
作者:接地气的陈老师
来源:接地气学堂
要说数据分析里,什么方法最常用?当然是趋势分析法。只要和数据有关,几乎每个人,时时刻刻都在用。很多同学一听:“啥?还有这方法啊?我咋没感觉到呢!”今天我们系统讲解一下。
请听题,下图是本月1到8号的销售业绩走势,看图回答:
【判断题】8号比7号的业绩好,对不对
【判断题】7号比6号的业绩好,对不对
【判断题】6号比5号的业绩好,对不对
【判断题】所以本月业绩向好好,对不好
思考一秒钟,估计一秒钟不到,很多同学都能脱口而出答案了
1
趋势分析法的做法
上题就是通过业绩趋势图进行分析的直观体验。很多同学是不是脱口而出四个“对、对、对、对”。是滴,趋势分析法的基本原理就是这么简单,几乎是个人都会用。
第一步,明确一个指标是正向/负向。比如本题里,销售业绩是个正向指标,肯定大家都希望销售得越多越好。因此,正向指标一天比一天大,就是趋势向好,一天比一天小,就是趋势不好。
第二步,收集数据,观察指标走势。因为已经明确了“销售指标越高越好”,所以只要观察数据就好了,我们看到一天比一天好,所以能下结论:销售趋势向好。下边可以分析为啥销售这么好了。你看简单吧,90%的网上文章、数据分析课都是这么教的。
然而,这个回答是错的。
因为根本没考虑,到底是什么行业、什么产品的销售业绩。不同行业、产品的销售,在一定时间内会呈现不同的销售走势。比如吃喝玩乐类销售,往往集中在周末,会呈现以周为单位的周期性波动。比如3C类电子产品,新品上市是最火热的时候,之后会呈现逐步衰退的迹象。当销售趋势增加了时间维度后,才会呈现出规律性。
所以,这个题的前三问,都是“对、对、对”,第四问则是“不确定”。想要确定,还至少需要,在已经做的两步工作基础上,再多做两步。
第三步,树立趋势标杆,建立判断标准。树立标杆的方法有两种,如果自己熟悉这个行业,可以直接根据行业特点,画出大致走势图。如果不熟悉,可以把时间往前拖长,看之前几周的趋势。当然,想观察趋势,最好是画出同比、环比、三年比三张图。这样看的最准,能最大程度的避免短期波动的影响(顺便一提,也是为啥大家在做报表的时候,经常有同比、环比、三年比三个指标,并且分日、周、月三种口径统计,就是为了避免短期影响,观察趋势是否正常)。
第四步,将现状数据套入标杆,得出结论。如果我们已经树立了标杆形态,套入文章开头的题目的数据,马上会有不一样的解读(如下图)
所以,为啥有个名字叫“趋势分析法”,而不是“我画个折线图,高了就是好,低了就是不好”。是因为即使画个折线图,想要不作出错误判断,也得按规矩一步步来。这就是方法和随便玩玩的区别。而下边我们会看到,随便玩玩,经常玩出问题来。
2
趋势分析法的优点
趋势分析法最大的好处,就是:省事!因为它无需任何理论基础,无需任何专业知识,无需很多数据,只要有一个结果数据,无论是正向还是负向,都能直接得出判断。所以它是所有数据分析方法里最先被总结出来,并且沿用了20多年的祖传手艺。
要知道,在20年前,企业的数字化系统还在洪荒混沌状态,那时候的职业经理们想做判断,可没有现在这么多明细数据进行分析,于是只能死磕利润、成本、销售额几个结果数据。因此只能死磕曲线走势,你会发现60、70后的职业经理人,和85前的数据人,都对曲线走势特别敏感,特别喜欢拖三年走势,过往12个月的走势之类数据看。
第二个好处:直接!还拿销售举例,很多辅助性活动,比如营销活动、拉新裂变,到底对销售有没有用?不需要很复杂的漏斗分析,只要看一眼趋势,立马见效果。越简单的方法,在评估结果时越靠谱!(如下图)。
第三个好处:自带标准。曲线走势本身,可以成为判断指标好坏的标准,除了上文说的自然周期/生命周期型标准,涨跌程度,也能成为判断标准,这样省去了大量找标准的时间。(如下图)。
今时今日,这个方法也很好用。因为虽然我们有条件做ABtest,做漏斗,做多维度交叉分析,但是每天、每时、每刻都让你这么搞,你试试看。且不说做数据的会累死,为了搞这么多分析,要业务延迟上线,APP开发进度减缓,活动hold住去一个个做埋点、做测试,你问问业务干不干。所以大量常规的分析,依然要依靠日报、周报的数据做趋势分析来满足。
况且,每天、每时、每刻的数据变化,搞得业务神经过敏,嚷嚷着要深入分析,结果事后发现屁事没有的情况:非常多!
