标签：数据分析 分析法 业绩 标签 分析 指标 九大 比如

1.周期性分析法

有小伙伴问：能不能系统介绍下数据分析方法。今天它来啦！数据分析常用的方法有九种，今天先介绍第一种，操作上最简单的：周期性分析法。它是新人们避免犯小白错误的最好方法。

做数据的新人最容易犯啥错？当然是一张嘴就被大家笑话：连这个常识都没有！

[外链图片转存失败,源站可能有防盗链机制,建

所谓的常识，很大一部分是周期性变化：到了这个时间，就会出这种事。周期性分析，主要是从日常杂乱的数据中，发现会周期性出现的规律，从而避免上述问题。常见的周期包括两种：自然周期/生命周期。

所谓自然周期，是指业务指标随着时间自然发生波动，比如上边吐槽的“2月份业绩自然少”，这是因为2月份过年，大家都放假了，业绩肯定少呀。

类似地：

• 吃喝玩乐类的消费，一般周六、周日比较多，这时候才有空出来玩。
• 企业间交易，一般工作日高，周末很低。大家都放假了谁还办公呀。
• 雪糕冰棍冰淇淋类商品，一般夏季是旺季，冬季是淡季
• 帽子手套暖手宝类商品，一般冬季是旺季，夏季是淡季

这些是比较直观的例子。需要注意的是，所谓的自然周期，对不同业务而言是不一样的，切不可混为一谈哦。

但是很多时候，自然周期表现并不直观，隐藏在日常起起伏伏的数据里。这时候就需要我们手动发现周期规律。比如比如一个公众号的阅读人数走势，可能如下图

一眼看过去，是不是弯弯曲曲，毫无规律可言?

这就需要手动做区分。为了更好的区分，一般取6个月的，每日的数据。因为六个月的时间，一般能涵盖2个季度，能观察出季节性变化。

同时，每日数据，能观察出每周是否有规律和每月是否有规律。不过上边例子只给个2个月的数据，那就凑合着用。

从上例蜿蜒起伏的波折里可以直接看出：没有明显的月规律。一般有月规律的数据会如下图所示（如下图）因此可以进一步观察，是否有周规律。

想看周规律，需要把数据做一下处理（如下图），把6个完整周的数据，从周一到周日对齐。之后做折线图，更容易观察出周规律。

处理过以后，可以看出：却有周规律变化，表现为：周一至周六逐步降低，周日反弹。如果把每周一到周日的数据做平均数，就能画出周规律曲线（如下图）

这里有很多明显不符合走势的点。这很正常，因为公众号发文也是有分类的，如果是卖东西的文章阅读就很低，派福利、抽奖类的阅读就高一点，搞标题党的《震惊！》《大厂！》《字jie！》的阅读就很高。所以除了日期，也和文章类型有关。

周期性分析，主要目的是做出一个参考曲线，为进一步判断提供依据。进而避免：“为啥周六阅读那么低呀！”这种低级小白问题。之后再结合内容标签，做进一步的分析。

比如上例中，第三周周一、周二是明显异常点。如果没有做标签，就会直接报警：“本周连续2天异常！请注意！”但是做了标签，如果发现周一发了卖货文（原本就该低）周二则是标题党（原本就该高）则不需要大惊小怪了。

还有一种周期是生命周期走势。比如一个活动上线，刚上线的时候肯定参与人很多，之后感兴趣的都参与过了，不感兴趣的都不参与了，因此人越来越少。这样就会出现如下图的走势。

注意：要发现生命周期走势，统计数据，是从一个业务开始的时候进行统计的，之后往后数：第1天/第2天/第3天……或者第1个月/第2个月/第3个月

生命周期走势有很多经典的运用。比如一款新商品上市，其销量和上市时间，经常有如下关系，因此被称为“商品生命周期”。类似的，还有“APP生命周期”“用户生命周期”的说法，都是一个时间轴+指标走势组合出来的。后续有机会再跟小伙伴们一一分享。

以上就是今天的分享。周期性分析看起来很简单，因为它主要是用来做参考线的，为后续各种分析方法铺路。很多复杂的分析，比如数据监控模型、数据预警模型、数据驱动决策，也是以周期性曲线为参照，所以小伙伴们先掌握基础方法，再循序渐进哦。今天的分享就到这里，谢谢大家

2.矩阵分析法

大家好，我是爱学习的小xiong熊妹。

今天继续分享九大数据分析方法系列：矩阵分析法。矩阵分析法是在各路数据分析文章中，出现频率最高的词。甚至有不懂行的小白把它捧到“核心思维”，“底层逻辑”的高度。哈哈，才没有那么神呢。

一、矩阵分析法是干什么的？

数据分析领域，有一个简单，但非常致命的核心问题：“到底指标是多少，才算好？”为了这个问题，公司里经常吵成一团。矩阵分析法就是试图解决这个问题。它的逻辑非常简单：比平均值高，就算好！

