“你做數據分析有啥方法論？”無論是工作還是面試，此問題一出，都會難倒一片同學。媽耶，每天照單跑數就知道，但方法論是個什麼鬼！今天介紹給大家基礎的九種方法，先開個頭哦。

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，更不要說複雜的理論了。

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、不涉及複雜的業務邏輯、因果推斷邏輯

3、不局限于特定的業務場景，有普适性

總之，人人能用的，才是基礎方法。

基于這個理念，我請我的運營小妹小熊妹，為大家整理了九種基礎分析方法，簡單又好用。

▌周期性分析法

最基礎的分析方法，可以從一個指标開始，這就是“周期性分析法”。所謂“周期性分析法”，操作上非常簡單，就是把一個指标的觀察時間拉長，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：

“我發現昨天指标大跌”——昨天是周末，本來就該跌（自然周期變化）

“我發現A産品賣得很好”——A産品剛上市，它就該賣得好（産品生命周期）

很多時候，我們看的指标是總體指标，而總體指标是由若幹部分組成的，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标以後，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（分析總體的内部結構）。

▌結構分析法

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

▌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，大家隻要記得以下兩句：

結構是客觀存在的，問清楚即可

分層是主觀的，要定個高低出來

這三種方法，是基礎中的基礎。一來，它們都是在分析一個指标，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。

▌矩陣分析法

當指标從一個增加到2個的時候，最好的方法就是矩陣分析法。矩陣分析法，通過兩個指标的交叉，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。可以很容易從兩個指标的交叉對比中發現問題。特别是當這兩個指标是投入/成本指标的時候，成本高 收入低，成本低 收入與高兩個類别，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标，通過兩指标交叉構造矩陣，對業務分類。分類的區分效果很好，就廣為流傳了。

當分析指标變得更多的時候，最重要的工作，就是弄清楚：到底這些指标是什麼關系。典型的關系有兩種。

第一種：并列關系。

幾個指标相互獨立，且是上一級指标的組成部分。

比如我們常說的：業績=客戶數*消費率*客單價

在這個公式裡

1、一級指标：業績

2、二級指标：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标，并且都是業績的子指标。

第二種：串行關系。

幾個指标相互關聯，有前後順序關系。

比如我們常說的：新注冊用戶數=廣告浏覽人數*落地頁轉化率*注冊頁轉化率。

1、一級指标：新注冊用戶數

2、二級指标：廣告浏覽人數、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、注冊頁的指标相互關聯，用戶要一步步走。

這兩種關系，分别對應兩種基礎分析方法：

并列關系：指标拆解法，通過拆解一個一級指标，從二級指标裡發現問題。

漏鬥分析法：通過觀察一串流程，了解其流程轉化率，發現轉化率短點。

▌指标拆解法

指标拆解法，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。如果隻看結果，除了少了30萬以外啥也不知道。但是進行指标拆解以後，就能發現很多東西（如下圖）

拆解以後可以明顯看出：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。後續可以進一步思考：如何提高消費率。

▌漏鬥分析法

漏鬥分析法，則在互聯網産品/推廣/運營分析中使用較多，因為互聯網産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。需要經曆廣告頁→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，如同漏鬥一樣。

此時可以用一個轉化漏鬥，形象地表示這種關系（如下圖）。

有了轉化漏鬥以後，就能進一步基于漏鬥分析，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，漏鬥形态如何，哪個更适合推廣？

3、新的産品改版後，是否減少了漏掉的用戶數量？

▌相關分析法

當然，還有一些指标，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：指标之間可能天生存在相關關系。

常見的天生相關，有三種形态：

1、在結構分析法中，整體指标與部分指标之間關系

2、在指标拆解法中，主指标與子指标之間的關系

3、在漏鬥分析法中，前後步驟指标之間的關系

這三種情況，稱為：直接相關。直接相關不需要數據計算，通過指标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

▌标簽分析法

以上所有方法，都是基于數據指标計算，但實際業務中，很多關系并不能直接用數據指标表示。

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裡，銷售更好？

社區店/私域流量/刮風下雨，很難用一個數據指标來衡量。但這些因素，又确實會對企業經營産生影響，該怎麼分析呢？這就需要采用：标簽分析法。

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。那麼怎麼分析呢？按照五步法，可以針對該省份門店，做分析如下圖：

那麼可以得出結論：下雨對業績影響不大，這就做完了。

注意，上邊的小例子裡，标簽做的很粗糙，隻有簡單粗暴的下雨/沒下雨兩類。除了下雨以外，還可能有台風、冰雹、高溫等等情況。因此，做标簽的精細程度，決定了标簽分析的準确度。而能否選取到合适的标簽，則考驗的是分析人員對業務的理解程度。

到這裡，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複雜，很有可能涉及多個指标，多個标簽。此時千頭萬緒，要理清思路，就得祭出第九種方法：MECE法。

▌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，能做到清晰準确，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。所有複雜的問題，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。

看到這裡，肯定很多小夥伴想看這九大方法的操作細節，可以關注公衆号碼工小熊，每一種方法，小熊妹都單獨寫了一篇詳細的操作文章。接下來小熊妹會把九大分析方法整理成PDF供大家下載使用。

當然，肯定也有同學好奇：掌握了這九種方法以後，還可以怎麼深入呢？

一般有三條深入路線，可以進行深入分析。

▌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、到底做什麼用戶更好？

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，什麼算好？怎麼叫起作用？不發錢的激勵真的有用？各種問題錯綜複雜，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。

▌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、計算過程複雜的問題。

比如，高價值用戶識别問題，業務上已經定義清楚了：

1、用什麼指标衡量用戶價值

2、用什麼标準評價價值“高”

3、采集了豐富的數據（性别、年齡、興趣、關聯商品、互動、評論……）

4、有一批人工标注過的“高價值”用戶做成樣本

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。有了相對準确的模型判斷，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

▌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：要上一個新版本産品，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，從兩個預備版本裡選一個。此時要用：雙總體均值比較假設檢驗的方法。

當然，實際問題會更複雜，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後，深入學習的三個路線。如果大家感興趣，關注接地氣學堂公衆号，我們選一個主題深入講解，敬請期待哦。

作者：接地氣的陳老師，接地氣學堂、碼工小熊。十年資曆的數據分析師，推出的數據分析系列課程，已有逾2萬學員。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!