十大數據分析模型之一:矩陣模型
評估業務表現的如何,我們需要做數據分析,那么怎么和企業內部數據結合使用?本文介紹了矩陣模型,從其底層邏輯談起,一起來看看其如何使用與應用吧。
今天分享的是矩陣模型。做數據分析的同學一定聽過各種矩陣模型:波士頓矩陣、安索夫矩陣、KANO模型等等。
但是大部分網紅文章都是把圖一畫草草收場,導致很多同學有疑慮:這些模型用的都是行業數據/調研數據,我要怎么和企業內部數據結合使用??今天就從底層邏輯開始,給大家詳細講解一下。
一、矩陣模型的底層邏輯
如何評估業務表現的好壞?一個簡單的想法,就是:找一個關鍵指標,進行多個業務的比較。如果這個業務比平均水平表現得更差,那它就有改進空間。但只用一個指標會有偏頗,比如產品銷售增速很重要,可萬一這個產品整個市場已經飽和了,那它怎么著也沒法快速增長。所以至少得考察2個指標。
這就是矩陣模型的本質:用2個不相關的關鍵指標,衡量業務表現,從而發現問題/機會點。比如經典的波士頓矩陣,就是利用:產品銷售增長率+產品市場份額,兩個指標進行衡量。如果自身增速慢,但是市場份額很高,已經缺少進一步增長空間,那就不要“鞭打快?!保嵌嗾移渌麢C會,這樣的評估更全面(如下圖)。
如果直接生搬硬套,大家會發現:很難準確獲得市場份額數據。但是,如果理解了矩陣模型的底層邏輯,我們完全可以自己動手構造矩陣模型??偣灿?步。
二、如何構造矩陣模型
第一步:明確評估的業務對象
參與評估的業務個體,可以是用戶、門店、商品、業務員、推廣計劃、騎手、司機……要根據業務需要,清晰參與評估的個體,這樣才好核算相關指標。
第二步:找到2個關鍵衡量指標
如果一開始缺經驗,不知道找啥指標,就找一個投入+一個產出指標,投入產出矩陣永遠好使。比如:
- 評估新用戶:獲客成本+用戶生命周期價值
- 評估商品表現:商品銷售收入+ 商品毛利
- 評估銷售表現:開發客戶數量+ 客戶付費收入
- 評估司機表現:司機在線時長+司機營運收入
- 評估門店表現:門店銷售收入 + 門店總成本
第三步:利用平均值對2指標進行分類
找好指標以后,計算平均值,對業務分類,或者直接用做散點圖+平均值標識線,做出矩陣效果,比如用開發客戶數+客戶付費構造一個銷售人員能力矩陣,可以如下圖操作。
第四步:觀察矩陣分布形態
注意!矩陣圖有2種經典的形態(如下圖)
形態1:投入產出指標呈明顯相關關系(上圖1)。這時候其實符合常規認知:“多投入,多產出”。因此可以加大投入力度,看看能不能大力出奇跡。
形態2:投入產出指標不成正比(上圖2)。這時候,左上、右下2個不符合常規認知的區域,就是重點研究對象。
高投入+低產出:問題區域,進一步分析為什么效率這么低下。
低投入+高產出:機會區域,進一步分析能不能復制成功經驗。
這樣就完成了矩陣模型的構造,可以直接利用模型輸出分析結論,常見的使用方式有3種。
三、矩陣模型的使用方式
用法1:快速建立思路
很多同學遇到一堆業務指標要分析,就會lost,不知道從哪里下手。最快速建立思路的辦法,就是先找投入產出指標,然后建立矩陣,這樣一眼掃過去,就能看清楚情況。
用法2:暴露業務問題
矩陣一畫出來,哪些業務好,哪些差,一看就知道。即使該業務沒有定KPI也能分出高低來。而且用矩陣模型還有個好處:業務個體的好壞是同類比較出來的,從而避免業務部門對數據分析/財務有意見,嚷嚷什么“你們評估不科學!”業務看到自己和同類相比的差距,都會自動代入:“為什么他做得比我好”的思考。
用法3:觀察改進效果
矩陣模型的好處,就在于改進效果是直接呈現在紙面的,如果我們看到一個業務投入高+產出低,本能就會想:是不是能砍一點無效投入/是不是能優化一下產出效率。此時可以設定改進方向,然后持續觀察改進效果,這樣就能推動業務的進步(如下圖)。
注意!矩陣模型也有局限性:只用平均值來區分高低,可能分析不夠細致,同時2個指標也有些少。矩陣模型更適合發現問題,而不是細致、深入地分析問題。想進一步深入,需要利用MECE法則構造更復雜的分析邏輯樹。
四、矩陣模型擴展應用
掌握構造矩陣模型的技術后,在很多領域都可以使用。特別是用戶行為分析。因為收入、成本這些經營指標經常有KPI的,但用戶行為并沒有KPI。導致很多同學在做用戶行為分析時會迷失方向:到底怎么判定用戶行為的好壞?此時可以用上矩陣模型了。
擴展用法1:一個行為指標+一個關鍵業績指標
比如直播電商做用戶行為分析,可以用:觀看時長 + 消費頻次做矩陣,從而找出哪些只看不買(觀看時長很長+消費很少)的用戶做進一步營銷。
擴展用法2:一個數量指標+一個質量指標
比如內容APP,可以用在線時長+互動行為次數(轉評贊數量)做矩陣,從而找出高在線+低互動的用戶群體,很有可能這些人一直看不到自己喜歡的內容,可以進一步分析他們行為特點和內容偏好。
專欄作家
接地氣的陳老師,微信公眾號:接地氣的陳老師,人人都是產品經理專欄作家。資深咨詢顧問,在互聯網,金融,快消,零售,耐用,美容等15個行業有豐富數據相關經驗。
本文原創發布于人人都是產品經理。未經許可,禁止轉載。
題圖來自Unsplash,基于CC0協議。
該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。
- 目前還沒評論,等你發揮!