九大数据分析方法：分层分析法

导语：这篇文章三个方面介绍了九大数据分析法之一——分层分析法，推荐想要了解数据分析方法的同学阅读。

今天跟大家分享：分层分析法。这个方法非常简单实用，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。

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）

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：

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。

本文由 @码工小熊 原创发布于运营派，未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议