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。但是很多同学只闻其名、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。
数据分析,竟然这么多套路 - 图1

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20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。
数据分析,竟然这么多套路 - 图2

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。相关案例可参考波士顿矩阵分析
数据分析,竟然这么多套路 - 图3

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。
数据分析,竟然这么多套路 - 图4

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:
数据分析,竟然这么多套路 - 图5

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。相关案例可参考RFM模型

  • 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。相关案例可参考用户生命周期状态分析

  • 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。相关案例可参考ABC分析

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。
数据分析,竟然这么多套路 - 图6

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。

看到这里,也许大家还是会有些困惑,分析方法有那么多,遇到具体的问题时,又该如何快速、高效的选择合适的分析方法呢?期待我们的后续文章吧!

其实数据分析思维不仅是门核心的业务技能,也可以在很多生活场景中发挥作用,比如……脱单!

是不是很神奇?感兴趣的同学请随手点赞,下期将更新数据分析框架实战——数据分析,竟是脱单神器!

本文作者:九条