【2023第四届FineBI数据分析大赛】数学建模竞赛市场简要分析 一、选手简介 1、团队选手介绍 · 团队名称：数模大鳄战队 · 队长介绍：目前是深圳大学的学生，对数学建模、数据分析感兴趣，对商业和数据的结合领域尤其感兴趣。 · 成员介绍：其他的四位成员也是深圳高校的学生，也对数据分析比较感兴趣。 · 团队组成：项目的成员曾经一起参加过商业、创业类比赛，看到这个数据分析比赛，想一起参加。同时想通过锻炼出数据分析能力，并将其应用到之后的商业/创业比赛当中。 2、参赛初衷 团队希望通过使用FineBI提升自己的数据分析能力，希望以后能够将数据分析能力应用到商业分析的比赛中，因为现在商业分析和数据分析的结合的趋势也是逐渐明显。   二、作品介绍 1、业务背景与分析初衷 · 业务背景：在知识经济与大数据技术的发展下，数学建模越来越成为国家战略支撑与企业决策不可缺的一部分。而随着主要面向大学生的数学建模竞赛的逐渐发展，大学生数学建模竞赛的市场化特征日益明显。分析的方法对现有的数竞赛市场进行分析。 · 分析初衷：团队想通过可视化的方法来展示数学建模竞赛市场的发展现状，来帮助大家了解现在的大学生数学建模竞赛市场情况 2、数据来源 团队所使用的数据是自选数据，是团队从各大数学建模竞赛的官网上收集数据并手工登记，自己制作成excel。这些数据包括2022年数学建模竞赛举办时的届数、2022年数学建模竞赛的举办年份、2017-2022年数学建模竞赛举办的数量、2017-2022年数学建模竞赛的队伍报名数、2022年数学建模竞赛获奖率、现有数学建模竞赛宣传媒介数据。 由于数据是人工采集，故难免出现错漏。团队在此声明：受限于团队成员的知识水平，团队使用的数据不一定能完全覆盖整个数学建模竞赛市场。 3、分析思路    在提交的分析报告中，会分析： l 2022年数学建模竞赛市场。通过环形图和饼图的形式来展示2022年数学建模竞赛市场情况； l 数学建模竞赛发展趋势。涉及到趋势的揭示，故采用折线图的形式来揭示发展趋势； l 数学建模竞赛的获奖率。使用气泡图的形式来揭示目前的数学建模竞赛的获奖率； l 竞赛宣传媒介。使用环形图来揭示目前数学建模竞赛的宣传使用媒介的情况。 4、分析思路     由于数据是人工采集，故没有比较难以的数据处理。在此部分仅对较为重要的数据处理进行说明。 第一个是编码化，即对数学建模竞赛的宣传情况进行编码。“是”变成“1”，“否”变成“0”，如下图所示。 5、可视化报告 5.1  2022年数学建模竞赛竞赛简要分析 （1）布局分析     左图是对2022年数学建模竞赛的举办届数的分析，右图是对2022年数学建模竞赛的举办月份的分析。 首先是对届数进行分组（1-5届为一组，6-10届为一组，以此类推）。通过环形图表示现有数学建模竞赛的届数的结构，如果在同一组的“记录数”越多，则其的半径会越长； 通过饼图展现出数学建模竞赛的2022年的举办情况。将同一月份举办的竞赛用同一颜色表示出来。通过颜色区分化的方法来突出什么阶段举办的数学建模竞赛较多。 （2）分析结论 在2022年这一年，近60%的数学建模竞赛于举办时届数已至少为11，40%多的数学建模竞赛于举办时低于11，近三成的数学建模竞赛是近些年才开始举办，故举办届数至多为5。这说明，近几年数学建模竞赛市场的特征之一是：新的数学建模竞赛涌入该市场中，而老牌的数学建模竞赛也并没有遭到“淘汰”，持续在该市场中占据“一席之地”。 通过下图右侧的饼图发现，2022全年都有数学建模竞赛的举办。而在5月这一月份集结举办的数学建模竞赛最多。