九大資料分析方法:矩陣分析法

今天繼續分享九大資料分析方法系列:矩陣分析法。矩陣分析法是在各路資料分析文章中,出現頻率最高的詞。甚至有不懂行的小白把它捧到“核心思維”,“底層邏輯”的高度。哈哈,才沒有那麼神呢。

一、矩陣分析法是幹什麼的?

資料分析領域,有一個簡單,但非常致命的核心問題:“到底指標是多少,才算好?”為了這個問題,公司裡經常吵成一團。矩陣分析法就是試圖解決這個問題。它的邏輯非常簡單:比平均值高,就算好!

很多小夥伴會驚呼:這也太簡單粗暴了!

可是,如果大家仔細想想,用平均值非常合理:

﹣理解上簡單:中位數、眾數、四分位數,都太抽象了,不細想都不知道是啥
﹣計算上方便:AVERAGE函式是所有開發工具標配,太好用了。
﹣使用時方便:比如銷售人均產值1萬,那100萬業績,招100個人就夠啦!

相比之下,告訴你銷售團隊的中位數/眾數是1萬,問需要多少人能做出100業績?根本回答不了。所以平均值就是好用!

二、如何構造一個矩陣?

既然用平均值就可以了,為什麼還要做矩陣呢?因為單純靠一個指標,不能充分評價好壞。比如考核銷售,如果只考核銷售業績。那銷售們很可能傾向於賣利潤很低的引流型產品。那種利潤高,價格高,不容易賣的利潤型產品,就沒人賣了。最後銷售賣越多,公司支付給銷售提成越多,公司利潤反而下降了!

此時就需要引入兩個指標來考核:
﹣銷售業績
﹣銷售利潤

這樣兩個指標交叉,就有四種情況和對應的建議(如下圖)。

如果把兩個指標一縱一橫的放,就構成了一個矩陣(如下圖)。

這樣矩陣就畫好啦!矩陣分析法的最大優勢,在於直觀易懂。可以很容易從兩個指標的交叉對比中發現問題。特別是當這兩個指標是投入/成本指標的時候,成本高+收入低,成本低+收入與高兩個類別,能直接為業務指示出改進方向,因此極大避免了“不知道如何評價好壞”的問題。

很多諮詢公司都喜歡用這種方法,類似KANO模型或者波士頓矩陣,本質就是找到了兩個很好的評價指標,透過兩指標交叉構造矩陣,對業務分類。分類的區分效果很好,就廣為流傳了(如下圖)。

瞭解了原理以後,我們可以自己動手做一個矩陣哦,構造矩陣是很簡單的事,只要找兩個評價指標,之後各自取均值,就能進行分類了。

三、矩陣分析法簡單例子

舉個簡單的例子,一個銷售團隊,10名銷售一個月內開發的客戶數量,產生的總業績如下圖所示。用矩陣分析法的話:

﹣第一步:先對客戶數量、業績求平均值
﹣第二步:利用平均值,對每個銷售人員的客戶數量、業績進行分類
﹣第三步:區分出多客戶+高業績,少客戶+高業績,多客戶+低業績,少客戶+低業績四類

這樣就完成分類啦。

而且,還能對這四類起四個好聽的名字,比如:

﹣多客戶+高業績:均衡型(或者叫:兩手都抓型)
﹣多客戶+少業績:擺小攤型,像擺小攤一樣,雖然人多,但是掙不到幾個錢
﹣少客戶+高業績:吃大戶型,抓住幾個大戶猛吃……
﹣少客戶+少業績:待發展型(或者叫:哪頭都不行……)

用散點圖,能直觀的標識出這種分佈:

後續,還能類似波士頓矩陣一樣,比如建議吃大戶型,不許歧視散客,增加客戶數量。或者建議擺小攤型提升識別高價值使用者能力等等。

四、矩陣分析法應用範圍

有兩個場景,是不適合用矩陣分析法的。

●其一:有極大/極小值影響了平均值的時候。比如下圖,看似銷售們平均業績是100 但是頭部的3個高手,業績佔了57%,其他17個人都是陪襯。

此時,矩陣分析法的基礎:平均值,已經不具有區分能力。也不能簡單地認為:20個人能做100萬,那40個人就能做200萬。想做到200萬,需要再找到幾個高手,而不是一幫鹹魚。一般出現極大/極小值的時候,可以用:分層分析法。

●其二:兩個指標高度相關的時候。比如下圖,使用者消費金額與消費頻次,兩個指標天生高度相關。此時可以用散點圖,強行做矩陣,但是會發現左上,右下兩個區域幾乎沒有資料,所有的點,都集中在一條線上。

此時矩陣分析法的業務解讀能力接近0,因此不適用了。一般出現高度相關的時候,需要用:相關分析法。

以上就是今天的分享,謝謝大家。後續再來繼續更新:分層分析法與相關分析法,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

九大資料分析方法之:週期性分析法

64個資料分析常用語

十大資料探勘演算法及各自優勢

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/