每日一课 | 详解数据分析必知必会的两个原则

怼烎@ 2022-10-06 02:59 170阅读 0赞

![9bd19db271e53d858e6049d980ea8e1b.png][]

Python大本营每日一课

大家好，本期7日专栏内容，营长将为大家分享新的内容知识，“数据分析”，营长邀请的是宿永杰，某知名互联网公司数据挖掘工程师，小伙伴们别忘记打卡哦。

**数据分析必知必会的两个原则**

DAY06

上期我们分享了[每日一课 | 数据分析的本质是什么？][Link 1]不清楚的小伙伴可以点击查看详情哦！

每一个在职场工作的人，我相信，面对遇到的问题都会有极大的热情去解决，可为什么别人解决问题很快就可以把握重点，做到面面俱到，为什么自己却丢三落四，不分主次？同样都在努力，结果却不尽相同呢， 有人还在原地踏步，有人却升职加薪？

就拿我来说，在职场工作了多年以后，直到现在才明白一个道理，那就是解决问题的思维方式造就了不同的结局，在工作中，除了努力，有一些方法论是必须要掌握的，我们不能用战术上的勤奋掩盖战略上的懒惰。

所以，下面我要分享的两个原则，它俩不仅局限在数据分析，在解决其他现实、管理、创业问题时同样适用。

先说说这两个原则是什么呢？帕累托原则和 MECE 原则。帕累托原则从宏观的角度考虑，把握问题的重点与核心部分，而 MECE 原则偏向从微观的角度，层层递进，做到综合全面。

### **帕累托原则** ###

什么是帕累托原则呢？其实就是我们耳熟能详的二八原则，也叫也叫巴莱特定律、朱伦法则（Juran’s Principle）、关键少数法则（Vital Few Rule）、不重要多数法则（Trivial Many Rule）最省力的法则、不平衡原则等 ，被广泛应用在商业活动分析中。

当我们面对一长系列的数据或者问题是，如果一个个穷举解决，要花费很长的时间和精力，让人心存畏惧觉得不能完成，如果运用帕累托原则，我们就可以快速定位主次因素，然后决定解决问题的优先级，先解决主要因素，在解决次要问题。

通过一些学者的研究，对于二八原则，基本有这样一些被认可的结论：

*  80% 的销售额来自 20% 的渠道；
 *  80% 的订单来自 20% 的顾客；
 *  80% 的营业利润来自 20% 的成交。

举例来说， 根据某电商广告投放来说 ，在业务发展某一阶段，老板和领导层定的 KPI 主要是 GMV， 各渠道贡献出来的收入情况基本符合帕累托原则（数据脱密处理了），如下图所示：

![70924674f7c1f9811632c0067aee39fa.png][]

如果某天的产品 GMV 波动很大，上升了当然的好事，可如果下降超出预期，该怎么办呢？

首先，我们应该抓住主要的关键因素，看头部渠道如淘宝、支付宝、京东具体的变化，因为他们贡献的 GMV 的变化更能影响整体 GMV 的变化。

做数据分析时，我们最容易犯的错误就是被平均数迷惑，聪明的人都会放弃平均，古有楚汉之争，今有划江而治， 蛋糕是无法被平分的，唯有做大做强。

通过二八原则窥探数据，你将会在业务中发现很多你意识不到的情况，这些情况有好有坏，但这也许会成为解决问题的突破口和机会，应该被重视和利用起来！

### **MECE 原则** ###

什么是 MECE（Mutually Exclusive Collectively Exhaustive）原则？其含义指拆解问题时要做到相互独立，完全穷尽。

在什么情况下，我们会考虑使用 MECE 原则呢？往往是遇到比较复杂的问题，或者是面对金字塔顶端的问题或者指标时，为了避免以偏概全和重叠导致无法梳理清楚真正的问题原因时，我们会选择使用 MECE 原则，进行问题拆解。

我们还是以上面的例子，假如某天的产品 GMV 波动很大，下降超出预期，我们怎么用 MECE 来分析呢？

第一步，确定当下的问题，GMV 下降了，且超出预期，不是数据问题，接下来确定我们的目的是要找到问题原因，并且给出优化建议；

第二步，找到符合 MECE 的切入点，进行分类。这里我们使用公式法进行问题拆解。

GMV = 订单数 * 客单价
             =（渠道 A 订单数 * 转化率 + 渠道 B 订单数 * 转化率 +...+ 渠道 N 订单数 * 转化率）* 客单价
             =（渠道 A 流量 * 转化率 + 渠道 B 流量 * 转化率 +...+ 渠道 N 流量 * 转化率）* 客单价
             = ......

