專業的分析方法舉例

1. 如何有效地分析問題能舉個簡單的例子嗎

分析問題的方法有很多種，明叔在這里介紹幾種能最快學以致用的分析法： 第一種：電工法 復盤目標達成中的各個環節，將問題范圍逐漸縮小，從而確定問題發生的環節在哪裡。

昨天我在編輯上一篇文章時，我遇到了這樣的問題：我在微信編輯器中將文章編輯完成後點擊保存時，彈窗提醒我文章中存在敏感關鍵字，有可能造成審核無法通過，但是我通讀文章並修改幾個可能觸發敏感關鍵詞的語句後，仍然有這個提示。於是我採取這樣的方法：我將全文剪切了二分之一，只留下一半的上文，此時點保存發現可以正常保存，那麼知道觸發關鍵詞的語句是在文章的下半部分，然後我繼續用同樣的辦法，每次檢驗剩餘文章的二分之一，不斷的縮短關鍵詞的范圍，最終找到了問題關鍵詞的地方。在分析一般問題上，這個方法能夠方便又有效地幫助我們確定問題所在，與排除法有著異曲同工之妙，排除法在於將假命題進行排除，最後留下正確的答案，電工法與之相反，通過不斷的排除正確選項以接近問題點。第二種：類比法 類比法是將一類事物的某些相同方面進行比較，以另一事物的正確或錯誤證明這一事物的正確或錯誤，這是運用類比推理形式進行論證。簡單說就是用一個已知的相似案例，對照現存案例來獲得問題的解釋。這里舉個生活中常見的案例：通過遙控器控制家裡的空調時突然失靈了，而上次家裡遙控電視機失靈時，發現是因為遙控器沒有電了所以失靈，那麼這次空調失靈也可能是因為沒電而導致的。這樣的一個分析過程就是類比分析法。要提高類比結論的可靠程度，就要盡可能地確認對象間的相同點。相同點越多，結論的可靠性程度就越大，因為對象間的相同點越多，二者的關聯度就會越大，結論就可能越可靠。第三種：極端法 即將現有問題在想像中進行無限放大或縮小，看看在極端情況下會有什麼不同的看法。在劉潤的5分鍾商學院中，有一期談到了非常著名的「三門問題」（如果你已經了解這個問題，你可以跳過這段）假設你參加一個了能上台抽獎的機會，主持人告訴你這里有A、B、C三個門，而其中一個門後面有一輛豪車，只要猜對了豪車在哪一扇門後面，車就歸你了，這種情況下，選中豪車的概率是三分之一。如果你選了B後，主持人打開了另外兩扇門中的一扇空門A，主持人給你一個改變選擇的機會，你是堅持原來的選擇，還是選擇另一扇們呢？ 在第一直覺下，我們會認為所有選擇的概率都是三分之一，換與不換不存在區別，但是我們用極端法進行分析的話：如果不是三扇門，而是一共有一萬扇門時候，你是會選擇萬里挑一的那扇門，還是選擇被9998扇們過濾後剩下的那扇門呢？ 這一下我們就明白了，此時換一扇門的中獎概率，是高於不換的，而且實際上在只有三扇門的情況下，換門後的中獎概率會上升一倍。極端法算是一種另闢蹊徑的分析方法，在某些問題前，直覺往往會優先於思維對事物給出判斷，比如在三門問題中很多人會陷入怪圈，直覺下認為幾率是三分之一，而運用極端法就能將問題點極端凸顯，直到打破直覺怪圈。第四種：試錯法 這個應該很好理解，就是不斷地嘗試和驗證結果，直到找到正確的解法。可以說試錯法是最愚蠢，卻也是最簡單有效的分析法，而且試錯法有一個關鍵性的優點，擁有很少或是沒有信息的情況下進行，特別其他分析法都無法奏效情況下，唯有試錯法可以進行分析。這個分析法還有一個特別出名的代言人：李時珍，我們都知道李時珍嘗百草編《本草綱目》的故事，在當時缺乏對草葯屬性信息的情況下，李時珍就是用不斷的親身試葯，分析每一種草葯的葯性和毒性，為後人留下這本鴻篇巨制。當我們面對一個新問題的時候，通過不斷的試驗和消除誤差，最終接近所求的答案。第五點：思維導圖 思維導圖是一個非常實用的思考工具和助記工具。總得來說思維導圖就是幫助我們思考，記憶，並給每個信息點之間建立關聯。首先是記憶，在分析復雜問題過程中，如果僅靠大腦記憶，很難記住所有的問題點，會造成分析過程存在漏洞，影響分析結果。當我們藉助思維導圖進行分析時候，不僅是能對分析過程進行完整的梳理，也能記錄整個分析過程。其次是思考，當我們在閱讀一本書的時候，如果我們只是看書上的文字，做點簡單的標記，很多時候會進入一個只認字不思考的狀態。但是如果我們有個任務就是要不斷完善這個思維導圖，那麼這個過程其實就是強迫自己思考書中的內容，讓其在我們的圖中相互交織，並有自己的特色。思維導圖的特點就是信息的圖形化。將分析問題的過程由記憶和思考兩個行為，簡化為看圖思考，當看著一張邏輯清晰，信息明了的思維導圖時， 分析問題瞬間就變得簡單了許多。下次再遇到問題，學會運用系統而專業的上面這幾招進行分析，明叔保證你會發現，問題其實一點都不可怕，抽絲剝繭的分析過程甚至能體會到做偵探的快感。本文總結 1、所有的分析必須有嚴謹的分析邏輯。2、所有找出來的問題都應該有方法去實踐驗證。3、應該建立警報系統，當出現問題就知道哪裡有問題。4、分析是解決問題的基礎，要重視與堅持。還有一點非常重要，那就是不斷地擴大提高自己的知識領域和認知水平，而提高知識和認知水平最有效的方法，除了閱讀就是不斷地和各種知識領域的人進行語言交流思維碰撞。什麼是問題？什麼是分析？ 大家應該都讀過這樣一個故事：1923年，美國福特公司的一台大型電機出現故障，公司請德國機電專家施坦敏茨幫忙。只見他看看轉轉，寫寫算算，兩天以後，他在電機上部畫了一條線，讓修理工把畫線部位裡面的線圈減少16圈，故障很快就排除了。事後，施坦敏茨收取修理費10000美元。他在收款單上寫明：用粉筆一條線，1美元，知道在哪裡畫線，9999美元。我們這樣定義問題：阻礙目標達成的關鍵點，就是問題。例如在上面這個案例中，阻礙大型機電正常運作的故障就是問題。那麼，尋找問題的這個過程，我們就稱之為分析。