如果一个组织希望举办一个新的数学建模竞赛，需要考虑已有的数学建模竞赛举办时间格局，尽量避开比赛多举办的月份。 5.2 数学建模竞赛发展趋势分析 （1）布局分析 希望展现数学建模竞赛市场的发展趋势，使用折线图将这种趋势根据时间表现出来。在此选取2017-2023年举办的数学建模竞赛的数据来进行折线图的展示。 上面折线图的展现方式比较宏观化，接下来使用微观化的方式来展示数学建模竞赛市场的发展趋势。在此使用邻近两年的两两对比方法。邻近两年的对比指的是前一年的队伍报名数设置为1，而后一年的队伍报名数设置为这一年与前一年的比值。以“2017vs2018”为例，由于数据收集受限，只能收集到9个数学建模竞赛的这两年的队伍报名数。2017的队伍报名数设置为1，2018的队伍报名数设置为其与2017年原始队伍报名数的比值。若某一个比赛的2018年的队伍报名数的“比值设置值”大于1，则说明该比赛相较于去年在队伍报名数上有增加。 （2）数据分析结论 自2017年开始，数学建模竞赛市场持续扩大，有一定历史的即“老牌”的“数学建模竞赛”继续按期举办。与此同时有新的数学建模竞赛涌入市场。 通过自2017到2022年的邻近两年对比可知，报名参加数学建模竞赛的队伍数在邻近两年间呈现增加的趋势。 通过数学建模竞赛的举办数量与报名队伍数的可视化分析可知：数学建模竞赛市场整体是需要呈现扩大趋势且向好发展的。 5.3获奖率分析 （1）布局分析 通过气泡图的方式分析现有的数学建模竞赛的获奖率结构。用不同的颜色来区分不同的获奖率，用气泡大小来展现获奖率的占比。 （2）分析结论 目前最高的数学建模竞赛获奖率最高的是60%。（在报名章程中的计划数，不包括所谓的“成功参赛奖”和“优秀奖”）。大多数的数学建模竞赛的获奖率在40%以上。同时,存在极少数的数学建模竞赛的获奖率极低。   5.4 宣传媒介分析 （1）布局分析 从三个维度即“是否有与赛事相关的公众号”、“是否有与赛事同名的公众号”、“是否独立运营独立官网”来分析现有数学建模竞赛的宣传媒介使用状况。使用环形图来表示数学建模竞赛的宣传媒介使用情况。 （2）结论 通过网络搜索可知，85%的数学建模竞赛组织方会通过自建微信公众号来宣传己方的数学建模竞赛。然而，仅有40%的数学建模竞赛组织方会通过自建“与竞赛同名的公众号”来宣传自己的竞赛。即在这85%会自建微信公众号的组织方中，只有近一半的会自建“与竞赛同名的公众号”。以APMCM亚太地区大学生数学建模竞赛为例，它的主办方北京图象图形学学会会在其“北京图像图形学学会”中宣传该竞赛，除此之外还会宣传该学会主办的其他活动。此外，存在一个“APMCM亚太地区数学建模竞赛”微信公众号来对该竞赛进行专门的宣传。 除此之外，75%的赛事会有专门的网站，25%的赛事没有专门的网站，竞赛信息需要借助其他的网站上进行宣传，属于“宣传外包化”。 5.5 最终结果呈现的页面布局 本团队使用公共账号，具体链接为： https://bisolutions.fanruan.com/webroot/decision/link/1VWt   三、参赛总结 1、FineBI工具 · 想在这里夸一下FineBI工具，因为它的功能相较于其他的BI工具比较完善。 · 然而，FineBI工具也有不足。例如在多系列折线图中，团队画了两条折线，但是难以把两条不同的折线图用不同的颜色区分开来。是 2、参赛总结    感觉这次的比赛让整个团队都一起进步了！我们一起学会了从数据可视化的角度来分析一个市场状况，这对我们以后的职业化规划和发展是非常有好处的。  