比如拆解到渠道上面，如果有很多渠道怎么办，这个时候，通过二八原则来定位下，根据渠道贡献 GMV 占比，找到最主要影响 GMV 下降的渠道，假如通过分析发现果然主要由渠道 A 引起的，那我们可以继续从渠道 A 进行分析了。

假设渠道 A 用户下单转化流程是：浏览访问—加购物车—下单—支付，采用漏斗分析法，从上面的转化漏斗，我们发现用户支付的转化率比较低，从下单到支付成功，只有 28.2% 的转化率，这有点不正常，是什么原因造成了支付转化率较低呢？

![cb2111c38dfe36b724e6f6a5bcb04310.png][]

到目前为止，我们定位到了更具体的原因，大盘 GMV 下降的原因是，渠道 A 引起的，主要是渠道 A 支付转化率降低引起的，那是什么原因引起渠道 A 转化率降低呢？

这个时候继续分析，采用二分法，从内部和外部环境来看。

如果从外部分析的话，使用 PEST 模型，从政治、经济、社会和技术方面考虑。

如果从内部分析的话，作为分析师，我们有必要去体验下产品下单到支付路径，有没有发生什么原因和变化，其次，基于业务理解的理解，不看不知道，一看吓一跳，原因找到了，由于做活动，商品介绍的海报中指定满减的活动，让用户看起来买的很划算，但是在真实支付的时候，并没有满减，而是提示优惠额度已经用完，提示用户是否继续支付，所以很多用户就放弃了。

所以，问题的原因在于，海报中介绍的满减活动，由于名额问题，并没有执行好，再深刻可解释为存在欺骗用户和引诱下单的行为。

所以，针对该问题，我们提出如下建议：

*  尽快恢复满减额度，确保知行合一；
 *  或者撤销活动海报的满减优惠；
 *  如果满足条件，给未支付的用户发短信通知满减消息的真实性，引导其回来支付等。

以上，通过很简单的实例来介绍数据分析的两大原则，你学到了吗？

### **总结** ###

本篇，通过案例介绍了数据分析必知必会的两个原则，帕累托原则和 MECE 原则。这两个原则非常实用，且不仅仅局限在数据分析时，做任何决策计划的时候，都应该拿出来尝试应用。

**明日分享预告：**三种思考模型

本期专栏内容均来自GitChat《数据分析面试剖析24讲》专栏内容，作者：宿永杰，某著名互联网公司数据挖掘工程师，如需了解专栏详情，可扫描下方二维码。

![b91c9a1bd4a15afe51493857cabbb0a1.png][]‍

‍

[9bd19db271e53d858e6049d980ea8e1b.png]: /images/20221005/05f771529f4b4b53b35c78d63713d3ab.png
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzU5MjEwMTE2OQ%3D%3D&chksm=fe266d90c951e486876b8d41596613c822595bad192c0e465df9c1166a640285a0db408347f5&idx=2&mid=2247501774&scene=21&sn=6841ced395a736affcaa8773c4e2dbf6#wechat_redirect
[70924674f7c1f9811632c0067aee39fa.png]: /images/20221005/836fc6c0bac54b409e180c4462d47585.png
[cb2111c38dfe36b724e6f6a5bcb04310.png]: /images/20221005/89bed8c922d4417394d9f86052e76d9e.png
[b91c9a1bd4a15afe51493857cabbb0a1.png]: /images/20221005/d2514261703541bc964ae188d7e759d6.png