九大数据分析方法:分层分析法

简介: 大家好,我是爱学习的小熊妹。今天继续跟大家分享:分层分析法。这个方法也非常简单实用,即可以弥补矩阵分析法的缺陷,又是用户分群,商品ABC分析的基础,很实用哦。

一、为什么要做分层


分层分析,是为了应对平均值失效的场景。


image.png


这就是典型的平均值失效。统计的时候,因为一个张老财,把人均数值搞得不可信了。而分层分析法处理这个问题的思路也很简单:把张老财单独分一层“老财主”把其他人单独分一层“穷光蛋”“老财主”≥≥“穷光蛋”

搞掂啦!


这样下次统计的时候,就可以看:有多少“老财主”,有多少“穷光蛋”,两个收入阶层单独统计平均收入,作为打土豪的依据。这样就解决了平均值失效的问题。


二、分层如何做


第一步:明确分层对象和分层指标。比如:


  • 想区分用户消费力,分层对象就是:用户,分层指标就是:消费金额


  • 想区分商品销售额,分层对象就是:商品,分层指标就是:销售金额


  • 想区分门店营业额,分层对象就是:门店,分层指标就是:营业收入

这些要提前想好


第二步:查看数据,确认是否需要分层。


分层是应对平均值失效的情况的,所以如果如下图1,存在极值影响的情况,则适合分层。如果是如2,极值影响不大,则不适合


image.png


第三步:设定分层的层级。


这是最纠结的一步,很多时候会因为到底多高算“高”而吵起来。最好的解决办法是老板拍板,所有人都不用争不用吵了。


除此以外,还有一些简单有效的判断方法,比如著名的“二八原则”。以上述销售业绩分层为例,可以先从高到低排序,然后把累积业绩占80%的人选出来,作为“第1层级(优等)”,其他的归为“第2层级(次等)”(如下图)


image.png


但是从上图也能看出,这样分并不很合理,有一些业绩很低的业务员被归入了一级。这是因为,在这一个销售团队内,业绩差异实在太大了,因此简单的二八开并不能有效区分。


此时还可以用“二四六八十”法则,即计算个体与平均值的差异,然后:


  • 比平均值高的,根据平均值的2倍、4倍、6倍、8倍、10倍,分层


  • 比平均值低的,根据平均值的1/2、1/4分层


这样的分层,能有效区分远远高于平均值的个体,效果如下图


image.png


分完以后,分层就结束啦!多简单


三、如何利用分层分析?


分层的最大作用是帮我们看清楚:到底谁是主力,谁是吊车尾。从而指导业务,从人海战术向精兵简政思考。还拿上述的销售团队举例,如果发现A1号销售这么厉害,我们就不会想着:“人均业绩100,那想多做1000业绩,就得招10个人”,而是会去想:“怎么样再挖掘一个A1过来。”


此时,有几个常见的思考方向:


  • 人员画像:A1是什么学历、多大年纪、多久从业经验。此时对应的做法是:找和A1有类似画像的人,应该他也能像A1一样好


  • 人员行为:A1做了哪些事情?能取得这么好的业绩。此时对应的做法是:找到A1的关键行为,然后让其他人学A1


  • 目标客户:A1服务了哪些客户?是不是这些客户本身更容易做?此时对应的做法是:让其他人多发展同行业的客户,然后再找新的销售,服务不容易做的客户


  • 成长经历:A1是怎么从普通人里脱颖而出的,稳定不稳定?此时对应的做法是:如果A1是稳定成长的,则看这么培养其他人;如果A纯粹运气好,则采用大浪淘沙的战术,多搞新人进来,期望冒出头一个新A1


可见:分层分析是其他分析的前哨站,做好了分层,能引发更多思考和进一步分析。有很多讲数据分析的文章会提到分层分析,比如应用于商品的,叫ABC分类,应用于用户的,叫用户分层,应用于业务的,叫二八法则。本质都是一回事。


四、分层分析的不足之处


每种方法都不是万能的,分层分析的缺点,在于:只考虑一个分层指标。虽然简单,但是片面,不能全面说明问题。如果想采用二个指标,可以用矩阵分析法,如果想采用多个指标,可以用DEA模型。