1选手简介 1.1选手介绍 个人介绍：如，帆软社区用户名Lightup，目前就读于深圳某本土高校；目前学的是管理类的专业，个人感兴趣的方向和领域都是数据分析。   1.2参赛初衷 让自己更加懂得BI工具的操作与使用 (2) 让自己在项目实战中了解到数据分析是如何指导业务决策的制定的 (3) 充实自己的简历，让在岗位竞争中有竞争力   2 作品介绍 2.1业务背景/需求痛点 (1)业务背景 公司的直播电商运营部门发现近些日子用户流失率较以往有提升，即如右图所示，这个月的用户流失数为948，流失率达16.84%。 (2)需求痛点 运营部门只能观察到用户流失增多这一现象，却不知道为什么会引起这个原因。而面对庞大的用户数据运营部门不知道从何着手分析，因此委托公司的数据分析部门进行用户数据的分析。   2.2 数据来源 数据来源于DataCastle平台中的一个数据集。 该数据集网址是： https://www.datacastle.cn/dataset_description.html?type=dataset&id=1567。 表2-1 数据集字段 字段 描述 用户ID 唯一标识用户的ID号 是否流失 1表示该用户已经流失，0表示该用户未流失 使用时长 用户使用该平台的时长(月) 登录设备 用户登录该平台的设备 城市等级 用户所在城市的等级 配送距离 仓库与用户收货地之间的距离 年龄段 用户所在年龄段(例如2表示该用户是在20-29岁之间) 婚姻状态 用户的婚姻状态 性别 用户的性别 停留时长 用户平均每次登录平台后的停留时间（小时） 偏爱的订单类型 用户上月偏爱的订单类型 满意度得分 用户对该平台的满意度得分（得分范围：1-5） 关注的直播数 用户在该平台关注的直播人数 差评 用户上个月是否给出了差评，用0和1表示 订单增长百分比 用户相较于去年的订单增长百分比 优惠券使用数 用户上个月使用的优惠券数量 订单数 用户上个月在该平台的订单购买数量 最近一次购买 用户距今最近一次的购买 平均优惠返现 用户上月的平均订单优惠返现金额   3分析思路 由于所有的用户可分为流失用户与未流失用户,因此在做分析时将两类用户分开,并主要分成了三大分析方向，一是对已流失客户的用户画像进行分析，从而识别已流失用户的特征，并进行相应措施的调整；二是对已流失用户与未流失用户进行多维度指标的对比，找到已流失用户与未流失用户的区别所在，从而识别在未流失用户中可能成为已流失用户的人群；三是从增加订单量的角度出发，从增加老用户订单与新用户订单的方面去制定指标。 主要的数据分析模型是多维分析,即从多个维度观察指标。另外参考RFM模型“自创”了RFA模型，其中该模型的“R”、“F”与RFM模型中的“R”、“F”具有相同的含义。   4数据处理 由于数据的完整性较高,故没有对数据进行处理操作。 但是对个别维度的数据分析，是会对存在缺失值所在的数据行进行删除。   5 可视化报告 5.1 整体风格 排版整体以黑色作为背景，字体的颜色是白色，可视化图表以白、蓝、灰作为主色调。 5.2 组件分析 5.2.1 已流失用户的画像 这部分重要指标包含已流失用户各维度下的人数分布，以及各维度的流失率。 图5-1 已流失用户的画像 对已流失用户的画像进行分析，可得出以下结论： 在年龄段这个维度上，在已流失客户中，中年人的占比最高，其中40-49岁的人群最多。而在所有年龄段的客户（包含已流失&未流失客户）中，中老年人的流失率较高，即中老年的用户更易于流失，而50-59、60-69岁年龄段群体的流失率均超过了总的用户流失率16.84%。 