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
CDA数据分析师认证:CDA认证分为三个等级:Level Ⅰ、Level Ⅱ和Level Ⅲ,每个等级的报考条件如下: Le ...
2024-11-14自学数据分析可能是一条充满挑战却又令人兴奋的道路。随着数据在现代社会中的重要性日益增长,掌握数据分析技能不仅能提升你的就 ...
2024-11-14数据分析相关职业选择 数据分析领域正在蓬勃发展,为各种专业背景的人才提供了丰富的职业机会。从初学者到有经验的专家,每个人 ...
2024-11-14数据挖掘与分析在金融行业的使用 在当今快速发展的金融行业中,数据挖掘与分析的应用愈发重要,成为驱动行业变革和提升竞争力的 ...
2024-11-14学习数据挖掘需要掌握哪些技能 数据挖掘是一个不断发展的领域,它结合了统计学、计算机科学和领域专业知识,旨在从数据中提取有 ...
2024-11-14统计学作为一门基于数据的学科,其广泛的应用领域和多样的职业选择,使得毕业生拥有丰厚的就业前景。无论是在政府还是企业,统计 ...
2024-11-14在当今高速发展的技术环境下,企业正在面临前所未有的机遇和挑战。数字化转型已成为企业保持竞争力和应对市场变化的必由之路。要 ...
2024-11-13爬虫技术在数据分析中扮演着至关重要的角色,其主要作用体现在以下几个方面: 数据收集:爬虫能够自动化地从互联网上抓取大量数 ...
2024-11-13在数据分析中,数据可视化是一种将复杂数据转化为图表、图形或其他可视形式的技术,旨在通过直观的方式帮助人们理解数据的含义与 ...
2024-11-13在现代银行业中,数字化用户行为分析已成为优化产品和服务、提升客户体验和提高业务效率的重要工具。通过全面的数据采集、深入的 ...
2024-11-13在这个数据飞速增长的时代,企业若想在竞争中占据优势,必须充分利用数据分析优化其营销策略。数据不仅有助于理解市场趋势,还可 ...
2024-11-13数据分析行业的就业趋势显示出多个积极的发展方向。随着大数据和人工智能技术的不断进步,数据分析在各行各业中的应用变得越来越 ...
2024-11-13市场数据分析是一门涉及多种技能和工具的学科,对企业在竞争激烈的市场中保持竞争力至关重要。通过数据分析,企业不仅可以了解当 ...
2024-11-13数据分析与数据挖掘是数据科学领域中两个关键的组成部分,它们各有独特的目标、方法和应用场景。尽管它们经常在实际应用中结合使 ...
2024-11-13在如今这个数据驱动的时代,数据分析能力已经成为许多行业的重要技能。无论是为工作需要,还是为了职业转型,掌握数据分析都能够 ...
2024-11-13在如今这个数据驱动的时代,数据分析能力已经成为许多行业的重要技能。无论是为工作需要,还是为了职业转型,掌握数据分析都能够 ...
2024-11-13作为一名业务分析师,你肩负着将业务需求转化为技术解决方案的重任。面试这一角色时,涉及的问题多种多样,涵盖技术技能、分析能 ...
2024-11-13自学数据分析可能看似一项艰巨的任务,尤其在开始时。但是,通过一些策略和方法,你可以系统地学习和掌握数据分析的相关知识和技 ...
2024-11-10Excel是数据分析领域中的一款强大工具,它凭借其灵活的功能和易用的界面,成为了许多数据分析师和从业者的首选。无论是简单的数 ...
2024-11-10在快速发展的商业环境中,数据分析能力已经成为许多行业的核心竞争力。无论是初学者还是经验丰富的专家,搭建一个有效的数据分析 ...
2024-11-10