下半年个人平均劳动生产率为1545/149.75=10.3172万元
个人劳动生产率和社会劳动生产率有什么关系?
社会劳动生产率即生产某一种商品时,在该行业所必须的平均劳动生产时间.时间越少则社会劳动生产率越高.个人劳动生产率是按个别劳动者的劳动效率计算的劳动生产率 所以说,社会劳动生产率代表的是整个社会的劳动生产率,个别劳动生产率的多少与它是没有直接关系的,个别劳动生产率的多少主要是看该企业的效率。但另一方面,个别劳动生产率的提高会推动社会劳动生产率的提高,即当大多数企业的个别劳动生产率提高,社会劳动生产率才会随之提高。
生产率的英语翻译 劳动生产率用英语怎么说
生产率 productivity劳动生产率 labor productivity
计算成本的公式有哪些?
计算成本的公式有期初余额+本期发生的全部生产成本=期末在产品成本+本期在产成品成本
本期在产成品成本=期初余额+本期发生的全部生产成本-期末在产品成本
成本费用=主营业务成本+其他业务成本+营业费用+管理费用+财务费用
期初在产+本期投产-本期完工=本期在产(生产成本借方余额)
营业成本=(主营业务成本 )+(其他业务成本 )
成本:
成本是生产和销售一定种类与数量产品以耗费资源用货币计量的经济价值。企业进行产品生产需要消耗生产资料和劳动力,这些消耗在成本中用货币计量,就表现为材料费用、折旧费用、工资费用等。企业的经营活动不仅包括生产,也包括销售活动,因此在销售活动中所发生的费用,也应计入成本。同时,为了管理生产所发生的费用,也应计入成本。同时,为了管理生产经营活动所发生的费用也具有形成成本的性质。
分类:按概念形成可分为理论成本和应用成本。
2.按应用情况可分为财务成本和管理成本。
3.按产生依据可分为实际成本和估计成本。
4.按发生情况可分为原始成本和重置成本。
5.按形成时间可分为历史成本和未来成本。
作用:
助成本可以反映国家和企业经济活动中"投入"和"产出"的关系。它也是衡量企业生产经营管理水平的一项综合指标,因为它可以反映企业劳动生产率高低,原料和劳动力的消耗状况,设备利用率,生产技术和经营管理水平高低。在产品价格不变的情况下,成本下降,利润就可以提高,企业经济效益就可以增加,相对的社会积累就可以增加,为逐步降低物价和提高人民生活创造条件。
参考资料
360百科:https://baike.so.com/doc/5376944-5613071.html
提高劳动生产率的途径有哪些?
人力资源的经济投入,是提高劳动生产率的第一个基本途径。人员的合理组织和配置,是提高劳动生产率的第二个基本途径。通过教育和培训提高企业员工的素质,是提高劳动生产率的第三个基本途径。人员激励是提高劳动生产率的第四个基本途径。企业文化建设是提高劳动生产率的第五个基本途径
劳动生产率将会影响最低工资标准吗?
