之前在《想成為數(shù)據(jù)產(chǎn)品經(jīng)理，先掌握這些數(shù)據(jù)分析方法論》一文中，分享了一些基礎(chǔ)的數(shù)據(jù)分析方法，從業(yè)務(wù)分析、用戶分析和產(chǎn)品運營三個方面提供了一些分析的切入角度。接下來，進階一步，我們再來看看還有哪些實用的分析工具。

一、業(yè)務(wù)分析：如何做診斷歸因？

在《想成為數(shù)據(jù)產(chǎn)品經(jīng)理，先掌握這些數(shù)據(jù)分析方法論》一文中分享過杜邦分析法，杜邦分析法是財務(wù)中常用的拆解指標的方法，可以將核心指標拆解為多個因素乘積的形式，如GMV=訪客數(shù)*轉(zhuǎn)化率*客單價。

在做完指標拆解后，應(yīng)該如何進行進一步歸因呢？本月GMV上漲了，是訪客數(shù)增長的貢獻還是轉(zhuǎn)化率上升的結(jié)果，抑或是因為客單價的提升？

為此，我們需要引入另一個在財務(wù)領(lǐng)域廣泛應(yīng)用的分析方法——因素分析法。

1. 因素分析法是什么？

因素分析法是在將核心指標拆解為多個因素后，識別各因素對核心指標影響程度的一種方法。

我們將指標拆解后，當然，可以用控制變量法來計算每個因素的貢獻，比如，假設(shè)上月的GMV、訪客數(shù)、轉(zhuǎn)化率、客單價分別為GMV_0、V₀、T₀、M₀，本月的GMV、訪客數(shù)、轉(zhuǎn)化率、客單價分別為GMV_1、V₁、T₁、M₁，那么

GMV₀=V₀*T₀*M₀

GMV₁=V₁*T₁*M₁

我們要判斷訪客數(shù)，也即流量的貢獻，按照控制變量法，假設(shè)轉(zhuǎn)化率和客單價與上月一樣，訪客數(shù)變化所帶來的GMV提升為：

Attr_V=V₁*T₀*M₀– V₀*T₀*M₀

同樣，計算轉(zhuǎn)化率貢獻的公式為：

Attr_T=V₀*T₁*M₀– V₀*T₀*M₀

這里用到的是傳統(tǒng)的控制變量的思想，但要使用控制變量法需注意一個前提，那就是各個變量之間要相對獨立，但真實情況下，各個因素之間都是相互影響的，很難保證獨立性。

而因素分析法所采用的是連續(xù)替代的方法，在計算下一個因素的貢獻時，會考慮到上一個因素的變化，可以有效地規(guī)避控制變量法中不獨立的問題，我們具體看一下如何操作。

首先，我們在上月GMV₀的基礎(chǔ)上，用本月的訪客數(shù)V₁替換V₀，接著再依次用T₁替換T₀，M₁替代M₀，可以得到：

上月GMV：GMV₀=V₀*T₀*M₀ ①

第一次替代V：V₁*T₀*M₀ ②

第二次替代T：V₁*T₁*M₀ ③

第三次替代M：V₁*T₁*M₁ ④

而每一次替代前后的變化，就是對應(yīng)因素的貢獻值，即：

Attr_V=②-①

Attr_T=③-②

Attr_M=④-③

GMV₁-GMV₀= Attr_V+ Attr_T+ Attr_M

2. 舉個栗子

下面，我們舉個實際的例子來熟悉一下上述方法。

假設(shè)9月和10月的數(shù)據(jù)如下：

那么，用因素分析法依次替代后的結(jié)果如下：

9月GMV：GMV₀=V₀*T₀*M₀=12w ①

第一次替代V：V₁*T₀*M₀=15*1%*60=9w ②

第二次替代T：V₁*T₁*M₀=15*2%*60=18w ③

第三次替代M：V₁*T₁*M₁=15*2%*70=21w ④

各因素的貢獻率分別為：

Attr_V=②-①=9-12=-3w

Attr_T=③-②=18-9=9w

Attr_M=④-③=21-18=3w

由此可見，10月的訪客數(shù)較上月有所減少，導(dǎo)致了3w元GMV的流失，但流量顯然更精準，轉(zhuǎn)化率明顯提升，且轉(zhuǎn)化率的貢獻最大，帶來了9w元的GMV增量，此外，流量質(zhì)量也較高，客單價有所上漲，帶來了3w元的GMV提升。

