打开分析视角
文章目录
在明确分析问题及理清分析思路后，就能把研究目的分解为细化的研究内容，于是就可以开展分析了。
但是可以分析并不意味着你的分析有效，如果你只是简单地描述研究内容，那么你的分析对企业来说就是“白开水”，一点味道都没有。如果你遭到业务需求方的抱怨，说你的分析太浅了或者没啥价值，那么就说明你需要提升分析价值
文中提供以下分析视角，用以提升报告的分析价值：
1. 对比视角
对比分析实际上是基于参照物得出的一种相对关系
1.1 对比的类型：
1.1.1 按照参照物：纵向对比与横向对比
按照所选参照物的不同，对比分为纵向对比与横向对比。
-
你可以和自己纵向对比，对比过去和现在，总结自己的发展变化，形成时间序列。
-
你可以和别人横向对比，对比各自表现，判断自己的优势和劣势，形成截面数据。
企业会大量使用对比分析来支持运营决策。以业绩对比为例，通过纵向对比自己各年的业绩，进行规模预测；通过横向对比各部门的业绩，进行各部门考核；通过纵向对比营销活动前后的业绩，评估活动效果；通过横向对比自己和竞争者的业绩，判断市场地位。
1.1.2 按照对比指标性质：频数统计与均值分析
按照对比指标性质的不同，对比分为频数统计与均值分析。
例如，假设某调研列举出购买彩电的多种考虑因素，让受访者从中选出最关注的因素
（见Q1题），则受访者的选择就构成分类型数据（每个选择是一类因素）。
Q1.您在购买彩电时，最关注下列哪种因素？【单选】
A、外观 B、功能 C、耗电量 D、价格 E、品牌 F、其他__________【请注明】
如果让受访者根据自己的考虑程度，对各因素打分（见Q2题），受访者给出的分数就构成数值型数据（每个分数是一个数值）。
Q2.您在购买彩电时，对下列因素的考虑程度如何？1～7分，分值越高表示越重视。
分类型数据，运用频数统计（统计各因素被选的人数占比）进行对比；
而数值型数据，运用均值分析（统计各因素的平均分值）进行对比。
1. 2 对比的可信度
在使用对比分析时，要注意对比的可信度。因为我们身边充斥着大量不具有可比性的对比分析。具体表现为
-
时间上的不可比
-
空间上的不可比
-
量关系上的不可比
1.2.1 时间上的可比性
例如，某零售企业想计算2018年3月前10天的销量比2017年同期增长了多少。从表面上看，这两个数据的时间跨度一致，可以对比。但实际上，零售业每周具有明显的淡旺季之分：在一周之内，工作日为淡季；周六和周日为旺季。
翻开日历，你会发现2018年3月前10天比2017年同期多一个“星期六”，这个多出的“星 期六”必然会抬高2018年3月的销量，造成对比结果的失真。所以，零售业的对比周期通常为周。这个例子说明，对比的对象在时间分布上要有可比性。
1.2.2 空间上的可比性
在美国和西班牙交战期间，美国海军的死亡率是9‰，美国居民的死亡率是16‰。于是，美国海军在征兵时就对比这两个数据证明参军更安全。因为在事实上，这两个数据不可比！海军死亡率的统计对象都是身强力壮的年轻人，居民死亡率的统计对象除年轻人以外，
还有老人和小孩，而老人和小孩的自然死亡率要比年轻人高得多，这会将居民整体的死亡率抬高。
统计口径的不同造成“参军更安全”这个错误的结论。（是不是很可笑？但是在实际工作中也有不少人犯过类似的错误）正确的做法应是对比同样年龄段的海军和居民的死亡率。这个例子说明，对比的对象在空间（即外延）上要有可比性。
1.2.3 数量上的可比性
数量上的可比性有两层含义：
1.2.3.1 对比指标要定量
要有效对比，指标需要定量。
例如，假设你对某企业是否应该做跨境电商进行SWOT 分析，列举出跨镜电商的机会有8个、威胁有6个，该企业做跨境电商的优势有9个、劣势 有8个，那么你能否得出机会＞威胁、优势＞劣势，所以该企业应该做跨境电商的结论呢？
不能！因为每个机会和威胁的重要性和表现水平不同；同样，每个优势和劣势的重要性和表现水平也不同。SWOT分析是定性研究，只能用于战略梳理，不能用于战略选择。
做战略选择就要定量，对SWOT分析中的机会、威胁、优势、劣势进行量化，根据最终量化的分值做出战略决策。（对SWOT分析的量化方法叫作内外因素评价矩阵）
1.2.3.2 对比对象同量纲
量纲的不同可能体现在：
a. 单位不统一
单位不统一可以通过计算变异系数V（V=标准差/均值）处理
b. 分类维度数量差异
要剔除数量差异，就要使各个变量的均值相等且标准差相等，即进行标准化：
通过标准化，各变量的均值均为0，标准差均为1，从而消除了各变量的数量差异，实现了各变量在数量上的统一和可比
2. 相关视角
相关视角探索的是事物间的某种联系。这种联系可能是因果关系，也可能是共存关系。利用相关视角，企业可以开展规模预测和精准营销。
2.1规模预测
利用相关视角可以帮助企业进行规模预测。
例如，企业想有产出，就要有生产要素的投入。生产要素包括技术、资本和劳动力。
企业的技术越高、资本实力越雄厚、劳动力越多，产出量往往越大。技术、资本和劳动力是影响产出的关键因素，存在正向因果关系。因此，企业可以建立回归模型，根据技术、
资本和劳动力的投入预测自己的产出规模。这个模型就是道格拉斯生产函数：
（其中，y表示产出，A、K、L分别表示技术、资本和劳动力，α为资本弹性系数，β为劳动力弹性系数，μ为随机干扰项）。
2.2 精准营销
要开展精准营销，就要搞清楚用户特征与用户态度偏好的相关关系
以性别和颜色偏好为例，需要回答两个问题：
●用户性别是否会影响用户对颜色偏好的选择？
●如果有影响，男性偏好什么颜色、女性偏好什么颜色？
3. 分类视角
很多企业会进行客户分类。为什么要进行客户分类呢？ 因为客户是由成千上万个个体构成的，如果企业把目光放在每个个体身上，由于个体间的差异是细微复杂的，则会使营销工作变得艰难、低效，捉襟见肘。
如果能把个体按其特点分成几类，同类之间具有共性，不同类之间差异显著，那么企业就可以针对同类人群出相同的营销组合拳，针对不同人群出不同的营销组合拳。这样企业的营销对象就再不是大量的个体，而是少数的几个类别。难度和强度都会大大降低，这就是分类的价值所在，用类别代替个体，复杂问题简单化。
3.1 分类的步骤与方法
4. 描述视角
刚开始做数据分析时，往往很容易想到用平均数描述研究对象，但要想把研究对象描述全面，别忘了研究个体波动。
首先，研究个体波动能够帮助企业进行问题诊断；
其次，研究个体波动还能帮助企业找出欺诈行为；
最后，如果只看平均数，则往往会掩盖个体间的差异。尤其当波动很大时，平均水平对个体的代表性就会很差。例如，网上有一首打油诗：一个富翁上千万，邻居都是穷光蛋，平均数据一核算，人人都是上百万。这首打油诗很贴切地揭露了平均工资掩盖的个体间贫富差距的问题。
文章摘录整理自陈哲老师《活用数据》一书
前文回顾：
数据分析思维 – 第一步：明确分析问题
数据分析思维 – 第二步：开启分析思路