很多小伙伴会惊呼：这也太简单粗暴了！

可是，如果大家仔细想想，用平均值非常合理：

• 理解上简单：中位数、众数、四分位数，都太抽象了，不细想都不知道是啥
• 计算上方便：AVERAGE函数是所有开发工具标配，太好用了。
• 使用时方便：比如销售人均产值1万，那100万业绩，招100个人就够啦！

相比之下，告诉你销售团队的中位数/众数是1万，问需要多少人能做出100业绩？根本回答不了。所以平均值就是好用！

二、如何构造一个矩阵？

既然用平均值就可以了，为什么还要做矩阵呢？因为单纯靠一个指标，不能充分评价好坏。比如考核销售，如果只考核销售业绩。那销售们很可能倾向于卖利润很低的引流型产品。那种利润高，价格高，不容易卖的利润型产品，就没人卖了。最后销售卖越多，公司支付给销售提成越多，公司利润反而下降了！

此时就需要引入两个指标来考核：

• 销售业绩

• 销售利润

这样两个指标交叉，就有四种情况和对应的建议（如下图）。

如果把两个指标一纵一横的放，就构成了一个矩阵（如下图）。

这样矩阵就画好啦！矩阵分析法的最大优势，在于直观易懂。可以很容易从两个指标的交叉对比中发现问题。特别是当这两个指标是投入/成本指标的时候，成本高+收入低，成本低+收入与高两个类别，能直接为业务指示出改进方向，因此极大避免了“不知道如何评价好坏”的问题。

很多咨询公司都喜欢用这种方法，类似KANO模型或者波士顿矩阵，本质就是找到了两个很好的评价指标，通过两指标交叉构造矩阵，对业务分类。分类的区分效果很好，就广为流传了（如下图）。

了解了原理以后，我们可以自己动手做一个矩阵哦，构造矩阵是很简单的事，只要找两个评价指标，之后各自取均值，就能进行分类了。

三、矩阵分析法简单例子

举个简单的例子，一个销售团队，10名销售一个月内开发的客户数量，产生的总业绩如下图所示。用矩阵分析法的话：

• 第一步：先对客户数量、业绩求平均值
• 第二步：利用平均值，对每个销售人员的客户数量、业绩进行分类
• 第三步：区分出多客户+高业绩，少客户+高业绩，多客户+低业绩，少客户+低业绩四类

这样就完成分类啦。

而且，还能对这四类起四个好听的名字，比如：

• 多客户+高业绩：均衡型（或者叫：两手都抓型）
• 多客户+少业绩：摆小摊型，像摆小摊一样，虽然人多，但是挣不到几个钱
• 少客户+高业绩：吃大户型，抓住几个大户猛吃……
• 少客户+少业绩：待发展型（或者叫：哪头都不行……）

用散点图，能直观的标识出这种分布：

后续，还能类似波士顿矩阵一样，比如建议吃大户型，不许歧视散客，增加客户数量。或者建议摆小摊型提升识别高价值用户能力等等。

四、矩阵分析法应用范围

有两个场景，是不适合用矩阵分析法的。

其一：有极大/极小值影响了平均值的时候。比如下图，看似销售们平均业绩是100 但是头部的3个高手，业绩占了57%，其他17个人都是陪衬。

此时，矩阵分析法的基础：平均值，已经不具有区分能力。也不能简单地认为：20个人能做100万，那40个人就能做200万。想做到200万，需要再找到几个高手，而不是一帮咸鱼。一般出现极大/极小值的时候，可以用：分层分析法。

其二：两个指标高度相关的时候。比如下图，用户消费金额与消费频次，两个指标天生高度相关。此时可以用散点图，强行做矩阵，但是会发现左上，右下两个区域几乎没有数据，所有的点，都集中在一条线上。

此时矩阵分析法的业务解读能力接近0，因此不适用了。一般出现高度相关的时候，需要用：相关分析法。

以上就是今天的分享，喜欢的话，记得转发+点赞+在看三连，支持下小熊妹哦，谢谢大家。后续再来继续更新：分层分析法与相关分析法，敬请期待哦。

3.结构分析法

大家好，我是爱学习的小xiong熊妹。

今天继续跟小伙伴们分享九大数据分析方法系列——结构分析法。结构分析法是一种很简单的方法，也是数据分析是否入门的重要标志。一般没入门的人，对分析方法的掌握就到此为止了。并且没入门的人，会给结构分析法起很多高大上的名字，类似：拆解法/拆分法 一类。

一、何为“结构”？

一般把构成整体的各个部分叫：结构。比如一家综合企业：小熊公司，有3条业务线（天猫店、实体店、小程序商城）同时在开展。则总业绩就是有天猫店业绩、实体店业绩、小程序业绩三部分构成的。这就是总业绩的结构。

注意：总业绩的结构可能不止一种分类方式。比如，小熊公司有普通、黄金、钻石三档次会员，则总业绩=普通会员业绩+黄金会员业绩+钻石会员业绩；小熊公司有300款商品，总业绩就是这300款商品业绩之和。总之，只要是整体的组成部分，就是一个结构。

