数据分析思维 -- 第三步：打开分析视角

- 日理万妓 2023-03-13 03:53 19阅读 0赞

# 打开分析视角 #

### 文章目录 ###

*  打开分析视角
 *   *  1. 对比视角
     *   *  1.1 对比的类型：
         *   *  1.1.1 按照参照物：纵向对比与横向对比
             *  1.1.2 按照对比指标性质：频数统计与均值分析
         *  1. 2 对比的可信度
         *   *  1.2.1 时间上的可比性
             *  1.2.2 空间上的可比性
             *  1.2.3 数量上的可比性
             *   *  1.2.3.1 对比指标要定量
                 *  1.2.3.2 对比对象同量纲
     *  2. 相关视角
     *   *  2.1规模预测
         *  2.2 精准营销
     *  3. 分类视角
     *   *  3.1 分类的步骤与方法
     *  4. 描述视角

在明确分析问题及理清分析思路后，就能 **把研究目的分解为细化的研究内容**，于是就可以开展分析了。  
但是可以分析并不意味着你的分析有效，如果你只是简单地描述研究内容，那么你的分析对企业来说就是“白开水”，一点味道都没有。如果你遭到业务需求方的抱怨，说你的分析太浅了或者没啥价值，那么就说明你需要 **提升分析价值**

文中提供以下分析视角，用以提升报告的分析价值：

## 1. 对比视角 ##

对比分析实际上是基于参照物得出的一种**相对关系**

### 1.1 对比的类型： ###

#### 1.1.1 按照参照物：纵向对比与横向对比 ####

按照所选参照物的不同，对比分为纵向对比与横向对比。

1.  你可以和自己纵向对比，对比过去和现在，总结自己的发展变化，形成时间序列。
2.  你可以和别人横向对比，对比各自表现，判断自己的优势和劣势，形成截面数据。

企业会大量使用对比分析来支持运营决策。以业绩对比为例，通过纵向对比自己各年的业绩，进行规模预测；通过横向对比各部门的业绩，进行各部门考核；通过纵向对比营销活动前后的业绩，评估活动效果；通过横向对比自己和竞争者的业绩，判断市场地位。

#### 1.1.2 按照对比指标性质：频数统计与均值分析 ####

按照对比指标性质的不同，对比分为频数统计与均值分析。

例如，假设某调研列举出购买彩电的多种考虑因素，让受访者从中选出最关注的因素  
（见Q1题），则受访者的选择就构成分类型数据（每个选择是一类因素）。

Q1.您在购买彩电时，最关注下列哪种因素？【单选】

A、外观 B、功能 C、耗电量 D、价格 E、品牌 F、其他\_\_\_\_\_\_\_\_\_\_【请注明】

如果让受访者根据自己的考虑程度，对各因素打分（见Q2题），受访者给出的分数就构成数值型数据（每个分数是一个数值）。

Q2.您在购买彩电时，对下列因素的考虑程度如何？1～7分，分值越高表示越重视。  
![在这里插入图片描述][20200510224322140.png]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70]

**分类型数据，运用频数统计（统计各因素被选的人数占比）进行对比；  
而数值型数据，运用均值分析（统计各因素的平均分值）进行对比。**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70 1]

### 1. 2 对比的可信度 ###

在使用对比分析时，要注意对比的可信度。因为我们身边充斥着大量不具有可比性的对比分析。具体表现为

*  时间上的不可比
 *  空间上的不可比
 *  量关系上的不可比

#### 1.2.1 时间上的可比性 ####

例如，某零售企业想计算2018年3月前10天的销量比2017年同期增长了多少。从表面上看，这两个数据的时间跨度一致，可以对比。但实际上，零售业每周具有明显的淡旺季之分：在一周之内，工作日为淡季；周六和周日为旺季。

翻开日历，你会发现2018年3月前10天比2017年同期多一个“星期六”，这个多出的“星 期六”必然会抬高2018年3月的销量，造成对比结果的失真。所以，**零售业的对比周期通常为周**。这个例子说明，**对比的对象在时间分布上要有可比性**。

#### 1.2.2 空间上的可比性 ####

在美国和西班牙交战期间，美国海军的死亡率是9‰，美国居民的死亡率是16‰。于是，美国海军在征兵时就对比这两个数据证明参军更安全。因为在事实上，这两个数据不可比！海军死亡率的统计对象都是身强力壮的年轻人，居民死亡率的统计对象除年轻人以外，  
还有老人和小孩，而老人和小孩的自然死亡率要比年轻人高得多，这会将居民整体的死亡率抬高。

统计口径的不同造成“参军更安全”这个错误的结论。（是不是很可笑？但是在实际工作中也有不少人犯过类似的错误）正确的做法应是对比同样年龄段的海军和居民的死亡率。这个例子说明，**对比的对象在空间（即外延）上要有可比性**。

