【数据分析】数据分析有套路？细品

逃离我推掉我的手 2022-09-09 12:49 151阅读 0赞

### 数据分析，有套路？细品 ###

*  1. 准确看
 *  2. 客观判
 *  3. 找方法
 *   *  3.1 矩阵分析
     *  3.2 漏斗分析
     *  3.3 杜邦分析
     *  3.4 分层分析
     *  3.5 交叉分析
 *  4. 小结

> 来源：分析有数

借着互联网的东风，“`数据分析`”这个词越来越火，小到业务执行、大到企业决策，数据都在持续发挥着价值。

但是很多人只闻其名、未见其道，到底如何进行数据分析？数据分析有什么套路吗？今天就带大家认识下数据分析的那些套路。

首先给大家个选择题，大家觉得数据分析的第一步应该是？  
 A.找分析方法  
 B.确定问题  
 C.看数据

有木有感觉这是道送分题？估计很多同学都会首先排除C选项（看数据），那肯定得先看看问题，或者先找找分析方法，再去看看数据吧！

这也是很多新手分析师容易犯的错误，看到一个数字涨了或跌了后，立马翻出各类高大上的分析模型，甚至算法模型跑一通，结果费了很多精力，也没捣腾出个啥。

其实数据分析更科学的姿势应该是先“准确看数据”，再“判断有无问题”，然后“分析问题原因”。

在不确定问题或者说分析目标的情况下，一定不要各种堆模型，而是回归本质：问题是什么？所以这题答案是C。

# 1. 准确看 #

到这里可能会有同学开始迷糊了，第一步是“准确看数据”？看数据有啥难度，难道我还会看错？

请看第二题，下面哪种描述会让你明确数字的含义？  
 A.收入100万元  
 B.促销活动收入100万元  
 C.10月促销活动收入100万元

是不是又是送分题？当然这道题没啥争议，C的描述场景更具体、更准确，所以给大家送上数据分析大法第一式“`准确看`”！

看数据主要看2个要素，【数字】和【描述】，两者缺一不可。如果描述不到位，甚至会有2种截然不同的结果。比如：  
 A.小明收入100万  
 B.小明打工了10年，总收入合计100万

是不是有从土豪到打工人的感觉？

所以看数需要明确数字对应的场景描述，场景越具体、数据的含义才越清晰。

# 2. 客观判 #

明白了怎么看数据后，还是没有办法确定到底有没有问题，再送上数据分析大法第二式“`客观判`”！

想客观的得出判断，首先需要什么？

对，首先就得有判断问题的标准，常见确定标准的方式有经验定标、专家定标、趋势定标等。

（1）经验定标：即根据历史数据和经验作为判断标准，常见的参考如历史同期数据、竞品同期数据等，如大促活动目标可参考历史促销或竞品促销数据。

（2）专家定标：即基于专家的人工判断，常见的有专家评分、层次分析（AHP）等，即分结构、有效收集专家反馈信息，总结出不同维度的权重标准。

（3）趋势定标：根据事物发展的周期规律（如营销活动周期、产品生命周期等），找到同阶段的情况作为当前对比的标准。

比如下图的销售周期趋势图，销量会周期性的发生波动，所以A点虽然是在走下行趋势、但属于正常情况，但B点是销售周期的低谷、且低于之前的周期低谷，所以会存在问题。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5LiA5Liq5YaZ5rm_55qE56iL5bqP54y_size_12_color_FFFFFF_t_70_g_se_x_16]  
建议大家养成常看数、看长周期数的习惯，培养自己对于趋势的敏感度。

# 3. 找方法 #

在“准确看数据”、“判断有无问题”后，基本明确了数据问题或者分析目标，再就是数据分析大法第三式“找方法”！

做分析或选择，数据方法还是有些套路滴，常用的分析方法有矩阵分析、漏斗分析、杜邦分析、分层分析、交叉分析等。

## 3.1 矩阵分析 ##

矩阵分析是最基础的结构化分析方法，前提是两个标准的相关度要低，常见的矩阵分析模型有`波士顿矩阵（增长率&市场占有率）`、`重要紧急矩阵（时间长短&投入产出）`等。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5LiA5Liq5YaZ5rm_55qE56iL5bqP54y_size_16_color_FFFFFF_t_70_g_se_x_16]