据报道,在2015年,人社部发布《关于做好最低工资标准调整工作的通知》,要求各地充分考虑当地经济形势发展和企业实际情况,稳慎把握调整节奏,将最低工资标准由每两年至少调整一次改为每两至三年至少调整一次。
报道称,一些省区市在决定是否调整最低工资标准时,首先考虑的不是本地实际的经济形势,而是其他省区市最低工资标准是否调整以及调整的幅度,而这必然会导致部分地区最低工资水平脱离本地实际。
社科院民族学与人类学研究所所长王延中通过数据研究发现,最低工资标准的提高对就业存在一定的负向影响,尤其是对收入原本处于最低工资标准以下的低技能劳动者群体会产生直接影响。
所以,各地在制定和调整最低工资标准政策时,应重点调研本地区低技能劳动者的劳动生产率,并综合考虑本地区的经济发展水平、产业结构、劳动力市场状况等因素,制定与本地区劳动生产率相适应的最低工资标准。
文章来源:央广网
-
梯度下降及具体计算方式
2018-12-25 18:38:111. 批量梯度下降法BGD 2. 随机梯度下降法SGD 3. 小批量梯度下降法MBGD 4. 总结 在应用机器学习算法时,我们通常采用梯度下降法来对采用的算法进行训练。其实,常用的梯度下降法还具体包含有三种不同的形式,...阅读目录
在应用机器学习算法时,我们通常采用梯度下降法来对采用的算法进行训练。其实,常用的梯度下降法还具体包含有三种不同的形式,它们也各自有着不同的优缺点。
下面我们以线性回归算法来对三种梯度下降法进行比较。
一般线性回归函数的假设函数为:
对应的能量函数(损失函数)形式为:
下图为一个二维参数(和)组对应能量函数的可视化图:
1. 批量梯度下降法BGD
批量梯度下降法(Batch Gradient Descent,简称BGD)是梯度下降法最原始的形式,它的具体思路是在更新每一参数时都使用所有的样本来进行更新,其数学形式如下:
(1) 对上述的能量函数求偏导:
(2) 由于是最小化风险函数,所以按照每个参数的梯度负方向来更新每个:
具体的伪代码形式为:
repeat{
(for every j=0, ... , n)
}
从上面公式可以注意到,它得到的是一个全局最优解,但是每迭代一步,都要用到训练集所有的数据,如果样本数目很大,那么可想而知这种方法的迭代速度!所以,这就引入了另外一种方法,随机梯度下降。
优点:全局最优解;易于并行实现;
缺点:当样本数目很多时,训练过程会很慢。
从迭代的次数上来看,BGD迭代的次数相对较少。其迭代的收敛曲线示意图可以表示如下:
2. 随机梯度下降法SGD
由于批量梯度下降法在更新每一个参数时,都需要所有的训练样本,所以训练过程会随着样本数量的加大而变得异常的缓慢。随机梯度下降法(Stochastic Gradient Descent,简称SGD)正是为了解决批量梯度下降法这一弊端而提出的。
将上面的能量函数写为如下形式:
利用每个样本的损失函数对求偏导得到对应的梯度,来更新:
具体的伪代码形式为:
1. Randomly shuffle dataset;
2. repeat{
for i=1, ... , {
(for j=0, ... , )
}
}
随机梯度下降是通过每个样本来迭代更新一次,如果样本量很大的情况(例如几十万),那么可能只用其中几万条或者几千条的样本,就已经将theta迭代到最优解了,对比上面的批量梯度下降,迭代一次需要用到十几万训练样本,一次迭代不可能最优,如果迭代10次的话就需要遍历训练样本10次。但是,SGD伴随的一个问题是噪音较BGD要多,使得SGD并不是每次迭代都向着整体最优化方向。
优点:训练速度快;
缺点:准确度下降,并不是全局最优;不易于并行实现。
从迭代的次数上来看,SGD迭代的次数较多,在解空间的搜索过程看起来很盲目。其迭代的收敛曲线示意图可以表示如下:
3. 小批量梯度下降法MBGD
有上述的两种梯度下降法可以看出,其各自均有优缺点,那么能不能在两种方法的性能之间取得一个折衷呢?即,算法的训练过程比较快,而且也要保证最终参数训练的准确率,而这正是小批量梯度下降法(Mini-batch Gradient Descent,简称MBGD)的初衷。
MBGD在每次更新参数时使用b个样本(b一般为10),其具体的伪代码形式为:
Say b=10, m=1000.
Repeat{
for i=1, 11, 21, 31, ... , 991{
(for every j=0, ... , )
}
}
4.具体实现描述
(1)线性回归的定义
(2)单变量线性回归
(3)cost function:评价线性回归是否拟合训练集的方法
(4)梯度下降:解决线性回归的方法之一
(5)feature scaling:加快梯度下降执行速度的方法
(6)多变量线性回归
Linear Regression
注意一句话:多变量线性回归之前必须要Feature Scaling!
方法:线性回归属于监督学习,因此方法和监督学习应该是一样的,先给定一个训练集,根据这个训练集学习出一个线性函数,然后测试这个函数训练的好不好(即此函数是否足够拟合训练集数据),挑选出最好的函数(cost function最小)即可;
注意:
(1)因为是线性回归,所以学习到的函数为线性函数,即直线函数;
(2)因为是单变量,因此只有一个x;
我们能够给出单变量线性回归的模型:
我们常称x为feature,h(x)为hypothesis;
从上面“方法”中,我们肯定有一个疑问,怎么样能够看出线性函数拟合的好不好呢?
