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
数据分析是一个涉及从数据收集、清理到分析、可视化和解释的复杂过程。随着数据在各行各业中的重要性不断增加,数据分析工具也变 ...
2024-10-066. 方差分析 单因素多水平方差分析 例6.1 不同装配方式对生产的过滤系统数量的差异性检验 某城市过滤水系统生产公司,有A、B、C3 ...
2024-10-06不过,在出题前,要公布上一期LEVEL II中61-65题的答案,大家一起来看! 62、B 64、B 你答对了吗? 66.关于单因素 ...
2024-10-05嗨喽,各位同学又到了公布CDA数据分析师认证考试LEVEL II的模拟试题时间了,今天给大家带来的是模拟试题(一)中的146-150 ...
2024-10-055. 假设检验 久经考场的你肯定对于很多概念类题目里问到的 “区别和联系” 不陌生,与之类似,在统计领域要研究的是数据之间的区 ...
2024-10-05数据模型(Data Model)是对现实世界数据特征的抽象,用于描述一组数据的概念和定义。它从抽象层次上描述了系统的静态特征、动态 ...
2024-10-044. 区间估计 还以为你被上节课的内容唬住了~终于等到你,还好没放弃! 本节我们将说明两个问题:总体均值 的区间估计和总体比例 ...
2024-10-04大数据分析师在现代企业中扮演着至关重要的角色。他们通过分析大量数据,帮助企业做出明智的决策。要成为一名成功的大数据分析师 ...
2024-10-033. 数据分布 t分布、F分布和卡方分布是统计学中常用的三种概率分布,它们分别用于样本均值的推断、方差的比较和数据的拟合优度检 ...
2024-10-03大数据分析师在现代企业中扮演着至关重要的角色。他们通过分析大量数据,帮助企业做出明智的决策。要成为一名成功的大数据分析师 ...
2024-10-022. 描述性统计 上一篇介绍了数据的分类、统计学是什么、以及统计学知识的大分类,本篇我们重点学习描述性统计学。 我们描述一组 ...
2024-10-02大数据专业的毕业生可以选择多种就业方向和岗位,主要集中在数据分析、系统研发和应用开发三大领域。以下是一些具体的岗位: 大 ...
2024-10-011.统计学简介 听说你已经被统计学劝退,被Python唬住……先别着急划走,看完这篇再说! 先说结论,大多数情况下的学不会都不是知 ...
2024-10-01大数据的全球市场规模在 2023 年估计为 1850 亿美元,预计到 2030 年将达到 3834 亿美元,2023 年至 2030 年的复合年增长率为 11 ...
2024-09-30大数据分析是指收集、分析和处理大量数据以发现市场趋势、洞察力和模式,帮助公司做出更好的商业决策的过程。这些信息可以快速、 ...
2024-09-30大数据分析是当今世界一些最重要行业进步背后的推动力,包括医疗、政府和金融等领域。了解更多关于如何处理大数据以及开始时使用 ...
2024-09-30大数据已经成为日常生活不可或缺的一部分,影响着我们的活动。对大量数据的分析已经成为一个重要的行业,对大数据分析师的需求也 ...
2024-09-30数据分析师证书报名官网指南 数据分析师在现代企业中扮演着越来越重要的角色,掌握数据分析技能不仅能够提升个人职场竞争力,也 ...
2024-09-29大数据分析师培训学什么 课程简介 大数据分析师课程以大数据分析技术为主线,以大数据分析师为培养目标,从数据分析基础、linux ...
2024-09-29随着大数据在各行各业中的应用日益广泛,数据分析师这一职业变得越来越重要。作为一名数据分析师,不仅需要具备扎实的技术能力, ...
2024-09-29