因此，后續(xù)應(yīng)該加強流量的引入，轉(zhuǎn)化率可以分渠道進一步分析，針對高轉(zhuǎn)化率的渠道進行重點運營，而客單價可以進一步分析是產(chǎn)品價格提升了，還是用戶買的產(chǎn)品數(shù)量更多了。

因素分析法的作用，就在于可以找到關(guān)鍵的正向或負向因素，當精力或資源有限時，可以有的放矢，重點解決關(guān)鍵問題。

3. 替代順序如何確定？

看到這里，不知道大家有沒有發(fā)現(xiàn)，如果改變一下替代的順序，各因素的貢獻值會發(fā)生變化，比如，如果先替換客單價，那客單價的貢獻值肯定跟上面的結(jié)果有所差異。

那么，我們應(yīng)該如何保證因素分析法的有效性呢？

因素分析法是建立在某種前置假設(shè)的邏輯之下的，既然無法將各因素割裂進行分析，那么就依次考慮各因素的疊加效應(yīng)，而這個次序需要遵循實際經(jīng)濟意義上的先后邏輯。

比如，以上述的訪客數(shù)、轉(zhuǎn)化率和客單價為例，自然是先有訪客到訪瀏覽，才會有下單轉(zhuǎn)化，之后才會產(chǎn)生交易金額。也即先得有人來，來了才會決定買不買，決定買了再看花多少錢買。

同樣，如果我們把GMV拆成價格*銷量，那么應(yīng)該先考慮價格的貢獻，再計算銷量的貢獻，因為是先定價，才會有銷量，而且銷量很大程度會受到價格的影響。

二、用戶分析：如何分析品牌認知差異？

網(wǎng)絡(luò)社交媒體和電商平臺中沉淀著大量的用戶反饋信息，通過輿情的挖掘分析，可以為品牌商提供多角度的參考建議，指導(dǎo)品牌商進行產(chǎn)品或服務(wù)的優(yōu)化。

很多品牌商都會定期找調(diào)研公司進行調(diào)研，從而了解用戶對品牌的認知，以指導(dǎo)下一階段的品牌形象建設(shè)或品牌差異化策略。

有很多調(diào)研的分析方法同樣適用于輿情的分析，接下來就分享其中的一種——對應(yīng)分析。

對應(yīng)分析(Correspondence analysis)也稱關(guān)聯(lián)分析，是一種多元相依變量統(tǒng)計分析技術(shù)，是通過分析由定性變量構(gòu)成的交互匯總表來揭示變量間的聯(lián)系。

簡單來講，其實就是先將各類變量放到一起進行相關(guān)性分析，把關(guān)聯(lián)度高的進行歸類，達到降維的效果，如將為二維（兩個分類），接著，再看各變量在這個二維空間中的位置，最終判斷變量間的關(guān)聯(lián)性。

對應(yīng)分析與因子分析的差異，就在于因子分析是針對一個變量中的值進行歸類，看的是相同變量的相似性，如老鷹和麻雀都可歸為鳥類，而對應(yīng)分析包括多個變量，還能看不同變量的關(guān)聯(lián)性，如老鷹（鳥類）與食物（鼠）的關(guān)聯(lián)度高，麻雀（鳥類）與谷類（食物）關(guān)聯(lián)度更高。

對應(yīng)分析的具體原理在此不做贅述，大家感興趣的話可以上網(wǎng)查閱，接下來，我們看一看實際的例子（數(shù)據(jù)都是我編的，如有雷同，應(yīng)該是抄我的）。