我们需要使用到Cost Function(代价函数),代价函数越小,说明线性回归地越好(和训练集拟合地越好),当然最小就是0,即完全拟合;
举个实际的例子:
我们想要根据房子的大小,预测房子的价格,给定如下数据集:
根据以上的数据集画在图上,如下图所示:
我们需要根据这些点拟合出一条直线,使得cost Function最小;
虽然我们现在还不知道Cost Function内部到底是什么样的,但是我们的目标是:给定输入向量x,输出向量y,theta向量,输出Cost值;
以上我们对单变量线性回归的大致过程进行了描述;
Cost Function
Cost Function的用途:对假设的函数进行评价,cost function越小的函数,说明拟合训练数据拟合的越好;
下图详细说明了当cost function为黑盒的时候,cost function 的作用;
但是我们肯定想知道cost Function的内部构造是什么?因此我们下面给出公式:
其中:
表示向量x中的第i个元素;
表示向量y中的第i个元素;
表示已知的假设函数;
m为训练集的数量;
比如给定数据集(1,1)、(2,2)、(3,3)
则x = [1;2;3],y = [1;2;3] (此处的语法为Octave语言的语法,表示3*1的矩阵)
如果我们预测theta0 = 0,theta1 = 1,则h(x) = x,则cost function:
J(0,1) = 1/(2*3) * [(h(1)-1)^2+(h(2)-2)^2+(h(3)-3)^2] = 0;
如果我们预测theta0 = 0,theta1 = 0.5,则h(x) = 0.5x,则cost function:
J(0,0.5) = 1/(2*3) * [(h(1)-1)^2+(h(2)-2)^2+(h(3)-3)^2] = 0.58;如果theta0 一直为 0, 则theta1与J的函数为:
如果有theta0与theta1都不固定,则theta0、theta1、J 的函数为:
当然我们也能够用二维的图来表示,即等高线图;
注意:如果是线性回归,则costfunctionJ与的函数一定是碗状的,即只有一个最小点;
以上我们讲解了cost function 的定义、公式;
Gradient Descent(梯度下降)
但是又一个问题引出了,虽然给定一个函数,我们能够根据cost function知道这个函数拟合的好不好,但是毕竟函数有这么多,总不可能一个一个试吧?
因此我们引出了梯度下降:能够找出cost function函数的最小值;
梯度下降原理:将函数比作一座山,我们站在某个山坡上,往四周看,从哪个方向向下走一小步,能够下降的最快;
当然解决问题的方法有很多,梯度下降只是其中一个,还有一种方法叫Normal Equation;
方法:
(1)先确定向下一步的步伐大小,我们称为Learning rate;
(2)任意给定一个初始值:
;
(3)确定一个向下的方向,并向下走预先规定的步伐,并更新
;
(4)当下降的高度小于某个定义的值,则停止下降;
算法:
特点:
(1)初始点不同,获得的最小值也不同,因此梯度下降求得的只是局部最小值;
(2)越接近最小值时,下降速度越慢;
问题:如果
初始值就在local minimum的位置,则
会如何变化?
答:因为
已经在local minimum位置,所以derivative 肯定是0,因此
不会变化;
如果取到一个正确的
值,则cost function应该越来越小;
问题:怎么取
值?
答:随时观察
值,如果cost function变小了,则ok,反之,则再取一个更小的值;
下图就详细的说明了梯度下降的过程:
从上面的图可以看出:初始点不同,获得的最小值也不同,因此梯度下降求得的只是局部最小值;
注意:下降的步伐大小非常重要,因为如果太小,则找到函数最小值的速度就很慢,如果太大,则可能会出现overshoot the minimum的现象;
下图就是overshoot minimum现象:
如果Learning rate取值后发现J function 增长了,则需要减小Learning rate的值;
Integrating with Gradient Descent & Linear Regression
梯度下降能够求出一个函数的最小值;
线性回归需要求出,使得cost function的最小;
因此我们能够对cost function运用梯度下降,即将梯度下降和线性回归进行整合,如下图所示:
梯度下降是通过不停的迭代,而我们比较关注迭代的次数,因为这关系到梯度下降的执行速度,为了减少迭代次数,因此引入了Feature Scaling;
Feature Scaling
此种方法应用于梯度下降,为了加快梯度下降的执行速度;
思想:将各个feature的值标准化,使得取值范围大致都在-1<=x<=1之间;
常用的方法是Mean Normalization,即
或者:
[X-mean(X)]/std(X);
举个实际的例子,
有两个Feature:
(1)size,取值范围0~2000;
(2)#bedroom,取值范围0~5;
则通过feature scaling后,
练习题
我们想要通过期中开始成绩预测期末考试成绩,我们希望得到的方程为:
给定以下训练集:
midterm exam (midterm exam) final exam 89 7921 96 72 5184 74 94 8836 87 69 4761 78 我们想对(midterm exam)^2进行feature scaling,则
经过feature scaling后的值为多少?