二、知道“结构”有什么用？

知道结构，能更容易解读出整体数据变化背后的原因。比如小熊公司业绩出现下滑了，如果只看总数，就只能干着急没办法……但是分业务线，看到业绩变化以后，是不是有思路了（如下图）

如果只看整体，不知道问题出在哪里。(¦3)∠)

如果看了结构，能发现：原来是实体店下降，电商平台又没发展起来导致的。

通过结构分析法，能快速定位问题发生点，从而激发解决问题思路。

三、如何进行结构分析？

完整的结构分析法，包含四步：

第一步：定出要分析的关键指标（一般是业绩、用户量、DAU、利润等等）

第二步：了解关键指标的构成方式（比如业绩，由哪些用户、哪些商品、哪些渠道组成）

第三步：跟踪关键指标的走势，了解指标结构变化情况

第四步：在关键指标出现明显上升/下降的时候，找到变化最大的结构分类，分析问题

比如上边的小熊公司业绩变化，用结构分析法做，是这样的：

第一步：定出关键指标，总业绩。

第二步：了解总业绩的构成，包含实体店、电商平台、小程序商城三部分。

第三步：跟踪总业绩变化，发现今年3月到7月，一直呈现下降态势。

第四步：观察结构变化，发现实体店是下降的主要原因。

这样就完成了一个分析。

注意：结构的变化，可能有两种态势。还拿小熊公司举例子，可能同样的业绩下降，有两种变化形态：

如果各部分比例有变化，则可以轻松看到哪一部分是下降的主要原因，比如上图2所示，一眼就看到，是实体店越来越少，导致了业绩下降。但是，如果各部分比例没有变化，比如上图1.则说明：目前的结构分类，不是产生问题的关键点。很有可能，业绩下滑是因为：大环境不好、钻石级会员流失、主打商品卖不动等等其他原因。此时需要更换看结构的分类方法，比如更换成：会员等级分类、商品分类等，再进行观察。

当然，有可能实体店还有内部结构，比如分为华东、华南、华北等大区；大区下边，又分为各个城市。因此在发现实体店是下降的主要原因后，可以用类似的方法，追踪到：到底是哪个大区、哪个城市的门店降的最厉害（如下图）

这种基于结构，逐层拆解的做法，也被很多人称为：拆解法/拆分法。甚至有人直接宣布：数据分析就是拆解……好吧，这是很错误的。

四、结构分析法的不足

结构分析法是一种：知其然，不知其所以然的方法。只适用于发现问题，不能解答问题。比如小熊公司案例里，再多追问一步：是因为疫情影响，导致实体店不行（意味着挺过疫情就能恢复），还是因为电商影响，所以实体店不行呢？单靠结构分析法就解答不了了。

从本质上看，结构分析法只是用一个或几个分类维度，对一个指标做拆解和分类对比。因此是种很初级的方法。比如矩阵分析法，就能利用两个指标做分析，又比结构分析法更进了一步。

4.指标拆解法

大家好，我是爱学习的小xiong熊妹。

今天继续跟大家分享：九大数据分析方法系列。之前已经分享过：

周期性分析法、结构分析法、矩阵分析法

这三种方法，都是只对一、两个指标进行分析。小伙伴们肯定会问：那如果有好几个指标，要怎么进行分析呢？答：当遇到好几个指标的时候，得先分清这些指标间的关系。

一、常见的指标间关系

第一种：并列关系。几个指标相互独立，且是上一级指标的组成部分。

比如我们常说的：业绩=客户数消费率客单价

在这个公式里

• 一级指标：业绩
• 二级指标：客户数、消费率、客单价
• 客户数、消费率、客单价相互独立

此时，客户数、消费率、客单价就是并列的三个指标，并且都是业绩的子指标。

**第二种：串行关系。**几个指标相互关联，有前后顺序关系。

比如我们常说的：新注册用户数=广告浏览人数落地页转化率注册页转化率

• 一级指标：新注册用户数
• 二级指标：广告浏览人数、落地页转化率、注册页转化率
• 用户要先看到广告，再点击广告进入落地页，再完成注册

此时，广告页、落地页、注册页的指标相互关联，用户要一步步走

两种关系对比如下图

当我们遇到一堆指标的时候，一定要先分清这些指标之间的关系，之后再下手，因为这两大类关系，对应的是两种完全不同的分析方法：指标拆解法 & 漏斗分析法。今天先分享指标拆解法。

**二、**为什么要做指标拆解？

因为只看一个指标，能发现问题，不能解释问题。拆解指标，能从细节发现问题，进而引发新的思路。

举个简单的例子，一个小程序商城，上月销售业绩150万，本月120万。如果只看结果，除了少了30万以外啥也不知道。但是进行指标拆解以后，就能发现很多东西（如下图）

拆解以后可以明显看出：本月虽然注册用户人数增加了，但是消费率大幅度降低，所以收入少了。后续可以进一步思考：如何提高消费率。

此外，拆解完以后，也能发现不同情况。比如下图，看似都是下跌30万，但拆解后会发现，问题完全不一样

情况1，是消费率下降多

情况2，是客单价下降多

在业务上，这两种情况是有不同指向的。如果想提升消费率，需要用低价爆款产品来吸引，如果想提升客单价，需要用搭配销售，交叉销售的方式。在采取具体营销措施先，先看看拆解的结果，是很有指导意义的。

