九大数据分析方法:矩阵分析法

科技
15阅读

今天继续分享九大数据分析方法系列:矩阵分析法。矩阵分析法是在各路数据分析文章中,出现频率最高的词。甚至有不懂行的小白把它捧到“核心思维”,“底层逻辑”的高度。哈哈,才没有那么神呢。

一、矩阵分析法是干什么的?

数据分析领域,有一个简单,但非常致命的核心问题:“到底指标是多少,才算好?”为了这个问题,公司里经常吵成一团。矩阵分析法就是试图解决这个问题。它的逻辑非常简单:比平均值高,就算好!

很多小伙伴会惊呼:这也太简单粗暴了!

可是,如果大家仔细想想,用平均值非常合理:

理解上简单:中位数、众数、四分位数,都太抽象了,不细想都不知道是啥

计算上方便:AVERAGE函数是所有开发工具标配,太好用了。

使用时方便:比如销售人均产值1万,那100万业绩,招100个人就够啦!

相比之下,告诉你销售团队的中位数/众数是1万,问需要多少人能做出100业绩?根本回答不了。所以平均值就是好用!

二、如何构造一个矩阵?

既然用平均值就可以了,为什么还要做矩阵呢?因为单纯靠一个指标,不能充分评价好坏。比如考核销售,如果只考核销售业绩。那销售们很可能倾向于卖利润很低的引流型产品。那种利润高,价格高,不容易卖的利润型产品,就没人卖了。最后销售卖越多,公司支付给销售提成越多,公司利润反而下降了!

此时就需要引入两个指标来考核:

销售业绩 销售利润

这样两个指标交叉,就有四种情况和对应的建议(如下图)。

如果把两个指标一纵一横的放,就构成了一个矩阵(如下图)。

这样矩阵就画好啦!矩阵分析法的最大优势,在于直观易懂。可以很容易从两个指标的交叉对比中发现问题。特别是当这两个指标是投入/成本指标的时候,成本高+收入低,成本低+收入与高两个类别,能直接为业务指示出改进方向,因此极大避免了“不知道如何评价好坏”的问题。

很多咨询公司都喜欢用这种方法,类似KANO模型或者波士顿矩阵,本质就是找到了两个很好的评价指标,通过两指标交叉构造矩阵,对业务分类。分类的区分效果很好,就广为流传了(如下图)。

了解了原理以后,我们可以自己动手做一个矩阵哦,构造矩阵是很简单的事,只要找两个评价指标,之后各自取均值,就能进行分类了。

三、矩阵分析法简单例子

举个简单的例子,一个销售团队,10名销售一个月内开发的客户数量,产生的总业绩如下图所示。用矩阵分析法的话:

第一步:先对客户数量、业绩求平均值 第二步:利用平均值,对每个销售人员的客户数量、业绩进行分类 第三步:区分出多客户+高业绩,少客户+高业绩,多客户+低业绩,少客户+低业绩四类

这样就完成分类啦。

而且,还能对这四类起四个好听的名字,比如:

多客户+高业绩:均衡型(或者叫:两手都抓型) 多客户+少业绩:摆小摊型,像摆小摊一样,虽然人多,但是挣不到几个钱 少客户+高业绩:吃大户型,抓住几个大户猛吃…… 少客户+少业绩:待发展型(或者叫:哪头都不行……)

用散点图,能直观的标识出这种分布:

后续,还能类似波士顿矩阵一样,比如建议吃大户型,不许歧视散客,增加客户数量。或者建议摆小摊型提升识别高价值用户能力等等。

四、矩阵分析法应用范围

有两个场景,是不适合用矩阵分析法的。

其一:有极大/极小值影响了平均值的时候。比如下图,看似销售们平均业绩是100 但是头部的3个高手,业绩占了57%,其他17个人都是陪衬。

此时,矩阵分析法的基础:平均值,已经不具有区分能力。也不能简单地认为:20个人能做100万,那40个人就能做200万。想做到200万,需要再找到几个高手,而不是一帮咸鱼。一般出现极大/极小值的时候,可以用:分层分析法。

其二:两个指标高度相关的时候。比如下图,用户消费金额与消费频次,两个指标天生高度相关。此时可以用散点图,强行做矩阵,但是会发现左上,右下两个区域几乎没有数据,所有的点,都集中在一条线上。

此时矩阵分析法的业务解读能力接近0,因此不适用了。一般出现高度相关的时候,需要用:相关分析法。

来源:TechWeb

the end
免责声明:本文不代表本站的观点和立场,如有侵权请联系本站删除!本站仅提供信息存储空间服务。