一、什么是数据分析基础方法

从本质上看，几乎所有工作都和数据有关系，都或多或少需要一些数据分析方法。但数据本身是有门槛的，很多人上学的时候就怕数学课，更不要说复杂的理论了。因此，所谓基础数据分析方法，应该是：

1. 不涉及高等数学、统计学、运筹学、算法原理；
2. 不涉及复杂的业务逻辑、因果推断逻辑；
3. 不局限于特定的业务场景，有普适性。

总之，人人能用的，才是基础方法。

基于这个理念，我们为大家整理了九种基础分析方法，简单又好用。

二、从一个指标开始

1. 周期性分析法

最基础的分析方法，可以从一个指标开始，这就是“周期性分析法”。

所谓“周期性分析法”，操作上非常简单，就是把一个指标的观察时间拉长，看它是否有周期变化规律。

这种方法分析简单，但是非常实用。因为新手经常因为不懂看周期变化，引发笑话。诸如：

• “我发现昨天指标大跌”——昨天是周末，本来就该跌（自然周期变化）
• “我发现A产品卖得很好”——A产品刚上市，它就该卖得好（产品生命周期）

很多时候，我们看的指标是总体指标，而总体指标是由若干部分组成的，比如：

• 总公司——分公司A、分公司B、分公司C
• 总销售——商品A、商品B、商品C

因此看到一个总体指标以后，可以根据它的组成部分，对总体做拆解，了解各部分组成，是为结构分析法（分析总体的内部结构）。

2. 结构分析法

结构分析法在很多时候都好用，比如问：“为什么业绩下滑呀！”答：“因为XX区域没有做好！”通过看结构，能很快找到责任人。

3. 分层分析法

除了单纯地看结构，人们也喜欢做排名，区分个高中低，这就是分层分析法。

很多同学会把分层和结构搞混，大家只要记得以下两句：

这三种方法，是基础中的基础。一来，它们都是在分析一个指标，二来，它们都是基于事实陈述，不需要啥计算。当我们初到一个公司，初接触一个新数据，都可以用这三种方法，建立基础认知。

三、从一个指标到2个指标

矩阵分析法

当指标从一个增加到2个的时候，最好的方法就是矩阵分析法。矩阵分析法，通过两个指标的交叉，构造分析矩阵，利用平均值切出四个象限，从而发现问题（如下图）。

矩阵分析法的最大优势，在于：直观易懂。可以很容易从两个指标的交叉对比中发现问题。特别是当这两个指标是投入/成本指标的时候，成本高+收入低，成本低+收入与高两个类别，能直接为业务指示出改进方向，因此极大避免了：“不知道如何评价好坏”的问题。

很多咨询公司都喜欢用这种方法，类似KANO模型或者波士顿矩阵，本质就是找到了两个很好的评价指标，通过两指标交叉构造矩阵，对业务分类。分类的区分效果很好，就广为流传了。

四、从2个指标到多个指标

当分析指标变得更多的时候，最重要的工作，就是弄清楚：到底这些指标是什么关系。典型的关系有两种。

1. 第一种：并列关系

几个指标相互独立，且是上一级指标的组成部分。比如我们常说的：业绩=客户数*消费率*客单价

在这个公式里：

1. 一级指标：业绩；
2. 二级指标：客户数、消费率、客单价；
3. 客户数、消费率、客单价相互独立。

此时，客户数、消费率、客单价就是并列的三个指标，并且都是业绩的子指标。

2. 第二种：串行关系

几个指标相互关联，有前后顺序关系。比如我们常说的：新注册用户数=广告浏览人数*落地页转化率*注册页转化率。

1. 一级指标：新注册用户数；
2. 二级指标：广告浏览人数、落地页转化率、注册页转化率；
3. 用户要先看到广告，再点击广告进入落地页，再完成注册。

此时，广告页、落地页、注册页的指标相互关联，用户要一步步走。

这两种关系，分别对应两种基础分析方法：

1. 并列关系：指标拆解法，通过拆解一个一级指标，从二级指标里发现问题。
2. 漏斗分析法：通过观察一串流程，了解其流程转化率，发现转化率短点。

3. 指标拆解法

指标拆解法，一般在经营分析中使用较多。举个简单的例子，一个小程序商城，上月销售业绩150万，本月120万。如果只看结果，除了少了30万以外啥也不知道。但是进行指标拆解以后，就能发现很多东西（如下图）