1. 基礎(chǔ)入門：簡單對應(yīng)分析

現(xiàn)在，假如我們將用戶的評論、反饋數(shù)據(jù)，通過切詞、歸類編碼后，得到以下數(shù)據(jù)表：

簡單對應(yīng)分析適用于兩個變量交叉分析，我們先選“品牌”和“認知”這兩個變量來進行對應(yīng)分析。

在很多分析工具中都有對應(yīng)分析的功能或程序包，我們以SPSS為例，在SPSS菜單中選擇【分析】-【降維】-【對應(yīng)分析】，選擇行列分別為“品牌”和“認知”，可以得到以下摘要表：

我們看到顯著性sig=0.000<0.01，卡方檢驗通過。

然后，觀察第一列“維”（也就是所謂的歸類）和后面的累積慣量比例，可以看到維1和維2加起來的累積慣量比例已經(jīng)達到99.5%，也即用這兩個維度已經(jīng)可以解釋“品牌”和“認知”這兩個變量中99.5%的信息。

接著，我們可以得到具體類別在這兩個維度上的得分，生成對應(yīng)分析圖如下：

通過對應(yīng)分析圖分析關(guān)聯(lián)性目前有多種方法，如向量分析、理想點與反理想點等。

這里我們用最簡單的觀察法進行定位分析，首先標出幾個品牌的位置，然后觀察品牌認知的形象詞與品牌的距離，距離越近，說明關(guān)聯(lián)程度越高。

至此，我們可以大致判斷出各品牌在消費者心目中的形象。

2. 進階拓展：多元對應(yīng)分析

簡單對應(yīng)分析比較直觀，但其缺點在于只能分析兩個變量。如果我們除了分析品牌形象以外，還想看看各類型用戶對于品牌認知的差異，那么就需要用到多元對應(yīng)分析。

在SPSS菜單中選擇【分析】-【降維】-【最優(yōu)尺度】，選擇分析變量為性別、年齡、品牌、認知，最終生成結(jié)果如下：

從圖中可以看到，50歲以上女性更偏好悠悠詩，她們覺得悠悠詩是“高端的”。40-50歲人群更偏好星七克和雀窩。

多元對應(yīng)分析的信息量相對較大，可以得到更豐富的解讀，但理解較為困難，可酌情選用適宜的方式進行分析。

三、產(chǎn)品運營：如何評估產(chǎn)品功能價值？

之前的文章中講到了評估產(chǎn)品使用廣度、深度和粘性的指標，用來監(jiān)控產(chǎn)品當前的使用狀況。

但該方法只能適用于產(chǎn)品上線之后的效果評估，而在實際工作中，產(chǎn)品經(jīng)理們還經(jīng)常遇到另一類更為頻繁且棘手的問題，那就是——沒有資源，排不上期！

需求總是呈井噴之勢，而資源始終是擠牙膏狀態(tài)，產(chǎn)品經(jīng)理平日做的最多的事就是進行需求評估，通過形(pai)而(nao)上(dai)的方法，將需求拍出，額，不對，排出優(yōu)先級。

那么問題來了，我們應(yīng)該怎樣進行優(yōu)先級的評估呢？

同樣，我們可以向傳統(tǒng)調(diào)研取取經(jīng)，接下來，就跟大家分享一個方法——Kano模型。

1. 理論基礎(chǔ)——雙因素理論

在講Kano模型之前，我們先熟悉一下這個模型的理論依據(jù)。

了解過組織行為學(xué)的同學(xué)對雙因素理論肯定不會陌生，雙因素即“保健因素”與“激勵因素”，美國行為科學(xué)家赫茨伯格認為，滿意的對立面并非不滿意，而是沒有很滿意，而不滿意的對立面也不是滿意，而是沒有不滿意。