三、指标拆解怎么拆？

**第一步：找到主指标。**这一步很重要，拆解指标，一定是从一个很重要的主指标开始的，比如利润、销售收入、GMV一类。不找到主指标，随便拿个指标就往下拆，只会让思路越来越乱。

**第二步：找到负责主指标的部门。**这一步也很重要，因为很多指标不止一种拆解方法。到底怎么拆合适呢？要看拆完以后，是否有一个部门对指标负责。如果有的话，负责部门就能根据指标变化做改善。如果没有，那拆了也白拆（如下图）

**第三步：确认子指标有数据采集。**这一步也能重要，因为指标的背后是数据采集，如果没有数据采集，就只能用粗线条的拆解（如下图）

第四步：列出拆解公式，进行数据对比。这里呈现的就是最终结果。

很多小伙伴在工作中会纠结，比如：

• 为啥拆来拆去越来越乱？
• 两种拆解方法，到底用哪一种？
• 为啥拆的很细，但是落地不了？

都是因为没有遵守这个拆解顺序导致的，一定要记牢哦

四、指标拆解法的更多应用

在经过多年实践以后，人们发现，有一些固定的拆解方法，很容易说明问题。比如杜邦分析法，其实就是以利润为主指标进行拆解，拆解为收入，成本两部分。

这样的拆解，能帮人们快速看清楚利润来源和收支结构，从而优化企业经营。比如零售行业最喜欢讲的：人货场模型，其实就是把销售收入，按用户、员工（人）商品（货）渠道（场）进行拆解，从而分析业绩好的原因是什么。这些方法，在介绍完九大基本方法以后，会一一介绍给小伙伴们哦。

总之，指标拆解法是一种基本方法，多在业务场景运用，能产生很多价值哦，小伙伴们可以在工作中自行训练，看看能发现新的分析模型不。

5.漏斗分析法

大家好，我是爱学习的小xiong熊妹。

今天继续跟大家分享的是九大数据分析方法系列。今天介绍的是漏斗分析法，漏斗分析法是一种基础的，处理多个指标分析问题的方法，有很多应用场景。

一、为什么叫“漏斗”

漏斗是对一个连续的操作步骤的形象称呼。举个简单的例子，当你打开电商APP想买东西的时候，你至少会经历以下几步：

• 打开APP进入首页
• 点击首页上某个商品广告页
• 进去商品详情页，看了觉得还不错，点购物车
• 进入购物车页面，填快递信息，点支付
• 进入支付页面，完成支付，商家发货

全部做完，一共经历了：首页→广告页→详情页→购物车→支付，**五个步骤。**这五个步骤缺一不可，因此存在前后关系。即必须完成前一步，才能继续完成后一步。

但并非所有人都能一帆风顺走完这四个步骤。

有的人不喜欢商品的广告，连广告页都不进去。

有的人发现实物不咋好看，在详情页就走掉了。

有的人觉得价格实在太贵，在购物车页走掉了。

总之，很多人最后没有完成支付。

反应在数据上，参与这四个步骤的人，是越来越少的。此时可以用一个漏斗，形象的表示这种关系（如下图）

这就是漏斗的直观体验。

二、如何制作“漏斗”

制作漏斗需要三个基本条件：

**
**

条****件一：流程上，有前后关联的N个步

比如前边例子中首页→广告页→详情页→购物车→支付就是一个前后关联的流程。在做漏斗分析前，要认真梳理自己分析的流程，看清楚到底有几步组成。

**
**

条件二：数据上，每个步骤得有数据记录。

这一点很重要，决定了到底漏斗分析能不能做。很多人误以为漏斗分析法是互联网专用方法，其实是因为传统企业的流程很少有数据记录而已。

比如传统门店的：进店→选货→试穿→谈价→成交；

比如传统会议的：签到→听讲→互动→谈价→成交；

其实也有几个前后关联的步骤，但是很多情况下没有数据记录，就无法做漏斗了。

互联网企业也是类似，如果没有做好埋点的话，也会缺失过程数据，所以千万小心哦。

**
**

条件三：统计上，从完成第一个环节开始统计。

这一点也很重要，涉及统计准确性。还以电商APP举例，实际上用户行为不会首页→广告页→详情页→购物车→支付一竿子捅到底，而是相当随性的。比如先点击广告页以后退出去看看别的，回头想想还是这个商品好，于是又搜索了商品名称，转回来商品详情页……中间发生很多操作。