在城市等级这个维度上，在已流失客户中，来自一线城市的用户占比最高，三线城市次之。但是来自二线城市、三线城市的用户较一线城市用户更易于流失。 在婚姻状态这个维度上，在已流失客户中，单身、已婚的用户都比离婚的用户占比高其。而在所有婚姻状态的用户中，单身状态的群体流失率高达26.73%，即单身状态群体相较于另两类群体更易流失。中单身用户的占比最高，而该群体的流失率高达26.73%。 在性别这个维度上，在已流失客户中，男性用户的占比远远高于女性用户占比。而两类用户的流失率都接近总的流失率16.84%，但是男性相较于女性用户更易于流失 根据以上结论可制定如下的决策： 直播电商运营部门应该在内容上做出调整，即适当地增加适合偏中老年人观看的直播内容。 直播电商运营部门应在内容的调整上做出基于城市等级维度的分类，即设置清晰明了的内容专区以应让来自不同城市等级的用户都能找到自己喜欢的直播。 直播电商运营部门应当对单身用户群体做调研、访谈等工作，以更好地了解该类群体的需求，从而为他们推荐合适的电商直播内容。 直播电商运营部门应对男性用户做好市场调研工作，以更好地了解男性用户的需求，为他们推荐适合他们观看的直播电商内容。 5.2.2 用户满意度的数据分析（已流失用户&未流失用户） 这部分重要指标包括已流失用户与未流失用户的差评占比、已流失用户与未流失用户的满意度评分占比。 图5-2 用户满意度的数据分析可视化图 由上图可得出如下的结论：在已流失的用户中，给差评的人数占比约为52%，远高于未流失用户中给差评的人数占比23%。由此可知，差评是极有可能驱动用户流失的因素。 在满意度评分上，有三个现象值得引起直播电商运营部门的关注。 第一，在未流失用户中，满意度得分为1分和2分的用户占比合计约33%，远高于在已流失客户的占比，因此，直播电商运营部门应实时关注满意度得分为1或2的用户，尤其是要及时解决这部分群体的投诉、建议与反馈。 第二，无论是在已流失客户还是未流失客户中，满意度为3分的用户占比都是最高的，这说明对于大多数用户来说，该直播电商平台仍有待提升用户体验，因此运营部门应做好需求调研与产品功能设计。 第三，在未流失用户中，满意度为5分的人数占比达28%，远高于在未流失用户的占比。而对该平台满意度较高的已流失客户中，给差评的占比均超出了45%，这说明可能有一些用户一直以来对平台的满意度是较高的，但可能因为一些“不愉快”的事件而流失。因此，在此建议运营部门对该部分群体进行回访调研，搞清楚到底是什么原因促使了他们的流失，并以此做出相应的策略调整。 5.2.3 用户平台使用时长数据分析（已流失用户&未流失用户） 这里对用户的平台使用时长的分布进行了数据的分析，结果如下图所示。 图5-3 用户平台使用时长数据分析可视化图 由上图可得出结论：大多数已经流失的用户都是在使用该平台的一段时间后才流失的。而大部分的已流失客户都是在使用该平台3个月以内才流失的。而如果一个用户使用该直播电商平台超过3个月后，其流失的概率就会变得很少。 因此，直播电商运营部分应当把使用该直播电商平台未超过3个月的用户纳入“新用户”的范畴，对他们进行精细化运营，要及时、快速地解决该类用户提出的诉求、建议等。 5.2.4 用户购买行为数据分析 这里根据用户的平台使用时长的分布进行了数据的分析，结果如下图所示。其中，对已流失用户和未流失用户的使用时长做了对比。其中对已流失用户中最近一次购物的差评占比数进行了统计。将用户分为已流失用户与未流失用户，并对其优惠金额人数占比以及优惠订单占比做出统计。 