每天麻木地更新，发出来也没人看，需要数的时候还是临时取数？
因为光有数据，没用配解读数据的方法！
数字要读出含义才有价值。结构分析法，就是解读数据的一种简单、快捷的方法，也是数据分析师的祖传手艺。
从人见人厌的平均数说起
人们天生讨厌平均数，总觉得用平均数很扯淡，有种“我和姚明平均身高，有毛用”的感觉。但是反问：为啥平均数这么不好用，但是大家还喜欢用呢？
因为：方便。
举个最简单的例子：
已知1：客户需要5万件产品
已知2：生产线平均每天生产5千件
问：需要生产几天
答：10天
虽然可能实际上是一天4879件，但是无所谓，这点偏差并不影响整体决策。用平均数来计算数量，安排人力物力，分配资源预计进度，都是很方便的。特别是在供应链一侧，生产能力、物资消耗、配送时间，是相对固定的，波动不大。因此非常好用。
但在营销侧，情况就变了。
营销侧更流行二八法则：
- 20%客户贡献80%收入
- 20%产品创造80%利润
- 20%销售赢得80%订单
这种情况非常普
因此，当业务数据很均衡、稳定的时候，可以直接上平均数，当业务数据分布差异巨大的时候，就得看分布结构了，这就是结构分析法的起源：去平均化，发现内部问题（如下图）。
结构分析法如何做
结构分析法的做法：
第一步：明确对象。
要观察结构的目标，是用户、商品、渠道、产品……选好目标。
第二步：找到指标。
比如已选定观察用户，再定清楚，要观察的是用户的付费、活跃、注册时间、区域分析……哪个指标。这里特备要杜绝面面俱到。整得太复杂，不但提取数据很麻烦，看数据的人也没心思看。最好抓核心指标。
第三步：分层观察。
一讲到观察，做数据的同学们习惯性想到箱型图。没错，箱型图是观察结构的方法——但是业务部门看不懂呀。想要解放人力，方法越直观越好。因此推荐用下边两种分法，一眼就看明白。
第四步：总结形态。
还拿用户结构举例，我们的用户是大R型，还是大DAU型。直接决定了后续运营方向：是继续大量淘沙，还是小火慢炖，服务好大多数人。
同时，如果已经有业务上的标杆，标杆的结构，可以作为判断依据。
- 我们希望发展高端用户，所以A类用户占比必须到20%
- 我们的标杆门店，A类用户占比就是20%，所以其他店也要做到20%！
- 我们的商业模式就是大浪淘沙，所以每批新用户中A类用户占比必须为20%
这种简单直接的判断，对于提高日常报表使用率，非常有用！
结构分析法如何用
使用场景1：快速理解陌生的用户/商品/渠道情况。
- 比如实体企业，到一个地方巡店，看客户结构，看商品陈列比例
- 比如互联网企业，看渠道流量时间分布，看转化人数
都是只用几个指标，能快速反推整体情况，发现问题，这样的工作效率非常高。
使用场景2：监测用户/商品/渠道健康度变化
- 对稳定的业务而言，没事发生就是好事，稳定的结构代表问题不大
- 对新增业务而言，越快贴近理想结构，发展越好
这样有了明确的标准，就不会因为短期波动而纠结，集中精力办大事。
使用场景3：监测重大政策上线效果
- 对内部观察：是否政策起到正向推动
- 对外部观察：是否引发关键群体的波动
这样能利用常规报表，快速锁定问题点，后续也不用拖一堆无关维度出来交叉交叉再交叉，应急的时候响应速度更快。
以上工作完全可以靠常规报表搞掂，不需要临时取数，不需要额外占用数据分析师的时间。因此非常好使唤。
小结
类似的方法，还有矩阵分析法、趋势分析法、漏斗分析法。这些方法的共同点，就是：用一组有逻辑的指标，树立清晰的标杆，长期监控业务变化，从而快速得出结论。这些方法再和报表结合，就能极大提升工作效率。业务部门能定位到问题，数据分析师能解放工作量，这样才能做更深入的分析。
有趣的是，现在市面上流行的做法：
问：你要怎么分析DAU下降30%呀？
答：从基本特征、来源渠道，DOU/DNU等等维度拆拆拆，肯定能拆到某两个柱子差异好大，就是它了。
这样的做法是很有问题的。
- 只看时间点，不看走势
- 只看重大变化，不看细微发展
- 不找关键维度，闭着眼一个个试
- 不用固定指标，非整一堆细节指标
这样只会增加大量无效劳动，让业务养成“不看报表，只打电话”的坏习惯。
- “喂，为啥又涨了呀”
- “喂，为啥又跌了呀”
- “喂，为啥涨了又跌呀”
- “喂，为啥跌了又涨又跌呀”
- ……
每天忙着处理这种琐碎问题，啥深入分析，啥建模都别想了。
所以想解放精力，就得把监测体系建好，多利用这种短平快的小方法，多利用固定指标体系和查找机制，这样才能高效率运转。