此时统计漏斗数据的时候，需要按照指定好的步骤进行统计，完成上一个步骤，才统计下一个步骤行为（如下图）

当然，这样会漏掉一些中间加入流程的人。漏斗分析法不解决这种中间加入的问题，需要另一个方法：用户行为地图来解决。

有了以上三个保证，就能正确的统计出漏斗数据了。漏斗数据包含漏斗中每个环节的人数以及转化率（如下图所示）

三、“漏斗”如何进行分析

有了漏斗以后，可以从多个角度进行观察，发现问题。

比如，和相似的商品比较，发现可改善的环节（如下图）

自身与自身相比，观察自己经营的走势（如下图）

总之，通过优化做的不好的环节，提升整体转化率，是最终目标。

四、“漏斗”分析的不足之处

从本质上看，漏斗分析是一种：知其然，不知其所以然的方法。通过漏斗图，可以很轻松的看到问题发生在哪里，但是无法解释：为什么问题发生在这里。特别是问题发生在漏斗的末端的时候。

举个简单的例子，看下边两组数据（如下图）

很明显，商品A是因为广告页转化低，那换个广告即可解决问题。

但商品B呢？每一步看起来都很正常，但是用户就是不买单，为什么？用户在等优惠活动？

用户跑去别的平台比价去了？如果用户不喜欢商品的图片、价格、设计，为啥不早跳出？

总之，种种问题，不是单靠漏斗分析能回答清楚的。所以，世界上没有完美的分析方法，每种方法都有自己的适用范围，小伙伴们在做分析的时候，一定要选择合适的方法哦。

6.标签分析法

大家好，我是爱学习的小xiong熊妹。

今天继续介绍九大数据分析方法系列。上一篇我们提到，如果想找两个指标之间相关关系，可以用相关分析法。但很多时候，我们想找的关系，不能用指标来表达。

比如：

• 是不是社区店比步行街店，生意更好？
• 是不是私域流量比公域流量，转化更佳？
• 是不是刮风下雨比晴空万里，销售更好？

社区店/私域流量/刮风下雨，很难用一个数据指标来衡量。但这些因素，又确实会对企业经营产生影响，该怎么分析呢？这就需要采用：标签分析法

一、什么是标签

标签是有明确含义的，概括性的描述。举个简单的例子，有热心小伙伴想给小熊妹介绍男朋友，如果一本正经地讲各种信息，那么有效果吗（如下图）

如果用标签来描述，可能效果是（如下图）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MscPZNMB-1635827356590)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/29.png)]

这就是标签作用的直观展示。一个好的标签，能够让人们一目了然的看到事情的特征。从而指导后续的行动

要注意的是，标签和数据指标之间，是可以做相互转换的：

• 比如高富帅的“高”，也可以表达为：身高181cm以上
• 比如天气是：“刮风下雨”，也可以表达为：当日降雨10mm

因此在使用标签的时候，一定要确保标准统一+所有人理解一致，避免理解错误。

二、什么是标签分析

标签分析，特指用打标签的方式，把难以量化的因素转化为标签，进而分析该因素与其他事情的关系。像开头举例的社区店/私域/下雨，都是标签的具体应用。

标签分析一般分四步

• 明确要分析的影响因素
• 把影响因素制作成标签
• 明确要分析的指标
• 对比不同标签下，指标差异
• 得出分析结论

三、标签分析举例

举个简单的例子，南方某省，8月份经常下暴雨。大家都觉得：下雨会影响门店业绩。那么怎么分析呢？按照五步法，可以针对该省份门店，做分析如下图：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-m1RUJFly-1635827356590)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/30.png)]

那么可以得出结论：下雨对业绩影响不大，这就做完了。

但这和大家的直观感受非常不一样！明明感觉是下雨了业绩就少，为啥数据不一样呢？这是因为：标签做的太粗糙。

细想一下

• 8月份不下雨，也会有其他恶劣天气，比如高温
• 下雨也分大雨小雨，毛毛细雨和暴雨的影响不一样
• 有些暴雨太严重，政府会发停工停学的通知

所以做标签，至少得把这几类情况都标识出来，这样对比才有意义（如下图）

更新后会发现：

• 不下雨时，高温天气也会影响业绩
• 下雨时，普通雨天并没有很大影响
• 下雨时，暴雨天气会大大影响业绩
• 下雨时，政府发了停工通知，反而会引发市民囤积物资

因此，还得再更新标签，看新结论（如下图）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vNOtZ9Lh-1635827356591)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/31.png)]

这样的区分就很有意义了。遇到业绩下滑，门店店长/大区主管经常本能的把问题归结于“下雨了”，到底是不是因为下雨呢？有了这个分析支持，可以看出：除非天气预报标注为“暴雨”/“高温”极端天气，才会真有影响，其他情况并非天气影响。这样就能开展下一步的分析了。

四、标签分析的不足之处

标签分析有个很明显的不足之处，就是一个事情是有多个标签的，如果选择不当，拿了错误的标签比较，经常得出错误的结论。

比如，我们比较社区店/CBD店的销售业绩，选了2家店，发现昨天的业绩如下图

这时候得出的结论是：社区店业绩小于CBD店，应该多开社区店。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zZ6qP4Lp-1635827356593)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/32.png)]