2. 數據分析方法

常見的分析方法有：分類分析，矩陣分析，漏斗分析，相關分析，邏輯樹分析，趨勢分析，行為軌跡分析，等等。 我用HR的工作來舉例，說明上面這些分析要怎麼做，才能得出洞見。

01） 分類分析
比如分成不同部門、不同崗位層級、不同年齡段，來分析人才流失率。比如發現某個部門流失率特別高，那麼就可以去分析。

02） 矩陣分析
比如公司有價值觀和能力的考核，那麼可以把考核結果做出矩陣圖，能力強價值匹配的員工、能力強價值不匹配的員工、能力弱價值匹配的員工、能力弱價值不匹配的員工各佔多少比例，從而發現公司的人才健康度。

03） 漏斗分析
比如記錄招聘數據，投遞簡歷、通過初篩、通過一面、通過二面、通過終面、接下Offer、成功入職、通過試用期，這就是一個完整的招聘漏斗，從數據中，可以看到哪個環節還可以優化。

04） 相關分析
比如公司各個分店的人才流失率差異較大，那麼可以把各個分店的員工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、員工年齡、管理人員年齡等）要素進行相關性分析，找到最能夠挽留員工的關鍵因素。

05） 邏輯樹分析
比如近期發現員工的滿意度有所降低，那麼就進行拆解，滿意度跟薪酬、福利、職業發展、工作氛圍有關，然後薪酬分為基本薪資和獎金，這樣層層拆解，找出滿意度各個影響因素裡面的變化因素，從而得出洞見。

