1.象限法

适用于对分析对象的划分。

确定指标，根据指标的高低，组合出不同类别。

2个指标，每个指标有高低之分，可得出4个类别。可视化后，就是二维坐标，每个类别分别落到四象限的一个象限里。

比如：

App根据使用频度和垂直度，可划分为4种类型。

高频综合，高频垂直，低频综合，低频垂直。

 

比如：

用价值度和流失度来划分用户类别。

可组合出4种类型用户。

针对每种类型，实施不同的运营策略。

3个指标，则得出8个类别。可视化后，就是三维坐标，划分出8个象限。

比如：

RFM模型。

R：最近一次消费

M：消费金额

F：消费频率

组合出8种类别，每种类别对应一种用户，对每种类别用户实施不同运营策略。

象限法是策略驱动思维，对分析对象进行划分后，每个类别的对象实施不同策略。

划分依据，可根据中位数，平均数，或者经验（直接给出具体数值）。

适用于：战略分析，产品分析，市场分析，客户管理，用户管理，商品管理等。

应用范围的广泛，说明可用于划分的指标的多样性。本质还是根据不同指标的高低组合来分类对象。

2.多维法

象限法的进阶。

因为象限法只有2和3两种维度，但实际问题分析里，可能包括超过3种维度。

比如：

用户统计维度：性别，年龄，出生地等

用户行为维度：注册用户，用户偏好，用户兴趣，用户流失等

消费维度：消费金额，消费频率，消费水平等

商品维度：商品品类，商品品牌，商品属性等

多维法是精细驱动思维。

只要数据齐全且丰富，都可以应用。有点像建立Excel表格分析。每一行，都有多个列，每一列就是一个维度。

注意维度过多可能导致更多时间消耗。

对不同维度交叉分析时，注意辛普森悖论。

辛普森悖论：某个条件下两组数据，分别讨论时得出某种性质，合并讨论时，却得出相反结论。

 

为什么会出现辛普森悖论？

如何规避辛普森悖论？

3.假设法

在没有数据可参考的时候，可利用假设法来进行分析。

比如：

营销活动后，销量整体比上周上升20%，但因为统计失误，没有销量明细数据。如何确定活动是否有效？即，验证销量的提升是否是营销活动的结果。

 

分析：

假设活动是有效的。

销售有不同方式，可能是搜索，可能是活动等。但都会产生评价。

如果活动促进用户购买，对应的商品评论也可能提升。

统计平时的用户购买与评论比率；根据新增评论数，可获得新增购买人数；——增长率和20%比较

统计评论中出现的活动字眼，根据购买人数，计算活动转化率。

商品提价后，收入是否产生变化？

 

分析：

假设提价后，销量下跌。那么下跌多少？

销量=流量*转化率

假设流量不变，商品价格影响转化率。现在确定转化率的波动。

假设各个类型用户对价格敏感度不同，将用户根据RFM模型划分。

每个类别的用户，得出历史转化率；根据不同类别用户对价格敏感度，依靠经验，确定价格上升后转化率变化值，用+10%或者-10%表示。

计算不同类别用户数量*变化的转化率，最后相加得到整体的销量变化。

假设法，本质是一种启发思考驱动思维。

更多是一种开拓思路的方式，根据假设，验证，判断，来得出结果。

在缺少数据的情况下，根据假设进行推断，往往有奇效。

假设法，不仅仅是针对前提，也可以假设概率，比例。假设什么，有赖于对业务的熟悉，以及合理的逻辑推断。

4.指数法

数据太多太杂，如何聚焦数据，有效使用数据？

将数据加工成指标。用指标聚焦数据，衡量业务效果。

加工方法：有线性加权，反比例，log。

线性加权，提升权重；反比例转化为小数，之后可再加权转化为某个范围数值；log是缩小数值范围。

指数法是目标驱动思维，能指导业务。

要注意的是，指数法没有统一的标准，很多指标依赖于经验的加工，一旦设立指数，不宜频繁变动。

比如：

知乎某个领域的活跃度计算。

活跃度=（发布内容数+3*log（收到赞同数）+6*收到专业徽章数+10*被编辑推荐次数）* 10

log是以2为底。

 

5.二八法

二八法则：帕累托提出的，任何一组事物中，只有20%为重点，其余80%为次要点。

比如：

社会上20%的财富，掌握了世界上80%的财富。

即财富分布的不平均。

在数据里，20%的变量将直接产生80%的效果，数据分析更应该围绕20%做文章。

持续关注topN的数据，是一个好习惯。不仅仅是数据分析，在很多行业都应关注头部数据。

这给我们什么启发？

虽然指标很多，但往往某些指标更有价值。

对指标，要确定关键指标，并关注关键指标。

要注意的是，数据分析也不能放弃全局，不然容易使思路变狭窄。

6.对比法

好的数据指标，一定是比率或比例；好的数据分析，一定会用到对比。

单纯的数据量，不能仅仅依靠直观感受，直接论断效果好坏，价值高低。

一线城市月入1w和三线城市月入1w是两种概念。还要考虑城市人均消费，每月存储。

身高上，女生的170和男生的170完全不是一个概念。应该和地区平均身高比较。

孤数不证，没有比较就没有结论。

节日大促，女生消费占比从60%提高到70%。能证明女生节日爱消费吗？

可能存在这种情况，节日大促，整体的消费额是降低的。

比如消费额从原来的60/100w，变成56/80w。实际绝对消费额度降低了。

女生消费占比提高，可能是男生跑去竞争对手那了。

对比法，都有哪些维度的对比？

竞争对手对比，类别对比，特征和属性对比，时间同比环比，转化对比，前后变化对比等。

同比与环比

环比：是连续2个单位周期内的量的变化比。

同比：是一个单位周期内和另一个更大周期的同一个段周期内的变化比。

 

环比只有一个，同比则因参照量（另一个更大周期）不同而不同，有多个。

例如我今天（12.25日，星期日）步数是1000步，昨日800步，则环比为 1000/800=1.25；

 

同比有多个，例如上周日为700步，上月25日900步，则上周同比为1000/700，上月同比为1000/900。

 

有人遇到上月同比和上周同比时，把上周同比当成环比来理解了。

记住一个重点，环比是连续（无任何时间间隔）周期内变化。

 

具体例子：

同比：2010-12/2009-12；year over year，年比较，比去年增长；同一位置的比值。

环比：2010-12/2010-11；month over month，月比较，比上月增长；一环接一环。

对比法是一种挖掘数据规律的思考方式。

对比法可以与任何思维技巧结合，比如多维对比，象限对比，假设对比等。

每次数据分析，都要利用到多次多种角度的对比。

不然会得出狭隘片面的结论。

7.漏斗法

一种流程化思考方式，在考虑变化和流程时，都可以使用。

单一的漏斗分析没有用，转化率20%并不能说明什么，要结合其它分析思维。比如多维，对比。

比较不同流程的转化率，比较不同维度的转化率。