但注意！这里有另一个标签，就是日期，选择的日期是周六，周末CBD都没人上班呀，那肯定业绩很差了。那么考虑了日期标签以后，对比结果如下图

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2i3xeAje-1635827356593)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/33.png)]

这时候得出的结论就是：CBD店大于社区店，应该多开CBD店。

但是，这样还没有穷尽可能性。

• CBD店店租成本很高，可能一间店顶2间社区店（开店成本）
• CBD店都是直营店，人员素质可能更高（人员素质）
• CBD店面积大，所以上的商品更全（商品数量）

……

当我们试图深入分析一个事情，就会发现，太多标签叠加在一起，相互作用。因此单靠一两个标签的简单对比，是无法分析清楚的，这时候需要先建立分析逻辑，再做分析。这就需要用到MECE方法。下一篇再分享哦。

7.相关分析法

大家好，我是爱学习的小xiong熊妹。

今天继续更新九大数据分析方法系列。在工作中，我们经常会问：

• 下雨和业绩下降有多大关系？
• 销售上涨和新品上市有多大关系？
• 营销投入与业绩产出有多大关系？

这些问题，都有一个基础分析方法有关：相关分析法。

一、什么叫“相关”

简单来说，相关就是两个事件之间有关系。比如：

• 广告投入与销售业绩
• 下雨刮风和门店人流
• 用户点击和消费行为

即使没有做分析，直观上看这些事件之间也有关系。但是不做分析的话，具体是啥样的关系，很难说清楚。而相关分析，就是找出这种关系的办法。

二、什么是“相关分析”

相关分析，特指：找到两个数据指标之间的相关关系。

比如一个APP里，用户反复浏览一款商品，所以他会买吗？

• 一派认为：看的多，说明用户感兴趣，所以会买
• 另一派认为：看了这么久都不买，那肯定不会买了
• 还有一派认为：看多少次跟买不买没关系，得看有没有活动

听听似乎都有理，最后还是得数据说话。这里讨论的，就是：用户浏览行为与消费行为之间，是否有关系的问题。相关分析，即要找出这两个指标之间的关系。

三、直接相关关系

注意：指标之间可能天生存在相关关系。

常见的有三种形态：

• 在结构分析法中，整体指标与部分指标之间关系
• 在指标拆解法中，主指标与子指标之间的关系
• 在漏斗分析法中，前后步骤指标之间的关系

（如下图所示）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-UuGztrCb-1635827356594)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/34.png)]

这三种情况，称为：**直接相关。**直接相关不需要数据计算，通过指标梳理就能看清楚关系。

直接相关的情况下，两个指标出现同时上涨/下跌的趋势，是很好理解的。比如：

• 整个公司业绩都不好，所以A分公司业绩也很差（结构分析）
• 客户数太少了，所以整体业绩不好（主指标、子指标）
• 看到广告人数太少了，所以最后转化不好（前后步骤）

如果直接相关的两个指标没有同涨同跌，往往意味着问题。比如做用户增长，注册的新用户数量大涨，但付费转化率持续大幅度下跌，这就说明获客效率在下降，可能是目标用户已耗尽，也有可能是渠道在造假，也有可能是获客方法有误，总之要深入分析（如下图）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bH85B7ih-1635827356594)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/35.png)]

四、间接相关关系

有些指标并非直接相关，但理论上是有关系的。比如品牌广告与销售收入，理论上肯定是存在关系：广告多了，知名度高了，销量肯定好。

但是品牌广告又没有带货链接，不能直接说：有5000万的销售业绩是用户通过广告链接购买的。此时就是典型的间接相关关系（如下图）。

分析间接相关关系，有2种常用方法，一种是散点图法，可以直接做散点图，发现相关关系（如下图所示）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rfdaFexs-1635827356594)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/36.png)]

另一种是计算相关系数。这里先不讲相关系数具体公式，小伙伴们只要记得excel里对应的操作即可（如下图）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-oXEPg5wc-1635827356595)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/37.png)]

计算出可以发现，广告投入与销售两个指标之间，确有相关关系。至于具体是怎么相关的，可以再做进一步研究。

间接相关关系，经常用来找改进业绩的措施。比如互联网行业里著名的“魔法数字”法，本质就是找用户浏览、点赞、分享、登录等行为，与用户留存、付费行为之间的相关关系。

如果发现：当用户点赞4次以后，用户的90天留存会明显增高。那么就把这个“4次留存”称为魔法数字，然后努力推动用户完成4次点赞。

五、相关分析的不足之处

世界上没有完美的分析方法，相关分析有两大不足之处。

不足一：相关不等于因果。

两个指标相关关系，本质上只是一条数据公式计算出来的结果，至于两个指标为啥相关？不能直接从计算里得结论。实际上只要两个指标走势相似，在计算的时候就能显示出相关关系。

这里有一个经典例子，下图是我在小区里种的一棵树的高度，与我国GDP之间的相关分析。大家会发现：哇塞！这俩指标完美相关哦！那么我种的这颗树就是我国的龙脉，能保佑我国经济腾飞咯？——当然不是！这就是相关不等于因果的直接体现。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-K5RLXyJQ-1635827356595)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/38.png)]