max = 8836,min=4761,mean=6675.5,则x=(4761-6675.5)/(8836-4761) = -0.47;
多变量线性回归
前面我们只介绍了单变量的线性回归,即只有一个输入变量,现实世界不可能这么简单,因此此处我们要介绍多变量的线性回归;
举个例子:
房价其实由很多因素决定,比如size、number of bedrooms、number of floors、age of home等,这里我们假设房价由4个因素决定,如下图所示:
我们前面定义过单变量线性回归的模型:
这里我们可以定义出多变量线性回归的模型:
Cost function如下:
如果我们要用梯度下降解决多变量的线性回归,则我们还是可以用传统的梯度下降算法进行计算:
总练习题:
1.我们想要根据一个学生第一年的成绩预测第二年的成绩,x为第一年得到A的数量,y为第二年得到A的数量,给定以下数据集:
x y 3 4 2 1 4 3 0 1 (1)训练集的个数是多少? 4个;
(2)J(0,1)的结果是多少?
J(0,1) = 1/(2*4)*[(3-4)^2+(2-1)^2+(4-3)^2+(0-1)^2] = 1/8*(1+1+1+1) = 1/2 = 0.5;
我们也可以通过vectorization的方法快速算出J(0,1):
-
大数据系列 -- 用户流失率计算
2019-09-24 23:03:04用户流失率的数据可以算,可算出来以后呢?只看数据似乎完全看不出什么流失原因,只知道用户已经X个月没有来了,也不知道看到这个能干啥。今天系统解答一下。 用户流失分析常见错误 ☆错误1:试图挽留每一位...有同学问:用户流失该怎么分析?用户流失率的数据可以算,可算出来以后呢?只看数据似乎完全看不出什么流失原因,只知道用户已经X个月没有来了,也不知道看到这个能干啥。今天系统解答一下。
用户流失分析常见错误
☆错误1:试图挽留每一位用户。这是运营最常见的错误,很多新人都会踩这个坑。不购物了就发券,不登录了摇转盘。结果空烧经费,养出来一帮无利不起早的羊毛客。实际上,用户流失是不可避免的,天下没有100%的留存。每种业务都要关注自己的核心用户。在谈及用户流失的时候,我们真正要做的是:把流失率关在笼子里,控制在一个可以接受的水平上。
☆错误2:试图搞懂每一个流失原因。这是分析最常见的错误,很多新人都会踩这个坑。用户不喜欢?我们没做好?对手太厉害?用户没钱了?——总之想给每个人一个理由。可压根没数据,于是大眼瞪小眼。实际上,我们没必要、也没能力穷举所有原因。同上一条,我们只要控制可控因素,减少明显错误即可。
☆错误3:只盯流失不看活跃,事后诸葛。这是另一个常见错误。在流失率实际增高以后才开始分析。结果木已成舟,用户都跑了,分析了也没啥用。流失率是个相对滞后的指标。在数据上“流失”以前,用户可能已经跑掉了,早前几个月就没活跃了。所以,流失率要和活跃率结合起来看。对于影响用户活跃的事件要尽早关注,对于核心用户活跃率要紧密跟踪,避免事后做无用功。
用户流失分析基本思路
用户流失分析的目标是把流失率关在笼子里,因此在数据上,我们首先关注的是流失率走势,尤其关注三类问题(如下图所示)。
1、事件型问题。由一次/多次事件引发的短期流失率波动。
2、系统型问题。公司整体流失率高于同行/经验水平,并且居高不下。
3、持续型问题。流失率从某时间开始持续增高,未见好转迹象。
流失率是一个和活跃率相对的概念。虽然我们习惯上会给一个:用户X月不登录/不购货即为流失用户的定义,但当用户已经不活跃的时候,真实的流失可能已经发生了。为了更好的发现流失问题,往往自然周期和生命周期两种方式,结合活跃率一起看。自然周期往往指向事件型问题(因为事件是按自然日期发生的),生命周期往往指向系统型问题(业务做得不好,用户生命周期短or存在断点)。