06） 趨勢分析
比如人才流失率過去12個月的變化趨勢。

07）行為軌跡分析
比如跟蹤一個銷售人員的行為軌跡，從入職、到開始產生業績、到業績快速增長、到疲憊期、到逐漸穩定。

3. 16種常用的數據分析方法-因子分析

因子分析法是指從研究指標相關矩陣內部的依賴關系出發，把一些信息重疊、具有錯綜復雜關系的變數歸結為少數幾個不相關的綜合因子的一種多元統計分析方法。 

是一種旨在尋找隱藏在多變數數據中、無法直接觀察到卻影響或支配可測變數的潛在因子、並估計潛在因子對可測變數的影響程度以及潛在因子之間的相關性的一種多元統計分析方法

基本思想

根據相關性大小把變數分組，使得同組內的變數之間相關性較高，但不同組的變數不相關或相關性較低，每組變數代表一個基本結構一即公共因子。

為什麼做因子分析

舉例說明：在實際門店問題中，往往我們會選擇潛力最大的門店作為領航店，以此為樣板，實現業績和利潤的突破及未來新店的標桿。選擇領航店過程中我們要注重很多因素，比如：

↘所在小區的房價

↘總面積

↘戶主年齡分布

↘小區戶數

↘門店面積

↘2公里范圍內競爭門店數量等

收集到所有的這些數據雖然能夠全面、精準的確定領航店的入選標准，但實際建模時這些變數未必能夠發揮出預期的作用。主要體現兩方面：計算量的問題；變數間的相關性問題。

這時，最簡單直接的方案就是削減變數個數，確定主要變數，因子分析以最少的信息丟失為前提，將眾多的原有變數綜合成少數的綜合指標。

因子分析特點

因子個數遠小於變數個數；

能夠反應原變數的絕大數信息；

因子之間的線性關系不顯著；

因子具有命名解釋性

因子分析步驟

1.原有變數是否能夠進行因子分析；

2.提取因子；

3.因子的命名解釋；

4.計算因子得分；五、綜合評價

因子與主成分分析的區別

相同：都能夠起到處理多個原始變數內在結構關系的作用

不同：主成分分析重在綜合原始變適的信息.而因子分析重在解釋原始變數間的關系，是比主成分分析更深入的一種多元統計方法

因子分析可以看做是優化後的主成分分析，兩種方法有很多共通的地方，但應用方面各有側重。

因子分析應用場景

因子分析方法主要用於三種場景，分別是：

l 信息濃縮 ：將多個分析項濃縮成幾個關鍵概括性指標。比如將多個問卷題濃縮成幾個指標。如果偏重信息濃縮且關注指標與分析項對應關系，使用因子分析更為適合。

l 權重計算 ：利用方差解釋率值計算各概括性指標的權重。在信息濃縮的基礎上，可進一步計算每個主成分/因子的權重，構建指標權重體系。

l 綜合競爭力 ：利用成分得分和方差解釋率這兩項指標，計算得到綜合得分，用於綜合競爭力對比（綜合得分值越高意味著競爭力越強）。此類應用常見於經濟、管理類研究，比如上市公司的競爭實力對比。

因子分析案例

現在有 12 個地區的 5 個經濟指標調查數據（總人口、學校校齡、總雇員、專業服務、中等房價），為對這 12 個地區進行綜合評價，請確定出這 12 個地區的綜合評價指標。（ 綜合競爭力應用場景 ）

同一指標在不同地區是不同的，用單一某一個指標難以對12個地區進行准確的評價，單一指標只能反映地區的某一方面。所以，有必要確定綜合評價指標，便於對比。因子分析方法就可以應用在這個案例中。

5 個指標即為我們分析的對象，我們希望從這5個可觀測指標中尋找出潛在的因素，用這些具有綜合信息的因素對各地區進行評價。

下圖spss因子分析的操作界面主要包括5方面的選項，變數區只能選擇數值型變數，分類型變數不能進入該模型。

spss軟體為了消除不同變數間量綱和數量級對結果的影響，在該過程中默認自動進行標准化處理，因此不需要對這些變數提前進行標准化處理。

 