不足二：相关分析不能解决非量化指标问题。

很多时候，我们想找的关系不能用数据量化。比如我们想知道：旗舰店是不是比社区店更能吸引消费者。一个店是不是旗舰，取决于位置、装修、宣传等诸多因素，不能粗暴的用开店面积、员工人数等指标来代替。

想分析这种非量化特征与指标之间的关系，需要用到另一种分析方法：标签分析法。以后再分享哦。

8.标签分析法

大家好，我是爱学习的小xiong熊妹。

今天继续介绍九大数据分析方法系列。上一篇我们提到，如果想找两个指标之间相关关系，可以用相关分析法。但很多时候，我们想找的关系，不能用指标来表达。

比如：

• 是不是社区店比步行街店，生意更好？
• 是不是私域流量比公域流量，转化更佳？
• 是不是刮风下雨比晴空万里，销售更好？

社区店/私域流量/刮风下雨，很难用一个数据指标来衡量。但这些因素，又确实会对企业经营产生影响，该怎么分析呢？这就需要采用：标签分析法

一、什么是标签

标签是有明确含义的，概括性的描述。举个简单的例子，有热心小伙伴想给小熊妹介绍男朋友，如果一本正经地讲各种信息，那么有效果吗（如下图）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-W8Dslpgj-1635827356595)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/8.1.png)]

如果用标签来描述，可能效果是（如下图）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jYVTtmYy-1635827356596)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/8.2.png)]

这就是标签作用的直观展示。一个好的标签，能够让人们一目了然的看到事情的特征。从而指导后续的行动

要注意的是，标签和数据指标之间，是可以做相互转换的：

• 比如高富帅的“高”，也可以表达为：身高181cm以上
• 比如天气是：“刮风下雨”，也可以表达为：当日降雨10mm

因此在使用标签的时候，一定要确保标准统一+所有人理解一致，避免理解错误。

二、什么是标签分析

标签分析，特指用打标签的方式，把难以量化的因素转化为标签，进而分析该因素与其他事情的关系。像开头举例的社区店/私域/下雨，都是标签的具体应用。

标签分析一般分四步

• 明确要分析的影响因素
• 把影响因素制作成标签
• 明确要分析的指标
• 对比不同标签下，指标差异
• 得出分析结论

三、标签分析举例

举个简单的例子，南方某省，8月份经常下暴雨。大家都觉得：下雨会影响门店业绩。那么怎么分析呢？按照五步法，可以针对该省份门店，做分析如下图：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CZq6FZEE-1635827356596)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/8.3.png)]

那么可以得出结论：下雨对业绩影响不大，这就做完了。

但这和大家的直观感受非常不一样！明明感觉是下雨了业绩就少，为啥数据不一样呢？这是因为：标签做的太粗糙。

细想一下

• 8月份不下雨，也会有其他恶劣天气，比如高温
• 下雨也分大雨小雨，毛毛细雨和暴雨的影响不一样
• 有些暴雨太严重，政府会发停工停学的通知

所以做标签，至少得把这几类情况都标识出来，这样对比才有意义（如下图）

更新后会发现：

• 不下雨时，高温天气也会影响业绩
• 下雨时，普通雨天并没有很大影响
• 下雨时，暴雨天气会大大影响业绩
• 下雨时，政府发了停工通知，反而会引发市民囤积物资

因此，还得再更新标签，看新结论（如下图）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-04OjB3GV-1635827356596)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/8.4.png)]

这样的区分就很有意义了。遇到业绩下滑，门店店长/大区主管经常本能的把问题归结于“下雨了”，到底是不是因为下雨呢？有了这个分析支持，可以看出：除非天气预报标注为“暴雨”/“高温”极端天气，才会真有影响，其他情况并非天气影响。这样就能开展下一步的分析了。

四、标签分析的不足之处

标签分析有个很明显的不足之处，就是一个事情是有多个标签的，如果选择不当，拿了错误的标签比较，经常得出错误的结论。

比如，我们比较社区店/CBD店的销售业绩，选了2家店，发现昨天的业绩如下图

这时候得出的结论是：社区店业绩小于CBD店，应该多开社区店。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9burQfwk-1635827356597)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/8.5.png)]

但注意！这里有另一个标签，就是日期，选择的日期是周六，周末CBD都没人上班呀，那肯定业绩很差了。那么考虑了日期标签以后，对比结果如下图

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0mYupN4F-1635827356597)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/8.6.png)]

这时候得出的结论就是：CBD店大于社区店，应该多开CBD店。

但是，这样还没有穷尽可能性。

• CBD店店租成本很高，可能一间店顶2间社区店（开店成本）
• CBD店都是直营店，人员素质可能更高（人员素质）
• CBD店面积大，所以上的商品更全（商品数量）

……

当我们试图深入分析一个事情，就会发现，太多标签叠加在一起，相互作用。因此单靠一两个标签的简单对比，是无法分析清楚的，这时候需要先建立分析逻辑，再做分析。这就需要用到MECE方法。

