内容来自微信公众号： 码工小熊
1、周期性分析法：https://mp.weixin.qq.com/s/JS2J9iiDUwyGpJEKk5R1jQ
2、结构分析法：https://mp.weixin.qq.com/s/HM4Qle1KRRZtRTksrcBxOw
3、矩阵分析法：https://mp.weixin.qq.com/s/LgwwXsSxWXSkUhHI3ux1eQ
4、分层分析法：https://mp.weixin.qq.com/s/U8xtpgdjevW0Ark1twEAdw
5、指标拆解法：https://mp.weixin.qq.com/s/A4Ue_fWmmkrND_IbtrrT-Q
6、漏斗分析法：https://mp.weixin.qq.com/s/9TqXcBGIBD628yIX9z2GZw
7、标签分析法：https://mp.weixin.qq.com/s/OxyUJ3bSWM6VtD_GAFVpgQ
8、相关分析法：https://mp.weixin.qq.com/s/GldTnNi2YZYvm5G_OL4AQw
9、MECE法：https://mp.weixin.qq.com/s/16VWZV4G0T7vX_fNoH540Q
读后感：码工小熊的这9个数据分析方法并非业界统一的认知（可能是作者自行总结的9种方法），除了这9种数据分析方法以外，常见的还有：对比分析、分布分析、用户分群、用户路径分析（流转地图、用户旅途）等
一、周期性分析法
常见的周期包括两种：自然周期/生命周期。
周期性分析，主要目的是做出一个参考曲线，为进一步判断提供依据。
1、自然周期
不同的业务，自然周期是不一样的
- 吃喝玩乐类的消费，一般周六、周日比较多，这时候才有空出来玩。
- 企业间交易，一般工作日高，周末很低。大家都放假了谁还办公呀。
- 雪糕冰棍冰淇淋类商品，一般夏季是旺季，冬季是淡季
- 帽子手套暖手宝类商品，一般冬季是旺季，夏季是淡季
-
......
月规律
上图中，周规律表现为：周一至周六逐步降低，周日反弹。
其中，依然有很多不符合规律的点，结合文章类型、标题来看，可以得出进一步的判断。
2、生命周期
二、结构分析法
如果只看整体，不知道问题出在哪里。
如果看了结构，能发现：原来是实体店下降，电商平台又没发展起来导致的。
通过结构分析法，能快速定位问题发生点，从而激发解决问题思路（不足：只适用于发现问题，不能解答问题）
如何进行结构分析
完整的结构分析法，包含四步：
第一步：定出要分析的关键指标（一般是业绩、用户量、DAU、利润等等）
第二步：了解关键指标的构成方式（比如业绩，由哪些用户、哪些商品、哪些渠道组成）
第三步：跟踪关键指标的走势，了解指标结构变化情况
第四步：在关键指标出现明显上升/下降的时候，找到变化最大的结构分类，分析问题
比如xx公司业绩变化，用结构分析法做，是这样的：
第一步：定出关键指标，总业绩。
第二步：了解总业绩的构成，包含实体店、电商平台、小程序商城三部分。
第三步：跟踪总业绩变化，发现今年3月到7月，一直呈现下降态势。
第四步：观察结构变化，发现实体店是下降的主要原因。
结构分析的两种情况
结构的变化，可能有两种态势：
图1是各结构普降，说明：目前的结构分类，不是产生问题的关键点。很有可能，业绩下滑是因为：大环境不好、钻石级会员流失、主打商品卖不动等等其他原因。此时需要更换看结构的分类方法，比如更换成：会员等级分类、商品分类等，再进行观察。
图2是实体店（单结构）越来越少，导致了业绩下降。可以进一步继续拆解实体店的结构
三、矩阵分析法
单指标过于片面，取两个指标交叉，用均值做参考线，划分出四类群体。
类似KANO模型或者波士顿矩阵，本质都是找到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。
有2个场景，不适用矩阵分析法
1、极大/极小值影响了平均值
矩阵分析法的基础是平均值，当平均值不具备区分能力时，可以用分层分析法
2、两个指标高度相关
两个指标高度相关时，数据点呈45°直线分布，有2个象限几乎没有数据。此时矩阵分析法的业务解读能力接近0，可以用相关分析法。
四、分层分析法
上面说到当平均值失效时，矩阵分析法不再适用，此时可以用分层分析法
分层如何做
1、明确分层对象和分层指标
- 想区分用户消费力，分层对象就是：用户，分层指标就是：消费金额
- 想区分商品销售额，分层对象就是：商品，分层指标就是：销售金额
- 想区分门店营业额，分层对象就是：门店，分层指标就是：营业收入
2、查看数据，确认是否需要分层
3、设定分层的层级
- 二八法则：把累积业绩占80%的人选出来，作为1等，其他的归为2等
- 二四六八十法则：计算个体与平均值的差异
比平均值高的，根据平均值的2倍、4倍、6倍、8倍、10倍，分层
比平均值低的，根据平均值的1/2、1/4分层
- 聚类
- 根据业务特性分类：男女、老中青少
如何利用分层分析
分层的最大作用是帮我们看清楚：到底谁是主力，谁是吊车尾。从而指导业务，从人海战术向精兵简政思考。