事件型问题分析方法
负面的事件会引发用户流失。比如缺货、涨价、系统BUG、用户投诉、对手大促销(我们还恰好没做)等等。这一类事件最容易被识别到。体现在数据上,受事件影响的用户群体活跃率,会在事件发生后应声而落,之后N个月,流失率开始增长。
在分析时,需要
1、收集并密切注意相关事件。
2、做好事件归类(内部/外部、系统/价格/商品…)。
3、锁定受影响用户群体(打好标签备观察)。
4、关注受影响用户活跃变化。
5、观察事件对整体流失影响。
这样就事论事,更容易看出结果。在设计挽留方法时,也更容易对症下药。找到真正让用户不爽的原因,比单纯的塞优惠券更能保留用户。
需注意:正面事件也会提升流失率。特别是用户拉新、促活、留存、唤醒等等。单纯的刺激非消费类软指标,最容易引发虚假繁荣。客观上:只要有优惠活动,就会吸引套利的羊毛客,这类用户天生流失率就高。主观上讲:运营方为了制造好看的数据,也会减少限制,留下套利空间。两下作用,使得正面活动的效果往往会打折。比如新用户注册,由拉新活动产生的用户生命周期流失率很容易明显高于正常新用户的(如下图),之后N个月,这一批用户流失率势必高。
因此,在做活动的时候,就得提前考虑相关后果。正面事件不同于负面,该做还得做,我们全面评估它就好了。虽然最后的结果,可能是策划、运营不想面对的,这里实际考察的是大家的节操值。
系统型问题分析方法
如果发生系统型问题,只说明一点:我们的业务做得比对手差。此时,诊断业务问题,改善业务表现才是核心。诊断方法,可以参照用户生命周期理论。
用户在进入期、成长期、成熟期的流失原因有所不同,分析的侧重点也有不同,为了节省篇幅,这里简单总结如下图。有兴趣的同学可以在文末点个在看,数量超过20个再看我们专门分享噢。
在应对系统型问题时,不同阶段考虑的重点不同。一般在进入期,会无差别改善。在进入期,用户实际上还没有体验到我们提供的核心卖点,因此需要无差别改善流程,让用户尽可能体验到核心卖点再说。在互联网行业往往关注黑色一分钟(下载到注册的一分钟)关注新手教程的过程。在传统行业,往往强调迎客话术,尽快让用户做一次体验,试用一下产品。
进入成长期后,需要分类对待。进入成长期后,边缘用户、羊毛用户会被淘汰,用户价值也开始分化。非核心用户,就该让他流失掉,一味挽留只是空浪费经费,还会因为打折频繁让品牌贬值。这时要特别关注的是核心用户的流失,核心用户的活跃率下降,生命周期缩短,新进用户中核心用户占比下降,都是大问题,需要细致梳理和解决。有可能没有等到流失率真的涨上来,就已经开始行动了。
系统型问题可能不是一步解决的,而是持续迭代的过程。有可能我们能诊断出问题,但解决方案并不好使唤,并不能改善数据。因此如果发现存在系统型问题,需要:
1、选好参照标杆,找准差距
2、设计解决方案,投入测试
3、记录测试结果,观察数据变化
4、积累经验,保留有效方法
最终,我们看到的是我们的用户留存曲线越来越接近竞争对手,流失率持续下降,这时候可以说:系统型流失问题已得到解决。这中间可能要很多次试验、尝试,因此需要做好观察和记录,打持久战。
持续型问题分析方法
持续型问题往往最难解决。因为实际上流失率、活跃率、留存率等数据,经常出现不规则小幅度波动,而不是大幅度持续增长。这就是真正的鸡肋问题:放着不管、领导总问。想管一管,没有头绪。甚至还有流失率涨了几天,分析报告还没写出来丫就跌回来了,真是尴尬。
