一、什么是數據分析基礎方法

從本質上看，幾乎所有工作都和數據有關系，都或多或少需要一些數據分析方法。但數據本身是有門檻的，很多人上學的時候就怕數學課，更不要說復雜的理論了。因此，所謂基礎數據分析方法，應該是：

1. 不涉及高等數學、統計學、運籌學、算法原理；
2. 不涉及復雜的業務邏輯、因果推斷邏輯；
3. 不局限于特定的業務場景，有普適性。

總之，人人能用的，才是基礎方法。

基于這個理念，我們為大家整理了九種基礎分析方法，簡單又好用。

二、從一個指標開始

1. 周期性分析法

最基礎的分析方法，可以從一個指標開始，這就是“周期性分析法”。

所謂“周期性分析法”，操作上非常簡單，就是把一個指標的觀察時間拉長，看它是否有周期變化規律。

這種方法分析簡單，但是非常實用。因為新手經常因為不懂看周期變化，引發笑話。諸如：

• “我發現昨天指標大跌”——昨天是周末，本來就該跌（自然周期變化）
• “我發現A產品賣得很好”——A產品剛上市，它就該賣得好（產品生命周期）

很多時候，我們看的指標是總體指標，而總體指標是由若干部分組成的，比如：

• 總公司——分公司A、分公司B、分公司C
• 總銷售——商品A、商品B、商品C

因此看到一個總體指標以后，可以根據它的組成部分，對總體做拆解，了解各部分組成，是為結構分析法（分析總體的內部結構）。

2. 結構分析法

結構分析法在很多時候都好用，比如問：“為什么業績下滑呀！”答：“因為XX區域沒有做好！”通過看結構，能很快找到責任人。

3. 分層分析法

除了單純地看結構，人們也喜歡做排名，區分個高中低，這就是分層分析法。

很多同學會把分層和結構搞混，大家只要記得以下兩句：

這三種方法，是基礎中的基礎。一來，它們都是在分析一個指標，二來，它們都是基于事實陳述，不需要啥計算。當我們初到一個公司，初接觸一個新數據，都可以用這三種方法，建立基礎認知。

三、從一個指標到2個指標

矩陣分析法

當指標從一個增加到2個的時候，最好的方法就是矩陣分析法。矩陣分析法，通過兩個指標的交叉，構造分析矩陣，利用平均值切出四個象限，從而發現問題（如下圖）。

矩陣分析法的最大優勢，在于：直觀易懂?？梢院苋菀讖膬蓚€指標的交叉對比中發現問題。特別是當這兩個指標是投入/成本指標的時候，成本高+收入低，成本低+收入與高兩個類別，能直接為業務指示出改進方向，因此極大避免了：“不知道如何評價好壞”的問題。

很多咨詢公司都喜歡用這種方法，類似KANO模型或者波士頓矩陣，本質就是找到了兩個很好的評價指標，通過兩指標交叉構造矩陣，對業務分類。分類的區分效果很好，就廣為流傳了。

四、從2個指標到多個指標

當分析指標變得更多的時候，最重要的工作，就是弄清楚：到底這些指標是什么關系。典型的關系有兩種。

1. 第一種：并列關系

幾個指標相互獨立，且是上一級指標的組成部分。比如我們常說的：業績=客戶數*消費率*客單價

在這個公式里：

1. 一級指標：業績；
2. 二級指標：客戶數、消費率、客單價；
3. 客戶數、消費率、客單價相互獨立。

此時，客戶數、消費率、客單價就是并列的三個指標，并且都是業績的子指標。

2. 第二種：串行關系

幾個指標相互關聯，有前后順序關系。比如我們常說的：新注冊用戶數=廣告瀏覽人數*落地頁轉化率*注冊頁轉化率。

1. 一級指標：新注冊用戶數；
2. 二級指標：廣告瀏覽人數、落地頁轉化率、注冊頁轉化率；
3. 用戶要先看到廣告，再點擊廣告進入落地頁，再完成注冊。

此時，廣告頁、落地頁、注冊頁的指標相互關聯，用戶要一步步走。

這兩種關系，分別對應兩種基礎分析方法：

1. 并列關系：指標拆解法，通過拆解一個一級指標，從二級指標里發現問題。
2. 漏斗分析法：通過觀察一串流程，了解其流程轉化率，發現轉化率短點。

3. 指標拆解法

指標拆解法，一般在經營分析中使用較多。舉個簡單的例子，一個小程序商城，上月銷售業績150萬，本月120萬。如果只看結果，除了少了30萬以外啥也不知道。但是進行指標拆解以后，就能發現很多東西（如下圖）

