有小夥伴問：能不能系統介紹下資料分析方法。今天它來啦！資料分析常用的方法有九種，今天先介紹第一種，操作上最簡單的：週期性分析法。它是新人們避免犯小白錯誤的最好方法。
做資料的新人最容易犯啥錯？當然是一張嘴就被大家笑話：連這個常識都沒有！
所謂的常識，很大一部分是週期性變化：到了這個時間，就會出這種事。週期性分析，主要是從日常雜亂的資料中，發現會週期性出現的規律，從而避免上述問題。常見的週期包括兩種：自然週期/生命週期。
所謂自然週期，是指業務指標隨著時間自然發生波動，比如上邊吐槽的“2月份業績自然少”，這是因為2月份過年，大家都放假了，業績肯定少呀。
類似地：
●吃喝玩樂類的消費，一般週六、週日比較多，這時候才有空出來玩。
●企業間交易，一般工作日高，週末很低。大家都放假了誰還辦公呀。
●雪糕冰棒冰淇淋類商品，一般夏季是旺季，冬季是淡季
●帽子手套暖手寶類商品，一般冬季是旺季，夏季是淡季
這些是比較直觀的例子。需要注意的是，所謂的自然週期，對不同業務而言是不一樣的，切不可混為一談哦。
但是很多時候，自然週期表現並不直觀，隱藏在日常起起伏伏的資料裡。這時候就需要我們手動發現週期規律。比如比如一個公眾號的閱讀人數走勢，可能如下圖：
一眼看過去，是不是彎彎曲曲，毫無規律可言?
這就需要手動做區分。為了更好的區分，一般取6個月的，每日的資料。因為六個月的時間，一般能涵蓋2個季度，能觀察出季節性變化。
同時，每日資料，能觀察出每週是否有規律和每月是否有規律。不過上邊例子只給個2個月的資料，那就湊合著用。
從上例蜿蜒起伏的波折裡可以直接看出：沒有明顯的月規律。一般有月規律的資料會如下圖所示（如下圖）因此可以進一步觀察，是否有周規律。
想看周規律，需要把資料做一下處理（如下圖），把6個完整週的資料，從週一到週日對齊。之後做折線圖，更容易觀察出周規律。
處理過以後，可以看出：卻有周規律變化，表現為：週一至週六逐步降低，週日反彈。如果把每週一到週日的資料做平均數，就能畫出周規律曲線（如下圖）
這裡有很多明顯不符合走勢的點。這很正常，因為公眾號發文也是有分類的，如果是賣東西的文章閱讀就很低，派福利、抽獎類的閱讀就高一點，搞標題黨的《震驚！》《大廠！》《字jie！》的閱讀就很高。所以除了日期，也和文章型別有關。
週期性分析，主要目的是做出一個參考曲線，為進一步判斷提供依據。進而避免：“為啥週六閱讀那麼低呀！”這種低階小白問題。之後再結合內容標籤，做進一步的分析。
比如上例中，第三週週一、週二是明顯異常點。如果沒有做標籤，就會直接報警：“本週連續2天異常！請注意！”但是做了標籤，如果發現週一發了賣貨文（原本就該低）週二則是標題黨（原本就該高）則不需要大驚小怪了。
還有一種週期是生命週期走勢。比如一個活動上線，剛上線的時候肯定參與人很多，之後感興趣的都參與過了，不感興趣的都不參與了，因此人越來越少。這樣就會出現如下圖的走勢。
注意：要發現生命週期走勢，統計資料，是從一個業務開始的時候進行統計的，之後往後數：第1天/第2天/第3天……或者第1個月/第2個月/第3個月
生命週期走勢有很多經典的運用。比如一款新商品上市，其銷量和上市時間，經常有如下關係，因此被稱為“商品生命週期”。類似的，還有“APP生命週期”“使用者生命週期”的說法，都是一個時間軸+指標走勢組合出來的。後續有機會再跟小夥伴們一一分享。
以上就是今天的分享。週期性分析看起來很簡單，因為它主要是用來做參考線的，為後續各種分析方法鋪路。很多複雜的分析，比如資料監控模型、資料預警模型、資料驅動決策，也是以週期性曲線為參照，所以小夥伴們先掌握基礎方法，再循序漸進哦。今天的分享就到這裡，謝謝大家！
立即試用FineBI免費版：
https://intl.finebi.com/zh-tw/trial?utm_source=Medium_Banner
※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※
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~
