細分思維可以説是數據分析最重要的思維，這也是一個看起來很簡單，想做好很難的技能。本文作者將從三層境界來分析細分思維，希望對你有幫助。
估計一半以上的數據分析師還在這個境界。
舉個例子，新用户數量下降了，怎麼分析？
理想情況：
一般的步驟就是拆解，從系統、地域、機型、版本等各種維度找新用户下降的原因，最後發現是某個版本出了問題。大功告成！
真實情況：
真實業務場景很少有這麼明顯的問題。往往是從各個不同的維度拆，最後找到一堆有差異的分類維度。每個維度看起來都有點道理，但是拼在一起只能把問題變得更加複雜。數據和業務人員大家開個會看了半天，發現一點用都沒有。
單一維度分析法是在分析初期，摸索業務現狀時經常用的分析方法。在實際分析中，一般不會用到單一維度的分析直接找到答案。
提高單一維度分析的效率，最好的辦法是根據業務問題有目的地選擇需要分析的維度。
比如新用户數量下降，一般可以通過兩個維度進行拆分。
第一種維度是新用户的來源，可以從各應用市場分析，看是全部下跌還是部分下跌。通過來源維度判斷問題的性質，如果是部分下跌，那麼可以重新定義問題。如果是全部下跌，就要深入分析為什麼全都下跌。
第二種維度是新用户來源的漏斗，從曝光到點擊到打開APP等不同步驟細分出不同的指標，找到分析轉化鏈路找到轉化的下降環節，這種增加過程指標的方式可以找到問題原因。
順便提一下，這兩種維度分別是從歸納法和演繹法的角度去思考。所以很多底層思維還是要多瞭解一下，指不定哪裏就出現了。
如果單一維度沒用，那自然就會想到用多個維度一起找原因。
問題：客單價下降，是哪部分用户下降？
理想情況：
先用單一維度一個個去拆分客單價，然後用差異明顯的維度組合起來看客單價差異。最後區分度大的維度強強聯手，整出了一個巨牛X的交叉維度。男性一線城市安卓機型的用户下降最明顯，數據和業務看了都説好～
真實情況：
大多數人認為的A維度有差異，B維度有差異，那麼A和B組合起來一定差異更大。這是一個非常錯誤的認識。
現實中也許A維度和B維度細分出來都沒啥區別，但是一組合區別就特別明顯。
比如將考試成績按照性別和科目分類，分為男生女生、理科文科。
按男女看，大家分數都差不多，平均分都是75分。
按照文科理科看，成績也差不多，也是75分。
但是兩者交叉之後，男生的理科高，文科低。而女生的文科高，理科低。
看到問題了吧，先用單一維度排查，再將有效的單一維度組合起來形成交叉維度的做法是不可行的，並不一定能找到真正有效的交叉維度。
有些同學説，這題還不簡單，我會，用暴力破解啊！
我對多個維度進行兩兩交叉，看兩兩交叉的維度有沒有差異不就行了。
話是這麼説沒錯，但是如果有10個維度，你兩兩分組的情況就有45種之多。如果是三個交叉分組呢？如果有20個維度呢？
用暴力破解的辦法，在真實的業務場景下，時間成本非常大。
那交叉維度該怎麼做呢？
要做好交叉維度的細分，必須先從業務邏輯入手，從業務邏輯梳理出合理的分類，再用數據區分各個分類。
舉個例子，投資類產品的運營人員希望對不同的用户進行精細化運營，希望數據分析師提供一下用户的分類維度。
這個時候，最好的辦法就是和業務方溝通幾次，看一下他們對用户的瞭解和一些假設。通過數據驗證假設要比自己從數據裏找出快速得多。
在細分維度時需要考慮具體的業務場景和運營手頭擁有的資源。
運營能打的牌其實很有限：持續提供的不同風險等級的理財產品，以及偶爾進行的讓利促銷活動。
所以我們能做的分組最好是能夠貼合運營手中的牌。我們可以把用户的風險偏好和用户的資金狀況進行交叉，得出一個矩陣，對矩陣不同象限的用户進行不同的運營動作。
有了思路，接下去就是思考如何用數據的方式區分高價值和低價值，以及用户的風險偏好問題。
這種維度往往都不在現有的數據庫中，需要數據分析師自己根據用户的屬性行為等數據計算出一個得分，再用得分進行劃分。
最高層的境界是能用理論指導實踐，創造新維度。
第二層境界的末尾，我們提到現實環境下的細分，很多時候是沒有現成的維度直接細分的，需要我們通過業務假設，先預設分類維度，再找出分類方法。
預設分類維度這個事，有時候和業務方溝通也很難得出好的方法。怎麼辦呢？
我們可以用理論指導實踐，聽着很玄乎是不是，別急，我舉個例子。
如果我們按照轉化的過程指標拆分，會得到一個轉化漏斗。我們一般是按照頁面跳轉的場景來做漏斗各層級之間的區分。比如從曝光到轉化一共有3個頁面，分別是廣告頁，落地頁，支付頁，那麼我們的漏斗一般也就是按照這樣三層設置的。
有沒有更好的細分方法？
我寫過一篇《轉化分析的一種新的漏斗模型》一文。文章以用户購買決策模型為理論指導，將用户的轉化細分維度從頁面跳轉改成了用户心理過程。
整個過程以心理學的研究理論為基礎，推演到業務場景中，再指導數據分析。
感興趣的朋友可以去讀一讀，這裏就不多説了。
還可以參考很多其他公司的成熟經驗，用別人的經驗套用在自己的業務上。
比如線下餐飲連鎖的管理，可以參考麥當勞的管理方式。麥當勞創造了一個“典型市場”的概念。
比如北京就有好幾種“典型市場”，北京王府井中心的店，和在巴黎市中心、紐約市中心的店就屬於同一個典型市場，開在北京郊區的店，就可能和山西大同或者泰國清邁一樣，屬於另一個典型市場。這種管理方式考慮了每家店的人流密度和商業價值，相比按城市劃分能更容易發現單店的問題。
如果有分析線下場景的分析師，就可以模仿這種方式，將單店從價值上進行分類，而不是簡單地分析華東區如何，華南區如何。
再比如用户分羣，細分的維度那麼多，選哪個入手？下圖就是騰訊的用户分羣步驟，如果做用户分羣可以按照上面的步驟模仿處理，能節約不少摸索的時間。
互聯網公司這類經驗分享很多，留意各種論壇和互聯網社區，只要你做的不是最前沿的領域，一般都能找到相應的經驗分享和成熟套路總結。
有很多細分衍生出來的方法，比如矩陣、RFM模型、漏斗分析等等，其實都算細分的方式。
很多同學入門數據分析，學了一些細分的文章，停留在第一層次甚至還不到第一層次。要做好細分，還是需要提高內功，多瞭解業務和核心邏輯。
三元方差，公眾號：三元方差（sanyuanfangcha），人人都是產品經理專欄作家。專注用數據驅動業務增長，擅長數據分析、用户增長。喜歡閲讀、思考和創作。
本文原創發佈於人人都是產品經理。未經許可，禁止轉載。
題圖來自Unsplash，基於CC0協議