处理的顺序,事件型》系统型》持续型。因为单次的重大事件最容易被识别到,容易通过数据看清楚。同时,往往一系列事件是导致系统型、持续型问题的根源,能识别具体事件对处理其他问题也有帮助。系统型问题,在业务方经验丰富的情况下,能找到合适的标杆,因此相对容易处理。
最难的事持续型问题,往往流失率变化不会持续到特别严重,而是小范围反复波动(如下图),在缺少经验、数据积累的情况下,很难完全识别这些小波动,所以最后解决。如果真解决不了,就设立观察指标,先追踪起来。等到有一定程度,可能可以找到线索。
不同业务类型流失处理差异
因为流失问题和业务高度相关,因此不同业务流失分析方向也不同。从大类上看,有两个最重要的区分维度。
☆贵重低频产品VS便宜的快消品。越贵的产品(车、房、大件家居、婚庆……),用户决策流程越长,越倾向于事前判断,不存在复购一说。此类业务用户决策有明显的窗口期,越往deadline接近,用户最后下判断可能越大。所以,此类业务用户流失是个倒计时沙漏,在接触到用户的第一时间要搞清楚用户状态:用户需求是什么、对比了哪些竞品、是否已经开始议价,这样可以大概判断:留给我们的时间还有多少。从而更好抓住成交机会,赶紧跟进。而不是傻傻不分需求,按部就班介绍、跟进,黄花菜都凉了。
快消品,或者购买频次高的消费类产品(比如衣服、鞋、手机)用户天生忠诚度低,很容易被流行趋势、促销活动改变态度。完全可以采用无差距挽留的策略。反正用户这一次不买,过一段时间也会回来买。因此处理此类产品,互联网企业往往区分平台流失与产品流失两个流失留存。只要用户还停留在平台上,就持续做唤醒。传统企业往往利用换季、新品上市、周期庆、节日活动等手段,多频次激活用户。总之,只要用户价值足够大,就不抛弃、不放弃。
☆传统行业VS互联网行业。两者在用户生命周期上积累的数据量不一样。互联网行业数据较多,往往可以记录用户从点击推广链接-落地页-注册-浏览-下单全过程,因此常采用漏斗分析法,看流失用户会卡在哪些步骤,锁定问题点做改进。特别是新人注册阶段,往往是无差别优化。
传统行业往往只有消费数据,因此只能用消费频次、消费间隔来衡量用户。一般用户在消费n次以后,不喜欢的会流失,喜欢的会持续买,这就是所谓的魔法数字。通过魔法数字的大小对比,可以知道自己与对手的差距。至于用户到店-迎客-体验-服务-评价等行为层面,完全没有数据,需要通过市场调查等手段补齐。
这里主要是提醒,业务间差异很大,虽然流失的定义可以定成XX月不登录/不购买。但是实际流失场景可能早就发生了,制止流失的关键动作也有可能没有数据记录。多结合具体业务思考办法,比机械码数字管用。
小结
很多同学觉得用户流失问题很难处理。从明面上看,是因为用户流失的数据少,我们不知道用户心理怎么想的。可从本质上看,是因为会导致用户流失的原因,与用户生命周期、用户分群、用户决策流程、用户成长路径、新用户转化流程、用户体验、用户MOT、竞品影响等众多因素有关。这里随便一个主题拿出来都能单独摆一篇文章。整明白了这些,基本就搞懂了整个用户运营的流程。本质上,用户流失分析难,难在:做分析的同学们很少懂用户运营的业务。
拉一个做分析的同学出来问:
-
生命周期该是多长?
-
行业性留存率是多少?
-
核心用户是什么群体?
-
核心卖点是什么体验?
-
竞争对手有多大差异?
-
最近运营发生了啥事?
-
出现哪些意外bug?
-
最新改动有什么影响?
-
……
回答都是:不太知道。甚至是:统统不知道。你问他知道啥?他只知道计算个流失率的数据,然后按用户年龄、性别、注册渠道、购买频次……等指标做一大堆交叉表。然后对着一组组数据1%、2%、3%的差异发呆:到底说明什么了呢?
