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

應用背景

獲得企業所屬的商戶O2O運營數據后，通過分析它們在一段時間內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，簡化數據，綜合評價)

分析工具

SPSS(數據分析的重量級應用，與SAS二選一)

實例：100個商戶的O2O運營數據

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目來概括其信息。

簡化數據：把原始變量轉化為因子后，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

判斷數據是否適合因子分析

構造因子變量

利用銀子旋轉方法使得因子更有實際意義

計算每個個案的因子得分

如何判斷數據是否適合因子分析?

因子分析的變量要求為連續變量，分類變量不適合直接進行因子分析。

建議個案個數為變量個數的5倍以上，這只是參考值，不是絕對標準。

KMO檢驗統計量：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。

【旋轉】

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】

勾選系數顯示格式中的“按大小排序”，是為了讓系數大小有序，方便觀察;勾選“排除小系數”，輸入0.4，這樣在結果中相關系數小于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據是否適合因子分析，主要參考KMO統計量即可。

KMO統計量為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“初始特征值”大于1的標準提取了兩個因子，旋轉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，通常是選區取現中比較陡峭的位置所對應的因子個數。

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?

初始特征值(總方差解釋圖)大于1的因子個數

累計方差貢獻率(總方差解釋圖)達到一定水平的因子個數(如60%)

碎石圖中處于陡峭曲線上的對應因子個數。

根據經驗或研究，指定個數。

這是旋轉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，直接看旋轉后的因子載荷矩陣。

“旋轉后的成分矩陣”顯示的是旋轉后的因子載荷矩陣，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“網店瀏覽量”、“論壇瀏覽量”、“線上廣告費用”、“實體店訪客數”，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據，“實體店訪客數”放映的雖然是線下數據，但是與第一個因子呈現反向關系。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”、“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*第一個因子得分+第二個因子占的加權比重數*第二個因子得分

本例中旋轉后的方差解釋圖知：

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=38.968/72.367

因子2所占的加權比重數=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的運營方式下表現優異。

知道了那些商家表現優異，那些商戶表現比較差，就可以進行后的詳細分析，以提升企業的商業價值，達到某些商業目的。

網頁名稱：O2O商戶運營成效評價
網站地址：http://m.newbst.com/news20/167870.html

成都網站建設公司_創新互聯，為您提供App設計、外貿建站、網頁設計公司、網站維護、建站公司、服務器托管

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，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站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