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。
二、分層如何做
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
三、如何利用分層分析？
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。
四、分層分析的不足之處
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~