以上是个玩笑。总之分析不仅仅是跑个数据拉个表,更是深入问题内部、找到业务上真正病根。
-
-
【线性回归】- 梯度下降法计算线性回归参数
2019-05-31 21:48:124.使用梯度下降计算参数 求导公式 def grad_desc ( train , init_w , init_b , alpha , num_iter ) : w = init_w b = init_b # 记录下降过程中损失函数的值 cost_values = [ ] ... -
pytorch学习率下降策略
2021-01-23 00:25:30阶段离散下降调整策略 连续下降调整策略 周期性调整策略 自适应调整策略 自定义调整策略 -
梯度下降法的原理及例题计算
2019-09-25 15:00:26梯度下降法 参数选取的不同会影响到假设函数,在计算机中可以不断的猜测这个参数θ,我们通常会将参数的初始值设为0参数迭代的范围可以称为步长,在机器学习领域中有一个更专业的称呼叫学习率。显而易见,学习率的... -
同比增长率计算时,上期值为0怎么计算?
2021-04-30 02:14:09同比增长率计算时,上期值为0,则增长率为100%。一般这种情况下,只考虑增长...市场价格分析计算公式,当期环比增长(下降)率计算公式:根据批发市场价格分析需要,环比分为日环比、周环比、月环比和年环比。当期环比... -
Matlab计算股票价格波动率
2021-04-24 18:00:341. 请问股票波动率如何计算波动率的计算: 江恩理论认为,波动率分上升趋势的波动率计算方法和下降趋势的波动率计算方法。1、上升趋势的波动率计算方法是:在上升趋势中,底部与底部的距离除以底部与底部的相隔时间... -
梯度下降算法原理及其计算过程
2020-02-19 20:16:40还记得以前刚开始学习AI的时候,遇到了梯度下降算法,一直对很多概念搞不清楚,包括后来很长的一段时间也不是很明白梯度下降的实现原理,看了很多博客文章都是一知半解,总是有很多疑惑不能搞清楚,而且绝大多数的... -
同比、环比的区别及计算公式
2013-08-20 11:45:103、如何计算同比增长环比增长以及下降 4、同比和环比怎么算 5、同比和环比的区别 6、什么是同比和环比 一、同比和环比的区别 「同比」 与历史「同时期]比较,例如2011年3月份与2010年3月份相比,叫「同比... -
如何高效计算用户留存率
2019-10-24 17:54:53简单介绍留存率的概念,说明数仓建设中对留存率计算的优化思路 什么是留存率 在互联网行业中,用户在某段时间内开始使用应用,经过一段时间后,仍然继续使用该应用的用户,被认作是留存用户。 留存率就是留存用户... -
波特率传输字节数计算方法
2020-05-26 00:00:00用 9600 波特率来举例,就是最高每秒可以检测到 9600 个电平变化(上升沿/下降沿),也可以说最大每秒可以接收 9600 位数据,bit ,也就是二进制数(0/1),每个电平发生跳变的时钟周期为:1/9600 s. 2 传输字节数... -
如何计算租金回报率
2018-08-21 13:30:37这里有介绍房地产投资分析的三种方法,可以比较科学地计算出投资买房的收益率,消费者不妨试试。 方法一:租金回报率分析法 公式:(税后月租金-每月物业管理费)×12/购买房屋总价 这种方法算出的比值越大,就... -
卷积神经网络训练准确率突然下降_从MobileNet看轻量级神经网络的发展
2020-11-26 01:09:59上图中 224分辨率模型测试ImageNet数据集准确率为70.6%,192分辨率的模型准确率为69.1%,但是M-Adds计算量减少了151M,对移动平台计算资源紧张的情况下,同样可以通过β分辨率因子调节网络输入特征图的分辨率,做... -
电商行业转化率到底如何计算?