一段繞口令后，我們舉個實際的例子，公司福利、公司政策、工作環(huán)境，這些因素容易引起員工的不滿，但如果滿足了這些基本條件，員工就會滿意了嗎？

這些在員工看來只是基本的“保健因素”，就像每天都能吃飽并不能使我們幸福一樣，而個人成就、社會認同、個人成長，才是能給員工帶來滿足感的“激勵因素”。

赫茨伯格認為“保健因素”來自于外部環(huán)境，而“激勵因素”是一種內(nèi)在激勵，馬斯洛底層的生理、安全和感情需要都可以認為是“保健因素”，而自我實現(xiàn)等高層需求屬于“激勵因素”。

說白了，放到產(chǎn)品的語境下，就是有的功能是必需的，但不能讓用戶爽，而有的功能真的可以讓用戶感到爽，激發(fā)用戶的“Aha Moment”。

2. 研究方法——Kano模型

Kano模型的底層邏輯和雙因素理論一樣，在做問卷調(diào)研時，一般會問正向和負向向兩個問題，即：

• 正向：有這個功能，你的態(tài)度
• 負向：去掉這個功能，你的態(tài)度

依照此方法，對于每一個功能，我們都可以收集并匯總統(tǒng)計用戶的態(tài)度數(shù)據(jù)。

基于上面的數(shù)據(jù)統(tǒng)計，可以進一步計算出Better-Worse系數(shù)，表示該功能可以增加滿意/消除不滿意的程度。

增加后的滿意系數(shù) ：（A+O）/(A+O+M+I)

消除后的不滿意系數(shù) ： -1*（O+M）/(A+O+M+I)

我們將所有功能的Better-Worse系數(shù)放到一張圖上，就可以對功能進行歸類分析了。以手機為例，構(gòu)建假數(shù)據(jù)制圖如下：

• 魅力因素：非必要需求，但可以給用戶意外驚喜。
• 期望因素：用戶很期望被滿足的需求，沒被滿足的話會很失望。
• 必備因素：必要的基礎(chǔ)需求，有的話很正常，但絕不能沒有。
• 無差異因素：用戶不太在乎，有沒有都無所謂。

通過象限圖我們可以看到，雙屏可折疊等黑科技非常吸人眼球，雖然不是必需的，但卻可以大大提升滿意度。

AI攝影、超長待機等功能屬于期望因素，跟用戶的滿意度有很大關(guān)系，所以很多手機品牌商不斷在攝影功能、待機時長上做文章。

高性能處理器、大尺寸、指紋識別已經(jīng)逐漸成為必備因素，這與行業(yè)的教育引導(dǎo)有關(guān)，當大家都習(xí)慣了用手機打游戲、看視頻，高性能、大尺寸自然會成為必要條件。

還有一些功能雖也有所創(chuàng)新，但比較雞肋，用戶不太關(guān)注，如type-c接口、無線快充。

Kano模型比較適用于產(chǎn)品的需求調(diào)研，無論是前端產(chǎn)品還是后端產(chǎn)品，先可基于定性訪談收集需求，再收斂需求進行定量調(diào)研。

針對期望因素和必備因素，需要重點維護及迭代優(yōu)化，而魅力因素屬于亮點功能，有時間精力可以逐步加大投入。對于無差異因素，應(yīng)當減少維護和運營的成本，甚至將功能下架。

每個功能所處的位置并不是靜態(tài)的，甚至往往會隨著時間推移發(fā)生很大的變化，就跟產(chǎn)品都有生命周期一樣，功能也會有自己的生命周期，定期運用Kano模型進行產(chǎn)品功能分析，可以幫助我們掌握需求變化，從而指導(dǎo)下一階段的產(chǎn)品升級。

#專欄作家#

Mr.墨嘰，公眾號：墨嘰說數(shù)據(jù)產(chǎn)品，人人都是產(chǎn)品經(jīng)理專欄作家。電商行業(yè)資深產(chǎn)品經(jīng)理，擅長策略構(gòu)建，數(shù)據(jù)分析。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議