3
趋势分析法的不足
不足之一:神经过敏。三人成虎的效应,在趋势分析里非常常见。具体的如下图所示。人们往往习惯于对:突发巨大的、连续几次的、与前边连续几次不一样的神经过敏。却容易忽视更大的问题。
不足之二:混杂因素。趋势分析在观察因果效果的时候,无法处理混杂因素。在多个因素叠加的时候,是无法区分出来真正的关键影响因素的。
不足之三:乱用滥用。注意,趋势分析是有前提的,在指标是结果指标,有明确的正向/负向判断的时候,才可以使用。其他场景,比如活跃率、消费率这种比例,比率类指标,不能直接套用,比例/比率类指标得先看分子分母到底哪个引起的变化。比如:用户注册数、浏览数这种不明确正负的,也不适合用,至少得跟转化率连起来看。至于文章开头所说的:看着高了就是好,低了就是不好,更是典型的乱用。
不足之四:缺少洞察。最最最经典的场景,就是炒股票。直接上图,一看就懂。
因为本质上,趋势是由背后的原因推动的。看趋势,更得看背后的原因,而不是单纯的看着结果走势想当然。这也是我们为啥会研发出ABtest、漏斗图、多维度交叉对比等等方法的原因。我们需要简单的方法短平快做决策,也需要更复杂的方法深入问题。
4
还有哪些祖传方法
还有一些方法是数据分析领域的祖传手艺。比如多维度交叉分析,如果是2维的话,就是矩阵法,如果3维以上,就是切割对比法。是滴,这些在网络文章里被吹得云里雾里的各种“底层逻辑”“核心思想”其实一点都不神奇。都是基于具体场景、数据限制、业务需求所产生的方法。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
剖析 CDA 数据分析师考试题型:解锁高效备考与答题策略 CDA(Certified Data Analyst)数据分析师考试作为衡量数据专业能力的 ...
2025-07-04SQL Server 字符串截取转日期:解锁数据处理的关键技能 在数据处理与分析工作中,数据格式的规范性是保证后续分析准确性的基础 ...
2025-07-04CDA 数据分析师视角:从数据迷雾中探寻商业真相 在数字化浪潮席卷全球的今天,数据已成为企业决策的核心驱动力,CDA(Certifie ...
2025-07-04CDA 数据分析师:开启数据职业发展新征程 在数据成为核心生产要素的今天,数据分析师的职业价值愈发凸显。CDA(Certified D ...
2025-07-03从招聘要求看数据分析师的能力素养与职业发展 在数字化浪潮席卷全球的当下,数据已成为企业的核心资产,数据分析师岗位也随 ...
2025-07-03Power BI 中如何控制过滤器选择项目数并在超限时报错 引言 在使用 Power BI 进行数据可视化和分析的过程中,对过滤器的有 ...
2025-07-03把握 CDA 考试时间,开启数据分析职业之路 在数字化转型的时代浪潮下,数据已成为企业决策的核心驱动力。CDA(Certified Da ...
2025-07-02CDA 证书:银行招聘中的 “黄金通行证” 在金融科技飞速发展的当下,银行正加速向数字化、智能化转型,海量数据成为银行精准 ...
2025-07-02探索最优回归方程:数据背后的精准预测密码 在数据分析和统计学的广阔领域中,回归分析是揭示变量之间关系的重要工具,而回 ...
2025-07-02CDA 数据分析师报考条件全解析:开启数据洞察之旅 在当今数字化浪潮席卷全球的时代,数据已成为企业乃至整个社会发展的核心驱 ...
2025-07-01深入解析 SQL 中 CASE 语句条件的执行顺序 在 SQL 编程领域,CASE语句是实现条件逻辑判断、数据转换与分类的重要工 ...
2025-07-01SPSS 中计算三个变量交集的详细指南 在数据分析领域,挖掘变量之间的潜在关系是获取有价值信息的关键步骤。当我们需要探究 ...
2025-07-01CDA 数据分析师:就业前景广阔的新兴职业 在当今数字化时代,数据已成为企业和组织决策的重要依据。数据分析师作为负责收集 ...
2025-06-30探秘卷积层:为何一个卷积层需要两个卷积核 在深度学习的世界里,卷积神经网络(CNN)凭借其强大的特征提取能力 ...
2025-06-30探索 CDA 数据分析师在线课程:开启数据洞察之旅 在数字化浪潮席卷全球的当下,数据已成为企业决策、创新与发展的核心驱 ...
2025-06-303D VLA新范式!CVPR冠军方案BridgeVLA,真机性能提升32% 编辑:LRST 【新智元导读】中科院自动化所提出BridgeVLA模型,通过将 ...
2025-06-30LSTM 为何会产生误差?深入剖析其背后的原因 在深度学习领域,LSTM(Long Short-Term Memory)网络凭借其独特的记忆单元设 ...
2025-06-27LLM进入拖拽时代!只靠Prompt几秒定制大模型,效率飙升12000倍 【新智元导读】最近,来自NUS、UT Austin等机构的研究人员创新 ...
2025-06-27探秘 z-score:数据分析中的标准化利器 在数据的海洋中,面对形态各异、尺度不同的数据,如何找到一个通用的标准来衡量数据 ...
2025-06-26Excel 中为不同柱形设置独立背景(按数据分区)的方法详解 在数据分析与可视化呈现过程中,Excel 柱形图是展示数据的常用工 ...
2025-06-26