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，