## 3.2 漏斗分析 ##

流程化的分析方法，观察流程节点间的转化率情况，做出分析判断。常用的如电商访问下单流程、2B销售流程等，通过观察每个节点间的转化率，判断某个环节是否出现异常。

如下图的2B销售漏斗图，在签约客户环节转化率是25%，较低，可能是客户对方案满意度低，需重点关注产品方案问题。  
![在这里插入图片描述][6c72fe3c63154a9a8ebdea3c8a5d2158.png]  
需要注意的是，漏斗分析的每个下游节点数据范围都需与上游节点统一，如签约的40个客户必须在上游的50个意向客户中，否则转化率的数据含义会失真。

## 3.3 杜邦分析 ##

杜邦分析是最常用的分析方法之一，通过问题的层层拆解、分析，确定每一层次的表现情况，帮助最终分析出问题的主要矛盾。

最常见的就是电商的利润模型，可见下图，在按公式、结构的拆解后，可以清晰的定位到【利润】变化的主要原因和次要原因：  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5LiA5Liq5YaZ5rm_55qE56iL5bqP54y_size_20_color_FFFFFF_t_70_g_se_x_16]

## 3.4 分层分析 ##

结构化分析的常用方法，即通过对分析目标分层、比较不同群体之间的差异，从而分析、总结出相关结论。

分层分析的方法，核心在于【分层】，即围绕分析目标、设计出科学的分层方案。比如“二八法则”，就可以简单粗暴的判断出“高价值用户”，这也是应用广泛的分层方法。

**常用的分层方法有RFM、COHORT、ABC分层**等：

RFM：电商常用的分层方法，是通过最近消费时间、消费频次和消费价值来确定用户价值分层，核心是找出不同忠诚度和价值的用户群，从而进行分层分析和运营。

COHORT：留存分析的常用方法，通过对比同一时期、渠道的新用户，在后续留存、目标转化情况，找到产品或渠道的优化迭代方向。

ABC分层：常用于供应链的库存管理，即通过销售重要度、销售稳定性和库转维度，对在库商品进行分层，分析不同层级的核心问题、给出解决方案，将极大提高库存精细化管理的效率效能。

## 3.5 交叉分析 ##

相信很多同学都有过这样的经历，某个指标发生了异常波动，然后被领导夺命连环问。有木有好的方法？交叉分析来帮忙！

交叉分析的核心是【穷举】，即根据业务经验、穷举可能导致波动的维度和指标，进行交叉分析。

比如某公司广告收入突然下降，我们可以按照下表的方式，去穷举可能影响的维度、指标，通过观察具体数据，确定主要原因。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5LiA5Liq5YaZ5rm_55qE56iL5bqP54y_size_16_color_FFFFFF_t_70_g_se_x_16 1]  
以上给大家介绍了基本的数据分析思路和方法，其实针对不同的业务场景、业务问题，数据分析的方法还有很多，后续会再跟大家系统介绍。

# 4. 小结 #

最后再给大家划下重点，数据分析的基础三步走：

*  准确看：需明确数字的描述场景，场景描述越具体，数字含义越准确。
 *  客观判：判断是否有问题、有问题的程度，需要有客观的评判标准，可通过经验定标、专家定标、趋势定标等方法确定标准后，再去判断。
 *  找方法：常用的分析方法有矩阵分析、漏斗分析、杜邦分析、分层分析、交叉分析等，确定问题的主要矛盾，以明晰现状。

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5LiA5Liq5YaZ5rm_55qE56iL5bqP54y_size_12_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/3c14d052bdf94ee49e033dbdfca2f0ed.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5LiA5Liq5YaZ5rm_55qE56iL5bqP54y_size_16_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/bb2b7b15e7e347c6ba2d7deee7e2192f.png
[6c72fe3c63154a9a8ebdea3c8a5d2158.png]: /images/20220829/5299c617fb844ab29bdaa33152bee472.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5LiA5Liq5YaZ5rm_55qE56iL5bqP54y_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/ee43d2e0ec984591b6ea61f0f39df9f2.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5LiA5Liq5YaZ5rm_55qE56iL5bqP54y_size_16_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220829/c1a2eafa1ca14460b1caf4aa6325bc96.png