9.MECE法

大家好，我是爱学习的小xiong熊妹。

今天继续分享九大数据分析方法系列。上一篇说到，当我们要分析的问题，受到太多因素的影响的时候，经常会不知道从哪里下手。这时候，需要把各种影响因素梳理清楚，就需要用到MECE

一、什么是MECE

MECE是（Mutually Exclusive Collectively Exhaustive）的缩写，指的是“相互独立，完全穷尽”的分类原则。通过MECE方法对问题进行分类，能做到清晰准确，从而容易找到答案。

很多小伙伴听到MECE，都会眉头一皱，大呼：

“好难呀！”

“怎么做到独立穷尽！”

“是不是要懂得世界上所有道理，才能穷尽？”

其实完全不是，最好的做到独立、穷尽的办法，就是二分法。举个简单的例子，门店的店长抱怨：“遇到个刮风下雨打雷，街上没有人了，生意就很差”。这里的刮风下雨打雷，就不符合MECE原则。因为这三者之间既有关系，又有区别（如下图）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-skpYektw-1635827356598)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/9.1.png)]

那么怎么做到MECE呢？

二、如何做到MECE

首先要明确目标：其实我们关心的不是天气咋样，而是天气会不会影响人流。那么在对影响因素分类的时候，就得先把最大因素分离出来，再分离小的因素。由大到小，逐步剥洋葱。

比如刮风、下雨、大雷三件事，刮风除非是台风天，否则很少能影响到人们出行。大雷往往和下雨相伴，干打雷不下雨情况很少。因此相比之下，刮风、下雨、大雷里边，下雨影响最大，可以第一个分离出来。

这样，通过下雨/非下雨的区分，就做到了独立、穷尽。是和否的二分类，是很容易做到独立穷尽的。

三、如何利用MECE做分析

但是仅区分是否下雨并不能进行分析。如果下的雨很小，也不会影响人流。我们还需要更细致的划分，才能分析问题。好在，天气预报软件能给出具体的气象信息，包括温度、湿度、降雨量等等，可供分析使用。

这里有两种深入方法：

• 用相关分析法，收集降雨量指标，之后寻找降雨量指标与客流之间关系。比如收集了10个下雨天气的客户流量数据，可以做散点图，寻找相关关系。这种做法，灵活性较大，可以在没有经验积累的情况下总结出规律。

• 用标签分析法，不纠结具体降雨量多少，而是直接用气象局给的暴雨警报标签（黄色、橙色、红色）。然后看不同标签下的客流情况这种做法，直接采用现成标签，在有标签积累的情况下更好用，很直观。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9sbSqcuk-1635827356598)(data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==)]

理论上，两种方法都可行。最后选哪个，主要看

• 从数据来源上，那种方法更简单可靠
• 从结果上，那种方法区分度更明显（如下图）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qBbU0l0x-1635827356599)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/9.2.png)]

经过这一步，就又进行了第二级拆分，还可以类似的，做三级/四级拆分（如下图）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uGO8Gga6-1635827356599)(/Users/zhangjian/workspace/typora/images/九大数据分析方法/9.3.png)]

总之，通过逐层拆分，能帮助我们看清问题真实发生原因，就算达到了目的。

四、MECE法综合运用

上边只是个简单的例子，实际上，作为分析问题的基本原则，MECE法是一种基础的分析方法。现实中相当多的问题，都是各种因素交织在一起，因此需要用MECE法，把可能的影响因素一一列出来，然后再逐一确认。

比如影响门店业绩的，除了天气，还有：

• 门店位置
• 开业时间
• 货物供应
• 促销政策

并且这些因素会相互叠加，因此在分析的时候，需要用MECE法，逐级选取重点因素，剥洋葱一样找到问题核心。后续再慢慢跟大家分享，如何用MECE法构建复杂的分析逻辑。

五、MECE法不足之处

MECE法最大不足之处，在于并非所有影响因素，都能直接用数据观察到。举个简单的例子：用户为什么会流失？一般在用户已经3个月/6个月没有互动的时候标记为流失。但实际上，在用户被标记为流失以前，可能已经2个月没有登录过了，也没有留下什么数据记录。

那么，到底为什么会流失呢？

• 因为产品体验不好？
• 因为缺少促销活动？
• 因为服务没有到位？
• 因为用户根本没有需求？

这些复杂的因素，都随着用户数据的缺失，变得难以解答。即使做出来了很好的MECE分析，也没有数据佐证。

类似的场景还有很多，比如新用户获取、新产品上线这种新业务，都缺少数据积累。此时需要用另外一种思路解决问题：配合运营活动/产品改版，用实验的方法，把真实影响因素测试出来。这样既能弥补数据的不足，又能直接获得解决问题的手段，一举两得。

不过这些测试类方法，并不是直接从数据中解读出含义，而是先设计实验再看结果，因此没有和九大分析方法归为一类，

标签：数据分析,分析法,业绩,标签,分析,指标,九大,比如
来源： https://blog.csdn.net/zhangjian_eng/article/details/121097850

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。