[[422324]]

大家好，我是愛學習的小xiong熊妹。

有小伙伴問：能不能系統介紹下數據分析方法。今天它來啦！數據分析常用的方法有九種，今天先介紹第一種，操作上最簡單的：周期性分析法。它是新人們避免犯小白錯誤的最好方法。

做數據的新人最容易犯啥錯？當然是一張嘴就被大家笑話：連這個常識都沒有！

所謂的常識，很大一部分是周期性變化：到了這個時間，就會出這種事。周期性分析，主要是從日常雜亂的數據中，發現會周期性出現的規律，從而避免上述問題。常見的周期包括兩種：自然周期/生命周期。

所謂自然周期，是指業務指標隨著時間自然發生波動，比如上邊吐槽的“2月份業績自然少”，這是因為2月份過年，大家都放假了，業績肯定少呀。

類似地：

吃喝玩樂類的消費，一般周六、周日比較多，這時候才有空出來玩。

企業間交易，一般工作日高，周末很低。大家都放假了誰還辦公呀。

雪糕冰棍冰淇淋類商品，一般夏季是旺季，冬季是淡季

帽子手套暖手寶類商品，一般冬季是旺季，夏季是淡季

這些是比較直觀的例子。需要注意的是，所謂的自然周期，對不同業務而言是不一樣的，切不可混為一談哦。

但是很多時候，自然周期表現并不直觀，隱藏在日常起起伏伏的數據里。這時候就需要我們手動發現周期規律。比如比如一個公眾號的閱讀人數走勢，可能如下圖

一眼看過去，是不是彎彎曲曲，毫無規律可言?

這就需要手動做區分。為了更好的區分，一般取6個月的，每日的數據。因為六個月的時間，一般能涵蓋2個季度，能觀察出季節性變化。

同時，每日數據，能觀察出每周是否有規律和每月是否有規律。不過上邊例子只給個2個月的數據，那就湊合著用。

從上例蜿蜒起伏的波折里可以直接看出：沒有明顯的月規律。一般有月規律的數據會如下圖所示（如下圖）因此可以進一步觀察，是否有周規律。

想看周規律，需要把數據做一下處理（如下圖），把6個完整周的數據，從周一到周日對齊。之后做折線圖，更容易觀察出周規律。

處理過以后，可以看出：卻有周規律變化，表現為：周一至周六逐步降低，周日反彈。如果把每周一到周日的數據做平均數，就能畫出周規律曲線（如下圖）

這里有很多明顯不符合走勢的點。這很正常，因為公眾號發文也是有分類的，如果是賣東西的文章閱讀就很低，派福利、抽獎類的閱讀就高一點，搞標題黨的《震驚！》《大廠！》《字jie！》的閱讀就很高。所以除了日期，也和文章類型有關。

周期性分析，主要目的是做出一個參考曲線，為進一步判斷提供依據。進而避免：“為啥周六閱讀那么低呀！”這種低級小白問題。之后再結合內容標簽，做進一步的分析。

比如上例中，第三周周一、周二是明顯異常點。如果沒有做標簽，就會直接報警：“本周連續2天異常！請注意！”但是做了標簽，如果發現周一發了賣貨文（原本就該低）周二則是標題黨（原本就該高）則不需要大驚小怪了。

還有一種周期是生命周期走勢。比如一個活動上線，剛上線的時候肯定參與人很多，之后感興趣的都參與過了，不感興趣的都不參與了，因此人越來越少。這樣就會出現如下圖的走勢。

注意：要發現生命周期走勢，統計數據，是從一個業務開始的時候進行統計的，之后往后數：第1天/第2天/第3天……或者第1個月/第2個月/第3個月

生命周期走勢有很多經典的運用。比如一款新商品上市，其銷量和上市時間，經常有如下關系，因此被稱為“商品生命周期”。類似的，還有“APP生命周期”“用戶生命周期”的說法，都是一個時間軸+指標走勢組合出來的。后續有機會再跟小伙伴們一一分享。

以上就是今天的分享。周期性分析看起來很簡單，因為它主要是用來做參考線的，為后續各種分析方法鋪路。很多復雜的分析，比如數據監控模型、數據預警模型、數據驅動決策，也是以周期性曲線為參照，所以小伙伴們先掌握基礎方法，再循序漸進哦。今天的分享就到這里，謝謝大家！