九大数据分析方法-单指标分析方法与多指标分析方法

九大数据分析方法-单指标分析方法与多指标分析方法

引用

CSDN

1.

https://blog.csdn.net/m0_38139250/article/details/128743809

数据分析是数据驱动决策的基础，掌握正确的方法对于提升分析效率和准确性至关重要。本文系统介绍了单指标分析方法和多指标分析方法，包括周期性分析法、结构分析法、分层分析法、矩阵分析法、指标拆解法和漏斗分析法，通过详细的解释和案例，帮助读者快速掌握这些实用的数据分析工具。

1 单指标分析方法

单指标分析方法是指使用单个数据指标进行数据分析的方法，适用于接触新任务、不了解数据情况和业务形态的场景。优先关注KPI指标（如收入、成本等）的关键指标，再分析细节。

1.1 周期性分析法

周期性分析法主要用于识别数据的周期性波动。收入的产生通常具有周期性，包括自然周期（如春夏秋冬、工作日/节假日）、生命周期（如新产品上市、推广、热销、下架）和主动行为周期（如活动影响持续时间）。通过周期分析可以识别正常走势，评估问题的起点。

寻找周期性要从大到小找出业务发展的周期性规律：先看最大、最关键的收入指标，从月到日，逐步缩小范围。在日期上，标注会影响整体收入的重大举措（促销/政策）。区分新老，新地区、新产品、新用户关注其生命周期。指标异常时，先看是否是正常周期变化，剔除周期因素后，才是真正的问题。

1.2 结构分析法

结构分析法是通过观察内部结构来分析指标走势的方法。通过周期分析知道指标是怎么变化的，通过看内部结构可以知道它为什么这么变化，即：总收入 = A部分收入 + B部分收入 + C部分收入。

通过结构分析法，能直观地看到收入/成本构成，从而对收入/成本变化进行解读，进一步发现问题。例如：

只看整体业绩可以看出业绩是在下降的，但是不能看出来是如何下降的。而对业务进行细分，分成实体店、电商平台和小程序商城，可以看出，实体店从3月开始是一直在跌的，这导致整体业绩下滑。

有两种典型的结构变化：

1. 一般认为同涨同跌，代表动力在外（大环境、整体政策…）
2. 有涨有跌，则是某些部分有问题，某些部分有机会

结构性分析法应用场景：

1. 定年度计划时，按照结果拆解目标，下放到城市；
2. 监控指标走势时，先看整体变化，再看哪个部分引起的变化。

结构分析法的关键是要做好清晰的结构分类，这样才能快速锁定问题。经典的分类维度包括人（用户年龄/性别）、货（商品大类/细类）、场（区域/城市/推广渠道）。

1.3 分层分析法

分层分析法就是要暴露出个体差异。可以利用二八定律进行分层。在数据差异非常大的时候，可以利用平均数倍数分层。

作用：
在制定策略时，考虑做大优秀个体/降低差劲个体；在实地执行时，关注优秀是否流失，差劲是否闯祸；在经营分析时，通过优秀/差劲个体结构变化，解读数据。

从广大的子个体中找到能力最优秀/最差劲的个人。分层分析法的关键：

1. 对个体做分层，找关键指标（收入/成本）
2. 分层过程中，关注极端个案，关注平均值差异
3. 跟踪分析结果是否稳定，与业务讨论是否值得进一步深挖

2 多指标分析方法

使用多指标分析法，可以综合收入与成本两个指标，评价业务，并了解收入/成本是怎么产生的，给出业务建议。从单指标变成多指标，要先做矩阵分析，综合评价好/坏，先拆解过程，再看细节。

2.1 矩阵分析法

矩阵分析法就是把两个独立出现的事交叉组合：

1. 用两个相关度较低的指标描述一个事务；

2. 将两个指标进行交叉分类，区分事物类型；

3. 用图形（散点图）表示分类结果。

4. 两个指标，至多会产生四个组合。如，高、帅：
   高 + 帅、矮 + 帅、高 + 丑、矮 + 丑

5. 制作矩阵：

6. 明确对象与评价指标，准备数据；

7. 计算平均值，进行分类；
   

8. 做出散点图，观察数据形态；
   

9. 给每个分类命名，找出业务含义，利用矩阵提建议；
   

矩阵分析法自带标准，可以对大部分业务进行评价，结论清晰，业务指向明确，适合向业务提建议。

矩阵分析法的关键：

1. 清晰评估对象，选相关度低但重要的指标；
2. 重点专注左上、右下的特殊区域，了解背后业务问题；
3. 持续跟踪业务表现，发现产生了效果的业务动作，检测变化。

个别样本太突出，剩下样本指标太过接近时不适合用矩阵分析法，应用分层分析法。

2.2 指标拆解法

指标拆解法是将一个大指标（通常是收入、成本这种关键指标）拆成若干个新的、有业务含义的子指标，通过解读子指标来分析问题的方法。拆解一个指标，能解读出更多信息。

指标拆解与结构分析的区别：
指标拆解是将一个指标拆解成两个新的指标；
结构分析是将一个指标的结构进行拆解，如总消费=食物消费+饮料消费，但是指标还是消费，并没有改变。

每个拆解后的指标，对应一个业务动作。拆解后看哪个指标低了，则让相应的业务部门跟进。

指标分解的关键：

1. 分解指标不是盲目的分解，而是分解成有业务含义、业务部门容易执行的指标；
2. 最常见的分解：一个数量指标 * 一个质量指标

2.3 漏斗分析法

漏斗是对一个连续的操作步骤的形象称呼。如：
网上买东西：广告页->详情页->购物车->支付页->付款成功
每增加一个步骤，即会流失一些用户，因此形如漏斗

漏斗分析法是对整个流程中，每个环节参与人数、流失人数、上下环节之间转化人数进行计算，从而发现流程问题的方法。

影响漏斗转化的两类因素：局部变量和全局变量，局部变量一般影响的是转化漏斗开头的位置。

漏斗分析的作用：

1. 漏斗分析可以找出哪里差，之后补哪里，从最弱的开始一直补过去，结合每个步骤的业务含义，提出最优化建议。
2. 利用漏斗分析可以挑选出更好的产品，有时候优化方式不是头疼医头、脚疼医脚而是颠覆式的整体改变，因此，可以在多个转化方案之间进行比较，直接挑选效果更好的方案。

案例：

可以直接看最终转化率，A、B都不合格，其中B的问题发生在事件末端。

3. 对比多个版本，观察效果，很可能短期内业务能力有上限，怎么改也就那样，给每个转化流程圈定能力上下限，判断是否稳定，就非常重要。漏斗的上下差别越小，说明越稳定，越值得信任。

本文原文来自CSDN