以销售团队举例，如果发现A1号销售这么厉害，我们就不会想着：“人均业绩100，那想多做1000业绩，就得招10个人”，而是会去想：“怎么样再挖掘一个A1过来。”
常见思考方向：
- 人员画像：A1是什么学历、多大年纪、多久从业经验。此时对应的做法是：找和A1有类似画像的人，应该他也能像A1一样好
- 人员行为：A1做了哪些事情？能取得这么好的业绩。此时对应的做法是：找到A1的关键行为，然后让其他人学A1
- 目标客户：A1服务了哪些客户？是不是这些客户本身更容易做？此时对应的做法是：让其他人多发展同行业的客户，然后再找新的销售，服务不容易做的客户
- 成长经历：A1是怎么从普通人里脱颖而出的，稳定不稳定？此时对应的做法是：如果A1是稳定成长的，则看这么培养其他人；如果A纯粹运气好，则采用大浪淘沙的战术，多搞新人进来，期望冒出头一个新A1
五、指标拆解法
上述的周期性、结构、分层、矩阵分析法，均是对1个或2个指标的分析，如果指标有很多个呢？那就需要分清这些指标之间的关系了。
常见的指标间关系
并行关系：指标拆解法
串行关系：漏斗分析法
为什么要拆解
只看一个指标，能发现问题，不能解释问题。拆解指标，能从细节发现问题，进而引发新的思路。
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）
情况1，是消费率下降多。需要用低价爆款产品来吸引，从而提升消费率
情况2，是客单价下降多。需要用搭配销售，满减销售的方式，从而提升客单价
如何拆解
1、找到主指标。重要的、宏观的、可拆解的指标，比如利润、销售收入、GMV、用户量等
2、找到负责主指标的部门。拆完后，是否有人/部门对子指标负责，如果没有人负责，那这么拆是无意义的
3、确认子指标可被采集。
4、列出拆解公式，进行数据对比。
案例：
杜邦分析法，以利润为主指标进行拆解，拆解为收入，成本两部分；
人货场模型，把销售收入，按流量、商品、渠道进行拆解，从而分析业绩好的原因是什么
六、漏斗分析法
完成上一个步骤，才统计下一个步骤
漏斗如何分析
1、和类似的比
2、和自身前后比
漏斗分析的不足
通过漏斗图，可以很轻松的看到问题发生在哪里，但是无法解释：为什么问题发生在这里。特别是问题发生在漏斗的末端的时候。
很明显，商品A是因为广告页转化低，那换个广告即可解决问题。
但商品B呢？每一步看起来都很正常，但是用户就是不买单，为什么？用户在等优惠活动？用户跑去别的平台比价去了？如果用户不喜欢商品的图片、价格、设计，为啥不早跳出？
总之，种种问题，不是单靠漏斗分析能回答清楚的。每种方法都有自己的适用范围
七、标签分析法
标签分析，特指用打标签的方式，把难以量化的因素转化为标签，进而分析该因素与其他事情的关系。
标签分析步骤：
1、明确要分析的影响因素
2、把影响因素制作成标签
3、明确要分析的指标
4、对比不同标签下，指标差异
5、得出分析结论
标签分析不足：
一个事情是有多个标签的，如果选择不当，拿了错误的标签比较，经常得出错误的结论。这时候需要先建立分析逻辑，再做分析
八、相关分析法
直接相关
直接相关的情况下，两个指标出现同时上涨/下跌的趋势，是很好理解的。比如：
- 整个公司业绩都不好，所以A分公司业绩也很差（结构分析）
- 客户数太少了，所以整体业绩不好（主指标、子指标）
- 看到广告人数太少了，所以最后转化不好（前后步骤）
如果直接相关的两个指标没有同涨同跌，往往意味着问题。比如做用户增长，到达首页的新用户数量大涨，但付费转化率持续大幅度下跌，这就说明获客效率在下降，可能是目标用户已耗尽，也有可能是渠道在造假，也有可能是获客方法有误，总之要深入分析
间接相关
分析间接相关关系，有2种常用方法，一种是散点图法，一种是计算相关系数
大于0.8 强相关，0.5~0.8 相关，小于0.5 弱相关，小于0.3不相关
相关分析的不足
1、相关不等于因果
2、相关分析不能解决非量化指标问题（此时可以用标签分析法）
比如：旗舰店是不是比社区店更能吸引消费者？一个店是不是旗舰，取决于位置、装修、宣传等诸多因素，不能粗暴的用开店面积、员工人数等指标来简单代替。
九、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。
如何做到MECE
由大到小：先把最大因素分离出来，再分离小的因素
现实中相当多的问题，都是各种因素交织在一起。比如影响门店业绩的，除了天气，还有：门店位置、开业时间、货物供应、促销政策...
并且这些因素会相互叠加，因此在分析的时候，需要用MECE法，逐级选取重点因素，剥洋葱一样找到问题核心。
MECE分析的不足
并非所有的影响因素，都能直接用数据观察到。
比如：用户为什么会流失？一般在用户3个月没有活跃的时候标记为流失，但实际上，在用户被标记为流失以前，可能已经2个月没有登录过了，也没有留下什么数据记录。
类似的场景还有很多，比如新用户获取、新产品上线这种新业务，都缺少数据积累。此时需要用另外一种思路解决问题：AB实验（先设计实验，再看结果）
