编者按：许多行业在日常工作中会遇到数据分析部分，数据分析可以帮助我们理解当前的数据情况；许多人认为咨询公司的数据分析非常高，每种分析方法都有自己的目的；作者详细解释了这一点，让我们一起看看。


做数据分析的学生看到了下面的矩阵，很多人崇拜它，甚至一些网络作者直接问候：矩阵思维、矩阵模型、矩阵方法。


它是数据分析的底层思想和核心逻辑……他们肯定没有在咨询公司工作过；真相是什么？今天我们系统地解释一下。


从平均值法开始 平均数是使用最多、被嘲笑最多的概念。


有诗为证： 村头老张一千万 隔壁九个穷光蛋 统计局算算 都是张百万 但问题是，为什么平均数被吐槽这么多，其实用的最多？ 显然，统计学中有三个概念：平均数、中位数和众数。


这三个概念很容易理解，但为什么不是平均数呢？ 答:因为平均使用方便省事；使用平均，总量可以根据头部简单分解。


比如： 销售金额=购买客户数*人均购买量 生产数量=生产线数*平均产能 备货数=门店数*平均销量 这样做管理就很容易了：想增加销量，要么增加客户数量，要么增加人均购买。


这两个数字可以简单地直接乘以，显然不能达到中位数和众数的效果。


而且下命令的时候也很清楚:每个人都要达到平均水平以上！如果你做不到，你会拖着每个人的后腿，每个人都能做到你为什么做不到；你看，简单清晰，符合人的直觉，很有说服力。


因此，平均数有自己的标准。


高于平均值是好的，低于平均值是坏的，这对顾问来说非常重要——因为大多数顾问在特定行业的经验远的经验远不如客户多；因此，在诊断问题时，咨询顾问需要一个不依赖行业、中立和令人信服的标准来判断好坏；只有通过判断好坏，我们才能进一步分析为什么好或坏。


因此，平均值法是最常用的判断方法。


当然，平均值法也有其先天缺陷，这引申了其他方法。


二、平均值法迭代升级 事实上，平均数的问题来自于个体差异太大。


所谓姚明和我的平均身高和马云的平均财富；因此，在平均值法的基础上，引入了28种方法：根据20/80理论，最佳前20%可以直接分离，单独观察，避免干扰其他群体，从而做出判断。


28种方法通常用于前台/营销端。


由于后台/供应端的生产和物流是一个机器化的过程，很容易控制质量，但在前台/营销端，少数能力好的销售往往会做出大量的业绩，少数黄金所有者的父亲会贡献大部分的利润。


从管理上衍生出：淘金法-招100个销售，从中培育20个销售Ace等级销售；类似于挖很多沙子，从里面淘金的过程。


如果有两个评价维度呢？这引申了矩阵法。


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判断标准的方法。


操作非常简单： 第一步是找到两个评价维度，每个维度以平均值作为判断标准。


第二步，两个指标交叉，待评估对象。


第三步，根据两维含义进行分类解读。


只要两个指标的相关性不是很高，当两个指标交叉时，数据就会分散在四个矩阵中，以便清楚地找到业务意义（如下图所示）。


更有趣的是，如果两个评估维度组合得当，它们可以解释许多有趣的业务意义。


例如，游戏行业有两个指标：用户活动/用户付费。


你可以开始： 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(懒得自己玩，爷花钱买！ 高活跃 低付费=白嫖用户(啦啦啦，就是干玩不给钱。


低活跃 低付费=边缘用户(不玩，要跑。


这种解释可以激活报告的气氛，结合所谓的矩阵模型，看起来又高又活泼，这是甲方父亲最喜欢的；所以矩阵模型很受欢迎，每个咨询公司都会教如何建立矩阵模型，让父亲满意——这是一种祖先的技能。


因此，所谓的咨询公司分析模型， 最常见的是矩阵，各种矩阵；如果矩阵不能修复，基本上是7S、9P巨大的复杂，巨大的分类维度模型。


反应快的同学看到这一点马上就有疑问:呃？为什么会这样？理论上三个维度的评价可以这样叠加，不就是拉交叉表吗？ 以3维评价为例，即使每个维度都有两个分类，也有2个可以分开*2*2=8类。


有几个问题： 每一种意义的解释都变得复杂，不一定能解释清楚。


一个群体占50%，另一个群体占5%。


由于群体规模不均匀，往往会导致客户的要求:我们再细分一下。


因此，拆卸越分散，解释越麻烦；而且有些客户，即使是50%的用户，消费和活跃度也为0，无法深入。


简而言之，原用平均值法和矩阵法是为了简单省事。


现在，人工制造是复杂的；因此，当评价维度超过3个时，顾问倾向于放弃手动分类，直接使用包含大量分类维度的综合评价模型；或者只是把K平均聚类，然后拍拍头来解释聚集的结果。


四、小结 所谓的分析方法具有特定的使用背景、目的和效果；并不是所有的分析方法都是为了准确；最终目的是快速、简单地解决问题。


这也是君子以为文，小人以为神的另一件事。


如果你仔细理解背后的逻辑，你就能取得进步；以权威、牛逼、科学为幌子死记硬背，绕过自己。


说到这里，一定有学生想看看所谓高大模特背后的更多真相。


如果他们感兴趣，关注脚踏实地的陈先生。


让我们分享下一篇文章RFM请期待背后的真相。


特别说明：本网站的主要目的是收集与互联网运营相关的干货知识，为运营伙伴提供便利。


本网站收集的公共内容来自互联网或用户的贡献，这并不意味着本网站同意其观点，也不对网站内容的真实性负责。


如有侵权行为，请联系网站管理员删除，。