同行分享// 9大数据分析方法+7大能力

#同行分享第一篇#

非常喜欢阅读同行的文章，彷佛进行一场隔空交流。大家都是数据分析师，有许多共鸣；了解数据分析在不同行业的应用，往往很有收获。

作者在互联网大厂从事数据分析，很勤快，写了很多总结。有一些真知灼见，值得摘要。

——【9大数据分析方法】——

总结1：多部分方法用于定位问题，相关分析法与指标拆解法可以解释问题。
总结2：抓住两个关键因素：维度（类别）、指标

一、周期性分析

1.常见的周期包括2种：自然周期/生命周期。

• 自然周期：指标随时间推移而自然发生波动。
• 生命周期依据对象分为3类：商品生命周期，app生命周期，用户生命周期。参考线：时间轴+指标走势。如：第1天/第2天/第3天，天/周/月。

2.周期性分析的作用：做出一个参考曲线，为进一步判断提供依据。

二、结构分析

1.结构分析，对指标在维度上做层层拆解和对比，如用户、行业、渠道、区域、产品等维度。
2.结构分析的作用：把握结构变化情况，追踪指标走势，能快速定位问题发生点，为进一步针对性提出解决方案提供方向。

三、分层分析

1.用户分群、商品ABC分析、行业二八法则，本质就是分层分析。
2.分层分析，针对单一指标，是为了应对平均值失效的场景，如异常值、极大值等
3.设定分层的层级的方法： “二四六八十”法则

• 比平均值高的，根据平均值的2倍、4倍、6倍、、分层。
• 比平均值低的，根据平均值的1/2、1/4分层。
  4.分层分析的作用：是其他分析的前哨战，做好分层，能引发更多思考和分析。
  5.单一指标用分层分析，两个指标用矩阵分析，多个指标用DEA模型。

四、矩阵分析

1.矩阵分析，对两个指标各自确定一个阈值分类点，划分出4个象限，把分析对象映射到矩阵图上。阈值客观上可以取平均数，主观上可以根据专家判断、或资源承受力等。
2.矩阵分析的作用：从两个指标交叉对比种发现问题。
3.常见的KANO模型（用户需求分析）和波士顿矩阵（企业实力分析），本质就是找两个评价指标，构造交叉矩阵，对业务分类。两个指标可以是互相矛盾的（收入规模和利润）、或互相促进的（增长率和占有率）。
4.有两个场景不适合用矩阵分析，①有极值影响平均数，②两个指标高度相关。

五、指标拆解

1.常见指标关系：

• 并列关系（相互独立），如业绩=客户数x消费率x客单价
• 串行关系（前后关系），如漏斗模型最后一个指标的逆推

2.固定的指标拆解法：财务分析领域的杜邦分析（利润=收入-成本），零售行业的人货场模型。

3.指标拆解的流程：

• 找到主指标
• 找到负责主指标的部门
• 确认子指标可采集到数据
• 列车拆解公式，进行数据对比

4.指标拆解的作用：可以发现问题，解释问题。

六、漏斗分析

1.漏斗分析，可处理多个指标，指标对应业务在流程上有顺序关系。
2.漏斗分析的作用：可以看到问题发生在哪里，但无法解释。

七、相关分析

1.直接相关，即有些指标之间天然存在关系，有三种形式：

• 在结构分析法种，整体指标与部分指标之间的关系
• 在指标拆解中，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
  2.间接相关。有两种常用分析方法：散点图、计算相关系数。
  3.相关分析法的不足：
• 相关不等于因果
• 相关分析不能解决非量化指标因素。有时候我们寻找关系的因素不能量化，如装修风格。关于非量化特征与指标的关系，用标签分析法。
  4.相关分析的作用：可以解释问题、可以预测。

八、标签分析

1.标签分析，把难以量化的因素转化为标签类别，比较不同标签下指标的差异。
2.标签化要确保标准统一、达成统一认识。
3.qx感觉标签分析与结构分析有很多相似之处。

九、MECE法

1.当有太多因素影响分析不知从何入手，可以用MECE把影响因素梳理清楚。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。
2.MECE指的是相互独立、完全穷尽的分类原则，可采用二分法（A和非A）。
3.该方法的不足是，有些因素无法量化，有时候缺乏数据。

——【必备7大能力】——

能力一：理解业务
业务流程、业务动作、业务方期望的结果
能力二：梳理需求
清晰的需求要说清楚5W：
who：数据使用者
when：数据使用时间
where：数据使用场合
why：使用数据原因（做监控？找原因？做预测？）
what：具体数据格式
能力三：梳理指标体系
qx根据我的项目经验，一开始的指标比较基础，往往为了满足监控和效果统计，随着业务深入开展，需要查找指标异常原因，在分析中提炼固化一些指标。业务发生变化，如变动更复杂更多样，相应要增加指标，同时理清指标间的关系。
能力四：梳理标签体系
注意：业务部门对标签有约定俗成的说法，不同部门之间标签口径混乱不一。能沟通一致最好，不能的话出报告要备注。
能力五：选择分析方法——数据分析
预测类方法：用哪个模型？
原因类方法：从哪个角度切入？如果构建逻辑链？
检验类方法：假设是什么?从哪个角度检验？
评估类方法：从哪些角度评估更合理、全面？
能力六：设计数据实验
结合业务流程，设计实验方法，要考虑具体问题：如抽样方式、样本量等等。
能力七：输出数据报告
做好汇报，很考验综合能力。数据分析首先是描述和发现问题。异常指标往往指向对应业务的负责人/负责部门，这是个找茬的活儿啊。
业务通常会找各种理由：

• 质疑数据
• 活动不如预期、指标不达标，如“自然增长率”计算不合理，或者大环境不行

本篇整理来自微信公众号【码工小熊】。