|
数据分析除了找规律、看趋势外，发现数据异常也是分析中的常态内容。在我们平常的经营数据分析中，各种的销售营运、库存管理、会员分析的过程中都会发现很多异常数据，在你的工作中以下场景是否很常见：
1、为什么上个月的销售下滑了5%？
2、为什么东北区上周的会员流失率升高了？
3、为什么XX店铺的完成率是最后一名？
4、为什么XX店铺上个月的客单价下降了？
……
以上场景，都是发现了有数据异常的情况，那我们要怎样去分析？怎样回答这些问题呢？
大部分人可能的思维逻辑，都是直奔主题去找原因，直接就分析异常的原因，异常在哪些地方？其实这样的思维就不够立体化，得出的结果就可能是很片面的，甚至还可能会踩雷。以下就跟大家分享，发现数据异常后，应该用怎样的思维去进行分析：
为方便理解，这里先假设遇到的数据异常问题是：为什么XX店铺上个月的客单价下降了？
为了立体、全面地去分析一个问题，我们应该严格按照一种思维路径来走：
01、数据源是否有问题？
这一步十分关键，发现数据异常，一定要先问：数据源是否有问题？还记得我之前文章讲的，解读报告前也要先判断数据！如果数据源有问题，那就重新做数据源，重来！千万别急着往下分析，不然分析到最后才发现是数据源错了的话，那就尴尬了，时间也浪费了……
还有一种情况，指标的计算也要考虑业务场景。别小看客单价这么简单的这样一个指标，也是会容易算错的。我指的不是那种算器的这种算错，而是业务背景的算错：
我之前就遇到一个这种情况，某公司的一个区域市场，去年3月份的客单价2000块，今年3份的客单价1800元。也就是说客单价同比下滑了200元，于是大家开会讨论，七嘴八舌地就在找原因。而我那时候就先问了一句：“你这个数据有没有算错？”
当时就把那个做数据整理分析的助理给问懵了，他说客单价计算很简单：用3月份的成交金额/成交客户数。这是标准定义，非常清楚，怎么可能算错？然后我继续问他，在算这个指标，有没有考虑到业务场景？然后就把他给问住了，他不知道我说的业务场景是什么？
其实，在算这个客单价过程中，哪些场景因素可能会要影响到客单价算的正确性呢？假设去年同期发生过团购或者大宗购买，这种情况就会拉高你的客单价，那是非正常的一种销售行为。所以你在算客单价的时候，你需要把这种异常的销售数据剔除之后，我们才去算客单价，这样你算出来才是一种客观的数据。否则如果去年有团购，今年没有团购，这样的对比就是不对等的、没意义的！
最后重新整理数据源，把团购因素剔除后，结论居然还直接逆转了！去年的客单价还没今年的高，所以有的时候第1步很重要，大家务必要记得在分析前先判断数据，特别是要结合业务场景的方式，来判断数据尤其重要！
接下来就开始一步一步的界定问题了。
02、本品牌其他店铺有此问题吗？
假设数据源没任何问题，数据也没算错，去年客单价2000，今年客单价1800，这时我们能不能马上用人货场去分析原因呢？还不要急，继续要看本品牌其他门店有没有此问题？
拿出数据来看看......
现在是A品牌的001店出现客单价下降！你要先了解下，A品牌的其他店（如002、003、004…等店铺），看他们的客单价有没有下滑？如果其他店铺也有客单价下降的情况，这说明是一个品牌共性的问题。整个品牌的所有店铺的客单价都在下降，就不是某个店铺的问题了，这是需要将问题升级，去分析整个品牌出的问题。
所以分析要不断地去界定问题！还没有完，继续问：
03、本区域其他对手有此问题吗？
假设对比了本品牌旗下的其他店铺，发现其他店铺的客单价都没下降，就只有你这个店铺客单价下降了，这时还不能马上就用人货场分析。还继续要问：本区域其他对手有此问题吗？
首先你要明确竞争对手是谁？例如星巴克，它的对手可能就是太平洋咖啡、漫咖啡等等。这时要了解他们的客单价有没有下降的问题？
如果他们也下降，这说明什么？就说明是区域（商圈）出问题了，有可能是修地铁、装修呀等等原因。（具体原因要其他数据才能分析）反正就是界定了是区域共性的问题，而不单单是本品牌的问题。
这里注意如果第2步中界定问题是品牌共性，然后第3步又界定是区域共性，即这时的问题就升级了：品牌共性+区域共性 = 市场共性
如果是市场共性问题，这时就要导入PEST的分析逻辑，分别从政治(politics)，经济(economy)，社会(society)，技术(technology)四方面去导入数据判断趋势，最终找到原因了。（PEST是一个宏观分析的理论，这里不展开解释了，有兴趣的朋友可以自行百度学习）
04、导入人货场的分析逻辑
这里假设不是市场共性问题，同时如果竞争对手客单价没下降，本区域中也只是你品牌的客单价下降，这时我们就可以很确定地界定：就是你这个店铺出问题了！然后就可以导入人货场的分析逻辑了。
05、导入数据判断趋势
分别按人货场的逻辑，然后加入更多的数据进行辅助分析，界定问题。如你要加入各员工3月的销售数据，每个员工这几个月销售的趋势是如何……或者商品方面，TOP10商品是什么，和以往销售的商品有什么不一样？……
前一步（4）只是思维，这一步是根据这个思维用数据来量化处理，总之是用数据说话。
06、找到异常产生的原因
有了数据，很容易找到具体的原因。最后，通过比较了人货场各因素，结合了其他的数据判断趋势后，也许原因有可能是这样的：
1、老员工都离职了，新员工技能跟不上导致客单价下降
2、高质量的老顾客流失不少
3、畅销品，高价位货品缺货？
……
找出具体的原因后，然后就形成一种PDCA的管理闭环解决方案，就是针对具体的原因，按以下步骤开展工作：P (plan) 计划，D (Do) 执行，C (check) 检查，A (Action)调整。（这里不展开，具体大家可以百度学习）
如果把以上的步骤画成图的话，就是下图的这种效果了：
我们这次只是用一个零售店铺举例，对于其他行业、场景，如生产线、物流等都可以按这个流程来解读数据异常。提醒大家，发现数据异常绝对不可以不界定问题，直接去找结论。
大家可能会觉得很复杂，要耗费很多的时间，其实大家不需要担心。刚开始大家还没有形成自己的思维模式之前，一定要按照上图的思维模式一步一步往下去走。当你形成了自己的思维路径之后，其实有些步骤就可以节省很多时间的，有些步骤在你心里面一闪而过，你就大概知道是什么情况了。
最后给大家的建议，就是一定要多练，练得越多，这东西就越容易变成你自己的思维的一部分。这种思维逻辑会让你的思维变得更立体、全面，滴水不漏，而且深入业务，同时你解构业务问题也就上升到一个新的Level ！ | 
