数据分析思维工具-拆解分析

不管在工作还是生活中，我们常常会遇到这样的情况，就是：发现的问题有点大、有点宽泛，找不到解决的思路。比如说，问你销售额下降了，该怎么办？今年要脱单，要找到一个优秀的对象，该怎么做？一时间，好像无从下手。 分析问题的本质 ，就是把问题进行拆解，把一个大问题拆解成一个个小问题， 然后就可以着手解决。本篇三种拆解问题的方法，帮你在遇到任何问题的时候，都能快速上手拆解，找到问题的核心。

• 拆解分析法
• 来源：圈外数据学院 L1-认知篇
• 流程拆解
• 三种流程拆解法
  • 行为轨迹分析
    • 通过偷偷跟踪，来发现目标对象留下的蛛丝马迹，继而来分析嫌疑对象想要干嘛，逐渐逼近真相。
    • 在同一件事情上，所有人的真实的行为轨迹，往往不是只有一种路径。
  • 漏斗分析
    • 本质是一套流程分析，适用于流程较长、环节较多，并且随着环节进行，流量逐渐流失的场景。
  • 价值链分析
    • 可以帮助我们判断企业的核心竞争力在哪里
    • 更多是高管用于业务决策
• 行为轨迹分析和漏斗分析的区别
  • 通过行为轨迹分析能发现用户想要什么，不想要什么，可能先做什么，再做什么。找到用户行为轨迹，从而确定我们想要重点分析的漏斗模型。
• 漏斗分析的三个步骤
  • 一、根据工作流画出漏斗的各个环节路径
  • 二、对漏斗各环节做数据分析
    • 历史对比
    • 外部对比
    • 横向对比
      • 针对不同的群体，分别做漏斗分析
  • 三、确定哪个环节作为优化重点
    • 哪个环节优化的产出高、投入更低
• 按因素和维度拆解
• 要素拆解
  • 就是找出问题的基本构成，将大问题拆分成一个个子问题
  • 用求和，做加法的形式，做要素拆解
  • 在一些特殊场景中，可以使用矩阵思维，按照要素最核心的属性，画出四象限，做要素拆解
  • 矩阵模型
    • 市场营销
      • SWOT矩阵
      • GE矩阵
    • 企业经营
      • 波士顿矩阵
      • 安索夫矩阵
      • 定向政策矩阵
      • PESE矩阵
    • 产品打造
      • 多角战略矩阵
      • QSPM矩阵
  • MECE法则
    • ME：相互独立，有明确区分，不可重叠
    • CE:完全穷尽，全面，周密，不能有遗漏
  • 要素拆解不仅要做加法，也涉及减法乘法除法，可以灵活地运用。
• 维度拆解
  • 维度拆解，关注问题内部和外部的影响维度。通过逻辑树工具，先确定核心问题，并将核心问题列在逻辑树最上层，然后进行维度拆解，做分支问题延展，将大问题拆分成一个个具体的、互相独立的问题。
  • • 逻辑树也是麦肯锡推出的思维工具之一，和金字塔原理、MECE并称为麦肯锡三大结构化工具。
• 拆解分析是分析问题的重要一环，很多时候，如何拆解一个问题，决定 了你分析问题的上限。
• 4个模型，带你拆解最常见的商业难题
• RF M模型
  • 用于分析消费者价值，解决个性化营销或销售相关的问题
  • R-Recency,指客户最近一次消费的时间间隔，一般以月作为单位
  • F-Frequency,指消费频率，是客户在固定时间内（一般是1年）的购买次数；
  • M-Monetary,指消费金额，为了更好地表现金额的高低，一般是用客户最近一段时间内的最高购买金额跟标杆金额的对比情况。
  • 怎么样才是高价值的客户呢？
    • R值越小，F值、M值越高的客户
  • 使用RFM模型
    • 快速找到高价值的客户
    • 对客户进行分类
      • 重要价值客户
      • 重要唤回客户
      • 重要深耕客户
      • 重要的挽留客户
      • 潜力客户
      • 新客户
      • 一般维持客户
      • 流失客户
    • 推给不同客户的活动，应该投其所好，满足他们各自的需要，只有这样，营销或销售的转化率才会更高。
  • 使用RFM五个步骤
    • 1、拉取所有或一段时间内客户的R、F、M值
    • 2、对R、F、M值进行统计
    • 3、根据统计结果，确定R、F、M的分段和每个分段的分值
    • 4、计算每个客户R、F、M的得分
    • 5、将客户按上面说的分类，进行归类
  • 很多大公司或者一些调研机构，就是用这种方法，对大量客户进行数据分析并分类，然后进行精准营销和销售。
• 波士顿矩阵
  • 分析公司的产品或业务，判断他们的价值和增长潜力，从而更好地将资源进行优化配置，以达到提升整体公司销售业绩的目标。
  • 根据“市场份额”、“市场增长率”将公司的业务或产品，分成四类。
    • 第一类：明星产品。市场份额高，同时增长快，这样的业务是最重要的；
    • 第二类：金牛产品。市场份额高，但增长缓慢，需要保持的生命力或逐渐寻找替代；
    • 第三类：瘦狗产品。市场份额低，增长率也缓慢，产品或业务，价值比较低，应该放弃；
    • 第四类：问题产品。市场份额低，但增长快，是很有潜力的产品，有可能变成明星产品。
  • 波士顿矩阵的思维方式，就是将目标分析对象，用当前情况和未来趋势这两个维度，来将目标对象分成4类进行分别分析。可借鉴并迁移到其他工作中去。如：HR可以根据员工目前的业绩/能力，以及该员工的成长速度，来判断 一个员工的潜力。
• 福格行为模型
  • 用来探究他人的行为原因，解决客户/同事等人类行为相关的问题
  • 让一个行为发生，必须同时具备三个元素：动机、能力和触发器。
