作者｜接地氣的陳老師
來源｜接地氣學堂
要說資料分析裡，什麼方法最常用？當然是趨勢分析法。隻要和資料有關，幾乎每個人，時時刻刻都在用。很多同學一聽：“啥？還有這方法啊？我咋沒感覺到呢！”今天我們系統講解一下。
請聽題
下圖是本月1到8号的銷售業績走勢，看圖回答：
【判斷題】8号比7号的業績好，對不對
【判斷題】7号比6号的業績好，對不對
【判斷題】6号比5号的業績好，對不對
【判斷題】是以本月業績向好好，對不好
思考一秒鐘，估計一秒鐘不到，很多同學都能脫口而出答案了
1
趨勢分析法的做法
上題就是通過業績趨勢圖進行分析的直覺體驗。很多同學是不是脫口而出四個“對、對、對、對”。是滴，趨勢分析法的基本原理就是這麼簡單，幾乎是個人都會用。
第一步，明确一個名額是正向/負向。比如本題裡，銷售業績是個正向名額，肯定大家都希望銷售得越多越好。是以，正向名額一天比一天大，就是趨勢向好，一天比一天小，就是趨勢不好。
第二步，收集資料，觀察名額走勢。因為已經明确了“銷售名額越高越好”，是以隻要觀察資料就好了，我們看到一天比一天好，是以能下結論：銷售趨勢向好。下邊可以分析為啥銷售這麼好了。你看簡單吧，90%的網上文章、資料分析課都是這麼教的。
然而，這個回答是錯的。
因為根本沒考慮，到底是什麼行業、什麼産品的銷售業績。不同行業、産品的銷售，在一定時間内會呈現不同的銷售走勢。比如吃喝玩樂類銷售，往往集中在周末，會呈現以周為機關的周期性波動。比如3C類電子産品，新品上市是最火熱的時候，之後會呈現逐漸衰退的迹象。當銷售趨勢增加了時間次元後，才會呈現出規律性。
是以，這個題的前三問，都是“對、對、對”，第四問則是“不确定”。想要确定，還至少需要，在已經做的兩步工作基礎上，再多做兩步。
第三步，樹立趨勢标杆，建立判斷标準。樹立标杆的方法有兩種，如果自己熟悉這個行業，可以直接根據行業特點，畫出大緻走勢圖。如果不熟悉，可以把時間往前拖長，看之前幾周的趨勢。當然，想觀察趨勢，最好是畫出同比、環比、三年比三張圖。這樣看的最準，能最大程度的避免短期波動的影響（順便一提，也是為啥大家在做報表的時候，經常有同比、環比、三年比三個名額，并且分日、周、月三種口徑統計，就是為了避免短期影響，觀察趨勢是否正常）。
第四步，将現狀資料套入标杆，得出結論。如果我們已經樹立了标杆形态，套入文章開頭的題目的資料，馬上會有不一樣的解讀（如下圖）
是以，為啥有個名字叫“趨勢分析法”，而不是“我畫個折線圖，高了就是好，低了就是不好”。是因為即使畫個折線圖，想要不作出錯誤判斷，也得按規矩一步步來。這就是方法和随便玩玩的差別。而下邊我們會看到，随便玩玩，經常玩出問題來。
2
趨勢分析法的優點
趨勢分析法最大的好處，就是：省事！因為它無需任何理論基礎，無需任何專業知識，無需很多資料，隻要有一個結果資料，無論是正向還是負向，都能直接得出判斷。是以它是所有資料分析方法裡最先被總結出來，并且沿用了20多年的祖傳手藝。
要知道，在20年前，企業的數字化系統還在洪荒混沌狀态，那時候的職業經理們想做判斷，可沒有現在這麼多明細資料進行分析，于是隻能死磕利潤、成本、銷售額幾個結果資料。是以隻能死磕曲線走勢，你會發現60、70後的職業經理人，和85前的資料人，都對曲線走勢特别敏感，特别喜歡拖三年走勢，過往12個月的走勢之類資料看。
第二個好處：直接！還拿銷售舉例，很多輔助性活動，比如營銷活動、拉新裂變，到底對銷售有沒有用？不需要很複雜的漏鬥分析，隻要看一眼趨勢，立馬見效果。越簡單的方法，在評估結果時越靠譜！（如下圖）。
第三個好處：自帶标準。曲線走勢本身，可以成為判斷名額好壞的标準，除了上文說的自然周期/生命周期型标準，漲跌程度，也能成為判斷标準，這樣省去了大量找标準的時間。（如下圖）。
今時今日，這個方法也很好用。因為雖然我們有條件做ABtest，做漏鬥，做多元度交叉分析，但是每天、每時、每刻都讓你這麼搞，你試試看。且不說做資料的會累死，為了搞這麼多分析，要業務延遲上線，APP開發進度減緩，活動hold住去一個個做埋點、做測試，你問問業務幹不幹。是以大量正常的分析，依然要依靠日報、周報的資料做趨勢分析來滿足。
況且，每天、每時、每刻的資料變化，搞得業務神經過敏，嚷嚷着要深入分析，結果事後發現屁事沒有的情況：非常多！
3
趨勢分析法的不足
不足之一：神經過敏。三人成虎的效應，在趨勢分析裡非常常見。具體的如下圖所示。人們往往習慣于對：突發巨大的、連續幾次的、與前邊連續幾次不一樣的神經過敏。卻容易忽視更大的問題。
不足之二：混雜因素。趨勢分析在觀察因果效果的時候，無法處理混雜因素。在多個因素疊加的時候，是無法區分出來真正的關鍵影響因素的。
不足之三：亂用濫用。注意，趨勢分析是有前提的，在名額是結果名額，有明确的正向/負向判斷的時候，才可以使用。其他場景，比如活躍率、消費率這種比例，比率類名額，不能直接套用，比例/比率類名額得先看分子分母到底哪個引起的變化。比如：使用者注冊數、浏覽數這種不明确正負的，也不适合用，至少得跟轉化率連起來看。至于文章開頭所說的：看着高了就是好，低了就是不好，更是典型的亂用。
不足之四：缺少洞察。最最最經典的場景，就是炒股票。直接上圖，一看就懂。
因為本質上，趨勢是由背後的原因推動的。看趨勢，更得看背後的原因，而不是單純的看着結果走勢想當然。這也是我們為啥會研發出ABtest、漏鬥圖、多元度交叉對比等等方法的原因。我們需要簡單的方法短平快做決策，也需要更複雜的方法深入問題。
4
還有哪些祖傳方法
還有一些方法是資料分析領域的祖傳手藝。比如多元度交叉分析，如果是2維的話，就是矩陣法，如果3維以上，就是切割對比法。是滴，這些在網絡文章裡被吹得雲裡霧裡的各種“底層邏輯”“核心思想”其實一點都不神奇。都是基于具體場景、資料限制、業務需求所産生的方法。
一起學Java
一起學Python
------------------
如果覺得文章有點用的話，請毫不留情地素質三連吧，分享、點贊、在看、收藏，我不挑，因為這将是我寫作更多優質文章的最強動力。
往期精選（????猛戳可檢視）
1、抖音超火的九宮格視訊是如何生成的，Python 告訴你答案
2、十分鐘快速了解Pandas的常用操作！
3、整理了我開始分享學習筆記到現在超過250篇優質文章，涵蓋資料分析、爬蟲、機器學習等方面，别再說不知道該從哪開始，實戰哪裡找了
點我，了解Python訓練營！