九大数据分析方法：矩阵分析法

 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九大的?

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!

可数据是，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1分析00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，不能充方法分评价好坏。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：矩入两个指标来考核：

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。可以很容易从两个阵分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，类析法似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，只要九大找两个评价指标，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：利数据用平均值，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：两分析手都抓型) 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，还方法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：矩下图，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200万阵分，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，但是会发现左析法上，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。

最新评论