本文是《数据分析基础方法与思维》专题的第二篇，上一次我们讲了数据分析方法里的基础方法——对比分析，今天我们要讲的也是数据分析中非常重要的思维方法——细分分析。
其实细分分析和对比分析一样，我们在生活中也会经常用到，也经常会被忽略。比如某次考试小明的名次很低，如果他的父母不懂细分，一定会不由分说地训斥小明，根本找不到小明成绩差的真实原因。
而如果他们懂得细分分析，应该怎么做呢？应该将名次的维度转化为科目，然后分析每个科目的成绩，也许会发现小明只有某个科目没有考好，再针对这个短板采取相应的策略，这就是细分分析的思想。
会员分析
其实在数据分析中，尤其是电商的分析，经常会对客户会员等进行细分以达到精准化营销，一方面细分客户，挖掘有潜在价值和潜在需求的客户，根据不同的会员生命周期划分层级，实现精准化营销；另一方面细分产品，找到产品和服务的不足，来提高用户的忠诚度和购买率，从而提高利润率。
至于细分具体在数据分析中怎么用，我们下面就好好说一说。
一、什么是细分分析？
如下图所示，我们放在数据库中的数据一定是多维的，当我们要提数的时候就可以按照不同的角度进行数据提取，但是多维度下的数据细节会被抹杀，无法具象地找到某个异常数据。
比如今年整体的销量情况很好，只有第二季度重庆的轮胎销量下降了，但是却不会体现在整个数据中，而如果想要分析这种数据细节，就要不断拆分指标和维度，也就是我们经常听到的钻取、切片、切块、旋转等。
只有通过细分，对多维度指标进行拆分，才能找到数据变化产生的原因，为数据分析决策提供基础。
二、细分分析的方法
1、拆分法
逐步拆分是细分中经常用到的方法，主要步骤就是按照分析维度和分析目标，由浅入深地逐步拆分指标，比如按地区逐步细分，中国可以细分为广东省、北京市、河北省等省市，广东省又可以细分为广州市、深圳市等，广州市还可以继续往下细分到各区、县等。
除了地区，我们还可以按照下面的指标进行拆分：
- 时间：按照不同时间、时间段进行拆分，目的是发现数据发展趋势；
- 渠道：按照不同来源进行拆分，主要是为了发现不同渠道的流量、产品差异性；
- 用户：用户细分比较常见，目的是寻找有价值、有潜力、购买力强的客户；
- 组成：比如搜索由搜索词组成，可以拆分不同搜索词；店铺流量由不用店铺产生，可以分拆不同的店铺。
以拆分法思维为基础的数据分析模型有很多，常用的就是杜邦模型、漏斗分析模型等等，这个下文会具体介绍。
2、交叉法
上面的拆分法是聚焦于某一个维度的纵向展开，比如时间、地区等；而交叉法则是利用了不同维度的交叉，通过横向维度和纵向维度的组合，类似于OLAP中的数据立方体，从而实现数据的扩展。
举个例子，我们要分析某个产品的销量情况，可以从用户、产品、时间三个维度进行分析，用户分析查看购买情况，产品分析查看销量情况，时间分析查看变动情况，这三个维度分贝代表了产品销售情况的某个特征，通过对这个特征进行可量化的标准，就可以多维地展示整体数据情况。
也就是说，拆分法聚焦于局部、一个维度、一个点，而交叉法聚焦于整体、多个维度、多个点，代表数据模型是RFM模型、四象限模型等。
三、细分分析常用的模型
1、漏斗分析模型
转化漏斗分析是业务分析的基本模型，最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。
漏斗的每一层，都有一定的容量。漏斗越往下，容量越小；而层与层之间的比例，就是传说中的转化率，到了最底层，就是收入。
所以，要提高最终的收入，原理很简单，就是把每一层的容量都扩大，或者，把下钻的转化率给提高。作为增长黑客的你，首先要学会去用数据去判断，哪个地方的容量太小，或转化率太低，然后再去制定方案进行针对性提高。
2、RFM模型
R是指用户的最近一次消费时间，F是指用户下单频率，M是指用户消费金额。
而RFM模型就是通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标，来描述该客户的价值状况。
主要步骤如下：
（1）人群划分
第一步是按照企业实际业务需求客户群进行分类，人群细分参考的属性主要分为三大类：基础属性：如性别、年龄、地域；兴趣属性：如媒体偏好、交易行为；自定义属性：基于行业的特征定义的属性
（2）明确指标
也就是通过excel或者BI工具计算出每个客户的RFM指标，这里我用的是FineBI，通过客户名称、消费时间、消费金额来处理出上次交易间隔R、交易频率F、交易金额M三个原始字段。
（3）切分指标
因为我们要把用户按照三个维度指标进行划分，也就相当于将用户放到下面这个正方体中：
因此我们要对指标进行切分，设定阈值，也就是为指标设定正负值，确保三个指标将用户分为八个象限。通常比较常用的方法就是等频和等宽进行切分，比如将用户购买花费进行平均值计算，然后将M值一分两半，大于平均值的就是愿意花大钱买产品的用户，这就是我们的重要客户。
比如我们将用户的R、F、M值分别进行平均值划分，在FineBI中只需要点击“组内平均值计算”就可以实现了：
（4）用户分类
我们将三个指标分别进行划分后，按照下图的方式进行组合，就可以得到八个象限，代表8类客户：
这样我们的用户细分就完成了
（5）可视化分析
利用FineBI对客户进行细分，可以将其制作成可视化数据分析模板，以便我们按照需求进行客户分析。
