第二类：矩阵式模型

矩阵式结构一般用于两个关键指标的分析，比如把收入成本摆在一起，对某个业务的投入产出情况进行分析，评价业务表现，发现问题点。

当然，实操的时候，收入、成本的形态会很复杂：

收入端：不同商品、不同客户、不同渠道、有没有促销叠加

成本端：变动成本、固定成本、前期投入的沉没成本

矩阵式模型的关键，在于：根据业务特点+业务目标，合理地划分收入/成本。

比如开店，如果仅评估当月经营情况，是不需要考虑沉没成本的。但考虑新开店计划，就必须考虑沉没成本的回收速度。比如促销活动评估，到底怎么核算收益，怎么估算自然增长率，哪些成本该算到活动里，需要结合活动形式具体考虑，很难用一套标准去硬套。

好消息是：很多公司的业务部门，只要埋头做自己的KPI就行，不需要考虑这些复杂问题。坏消息是：很多公司会直接把收入成本的评估丢给财务，而财务的同学不咋懂业务。于是分析做得很辛苦，做出来以后又会引发业务和财务的PK，总之没那么轻松交差。

第三类：循环式模型

比如商品的进销存管理，就是一个典型的循环式模型，只要商品没下架，就要持续进货→销售→盘点库存→再进货。类似的，比如用户运营，也是循环式结构，持续拉新→促活→转化→唤醒，保持用户群体的活力（如下图）。

在循环式结构中，数据指标相互影响，因此一般会选一个起点开始分析。比如商品进销存管理，可以：

1、先盘点库存

2、参考过去销量，预估未来销量

3、进行缺货情况判断

4、做出下架/补货决定

整个分析如下图方式展开。

在这个过程中，对未来的预测是最重要的，也是最复杂的。因为大部分商品销量不是一条直线，受到自然周期，生命周期，营销动作，产品竞争力，目标市场偏好等综合影响。这里有可能衍生出很复杂的分析。

第四类：逻辑树模型

逻辑树模型一般用来诊断问题。之所以叫“树”，是因为在诊断问题的时候，经常需要做“是XX原因，不是XX原因”的判断，这些判断逻辑写出来形同树枝。

比如要分析：为什么A店铺销量不达标。有一位同学提出：是因为A店的位置不好。那么他提出这个假设的时候，就默认了：不是因为A店的店长不行。此时写出来分析逻辑如下图所示（如下图）：

如果想进一步验证判断，就需要大量列举数据，支持结论。随着例子的增多，逻辑树也会越来越大（如下图）：

逻辑树模型有两个难点，第一个是：提出合理的假设。比如一提到收入下降，很多人会习惯性地扯“大环境不好”；提到成本升高，很多人习惯性扯“通货膨胀”。这些看似有理但过于宏大的假设，会误导分析方向，掩盖真实问题。

第二个难点，在于：找到足够多的证据。很多时候，单靠历史数据不能直接推导出结论，需要结合测试进行验证。比如上文提到的“店长能力不佳”，严格的做法，需要找同类门店，调换店长做测试。现实中，很多业务部门不愿意做额外测试，总是死守一种老方法。这样会错失找到问题关键的机会。

综上：想要做出好的业务分析，梳理清楚业务逻辑，清晰分析目标，提出合理的假设是必不可少的环节。

学习更多的数据运营课程：

【加入vip会员】：

—————— / 加入社群 / ——————

yujielin912）加入91运营社群，全年多场运营课等着你， 会运营的人都在这里了！

解锁更多运营课程和资料包返回搜狐，查看更多