今天分享九大数据分析方法系列：矩阵分析法。矩阵分析法是在各路数据分析文章中，出现频率最高的词。甚至有不懂行的小白把它捧到“核心思维”，“底层逻辑”的高度。哈哈，才没有那么神呢。
一、矩阵分析法是干什么的？
数据分析领域，有一个简单，但非常致命的核心问题：“到底指标是多少，才算好？”为了这个问题，公司里经常吵成一团。矩阵分析法就是试图解决这个问题。它的逻辑非常简单：比平均值高，就算好！
很多小伙伴会惊呼：这也太简单粗暴了！
可是，如果大家仔细想想，用平均值非常合理：
理解上简单：中位数、众数、四分位数，都太抽象了，不细想都不知道是啥
计算上方便：AVERAGE函数是所有开发工具标配，太好用了。
使用时方便：比如销售人均产值1万，那100万业绩，招100个人就够啦！
相比之下，告诉你销售团队的中位数/众数是1万，问需要多少人能做出100业绩？根本回答不了。所以平均值就是好用！
二、如何构造一个矩阵？
既然用平均值就可以了，为什么还要做矩阵呢？因为单纯靠一个指标，不能充分评价好坏。比如考核销售，如果只考核销售业绩。那销售们很可能倾向于卖利润很低的引流型产品。那种利润高，价格高，不容易卖的利润型产品，就没人卖了。最后销售卖越多，公司支付给销售提成越多，公司利润反而下降了！
此时就需要引入两个指标来考核：
销售业绩
销售利润
这样两个指标交叉，就有四种情况和对应的建议（如下图）。
如果把两个指标一纵一横的放，就构成了一个矩阵（如下图）。
这样矩阵就画好啦！矩阵分析法的最大优势，在于直观易懂。可以很容易从两个指标的交叉对比中发现问题。特别是当这两个指标是投入/成本指标的时候，成本高+收入低，成本低+收入与高两个类别，能直接为业务指示出改进方向，因此极大避免了“不知道如何评价好坏”的问题。
很多咨询公司都喜欢用这种方法，类似KANO模型或者波士顿矩阵，本质就是找到了两个很好的评价指标，通过两指标交叉构造矩阵，对业务分类。分类的区分效果很好，就广为流传了（如下图）。
了解了原理以后，我们可以自己动手做一个矩阵哦，构造矩阵是很简单的事，只要找两个评价指标，之后各自取均值，就能进行分类了。
三、矩阵分析法简单例子
举个简单的例子，一个销售团队，10名销售一个月内开发的客户数量，产生的总业绩如下图所示。用矩阵分析法的话：
第一步：先对客户数量、业绩求平均值
第二步：利用平均值，对每个销售人员的客户数量、业绩进行分类
第三步：区分出多客户+高业绩，少客户+高业绩，多客户+低业绩，少客户+低业绩四类
这样就完成分类啦。
而且，还能对这四类起四个好听的名字，比如：
多客户+高业绩：均衡型（或者叫：两手都抓型）
多客户+少业绩：摆小摊型，像摆小摊一样，虽然人多，但是挣不到几个钱
少客户+高业绩：吃大户型，抓住几个大户猛吃……
少客户+少业绩：待发展型（或者叫：哪头都不行……）
用散点图，能直观的标识出这种分布：
后续，还能类似波士顿矩阵一样，比如建议吃大户型，不许歧视散客，增加客户数量。或者建议摆小摊型提升识别高价值用户能力等等。
四、矩阵分析法应用范围
有两个场景，是不适合用矩阵分析法的。
其一：有极大/极小值影响了平均值的时候。比如下图，看似销售们平均业绩是100 但是头部的3个高手，业绩占了57%，其他17个人都是陪衬。
此时，矩阵分析法的基础：平均值，已经不具有区分能力。也不能简单地认为：20个人能做100万，那40个人就能做200万。想做到200万，需要再找到几个高手，而不是一帮咸鱼。一般出现极大/极小值的时候，可以用：分层分析法。
其二：两个指标高度相关的时候。比如下图，用户消费金额与消费频次，两个指标天生高度相关。此时可以用散点图，强行做矩阵，但是会发现左上，右下两个区域几乎没有数据，所有的点，都集中在一条线上。
此时矩阵分析法的业务解读能力接近0，因此不适用了。一般出现高度相关的时候，需要用：相关分析法。
– END –
本文为转载分享&推荐阅读，若侵权请联系后台删除
-------------------------------------
长按识别下方二维码，并关注公众号
1.回复“PY”领取1GB Python数据分析资料
2.回复“BG”领取3GB 名企数据分析报告
