九大資料分析方法:分層分析法

今天繼續跟大家分享:分層分析法。這個方法也非常簡單實用,即可以彌補矩陣分析法的缺陷,又是使用者分群,商品ABC分析的基礎,很實用哦。

一、為什麼要做分層

分層分析,是為了應對平均值失效的場景。

這就是典型的平均值失效。統計的時候,因為一個張老財,把人均數值搞得不可信了。而分層分析法處理這個問題的思路也很簡單:
把張老財單獨分一層“老財主”
把其他人單獨分一層“窮光蛋”
“老財主”≥≥“窮光蛋”

搞掂啦!

這樣下次統計的時候,就可以看:有多少“老財主”,有多少“窮光蛋”,兩個收入階層單獨統計平均收入,作為打土豪的依據。這樣就解決了平均值失效的問題。

第一步:明確分層物件和分層指標。
比如:
•想區分使用者消費力,分層物件就是:使用者,分層指標就是:消費金額
•想區分商品銷售額,分層物件就是:商品,分層指標就是:銷售金額
•想區分門店營業額,分層物件就是:門店,分層指標就是:營業收入

這些要提前想好

第二步:檢視資料,確認是否需要分層。

分層是應對平均值失效的情況的,所以如果如下圖1,存在極值影響的情況,則適合分層。如果是如2,極值影響不大,則不適合

第三步:設定分層的層級。

這是最糾結的一步,很多時候會因為到底多高算“高”而吵起來。最好的解決辦法是老闆拍板,所有人都不用爭不用吵了。

除此以外,還有一些簡單有效的判斷方法,比如著名的“二八原則”。以上述銷售業績分層為例,可以先從高到低排序,然後把累積業績佔80%的人選出來,作為“第1層級(優等)”,其他的歸為“第2層級(次等)”(如下圖)

但是從上圖也能看出,這樣分並不很合理,有一些業績很低的業務員被歸入了一級。這是因為,在這一個銷售團隊內,業績差異實在太大了,因此簡單的二八開並不能有效區分。

此時還可以用“二四六八十”法則,即計算個體與平均值的差異,然後:
•比平均值高的,根據平均值的2倍、4倍、6倍、8倍、10倍,分層
•比平均值低的,根據平均值的1/2、1/4分層

這樣的分層,能有效區分遠遠高於平均值的個體,效果如下圖

分完以後,分層就結束啦!多簡單

分層的最大作用是幫我們看清楚:到底誰是主力,誰是吊車尾。從而指導業務,從人海戰術向精兵簡政思考。還拿上述的銷售團隊舉例,如果發現A1號銷售這麼厲害,我們就不會想著:“人均業績100,那想多做1000業績,就得招10個人”,而是會去想:“怎麼樣再挖掘一個A1過來。”

此時,有幾個常見的思考方向:
人員畫像:A1是什麼學歷、多大年紀、多久從業經驗。此時對應的做法是:找和A1有類似畫像的人,應該他也能像A1一樣好
人員行為:A1做了哪些事情?能取得這麼好的業績。此時對應的做法是:找到A1的關鍵行為,然後讓其他人學A1
目標客戶:A1服務了哪些客戶?是不是這些客戶本身更容易做?此時對應的做法是:讓其他人多發展同行業的客戶,然後再找新的銷售,服務不容易做的客戶
成長經歷:A1是怎麼從普通人裡脫穎而出的,穩定不穩定?此時對應的做法是:如果A1是穩定成長的,則看這麼培養其他人;如果A純粹運氣好,則採用大浪淘沙的戰術,多搞新人進來,期望冒出頭一個新A1

可見:分層分析是其他分析的前哨站,做好了分層,能引發更多思考和進一步分析。有很多講資料分析的文章會提到分層分析,比如應用於商品的,叫ABC分類,應用於使用者的,叫使用者分層,應用於業務的,叫二八法則。本質都是一回事。

每種方法都不是萬能的,分層分析的缺點,在於:只考慮一個分層指標。雖然簡單,但是片面,不能全面說明問題。如果想採用二個指標,可以用矩陣分析法,如果想採用多個指標,可以用DEA模型。

以上就是今天的分享,喜歡的話,可以收藏,支援一下小編哦。資料分析的方法有很多,一口吃不成個胖子,小編會從一個指標到兩個指標、三個指標、N個指標,逐步為大家展示,敬請期待哦。

※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※

我是「數據分析那些事」。常年分享數據分析乾貨,不定期分享好用的職場技能工具。各位也可以關注我的Facebook,按讚我的臉書並私訊「10」,送你十週入門數據分析電子書唷!期待你與我互動起來~

文章推薦

九大資料分析方法:結構分析法

九大資料分析方法:矩陣分析法

九大資料分析方法之:週期性分析法

這是一個專注於數據分析職場的內容部落格,聚焦一批數據分析愛好者,在這裡,我會分享數據分析相關知識點推送、(工具/書籍)等推薦、職場心得、熱點資訊剖析以及資源大盤點,希望同樣熱愛數據的我們一同進步! 臉書會有更多互動喔:https://www.facebook.com/shujvfenxi/