分析|一文读懂业务数据的分析思路( 二 )

和同类/同级比（横向对比）：和同一行业内/生态内的其他产品水平，找到相对更高或者更低的答案。
和不同时期的自己比（纵向对比）：可以从时间维度来看数据随着时间发生的变化，也称为趋势分析，用来追踪业务动态是否有异常。

文章插图
在使用对比分析时，需要注意的是：如果是对总体数值进行比较，那么各对比维度的规模需要一致。
因此，在数据分析中，通常会使用比例或者平均数作为指标来进行对比。例如，对比A地区的总销售额高于B地区，但并不能直接得到A地区的销售业绩更好，有可能A地区的销售门店数量远多于B地区，因此此处用平均销售额会更合理。
2. 多维度拆解对比法：结构化&公式化（1）结构化拆解：不只对比整体，还要看内部的构成差异
结构化拆解对比，是对业务问题进行原因分析过程中最常用的分析方法。
只对比数据整体，无法注意到数据内部各个部分构成的差异。如果忽略这种差异进行比较，就有可能导致无法察觉该差异所造成的影响。比如，某产品销售额下降20%，背后的原因是什么，该如何分析？
从用户角度来拆解：例如，该产品用户由新用户和老用户构成，可以拆解为新用户销售额和老用户销售额，来看销售额下降是否跟用户类型有关。
还可以把用户拆解为不同年龄组、不同的性别、不同地区、不同等级等属性，可参考数据类型中的用户数据包含内容。
从产品角度来拆解：例如，该产品的销售包含了不同的产品版本，可以拆解为不同的版本对比销售额，来看销售额下降是否跟产品版本有关。当然还有其他产品相关的属性，可参考数据类型中的产品数据包含内容。
从数据结构角度来拆解：例如，某产品销售额按照一定区间分组对比，某产品满意度按照不同满意层级拆解对比，来了解不同结构数据下的用户占比分布。

文章插图

文章插图
交叉分析也是非常常见的对比分析方法，就是讲拆解后的多个维度结合进行对比，从而发现更深层次的差异。

文章插图
（2）公式化拆解：对数据指标进行拆解
结构化的拆解可以帮助我们得到一个有逻辑的分析框架，在具体执行原因分析时，我们还需要对变量进行层层拆解才能找到问题产生的根源。例如在上述销售额下降的案例中，通过对用户类型进行结构化拆解对比，发现新用户的销售额明显下降，那么如果业务继续追问：为什么新用户的销售额下降了呢？
此时，我们就可以把销售额（数据指标）进行公式拆解，拆解成多个细分指标后，再针对细分指标进行对比分析。
比如，销售额=销量×客单价，在拆解之后就可以再从客单价和销量两个角度去进行对比分析，深挖销售额下降的原因。是新用户的销量变少了，还是新用户的客单价变低了导致新用户销售额下降的？
假设对比后发现客单价没有变化，主要是销量变少导致销售额下降。还可以继续对销量进行拆解：销量=人均购买数×购买人数，进而分析是购买人数下降了，还是人均购买数下降了呢？通过公式化的对指标剥离拆解，就可以实现层层深入到问题本质。

文章插图
结构化和公式化拆解还可以应用在我们对业务进行分析时的思路梳理中，比如当我们要去对某个业务的的GMV为什么高或者低进行原因分析时，我们可以对GMV进行公式化拆解，分别从流量×转化率×客单价三个具体的方面着手，去罗列出影响这些指标的因素，逐渐完善我们的数据分析网络。