咨询公司的数据分析模型有多高大上?

编辑导语:很多行业在日常工作中都会遇到数据分析的板块,数据分析可以很好的协助我们读懂现在的数据情况;咨询公司的数据分析很多人都觉得非常的高大上,其实每个分析方法都有自己的使用目的;本文作者对此进行了详细的解释,我们一起来看一下。

做数据分析的同学们都见过下边这种矩阵,很多人对此顶礼膜拜,甚至还有一些网文作者直接就把:矩阵思维、矩阵模型、矩阵法招呼上了。

说它是数据分析的“底层思想”“核心逻辑”,好吧……肯定他们是没在咨询企业上过班了;其中真相如何,今天我们系统讲解一下。

超级产品经理

一、从平均值法说起

平均数是用的最多,也被调侃的最多的概念。

有诗为证:

  1. 村头老张一千万
  2. 隔壁九个穷光蛋
  3. 统计局里算一算
  4. 各个都是张百万

但问题是,为啥平均数被吐槽这么多,实际上却又使用的最多?

明明统计学里有平均数、中位数、众数三个概念,三个概念都很好理解,但为啥非是平均数呢?

答:因为平均数用起来方便、省事;用平均数,能很简单的把总量按人头分解。

比如:

  1. 销售金额=购买客户数*人均购买量
  2. 生产数量=生产线数*平均产能
  3. 备货数=门店数*平均销量

这样在做管理的时候是很省事的:想提高销量,要么增加客户人数,要么提高人均购买。

这两个数字可以简单的直接相乘,用中位数、众数显然达不到这个效果。

并且,在下命令的时候也很清晰:每个人都要做到平均水平以上!你做不到,你就拖了大家的后腿,大家都能做到你凭什么做不到;你看,简单清晰,而且符合人们的直观感觉,很有说服力。

所以平均数是自带标准的。高于平均值就是好,低于平均值就是不好,这一点对咨询顾问们来说非常重要——因为大部分咨询顾问,在特定行业里的经验远没有客户多;因此诊断问题的时候,咨询顾问们非常需要一个不依赖于行业的、中立的、有说服力的标准来判断好坏;判断完好坏,才能进一步分析为啥好、为啥坏,因此平均值法是用的最多的判断方法。

当然,平均值法也有它的先天不足,这就引申出其他方法。

二、平均值法的迭代升级

用平均数的问题,其实来源于个体差异过大,所谓:“我和姚明平均身高,和马云平均财富”;因此在平均值法的基础上,又引入了二八法:按20/80理论,直接把最好的前20%分离出来,单独观察,避免干扰其他群体,这样也能做出判断。

超级产品经理

二八法一般在前台/营销端用的多。因为后台/供应端的生产、物流都是机器化流程,容易把控质量,但前台/营销端常常出现少数能力好的销售做出大量业绩、少数金主爸爸贡献大部分利润的情况。

在管理上,进而衍生出:淘金法——招100个销售,要从里边培育出20个Ace级销售;类似挖一大堆沙,从里边淘出金子的过程。

如果评价维度有两个呢?这就引申出了矩阵法。

三、从平均值法到矩阵法

矩阵法本质上是一种用两个维度来找判断标准的方法。它的操作非常简单:

  1. 第一步,找到两个评价维度,每个维度取平均值做判断标准。
  2. 第二步,两个指标交叉,把待评价对象。
  3. 第三步,根据两维度含义,给出分类解读。

只要两个指标相关性不是非常高,两个指标交叉的时候,数据就会分散在四个矩阵里,这样能清楚找到业务含义(如下图)。

超级产品经理

更有趣的是,如果两个评价维度组合得当,是能够解读出很多有意思的业务含义的。比如游戏行业的用户活跃/用户付费两个指标。可以起个:

  1. 高活跃+高付费=金牛用户(又出钱又出力的老牛)☆低活跃+高付费=土豪用户(懒得自己打,爷花钱买!)
  2. 高活跃+低付费=白嫖用户(啦啦啦,就是干玩不给钱。)
  3. 低活跃+低付费=边缘用户(都不咋玩,要跑咯。)

这样的解读能一下让报告的气氛活跃起来,结合所谓“矩阵模型”,显得即高大上,又活泼,这是甲方爸爸们最喜欢看的东西;因此矩阵模型便大行其道了,每个咨询公司在新员工培训的时候,都会教如何构建矩阵模型,让爸爸们满意——这是一个祖传手艺。

所以你看到的咨询公司的所谓分析模型, 出现最多的就是矩阵,各种矩阵;如果矩阵搞不掂,基本上就是什么7S、9P之类的巨复杂,巨多分类维度的模型了。

反应快的同学,看到这立马就有疑问了:“诶?为啥会这样,理论上3个维度的评价,也能这样叠加下去呀,不就是拉交叉表吗。”

以3维度评价为例,即使每个维度都用二分类,那么能分出来的也有222=8类。

这种情况下会出现几个问题:

  1. 每一类含义解读变得复杂,不见得都能解释清楚。
  2. 每一类群体数量变少,经常出现一个群体占比50%,另一个占比5%的问题。
  3. 因为群体规模不均,经常引发客户:“我们再细分一下”的要求,结果拆的越支离破碎,解读越麻烦;而且有的客户,就是50%用户消费、活跃都是0,也没法继续深入。

总之,原本用平均值法、用矩阵法,为的是简单、省事。

现在反而人为的制造复杂性了;所以当评价维度超过3个以上的时候,咨询顾问们会倾向于放弃手动分类,直接用包含一大堆分类维度的综合评估模型;或者干脆上K均值聚类,对着聚出来的结果再拍脑袋解读。

四、小结

所谓的分析方法,都是有特定的使用背景、使用目的、使用效果的;而且并不是所有的分析方法,都是冲着“精准”去的;能快速、省事的解决问题,才是最终目的。

这又是一件“君子以为文,小人以为神”的事。

认真理解起背后的逻辑,就能进步;打着“权威、牛逼、科学”的幌子死记硬背,就把自己绕进去了。

说到这,肯定有同学想看更多所谓高大上的模型背后的真相,有兴趣的话,关注接地气的陈老师,下一篇我们分享RFM背后的真相,敬请期待哦。

作者

接地气的陈老师,微信公众号:接地气学堂。资深咨询顾问,在互联网,金融,快消,零售,耐用,美容等15个行业有丰富数据相关经验。

关键字:数据分析模型

版权声明

本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!

立即
投稿

微信公众账号

微信扫一扫加关注

返回
顶部