在商业计划中，我们迫切需要分辨出哪些媒体平台和广告营销活动是最有效 的， 这就需要借助回归分析。
可以通过回归分析解答以下业务问题：
• 各个媒体是如何相互影响并促进销售的?
• 如何调整媒体组合从而最大化每一份支出的收益?
• 如果我们同时进行两个广告营销活动，如何判断其中一个是否比另一个更有效等等。
线性回归分析
以销售额为例，假设随着营销变量的逐步增高，销售额也会对应地逐步增高或 者减少，不会出现曲线的关系，即为线性回归分析。
线性回归分析是最基础的统计模型，有着非常广泛的应用场景。凡是数字型的变量，都可以作为回归模型中的目标。
例如
• 保险场景中，用户的保费和赔付金额
• 娱乐场景中，用户的出行次数和度假市场
• 电商环境中，用户网页停留时间以及购物车的商品数量
回归分析的结果
回归分析的结果通常会以 y 和 x 之间的方程来描述。 例如，销售额=81521+0.3*电视广告+0.15*社交媒体+0.05*电话直销+0.02*短信 推送。
• 从统计角度解读，
81521 为截距，表示所有输入都为 0 时，销售额也能达到的数值 0.3 等为各个解释变量前的系数，表示其他不变的情况下，电视广告投入每 增加一万元，销售额增加三千元 从业务角度解读：
• 从业务角度解读,
现实生活中，销售额不会随着广告的投入而直线上升，会呈现边际递减效应，广告投入到一定数额之后，对销售额的影响就会减少，呈现饱和的态势。
使用回归模型的结果，最主要的还是观察各个因素系数的大小，横向比较它们对目标变量的关系。 回归分析的结果应该着重于不同 x 对 y 的影响对比，而非依赖于线性关系对未来做出非常明确的预测。
注意：回归分析虽然是最常见的分析方法，但它背后有很复杂的统计假设。最重要的一个假设就是，随机误差项是一个平均值为 0 的随机变量，且服从正 态分布。
回归分析的工作流程
1⃣️对数据进行散点图的制作
根据预测目标，确定自变量和因变量：自变量：x轴-电视广告的销售数据，因变量：y轴-销售额的数据。
2⃣️加入一条虚拟的线，这条线也叫做回归线，就代表了两个变量的相关关系的总结
对于那些我们没有观测数据的地方,如果电视广告取到了x轴上某个数字,对应的销售额也应该是在这条线所对应的y轴的位置.
3⃣️评估回归线
每个点和回归线之间的距离越小，代表结果越精准若干个电视广告和销售额的点，每个点和回归线之间的距离，代表了回归分析和实际值之间的差别。
这个差别越小，就代表了我们的回归分析的结果越准确
4⃣️业务分析与解读
需要将它扩展到所有我们考虑的营销分析变量。
使用统计软件给每个变量提供相对应的p值。
评估回归分析中的各个解释变量，是否有对目标变量有显著影响。
网友评论