拆解以后可以明显看出：本月虽然注册用户人数增加了，但是消费率大幅度降低，所以收入少了。后续可以进一步思考：如何提高消费率。

4. 漏斗分析法

漏斗分析法，则在互联网产品/推广/运营分析中使用较多，因为互联网产品能记录较多用户数据，因此可以呈现整个用户转化流程，从而进行分析。

举个简单例子，在网上看到一个商品广告，我们很感兴趣，点击进入购买。需要经历广告页→详情页→购物车→支付几个步骤，每多一个步骤，就会有一些用户流失，如同漏斗一样。

此时可以用一个转化漏斗，形象地表示这种关系（如下图）。

有了转化漏斗以后，就能进一步基于漏斗分析，从而指导业务改善：

1. 哪个环节漏掉的用户最多，需要改善？
2. 不同的商品，漏斗形态如何，哪个更适合推广？
3. 新的产品改版后，是否减少了漏掉的用户数量？

5. 相关分析法

当然，还有一些指标，可能不是直接的并行/串行关系，但是在工作中，也很想知道他们有没有关系，比如：

1. 广告投入与销售业绩；
2. 下雨刮风和门店人流；
3. 用户点击和消费行为。

此时，需要掌握相关分析法。注意：指标之间可能天生存在相关关系。常见的天生相关，有三种形态：

1. 在结构分析法中，整体指标与部分指标之间关系；
2. 在指标拆解法中，主指标与子指标之间的关系；
3. 在漏斗分析法中，前后步骤指标之间的关系。

这三种情况，称为：直接相关。直接相关不需要数据计算，通过指标梳理就能看清楚关系。相关分析法，更多是利用散点图/相关系数，找到潜在的相关关系（如下图）。

但是要注意：相关不等于因果，到底如何解读相关系数，需要结合具体业务含义，不能胡乱下结论哦。

五、从指标到业务逻辑

1. 标签分析法

以上所有方法，都是基于数据指标计算，但实际业务中，很多关系并不能直接用数据指标表示。比如：

• 是不是社区店比步行街店，生意更好？
• 是不是私域流量比公域流量，转化更佳？
• 是不是刮风下雨比晴空万里，销售更好？

社区店/私域流量/刮风下雨，很难用一个数据指标来衡量。但这些因素，又确实会对企业经营产生影响，该怎么分析呢？这就需要采用：标签分析法。

举个简单的例子，南方某省，8月份经常下暴雨。大家都觉得：下雨会影响门店业绩。那么怎么分析呢？按照五步法，可以针对该省份门店，做分析如下图：

那么可以得出结论：下雨对业绩影响不大，这就做完了。

注意，上边的小例子里，标签做的很粗糙，只有简单粗暴的下雨/没下雨两类。除了下雨以外，还可能有台风、冰雹、高温等等情况。因此，做标签的精细程度，决定了标签分析的准确度。而能否选取到合适的标签，则考验的是分析人员对业务的理解程度。

到这里，一共介绍了八种基础方法。在实际工作中，一般都是多种方法综合使用的。因为业务提的问题会很复杂，很有可能涉及多个指标、多个标签。此时千头万绪，要理清思路，就得祭出第九种方法：MECE法。

2. MECE法

MECE是（Mutually Exclusive Collectively Exhaustive）的缩写，指的是“相互独立，完全穷尽”的分类原则。通过MECE方法对问题进行分类，能做到清晰准确，从而容易找到答案。

MECE法是基础分析和高级分析的分水岭，也是从基础提升到高级的通道。所有复杂的问题，都需要经过认真的梳理和分解，才能成为一个个能解决的小问题。所谓的业务分析模型，其实就是对业务问题的MECE分解。

当然，肯定也有同学好奇：掌握了这九种方法以后，还可以怎么深入呢？一般有三条深入路线，可以进行深入分析。

六、掌握了基础方法以后

1. 路线一：业务分析模型

业务模型，用来解决：定义模糊、数据贫瘠、需指导业务的问题。

比如业务在纠结：

1. 到底做什么用户更好？
2. 到底怎样才能激励销售？
3. 到底活动起了多大作用？

这些问题听起来简单，其实定义非常模糊，什么算好？怎么叫起作用？不发钱的激励真的有用？各种问题错综复杂，且很有可能掺杂了业务部门自己的小心思。因此，需要细细的梳理业务逻辑，推导出可行的解题逻辑。

2. 路线二：算法分析模型

算法模型，用来解决：定义清晰、数据丰富、计算过程复杂的问题。

比如，高价值用户识别问题，业务上已经定义清楚了：

1. 用什么指标衡量用户价值；
2. 用什么标准评价价值“高”；
3. 采集了丰富的数据（性别、年龄、兴趣、关联商品、互动、评论……）；
4. 有一批人工标注过的“高价值”用户做正样本。

此时，可以用各种算法来建模了。建模的目的，不是为了增加分析深度，而是提高从分析到业务应用的效率。有了相对准确的模型判断，业务可以通过CDP+MA，自动触发营销规则，不需要每次都写ppt写很久。算法模型需要一些

3. 路线三：统计推断

统计推断方法，用来解决：定义清晰、没有数据、需测试收集数据的问题。

比如：要上一个新版本产品，业务已经定义了：新版本要提升用户的人均在线时长（均值问题），现在要做测试，从两个预备版本里选一个。此时要用：双总体均值比较假设检验的方法。

当然，实际问题会更复杂，考虑各种控制变量、假设前提，还要考虑系统开发、数据采集方案，不单单靠分析师解决。

以上就是数据掌握了基础方法以后，深入学习的三个路线。