拆解以后可以明顯看出：本月雖然注冊用戶人數增加了，但是消費率大幅度降低，所以收入少了。后續可以進一步思考：如何提高消費率。

4. 漏斗分析法

漏斗分析法，則在互聯網產品/推廣/運營分析中使用較多，因為互聯網產品能記錄較多用戶數據，因此可以呈現整個用戶轉化流程，從而進行分析。

舉個簡單例子，在網上看到一個商品廣告，我們很感興趣，點擊進入購買。需要經歷廣告頁→詳情頁→購物車→支付幾個步驟，每多一個步驟，就會有一些用戶流失，如同漏斗一樣。

此時可以用一個轉化漏斗，形象地表示這種關系（如下圖）。

有了轉化漏斗以后，就能進一步基于漏斗分析，從而指導業務改善：

1. 哪個環節漏掉的用戶最多，需要改善？
2. 不同的商品，漏斗形態如何，哪個更適合推廣？
3. 新的產品改版后，是否減少了漏掉的用戶數量？

5. 相關分析法

當然，還有一些指標，可能不是直接的并行/串行關系，但是在工作中，也很想知道他們有沒有關系，比如：

1. 廣告投入與銷售業績；
2. 下雨刮風和門店人流；
3. 用戶點擊和消費行為。

此時，需要掌握相關分析法。注意：指標之間可能天生存在相關關系。常見的天生相關，有三種形態：

1. 在結構分析法中，整體指標與部分指標之間關系；
2. 在指標拆解法中，主指標與子指標之間的關系；
3. 在漏斗分析法中，前后步驟指標之間的關系。

這三種情況，稱為：直接相關。直接相關不需要數據計算，通過指標梳理就能看清楚關系。相關分析法，更多是利用散點圖/相關系數，找到潛在的相關關系（如下圖）。

但是要注意：相關不等于因果，到底如何解讀相關系數，需要結合具體業務含義，不能胡亂下結論哦。

五、從指標到業務邏輯

1. 標簽分析法

以上所有方法，都是基于數據指標計算，但實際業務中，很多關系并不能直接用數據指標表示。比如：

• 是不是社區店比步行街店，生意更好？
• 是不是私域流量比公域流量，轉化更佳？
• 是不是刮風下雨比晴空萬里，銷售更好？

社區店/私域流量/刮風下雨，很難用一個數據指標來衡量。但這些因素，又確實會對企業經營產生影響，該怎么分析呢？這就需要采用：標簽分析法。

舉個簡單的例子，南方某省，8月份經常下暴雨。大家都覺得：下雨會影響門店業績。那么怎么分析呢？按照五步法，可以針對該省份門店，做分析如下圖：

那么可以得出結論：下雨對業績影響不大，這就做完了。

注意，上邊的小例子里，標簽做的很粗糙，只有簡單粗暴的下雨/沒下雨兩類。除了下雨以外，還可能有臺風、冰雹、高溫等等情況。因此，做標簽的精細程度，決定了標簽分析的準確度。而能否選取到合適的標簽，則考驗的是分析人員對業務的理解程度。

到這里，一共介紹了八種基礎方法。在實際工作中，一般都是多種方法綜合使用的。因為業務提的問題會很復雜，很有可能涉及多個指標、多個標簽。此時千頭萬緒，要理清思路，就得祭出第九種方法：MECE法。

2. MECE法

MECE是（Mutually Exclusive Collectively Exhaustive）的縮寫，指的是“相互獨立，完全窮盡”的分類原則。通過MECE方法對問題進行分類，能做到清晰準確，從而容易找到答案。

MECE法是基礎分析和高級分析的分水嶺，也是從基礎提升到高級的通道。所有復雜的問題，都需要經過認真的梳理和分解，才能成為一個個能解決的小問題。所謂的業務分析模型，其實就是對業務問題的MECE分解。

當然，肯定也有同學好奇：掌握了這九種方法以后，還可以怎么深入呢？一般有三條深入路線，可以進行深入分析。

六、掌握了基礎方法以后

1. 路線一：業務分析模型

業務模型，用來解決：定義模糊、數據貧瘠、需指導業務的問題。

比如業務在糾結：

1. 到底做什么用戶更好？
2. 到底怎樣才能激勵銷售？
3. 到底活動起了多大作用？

這些問題聽起來簡單，其實定義非常模糊，什么算好？怎么叫起作用？不發錢的激勵真的有用？各種問題錯綜復雜，且很有可能摻雜了業務部門自己的小心思。因此，需要細細的梳理業務邏輯，推導出可行的解題邏輯。

2. 路線二：算法分析模型

算法模型，用來解決：定義清晰、數據豐富、計算過程復雜的問題。

比如，高價值用戶識別問題，業務上已經定義清楚了：

1. 用什么指標衡量用戶價值；
2. 用什么標準評價價值“高”；
3. 采集了豐富的數據（性別、年齡、興趣、關聯商品、互動、評論……）；
4. 有一批人工標注過的“高價值”用戶做正樣本。

此時，可以用各種算法來建模了。建模的目的，不是為了增加分析深度，而是提高從分析到業務應用的效率。有了相對準確的模型判斷，業務可以通過CDP+MA，自動觸發營銷規則，不需要每次都寫ppt寫很久。算法模型需要一些

3. 路線三：統計推斷

統計推斷方法，用來解決：定義清晰、沒有數據、需測試收集數據的問題。

比如：要上一個新版本產品，業務已經定義了：新版本要提升用戶的人均在線時長（均值問題），現在要做測試，從兩個預備版本里選一個。此時要用：雙總體均值比較假設檢驗的方法。

當然，實際問題會更復雜，考慮各種控制變量、假設前提，還要考慮系統開發、數據采集方案，不單單靠分析師解決。

以上就是數據掌握了基礎方法以后，深入學習的三個路線。