以上就是今天的分享,喜欢的话,可以点赞、在看、转发三连,支持一下小熊妹哦。数据分析的方法有很多,一口吃不成个胖子,小熊妹会从一个指标到两个指标、三个指标、N个指标,逐步为大家展示,敬请期待哦。


相关文章
|
1月前
|
数据可视化 数据挖掘 数据管理
问卷调查数据分析指南!掌握方法,精准把握用户需求!
本文介绍了如何利用自定义报表、交叉报表和过滤器进行问卷调查数据分析。文章首先区分了定量和定性数据,强调了定量数据在分析中的重要性,并列举了客户体验(CSAT、CES、NPS)和市场调研的关键指标。接着,提到了定性数据分析方法,如情感分析和词云图。文章还讨论了自定义报表、交叉报表和过滤器在数据筛选和相关性探索中的作用,以及收集器在多源数据收集上的应用。最后,强调了仪表板在数据可视化和比较中的优势,并推荐了Zoho Survey作为综合的数据管理平台。
51 0
问卷调查数据分析指南!掌握方法,精准把握用户需求!
|
1月前
|
数据可视化 数据挖掘 Linux
Python数据分析(四)——plot方法
Python数据分析(四)——plot方法
|
2月前
|
搜索推荐 数据挖掘 C++
数据分析方法-对比分析和用户画像
数据分析方法-对比分析和用户画像
70 1
数据分析方法-对比分析和用户画像
|
2月前
|
数据采集 数据可视化 数据挖掘
数据分析案例-汽车客户信息数据可视化分析
数据分析案例-汽车客户信息数据可视化分析
102 0
|
2月前
|
数据可视化 搜索推荐 数据挖掘
数据分析案例-顾客购物数据可视化分析
数据分析案例-顾客购物数据可视化分析
99 0
|
9天前
|
数据采集 数据可视化 数据挖掘
Seaborn在数据分析中的应用:案例分析与实践
【4月更文挑战第17天】本文介绍了Seaborn在数据分析中的应用,它是一个基于Python的可视化库,简化了复杂数据的图表创建。通过一个销售数据分析的案例,展示了数据加载、描述性统计、相关性分析、多变量分析及高级可视化步骤。实践技巧包括数据清洗、图表选择、颜色使用、注释标签和交互性。Seaborn助力高效数据探索和理解,提升分析效率。注意,实际使用需根据数据集和目标调整,并参考最新文档。
|
23天前
|
存储 机器学习/深度学习 数据采集
数据分析师如何处理数据以进行分析?
【4月更文挑战第4天】数据分析师如何处理数据以进行分析?
19 9
|
1月前
|
SQL 机器学习/深度学习 NoSQL
常用的数据分析方法和工具有哪些?
随着大数据时代的到来,数据分析也逐渐成为了各企业、组织以及个人的必要技能之一。但是数据分析在进行过程中,我们往往会遇到各种各样的问题,比如面对不同类型的数据,如何进行有效的分析?今天和大家分享一些常见的数据分析方法和工具,希望对大家有所帮助。
|
1月前
|
机器学习/深度学习 数据可视化 算法
python数据分析——在面对各种问题时,因如何做分析的分类汇总
Python数据分析是指使用Python编程语言对数据进行收集、处理、分析和可视化的过程。Python是一种非常流行的编程语言,具有简单易学、代码可读性高、生态系统强大的特点,因此在数据科学领域得到广泛应用。
83 0
|
1月前
|
监控 搜索推荐 数据挖掘
python数据分析——业务指标分析
业务指标分析是企业运营中不可或缺的一环,通过对各项关键指标的深入剖析,我们能够更好地了解企业的运营状况,发现潜在问题,进而制定相应的策略来优化业务流程、提升经营效率。 在业务指标分析中,我们首先要明确分析的目的和范围。是为了评估整体业务健康状况,还是针对某一具体环节进行优化?明确了目的后,我们需要收集相关的数据,这些数据可能来源于不同的业务系统和数据库,因此数据的整合和清洗也是分析过程中的重要步骤。 接下来,我们要选择合适的分析方法。比如,对于销售数据,我们可以采用时间序列分析来观察销售趋势;对于用户行为数据,我们可以使用用户画像和路径分析来洞察用户需求和行为习惯。
102 1