?你是不是覺得，平時做的日、周、月、季、年報沒啥用？

每天麻木地更新，發出來也沒人看，需要數的時候還是臨時取數？

因為光有數據，沒用配解讀數據的方法！

數字要讀出含義才有價值。結構分析法，就是解讀數據的一種簡單、快捷的方法，也是數據分析師的祖傳手藝。

從人見人厭的平均數說起

人們天生討厭平均數，總覺得用平均數很扯淡，有種“我和姚明平均身高，有毛用”的感覺。但是反問：為啥平均數這么不好用，但是大家還喜歡用呢？

因為：方便。

舉個最簡單的例子：

已知1：客戶需要5萬件產品

已知2：生產線平均每天生產5千件

問：需要生產幾天

答：10天

雖然可能實際上是一天4879件，但是無所謂，這點偏差并不影響整體決策。用平均數來計算數量，安排人力物力，分配資源預計進度，都是很方便的。特別是在供應鏈一側，生產能力、物資消耗、配送時間，是相對固定的，波動不大。因此非常好用。

但在營銷側，情況就變了。

營銷側更流行二八法則：

• 20%客戶貢獻80%收入
• 20%產品創造80%利潤
• 20%銷售贏得80%訂單

這種情況非常普

因此，當業務數據很均衡、穩定的時候，可以直接上平均數，當業務數據分布差異巨大的時候，就得看分布結構了，這就是結構分析法的起源：去平均化，發現內部問題（如下圖）。

結構分析法如何做

結構分析法的做法：

第一步：明確對象。

要觀察結構的目標，是用戶、商品、渠道、產品……選好目標。

第二步：找到指標。

比如已選定觀察用戶，再定清楚，要觀察的是用戶的付費、活躍、注冊時間、區域分析……哪個指標。這里特備要杜絕面面俱到。整得太復雜，不但提取數據很麻煩，看數據的人也沒心思看。最好抓核心指標。 

第三步：分層觀察。

一講到觀察，做數據的同學們習慣性想到箱型圖。沒錯，箱型圖是觀察結構的方法——但是業務部門看不懂呀。想要解放人力，方法越直觀越好。因此推薦用下邊兩種分法，一眼就看明白。  

第四步：總結形態。

還拿用戶結構舉例，我們的用戶是大R型，還是大DAU型。直接決定了后續運營方向：是繼續大量淘沙，還是小火慢燉，服務好大多數人。

同時，如果已經有業務上的標桿，標桿的結構，可以作為判斷依據。

• 我們希望發展高端用戶，所以A類用戶占比必須到20%
• 我們的標桿門店，A類用戶占比就是20%，所以其他店也要做到20%！
• 我們的商業模式就是大浪淘沙，所以每批新用戶中A類用戶占比必須為20%

這種簡單直接的判斷，對于提高日常報表使用率，非常有用！

結構分析法如何用

使用場景1：快速理解陌生的用戶/商品/渠道情況。

• 比如實體企業，到一個地方巡店，看客戶結構，看商品陳列比例
• 比如互聯網企業，看渠道流量時間分布，看轉化人數

都是只用幾個指標，能快速反推整體情況，發現問題，這樣的工作效率非常高。

使用場景2：監測用戶/商品/渠道健康度變化

• 對穩定的業務而言，沒事發生就是好事，穩定的結構代表問題不大
• 對新增業務而言，越快貼近理想結構，發展越好

這樣有了明確的標準，就不會因為短期波動而糾結，集中精力辦大事。

使用場景3：監測重大政策上線效果

• 對內部觀察：是否政策起到正向推動
• 對外部觀察：是否引發關鍵群體的波動

這樣能利用常規報表，快速鎖定問題點，后續也不用拖一堆無關維度出來交叉交叉再交叉，應急的時候響應速度更快。

以上工作完全可以靠常規報表搞掂，不需要臨時取數，不需要額外占用數據分析師的時間。因此非常好使喚。

小結

類似的方法，還有矩陣分析法、趨勢分析法、漏斗分析法。這些方法的共同點，就是：用一組有邏輯的指標，樹立清晰的標桿，長期監控業務變化，從而快速得出結論。這些方法再和報表結合，就能極大提升工作效率。業務部門能定位到問題，數據分析師能解放工作量，這樣才能做更深入的分析。

有趣的是，現在市面上流行的做法：

問：你要怎么分析DAU下降30%呀？

答：從基本特征、來源渠道，DOU/DNU等等維度拆拆拆，肯定能拆到某兩個柱子差異好大，就是它了。

這樣的做法是很有問題的。

• 只看時間點，不看走勢
• 只看重大變化，不看細微發展
• 不找關鍵維度，閉著眼一個個試
• 不用固定指標，非整一堆細節指標

這樣只會增加大量無效勞動，讓業務養成“不看報表，只打電話”的壞習慣。

• “喂，為啥又漲了呀”
• “喂，為啥又跌了呀”
• “喂，為啥漲了又跌呀”
• “喂，為啥跌了又漲又跌呀”
• ……

每天忙著處理這種瑣碎問題，啥深入分析，啥建模都別想了。

所以想解放精力，就得把監測體系建好，多利用這種短平快的小方法，多利用固定指標體系和查找機制，這樣才能高效率運轉。?