时间: 2021-07-30 10:59:11 人气: 19 评论: 0
因子分析主要用于分析商户O2O运营数据，了解商家的行为信息，找出数据背后的共性，最终对商家进行综合评价，挖掘商家特点。
获得企业所属的商户O2O运营数据后，通过分析它们在一段时间内的线上线下行为信息，找出这些变量的共性，降低分析维度，对商户进行综合评价，可以知道产品运营效果是否达到预期。
因子分析（探索结构，简化数据，综合评价）
SPSS（数据分析的重量级应用，与SAS二选一）
实例：100个商户的O2O运营数据
不瞎逼逼，直接开干。
【描述】
勾选“KOM和巴特利特球形度检验”，目的是用于生成检验因子分析适合度的统计指标。
【提取】
方法选择“主成分”，这是最常用的提取因子的方法；
勾选“碎石图”，用于辅助判断因子个数。
【旋转】
选择“最大方差法”，用于更好的解释因子所包含的意义。
最大方差法师最常用的，该方法能够使每个变量尽可能的在一个引子上有较高的载荷，在其余因子上载荷较低，从而方便对因子进行解释。
【得分】
勾选“保存为变量”，方法选择“回归”，用于保存计算的到的因子得分。
【选项】
勾选系数显示格式中的“按大小排序”，是为了让系数大小有序，方便观察；勾选“排除小系数”，输入0.4，这样在结果中相关系数小于0.4的**被排除，不再显示，也是为了方便观察（因为我们是寻找相关系数高的）
注意：这里不必生搬硬套，也不必也定时0.4，可视具体情况而定
分析结果解读：
该结果主要用来检验数据是否适合因子分析，主要参考KMO统计量即可。
KMO统计量为0.627，大于0.5小于0.7，尚可以接受因子分析。
这个结果是“变量共同度”，显示了原始变量能被提取的因子解释的程度。
本例中所有变量共同度都在60%以上，可以认为所提取的因子对各变量的解释能力是可以接受的。
该图是“总方差解释”，显示了通过分析所提起的因子数量，以及所提取的因子对所有变量的累计方差贡献率。
累计方差贡献率大于60%，则说明因子对变量的解释能力尚可接受，达到80%，说明因子对变量的解释能力非常好。
本例根据“初始特征值”大于1的标准提取了两个因子，旋转之后累计方差贡献率达到72.367%，因子的解释能力较好。
碎石图”能辅助我们判断最佳因子个数，通常是选区取现中比较陡峭的位置所对应的因子个数。
本例前三个音字都在较陡峭的曲线上，所以提取2~~3个因子都可以对原始变量有较好的解释。
这是旋转之前的因子载荷矩阵，难以对因子进行明确定义，可以忽略不看，直接看旋转后的因子载荷矩阵。
“旋转后的成分矩阵”显示的是旋转后的因子载荷矩阵，这个结果能够凸显因子含义。
第一个因子：载荷较大的变量是“网店浏览量”、“论坛浏览量”、“线上广告费用”、“实体店访客数”，说明这四个变量与该因子的相关程度较高，其中前三个是反映的是线上数据，“实体店访客数”放映的虽然是线下数据，但是与第一个因子呈现反向关系。综上所述可以吧第一个因子命名为“线上商务”。
第二个因子：载荷较大的是“实体店铺货数”、“线下广告费用”、“地面推广引入量”，说明这个变量与因子的先关程度较高，并且反映的都是线下情况。综上所述可以命名为“线下商务”。
注意：系数是按我们设置的降序排列，并且有的为空，是因为我们设置的排除小于0.4的系数是因子结果更加清晰，可读。
这个图没什么卵用，忽略不计。
新生成了两个变量就是每个商户在两个因子上的得分：第一个因子的得分，第二个因子的得分。
下面我们计算综合得分。
公式：第一个因子占的加权比重数*第一个因子得分+第二个因子占的加权比重数*第二个因子得分
本例中旋转后的方差解释图知：
因子1贡献率为38.968%，因子2贡献率为33.399，累积贡献率为72.367
所以因子1占的加权比重数=38.968/72.367
因子2所占的加权比重数=33.399/72.367
对综合得分进行将序排列，就能知道哪些商户在O2O的运营方式下表现优异。
知道了那些商家表现优异，那些商户表现比较差，就可以进行后的详细分析，以提升企业的商业价值，达到某些商业目的。
作者：膝盖哥，是一枚“跪着提需求”的产品经理。常说“不用不用，真的不用了，我跪着就好！”
本文由 @膝盖哥 原创发布于人人都是产品经理。未经许可，禁止转载。