图5-4 用户购买行为数据分析可视化图 从用户的购买行为上分析，可得出如下的结论：大多数已流失客户并不是在平台上很久没有发生购买行为。大部分用户在10多天内购买过产品，但是这部分用户中给差评的人数占比都较高，这说明用户流失的原因可能在于用户的“不愉快购物体验”。 因此，建议运营部门与市场营销部门一起对该类现象进行调研，例如对该部分群体进行访谈、问卷回收等，以找到这部分群体给出差评的原因，从而做出营销策略的调整。 从优惠券使用占比的维度上分析，可得出如下的结论：未流失用户与已流失用户的订单优惠券使用结构并无显著差异，二者群体的订单优惠券使用占比集中在0.4-0.6、0.8-1之间。但是，在订单平均优惠金额为140-209、210-279、280-350的区间内，未流失的用户人数占比都超过已流失用户的人数占比。总体上说，已流失用户享受到的订单优惠力度稍弱于未流失用户享受到的订单优惠力度。 因此，直播电商运营部门应对整体优惠券的折扣力度进行相应的调整，并对极有可能流失的用户发放折扣较大的优惠券。 5.2.5用户产品偏好（新用户&老用户） 将用户分成新用户与老用户，并分别对这两类用户所喜爱的产品的分布进行统计。 图5-5 用户产品偏好图 对于新用户而言，他们会更喜欢移动手机、笔记本电脑及配件、家用工具的产品；对于老用户而言，他们的产品偏好与新用户的产品偏好不一致，排在前四位的产品为笔记本电脑及配件、时尚产品、移动手机、零食小吃。 因此建议向新用户产品更多地推荐这三类产品的电商直播，以及围绕这三种产品做出相应的活动；同时建议向老用户主要推荐这四类产品的电商直播，以及围绕这四种产品做出相应的活动。 5.2.6未流失用户的价值分析(RFA模型) 图5-6 RFA模型数据分析结果 参考RFM模型，自定义RFA模型，其三个重要的指标是最近一次消费(R)、 最近一段时间的消费频次(F)、用户订单年增长率(A)。 而根据这三个指标，所有的用户被划分为4大类用户。分别是重要价值用户、重要发展用户、一般发展用户、一般保持用户。 重要价值用户（111）：最近有消费、上月消费次数多，订单总量相较于去年有大幅度增加，这部分客户是VIP客户 重要发展用户（101）：最近有消费、但是上月消费次数少，而订单总量相较于去年有大幅度增加 一般发展用户（010）：最近没有消费、但是上月消费次数多，而订单总量相较于去年没有大幅度增加 一般保持用户（000）: 距今一次消费时间较长、上月消费次数较少、但是订单总量相较于去年没有大幅度增加，但是趋势仍然是上升的 根据用户分类结果可得出策略建议是： (1)对于一般保持用户，建议可以采取对其不定期活动推送、优惠券赠送的策略； (2)对于重要发展用户，建议可以采取对其优惠券发送、公司新品消息推送、活动信息传达、产品推荐等的策略； (3)对于一般发展用户，建议可以采取对其公司新品消息推送、活动速递的策略； (4)对于重要价值用户，建议可以采取VIP客户运营策略，即加大对该部分群体的优惠力度，并可以适当为其增加赠品、售后客服等服务。 6最终结果呈现的页面布局 参赛总结 这是我第二次使用FineBI工具来做整个的数据分析报告。之前也用过其他的BI工具写数据分析报告，但是相比之下感觉FineBI很简洁、也很好用! 这是本人第一次参加这种类型的数据分析比赛。之前参加的都是数学建模比赛。感觉帆软举办的这个比赛跟一般的数学建模比赛不太一样，而我在其中也是用了不一样的解题思路完成了这个数据分析报告。感觉所有的数据分析模型都是不能套用的，都要根据业务场景活灵活现地运用模型。最后真心感谢帆软举办这样的比赛！能够让我充实自己的简历！