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
数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21《Python数据分析极简入门》 第2节 3 Pandas数据查看 这里我们创建一个DataFrame命名为df: importnumpyasnpi ...
2024-11-21越老越吃香的行业主要集中在需要长时间经验积累和专业知识的领域。这些行业通常知识更新换代较慢,因此随着年龄的增长,从业者能 ...
2024-11-20数据导入 使用pandas库的read_csv()函数读取CSV文件或使用read_excel()函数读取Excel文件。 支持处理不同格式数据,可指定分隔 ...
2024-11-20大数据与会计专业是一门结合了大数据分析技术和会计财务理论知识的新型复合型学科,旨在培养能够适应现代会计业务新特征的高层次 ...
2024-11-20要成为一名数据分析师,需要掌握一系列硬技能和软技能。以下是成为数据分析师所需的关键技能: 统计学基础 理解基本的统计概念 ...
2024-11-20是的,Python可以用于数据分析。Python在数据分析领域非常流行,因为它拥有丰富的库和工具,能够高效地处理从数据清洗到可视化的 ...
2024-11-20在这个数据驱动的时代,数据分析师的角色变得愈发不可或缺。他们承担着帮助企业从数据中提取有价值信息的责任,而这些信息可以大 ...
2024-11-20数据分析作为现代信息时代的支柱之一,已经成为各行业不可或缺的工具。无论是在商业、科研还是日常决策中,数据分析都扮演着至关 ...
2024-11-20数字化转型已成为当今商业世界的热点话题。它不仅代表着技术的提升,还涉及企业业务流程、组织结构和文化的深层次变革。理解数字 ...
2024-11-20在现代社会的快速变迁中,选择一个具有长期增长潜力的行业显得至关重要。了解未来发展前景好的行业不仅能帮助我们进行职业选择, ...
2024-11-20统计学专业的就业方向和前景非常广泛且充满机遇。随着大数据、人工智能等技术的快速发展,统计学的重要性进一步凸显,相关人才的 ...
2024-11-20