矩阵分析是在各种数据分析文章中出现频率高的词

今天，我将继续分享九大系列数据分析方法:矩阵分析矩阵分析是在各种数据分析文章中出现频率最高的词即使是一个不知道怎么做的小白也会坚持下去，核心思维底层逻辑的高度哈哈，没那么神

一，矩阵分析是干什么的。

在数据分析领域，有一个简单却致命的核心问题:目标是什么，好不好对于这个问题，公司经常吵架矩阵分析就是解决这个问题的一种尝试

很多朋友会惊呼:这太简单粗暴了！

但是，如果你仔细想想，使用平均值是非常合理的:

理解简单:中位数，众数，四分位数太抽象，不仔细考虑就知道是什么。

计算便利性:AVERAGE函数是所有开发工具的标准，非常容易使用。

好用:比如销售人均产值1万，100万成就招100人就够了！

相比之下，告诉你销售团队的中位数/模式是1万，问需要多少人才能做出100个成绩完全无法回答

二，如何构造矩阵。

既然用平均值就可以了，为什么还要做矩阵呢因为单纯依靠一个指标是无法全面评价好坏的例如，如果您只评估销售业绩卖家很可能倾向于销售低利润的排水产品那种利润导向的高利润，高价格的产品，不好卖，就不卖

此时，有必要引入两个指标进行评估:

销售业绩销售利润。

当这两个指标交叉时，有四种情况和相应的建议。

如果你把两个指标垂直和水平放置，你将形成一个矩阵。

这样矩阵就画出来了！矩阵分析最大的优点是直观易懂从两个指标的交叉比较中很容易发现问题特别是当这两个指标是投入/成本指标时，高成本低收益，低成本高收益两大类可以直接为业务指明改进方向，从而大大避免不知道如何评价好与坏的关系，这个问题

很多咨询公司都喜欢用这种方法，类似于KANO模型或者波士顿矩阵本质上，他们找到了两个很好的评价指标，并通过矩阵的交叉构建，可以对商家进行分类分类效果很好，所以传播很广

了解原理后，我们可以自己做一个矩阵构造矩阵非常简单我们只需要找到两个评价指标，然后取每个指标的平均值，就可以进行分类了

三，矩阵分析的简单例子。

举一个简单的例子，一个销售团队，有10个客户在一个月内销售，产生如下图所示的总性能。用矩阵分析的话说:

第一步:平均客户数量和业绩，第二步:用平均值对每个销售人员的客户数量和业绩进行分类，第三步:区分四类:多客户高性能，少客户高性能，多客户低性能，少客户低性能。

这就完成了分类。

此外，您可以给这四个类别起四个好听的名字，例如:

多客户高表现:均衡多客户低表现:摆摊，喜欢摆摊，虽然人多，赚不了几个钱，但少客户高表现:吃一个大公寓，抓几个大户吃helliphellip客户少业绩少:待开发

使用散点图，可以直观地识别这种分布:

后续可以类似波士顿矩阵，比如建议吃大户型，不歧视个人客户，增加客户数量或者建议摆摊提高识别高价值用户的能力等等

四，矩阵分析的应用范围。

有两种情况不适合矩阵分析。

首先，当最大/最小值影响平均值时。例如，下图中，似乎平均值

这时矩阵分析的基础:平均值没有分辨能力也不能简单地认为20个人能赚100万，而40个人能赚200万想要达到200万元，需要多找几个高手，而不是一堆咸鱼通常，当存在最大值/最小值时，可以使用分层分析方法

第二，当两个指标高度相关时比如下图中，用户的消费金额和消费频率内在高度相关这时可以用散点图用力做一个矩阵，但会发现左上右下区域几乎没有数据，所有的点都集中在一条线上

此时矩阵分析的业务解释能力接近0，不适用一般当相关度较高时，就要用到:相关性分析