#### 1.2.3 数量上的可比性 ####

数量上的可比性有两层含义：

##### 1.2.3.1 对比指标要定量 #####

要有效对比，指标需要定量。

例如，假设你对某企业是否应该做跨境电商进行SWOT 分析，列举出跨镜电商的机会有8个、威胁有6个，该企业做跨境电商的优势有9个、劣势 有8个，那么你能否得出机会＞威胁、优势＞劣势，所以该企业应该做跨境电商的结论呢？

不能！**因为每个机会和威胁的重要性和表现水平不同；同样，每个优势和劣势的重要性和表现水平也不同**。**SWOT分析是定性研究，只能用于战略梳理，不能用于战略选择**。  
做战略选择就要定量，对SWOT分析中的机会、威胁、优势、劣势进行**量化**，根据最终量化的分值做出战略决策。（对SWOT分析的量化方法叫作内外因素评价矩阵）

##### 1.2.3.2 对比对象同量纲 #####

量纲的不同可能体现在：

a. 单位不统一

单位不统一可以通过计算**变异系数V**（V=标准差/均值）处理

b. 分类维度数量差异

要剔除数量差异，就要使各个变量的均值相等且标准差相等，即**进行标准化**：

![在这里插入图片描述][20200510225023325.png]  
![在这里插入图片描述][20200510225059780.png]

通过标准化，各变量的均值均为0，标准差均为1，从而消除了各变量的数量差异，实现了各变量在数量上的统一和可比

## 2. 相关视角 ##

相关视角探索的是事物间的某种联系。这种联系可能是因果关系，也可能是共存关系。利用相关视角，企业可以**开展规模预测和精准营销**。

### 2.1规模预测 ###

利用相关视角可以帮助企业进行规模预测。

例如，企业想有产出，就要有生产要素的投入。**生产要素包括技术、资本和劳动力**。  
企业的技术越高、资本实力越雄厚、劳动力越多，产出量往往越大。技术、资本和劳动力是影响产出的关键因素，存在正向因果关系。因此，企业可以建立回归模型，根据技术、  
资本和劳动力的投入预测自己的产出规模。这个模型就是道格拉斯生产函数：  
![在这里插入图片描述][20200510225756810.png]  
（其中，y表示产出，A、K、L分别表示技术、资本和劳动力，α为资本弹性系数，β为劳动力弹性系数，μ为随机干扰项）。

### 2.2 精准营销 ###

要开展精准营销，就要搞清楚**用户特征**与**用户态度偏好**的相关关系

以性别和颜色偏好为例，需要回答两个问题：

●用户性别是否会影响用户对颜色偏好的选择？

●如果有影响，男性偏好什么颜色、女性偏好什么颜色？

## 3. 分类视角 ##

很多企业会进行客户分类。为什么要进行客户分类呢？ 因为客户是由成千上万个个体构成的，如果企业把目光放在每个个体身上，由于个体间的差异是细微复杂的，则会使营销工作变得艰难、低效，捉襟见肘。

如果能把个体按其特点分成几类，**同类之间具有共性，不同类之间差异显著**，那么企业就可以针对同类人群出相同的营销组合拳，针对不同人群出不同的营销组合拳。这样企业的营销对象就再不是大量的个体，而是少数的几个类别。难度和强度都会大大降低，这就是分类的价值所在，**用类别代替个体**，复杂问题简单化。

### 3.1 分类的步骤与方法 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70 2]

## 4. 描述视角 ##

刚开始做数据分析时，往往很容易想到用平均数描述研究对象，但要想把研究对象描述全面，别忘了研究个体波动。

首先，研究个体波动能够帮助企业进行问题诊断；

其次，研究个体波动还能帮助企业找出欺诈行为；

最后，如果只看平均数，则往往会掩盖个体间的差异。尤其当波动很大时，平均水平对个体的代表性就会很差。例如，网上有一首打油诗：一个富翁上千万，邻居都是穷光蛋，平均数据一核算，人人都是上百万。这首打油诗很贴切地揭露了平均工资掩盖的个体间贫富差距的问题。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70 3]

> 文章摘录整理自陈哲老师《活用数据》一书  
> 前文回顾：  
> [数据分析思维 – 第一步：明确分析问题][Link 1]  
> [数据分析思维 – 第二步：开启分析思路][Link 2]

[20200510224322140.png]: https://img-blog.csdnimg.cn/20200510224322140.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70]: /images/20230312/783a3ff6e3d74ef4924af30af0137450.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70 1]: /images/20230312/3964f8f8fb204d48bce71d54f0e746e6.png
[20200510225023325.png]: /images/20230312/52745ff8e72c45afbac1e9c9a280534e.png
[20200510225059780.png]: /images/20230312/6a14153c58b94ec68d199598e6512e4d.png
[20200510225756810.png]: /images/20230312/c11e6f05a2be4a63ade6ca3e0670db62.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70 2]: /images/20230312/47a44e06d7db48eba538c16ef723cb92.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70 3]: /images/20230312/05617f6e4e034977b64847372a663bf6.png
[Link 1]: https://blog.csdn.net/weixin_44390462/article/details/105999839
[Link 2]: https://blog.csdn.net/weixin_44390462/article/details/106000108