  • 用户的行为动机
    • 寻觅快乐
    • 免除痛苦
    • 寻求希望
    • 免除恐惧
    • 寻找归属
    • 免除偏见
    • 获取福利
    • 免除焦虑
  • 用户的能力，其实就是用户做出这个行为的成本，成本越低，用户越可能采取行动。
  • 行为成本包含
    • 金钱成本：也就是需要花多少钱
    • 形象成本：也就是做了这件事，对个人形象造成什么影响
    • 决策成本：也就是决策的难易度，会不会产生选择困难症
    • 学习成本：顾名思义，就是能不能学会，好不好操作
    • 时间成本：做这个行动要耗费多少时间或心力
  • 触发也分三类
    • 利益触发：比如，一些优惠、返券、福利资料等
    • 场景触发：去激发用户去想象使用这个产品的场景
    • 情绪触发：成就感、开心、焦虑、恐惧等等
  • 福格模型应用
• Kano卡诺模型
  • 用于研究某类人群的需求，解决产品设计，用户满意度相关的问题
  • 将人们对某物的需求定义成了五个类型
    • 必备需求：有这个功能，不会增强满意度；没有这个功能，会大大增强不满意度；
    • 期望需求：有这个功能，会增强满意度，没有这个功能，会增强不满意度；
    • 魅力需求：有这个功能，会增强满意度；没有这个功能，不会增强不满意度；
    • 无差异需求：有这个功能，不会增强满意度；没有这个功能，不会增强不满意度；
    • 反向需求：有这个功能，反而会增强不满意度。
    • 我们应该去优先满足必备需求和期望需求，再去满足魅力需求，最后放弃那些无差异需求的功能或服务。
    • 所以Kano模型，能帮助我们去判断，应该优先什么，你永远不可能满足用户的全部需求，也不应该满足他们的全部需求。
  • 如何科学地判断这个功能对于大众来说满足的是什么需求呢？
    • 这时就要通过用户调研，加系数分析来判断。
    • 比如说，你想要推出A、B两个功能，但时间、精力、资源都有限，你想知道 你应该先集中精力，推出哪个功能。可以针对这两个功能，设计问卷，进行调研。
    • 通过这样的问卷调查，结合Kano模型的结果分类对照表，你就能得出，每一份问卷，即每一个用户，认为A功能和B功能，分别是什么需求。
    • 那么，A功能和B功能，究竟属于什么需求呢？这时候我们就可以用better系数和worse系数来表示。
    • Better系数=（魅力需求用户个数+期望需求用户个数）/（魅力需求用户个数+期望需求用户个数+必备需求用户个数+无差异需求用户个数）
    • Worse系数=（必备需求用户个数+期望需求用户个数）/（魅力需求主用户个数+期望需求用户个数+必备需求用户个数+无差异需求用户个数）
    • 得出的系数，需求归类是这样的：
    • 第一象限：Better>0.5,Worse>0.5,属于期望需求
    • 第二象限：Better<0.5,Worse>0.5,属于必备需求
    • 第三象限：Better<0.5,Worse<0.5,属于无差异需求
    • 第四象限：Better>0.5,Worse<0.5,属于魅力需求
    • 根据这个样本的调研结果，我们应该优先去做A功能。
    • 如果在工作中，暂时没有做问卷的条件，那么你也可以用Kano模型的思路，去问自己和同事两个关键的问题。1、有该功能，我会怎样？2、没有该功能，我会怎样？
• 拆解分析的现实运用
• 案例：用800万的预算，如何在上海买到性价比最优的房子？
• 1、用矩阵思维拆解要素
  • 首先我们确定核心问题所在：用800万的预算，在上海买到改价比最优的房子。
  • 750-800为区间，在上海筛选出45个小区的房型。
  • 影响房子性价比的基本属性很多，地段和面积，最核心的两个属性。为了平衡两个因素，可画出四个象限，对这45套房源进行分类梳理。
  • 取45套房子的面积中位数的整数值：120平方米，和房子与市中心距离 的中位数和整数值15公里作为分界。
  • 面积大、地段好的A象限 面积小、地段好的B象限 面积小、地段差的C象限 面积大、地段差的D象限
    • 在预算区间固定的情况下，当然愿意优先A象限的房子，其次是B、D象限，最后才是C象限。
  • 通过这样的矩阵进行要素拆解，就可以帮助我们快速把握整体房源的分布状况，对已有选项进行一个整体感知。
  • 除了地段和面积，小区环境、装修等等也很重要，所以我们要如何考虑得更加全面呢？那就要用到：维度拆解。
• 2、用维度拆解:根据性价比的影响维度，进行初步拆解
  • 画出逻辑树,如下：
  • 用Kano模型把需求梳理清楚 ，到底哪些是必备需求，哪些是期望需注，哪些是魅力需求。
  • 对必备属性和期望属性采取数据对比淘汰制，对魅力属性采取赋分制。
  • 三类需求的四个维度的数据分析
    • 交通便利性的维度
      • 通勤时间
      • 地铁线路数量
      • 地梯口数量
    • 升值空间的拆解
      • 关注人数
      • 存销比
      • 售租比
    • 房屋品质的拆解
      • 装修
      • 年份
    • 小区环境的拆解
      • 容积率
      • 绿化率
• 最后：通过不同维度的数据对比筛选和打分，选出各方面都满足好房子标准的那套。
• 这个分析思路，也可以用在生活中遇到的问题上。比如求职期间，同时收到几份offer,在不同城市、不同的细分领域、不同的职位、不同薪资方面做选择，我们如何找出最优解，也一样可以如此分析。