2020-12-14 18:16:39行为转化率 = 期望行为数 / 行为总数总体功能转化率 = 行为转化率1 * 行为转化率2 *行为转化率3 * ...*行为转化率N 期望行为是希望考量目标做到的行为,比如阅读完一篇文章、完成一次注册、绑定银行卡、支付成功等... -
深度学习与计算机视觉系列(4)_最优化与随机梯度下降
2015-12-04 18:58:03中间和最后一个图是调整a与b的取值,绘出的损失函数变化图(蓝色表示损失小,红色表示损失大),中间是在一个图片样本上计算的损失结果,最下图为100张图片上计算的损失结果的一个平均。显然沿着直线方向得到的曲线... -
【深度学习基础】1、梯度下降算法(学习率调整)
2020-11-05 16:14:30其实 文章目录【深度学习基础】梯度下降算法1、批量梯度下降(`BGD`)2、随机梯度下降(`SGD`)2、`Online GD`3、Adam 优化 【深度学习基础】梯度下降算法 while !(Stop condition) ...2、计算当前状态的梯度weig -
梯度下降学习率的设定策略
2019-04-23 14:39:38本文转载自卢明冬的博客-梯度下降学习率的设定策略 1.学习率的重要性 1)学习率设置太小,需要花费过多的时间来收敛 2)学习率设置较大,在最小值附近震荡却无法收敛到最小值 3)进入局部极值点就收敛,没有真正找到... -
学习率a的计算标准
2018-08-19 16:47:55当学习率a非固定时,因为梯度下降是找的最小值,那么,在和给定的前提下,即寻找的最小值,即 进一步,如果h(α)可导,局部最小值处的α 满足: 对于该二次近似函数: 两种方法: 1、线性搜索(Line Search... -
金融资产收益率计算中百分比收益率和对数收益率有什么区别?
2019-09-14 16:45:10百分比收益率计算:Rb=( s2- s1)/ s1= s2/ s1-1 对数收益率计算:Rd=ln(s2/ s1) 其中,s1,s2,s3是连续各期的股价,Rb表示百分比收益率,Rd表示对数收益率。 由定义可推知:Rd =ln(s2/ s1)= ln((s2-s1)/ s1+... -
【学习率】梯度下降学习率的设定策略
2020-07-01 16:46:154)自适应学习率 自适应学习率从某种程度上讲也算是动态调整学习率的范畴,不过更偏向于通过某种算法来根据实时情况计算出最优学习率,而不是人为固定一个简单策略让梯度下降按部就班地实行。 3.学习率的设定策略 ... -
神经网络学习小记录45——Keras常用学习率下降方式汇总
2020-04-06 00:11:48神经网络学习小记录45——Keras常用学习率下降方式汇总前言为什么要调控学习率下降方式汇总1、阶层性下降2、指数型下降3、余弦退火衰减 前言 学习率是深度学习中非常重要的一环,好好学习吧! 为什么要调控学习率 ... -
梯度下降法计算二次函数极值、拟合一次曲线、拟合二次曲线
2020-08-06 14:14:06可以将函数类比一座山,梯度下降法相当于移步到达山谷。我们都知道沿着最陡峭的山坡,到达山谷的速度最快。在数学中就是特定点梯度,沿着梯度的反方向,就能让函数下降的最快方向。反复的下降(移步),就能到达局部... -
【金融】- 净资产收益率(ROE)计算,杜邦分析法+python处理
2020-02-01 22:06:31参考: 净资产收益率计算案例 净资产收益率:巴菲特选股最看重的指标 -
pytorch 动态调整学习率,学习率自动下降,根据loss下降
2021-08-23 23:12:38学习率 α\alphaα 控制着梯度更新的步长(step),α\alphaα 越大,意味着下降的越快,到达最优点的速度也越快,如果为000,则网络就会停止更新 学习率过大,在算法优化的前期会加速学习,使得模型更容易接近局部或 -
一种新的计算OFDM系统误码率
2020-12-30 19:48:39(2)传统的频分多路传输方法中,将频带分为若干个不相交的子频带来传输并行的数据流,在接收端用一组滤波器来分离各个子信道,这种方法的优点是简单直接,缺点是频谱的利用率低,子信道之间要留有足够的保护频带,... -
LEU信号的图像预处理 (二)信号幅度、上升沿与下降沿时间的计算
2019-12-23 16:15:39如下图,本文计算时使用的是蓝色大括号所指的点在X轴上的范围(以数据点的位置为准,受不同采样率的影响较大),实际值应为黑色大括号所指区间所花费的时间。 Matlab代码实现: 脚本函数: data=xlsread(‘C:...