描述統計選項卡

希望看到各變數的描述統計信息，要對比因子提取前後的方差變化，選定「單變數描述性」和「原始分析結果」；

現在是基於相關矩陣提取因子，所以，選定相關矩陣的「系數和顯著性水平「，

另外，比較重要的還有 KMO 和球形檢驗，通過KMO值，我們可以初步判斷該數據集是否適合採用因子分析方法，kmo結果有時並不會出現，這主要與變數個數和樣本量大小有關。

 

 

抽取選項卡:在該選項卡中設置如何提取因子

提取因子的方法有很多，最常用的就是主成分法。

因為參與分析的變數測度單位不同，所以選擇「相關矩陣」，如果參與分析的變數測度單位相同，則考慮選用協方差矩陣。

經常用到碎石圖對於判斷因子的個數很有幫助，一般都會選擇該項。關於特徵值，一般spss默認只提取特徵值大於1的因子。收斂次數比較重要，可以從首次結果反饋的信息進行調整。

 

 

因子旋轉選項卡

因子分析要求對因子給予命名和解釋，是否對因子旋轉取決於因子的解釋。

旋轉就是坐標變換，使得因子系數向1 和 0 靠近，對公因子的命名和解釋更加容易。旋轉方法一般採用」最大方差法「即可，輸出旋轉後的因子矩陣和載荷圖，對於結果的解釋非常有幫助。

如果不經旋轉因子已經很好解釋，那麼沒有必要旋轉，否則，應該旋轉。

 

 

保存因子得分

要計算因子得分就要先寫出因子的表達式。因子是不能直接觀察到的，是潛在的。但是可以通過可觀測到的變數獲得。

因子分析模型是原始變數為因子的線性組合，現在我們可以根據回歸的方法將模型倒過來，用原始變數也就是參與分析的變數來表示因子。從而得到因子得分。因子得分作為變數保存，對於以後深入分析很有用處。

 

結果解讀：驗證數據是否適合做因子分析

參考kmo結果，一般認為大於0.5，即可接受。同時還可以參考相關系數，一般認為分析變數的相關系數多數大於 0.3，則適合做因子分析；

KMO=0.575 檢驗來看，不是特別適合因子分析，基本可以通過。

 

 

結果解讀：因子方差表

提取因子後因子方差的值均很高，表明提取的因子能很好的描述這 5 個指標。

方差分解表表明，默認提取的前兩個因子能夠解釋 5 個指標的 93.4%。碎石圖表明，從第三個因子開始，特徵值差異很小。綜上，提取前兩個因子。

 

 

 

 

結果解讀：因子矩陣

旋轉因子矩陣可以看出，經旋轉後，因子便於命名和解釋。

因子 1主要解釋的是中等房價、專業服務項目、中等校平均校齡，可以命名為社會福利因子；

因子 2 主要解釋的是其餘兩個指標，總人口和總雇員。可以命名為人口因子。

因子分析要求最後得到的因子之間相互獨立，沒有相關性，而因子轉換矩陣顯示，兩個因子相關性較低。可見，對因子進行旋轉是完全有必要的。

 

結果解讀：因子系數

因子得分就是根據這個系數和標准化後的分析變數得到的。在數據視圖中可以看到因子得分變數。

結論

經過因子分析實現了目的，找到了兩個綜合評價指標，人口因子和福利因子。

從原來的 5 個指標挖掘出 2 個潛在的綜合因子。可以對12 個地區給出客觀評價。

 

 

 

可以根據因子1或因子2得分，對這12個地區進行從大到小排序，得分高者被認為在這個維度上有較好表現。

4. 職業分析方法

對面臨選擇的職業和已經從事的職業進行職業分析，應從以下兩個方面入手：
一，職業與自身
1，適應性。
2，穩定性。
3，發展性。
4，競爭性。
二，職業與社會
1，合法性。
2，依賴性。
3，長期性。